基于嵌入式平台的车前红外行人检测方法研究

针对当前目标检测方法普遍需要高功耗GPU计算平台、易受光照条件影响的问题，提出2种基于嵌入式平台的车前红外行人检测方法：将训练好的YOLOv4-tiny模型使用英伟达开源推理加速库TensorRT进行优化，部署于嵌入式平台；以YOLOv4-tiny模型作为算法的基本架构，结合视觉注意力机制和空间金字塔池化思想，同时增加1个YOLO层，提出YOLOv4-tiny+3L+SPP+CBAM网络模型。将2种方法在FLIR数据集上进行训练与测试，并在Jetson TX2嵌入式平台上进行试验，试验结果表明：相较于原始网络YOLOv4-tiny，所提出的第1种方法平均准确率降低0.54%，推理速度提升86.43%（帧速率达26.1帧/s）；提出的第2种方法平均准确率提升16.21%，推理速度降低22.86%（帧速率达10.8帧/s）。2种方法均可兼顾准确率和实时性，能够满足车前红外行人检测的需要。     

基于改进YOLOv5神经网络的道路检测车辆前方障碍识别方法

针对在嵌入式设备上部署神经网络模型存在受限于设备体积与计算性能的影响而难以保证神经网络模型的推理实时性的问题，提出了一种基于YOLOv5-nano的前车检测改进方法（HS-YOLO）。首先，采用硬拟合函数h-swish来取代SiLU激活函数，在激活关系相似的情况下提高模型推理速度；此外，引入SIOU边界框回归损失来替代CIOU损失，提高模型的训练速度与推理精度。为进一步验证改进模型的性能，使用SSD、YOLOv4-tiny、基础模型YOLOv5-nano与改进的HS-YOLO网络在相同训练条件下进行训练，得到最优模型并在测试集上进行推理测试。结果表明：HS-YOLO模型的精确率、召回率及AP0.5较原模型YOLOv5-nano分别提升了0.76%、0.43%、0.41%；在推理速度方面，HS-YOLO模型的单张图片推理耗时为7.8 ms，实时推理帧数为128 FPS，在所有模型中表现最优，较原模型分别提高了0.7 ms和10 FPS。     

基于并行短时面部特征的驾驶人疲劳检测方法研究

为实现更快速、准确的疲劳预警,提出了一种基于并行短时面部特征的驾驶人疲劳检测方法。基于加入了MicroNet模块、CA注意力机制、Wise-IoU损失函数的YOLOv7-MCW目标检测网络提取驾驶人面部的短时面部特征,再使用并行Informer时序预测网络整合YOLOv7-MCW目标检测网络得到的面部时空信息,对驾驶人疲劳状态进行检测与预警。结果表明：在领域内公开数据集UTA-RLDD和NTHU-DDD上,YOLOv7-MCW-Informer模型的准确率分别为97.50%和94.48%,单帧检测时间降低至28 ms,证明该模型具有良好的实时疲劳检测性能。     

一种基于TX2平台的改进YOLOv3红绿灯检测算法

针对采用嵌入式平台TX2检测红绿灯时存在存储容量小、算力有限的问题,提出一种改进YOLOv3红绿灯检测算法。从获取最优锚框尺度、裁减网络大尺度检测分支、模型剪枝压缩3个方面对YOLOv3算法进行改进,在自制数据集下进行模型训练,在离线数据测试中,模型的平均精度提高了34%,参数量压缩至11.9%,帧速率可达18帧/s,在实际环境测试中,对不规则摆放的园区红绿灯以及10 km实际路段下红绿灯的正确识别率分别为94.75%、92.7%。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

基于改进的YOLOv3模型的焊缝缺陷检测方法研究

文章针对目前汽车生产线中焊接检测自动化程度较低、检测鲁棒性较差等问题,利用深度学习算法的特征提取能力,提出了一种基于改进的YOLOv3模型的焊缝缺陷检测方法.该方法基于连通域提取工件上的焊缝图像,并将提取到的焊缝图像输入到改进的深度学习模型中进行训练,通过融合大、中、小3个尺度的感受野,实现不同尺度焊缝缺陷的高精度识别...     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

基于单分类支持向量机的CAN总线异常检测方法

为提高智能客车的网络安全性,提出一种基于单分类支持向量机模型的CAN总线报文异常检测方法,根据智能客车CAN总线的报文数据域特性,分析攻击对数据域产生的影响,将CAN报文的数据域提取成8个训练特征,以大量的行驶数据作为训练集和测试集,通过随机和仿真方式生成异常数据,采用交叉验证的方式对参数进行调整。试验结果表明,该模型能有效检测出异常数据,提升了智能客车的行驶安全性。     

基于改进YOLOv5s模型的地铁屏蔽门与列车门间异物快速检测方法

快速准确地检测地铁屏蔽门与列车门间异物对于保障安全具有重要意义。针对当前地铁屏蔽门与列车门间异物检测方法的低效和不准确,提出了1种基于YOLOv5s模型的快速检测方法。由于原始YOLOv5s模型在检测异物时仅依赖于候选区域内部特征信息而忽略了全局语义信息,因此引入全局语义模块来解决这一局限。该模块集成了非局部模块和压缩-激励模块：非局部模块采用自注意力机制建模像素对关系,捕获长局信息依赖;压缩-激励模块则起到降低模型计算量的作用。全局语义模块使得模型能够捕获全局语义信息并将其与局部信息相结合,以实现更好的异物检测,同时不会显著增加计算复杂度。此外,原始YOLOv5s模型中低效的Focus模块被1个完全由标准卷积单元构成的Stem模块所取代,有助于减少模型计算量和提高检测速度。使用桌面级显卡NVIDIA TITAN Xp,在从真实地铁站中采集构建而成的5 854张地铁异物数据集,对模型进行验证,实验结果表明：(1)改进后的YOLO模型表现显著优于其它基准模型,检测速度达到385帧/s,相比原始YOLOv5s提升100%,相比最快的YOLOv3-SPP提升466%;(2)改进后的YOLO模...     

一种基于神经网络的轮胎慢漏气时间序列预测方法

轮胎胎压不足的状况一旦发生,易导致行车过程中车辆的失控并带来不可逆的交通伤亡事故。而轮胎的慢漏气故障是一种常见的交通事故诱因,且该诱因不易察觉。因此,为了及时预测到轮胎的慢漏气故障,本研究以某型纯电动车的轮胎胎压时间序列变化数据为基准数据,实现改进的长短期记忆网络,建构基于神经网络的轮胎慢漏气时间序列预测模型。首先,分别进行原始时间序列的正常胎压变化趋势与异常胎压变化趋势的数据筛选与清洗等工作;其次,分别基于变分模态分解及自适应差分进化算法,实现长短期记忆网络的模型训练;最终,分别基于慢漏气时间序列校验集,进行消融实验的预测结果评估与可视化样例的对比分析。消融实验结果相较于基础的长短期记忆网络提升了15%左右的性能,可视化样例中大部分的慢漏气时间预测差值波动范围在6h内。综合实验结果可验证本研究所实现的基于神经网络的轮胎慢漏气时间序列预测模型的优越性。     

基于深度学习的行人和骑行者目标检测及跟踪算法研究

以YOLOv2网络作为目标检测的基础模型,为提高模型检测群簇小目标的准确率,在YOLOv2中加入残差网络,构成YOLO-R网络,通过构建行人和骑行者样本库,以及修改anchor boxes尺寸等网络参数,训练出更适合检测行人和骑行者目标的网络模型,并通过匹配算法完成行人、骑行者分类,进一步运用Kalman滤波实现多目标跟踪。试验结果表明:在训练样本、网络参数相同的情况下,YOLO-R比YOLOv2网络的平均精度均值(mAP)提高了3.4%,在满足速度要求的前提下,YOLO-R网络检测效果更优。     

基于改进YOLOv2模型的驾驶辅助系统实时行人检测

为解决驾驶辅助系统(ADAS)对复杂背景行人和小尺寸行人检测精度较低的问题,基于深度神经网络模型YOLOv2建立了ADAS实时行人检测模型YOLOv2-P。首先在特征提取网络中采用参数化修正线性单元激活函数,以从训练数据中自适应地学习参数,并在行人检测网络中采用多层特征图融合方法,将低层特征图信息与高层特征图信息进行融合;然后使用交叉熵损失函数替代YOLOv2模型中的sigmoid激活函数,并对宽度、高度损失函数进行归一化处理;最后采用迭代自组织数据分析算法对行人数据集中行人边界框尺寸进行聚类。试验结果表明:相比于YOLOv2,YOLOv2-P对复杂背景行人及小尺寸行人的检测精度有明显提升,能够满足ADAS行人检测准确性和实时性需要。     

手持式智能轮胎沟槽深度检测系统设计

针对传统轮胎沟槽深度测量工具检测效率极低、数据不准确、测量维度少和延展性差等特点,设计了一种手持式智能轮胎沟槽深度检测系统。该系统由手持式智能检测设备、手机和云平台三部分组成。手持式智能轮胎检测设备负责采集和处理轮胎沟槽深度数据;手机负责传输和显示轮胎沟槽深度数据;云平台负责分析和存储轮胎沟槽深度数据。试验结果表明,该轮胎花纹深度数据处理算法抗干扰能力强,该手持式智能轮胎沟槽深度检测系统测量效率高,可扩展性强且精度高,每条轮胎检测平均用时4 s,检测数据误差保持在3.5%范围内。     

基于YOLOv5的目标识别追踪模型轻量化

道路目标检测环节是自动驾驶领域的关键技术之一,随着人工智能的发展应用逐渐广泛。文章基于YOLOv5网络提出一种新的目标检测方法,改进包括融合了ShuffleNet V2中的模块,使用GhostConv改造了传统的Conv模块等。先在不同道路环境中实时采集视频流,并进行图片和视频流的标注。在主干网络中融入ShuffleNet V2中的模块并使用GhostConv模块改进Conv模块,在降低模型权重的同时对目标检测精度影响较小。将标注完成后的图片输入改进后的YOLOv5网络进行训练,并将得到后的模型与Deep SORT算法结合,进行目标检测追踪。实验结果表明,所得结果权重大小下降许多,而目标检测精确度有所上升。改进后的网络更加轻便,易于部署在边缘嵌入式设备上。     

公路交通拥堵及事故风险预警模型开发及应用研究

为改变当前被动式路网运行监测模式,提供一种可移植复用的交通拥堵、交通事故风险事前检测、主动预警模型。文中综合研究与调研国内外交通运行状态预警算法,选取动态贝叶斯网络构建预警模型,通过整合2019年5-12月近400万条交调、车检数据,结合路网基础信息数据并进行数据完整性检验、多源数据关联,挖掘公路网交通拥堵、交通事故风险特征,作为样本数据训练动态贝叶斯网络。经测试分析,模型可实现提前10 min、0.5 h、1 h多维度的交通拥堵、交通事故风险预警,预警准确度均超过85%。所开发模型通过数据接口与已有业务系统实时共享预警结果,提高模型推广应用范围。     

基于YOLOX-Resnet50模型的路面病害识别方法的应用与验证

为降低路面病害检测的人工和时间成本,提高检测效率,文章基于采集的G320国道某路段的病害数据,运用改进的YOLOX-Resnet50模型对路面病害进行智能识别,通过两轮训练（其中第二轮是在第一轮数据集的基础上优选数据集）,以评估该模型的性能,探究YOLOX-Resnet50模型在路面病害检测方面的适用性。研究表明：YOLOX-Resnet50模型在路面检测中对病害检测准确度分别为车辙75%、标线67%、修补67%、纵向裂缝50%、横向裂缝40%、网裂24%,平均准确度达到了53.8%。该模型能初步替代人工对病害进行筛选,可有效减少人工及时间成本。     

基于卷积神经网络的铆钉缺陷检测方法研究

针对铆接过程中铆钉内部断裂缺陷难以分类判别问题,利用卷积神经网络和长短期记忆网络设计检测算法。首先,使用平滑滤波法将特征信号中的异常噪声值滤去,同时根据拟合函数对检测信号进行插值,提高特征数据的信息量。其次,利用处理后的故障样本训练网络来实现铆钉缺陷诊断。实验结果表明：该方法总体识别准确率可达99%,能够有效地进行铆钉缺陷诊断。     

基于改进YOLOv5的雾霾环境下船舶红外图像检测算法

从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题,提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性,综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点,改进算法提出基于大气散射模型的数据集增强方法;为增强特征提取过程中全局特征的关注能力,改进算法的主干网络采用Swin Transformer提取船舶红外图像特征,并通过滑动窗口多头自注意力机制扩大窗口视野范围;为增强网络对密集小目标空间特征提取能力,通过改进多尺度特征融合网络（PANet）,引入底层特征采样模块和坐标注意力机制（CA）,在注意力中捕捉小目标船舶的位置、方向和跨通道信息,实现小目标的精确定位;为降低漏检率和误检率,采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失,结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构,提高目标检测结果的可靠性。实验结果表明：在一定浓度的雾霾环境下,改进算法的平均识别精度为93.73%,平...     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。