智能网联背景下驾驶人信息认知地图构建方法

为提升网联环境下车载信息的传递效率，提出了一种驾驶人信息认知地图构建方法。在驾驶人交通场景信息认知中引入认知地图概念，通过对20名驾驶人进行面对面访谈，获取视距内、外(超空间距离)交通场景语义描述，采用要素频率统计法确定驾驶人信息认知地图要素，设计概念图形完成可视化映射。构建轻量化深度学习MobileNet V2模型，实现驾驶人信息认知地图认知要素标签自动生成，并分别基于SE(Squeeze-and-Excitation Module)、CBAM(Convolutional Block Attention Module)、CA(Coordinate Attention Module)注意力模块对模型进行改进，通过Opencv算法实现可视化认知地图的自动生成。开展20名驾驶人的实车试验，获取12 000组交通场景认知集作为测试数据，通过人工标注的方法获取认知要素标签。结果表明：驾驶人信息认知地图具有道路类型、车道数、自身车道、目标类型、方向、距离、危险程度7个认知要素；MobileNet V2、MobileNet V2-SE、MobileNet V2-CBAM和MobileNet V2-...     

基于目标检测与语义分割智慧工地施工人员安全状况判断研究

在公路工程施工过程中，由于施工人员素质良莠不齐等因素，给行业监管部门带来极大困难。为实现施工人员实时检测及周边环境实时查看，由于人员检测与环境分割方法易受到施工环境干扰，若分开进行，会造成资源浪费。针对该问题，提出一种基于目标检测与语义分割融合的智慧工地施工人员安全状况判断方法，利用施工场地实时视频数据，对施工人员进行端对端实时检测与周围环境语义分割，结合分割结果，可判定施工人员是否处于安全区域。同时，为验证方法的有效性，基于甘肃省某公路视频监控数据实现数据集制作，并与现有方法进行性能对比实验。     

基于上下文自编码的船舶行为语义表征

考虑船舶行为的时序相关性，提出了一种基于上下文自编码的船舶行为语义表征(SRCAE)模型；提取船舶经度、纬度、航速、航向等行为特征参量，建立了行为特征序列；借助连续词袋模型将行为特征序列划分为中心船舶行为和上下文船舶行为，利用深度自编码网络构建了船舶上下文行为的语义表征模型，将得到的中心船舶行为编码作为表征向量输出，通过聚类算法构建船舶行为词典；选取长江口南槽交汇水域作为研究对象，利用船舶自动识别系统产生的数据对提出的模型和方法进行了验证。分析结果表明:所提出的SRCAE模型能有效表征船舶行为之间的上下文联系，与传统自编码器和长短期记忆网络自编码器等模型相比SRCAE模型具有更低的表征误差；分别采用k均值(k-Means)、高斯混合模型(GMM)与核k均值(Kernel k-Means)3种聚类算法提取船舶行为词典，与原始数据相比SRCAE模型产生的表征向量更易于区分不同船舶行为模式，其中k-Means效果最优，轮廓系数、卡林斯基-哈拉巴斯指数和戴维森堡丁指数指标分别达到了0.384、18.308、0.531，共产生转向加速、转向减速、直行加速、直行减速等30种复合行为，有效提取了不同行为模式下船舶行为词组合关系。      

基于激光雷达点云的道路几何信息提取与数字化建模研究

为实现快速、自动化的道路几何信息提取和数字化建模，基于激光雷达点云提出了一套从道路语义分割、几何线形提取到集成化建模的通用框架。首先，基于空间上下文特征基础框架，将局部特征的最大值和邻域均值进行聚合以作为局部特征，使用径向分布参数与三维坐标描述全局上下文特征，构建道路语义分割网络。其次，基于道路场景分割结果，通过体素降采样和半径滤波法减少点云数据量、去除离群点，并利用可变半径Alpha Shapes (VA-Shapes)算法提取道路边线，结合获取的边线横纵坐标，计算路段几何信息(路宽、纵坡、横坡等),使用inshape函数和插值法构建交叉口的数字高程模型。最后，采用Dynamo for Revit将道路几何信息导入并生成道路路线，通过Revit软件设计道路自适应族构件及不同类别基础设施族构件，实现精细化道路数字建模。利用开源数据集Semantic3D进行训练和测试，分析与评价道路几何信息提取效果。研究结果表明：所提出的算法总体准确度为95%,路面的单类交并比为97.9%,能够很好地实现道路点云场景的自动化语义分割；相比于传统的固定半径Alpha Shapes算法，VA-Shapes算...     

基于语义识别和机器视觉的智能审核方法研究

为实现报告自动化审核，本文提出通过基于网页提取信息填充报告模板，根据脚本算法审核报告基本信息，将报告中的文字及图片内容进行特征提取以及深度学习，识别报告结论的逻辑及技术准确性。结合优化OpenCV图像识别算法，在实现图片占用最小空间特征识别的基础上，实现图片信息提取。该研究具有较好的通用性，为实验室报告审核工作提供高效解决思路。     

一种新型轻量级语义分割网络的轨道及障碍物检测方法研究

针对当前常用的语义分割算法普遍存在无法同时兼顾分割精度与分割速度，以及因下采样带来分辨率损失所导致分割精度不佳的问题，提出一种可同时兼顾分割精度和分割速度的语义分割模型MBv2-DPPM。首先对MBv2网络的逆残差深度可分离卷积块进行修正，去除下采样以增强分割精度；其次在原始主干特征网络的最后4层加入级联空洞卷积，解决网络感受野不足的问题；然后提出一种融合双层金字塔池化多尺度复合结构，聚合图像浅层和深层上下文信息，解决由于交通场景复杂、干扰因素众多导致各物体边界混淆无法区分的问题；最后使用公共数据集和自建轨道数据集对算法进行验证。实验结果表明：与传统语义分割模型相比，在满足分割速度的条件下，本算法精度更高，且对于复杂交通场景效果更明显，MIoU指标可达87.09%,mAP指标达到90.42%,图片推理速度为66 ms/帧。     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1 600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。      

基于GhostNet的轻量级桥梁裂缝图像语义分割算法

针对现有的桥梁裂缝检测语义分割网络参数量过于庞大、计算时间长、难以部署在移动端等资源受限的设备上，而且存在裂缝细节识别困难、分割结果不连续的问题，提出了一种优化PSPNet网络结构的改进型轻量级裂缝语义分割模型Ghost-PSPNet。首先利用GhostNet替换ResNet-50作为主干网络，以更小的计算代价生成冗余特征，其次在模型中引入一条支路结构融合多层级特征，得到含更多准确裂缝形态、空间位置信息的高语义特征图，并在金字塔池化模块(Pyramid pooling module PPM)后嵌入自适应通道注意力机制ECANet来强化上下文语义关系衔接。实验结果表明，与PSPNet以及ShuffletNetV2、VGG16为主干的DeepLabV3+、UNet网络相比该模型mIoU值可达82.8%,所占内存仅为14.9 MB较原始PSPNet模型减少了近90%,实时帧率值FPS为38,实现了实时性和准确率的良好平衡。     

基于计算机视觉的钢桥面板裂纹识别方法

钢桥面板疲劳开裂为常见的钢桥病害，准确快速地发现并确定钢桥面板裂纹几何特征对降低运维成本、制定运维策略具有重要意义。针对传统人工巡检效率低、检测环境恶劣等问题，提出了基于计算机视觉的钢桥面板裂纹及其特征识别方法。采用目标检测网络YoloV5和图像语义分割网络U-Net++相结合的方法识别裂纹。根据2个网络的结构特性标注图像中的目标后生成数据集，并分别对网络中的参数进行训练。利用训练后的YoloV5与U-Net++分阶段对待测裂纹图像进行检测与分割，并通过阈值分割优化U-Net++分割结果，再通过骨架化后得到裂纹骨架线；在确定裂纹形貌后，采用YoloV5识别出的标定块求解透视变换矩阵与像素尺度系数，然后对裂纹骨架线进行图像矫正并确定裂纹几何特征。研究结果表明：YoloV5可准确检测出裂纹与标定块，且检测稳定性好；通过优化U-Net++训练时输入的像素尺寸，提高了U-Net++训练的收敛速度，网络损失由0.121降至0.096;求解透视变换矩阵时，使用所有角点坐标拟合该矩阵的最小二乘解可提高图像矫正标定的精度；当图像采集距离较远、角度较大时，角点投影误差增大，且该误差对角度更为敏感；不同图...