基于方向盘信号的高速公路驾驶状态检测方法

基于对不同驾驶状态下的方向盘操作特性及其频域特性进行分析,采用方向盘角度百分比功率谱密度及角速度百分比功率谱密度作为疲劳判别指标,将判别指标变量及驾驶状态作为模型的输入和输出对BP神经网络进行训练,构建相应的网络模型,并以疲劳状态分类准确率最大为优化目标确定疲劳检测取样窗口大小,最后利用测试样本数据验证模型的准确率。结果表明,该方法对驾驶员驾驶状态的分类准确率可达到91. 5%。     

基于改进YOLOV3算法的遥感图像油罐检测

针对遥感图像中的油罐检测问题,借鉴深度神经网络的思想,提出了一种基于改进YOLOV3算法的图像检测方法。首先在原有YOLOV3算法框架中添加空间变换网络(spatial transformer networks,STN),使其成为具备空间变换学习能力的模型;然后通过k-means聚类算法对数据集进行分析,重新设计初始候选框大小;最后训练和测试网络,建立包含9 724个油罐目标的遥感图像数据集。实验结果表明:改进的YOLOV3算法具有良好的性能,在测试集中的召回率可达到95.64%,比原算法提升了3.52%;准确率可达到93.92%,比原算法提升了2.81%。     

改进卷积神经网络算法在水面漂浮垃圾检测中的应用

针对传统目标检测算法在检测水面漂浮垃圾时易受外界复杂环境影响而难以实现的问题,提出了一种基于改进卷积神经网络的水面漂浮垃圾检测算法。运用数据增强技术改善训练过程中因样本不足而导致的过拟合问题,并利用迁移学习的方法训练出水面漂浮垃圾目标检测模型。结果表明,与传统的ViBe背景建模算法相比,所提算法能对水面漂浮垃圾进行分类,并标记出垃圾位置,对垃圾的检测准确率高达93%,能完全克服水波、波光等外界干扰。     

基于欧氏距离预测的Camshift目标跟踪方法

针对被检测的运动目标在图像中被遮挡后出现运动目标干扰的问题,提高目标跟踪的准确率,提出了基于欧式距离预测的Camshift目标跟踪方法。通过高斯检测前景、像素过滤、中值滤波、形态学膨胀及遮挡判断等措施,采用将Camshift算法与改进的预测器相融合的方法完成对运动目标的预测跟踪。当目标被遮挡时,自适应选取Kalman预测器或者线性预测器,预测运动目标可能出现的位置,再用Camshift算法搜索目标质心,提高搜索的准确性。实验结果显示,所提改进算法可有效地解决原有算法中目标跟丢率高的问题,且能满足跟踪的精度和实时性要求。     

基于数字图像处理的裂缝检测方法

为保证图像质量,提出一种基于阈值判断的自适应中值滤波(TAMF)新算法。通过扩充图像边界,将噪声图像与对其进行中值滤波后的图像相减得到的灰度值均值T作为判断条件,对搜索窗口内的噪声像素点采用中值滤波处理后输出结果,信号点则不做处理。使用几种滤波算法进行试验分析,结果表明,不同浓度的椒盐噪声均可采用TAMF算法进行滤除,该算法能有效保护图像边缘细节,在PSNR和MSE等图像性能指标上维持较高的水平,为后续裂缝宽度测量提供良好环境。数字图像处理通过获取图像(裂缝)灰度信息,对图像(裂缝)特征进行提取;然后,基于TAMF算法与改进的切线垂线法,将数字图像处理中的图像预处理、裂缝骨架提取、裂缝宽度计算等方法进行集成,提出一套基于数字图像处理的混凝土裂缝图像宽度测量流程,该测量流程所需设备单一,可大幅提高检测精度和效率,满足工程应用要求。     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于分水岭算法的绝缘子串红外图像分割方法

为解决500 kV瓷绝缘子串红外图像分割问题,提出了一种基于分水岭算法的图像分割方法。通过调整红外图像G分量消除云雾干扰,图像预处理后采用灰度拉伸法进行图像增强;然后利用Otsu算法将灰度图像二值化,通过Hough变换确定绝缘子串基准线,并据此使用Floodfill算法提取绝缘子串目标区域;角度校正后做欧式距离变换,以局部最小值为标记符避免过分割,再采用分水岭算法进行绝缘子片分割。据此对湖南省某座500 kV变电站700张红外图像进行分析,结果表明,本文所提方法具有良好的自适应性和实用性,可显著提高绝缘子红外图像智能分割准确率。     

基于三维包络展开的车型识别

基于深度学习的车型识别方法大多采用车辆的二维正面图像作为深度神经网络的输入,但二维图像存在一定的透视形变,因此识别精度受到一定的限制。为了改进上述问题,提出了基于三维包络展开的深度学习车型识别方法。通过对车辆构建三维包络框,获得更加规范化、标准化的展开图像,并将其作为YOLO v3算法的输入,从而对两厢车和三厢车实现更准确的分类。实验结果表明,较之原始二维图像的深度学习检测算法,两厢车型分类准确率提升了8.74%,三厢车型分类准确率提升了7.49%,能够有效地实现车型再分类。     

基于深度学习的VGG16 图像型火灾探测方法研究

为了快速、有效地检测不同场景下的火灾信息,基于深度迁移学习设计了一种改进VGG16 的图像型火灾检测方法。搜集不同场景下的照片,使用离线数据增强技术增加样本数量,对VGG16 进行改进,并使用迁移学习的方法训练火灾识别模型。结果表明：改进的VGG16 网络对于火灾现场的图片分类识别准确率为98.7%,优于Resnet50 网络和Densenet121 网络,可快速、准确地检测到火灾信息。     

基于图像识别技术的汽油、无水乙醇燃烧火焰识别研究

为了实现基于视频图像对火灾现场存在助燃剂的分类识别,对燃烧火焰的特征进行分析,根据汽油和无水乙醇引燃后各自特有的燃烧现象,结合火焰的视频图像识别算法实现对汽油和无水乙醇燃烧火焰的识别。首先,基于图像的灰度阈值得到其疑似火焰区域,再提取其H、S、I颜色分量和面积变化特征;并提取燃烧图像的小波高频能量特征和LBP直方图特征;最后将特征向量输入SVM分类器进行分类识别。试验表明,SVM对汽油和无水乙醇燃烧火焰的识别分类准确率可达98.5%,可较好地实现对汽油、无水乙醇燃烧火焰的区分。