道路与高压油气管道长距离伴行保护措施研究

以中山市坦洲快线（一期）工程为例,在分析了相关法律法规及技术要求基础上,分析了桥梁连续跨越、路基长距离压覆、涵洞穿越高压油气管道时的保护措施,并对工程应用中存在的问题进行了总结,提出了桥梁段避让、路基段保护的措施及技术要求。     

平原河网地区某片区污水管网排查实践及整治对策分析

以平原河网地区某片区污水管网排查为例,运用CCTV检测、声呐检测、潜望镜检测等方法对片区污水管网进行排查,总结管网排查重难点。基于管网排查结果,分析片区污水管网整治对策,同时关于片区污水管网排查整治提出相关实施建议,以期为类似项目提供参考,助力城镇污水处理提质增效。     

掌子面前方边墙溶洞的地质雷达探测方法研究

由于电磁衰减和足印的限制,导致掌子面前方5 m范围内的边墙溶洞往往难以被地质雷达所识别,从而影响地质预报的精度和施工安全.针对目前对其探测方法的研究较为少见的特点,为了能实现有效地对其进行探测,以广西六寨至宜州高速公路40座公路隧道为依托,进行了大量的现场探测,总结出探测该范围内边墙溶洞的方法,现场开挖验证表明:该方法能较为准确地探测出边墙溶洞,从而降低施工中的风险.研究成果为提高超前地质预报的探测精度提供了新的方法,对地质雷达现场探测具有一定的参考意义.     

用测定水泥含量的方法控制水泥搅拌桩施工质量的研究

提出利用测定水泥含量的方法控制水泥搅拌桩施工质量。该检测方法采用新型取土装置取土以及改进EDTA法检测水泥含量,克服了传统强度检测操作复杂、检测结果片面、受水泥土龄期影响等问题。通过杨林船闸工程试验桩检测表明,该方法能有效检测搅拌桩的水泥含量和搅拌均匀性。将水泥含量作为水泥搅拌桩质量评判指标,能够直观反映水泥搅拌桩施工质量,并且检测速度快,成本低,能起到及时控制施工质量的目的。     

公路改扩建旧沥青路面检测指标与评价方法的探讨

针对现行沥青路面检测评价体系不满足公路改扩建工程需求的问题,文章在对比分析现行检测评价规范规定的基础上,结合公路沥青路面设计规范对改扩建路面设计的需求,提出了包括路面损坏指数、路面车辙深度指数、裂缝率、车辙面积率、修补面积率、路面结构强度、结构层厚度、各结构层回弹模量、基层完整性的改扩建旧沥青路面检测指标与评价体系,并给出了指标的检测手段、计算方法与分级标准,最后引入特尔菲—理想点法进行使用性能的综合评价。     

改进的YOLOv3算法在道路环境目标检测中的应用

近年来,社会经济持续高速的发展,人均汽车占有量迅速增加。为了避免车辆追尾等事故发生,结合道路环境下目标检测的难点及要求,文章选择基于卷积神经网络的YOLOv3算法,并针对YOLOv3中使用的k-means聚类算法初始时随机选择质心这一不稳定性以及原本的darknet53网络层数较低导致精度不是很高的问题,引用k-means++聚类算法对k-means聚类算法进行优化,并将darknet53替换成特征提取能力更强的resnet101,进行算法优化。实验结果显示优化后的算法mAP提高了12.2%,基本符合实际应用检测的精度要求。     

雪佛兰汽车机电类故障分析

本文通过2010款上海通用雪佛兰乐风1.4L轿车故障实例,详细阐述雪佛兰机电类故障诊断和维修流程。     

基于Top-Hat-Canny的汽车前视摄像头图像边缘检测方法研究

针对汽车前视摄像头(Forward View Camera)拍摄存在噪声及光照不均匀的问题,提出一种基于顶帽算法TopHat Canny的多重边缘检测图像预处理方法。通过对前视摄像头拍摄的道路行人、车辆及障碍物的图片进行分析,采用小波阈值算法分别对彩色图像(Red-Green-Blue,RGB)3个空间分量进行滤波去噪,并经加权平均法对重组的3个分量灰度化处理后,采用Top-Hat-Canny多重边缘检测方法对图像进行处理。实验仿真结果表明:该方法可以有效地解决噪声及光照不均对图像边缘检测带来的影响,为后续目标识别工作提供基础。     

动力电池产气分析技术的研究与展望

动力电池在正常循环及滥用条件下均会产生气体。研究动力电池产气检测技术,对于探究动力电池内部反应机理,提升动力电池安全性有着重要意义。本文首先介绍了正常循环和滥用条件下动力电池产气的成分、机理以及影响因素,之后本文从产气量、产气分布、产气成分三个维度分别介绍了目前行业内常用的检测方法,剖析了这些检测方法的测试原理、适用范围及优缺点。最后,本文展望了动力电池产气技术的发展趋势。本文将为动力电池研发和测试人员提供参考。     

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。