排序方式: 共有13条查询结果,搜索用时 109 毫秒
2.
车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明:在TuSimple数据集上,该方法检测车道线的准确率为97.6%;在CULane数据集上,该方法在标准路面的检测准确率达到92.5%,多种路面综合检测准确率为75.2%.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性. 相似文献
3.
地质因素对稠油出砂冷采的影响 总被引:4,自引:0,他引:4
在稠油出砂冷采机理和矿场实际资料深入研究的基础上,剖析关键性地质因素对出砂冷采的影响。阐述了稠油出砂冷采技术的主要适用条件,明确相应的开发技术策略。随着大量砂子的产出和泡沫油的形成,单井产量一般可达3~50t/d,是常规降压开采的数十倍至数百倍,采收率一般可达8%~15%.稠油出砂冷采技术最适用的油藏条件是:油层为疏松砂岩,砾石含量低;脱气原油粘度500~100000mPa·s;地层原油含气量10m3/t左右;油层压力大于2MPa;油层埋深200~1000m.边水和气顶的存在以及盖层厚度和夹层分布对稠油出砂冷采效果影响很大,在部署油井、确定射孔井段和排量时也应予以考虑。稠油出砂冷采技术对地层原油中含有溶解气的疏松砂岩稠油油藏具有广泛的适应性。 相似文献
4.
5.
6.
Internet上的黑客追踪 总被引:4,自引:0,他引:4
本文将探讨如何在Internet上追踪以登录链隐藏身份的黑客。首先,我们将介绍过去这方面的相关工作。过去的方法其追踪范围往往只限于单个控制域内。然后,我们将探讨基于指纹技术的追踪方法。所谓指纹是指连接内容的简短摘要。可以通过比较指纹来判断两个连接是否属于同一个连接链。我们将讨论指纹必须具备的条件、应用前景以及实际中造成错误的因素。 相似文献
7.
伴随当前社会经济快速发展,科技技术也发展迅猛,互联网时代逐步到来,各行各业都得到了快速的进步和发展。工程材料检测行业也进入了信息化时代,各类检测机构管理软件和试验数据采集、分析软件相继亮相,检测仪器设备也跟着更新换代,都由原本的人工操作转入计算机自动化的操控,本文重点分析研究计算机技术在检测工程材料过程中的应用,以供参考。 相似文献
8.
表面强化后梯度结构与残余应力对疲劳寿命的影响 总被引:1,自引:0,他引:1
表面强化技术使零件表层结构呈梯度分布并产生较高的残余压应力,可有效提高零件的使用寿命。近年来,表层梯度结构与残余应力对零件疲劳寿命的影响机理成为研究热点。综述了梯度结构与残余应力及其松弛对材料疲劳性能影响的新进展。材料经表面强化后,其表层晶粒明显细化,尺寸沿深度方向呈梯度分布,促使裂纹源转移至硬化层内部。残余应力与外力叠加,降低了零件的实际受力,从而影响零件的疲劳寿命,然而目前尚不能从机理层面对其进行揭示。对于残余应力松弛,目前的主要问题在于松弛模型的建立尚未完善。此外,在裂纹萌生阶段,梯度结构与残余应力均对零件疲劳强度有重要的影响,二者中哪个因素在疲劳过程中起到主导作用还未可知。 相似文献
9.
分心驾驶是交通事故发生的主要原因之一. 针对目前分心驾驶检测手段单一、检测种类少、检测效率低的问题,提出一种基于轻量化网络与嵌入式的分心行为协同检测系统. 首先,结合Ghost模块和通道注意力机制提出一种轻量化目标检测网络YOLO-Ghost,采用CSPGBottleck构建GhostDarknet作为主干网络,同时构建一种具有多尺度注意力机制的多特征融合模块SE-FPN来进行特征融合,根据固有检测场景进行检测头优化,以CIOU(complete-IOU)作为损失函数. 采用YOLO-Ghost识别和定位局部特征,提出APJ(anchor position judge)对手动分心行为进行判定; 协同检测方面,利用MobileNetv3与YOLO-Ghost协同进行人脸关键点回归和视线估计; 最后利用检测出的多模态信息对驾驶员当前行驶状态进行联合判定. 实验结果表明,YOLO-Ghost的准确率和检测速度优于其他主流方法. 将算法部署到嵌入式设备中,在NVIDIA Jetson TX1上实现了20FPS的实时检测性能,准确性和实时性均达到检测要求. 相似文献
10.
车道线检测在自动驾驶中有着重要的作用。在对道路图像进行检测时,一般的编解码网络在进行图像分割的精度不高。构建一种LaneAr编解码体系结构的车道线检测算法,在编码器部分采用深层的残差结构与不同尺度的空洞卷积结合扩大感知域,同时利用批归一化BN(Batch Normalization)捕获到图像中的车道线语义信息,在获取到编码特征图时利用提出通道注意力机制增强语义特征提取效果,最后再通过多次上采样进行解码恢复到与输入图像相同的像素。实验表明,LaneAr模型在tusimple数据集进行车道线检测的实验其准确率能达到97.82%,同时对复杂场景下的道路环境的车道线检测效果也比较显著。该方法在进行车道线检测时的精度上优于现阶段的其他编解码方法。 相似文献