基于SSD网络模型改进的水稻害虫识别方法

针对目前主流的目标检测算法在虫害监控系统中识别速度慢、准确度低的问题,提出一种基于SSD网络模型的水稻害虫识别方法。该算法用表征能力更强的特征金字塔代替SSD原有的多尺度特征图,同时改进了归一化和激活函数,使得模型对小目标的识别率更高、收敛性更好,从而提高了水稻害虫的识别率与检测速度。实验表明,相比于faster R-CNN算法,基于SSD改进的水稻虫害识别方法的mAP最高提升了6.6%,其识别速度最高提升8倍。

基于车辆构成和特征提取的交通状态预估模型

准确的交通状态预估有利于车辆选择合理交通路线,缓解交通拥堵状态。针对传统方法特征提取不充分、预估准确度依赖于监测器精度等问题,提出了一种基于车辆构成和特征提取的交通状态预估模型。该模型以速度、流量、占用率和大型车辆比重为输入,将交通状态分成畅通、拥挤和拥堵三种状态,结合时间空间维度来预估交通状态。通过卷积神经网络(ConvolutionalNeural Network,CNN)提取交通拥堵特征,得到的特征输入支持向量机(Support Vector Machine,SVM)进行交通状态预估。实验表明,考虑车辆构成比忽略车辆构成准确率提高1. 12%, CNN-SVM模型预估准确度比CNN模型提升2. 25%,是一种有效的交通状态预估模型。

基于CNN-XGBoost混合模型的短时交通流预测

准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)和XGBoost (Extreme Gradient Boosting)各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。