基于AOD-Net和SSD的雾天车辆和行人检测

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将AOD-Net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:AOD-Net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的m AP值高4.1%,表明AOD-Net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。     

基于改进型SSD算法的目标车辆检测研究

车辆目标检测中,原始SSD(Single Shot Multi Box Detector)算法区域候选框尺度分布与特定的车辆数据集存在着偏差、冗余,导致检测准确度低,且相互重叠的目标检测较弱。重新设计了SSD算法的区域候选框,使其更符合特定数据集的分布,并在SSD算法的损失函数基础上增加排斥损失提高对重叠目标检测。实验对比原始SSD网络和改进型SSD网络。结果表明:在检测的类别置信度为0. 6条件下,改进型SSD网络检测的mAP值为91. 79%,重叠目标检测的mAP为86. 36%,相比于原始SSD算法分别提高了4. 3%和3%。     

基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

基于优化YOLOv3算法的违章车辆检测方法

对YOLOv3算法模型进行改进,增加多个尺度检测,提高模型对小目标物体的检测能力,并增加聚类算法生成的anchors的数量,提高目标检测的准确率。在真实交通卡口数据集上进行测试,改进后的YOLOv3算法的m AP达到了92.53%,帧频为44.58 FPS,满足实时检测的需求。实验结果表明:优化后的YOLOv3算法在违章车辆检测中的性能优于原始的方法,并且检测速度能够保持实时性。     

基于深度学习的车牌智能识别方法

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33 ms左右,平均识别准确率能够达到96.1%。     

一类固定工件排序问题算法研究

针对一类＂可用机器数有限,存在机器与工件间匹配约束,以机器-工件分配成本最小为目标＂的固定工件排序问题,以固定工件的开始时刻、结束时刻为基准构建网络时序图,将＂机器-工件＂分配过程看成网络时序图中的网络流问题,并设计排序问题的模拟退火算法。通过算例发现：算法平均CPU时间为32.9秒,总成本最大误差为0.07%,时间复杂度为O（M（m3＋mn））,空间复杂度为O（m2n）。结果表明：算法为多项式算法,且可行。     

基于超分辨率模型与YOLO V4的织物疵点检测

针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题，课题组提出基于超分辨率模型SRGAN与YOLO V4网络的织物疵点检测方法，并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构，提高图像分辨率；然后将重构图翻转变化与原图共同作为数据集输入YOLO V4进行网络训练；最后通过YOLO V4网络检测印花布表面疵点。实验结果表明：该方法可提高低分辨率织物图疵点检测效果，准确率高达90.29%，比超分辨率重构前提升了13.19%，能实现实时定位疵点的准确位置并输出疵点类别。     

基于YOLOv4网络的违章行为检测算法

为了对数量庞大的车辆进行有效管理,使用违章行为检测算法对违章行为进行检测,从而能够更好地通过处罚、警示等手段促使驾驶人遵守交通法规,减少交通事故的发生。针对传统违章检测算法的准确率低、适应环境能力差等问题,使用基于深度学习的违章检测算法,提高违章检测算法的检测效率、准确率,增强其环境适应能力。针对驾驶人在行驶过程中使用手持电话这一违章行为,使用YOLOv4网络在交通卡口数据集下进行目标检测,检测的m AP可达91.59%,帧频为38.41 FPS,准确率较高且可以达到实时检测的要求,并根据设计的违章判据,能够准确地判断当前所检测的车辆驾驶人在行驶过程中拨打手持电话的违章行为。     

新能源汽车路噪主动控制优化研究

针对新能源汽车路噪主动噪声控制(road noise active noise control, RANC)系统由于车身结构与路面粗糙度的相互影响而导致稳定性差、控制效果较差等问题,提出了新能源汽车RANC系统的优化方法。该优化方法首先提出了利用工况传递路径分析方法(operational transfer path analysis, OTPA)对车内噪声进行传递路径识别和声源贡献量分析,其次对适用于有源噪声控制中的FXLMS(filter-X least mean square, FXLMS)算法进行优化改进。通过Matlab/Simulink对新能源汽车RANC系统进行仿真分析,并与实车试验进行对比。验证结果表明,对控制系统的优化改进,有效提高了新能源汽车RANC系统的控制效果,为后续汽车主动噪声控制领域奠定了基础。     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。     

改进Mask R-CNN算法在低光道路环境下行人检测研究

针对目标检测算法在低光条件下检测性能下降的问题,以Mask R-CNN目标检测算法为基础,将提出的图像融合模块(MSRCR-IF)引入该目标检测网络中,同时为了更好地利用特征信息,改进了特征金字塔网络,并通过调整区域提交网络以及去除实例分割分支的方式,减少检测目标所花费的时间。实验结果显示:在COCO2017数据集下提出的算法优于其他主流算法,同时在自行构建的低光道路行人数据集下达到了75.05%的平均检测精度,比改进前提高了4.66%。为了验证改进算法的有效性,进行了实车数据测试,结果显示:改进方法能有效提高低光条件下行人检测效果。     

基于增强数据集卷积神经网络的SAR目标识别方法

提出基于增强数据集卷积神经网络的合成孔径雷达(SAR)目标识别方法。卷积神经网络的分类能力与训练样本的数量和全面性息息相关。由于SAR目标识别中存在大量的扩展操作条件,基于原始少量训练样本的卷积神经网络稳健性较差。通过添加噪声构造噪声样本;通过多分辨率分析获得多分辨率的样本;通过模拟部分遮挡获得不同程度的遮挡样本。采用增强后的训练样本训练卷积神经网络从而提高其对于噪声干扰、分辨率变换以及部分遮挡等情形的稳健性。同时,由更多训练样本训练得到的网络对于其他扩展操作条件的适应性也有一定的提高。基于MSTAR数据集进行了验证实验,证明了提出方法的有效性。     

基于YOLOv5和U2-Net的高铁桥梁裂缝智能检测方法研究

传统数字图像处理技术在处理桥梁结构裂缝时由于裂缝形态和环境影响的复杂性导致检测效果不佳，且缺乏自适应和智能化的能力。为此，基于深度学习提出了一种结合YOLOv5和U2-Net的裂缝检测系统。YOLOv5可实现裂缝实时高精度识别和定位，引入更适用与显著性目标且特征提取能力强的U2-Net图像分割模型，提出了基于计算轮廓最大内切圆算法的裂缝宽度测量法，通过模拟高铁桥梁的破坏性实验，采集2 560张测试图像作为系统的输入端对该系统进行评估。结果表明，识别定位模型测试集的准确率、召回率、平均精确度分别为92.21%、94.63%、95.32%;分割模型测试集准确率、召回率、平均精确度分别达到92.86%、95.61%、93.35%,并能够准确计算出裂缝的宽度。     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于Yolov4 Tiny与RANSAC算法的管纱识别抓取系统

现了管纱的检测、定位及抓取任务。首先利用深度相机获取RGB D图像,通过训练深度学习网络Yolov4 Tiny,生成预测结果;然后利用预测框信息将原始点云进行裁剪,采用快速点特征直方图与RANSAC算法进行配准;最后利用手眼标定的方法将深度图像坐标信息转换到机械臂坐标系下完成抓取。实验结果表明：系统管纱平均抓取成功率达到65%,在非结构化的环境中具有良好的抓取结果,满足管纱抓取的实际生产需求。     

复杂背景下航检视频字符的识别算法与应用

传统的OCR技术在复杂背景视频中的字符识别方面,其识别结果的准确率不尽如人意。为此,本文通过改进及优化传统识别算法,研究出一种新的复杂背景下的字符识别算法。该算法借鉴统计模式识别的思路,通过大量实验得出每个字符的特征规律,并形成公式,实现了字符的识别。然后以输电线路航拍图像为例,设计开发了字符识别系统。通过系统运行表明,采用本文算法识别字符的准确率为99.4%,优于开源Tesseract-OCR接口函数方法及样本训练方法,对于复杂背景中的字符识别具有较高的准确性和广阔的应用前景。     

基于DCT的模糊面部超分辨率性别识别模型研究

为解决智能监控领域中存在的基于人脸图像的性别识别准确率不高的问题,本研究构建了DCT-FSR-CNN模型。该模型以相邻两帧面部图像作为超分辨率的双输入,通过离散余弦变换和局部超分辨率技术对图像进行融合处理以提高图像整体分辨率;对Alexnet网络进行优化改进,通过融合网络中间层进行特征值优化以提高分类器的准确率。同时,将该模型与其他4种性别识别模型进行实验对比,在现实的模糊面部图像数据集上的实验结果准确率和运行速度均有明显提升,证明了该模型的应用性和有效性。     

一种融合时序特征的网络场景识别算法

针对网络场景识别问题,提出了一种基于语义识别改进的树模型识别算法框架,利用语义分析提取网络时序特征,纵向表达用户活动轨迹,可更加直观地表征办公、宿舍和食堂等场景。同时,通过对数据通信物理模型拟合的网络环境特征(设备之间的路损、干扰等)进行识别,获得网络环境内设备的款型、安装的疏密和用户的负载等信息。进而基于决策树模型框架,耦合上述两类特征生成场景识别算法框架。通过耦合网络环境的流量特征及网络规划特征,全局框架具有智能识别网络场景的特点。算法针对多个数据集样本进行验证,证明所提方案均能对不同场景进行有效识别。     

基于数据驱动的车身不确定性优化方法

为了解决无人承载式车身在复杂工况下由于非线性耦合导致目标函数求解困难的问题,提出基于数据驱动和多目标遗传算法相协同的不确定性优化方法。数据集以车身各结构面的特征尺寸作为输入参数,以车身满载扭转工况最大等效应力、自由模态基频频率和车身侧倾工况的最大等效应力作为输出参数。通过灵敏度分析法分析车身的特征尺寸和优化结果的相关程度。基于支持向量机对数据集进行分类,从种群中筛选出符合期望的个体。基于改进的遗传算法的种群重组方法,使寻优算法在解空间范围内进行全局搜索,获得Pareto最优解。结果表明:被优化的特征尺寸总体减小,且车身优化后最大扭转应力下降8.53%,最大侧倾应力下降4.65%。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。