基于单目视觉的水面船舶多目标定位方法

针对水面船舶的多目标实时定位, 提出了一种定位和运动参数求解算法, 采用固定位置和视角的单目摄像机采集船舶图像, 对采集的图像进行高斯滤波和图像畸变校正, 提出了基于船舶颜色、尺寸与运动学特征同时识别多个船舶目标(每个船舶目标独立识别)的方法, 构建了图像坐标与真实环境坐标的转换模型与实时航速、航向和轨迹的计算模型, 在水池环境下搭建了实时定位系统, 开发了实时定位程序, 并验证了定位方法的定位精度和轨迹跟踪性能。验证结果表明: 在存在外界干扰的情况下, 定位算法能实现对2艘船舶的精确识别; 修正前坐标点横、纵坐标平均误差分别为0.058、0.209m, 修正后分别为0.038、0.124m;摄像机定位数据更新频率为8 Hz, 满足船舶控制需要; 算法能实现对船舶位置、航速和航向的准确、实时计算, 轨迹平滑且未出现异常点。     

地铁列车紧急制动故障特征再现仿真

介绍了地铁列车紧急制动环路工作原理与紧急制动气动系统特点, 提出了以综合制动指令和中继阀容积室压力为参数的紧急电磁阀故障特征判定法则, 分析了有紧急制动指令时紧急制动不施加、无紧急制动指令时紧急制动异常触发与无紧急制动指令时的中继阀容积室压力异常3类紧急电磁阀故障特征, 研究了紧急电磁阀的故障诊断流程, 运用AMESim软件建立了制动系统仿真模型, 基于故障再现的模型驱动仿真法模拟了3类紧急电磁阀故障, 并在气路控制试验台上进行了第1类故障对比试验。试验结果表明: 在正常情况下触发紧急制动信号时, 中继阀容积室压力延时1.1s后达到目标压力; 人为断开紧急电磁阀信号线并触发紧急制动信号时, 中继阀容积室压力为0, 并维持不变, 2.6s后系统报警紧急电磁阀故障。可见, 运用AMESim建立的制动系统模型能有效再现紧急制动的故障特征, 以制动指令与中继阀容积室压力为参数的紧急制动故障识别分析方法可用于紧急制动在途故障监测与服役性能跟踪。     

多特征多阈值级联AdaBoost行人检测器

为了满足更快、更准、更鲁棒的行人检测需求, 考虑交通监控视频图像质量不高与局部特征不明显的缺点, 采用简单的行人特征来实现行人检测。除矩形度、高宽比、轮廓复杂度、宽度比、行人面积特征外, 特定选用了对遮挡等干扰具有强鲁棒性的头部圆形度这一简单的局部特征。考虑交通监控视频图像中行人的尺寸变化, 引入区域划分策略划分图像区域。兼顾高检测率和低误检率, 根据分类误差最小原则与正样本分类率最大原则训练多个单特征多阈值AdaBoost行人检测器。为了优化多个行人检测器级联后的检测性能, 在兼顾检测性能和检测速度的基础上, 定义了以贡献率作为行人检测器的级联规则, 依据贡献率大小确定的级联次序为基于高宽比、宽度比、矩形度、行人面积、轮廓复杂度和头部圆形度的行人检测器, 依次进行级联, 建立了新的多特征多阈值级联AdaBoost行人检测器。选用3个交通场景对行人检测器进行测试, 并与单级AdaBoost行人检测器与现有2种级联AdaBoost行人检测器进行比较。分析结果表明: 在3个交通场景的检测中, 相比其他几种行人检测器, 多特征多阈值级联AdaBoost行人检测器具有较高检测率、较快的检测速度和较低误检率, 检测率最低为96.70%, 误检率最高为0.67%, 检测时间小于5s, 满足交通场景中对行人检测实时性和可靠性的要求。     

车辆齿轮箱静电监测

根据磨损区域静电感应原理设计了轨道车辆齿轮和轴承磨损区域静电传感器, 基于某型160km·h^-1城际列车齿轮箱, 提取时域静电信号的均方根作为静电信号特征参数, 在车辆齿轮箱噪音试验阶段研究了不同转速和转矩对静电水平的影响, 在齿轮箱跑合试验阶段和负荷疲劳试验阶段分析了静电信号变化趋势。研究结果表明: 同一转速和转矩下齿轮和轴承磨损区域静电水平均保持稳定, 且前者始终略高于后者; 转速和转矩的增加会引起磨损区域静电水平的上升, 转速对静电监测的影响大于转矩, 转速和转矩方向的改变对静电信号影响不大; 在跑合试验阶段, 齿轮和轴承磨损区域静电水平均明显下降, 直至最后稳定, 在负荷疲劳试验阶段, 磨损区域静电水平基本保持稳定, 虽有缓慢上升, 但不明显。可见, 齿轮箱静电监测信号变化趋势与理论分析结果一致, 与实际测试结果相符, 证明静电监测方法作为一种新技术可用于轨道交通车辆齿轮箱磨损状态在线监测, 为进一步运用静电监测方法进行车辆齿轮箱故障诊断和寿命预测提供了基础。     

1种机场场面移动目标特征提取方法

目标特征提取作为其类型识别的关键问题,对保证机场场面运行安全有着重要的研究意义.基于地磁传感器(anisotropic magneto resistance,AMR)采集的机场移动目标磁信号,提出了1种综合考虑磁信号的时域及频域特征的目标检测方法,内容包括目标检测,磁信号的时域及频域特征提取.该方法首先通过在跑道中线布置双传感器方式感知信号并计算目标长度,基于目标长度规整时域信号获得其峰值特征;其次利用小波变换3层分解已规整的时域信号,并归一化各阶及近似信号能量值作为提取信号的频域特征,最终与信号时域特征共同构成信号的全部特征.在实验验证中,利用目标特征区分度测度方法使得不同目标之间的相似度均低于0.79,相比于单一时域或频域特征提取方法,时频特征提取方法消除了不同目标间极端相似的现象.     

基于图像处理的内河船舶目标提取与特征值计算

内河航行船舶进行目标提取及特征值计算,是船舶航行监控及船舶交通流参数测量的基础.文中主要介绍:①将背景差分法与大津法相结合,提出了1种新的船舶目标提取方法,对不同天气、不同角度下内河在航船舶目标进行提取;②提出了基于圆环划分的特征值算法,通过此算法计算所得目标船舶的特征值.验证结果表明,基于背景差分结合大津法可实现船舶目标提取,所得船舶轮廓较为清晰,并具有一定天气适应性;在特征值计算实验中,正拍图像的特征值1均大于0.95,而侧拍图像特征值1均小于0.5,可区别不同拍摄角度;各种船舶目标在进行旋转、平移及缩放后,特征值基本保持不变.因此,文中算法所得到的特征值具有旋转、平移及缩放的不变性,并可以适应在不同角度下摄像机所拍摄的要求.     

基于方向可变Haar特征和双曲线模型的车道线检测方法

针对快速路车道线易受多种因素影响而较难检测的问题, 提出了一种基于方向可变Haar特征和双曲线模型的分布式车道线检测方法。首先对车载摄像头进行标定, 确定图像中车道平面消失线的位置, 将车道平面消失线以下部分的下2/3区域作为感兴趣区域Ⅰ。利用边缘分布函数获得感兴趣区域Ⅰ内车道线直线模型倾角, 再采用方向可变Haar特征提取边缘特征点并拟合车道线直线模型, 利用直线模型参数进一步确定感兴趣区域Ⅱ。提出一种单方向搜索算法, 提取边缘特征点并利用双曲线模型拟合获取完整的车道线模型。通过约10 000幅实际道路图片对车道线检测方法进行验证。验证结果表明: 检测方法能很好地实现多种环境下的车道线检测, 在晴好天气检测率为99.9%, 不良天气检测率为99.7%。     

LSTM Encoder-Decoder方法预测设备剩余使用寿命

应用LSTM Encoder-Decoder提出了机械设备剩余使用寿命预测方法;对获取的传感器数据进行预处理,利用LSTM Encoder对数据序列进行编码,得到设备状态信息的中间表示,其中蕴含了设备状态的特征信息,利用LSTM Decoder对中间表示信息进行解码,利用解码后的信息预测剩余使用寿命;研究了LSTM Encoder-Decoder方法在公开的C-MAPSS数据集上的剩余使用寿命预测试验,与LSTM、D-LSTM等方法进行了对比试验;研究了不同滑动窗口大小对于剩余寿命预测结果的影响。研究结果表明：LSTM Encoder-Decoder方法的剩余使用寿命预测结果的评分函数值和均方根误差均优于LSTM、D-LSTM方法;在FD001子集上,LSTM Encoder-Decoder方法、LSTM方法和D-LSTM方法对应的均方根误差分别为11、12、16;当滑动窗口大小为30时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为164、3 012、372、4 800,对应的均方根误差分别为11、20、14、22;当滑动窗口大小为40时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为305、1 220、408、4 828,对应的均方根误差分别为14、16、15、19。可见,提出的LSTM Encoder-Decoder方法是一种有效的预测机械设备剩余使用寿命方法,并且滑动窗口大小对于剩余使用寿命预测结果存在一定的影响。     

基于室内标志的视觉定位方法

为解决室内交通场景中智能汽车和移动机器人进行定位计算的问题, 利用室内场景中已存在的各类标志, 引入BEBLID算法, 提出1种视觉定位方法。对BEBLID算法进行改进, 赋予其对图像整体进行特征表征的能力。将定位过程分解为离线阶段和在线阶段, 离线阶段构建场景标志地图。在线阶段中, 首先通过全局特征匹配, 引入KNN方法确定最近节点和最近图像。通过局部特征匹配获得特征点一一对应关系。利用场景特征地图中存储的标志坐标信息, 进行度量计算, 获取当前位置信息。在教学楼、办公楼和室内停车场场景进行实验, 实验中对场景标志的正确识别率达到90%, 平均定位误差小于1 m, 与传统方法相比, 同一样本下识别精度相对提升约10%, 实验验证了算法的有效性。     

多尺度特征增强的路面裂缝检测方法

针对路面裂缝检测不完整和分割出现断裂的问题,提出了一种多尺度特征增强的路面裂缝检测网络MFENet,实现端到端的路面裂缝图像检测、分类和分割处理;设计了多尺度注意力特征增强模块,建立了网络模型的上层多尺度特征通道与底层特征通道权重系数之间的映射关系,以提升有效通道的特征输出;基于路面裂缝的坐标信息和像素语义信息在物理位置上的相关性,设计了多语义特征关联模块,实现不同语义信息之间的特征融合增强,并通过特征维度转换实现对路面裂缝图像的前景特征过滤;提出了一种针对深度特征强度进行量化评估的方法,用于提升模型提取特征能力的可解释性。在自采集数据集上的研究结果表明：MFENet对路面裂缝图像检测的平均精准率和平均召回率相比Mask R-CNN分别提升了4.3%和5.4%,相比基线模型RDSNet分别提升了14.6%和14.3%;MFENet对路面裂缝图像分割的平均精准率和平均召回率相比Mask R-CNN分别提升了6.6%和8.8%,相比RDSNet分别提升了8.1%和9.7%;与Mask R-CNN等主流方法相比,MFENet对不同类型路面裂缝图像的检测、分割精度最高。在公开数据集(CFD、CRACK500)上的研究结果表明：在不同场景下的数据集上,MFENet的检测、分割精度均高于Mask R-CNN等主流方法,模型的鲁棒性更强。另外与RDSNet相比,MFENet在不同数据集上的处理速度也均有所提升。