FastCrack：实时路面裂缝分割

在公路的使用过程中，其表面会产生危害结构健康的裂缝，研究高效精确裂缝分割算法已成为交通运输领域的一个重要课题。在现有的基于图像的裂缝分割方法中，由数据驱动的深度学习技术展现出了强大的适用性。但基于神经网络的裂缝分割模型普遍缺乏对模型实时性的关注，为平衡模型精度和速度，选择合适的架构超参数，设计了一套架构超参数挑选框架，提出了实时路面裂缝分割模型（FastCrack-SPOS）。首先，设置不同的待选宽度（16,32,48,64,80）、深度（D1,D2,D3）、下采样倍率（1/4,1/8,1/32），构建出45组不同结构模型，分析每种参数对模型性能的影响；然后，使用神经架构搜索技术为模型每层自动搜索合适类型的卷积块，进而构建出最终模型。实验结果表明：所提架构超参数挑选框架在轻量级裂缝分割模型的设计上十分有效；构建出的FastCrack-SPOS在路面裂缝数据集上的交并比达62.88%；参数量仅0.29×106，相比现有模型，减少95%；处理1024×1024的图像的速度达147 frame/s，在速度和精度间取得了平衡，具有较高的实际应用价值。     

基于图像与点云融合的公路撒落物检测算法

公路撒落物是影响行车安全、造成交通堵塞的重要因素，及时检测并清理公路撒落物十分重要。通过总结分析撒落物的特点，利用点云处理定位精度高和图像处理分类精度高的特点，提出一种基于图像与点云融合的公路撒落物检测算法。所提算法包括路面目标提取、点云与图像信息融合和撒落物目标分类等3个步骤。首先，通过激光雷达点云进行道路边缘检测、地面点云滤波和点云聚类，提取路面上的目标点云团簇；然后，将目标点云团簇投影到时间与空间对齐的视觉图像中，获取对应的图像感兴趣区域；最后，使用优化后的ResNet-50进行目标分类。所提算法的平均检测精确率为94.84%，召回率为91.92%，具有良好的检测效果。     

基于改进A*算法的AGV路径规划

相对于传统的物流仓库来说, 现在很多的自动化仓库不再使用工人去分拣货物, 而是使用自动引导车完成货物的分拣, 将“从人到货”的工作模式变为“从货到人”, 这种工作模式的转变, 不仅解放了工人的劳动力, 同时还实现了自动化仓库的机械化与自动化的结合, 大幅度地提升工作效率. 自动引导车在自动化仓库分拣货物的过程中一个重要的环节就是路径规划问题. 针对仓库中自动引导车的路径规划问题, 对传统的A*算法提出改进. 传统A*算法规划出来的路线具有路径过长、转折角度较大、路径不够平滑的缺陷. 针对以上缺陷, 提出动态加权以及改变搜索邻域的方法对传统A*算法进行改进, 因此减少了搜索节点, 提高了搜索速度. 同时多次使用高阶贝塞尔曲线对改进后的A*算法规划出来的路线进行平滑处理, 减少了转折点. 最后进行3组仿真实验对比, 证实本文提出的改进是有参考价值的.     

结合极坐标建模与神经网络的IVUS图像分割

针对现有血管内超声(IVUS)图像分割网络不能保证分割结果之间的拓扑关系符合医学先验知识，影响后续临床参数计算的问题，提出了一种基于极坐标建模和密集距离回归网络的IVUS图像分割方法。首先通过极坐标建模将含有先验知识的二维掩膜编码为一维距离向量；然后构建一个结合残差网络和语义嵌入模块的密集距离回归网络，用于学习IVUS图像和一维距离向量之间的映射关系。同时提出联合损失函数约束网络的学习方向。预测结果最终通过样条曲线拟合被重建为二维掩模。实验结果表明，所提方法在血管、管腔和斑块区域的分割结果拓扑关系100%符合先验知识，Jaccard测量值分别达到0.89、0.87和0.74。该算法适用于一般的IVUS图像分割，分割结果中血管结构定位准确，拓扑关系正确，可提供可靠的临床参数。