基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键，交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型，通过迁移学习对交通路标数据集进行训练，将训练结果与传统的局部二值模式和方向梯度直方图进行对比，得到AlexNet模型的交通路标识别准确度为98.79%，后两者分别为86.3%、97.6%,AlexNet模型更优。     

基于改进Mask RCNN的散货船压载舱裂缝检测算法

针对散货船压载舱所存在不同类型结构裂缝检测需求，基于机器视觉相关技术，探索一种应用实例分割目标检测算法（Mask RCNN）深度学习模型的裂缝识别方法。在分析散货船压载舱裂缝的图像特征的基础上，构建了基于MaskRCNN的裂缝识别深度学习模型，通过引入轻量化自底向上路径增强机制和自身特征优化模块优化检测模型，然后制作了涵盖多种类型的裂缝数据集，基于训练结果实现散货船压载舱结构裂缝图像识别，并验证了改进的MaskRCNN模型在散货船压载舱结构裂缝图像识别技术中的优越性，为压载舱自动化高效检测提供有效支撑。     

真空管道磁浮交通气动特性的尺度效应

为了探究管道列车的尺度对波系、尾涡以及气动载荷的影响，基于CFD软件建立三种模型尺度（1∶1,1∶5和1∶10），同时考虑两种悬浮间隙关系（车轨相对间隙不变和绝对悬浮高度不变）的模型；采用改进的延迟分离涡模拟（IDDES）湍流模型和重叠网格技术模拟了列车在管道动态运动，并用风洞试验数据验证了数值方法和网格策略的合理性.研究结果表明：列车尺度（雷诺数）增大，车前活塞区域变长，尾流扰动区范围缩短；雷诺数对近尾流区的涡对演化影响较小，但在远尾流区，随着列车尺度减小，涡对脉动变强，涡对强度的差异导致了车后正激波形态的差异；列车表面最大正压值和最大负压值均随着列车尺度增大而增大，悬浮间隙对最大正压值影响较小，但与最大负压值成正相关关系；尺度效应从压差阻力和摩擦阻力两方面共同影响气动阻力，整车摩擦阻力和头、中间车的压差阻力与雷诺数正相关，但是尾车压差阻力受附着激波的强度影响恰恰相反；列车尺度和悬浮高度均对升力影响较大.相对于全尺寸模型，1∶10模型（悬浮高度20 mm）的最大正压值减小3.82%，最大负压值增大3.94%，整车总阻力增大8.64%，头车升力减小101.56%，尾车升力增大15.88...