基于改进SegNet的沥青路面病害提取与分类方法

针对现有SegNet算法难以精确区分裂缝和灌封裂缝等具有相似特征的沥青路面病害的问题,提出了基于改进SegNet网络的沥青路面病害提取方法。针对道路标线和光照不均匀等导致路面病害图像质量差异化的因素,本研究在去除道路标线的基础上,运用带色彩恢复的多尺度视网膜增强算法,降低道路标线和光照对图像质量的影响以及增强路面病害图像的对比度、色调和亮度,提高病害的识别精度;为了充分利用图像的上下文信息,解决SegNet网络对细微病害分割效果不佳的问题,引入残差神经网络（ResNet）作为编码器,并对解码器中每个上采样产生的特征图拼接2个分别由卷积层（1×1的卷积核）和空洞卷积层从对应的编码器中获取的尺度相同的特征图;运用形态学闭运算连接分割结果中不连续的裂缝。为了验证改进算法的有效性,将其与典型的语义分割方法（SegNet和BiSeNet）在测试集上进行测试和性能对比。研究结果表明,3种方法的平均交并比（MIoU）和F1分数（F1-score）分别为（82.4%,98.9%）,（69.4%,94.0%）,（80.5%,98.1%）;利用这3种方法对甘肃省部分路段路面病害的提取效果进行对比测试,提出方法的裂缝漏检率和误检率分别为2.91%,1.94%,优于SegNet（10.68%,14.56%）和BiSeNet（6.80%,12.62%）。本研究所提方法能够更精确地提取和区分沥青路面裂缝和灌封裂缝。     

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。     

基于局部窗口交叉注意力的轻量型语义分割

在自动驾驶汽车环境感知任务中，采用环视相机在统一鸟瞰图（bird’s eye view,BEV）坐标系下对车道线、车辆等目标进行语义分割受到广泛关注。针对相机个数增加致使任务推理延迟线性上升、实时性难以完成语义分割任务的难题，本文提出一种基于局部窗口交叉注意力的轻量型语义分割方法。采用改进型EdgeNeXt骨干网络提取特征，通过构建BEV查询和图像特征之间的局部窗口交叉注意力，完成对跨相机透视图之间的特征查询，然后对融合后的BEV特征图通过上采样残差块对BEV特征解码，以得到BEV语义分割结果。在nuScenes公开数据集上的实验结果表明，该方法在BEV地图静态车道线分割任务中平均IoU达到35.1%，相较于表现较好的HDMapNet提高2.2%，推理速度相较于较快的GKT提高58.2%，帧率达到106 FPS。     

基于稀疏卷积神经网络的车载激光雷达点云语义分割方法

对车载激光雷达扫描得到的点云进行语义分割是保证行车安全、加强驾驶员对周边环境理解的重要手段之一。因为内存限制和大规模点云场景更加稀疏的特点,将传统神经网络的方法直接沿用到车载激光雷达扫描得到的点云场景中的效果不佳。本文中针对大规模点云的稀疏性,利用稀疏卷积神经网络对体素化点云进行特征提取。考虑到逐点处理分支抑制点云数据的密度不一致性导致的信息损失,另外设计了3D-CA和3D-SA模块,使稀疏卷积神经网络更好地提取特征。实验结果表明,与传统卷积神经网络的方法和将点云投影到平面的方法相比,使用稀疏卷积神经网络对大规模点云进行语义分割,可将平均交并比提升4.1%和3.4%,证明了该方法的有效性。     

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。