基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清,背景复杂多变,难以捕获到有效特征,导致算法识别误报率和漏报率较高;此外,深度卷积神经网络结构复杂,参数繁多,难以缩短其计算时间至1 ms内,这成为实时火灾预警的一大难题. 为了解决上述问题,提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配;同时,为了避免由于训练样本不足引起的过拟合,原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本,并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%,且计算时间减少到0.26 ms.      

浅谈雾天高速公路实施交通管制的方式与方法

阐述了雾天高速公路实施交通管制的意义、方式及方法,为探索雾天如何提供安全的行车环境提供参考。     

基于改进的YOLOv3接触网鸟巢检测与识别

接触网上鸟巢对铁路安全稳定运行存在严重威胁.为检测和识别接触网上鸟巢以解决鸟巢对铁路运行造成的不良影响,提出一种改进的YOLOv3算法.首先对接触网鸟巢图像进行前期预处理,去噪等操作能够加强对鸟巢本质特征的提取,数据增强一定程度上避免神经网络的过拟合现象产生.然后在网络结构中加入空间金字塔池化模块,对特征图进行不同尺度...     

基于广义回归神经网络的高速公路减速带行车风险检测模型

由于司机的错误可能会导致交通事故,如果能及时向司机提供建议,这种事故是可以避免的,如何检测驾驶风险是关键因素.首先,选择反应时间、加速度、初始速度、最终速度和速度差作为运动参数.方差分析结果表明,不同行驶状态下速度差异不显著,另外4个参数可以作为神经网络模型的输入变量,它们有15种不同的组合.检测模型结果表明,测试集的...     

基于SE-CPN模型的芯片表面缺陷检测

为解决芯片表面缺陷检测的困难,提出新的神经网络模型SE-CPN,引入注意力机制模块,采用自底向上路径聚合的方式检测不同尺度的特征。为便于SE-CPN模型在边缘设备上部署,采用Ghost模块,保证相似的识别性能同时大幅度降低计算量,使存储占用空间降低到16.3 MB。通过各项数据增强手段,在小样本基础上建立了缺陷芯片数据集,训练并评价模型。实验表明,在此数据集上文中模型平均准确率达到98.2%。     

基于图像处理的高速公路路面损坏检测技术研究

通过介绍基于图像处理的数据采集设备、检测系统和数据处理方法,对图像处理的高速公路路面损坏检测技术进行深入研究,可为道路养护提供参考。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明：本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。     

基于MobileNet-SSD的铁路信号灯检测识别

为解决铁路轨旁信号灯的定位与实时检测问题,在深入分析传统SSD算法与MobileNet模型的基础上,将MobileNet模型的最后平均池化层、全连接层转换为SSD算法的多尺度特征映射层,提出了一种基于MobileNet-SSD的铁路信号灯检测算法.实验结果表明:该算法克服了传统SSD算法对小目标识别不准确、检测实时性较差的问题,检测速度更快,准确率更高;在50 m监控范围内,算法的平均检测准确率达到85%以上,同时具有25帧/s的实时识别能力.     

基于监控视频的高速公路能见度检测方法及系统

针对我国高速公路能见度天气的全面检测与预警处置的迫切需求,提出了一种基于监控视频的高速公路能见度检测方法.该方法从监控摄像头提取固定距离参照物的图像,根据图像的灰度失真状况计算能见度值,并通过数据融合的手段对多监控摄像头计算结果进行综合;并设计和开发了一款能见度监测与预警处置信息化系统,利用获取的实时能见度数据,从局部现场和宏观路网两个方面支撑能见度预警、应急处置、交通流调控、信息发布等智能交通业务.实验分析结果表明,该能见度计算方法的平均检测误差为13.4%,能够满足我国高速公路能见度检测的精度和计算性能要求;本文方法及系统可以充分复用高速公路沿线广泛架设的视频监控机电系统,可应用于我国高速公路的运营管理及效率提升等工作中.      

神经网络在公路工程质量检测中的应用

通过分析现有公路工程质量检测的数据处理方法,结合公路工程质量检测的实际,提出了应用BP神经网络提高公路工程质量检测精度的方法,并通过实例证明了这种方法可以大大提高试验结果的精度,提高处理试验数据的能力,具有一定的推广价值。     

基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

基于BP神经网络的沙漠公路交通事故预测模型

介绍人工神经网络理论,论述BP神经网络的模型结构与原理,利用BP神经网络构建了交通事故预测模型,用MATLAB语言编写了相应的程序,并给出了模拟与预测的结果。模拟结果表明,构建的BP神经网络预测模型是成功的、有效的。     

公路网发展的排序模型

对于一个公路网的发展如何使投资发挥大的效益?本文通过采用交通流 平衡分配模型对公路网各发展方案的模拟,提出了对发展方案的排序模 型及算法,为公路网发展及规划提供依据。      

公路网布局的多目标优化模型

针对现有公路网布局优化模型的目标函数过于偏重机动性的缺点,在公路网布局优化模型中引入了可达性的概念,建立了多目标双层优化模型.上层考虑建设资金的约束,以公路网可达性最大和交通负荷度最小为目标函数;下层与传统的4阶段交通规划模型相结合,采用用户均衡配流模型.为了反映上层模型的两个目标函数之间的trade-off关系,设计了基于Pareto最优的求解算法,并采用进化算法实现.文中提出的方法在北部湾区域公路网布局规划中得以运用.     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于BP神经网络的高速公路工程造价估算模型研究

工程项目前期造价的确定直接关系到整个项目的总体运作情况,因此准确的确定前期造价是非常重要的。目前工程中应用的投资估算编制方法不是很科学,采用BP神经网络方法改进投资估算的确定方法。结果表明,该方法可以有效的提高其编制精度,为科学的确定和有效的控制工程造价中全过程造价奠定了良好的工作基础。     

Markowitz模型的一种神经网络解法

对不允许卖空情况下的Markowitz模型的求解，在金融学里面，一直是个很棘手的问题，提出了一种反馈神经网络算法，该算法计算步骤简单，收敛速度快，特别针对大规模问题非常有效，首先提出了这种算法的神经网络模型，给出了它的能量函数，接着证明了它在Lyapunov意义下的稳定性，最后证明了一定存在一个收敛序列{Xk}包含于R^n,使得{Xk}的每一个极限点都是Markowitz模型的解。     

神经网络在交通流信息融合中的应用

在城市交通控制系统中可利用数据融合技术获得准确的车辆状态和身份估计,并将相关信息用于交通管理的决策.应用人工神经网络的方法在多传感器信息融合的基础上,提出了一种基于信息融合思想的神经网络模型,并通过实际验证了其有效性及可靠性.