基于深度卷积神经网络的铁路接触网鸟窝检测方法研究

鸟类在铁路接触网筑巢一直是造成接触网故障的一个重要原因,目前主要依靠人工巡检的方式确定是否存在鸟窝,不仅工作量大、漏检率高,而且效率低。因此提升接触网鸟窝的检测效率,及时排除隐患,对保障铁路安全运营具有重要的意义。针对此问题,提出了一种基于深度卷积神经网络的Faster R-CNN模型用于接触网鸟窝的自动识别。通过自定义合适的网络结构和参数,经过预训练、 RPN网络训练、Fast R-CNN网络训练以及对RPN和Fast R-CNN的联合训练,建立了适合鸟窝检测的Faster R-CNN模型,实现对鸟窝的检测。经试验,Faster R-CNN的准确率为88.5%,每张图片的识别速度为79 ms,通过与传统的HOG方法、DPM方法和卷积神经网络方法进行比较,验证了深度卷积神经网络对铁路接触网鸟窝检测高效性。     

基于CNN和WSVDD的深孔镗削加工过程状态评估与监测

针对深孔镗削加工过程中易出现颤振以及传统监测方法监测效率低的问题,提出了一种将深度卷积神经网络和加权支持向量数据描述法相结合的深孔镗削加工过程颤振评估与监测方法。首先基于深度卷积神经网络提取加工过程状态内振动信号的特征矢量,然后以正常加工状态下的特征矢量训练加权支持向量数据描述模型,得到相应的描述加工正常状态下的超球体模型,再计算当前加工过程状态特征矢量与超球体之间的相对距离,作为加工过程状态的评估指标,并对稳定度阈值进行设定。结果表明:与文献中其他方法相比,文中方法的监测能力更强,对加工过程状态的稳定度描述更加准确。     

广义二项式系数及反演

利用广义二项式系数的卷积公式和矩阵乘法，研究了由广义二项式系数组成的n 1阶下三角方阵Pa[x]．由Pa[x]的性质及其逆矩阵，导出了关于广义二项式系数的反演关系，并且得到了几个组合恒等式．     

宽动态图像增强方案在海关视频化查验中的应用

为提高海关视频化查验的效率和准确性,在海关视频化查验中应用宽动态图像增强方案,选择使用国产硬件集成厂商自研算法的新一代多重曝光传感器,采用自主设计的"干"型壁装悬挂支架查验平台实现监控覆盖。实践证明,本次设计和施工技法改进能够解决曝光不足和过度曝光等问题,可大幅提高监控图像质量,改善画面抖动和覆盖不全等问题。海关依据本设计形成查验标准并推广到全国。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

基于三维锥形栅格的激光点云语义分割方法EI北大核心CSCD

激光点云语义分割是自动驾驶系统中道路场景感知的重要分支。虽然主流方法将点云转换为规则的二维图像或笛卡尔栅格进行处理,减少因点云非结构化所带来的计算量,但二维图像方法不可避免地改变点云的三维几何拓扑结构,而笛卡尔栅格忽略了室外激光点云的密度不一致性,从而限制了包括行人和自行车等小物体的语义分割能力。因此,本文中提出了一种基于三维锥形栅格和稀疏卷积的激光点云语义分割方法,利用锥形栅格分区解决了点云的稀疏性和密度不一致的问题;为提高模型推理速度,设计了重参数化三维稀疏卷积网络。在SemanticKITTI和nuScenes两个大规模数据集上对所提方法进行评估。结果表明,与目前最新的点云分割方法相比,所提方法的平均交并比分别提升了1.3%和0.8%,尤其对小物体识别有显著的提升。     

基于改进深度卷积生成对抗网络的路面指示标志识别方法

针对道路交通环境中路面标志识别涉及的数据集较少和识别准确率不足的问题,研究了基于深度卷积生成对抗网络的道路表面指示标志的识别方法.在深度卷积生成对抗网络的结构基础上,根据具体应用修改生成网络和判别网络的损失函数,并用随机梯度下降算法替代原始的优化器,对指示标志的原始样本集进行样本生成,以增加样本数据量.基于Faster R-CNN算法进行路面标志的特征提取,实现路面指示标志的识别,并基于迁移学习对识别模型进行微调,将目标识别效果应用于实际道路环境中.实验结果表明,通过深度卷积生成对抗网络生成的样本图像有效地扩增了路面标志的数据集,增广后的多类目标识别的mAP提高了17.1%,小样本情况下的识别准确率随着样本量的增加和样本质量的改善而得到了明显的提高.      

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。