基于改进Unet模型的混凝土裂缝分割研究

【目的】针对桥梁、隧道等环境下产生的混凝土裂缝情况复杂、干扰因素多的问题,提出一种改进Unet模型（A-Unet）的裂缝检测方法。【方法】以Unet网络为基础,研究了编码器的深度如何影响模型训练时间、检测精度。在解码过程中设计一种融合空间和通道注意力模块,将高分辨率的浅层特征与上采样获得的深层特征信息赋予不同权重,进一步增强裂缝特征。同时,增加dice损失函数对模型进行评价,减少因检测目标与背景数量相差较大,导致评价不准确的问题。【结果】在测试数据集中进行评价,精确度,MIou,召回率分别达到94.70%,86.16%,91.34%。A-Unet模型检测效果明显优于其他5种模型。【结论】利用该方法检测混凝土裂缝精度得到较大提升,且节约了模型训练时间,提高检测效率。     

基于强化学习的智能车辆路径跟踪变参数MPC多目标控制

为了解决智能车辆在工况变化时跟踪精度下降和稳定性变差的问题,提出基于强化学习的变参数模型预测控制(MPC)算法多目标控制策略,实现智能车辆路径跟踪控制系统的参数自适应整定。基于车辆动力学模型设计其线性时变MPC控制器,获得最优前轮转向角和附加横摆力矩。基于Actor-Critic强化学习架构,设计进行控制参数整定的深度确定性策略梯度(DDPG)智能体和双延迟深度确定性策略梯度(TD3)智能体,构造以跟踪精度和稳定性为目标的收益函数,并搭建对接工况和变曲率工况2种典型仿真场景进行算法性能验证,当车辆处于对接工况时,根据路面附着系数的变化及时调整控制器的预测时域和权重矩阵;当车辆处于变曲率工况下时,针对道路曲率变化及时调整控制器的预测时域和权重矩阵。通过MATLAB/SimuLink、CarSim和Python联合仿真分析,将强化学习方法参数整定MPC与固定参数MPC和模糊控制方法参数整定MPC进行对比,结果表明：强化学习方法更能够在保证车辆安全性的前提下,尽可能提高智能车辆在不同路面条件下的路径跟踪精度。在对接工况下,强化学习方法参数整定MPC相较于固定参数MPC和模糊控制方法参数整定M...     

基于无人机的悬索桥主缆自动巡检及小样本表观病害识别

为了实现悬索桥主缆的自动化、智能化检查,开展了基于无人机的主缆巡检路径规划和小样本数据下的主缆病害识别研究。首先,利用无人机倾斜摄影测量技术快速建立悬索桥的三维模型,提出主缆无人机自动巡检路径的规划方法;然后,采用Faster RCNN网络模型识别主缆图像中的表观病害;最后,采用基于图像融合的数据增强方法,提高小样本数据集下目标检测的准确率。在Faster RCNN网络模型训练过程中,随着训练轮次的增加,测试集中裂纹、锈蚀和划痕3类病害的平均精确率得到提升,并在第15个训练轮次后逐渐稳定,在经过100个训练轮次后,测试集中所有类别的平均精确率为0.723。以小龙湾桥为研究对象,进行了主缆的现场检查试验。研究结果表明：基于悬索桥三维模型进行主缆无人机自动巡检路径规划具有实际可行性;基于Faster RCNN网络模型能较准确地识别主缆的裂纹、锈蚀和划痕病害;利用图像融合方法生成病害数据能有效克服数据样本少的问题,并提高识别的准确性。     

城市多模式交通大模型MT-GPT:点线面的分层技术与应用场景

城市多模式交通系统是一个高度复杂而多元的交通网络,旨在有效地满足城市内人员、货物和服务的流动需求。多模式交通系统复杂性源于许多因素,包括不同交通模式间的耦合性,交通需求和供应之间复杂的相互作用,以及开放、异质和自适应交通系统的固有随机特性。因此,理解和管理这样一个复杂系统是一个非常复杂且困难的任务。随着交通以及其他领域多源大数据可获取性的增加,计算机硬件算力的增强,以及机器学习模型的飞速发展,大模型的概念被许多领域应用与实践,包括计算机视觉、自然语言处理等。将大模型的概念应用于交通领域,提出了一种根据交通拓扑结构分层“点线面”的多模式交通大模型框架(Multimodal Transportation Generative Pre-trained Transformer, MT-GPT),旨在为复杂多模式交通系统中的多方位决策任务提供数据驱动的大模型。考虑到不同交通模式的特征,探讨了实现这一概念框架的核心技术及其整合方式,构思了适配交通的大模型数据范式与改进的分层多任务学习、分层联邦学习、分层迁移学习与分层Transformer框架。最后,通过搭建“任务岛”与“耦合桥”的框架讨论了这样一...     

基于双视角学习原理的交通视频车辆事件鲁棒检测

提出了1种基于双视角学习原理的高速公路交通视频车辆事件鲁棒检测算法.针对道路交通结构化特点提出了分车道外极面图(Epipolar Plane Image,简称 EPI),以此反映交通断面车流整体特征.基于双视角学习原理,融合现有广泛应用的反映车辆独立行为的行驶轨迹特征,实现高速公路车辆事件鲁棒检测.针对多种典型车辆事件(包括交通拥堵,车辆逆行,车辆违规停车,交通事故等),本文算法总体检测率为94.09%,误检率为4.51%,漏检率为1.40%,其性能与传统单视角方法比较有较大的提高.      

基于深度学习的无人驾驶汽车车道跟随方法

为了改善车道跟随算法由于人工进行的复杂模型设计而导致的不利于实现机器的自学习与自设计,并且在一些极端行驶工况下易导致性能下降的问题,将深度学习的注意力机制与循环神经网络相结合提出一种基于深度时空注意力的车道跟随模型,在自制的真实车道跟随数据集上进行测试,所得误差为1.43％.为了验证该模型在黑夜、阴影、无车道线等困难场...     

基于UEGO传感器的空燃比自学习控制策略研究

从传统的开关型氧传感器和宽域氧传感器的物理特性和基本工作原理出发,提出了基于宽域氧传感器的电控增压稀燃CNG发动机的空燃比自学习算法策略,并将所编写的控制代码用于试验发动机上。台架标定试验表明,所设计的算法能够有效补偿发动机出现的磨损、疲劳、老化等状态,可提高实际空燃比的控制精度。     

浅谈公路工程管理中信息电子化的应用

网络技术的发展正在悄悄地改变着我们的生活,然而在我国现阶段高等级公路工程信息管理中,网络技术的应用正处于初始阶段,采用电子信息化管理技术,是我国公路工程建设真正实现网络化管理的必然趋势。     

用户出行费用综合更新自学习模型的研究

主要研究了用户出行费用的自学习与更新过程,将整个过程分解为费用估计、权重调整、经验费用学习3个部分,并据此提出用户出行费用综合更新自学习模型,将用户出行前的费用估计、出行后经验更新以及权重调整几个过程为一体,形成比较完整的路径费用学习演变过程。     

强化学习型匝道控制模型的研究

高速公路上的交通堵塞造成了道路利用效率低下,并伴随着能源消耗和环境污染问题,因此各种各样的高速公路控制方法应用于缓解交通堵塞。本文提出强化学习型匝道控制模型,该模型以交通流模拟为预测工具,以人工智能的强化学习为最优化选择模型,并具有一定的自主性、有记忆功能和性能反馈功能,且是一种动态的过程。应用JAVA针对不同的交通状态进行模拟再现,模拟结果表明匝道控制模型对于减少交通堵塞具有显著的效果。