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...     

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.     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性,改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题,提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络,通过增加动态加权密集块对各层特征图的权重进行调节,实现深层高语义信息和浅层低语义信息的融合;使用MobileNet 轻量化网络结构,通过可分离卷积操作有效降低网络的计算成本;针对池化操作中图像特征丢失严重问题引入 CBAM模块,利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明,本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度,在保证较高检测精度的同时,能够有效提高检测效率,满足实时检测要求.     

基于YOLOv3的变速箱油封座缺陷检测

针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法.在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间.结果表明:文中算法能有效识别有缺...     

改进SSD模型在高分二号遥感影像中高速公路收费站位提取的应用

以高分二号遥感影像中的高速公路收费站为研究对象，选取了北京、山西、河南、广东、福建5个省市2019年的高速公路收费站点位和0.8 m遥感影像，通过图像预处理、样本标注、裁切、数据增强、样本集划分的步骤制作训练样本集；引入“多尺度特征融合”的方法对SSD目标检测模型进行改进，通过增加“转置卷积”和“拼接”操作，将高层次特征图像的语义特征赋予低层次特征图像，以增强上采样质量与特征融合能力，从而提升了模型对小目标收费站的检测效果；将改进SSD模型用于2019年福建省高分二号影像中的收费站点位提取，沿福建省高速公路路网矢量对影像进行自动切片，将切片输入模型中进行目标检测；保留有收费站的切片，使用非极大值抑制去除多余的检测框，将剩余的检测框的坐标变换为中心点的坐标，可以直接输出得到高速公路收费站的中心点矢量，从而实现对于收费站点位的端到端自动化提取。研究结果表明:改进SSD模型的精度、召回率及二者的调和平均数分别为0.86、0.88和0.87，均优于传统的SSD, VGG, Faster R-CNN和特征金字塔网络模型。可见，对收费站点位的自动提取可以大大提高公路管理者的工作效率，有效满足公路管理者的实际工作需求。      

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

不同载荷工况下有轨电车动力学特性分析

针对山地城市曲线半径小,弯道多,坡度大等特点,为了让有轨电车顺利通过山地城市小曲线半径路况,笔者采用一种小轮径刚性轮对的三模块浮车型100%低地板有轨电车,借助多体动力学软件SIMPACK建立其动力学模型,并对该模型在空载和满载2种工况下进行动力学性能仿真实验。研究结果表明:有轨电车以80 km/h的速度通过不平顺的直线轨道时,具有良好的运行稳定性和平稳性;随着曲线半径的增大,车辆曲线通过性能逐渐变好,在通过最小曲线半径25 m时,各项曲线通过性能都能满足规定,能较好地通过小半径曲线;通过同一半径曲线时,空载工况下的各项曲线通过性能指标明显优于满载工况。     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

基于多源异构信息融合的智能汽车目标检测算法

针对智能汽车单一传感器环境感知的局限性,提出一种基于GPS、双目深度相机、16线激光雷达等多源信息融合的环境感知算法,解决单一传感器环境感知的局限性问题.算法在GPS时间同步基础上,将单一传感器标定后的数据作为改进联合标定算法输入,求解多源传感器最优空间变换矩阵.使用SVM分割点云及欧式聚类提取点云信息的几何特征,获取障碍物的位置信息;利用空间变换矩阵将障碍物点云信息变换到图像坐标系,并将3D点云映射为2D点云信息;融合基于深度学习算法求解的图像中障碍物位置信息与类别信息,实现目标检测.经KITT1数据集及实车测试验证,该算法准确率在78.13％～85.56％之间,每帧数据检测平均耗时0.16～0.19 s,在光照变化、目标遮挡环境下均能有效的进行目标检测,具有较好的工程应用前景.     

基于改进YOLOv5的小目标交通标志检测算法

针对小目标交通标志检测精度低的问题,提出基于改进YOLOv5的小目标交通标志检测算法。优化YOLOv5的主干网络结构,采用微小目标检测层替换原始大目标检测层,调整下采样倍数,将MobileViT Block融入颈部网络,采用离线增强与在线增强的方法对数据集进行处理。实验结果表明：与其他目标检测算法相比,改进算法的小目标交通标志检测均值平均精度为85.3%,参数量降低了39%,FPS为70,满足实时检测的要求。     

基于改进Mask R-CNN钢纤维混凝土裂缝检测模型

针对混凝土裂缝检测具有多类别影响的复杂性,难以做准确分类、分割和定位任务问题,提出基于改进Mask R-CNN钢纤维混凝土裂缝检测方案.为提高检测速率和精度,对方案模型主干网络增加分散注意力模块跨越特征图组,提高特征学习能力,在交并比基础上增加目标与锚框间距离、重叠率、尺度和惩罚项提高回归精度,并与原始Mask R-C...     

基于深度学习的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片受干扰严重、检测精度低的问题，在YOLOv5s算法的基础上进行优化，基于改进后的YOLOv5s算法进行了绝缘子故障检测的仿真研究。通过在颈部网络添加CBAM注意力模块、运用K-means聚类重新计算先验框大小、采用MetaAconC作为激活函数3种措施改进了原算法，并基于Python进行了实验结果分析。实验结果表明本方案算法平均精度均值mAP达到了96.7%，对比原YOLOv5s模型，平均精度均值m AP提升3.3%；且方案算法训练出的权重文件大小仅有15.1 M,仅比原YOLOv5s大了0.1 M，仍然保持了轻量化的特点，在智能巡检工作的部署上有良好前景。     

低照度边缘增强的语义分割模型研究

为提高对低照度图像的语义分割精度,提出了一种基于RPN的边缘增强语义分割模型(EESN)。在该模型中,首先利用深度残差网络提取图像的高阶语义特征,并通过RPN快速生成待分割目标候选区域;然后,利用设计的融合算法对候选区域进行融合,并剔除重复的候选区域;最后,对融合的目标候选区域做低照度边缘搜索,并利用失真代价较小的局部增强算法对低照度边缘进行特征增强。将EESN用于Pascal VOC12和Cityscapes两个数据集的语义分割中,分别获得了81.2%和67.6%的mIoU,该结果证明了EESN对具有低照度边缘的图像具有较好的分割性能。     

基于深度学习的公路货车车型识别

为判断公路货车车型，并提升货车车型识别的速度与精度，提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测；采用道路监控拍摄和网络爬取的方式获得了16 403张公路货车侧方图像，建立了货车侧方图像数据集，并采用Retinex理论和加入限制对比度的自适应直方图均衡化(CLAHE)等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像；通过理论分析和对比试验选取单阶段检测网络YOLOv3作为公路货车车型识别的目标检测网络，并从调整先验框和模型输入大小以及引入注意力机制3个方面优化了检测模型；针对单帧图像可能同时出现多辆货车的情况，采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息，提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息，优化后检测模型的网络性能得到提高，通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题；优化后的检测模型实时检测速度可达47帧·s^-1,对公路货车车型的识别综合准确率达到了94.4%。该方法实现了对公路货车车型的无接触、快速和准确识别，为公路货...     

基于DenseNet结构的轨道暗光环境实时增强算法

车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果. 为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法. 该算法以密集连接网络（densely connected network，DenseNet）结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强. 建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失3个分量组成. 多种场景下的低照度增强实验结果显示:本文算法能够对输入图像曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图像的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求；通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明:所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS （railroad segmentation dataset）数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低.      

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征;使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率;基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock＿body1叠加残差块,可以更好地提取分辨率较小的特征;对原深层ResBlock＿body3、ResBlock＿body4和ResBlock＿body5进行裁剪,获得ResBlock＿body3×2、Re...     

基于专家先验信息的轨道不平顺预测研究

为了研究在缺乏历史数据时如何准确预测轨道不平顺的发展趋势。提出了一种可以考虑专家先验信息的轨道不平顺预测方法。通过问卷调查法获取专家先验信息并构建具有先验信息的贝叶斯线性回归模型，然后使用马尔科夫链蒙特卡洛方法对模型参数进行求解，最后对轨道不平顺的幅值进行预测和误差分析并对比了不同模型在缺乏历史数据时的预测效果。结果表明：该方法可以准确预测短期内有砟轨道不平顺的发展趋势，相关系数均在0.9以上。在缺乏历史数据的情况下，贝叶斯线性回归模型也能保持较高预测精度R2为0.88，比传统线性回归模型高17%。     

大数据技术在有轨电车管理中的应用探讨

随着数字化社会的到来,各种各样的数据更加大量和繁杂,有轨电车信息系统的开发呈现许多全新特征。怎样运用这些信息资源,为城市有轨电车的运行和管理工作提供更高效的信息,直接影响着城市有轨电车的运营和管理。近年来,在大数据发展背景下,有轨电车的管理体制与技术面临着全新的课题。基于此,有必要对大数据分析技术在有轨电车管理中的应用进行探讨。     

基于引导滤波和积分投影算法的轨道扣件定位

精确定位是实现轨道扣件缺陷计算机自动检测的基础,为此提出了一种改进引导滤波去噪和灰度积分投影结合模板匹配算法的轨道扣件定位方法.首先,通过具有良好边缘保持能力的改进引导滤波算法对轨道扣件图像进行去噪;其次,利用改进Canny算法在Opencv平台对扣件图像进行边缘检测,实现轨道扣件图像边缘检测的自适应性;再次,采用灰度积分投影算法结合先验知识粗定位扣件区域;最后,通过模板匹配算法精确定位轨道扣件.仿真实验表明:所采用的算法具有较好的定位能力,可以准确地定位轨道扣件区域,为进一步的扣件识别提供了可靠的基础.