公路建造风险目标的视觉辨识与跟踪研究进展

智能辨识与跟踪公路建造过程中的风险目标是安全建造、智能管理的基础,也是公路智能建造的重要内容之一。随着计算机视觉技术的快速发展,国内外许多学者发展了以图像或视频为数据载体,融合计算机视觉智能算法的风险目标辨识与跟踪技术。该研究梳理了基于计算机视觉的公路智能建造风险目标辨识与跟踪领域的研究进展。分别从建造场地重建、风险目标智能辨识与风险目标智能跟踪三方面进行阐述,并对具有代表性研究进行回顾和分析,同时指出现有研究存在的局限和未来研究的方向。     

基于CNN-LSTM融合神经网络的CRTSⅡ型轨道板温度预测方法

准确预测CRTSⅡ型轨道板温度可对轨道板内高温的出现及时进行预警，减小高温时期涨板对列车运营带来的威胁。同时考虑外界环境温度对轨道板温度影响的时滞效应与轨道板自身在时间上的温度变化规律，提出基于卷积神经网络(CNN)与长短期记忆网络(LSTM)融合模型的板温预测方法。先通过CNN在时间轴上对气温与轨温进行卷积提取出过去一段时间内外界气象条件对当前时刻板温的影响，再将CNN在各个时间点上的输出作为LSTM的输入特征利用轨道板自身的传热规律对板温进行预测。结果表明：过去12 h内的外界气象条件对当前时刻的板温有较大影响，利用训练好的CNN-LSTM在测试集上对未来40 min的板温进行预测，其预测误差绝对值的数学期望为0.925℃。