沥青路面施工横缝的处理措施

沥青路面施工横缝处理不好 ,对道路的通行能力影响很大。文章通过对横缝的处治工艺及专用机械的论述 ,提出处理施工横缝的方法     

基于图像的过街行人交通参数获取方法

为有效获取交叉口行人信息,提高过街行人安全性,提出了基于图像技术和人行横道线特征的交叉口过街行人交通参数获取方法.利用横道线特征建立了行人识别感兴趣区和人行横道线的曲线方程,以识别行人和确定行人在交叉口的位置、行进速度.试验结果表明,该方法可以有效地确定出过街行人交通参数.     

基于三维点云数据的沥青路面裂缝识别方法

针对沥青路面二维裂缝图像识别精度较低的问题,文中借助三维激光扫描技术,利用三维点云数据所提取的裂缝特征验证二维图像裂缝特征的准确性,同时将提取的三维点云数据裂缝指标用于深度学习的准确率提升,以此提高裂缝图像的识别准确率。首先将获取的高精度二维图像进行图像增加、去噪、分割、特征提取等,然后通过对路表三维点云数据进行分类、滤波、融合,重建沥青路面路表三维形态模型,实现沥青路面裂缝的高效高精度识别与裂缝特征参数提取,利用密集卷积神经网络(DenseNet)的裂缝图像识别算法对200张验证图像进行测试。结果表明,通过利用三维点云数据对二维图像进行辅助判别的方法,可大幅提高裂缝图像的识别准确率,具有良好的普适性。     

基于视频图像的公路隧道火灾烟雾检测

为有效检测公路隧道火灾烟雾并预警，针对公路隧道传统火灾烟雾探测器存在的反应慢和功能单一等问题，通过分析研究火灾烟雾视频图像的颜色和纹理特征，提出一种基于烟雾图像特征的公路隧道火灾烟雾检测方法。首先，通过改进后的Vibe算法模型提取图像运动区域；然后，在YUV色彩空间中确定疑似烟雾区域后利用颜色滤出方法分割出疑似烟雾区域；最后，用从疑似烟雾区域图像中提取的颜色矩和均匀局部二进制模式（ULBP）与灰度共生矩阵（GLCM）构成机器学习分类器的输入向量进行隧道火灾烟雾识别。为满足复杂的隧道环境，对比分析BP神经网络、支持向量机、随机森林3种机器学习分类器的烟雾识别效果，选出最优算法作为公路隧道烟雾识别分类器。通过模拟公路隧道火灾烟雾试验视频和某实际公路隧道火灾视频对分类器进行试验测试，结果表明： 基于BP神经网络算法的检测系统识别性能最优，选取的烟雾特征具有较高识别精度，能够在隧道复杂环境中识别火灾烟雾。     

用摊铺机横坡度仪控制沥青路面施工高程的方法

修筑双向６车道沥青路面高速公路，需要２台摊铺机并机作业才能完成单幅全宽的铺筑，而并机作业的关键技术之一就是应用横坡度仪控制前机纵缝处施工高程的方法。这里主要介绍直线段和全超高段以及超高缓和段铺筑时使用横坡高度仪控制高程的方法。     

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.      

基于图像处理的沥青路面裂缝识别算法研究

为了提高沥青路面裂缝检测效率,利用Matlab软件平台,深入研究了图像灰度化、图像灰度变换、滤波去噪、边缘检测等图像处理算法,并提出一种裂缝宽度计算方法。该文的图像处理算法较好地解决了沥青混合料中集料缝隙对裂缝识别产生干扰的问题。选取20幅裂缝图像对该文提出的算法精度进行验证,结果表明:算法可较好地用于沥青路面不规则裂缝、纵缝、横缝的识别与宽度计算。当裂缝宽度在5 mm以上时,相对误差可控制在5%以内;裂缝宽度为2～5 mm时,相对误差可控制在10%以内。     

基于图像处理的车牌识别系统设计

本论文提出了一种基于图像处理的车牌识别系统设计,系统分为三个部分,第一部分,对采集的图像进行灰度化,图像平滑,边缘检测等操作以进行预处理。第二部分,对预处理后的图片进行车牌定位,并作倾斜矫正。最后使用卷积神经网络,对车牌字符分割后提取出来单个字符的结果进行识别。     

基于BP神经网络的探地雷达图像特征判识与提取研究

在隧道质量检测中,钢拱架的探地雷达反射图像具有双曲线特征。为了研究双曲线图像特征的智能判识,提出一种基于BP神经网络的判识方法对图像中的双曲线特征进行自动识别。通过现场实测获取探地雷达原始检测图像,继而对原始检测图像进行平滑去噪、二值化与细化等数字预处理;通过引入动量附加项对算法进行优化,构建了具有一个隐层的三层神经网络结构;采用图像窗口的方式对神经网络结构进行训练和判识测试,并利用训练成功的神经网络结构对雷达图像中的双曲线特征进行智能判识;基于判识重构后的双曲线灰度图像,利用MATLAB对灰度图像的颜色直方图特征进行提取。分析结果表明,通过这种方法对探地雷达图像中的双曲线特征进行智能判识与特征提取是可行的,研究工作能为探地雷达图像典型特征的智能判识与提取提供相关参考。     

低光照环境下基于面部特征点的疲劳驾驶检测技术

提出了一种新型在低光照环境下有较高适应性和识别精度的疲劳驾驶检测技术。用深度视觉传感器获取驾驶员驾驶图像,用人脸跟踪算法实时提取面部特征点数据,基于最小二乘法对眼睛和嘴巴轮廓进行曲线拟合。计算眼睛和嘴巴开合度归一化指标,提取了眨眼频率、眨眼平均时长、眼睛闭合总时长、打哈欠频率、打哈欠总时长、低抬头频率等6个疲劳识别特征数据。基于数据统计序列的卷积神经网络算法,建立识别模型,构建疲劳状态检测系统。实验表明：本文算法在低光照环境下的疲劳驾驶识别精度达到了90%,识别时间约为130 ms。     

图像处理技术在温拌沥青微观形貌分析中的应用

为准确识别不同类型及不同反应程度的温拌沥青(WMA),基于原子力显微镜方法(AFM)对温拌沥青微观形貌进行测试,采用数字图像处理技术,包括颜色矩和灰度共生矩阵方法,对温拌沥青的颜色特征和表面纹理特征进行描述。结果表明:B颜色分量可视为研究拌沥青反应机理和进行识别的主要决定因子。通过图像颜色特征描述,可对温拌沥青内部反应情况及改性作用进行定量分析;此外,通过提取温拌沥青的微观图像的特征值,可对不同类型温拌沥青和不同反应程度的沥青进行识别和鉴定。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

基于道路特征的车道线识别算法分析及平台搭建

基于当前智能驾驶背景下道路特征模型的车道线识别现状,对应用于智能汽车的图像预处理中的灰度化处理算法、滤波处理算法和感兴趣区域提取技术分别进行对比分析,研究不同的图像预处理方法在车道线识别算法的应用适用性。对车道线实时提取算法中的边缘检测技术原理、道路特征条件转化算法进行综合运用分析,搭建基于道路特征的车道线识别算法模型,经过在Visual Studio平台验证,算法模型满足智能驾驶汽车车道线识别要求。     

水泥混凝土路面纵缝传荷性能测试方法

接缝是我国水泥混凝土路面系列病害的根源之一,在养护工作中也很重视接缝的测试,但往往只强调横缝的性能,对于纵向接缝缺乏应有的关注.该文先采用有限元方法分别计算了横缝传荷性能变化和纵缝传荷性能变化对结构受力的影响,对比分析了纵缝传荷性能的重要性;然后计算了不同加载方式下的纵缝传荷系数,对比分析了测试车纵向停放和横向停放以及不同停放位置对纵缝传荷系数的影响;最后,结合现场测试数据,说明了加载方式及位置对纵缝传荷系数的影响.计算分析结果表明,在养护工作中应该重视纵缝传荷性能,并建议在测试纵缝传荷系数时采取测试车纵向停放加载的方法.     

基于虚拟线圈的车型识别研究

在车型识别系统中,车辆的特征提取是非常重要的.传统的检测方法受摄像机的成像精度与架设方式等因素的影响,给车辆特征的提取带来困难.提出了一种采用虚拟线圈识别车型的方法.该方法将检测线与虚拟线圈相结合,对提取的车辆信息进行预处理,以检测线检测到达预先设置位置的车辆,然后触发虚拟线圈来提取车辆特征,通过BP神经网络来训练识别的车辆特征,以达到车型识别的目的.试验证明,该方法识别效果好,识别有效率达99%.     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

数学形态学在探地雷达钢筋识别中的应用研究

在基于探地雷达的桥梁结构状态检测中,目前大部分还是靠人工目视方法对探地雷达图像进行识别,检测效率低,为了提高探地雷达图像分析的自动化程度,利用探地雷达图像中钢筋区域的形状特征,采用数学形态学处理方法对探地雷达图像中钢筋所对应的区域进行提取,通过偏心率、面积凹凸比、圆形度等参数对钢筋区域的特征进行描述,利用支持向量机算法进行钢筋区域的识别。实验结果表明,该方法能够准确识别和定位探地雷达图像中的钢筋,其识别和定位的准确率高,为进一步实现基于探地雷达图像的桥梁结构状态识别奠定了基础。     

刚性路面缩缝传力杆的受力分析与设计

通过缩缝传力杆的现场试验,对缩缝传力杆的受力特征,传荷能力和动应变特征进行了分析,并对缩缝传力杆的设计提出建议.     

基于深度学习的沥青路面病害图像智能识别方法研究

针对现有沥青路面病害人工检测效率低、影响交通、安全风险大等特点,研究基于深度学习的沥青路面病害图像智能识别方法。通过对不同类型沥青路面病害整体目标区域及特殊样貌特征分别进行标记,对图像进行归一化及数据集扩充等一系列处理,以达到增强目标特征的目的。将细分的11类致灾因子作为神经网络的输入变量,通过模糊推理逻辑创建致灾因子与沥青路面病害等级的映射关系。预先处理神经网络的输入数据和后置处理神经网络的输出数据,结合引入至神经网络中的模糊推理逻辑,建立沥青路面病害综合评价模型。通过AlexNet网络识别出病害类型,并判断其危险度等级。以滇藏公路标号K170路段实际沥青路面病害为例,评判其横向裂缝危险度等级为重度,与实际情况相符,表明该沥青路面病害图像智能识别方法协同模糊神经网络综合评价模型可有效识别沥青路面病害类型并评价沥青路面病害的危险度等级。     

一种针对于行人及车辆图片的自动彩色化模型

行人检测目前是智能汽车领域的一个研究热点,如何高效、准确地识别行人是技术关键。然而我们所提取到的图像往往为灰度图像,忽略了颜色特征,文章结合全局先验及局部图像特征,提出了一种新的方法来自动彩色化灰度图像。基于深度卷积神经网络,可以很好的融合局部特征。此外,不同于现有的大部分基于CNN的方法,本文的架构可以处理任何分辨率的图像。与目前一般水平相比,文章通过用户研究证实了自身方法的优越性。此外,证明文章的方法可以适用于许多不同类型的图像。