基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

基于神经网络的隧道行车车牌识别技术研究

针对隧道环境下高速行车的车牌识别问题,提出使用红外摄像机采集监控视频,背景重建法进行车辆信息检测;采用Canny边缘定位算子与形态学结合的方法确定图片的车牌区域、投影法和固定边界法相结合的方法进行字符分割、引入特征提取与BP神经网络相结合进行字符的识别,提取车牌信息;并通过改进BP神经网络的学习方法来提高字符的识别速度。项目研究运用Matlab进行了大量车牌图片的样本实验,以验证此算法车牌识别的速度、准确率。     

基于YOLO v3深度学习算法的道路裂缝识别模型研究

针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明：YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.123 1 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。     

我国成功研发智能辅助驾驶系统

正3月26日,中国航天科工二院二部成功研制"基于深度学习的智能辅助驾驶系统",凭借方寸几厘米大小的嵌入式芯片,可以实现对环境的实时准确智能感知,在目标识别准确率方面达到世界先进水平。公开数据显示,智能驾驶目标识别准确率最高为90.55%,但处理一幅图片需要4秒;二部智能辅助驾驶系统的算法准确率为90.05%,处理一幅图片却只需要0.03秒。系列核心技术,包括多目标检测与识别、可行驶区域     

基于AR技术的隧道人工巡检辅助系统

为实现高质量、高效率的隧道巡检，基于AR技术设计隧道人工巡检辅助系统。通过AR终端使得真实场景叠加虚拟信息，对巡检作业进行分析、指导和决策，有效辅助隧道人工巡检工作。应用SURF的尺度不变和高效的识别性能对机电设备进行识别匹配，并采用Lowe’s算法保证匹配的最佳效果；通过隧道5G室内高精定位、物体的POI信息、AR智能终端中的方向角度传感器等数据信息，建立基于目标物体唯一属性的识别匹配；最后，选择PSO信息优化算法对SURF算法识别匹配的结果和唯一属性识别匹配的结果进行优化关联融合，极大地提升识别匹配的准确性。从匹配性能、AR渲染性能并结合实际运行效果对AR隧道虚拟巡检系统和传统人工巡检效果做出对比评估，验证了AR巡检辅助系统相对于人工巡检有明显优势。系统所展示的设备实时数据及辅助决策功能使巡检平均耗时缩减为传统人工巡检的54%，按AR辅助巡检系统规划的巡检路线可有效避免漏检的情况，且巡检总体准确率接近94%，有效提升了巡检质量与效率。     

基于双层连通性检测的路面裂缝图像识别算法

针对路面裂缝图像识别结果容易存在孤立噪声和断续边缘的情况,提出了基于像素-裂缝子块双层连通性检测的图像自动识别算法,主要有4个部分:(1)基于自适应灰度拉伸的图像增强算法;(2)基于自适应大津法和八方向Sobel梯度信息的组合分割算法;(3)基于连通性检测的二值图像去噪算法;(4) 32×32裂缝子块识别和优化连接算法.然后,对5张3056×2048的路面破损图片进行裂缝识别,结果显示,该算法从像素和裂缝子块这2个层次进行连通性增强处理,可获得完整而连续的裂缝图像.最后,针对10张512×512的路面破损图片,对全局OTSU分割、八方向Sobel检测、Canny检测和本文算法进行测试,各算法综合性能指标F1值依次为62.46％、23.84％、10.45％和88.30％,准确率依次为83.45％,27.82％,17.83％和86.60％,召回率依次为56.89％,21.83％,8.89％和90.68％,体现了本文算法的优越性.     

车载视觉导航系统中的交通标志识别技术

文章提出一种在车载视觉导航系统中实现交通标志识别的技术。该算法利用安装在车辆上的视频采集模块获取真实交通环境的视频,通过基于颜色—形状模型的目标检测算法和基于BP神经网络的识别算法,准确、实时地获得交通标志信息,并对驾驶员发出警示信息,从而达到进一步完善车载辅助驾驶系统和提高汽车主动安全性的目的。     

VDA过程审核方法在汽车零部件供应商中的实施研究

汽车零部件供应商进入OEM主机厂或Tier1汽车厂商供应链采购系统前,需要进行潜在供应商审核,确保满足客户的质量管理要求。其中,过程审核是衡量汽车零部件供应商技术能力的重要方法,可以准确客观地评价供应商的质量保证能力。本文结合德国汽车工业联合会VDA6.3过程审核的理论方法以及相关国际项目经验,系统研究项目实施过程中质量审核的标准要求、应用范围、审核要素、风险识别模型、审核流程、审核评价算法等各个过程,为推动汽车零部件供应商通过客户潜在评审以及提高内部项目管理、产品设计开发与制造过程能力具有一定的指导意义。     

轿车零部件生产厂质量控制方法的基本运用

为了快速提升轿车零部件生产厂生产零部件的质量,将零部件审核、过程参数审核及监控、质量信息收集、8D报告等质量手段贯穿到质量管理工作中,使质量检查的工作转化为质量保证工作,起到预防作用。实践证明,正确使用质量管理的基本控制方法,可以使企业质量管理水平得到快速提升。     

车牌定位及车辆特征识别研究

车牌定位及车辆识别是智能交通管理的主要研究问题.车牌定位识别,通过对图像进行预处理并结合形态学能粗略获取候选车牌位置,对符合特征的候选车牌进行筛选,精确获取车牌位置,最后采用神经网络完成字符识别过程.车辆识别采用迁移学习,采用AlexNet卷积神经网络构造出深度特征向量.形态学能够应对灰度底质量差的情形,为字符识别提供保障.车辆识别时对比直接分类图片特征,迁移学习构造的深度特征分类精度为85.13%,提高了38%,验证了迁移学习的有效性,通过KNN算法表明深度特征能够表征图片属性.针对新数据集重新提取特征、训练样本将消耗大量时间,对比迁移学习和AlexNet框架发现分类精度持平,表明了迁移学习的鲁棒性.      

融合改进YOLO和背景差分的道路抛洒物检测算法

针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题，探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上，对模型结构进行修改以满足实时性需求。具体地，使用卷积优化YOLO中的降采样模块，采用Ghost网络替代原始的特征提取网络以减少计算量，根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框，在检测框周围设定感兴趣区域，并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比，排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明，改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms，比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明，在没有抛洒物训练数据情况下，传统混合高斯模型算法平均精度值为0.51，采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78，算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms，可实现抛洒物的实时检测。      

基于VBA矢量图形识别技术的多源地质信息数据化转换方法

机器学习算法是全断面隧道掘进机智能化施工技术研究的重要技术手段,其需要大量全面详细的数据化地质信息为基础,而岩土勘察报告的图、表、文字描述等地质信息却无法直接被机器学习算法辨识。为解决这个问题,提出多源地质信息的数据化转换方法,即通过编程对CAD、Excel进行操作,利用VBA矢量图形识别技术,以给定的参考线为定位基础,自动辨识CAD地质纵断面矢量图中隧道穿越的地层,并与岩土勘察报告中的多源地质信息融合,从而得到机器学习算法可辨识的数据化地质信息。与传统人工法相比,能极大提高效率和数据的准确度,并且可灵活调整数据密度以满足不同需求。通过在全断面隧道掘进机智能辅助掘进研究中进行应用,取得了良好的效果。     

路面裂缝图像自动识别算法综述

路面裂缝自动检测对于路面养护管理、路面性能评价与预测、路面材料和结构设计具有重要的实用价值,但快速、准确、全面且稳定地识别路面裂缝一直是个难题.为此,对路面裂缝自动检测研究现状进行综述,包括以图像增强和去噪为目的的预处理方法,基于阈值分割、边缘检测和种子生长的空间域识别算法,以小波变换为代表的频域识别算法,基于有监督学习的识别算法及其他裂缝识别方法;指出既有裂缝识别算法存在易受光照和油污等因素的影响、裂缝识别图像连续性差和识别速度和精度较低等不足.最后,提出综合考虑边界和区域特征消除纹理和噪声干扰、基于局部和全局信息设计优化识别算法和基于三维图像进行裂缝识别等研究展望,为裂缝自动识别算法的改进提供参考.     

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。     

《汽车运用》来稿须知

（1）稿件内容要求观点明确、逻辑严密、文字精炼、图表清晰、真实可靠，不得涉及国家和军事秘密。“经验交流”、“人物风范”和“信息快车”栏目稿件须经作者所在单位审核盖章。 （2）稿件内容和书写顺序：题目、作者姓名、正文、作者信息（包括工作单位、职务、通信地址、联系电话和邮政编码）。 （3）稿件文字一般为4号仿宋或宋体，用B5或A4纸单面打印，字数一般不超过5000字。图片请用图片格式刻录成光盘邮寄。     

车辆前方行驶环境识别技术探讨

基于雷达和视觉技术对车辆前方行驶环境识别,进而判断车辆安全状态和实现纵向横行运动状态警示和控制,其是实现汽车安全辅助驾驶的主要技术途径。介绍车辆前方行驶环境识别涉及到的雷达和视觉的一些技术,其中包括雷达种类和适用场合,雷达检测障碍物的算法,车用图像的性能要求,基于图像特征和模型的车道线识别的方法,利用图像实现其他环境信息识别的方法。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。      

基于历史信息的沥青路面坑槽识别方法

在沥青路面坑槽识别方法中,为了解决现有方法准确度与速度不高的问题,提出一种基于历史信息的沥青路面坑槽识别方法。根据实测图像,在提出改进的阈值确定方法基础上,提出基于历史信息的坑槽图像识别算法框架,该框架主要分为图像去噪、改进的阈值确定算法及坑槽形态特征提取3个部分,并进行算法性能评价与分析。实验证明,随着在改进的阈值确定中更多的历史信息用于创建阈值初始约束条件,能显著简化算法流程,减少算法收敛时间,在不降低识别准确度的前提下提升识别速度,最快可较不运用历史信息的算法提升6%的速度。     

基于改进DATA-SSI和聚类分析的桥梁结构模态参数识别

桥梁结构的模态参数主要用于桥梁结构损伤识别及使用性能评估,在桥梁健康监测系统中具有十分重要的意义。目前较为常用的模态参数识别算法是随机子空间识别算法,主要包括协方差驱动的随机子空间识别算法和数据驱动的随机子空间识别算法。在利用随机子空间算法识别桥梁结构的模态参数时,首先需人为依据稳定图来进行系统阶次的确定,通过对稳定图定阶的不断研究,发现其依然存在模态失真和计算量大这两方面的缺陷,为此提出了新的定阶算法以实现系统阶次的自适应确定。其次需要人为参与稳定图中真实模态的辨识,这不仅降低参数识别效率,还导致筛选的结果带有一定主观性。为了避免人为参与定阶和真实模态的筛选,提高模态参数识别的效率,在现有随机子空间算法的基础上引入聚类分析算法,提出了一种改进的模态参数自动化识别算法,以实现系统阶次的自动化确定和稳定图中真实模态的自动化筛选。再通过一座试验桥验证了真实模态存在的规律。最后将改进算法运用于识别实际大型斜拉桥的结构参数。结果表明:改进算法能够实现实际桥梁结构的模态参数自动化识别,且识别结果具有可靠性。     

基于三维超像素分割的隧道围岩结构面智能识别方法

随着人工智能的不断发展，基于智能算法的快速、无损化隧道开挖面岩体特征识别方法，为在建或在役隧道地质灾害事故下的开挖面结构面调查提供了新思路。在开挖面三维全景图像的基础上，提出了三维SLIC超像素分割改进算法，将三维Mesh图像的基本元素——三角面(Triangle)按照颜色、空间坐标、法向量等指标进行聚类分组，以获取开挖面三维超像素；提出了基于角度差异性的结构面提取算法，对超像素进行逐一筛选，获取开挖面节理裂隙识别结果；基于此，进一步提出了基于无监督聚类学习的多级聚类围岩结构特征融合算法，将围岩节理裂隙识别结果进行聚类，获取开挖面的优势结构面组和大型跨里程结构面组；最后，结合浙江虎溪台隧道的21组开挖面三维图像数据对所提出算法进行了验证。结果表明：所提出算法的识别结果与地勘资料中2个主要结构面方向的倾向误差不超过14.8°,倾角误差不超过17.8°,验证了所提出算法有效性，该方法能较为准确地反映隧道围岩的结构面信息，并为隧道开挖面的结构面三维信息识别与评估提供了一种新的思路与方法。