沥青混合料拌和过程实时监控

为控制道路施工过程中沥青混合料的拌和质量与拌和状态, 提出一种以非介入方式利用模板匹配识别算法实时提取骨料、粉料、沥青质量数据、拌和时间及温度等沥青混合料主成分数据信息的方法, 根据识别到的沥青混合料数据信息建立了数据采集与传输的时序逻辑关系; 在WEB监控中心下可视化显示了沥青混合料配合比误差、级配误差、拌和时间和温度等关键信息, 并利用这些多模态信息融合策略评价了沥青混合料的拌和质量; 根据施工过程中沥青混合料类型的先验知识分析了混合料数据的动态变化, 在无人工干预的情况下自动识别了实时生产的沥青混合料类型; 建立了骨料数据的模型分布, 并结合拌和时间判断拌和设备的运行和筛分状态; 存储实时接收到的数据, 实现了沥青混合料历史数据跨时间查询和成本评判。研究结果表明: 利用模板匹配识别算法采集沥青混合料字符数据时间为4.9 ms, 识别准确率达100%, 满足了施工中沥青混合料拌和数据采集时间间隔小于0.02 s的要求, 实现了施工过程中沥青混合料数据的连续检测、自动识别、实时跟踪和可视化监控; 当沥青混合料质量不合格或拌和设备出现故障时可实时预警, 为综合评价沥青混合料拌和过程与实时掌控沥青混合料拌和质量提供了依据。      

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

基于RFID技术的道岔手摇把智能保管箱终端设计

为了对手摇把进行智能管理,代替人工检查手摇把数量及编号,本文提出利用RFID技术配合手摇把管理平台来监测手摇把保管箱内手摇把的数量,为进一步加强对铁路其他相关工器具的智能管理奠定基础。     

基于Hilbert-Huang变换的抗冰导管架平台损伤识别研究

渤海海域的抗冰导管架平台每年冬季都会受到海冰作用从而产生严重的冰激振动问题.对冰振危害进行监测与分析是保障冰区现役抗冰平台安全作业和降低冰害损失的重要研究内容.本文针对导管架结构长期处于冰振情况下结构可能存在隐性损伤的问题,采用Hilbert-Huang变换的方法开展结构损伤识别的研究.首先利用通用有限元分析软件ANSYS对冰荷载作用下的导管架平台模型进行瞬态动力学分析,进而对动力响应信号进行Hilbert-Huang变换,得到信号的固有模态函数(IMF)和Hilbert能量边际谱,最后通过结构损伤前后Hilbert能量边际谱的变化构建损伤指标,分析对比不同损伤程度下该损伤指标的有效性,并探讨海冰的冰速、冰厚对该损伤指标的影响.研究工作可以为寒区导管架结构在冰振情况下的损伤识别研究提供借鉴和参考.     

基于多源数据融合的城市轨道交通人员综合监测及运营管理系统研究

针对城市轨道交通车站运营管理和安全保障需求,结合移动终端检测、超宽带(UWB,Ultra Wide Band)定位技术、智能视频分析及多源数据融合等技术,研究开发了城市轨道交通人员综合监测及运营管理系统;介绍了系统构成及逻辑架构,着重描述现场信息采集设备部署方案、应用功能及关键技术。该系统可实现信息智能采集、人员状态综合监测、人员状态预测预警、车站应急管理等功能,有助于增强车站运营安全保障能力,促进智慧车站发展。     

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。