新能源汽车自动驾驶高精度视觉检测技术的研究及应用

近年来新能源汽车得到广泛推广应用,新能源汽车自动驾驶技术作为汽车领域的重要创新,依赖高精度视觉检测技术实现对环境的准确感知。本论文深入研究了新能源汽车自动驾驶中的高精度视觉检测技术及其应用策略。在机器视觉与视觉检测技术的发展阐述后,重点探讨了汽车自动驾驶中高精度视觉检测技术在城市道路和高速公路等场景中的实际应用策略。通过分析特斯拉和谷歌自动驾驶项目等典型汽车厂商的实践经验,以及高精度视觉检测在事故预防和安全性方面的实际效果,为深入理解该技术的价值和潜力提供了实质性的支持。     

循环荷载下重载铁路道砟磨耗破碎及力学特性试验研究

为深入研究重载列车循环动载作用下散粒体道砟的颗粒磨耗破碎和力学行为劣化等特征,开展3种不同动应力幅值下的室内大型动三轴试验。通过对染色道砟颗粒进行激光扫描和三维重构,量化分析不同循环加载应力状态下不同粒径道砟颗粒的磨耗破碎特征,深入分析循环加载下试样的宏观力学特性和力学行为劣化等。研究结果表明,循环加载后道砟颗粒普遍从原始粒径破碎至相邻粒径,偶尔出现破碎至相隔粒径的现象,另有质量占比1%左右的少量道砟颗粒破碎至最小粒径4.75～22.4 mm;在相同的循环加载动应力幅值下,随粒径的增大,道砟颗粒破碎至相邻粒径的质量占比总体呈增大趋势;循环加载过程中颗粒磨耗存在尖角磨损、棱边磨耗与表面纹理改变等3种典型类型,动应力幅值230 kPa下颗粒最大磨耗深度为0.36～5.2 mm,平均磨耗深度为0.03～0.62 mm,颗粒磨耗程度随粒径的增大而逐渐加剧,尖角磨损出现的数量更多且概率更大,其次为棱边磨耗;循环加载三轴试验前后各粒组颗粒含量变化幅度与级配曲线偏移距离随动应力幅值的增大而增大,Bg、Br与BBI 3种颗粒破碎指标均随动应力幅值的增大而增大,Br与BBI两者对动应力幅值的变化反应程度...     

隧道围岩分级特征智能识别及可视化研究

准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大。结合多个四川高速公路隧道项目,共采集7 000余张隧道掌子面图像,并利用数据增广方法将数据集扩充至20 000余张。按节理裂隙特征、风化卸荷情况、地下水发育情况3种像特征对数据集进行分类标注,并按8:2的比例划分为训练集与验证集。结合深度学习方法,实现掌子面围岩分级特征参数提取识别。搭建了VGG系列、ResNet系列、DenseNet系列、GoogleNet、InceptionV3等卷积神经网络分类模型,并引入准确率、查准率、召回率及F1值等多种评价指标对比分析多种卷积神经网络分类模型的围岩特征(掌子面图像的节理裂隙特征、风化卸荷特征以及地下水发育特征)识别效果。研究结果显示基于DenseNet模型分类识别效果最好,分类准确率分别为：围岩节理裂隙特征87.5%,风化程度特征90%,地下水发育程度特征91.5%,且各特征的F1值均在0.789以上,最高为0.944,平均值为0.852。此外,对DenseNet系列分类模型进行可靠性验证,基于CAM以及Grad-CAM对模型进行分类决策可视化研究分析,分类决策热力图结果显示分类结果与...     

采用超声-回弹综合法检测短龄期结构混凝土强度需注意的问题

结合具体工程案例,对超声-回弹法检测现场结构砼强度结果判定需要注意的问题进行探讨,认为超声-回弹综合法测定的结构混凝土强度,根据标准规定应是推定强度,不能作为判定强度是否合格的唯一依据.建议用非破损方法检测结构砼强度时,至少采用2种以上方法检测,并重视早期砼表面碳化深度过大对检测结果的影响,防止误判.     

基于混合近端策略优化的交叉口信号相位与配时优化方法

交通信号优化控制是从供给侧缓解城市交通拥堵的重要手段,随着交通大数据技术的发展,利用深度强化学习进行信号控制成为重点研究方向。现有控制框架大多属于离散相位选择控制,相位时间通过决策间隔累积得到,可能与智能体探索更优动作相冲突。为此,本文提出基于混合近端策略优化(Hybrid Proximal Policy Optimization, HPPO)的交叉口信号相位与配时优化方法。首先在考虑相位时间实际应用边界条件约束下,将信号控制动作定义为参数化动作;然后通过提取交通流状态信息并输入到双策略网络,自适应生成下一相位及其相位持续时间,并通过执行动作后的交通状态变化,评估获得奖励值,学习相位和相位时间之间的内在联系。搭建仿真平台,以真实交通流数据为输入对新方法进行测试与算法对比。结果表明：新方法与离散控制相比具有更低的决策频率和更优的控制效果,车辆平均行程时间和车道平均排队长度分别降低了27.65%和23.65%。     

多网联范围下的智能网联车换道决策组合模型研究

为提升不同网联范围下智能网联车(Intelligent Connected Vehicles, ICV)的换道效率,结合深度强化学习和分子动力学理论,提出一种融合掩码机制和注意力机制的双深度Q网络(MaskAttention-DDQN, MAQ)换道决策模型。首先,在SUMO (Simulation of Urban Mobility)仿真环境中采集网联范围内ICV及人工驾驶车辆(Human Drive Vehicles, HDV)的行驶状态信息。其次,搭建MAQ模型,采用掩码机制和注意力机制方法,实现固定模型输入大小,以及实现置换不变性。第三,为实现车辆间影响程度的数值化,以车辆间相对速度和相对位置为参数,使用分子动力学理论为网联范围内HDV信息赋予权重。最后,分别在不同交通密度仿真环境中对不同换道决策模型和赋权方法进行对比,并测试ICV在不同网联范围(80~330 m,以50 m为间隔)下的换道决策效果。仿真结果表明,以40辆HDV、100m网联范围为例,MAQ模型比DeepSet-Q模型拟合精度提高了90.2%;分子动力学赋权方法相比线性权重赋权方法总奖励值提高了5.5%,ICV平均车速提高了4.8%;ICV平均车速随着网联范围的扩大,呈现出先增大、再减小、后趋于平稳的变化规律。     

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。     

基于4C图像弱监督检测的接触网开口销检测方法

接触网悬挂状态检测监测装置（4C检测装置）的应用有效指导了接触网设备的维修,提高了铁路行车安全性。除了传统的人工检测,目前大量的开口销图像依靠全监督视觉方法检测,且开口销在图像中占比较小,因此数据标注过程所需人力成本较大。本文提出基于弱监督的4C图像开口销检测方法,旨在仅对训练数据进行图像级标注即可完成目标检测任务,达到完善接触网开口销检测手段、提升检测效率及智能水平的目的。     

摩托车后轮轴断裂原因分析

由于应力集中、组织粗大、碳层过厚、瞬时冲击、轴向窜动和交变扭矩等原因,摩托车后轴易在端部、尾部和连接部等薄弱部位发生脆性断裂和疲劳断裂。通过分析,找出原因,并对供应商提出了工艺改进建议。     

光流法在集卡防吊起上的应用

为提升集装箱码头堆场作业中场桥和集卡运行的安全性,采用光流法对集卡防吊起技术开展研究.分别测试基于传统预测和深度学习2种算法用于拖车和箱体运动估计的准确性,选定利用基于深度学习的光流预测,判断是否发生集卡被吊起的异常情况;开展实车试验,在场桥作业车道侧安装视频采集相机,吊具提箱时自动开始检测算法,对比检测区域内的视频流...