基于YOLOv5网络的轮胎面缺陷检测分析

当前时有发生因轮胎面缺陷导致汽车在行驶中发生严重的交通事故,轮胎面缺陷智能检测对避免这类交通事故的发生具有重要意义。深度学习技术被越来越多地用于目标检测领域,文章基于卷积神经网络模型YOLOv5提出一种轮胎面缺陷智能检测方法。首先建立具有4种轮胎面缺陷特征的数据集,然后通过YOLOv5网络训练数据集,最后用训练好的网络模型在测试集上检测。实验结果显示,在检测轮胎面缺陷任务中,YOLOv5网络模型的平均检测精度（mAP）达到65.4%,检测速度可达到38FPS,相较于YOLOv4网络模型与Faster-RCNN网络模型分别提高约4.1%与31.6%。对进一步研究更有效的轮胎面缺陷智能检测方法提供了参考。     

浅析目标检测算法及其在自动驾驶场景中的应用

基于深度学习的目标检测算法在自动驾驶领域的比重日益上升。文章首先介绍了基于深度学习的卷积神经网络和目标检测算法的发展过程,其中简要介绍了几种经典卷积神经网络模型的结构特点;然后详细介绍了以R-CNN系列为代表的基于候选框的two-stage算法和以YOLO系列为代表的基于回归的one-stage算法,简要介绍了这两大类算法各自的结构和优缺点,最后总结了目标检测算法在自动驾驶场景中应用时比较常用的几种优化方法和研究趋势。     

基于双向特征融合的交通标志识别

为了进一步提高交通标志识别的检测精度,文章提出了一种改进的YOLO深度学习网络。其采用双向特征融合网络,引入较少的参数来实现更多的特征融合,并基于中国交通标志数据集计算瞄点框。通过与基准网络进行对比,结果显示,深度学习网络的检测性能更优,从而验证了改进网络的有效性。     

不同受力状态下沉入式大圆筒结构入土深度计算方法

沉入式大圆筒结构是一种适用于软土地基的码头、海岸及近海工程水工建筑物,沉入式大圆筒结构入土深度确定是该种结构稳定性设计的关键内容。假设圆筒绕筒轴线上某一点和绕筒母线上某一点转动二种变位模式;根据作用于圆筒上竖向力的大小,土对筒壁的摩阻力考虑竖直向上和向下二种情况;在土对筒壁的摩阻力竖直向上的情况下,考虑背离转动方向一侧地基土对筒底的反力作用。根据水平力、竖向力和力矩平衡条件,建立了沉入式大圆筒结构入土深度计算方法,对现有方法做了修改和完善。结合工程实例,对不同计算模式进行了比较分析,并研究了作用于圆筒上的竖向力和水平力对入土深度的影响。     

基于深度学习的船舶滚动轴承状态监测技术研究

滚动轴承作为一种关键零件已被广泛应用于船舶的减速齿轮箱、船用泵、空压机、小型马达等重要设备中,因此,对船用滚动轴承开展状态监测技术研究对保证船舶可靠性、安全性具有重要意义。随着传感器的微型化、数字化、智能化、多功能化、系统化和网络化,各类传感器（如光敏、声敏、气敏、压敏、温敏、磁敏等传感器）被普遍应用于船舶设备的监测中,采集大量的设备健康状态数据。本文对轴承状态数据进行分析,通过深度神经网络自动学习滚动轴承监测数据中的故障特征,研究数据驱动下船用滚动轴承的状态监测关键技术。     

基于深度网络的船舶冰区航行路线规划方法

本文提出基于深度网络的船舶冰区航行路线规划方法。从船舶航行动作出发,以深度Q网络为基础,设计船舶航行所处的状态空间、动作空间以及奖励函数,其中使用栅格法建立冰区模型,构建船舶航行的冰区状态空间;船舶动作在各空间及奖励函数过程中学习与训练,生成寻优路线,经平滑处理后,缩短航行距离,由此为船舶规划出从当前位置出发,能够避免与冰区中浮冰发生碰撞的航行线路。研究结果表明,该方法迭代8 000次后能够生成较为良好的路径,模拟生成的航线能够准确避开浮冰且路径节点减少较为平滑。     

基于图像分割的海上舰船目标智能感知算法

海上舰船目标的智能感知是无人水面艇、无人机视觉系统的最主要任务之一,针对海上舰船目标智能检测识别存在的问题,提出基于编码器-解码器结构的海上舰船目标图像智能分割算法,以像素级分割替代常规的检测方法,为海上无人平台的智能感知提供算法支撑。首先,针对通用的图像分割方法中存在的高层语义特征丰富、空间分辨率降低的问题,提出基于膨胀卷积的多尺度特征融合模块,提高编码器的特征提取能力;然后,针对不同目标像素身份判别的难点,在原有编码-解码结构基础上,增加了一个身份识别辅助网络分支,引导编码器对不同身份目标的特征进行关注,提高特征表示对不同身份目标的表征能力。最后,在所构建的6类舰船目标分割数据集上进行实验验证。结果表明,本文方法在准确率上较通用分割方法能更有效地实现舰船目标分割,验证了本文方法的有效性。     

基于深度强化学习的车车通信智能频谱共享

在城市轨道交通列车通信系统中,车车(Train-to-Train,T2T)通信是以列车为中心的新一代列控系统通信模式。与传统的以地面控制设备为中心的车地(Train-to-Ground,T2G)通信模式相比,T2T能降低系统的复杂度以及通信时延,提升列车运行效率。但为保障列车运行的安全性,当前的城市轨道交通列车通信系统中,车车通信与车地通信是并存的。为解决车车通信与车地通信并存场景下,通信链路资源复用引起的干扰问题,论文基于深度强化学习算法,提出了一种智能频谱共享方法。该方法以车车通信链路作为智能体,将频谱共享建模为多智能体深度强化学习(Multi-Agent Deep Reinforcement Learning,MADRL)模型。同时,由于传统深度强化学习对经验池的依赖,为提高经验池的稳定性,引入了能表征智能体行动轨迹的低维指纹信息。在该方法中,多个智能体采用分布式协作的方式与列车所处的通信环境进行交互,以此来迭代优化神经网络参数,使智能体获得的累计奖励不断提升直至收敛。最后,利用训练好的深度强化学习模型,智能体能够联合选择最佳的通信频谱和传输功率。在Python环境下的仿真结果表...     

基于多层级特征融合的钢轨表面伤损检测方法

现有的钢轨表面伤损检测方法存在鲁棒性差、误检率高和容易漏检小面积伤损区域的问题.为此,提出一种基于多层级特征融合的钢轨表面伤损检测方法.首先,利用高速综合检测车搭载轨道图像采集系统,在实际的铁路线路采集轨道图像,并对表面伤损进行人工标注;然后,在钢轨图像数量有限的情况下,利用钢轨表面伤损数据集构建策略,提升训练样本图像...     

梁场强夯加固试验与数值模拟研究

结合某客运专线梁场强夯加固工程,根据强夯的动附加应力理论公式,分析了该梁场在2种夯击能量下以不同扩散角度进行扩散时的动附加应力的分布规律;利用数值模拟的方法,结合该梁场的地质条件,分析了该梁场在夯击作用下,夯点中心竖向位移随深度方向的衰减规律以及土体竖向位移随水平距离的变化规律.在对理论计算和数值模拟结果的综合分析基础上,结合强夯后检测结果,提出了强夯加固设计参数.强夯后地基承载力和夯击试验以及压缩模量计算结果表明,本次强夯加固效果显著.