基于表面特性的沥青混凝土桥面防水黏结层力学性能研究

桥面防水黏结层作为桥面整体化层与沥青结构层之间的过渡层,其力学性能是沥青桥面长久耐用的基础。为研究沥青混凝土桥面防水黏结层的力学性能,文中通过拉拔试验和斜剪试验,分析桥面湿度、粗糙度、混凝土基面强度等因素对桥面沥青混凝土防水抗剪强度和黏结强度的影响。结果表明,水泥基面表面含水率越低,抗剪强度越高,黏结性能越好;表面潮湿条件下,层间黏结效果较差;桥面混凝土拉毛后构造深度达到0.9 mm时,抗剪强度和黏结强度达到最大值;水泥混凝土基面强度达到30 MPa时,拉拔强度和剪切强度达到峰值,且受其变化影响较小。     

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...     

基于异构图学习的交通场景运动目标感知

为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知;考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架;结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹;使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度;使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹;为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估。分析结果表明：结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4%的正确检测率和61.4%的连续跟踪率;异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0%。可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标...     

如何将党建优势转化为企业发展优势

习近平总书记指出,坚持党的领导、加强党的建设是国有企业的"根"和"魂",是做强、做优、做大国有企业的优良传统、传家宝和独特优势. 提高站位,增强抓党建自觉性 加强党的领导,充分发挥党组织的政治核心作用,是促进国有企业管理提升和经济增效的关键,也是新时代国企党建工作的根本要求.辽源市公共汽车公司(以下简称:辽源公交)党委...     

争锋——深度测试雪佛兰新景程

中级轿车市场竞争愈演愈烈,和很多大红大紫的车型相比,有些产品尽管并没有在宣传方面投入太多的精力,而车辆本身的性能和性价比并不落伍。我们此次测试的雪佛兰新景程客观地讲在市场的影响力方面,确实没有同级别的一些产品那样大,但是经过一番详细测试之后,其整体的性价比还是相当值得推荐的。     

基于深度学习的钢轨伤损超声检测与分类

钢轨内部伤损的实时检测与治理将有效地降低事故发生的风险.人工物探方法费时费力;超声检测技术能够实时地探查钢轨的内部状态,但伤损的辨识仍依赖于人工或图像处理技术逐个手动处理,易漏检或错检.提出一种新的基于深度学习的钢轨内部伤损超声检测数据后处理方法以实现伤损识别和分类的自动化,并从数据,方法和干扰因素三个方面对分类效果进...     

基于YOLOv5网络的轮胎面缺陷检测分析

当前时有发生因轮胎面缺陷导致汽车在行驶中发生严重的交通事故,轮胎面缺陷智能检测对避免这类交通事故的发生具有重要意义。深度学习技术被越来越多地用于目标检测领域,文章基于卷积神经网络模型YOLOv5提出一种轮胎面缺陷智能检测方法。首先建立具有4种轮胎面缺陷特征的数据集,然后通过YOLOv5网络训练数据集,最后用训练好的网络模型在测试集上检测。实验结果显示,在检测轮胎面缺陷任务中,YOLOv5网络模型的平均检测精度（mAP）达到65.4%,检测速度可达到38FPS,相较于YOLOv4网络模型与Faster-RCNN网络模型分别提高约4.1%与31.6%。对进一步研究更有效的轮胎面缺陷智能检测方法提供了参考。     

浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

基于双向特征融合的交通标志识别

为了进一步提高交通标志识别的检测精度,文章提出了一种改进的YOLO深度学习网络。其采用双向特征融合网络,引入较少的参数来实现更多的特征融合,并基于中国交通标志数据集计算瞄点框。通过与基准网络进行对比,结果显示,深度学习网络的检测性能更优,从而验证了改进网络的有效性。     

针对铁路信息系统的APT恶意流量预警系统研究

为了更准确和高效地检测针对铁路信息系统的高级持续性威胁（APT,Advanced Persistent Threat）攻击,研究并设计了基于堆叠式长短期记忆（LSTM,Long Short-Term Memory）模型的APT恶意流量预警系统。将UNSW-NB15数据集改造为适用于APT恶意流量预警系统中模型训练的数据集;提出利用APT攻击阶段性的特性进行预警结果再计算的方法,引入置信度的概念,从而更准确地判定流量类型。在Kaggle云平台上对APT恶意流量预警系统进行了实验,其准确率、精确率和召回率等指标均优于其他方法。实验结果表明,所设计的系统具有更好的性能表现,能够有效提高APT恶意流量预警的准确率,降低误报率和漏报率。