车路视觉协同的高速公路防碰撞预警算法

目的 基于视觉的前车防碰撞预警技术是汽车主动安全领域的一个重要研究方向,其中对前车进行快速准确检测并建立稳定可靠的安全距离模型是该技术亟待解决的两个难点。为此,本文提出车路视觉协同的高速公路防碰撞预警算法。方法 将通过图像处理技术检测出来的视频图像中的车道线和自车的行驶速度作为输入,运用安全区实时计算算法构建安全距离模型,在当前车辆前方形成一块预警安全区域。采用深度神经网络YOLOv3（you only look once v3）对前车进行实时检测,得到车辆的位置信息。根据图像中前车的位置和构建的安全距离模型,对可能发生的追尾碰撞事故进行预测。结果 实验结果表明,重新训练的YOLOv3算法车辆检测准确率为98.04%,提出算法与马自达CX-4的FOW（forward obstruction warning）前方碰撞预警系统相比,能够侧向和前向预警,并提前0.8 s发出警报。结论 本文方法与传统的车载超声波、雷达或激光测距的防碰撞预警方法相比,具有较强的适用性和稳定性,预警准确率高,可以帮助提高司机在高速公路上的行车安全性。     

基于CUDA的行车安全预警方法

为了提高机动车驾驶时的安全性,提出了基于计算机视觉的行车安全中车距估计与超车检测方法。首先,使用车辆阴影检测方法确定车辆位置,根据阴影位置和视觉中心点的距离建立车距估计函数;其次,对超车情况使用背景光流建模的方法建立光流估计方程,通过估计光流将行驶中的正常物体与非正常物体分开,从而辨识驾驶途中的超车现象。根据车距和超车情况的检测及时提醒驾驶员注意行车中可能存在的安全隐患。实验结果表明该方法可以较为准确地估计车距、检测超车情况。在统一设备架构（CUDA）下使用图形处理器（GPU） NVIDIA GeForce GTX680显卡对算法进行加速,可以达到48.9ms/帧的处理速率,基本满足了实时处理的要求。     

基于毫米波雷达的车辆防碰撞预警

防碰撞预警是主动安全中的一项重要技术。提出了一种基于毫米波雷达的防碰撞预警技术。首先在MHT模型下使用毫米波雷达检测出前方车辆,然后利用毫米波雷达获取的目标的速度和距离提出了以碰撞时间(Time to Collision,TTC)作为参数的防碰撞预警机制。通过实验分析,所提出的方法能够有效地将本车与前车保持在安全不碰撞的状态,可以应用到现有的主动安全系统中。     

基于改进YOLOv4的自动驾驶场景车辆检测

针对自动驾驶场景,现有车辆检测算法对小目标车辆检测效果不好,导致车辆检测精度不高的问题,该文提出改进YOLOv4算法。首先增加小目标检测层,降低小目标车辆的漏检率;然后使用EIoU(efficient intersection over union)损失函数替换CIoU(complete intersection over union)损失函数,降低算法的边界框回归损失,提高算法的检测精度。在数据预处理阶段采用Mosaic数据增强的方法提高小目标车辆的训练效果,以及使用K-Means聚类算法选出更合适的检测锚框。在KITTI数据集上实验,改进算法平均检测精度为95.84%,检测速度为37.12帧/s,相比YOLOv4算法,平均检测精度提高2.84%。实验结果表明,改进YOLOv4算法达到了提高车辆检测效果的目的。     

基于Mobilenetv2-YOLOv4模型的行人车辆检测算法

无人驾驶关键技术不断突破，并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果，解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题，提出了一种改进的YOLOv4模型对数据集进行训练，采用轻量化网络Mobilenetv2代替YOLOv4中原有的主干网络，以此获取有效特征层，降低原有网络的运算量和参数量。实验结果表明，改进的Mobilenetv2-YOLOv4模型可以达到40.76%的平均精度，每个epoch的学习时间仅约12 min，既保证了识别精度又提高了检测速度。     

融合视觉关系检测的电力场景自动危险预警

目的 借助深度学习强大的识别与检测能力,辅助人工进行电力场景下的危险描述与作业预警是一种较为经济和高效的电力安全监管手段。然而,目前主流的以目标检测技术为基础的预警系统只能给出部分危险目标的信息,忽视了电力设备的单目危险关系和成对对象间潜在的二元危险关系。不同于以往的方法,为了拓展危险预警模块的识别能力与功能范畴,本文提出了一种在电力场景下基于视觉关系检测的自动危险预警描述生成方法。方法 对给定的待检测图像,通过目标检测模块得到图中对象的类别名称和限界框位置;分别对图像进行语义特征、视觉特征和空间位置特征的抽取,将融合后的总特征送入关系检测模块,输出单个对象的一元关系和成对对象间的关系三元组;根据检测出的对象类别和关系信息,进行危险预测并给出警示描述。结果 本文自主搜集了多场景下的电力生产作业图像并进行标注,同时进行大量消融实验。实验显示,结合了语义特征、空间特征和视觉特征的关系检测器在前5召回率Recall@5和前10召回率Recall@10上的精度分别达到86.80%和93.93%,比仅使用视觉特征的关系检测器的性能提高约15%。结论 本文提出的融合多模态特征输入的视觉关系检测网络能够较好地给出谓词关系的最佳匹配,并减少不合理的关系预测,且具有一定零样本学习（zero-shot learning）能力。相关可视化结果表明,整体系统能够较好地完成电力场景下的危险预警描述任务。     

基于深度学习的早期火灾预警算法

传统火灾预警方法存在检测精度低、未发生火灾时不能及时预警的问题,提出一种基于深度学习的早期火灾预警算法.首先,使用红外热像仪采集特定场景中的红外图像,构建数据集;其次,使用改进的YOLOv4算法进行训练得到网络权重,在主干网络的3个输出特征层后引入卷积注意力模块,提升网络对关键信息的提取能力;在主干网络和路径聚合网络中增加卷积层,提高特征提取的能力;最后,使用提出的智能火灾检测(intelligent fire detection, IFD)算法对预测图像处理并根据得分评估火灾隐患.实验结果表明,改进YOLOv4算法在数据集上的mAP达到98.31%,比原始YOLOv4算法的mAP提高了2.7%, FPS达到37.1 f/s, IFD算法精确度为93%,误检率为3.2%.提出的早期火灾预警算法具有检测精度高,未形成火灾时及时预警的优点.     

基于SlimYOLOv3的工业场景目标检测算法

基于人工设计特征的检测算法检测速度普遍较慢,检测精度也有待提高,已无法满足现今工业生产中的需求.而基于深度学习的检测技术,因其需要大量的计算和存储空间无法在资源受限的设备上部署使用.针对这些问题,引用一种通道剪枝方法实现YOLOv3检测网络的轻量化,得到剪枝模型SlimYOLOv3,并进一步提出将SlimYOLOv3用于工业场景下的实时检测任务.方法通过对通道缩放因子施加L1正则化来增强卷积层的通道级稀疏性,并对信息量较小的特征通道进行剪枝,最终获得轻量级的网络模型.与原模型相比,SlimYOLOv3剪枝模型减小了60％,计算量减少了50％,检测速度是原模型的1.7倍,更适于智能工业场景中复杂目标的实时检测.     

基于深度学习的道路车辆目标检测系统设计

针对现有道路车辆目标检测系统由于计算量过大,且在复杂背景下容易出现误检的问题,设计了一种基于深度学习的道路车辆目标检测系统;系统硬件主要由信号输入模块、控制模块、中央处理模块和输出通道模块四部分组成;引入XCV50E芯片构建控制模块,通过高速随机存取存储器(RAM)快速分配信号;利用TMS320C6202芯片设置中央处理模块,将PCI9054作为信号输出模块的核心设备;软件设计中,完成用户登录、数据采集及处理、模型训练等设计;引入深度学习策略,先采用直方图均衡法处理环境光线干扰的问题,然后建立改进YOLOv4模型,处理噪声等干扰信息,最后基于注意力机制完成图像特征提取优化,进而更精准地完成道路车辆目标检测;实验结果表明,所提系统具有很好的鲁棒性,能够很好地减少计算量,提高检测准确率。     

基于自适应神经模糊推理系统的高速公路临界安全车距研究

汽车高速追尾是我国高速公路交通事故的主要形式之一,研究高速公路汽车临界安全车距对预防汽车追尾事故的发生具有积极的意义。文章通过对高速公路汽车临界安全车距的分析,提出了一种高速公路汽车临界安全车距的ANFIS(自适应神经模糊推理系统)模型,经计算和对比分析,验证了该模型的有效性。     

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.