基于货运车辆预警数据的高速公路危险驾驶热点路段识别

本文以货运车辆车联网数据中的车辆碰撞预警、疲劳预警和超速预警数据为研究对象,针对G4高速公路北京和河北境内道路上的三种预警热点路段进行识别。运用全局空间自相关性分析方法得出三种预警数据在道路空间中不是随机分布,而是集中在某一个或几个路段上;进一步采用局部空间相关性分析方法识别出三种不同预警类型下对应的热点路段。交通管理部门可根据识别出的预警热点路段提出针对性的管控措施,有助于缓解交通事故的发生,提高货运安全水平。     

融合改进YOLO和背景差分的道路抛洒物检测算法

针对现有道路抛洒物检测算法识别准确率低、识别种类有限、实时检测效率低的问题，探索了将深度学习目标检测和传统图像处理相结合的抛洒物检测算法。提出在YOLOv5s目标检测算法基础上，对模型结构进行修改以满足实时性需求。具体地，使用卷积优化YOLO中的降采样模块，采用Ghost网络替代原始的特征提取网络以减少计算量，根据抛洒物检测对象的特点设计符合数据集的锚框以提高目标识别准确度。使用优化后的YOLO检测道路场景中车辆、行人作为交通参与者得到检测框，在检测框周围设定感兴趣区域，并在感兴趣区域内用背景差分算法实现前景目标识别。计算前景目标与YOLO检测结果的交并比，排除交通参与者目标后实现道路抛洒物的识别。针对交通参与者检测的实验结果表明，改进后的YOLO检测算法在整体识别精度没有损失的情况下单帧检测速度为20.67 ms，比原始YOLO检测算法速度提升16.42%。真实道路抛洒物实验结果表明，在没有抛洒物训练数据情况下，传统混合高斯模型算法平均精度值为0.51，采用融合改进YOLO和背景差分的抛洒物检测算法平均精度值为0.78，算法检测精度提高52.9%。改进后算法可适用于没有抛洒物数据或正样本数据稀少的情况。该算法在嵌入式设备Jetson Xavier NX上单帧检测速度达到24.4 ms，可实现抛洒物的实时检测。      

图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于CNN和粒子群优化SVM的手写数字识别研究

针对传统卷积神经网络手写体数字识别中Softmax因指数函数运算而易产生计算溢出以及较高的计算机硬件需求问题,提出了基于卷积神经网络特征提取的支持向量机手写体数字识别方法。同时,为了提高手写体数字的识别精度,设计了基于K-CV意义下适应度函数的粒子群优化SVM参数方法。基于Semeion及MNIST手写体数字集的实验仿真表明,文章所设计的方法与传统方法相比能够获得更高的识别率。     

基于卷积神经网络的声信标信号识别方法

声信标信号的有效检测识别方法在找寻失事黑匣子的过程中起到关键作用。本文基于卷积神经网络(CNN)的检测识别方法,把已知声信标信号作为卷积神经网络的训练样本,提取梅尔频率倒谱系数(MFCC)特征后输入卷积神经网络进行训练,得到相应的训练标签。把待测的声信标信号输入经过训练的卷积神经网络进行测试,得到相应的识别结果。试验结果表明,基于卷积神经网络的方法可用于声信标信号的检测识别,并且有较好的识别率。