电动汽车动力电池信息实时采集系统设计

设计了一套电池信息实时采集系统。该采集系统主要由电压、电流、温度传感器电路,电压监测系统,电流监测系统、主机模块和通信接口组成。同时,设计了CAN通信协议,将各个模块采集到的电池电压、温度、电流等信息通过CAN总线发送到主机模块。为了方便对电池监测系统监控和数据记录,在MATLAB的GUI图形界面编程环境下设计了上位机监控软件。     

内河航运船舶监控系统设计

为了保障水路航运的安全,提出了1种船舶监控系统方案,系统主要分为船舶远程监控、网络传输、监控中心等3个部分;系统综合应用先进的视频监控、全球卫星定位、无线通信、地理信息,数据库等技术,实现对运输船舶的位置、船舶运行状况以及安全信息的在线实时监控,提高船舶营运的安全性和可靠性,达到利用现代信息网络技术进行船舶运输高效管理的目标.      

城市轨道交通视频监控系统整合方案的设计与应用

通过对城市轨道交通视频监控系统在运营调度指挥,公安监控防险的应用、建设模式及技术方案进行分析,提出将专用和公安视频监控系统采用数字监控统一整合的方案.并在实际应用的组网方案和硬件设备使用上进行优化,提高硬件使用效率,节省投入资源及资金.     

基于车路系统的事故现场轮胎印迹强度参数化研究

为明确事故现场可视轮胎印迹强度与车辆动力学特性、轮胎橡胶磨损特征及道路表面灰度之间的关联特性,提出基于车路耦合的事故现场轮胎印迹强度参数化研究方法。通过结合动态滑动摩擦因数模型及轮胎非线性模型,建立车辆路面9 DOF非线性系统动力学模型,运用VBOX惯性测量技术验证模型的有效性。运用胎面磨损能量模型,从车路系统角度确定车辆、轮胎和路面特性对轮胎全局摩擦力及胎面磨损特性的影响。结合印迹强度特征模型提出轮胎印迹强度参数研究方法,选取不同制动、转向角工况及3组路面、胎面特性对轮胎路面接地力学特性、胎面橡胶磨损量、可视轮胎印迹特征进行仿真分析。结果表明：印迹强度仅与全局摩擦力大小有关,与轮胎路面滑移方向无关;滑移工况下胎面橡胶磨损量随着全局摩擦力和滑移速度的增大而增大,而印迹强度变化不明显;制动力矩和道路表面灰度对产生可视轮胎印迹起决定作用,转向角主要影响不规则可视轮胎印迹的产生;前轮轮胎最先出现可视印迹,且可视印迹长度和强度均高于后轮轮胎;采取可视印迹起点作为事故车辆速度判定具有一定的误差,应根据具体情况进行具体分析;研究成果能够为基于可视轮胎印迹的交通事故重建提供理论基础。     

视频监控调度系统通信协议设计

针对视频监控调度系统,设计了一种基于XML消息模型的通信协议,在监控系统通信结构的基础上,详细地设计了通信协议数据单元,实现了系统中监控信息实时、准确的交换.实验结果表明,设计的通信协议是正确可行的,并且能保证信息的高效传输,为构建稳定可靠、高效的监控调度系统奠定了坚实的基础.     

基于TDR技术的边坡自动化监测与预警

从TDR技术的基本原理出发,进行同轴电缆变形、破坏模拟试验;掌握同轴电缆的变形、破坏特性及相应的变形曲线反映规律;基于TDR技术的同轴电缆布设和埋设方式,进行监测数据自动采集和远程数据传输技术研究;分析研究同轴电缆变形报警阈值,开发了一套集数据处理和监测报警为一体的边坡自动化监测预警软件,实现边坡实时监测、预警。     

公安部交管局视频调度重点地区要求 突出农村县乡道路 重点监控微型面包车 确保元宵节和春运后期道路安全

公安部交管局21日视频调度18个省(区、市),通报、分析了春节长假结束后全国道路交通事故情况,研判了春运后期的道路交通安全形势,强调目前正值元宵节前农村民俗庆典活动集中的时期,中短途出行旺盛;元宵节后将进入农民工返城、学生返校高峰期,各地公安交管部门要全力以赴加强农村地区道路交通安全管理,将微型面包车纳入视线并重点监控。     

公安部交管局:将长途客车速度降下来 防范超员

7月8日,公安部交管局召开视频调度会,要求各地公安交管部门突出重点、落实责任制,深入开展交通安全大检查、做好夏季道路交通事故预防。会议强调,要切实将长途客车速度降下来,连续驾驶时间减下来,防范住客车超员违法。会议要求,各地要全力抓好交通     

高速公路视频联网监控方案的研究与实现

随着社会发展和科技进步,我国高速公路的建设也以前所未有的速度发展。由于运营管理者需要对高速公路运营路况实时、全面地了解和控制,所以高速公路视频联网监控系统也随之应运而生。视频联网监控系统经历了模拟视频、数字视频、远程网络视频阶段。它作为现代高速公路智能交通重要的组成部分,在运营管理中发挥着重要作用。结合高速公路视频联网的现状以及工程实例,从视频监控系统的构成、功能、联网技术等方面进行介绍。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.