面向工业缺陷分类的交互式易混淆缺陷分离方法研究

在工业生产中会根据严重程度对缺陷做不同处理,所以需要对缺陷进行分类。但是,实际生产中经常因为存在一些易混淆缺陷而导致分类精度不够,使得在生产实践中只能对所有缺陷进行保守处理,带来很大人力成本和经济代价。为解决该问题,提出一种交互式易混淆缺陷分离方法,将少量易混淆缺陷从其他缺陷中分离出来,从而保证剩下的绝大部分缺陷的分类结果能被直接使用。首先,将训练数据中的易混淆缺陷挑选出来作为一个或多个新缺陷类别,称之为虚缺陷,从而使得训练所得网络能区分虚缺陷和其它类缺陷。其中,还设计了一套可视化界面辅助用户交互地挑选易混淆缺陷以构建虚类别。使用实际工业现场的CMOS缺陷数据进行有效性验证,结果表明所提方法能快速分类出易混淆缺陷,并保证剩余缺陷的分类精度满足工业应用要求。     

基于历史行车轨迹集的车辆行为可视分析方法

随着智慧城市的不断发展,基于交通卡口自动获取车辆行车轨迹,为基于轨迹的车辆行为分析奠定了基础。但是,因为卡口的位置固定,车辆轨迹表示为卡口序列,所以文中首先将卡口和轨迹分别映射为单词和句子,应用语句的语义相似性方法计算轨迹相似性;然后在轨迹相似性的基础上提出轨迹熵,用轨迹熵度量某个车辆所有轨迹的规律性;最后基于轨迹熵分析车辆的行为特征,如轨迹熵低的车辆意味着行车特别有规律,很可能是通勤车。为便于用户进行深入分析,文中进一步提供了包含多联动视图的可视分析系统,允许用户观察和比较车辆轨迹和轨迹熵,结合聚类分析和相关交互,帮助用户发现有意义的车辆行为,如上下班的通勤车的轨迹熵较低、游街模式的出租车轨迹熵很高。对昆明市2019年2月份的卡口数据集进行了分析,结果表明所提方法能有效发现不同轨迹熵区间内的车辆出行行为及其特点,证明了所提方法的有效性。     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。