图像测量技术在汽车轴距差检测中的应用研究

通过采集汽车直行中轮胎印迹图像 ,利用偏差相对测量法 ,即先测出汽车单轴的偏斜量 ,然后计算出汽车轴距左右差。通过开发的检测系统进行试验 ,结果表明 ,检测精度满足汽车轴距左右差在线检测要求。     

图像智能识别技术在舰船电力系统远程设备监控的应用

当前图像智能识别技术在人脸识别、指纹识别等领域获得了非常广泛的应用。舰船电力系统设备是保障舰船作战能力的关键,实现舰船电力系统设备的远程监控具有非常重要的意义。图像智能识别技术需要处理的数据量较大,本文使用了一种基于VB和Matlab混合编程的方法,充分结合了VB和Matlab的优点,设计了舰船电力远程设备监控系统的架构和软件界面,给出了BP神经网络进行图像识别的工作流程。系统能够正确提取图像并识别仪器上的数字,且具有速度快等优点。     

图像识别技术在BIM运维管理中的应用研究

针对当前铁路运维管理中利用BIM技术构建的运维管理平台,提出基于图像识别技术维护日常运维的应用方案:将图像识别技术和BIM技术结合应用到运维管理的信息化系统中,通过对比不同的识别技术,提出了应用YOLOV3更新设备状态信息的方法,以提高运维管理工作的效率和质量。     

基于图像识别分析探测隧道火灾的技术与创新

目前,应用火灾探测器系统进行检测隧道火灾时,由于隧道中存在粉尘多、潮气重和风速大等特点,因而存在火灾自动报警设备误报率和漏报率高等问题,针对这些问题,提出了一种基于图像识别分析探测隧道火灾的技术。该技术通过红外、近红外、可见光的多频视频摄像,采集火灾初期的烟雾和火焰图像,提取烟雾和火焰相关物理特性,进行融合计算,形成火灾概率信息并同时输出复合图像信息。通过实验验证,整个系统能够同时复合检测温度、火焰和烟雾等多种在火灾发生时产生的物理量,且探测过程全程可视化,具有较强的实时性、准确性和稳定性。     

山岭隧道爆破效果神经网络评价模型及爆破参数优化决策方法研究

针对山岭隧道爆破开挖普遍存在的超欠挖过大、渣体块度不适等问题，分析了造成这些问题的主要因素，确定了隧道爆破开挖效果评价指标体系，建立了以爆破块度和超欠挖量为预测目标的隧道爆破效果神经网络评价模型，提出了基于深度学习的隧道爆破渣体块度实例分割算法，形成了山岭隧道爆破参数优化决策方法，进而开展了工程应用与验证。结果表明：（1）基于深度学习的隧道爆破渣体块度实例分割算法检测出的块体大小与真实值误差小于6.9%（置信度为95%），实现了隧道渣体块度样本数据的快速获取；（2）经148组工程实践样本数据训练后的隧道爆破效果神经网络评价模型能够较为准确地预测出爆破渣体块度与超挖量；（3）爆破参数优化后试验断面的平均线超挖量均在10%左右，较原方案降低了50%以上；实测得到的渣体块度与超挖值与模型预测结果一致性良好，偏差小于20%。     

海上视频监控系统组合相似度图像智能识别方法

在海上防御中,准确识别目标物体具有重要的现实意义。为此,针对2种传统图像目标识别方法存在的精度问题,研究一种海上视频监控系统组合相似度图像智能识别方法。该方法主要分为3步骤,首先对海上监控系统采集到的图像进行预处理,包括图像灰度化、图像平滑去噪、图像增强、图像分割等,然后利用HOG特征提取算法对处理好的图像进行特征提取,最后通过距离公式计算目标特征与数据库中相似性评价标准之间的相似度,完成相似度匹配,实现目标识别。结果表明:与基于K-means聚类、CNN模型等2种传统图像目标识别方法相比,利用本方法编程的软件程序进行25000个海上目标识别,识别准确性分别提高8.1%和7%,提高了海上防御的安全性。     

货车运行故障动态图像检测系统(TFDS)的原理与应用

介绍TFDS系统原理、组成、功能及信息资源管理,概述系统给列检工作带来的转变和系统运用取得的成果.     

站台端部入侵防护系统的研究

为了有效地监控铁路站台端部非法入侵行为，增强铁路站台端部防护能力，提出以激光雷达探测技术为主、以超宽带精准定位识别和图像智能识别分析为辅的站台端部入侵防护系统。该系统能够智能探测入侵目标，精准识别携带有定位标签的工作人员，智能识别穿着专用制服或者工装的工作人员；可将工作人员与非法入侵者区分开来，只对非法入侵进行报警，误报率低。目前，该系统已应用于多个铁路车站，有效地提升了铁路车站安全管理水平。     

基于深度残差神经网络的地铁站台门与列车门间异物自动检测方法研究

针对地铁站台门与列车门间现有异物检测方法的精度差、误报率高的问题,提出基于深度残差神经网络图像识别原理,利用地铁站台发车指示器图像数据实现站台门与列车门间异物实时检测.首先,搭建基于深度残差神经网络ResNet50模型的自动异物检测系统;然后,采集站台发车指示器视频帧信息建立数据集并完成系统训练;最后,分析自动异物检测系统对验证信息集的处理效果,并将该系统应用于实际地铁车站中.处理效果表明:实际应用验证中最低准确率为98.7％,单张视频帧处理总耗时不超过65 ms,满足地铁实际运营的要求.     

基于无人机和迁移学习的涵洞图像识别及GPS定位

为提高涵洞淤堵病害的检测效率，研究了基于无人机采集病害视频、图像资料和迁移学习的卷积神经网络(人工智能)算法对涵洞图像进行分类。将涵洞状况分为：淤堵、部分淤堵和正常3个类别。并把在ImageNet图像数据集上预训练过的人工智能算法(如ResNet-18网络模型)应用至涵洞图像中，以此提高人工智能算法的准确性。结果表明：使用ResNet-18对涵洞分类识别准确率可达到93%,实现了对涵洞状况的有效分类。此外，还提出了一种通过MATLAB调用涵洞状况图像GPS信息得到地理位置定位的方法，帮助二次检测或后期维护人员快速达到病害现场，进行相关的监测维护工作。