基于改进矩阵胶囊神经网络交通标志识别算法

交通标志识别是汽车辅助驾驶系统的重要功能。但汽车行驶过程中采集到的图像存在着运动模糊的问题,对标志识别的准确性产生了较大影响。论文针对该问题提出了一种基于改进胶囊神经网络交通标志识别方法。利用矩阵胶囊神经网络进行高低层级胶囊的混合过程,实现标志特征关联构建与特征混合,并根据分类胶囊的激活值进行交通标志的类别判断。利用孪生神经网络对用于生成初级胶囊特征的编码器进行预训练,使得各类别标志所对应的特征编码具有区分度。通过经孪生神经网络预训练的编码器进行初级胶囊的特征生成。实验结果表明,使用论文提出的改进胶囊神经网络方法能够改进矩阵胶囊神经网络收敛困难的问题。利用矩阵胶囊神经网络特征关联的特点,可提升运动模糊交通标志图像的识别准确率。

地铁屏蔽门控制系统研究与设计

基于地铁屏蔽门控制系统的现有研究,对屏蔽门的防夹检测装置进行优化.结合屏蔽门控制系统的硬件模块构成,分别对门控单元(DCU)、屏蔽门控制系统(PSC)、屏蔽门就地控制盘(PSL)、防夹探测模块、看门狗模块和总线通信的功能进行研究,设计了一种具有多种防夹方式的地铁屏蔽门控制系统.

基于UNet++的煤岩显微图像组分分析

针对解决煤岩显微图像组分分析过程中,利用图像分割方法遇到的精度较低问题。论文提出了一种基于UNet++模型的图像分割方法。该方法首先将已标记的煤岩显微图像与基于Lovász-Softmax的分割损失相结合,实现对UNet++模型进行训练。再利用训练后的模型对煤岩显微图像按照组分类别进行分割标记。最后,对标记区域进行占比计算,完成煤岩显微图像组分的分析过程。实验结果表明,与K-means算法以及使用交叉熵训练的UNet++模型相比,论文所提算法更关注于各组分的纹理信息差异,且受图像中组分占比不均问题影响较小,对煤岩显微图像组分分割更准确。

地铁屏蔽门防夹检测研究与设计

文章针对实际运行过程当中站台客流情况以及乘客可能做出的危险动作,提出了一种以电机电流运行曲线、超声波探测、红外探测综合运用的防夹检测装置。

孪生神经网络交通标志编码识别算法

交通标志识别技术正在被逐步应用到汽车辅助驾驶领域。但是,遮挡、污损、天气环境变化等因素会严重影响交通标志识别的准确性和稳定性。针对该问题,提出了一种基于孪生神经网络的交通标志编码识别模型。该模型将交通标志的识别问题视为交通标志的卷积特征编码识别问题。通过卷积神经网络对交通标志训练样本和基准样本进行特征提取与编码。再利用孪生神经网络进行编码对比,结合对比损失函数对编码器训练调整。通过全连接层对输入通路的标志卷积编码进行重新组合与分类,从而实现交通标识的识别。实验结果表明,所提的基于改进孪生神经网络的编码器模型对存在运动模糊与遮挡的标志图像能生成有效、鲁棒的特征编码,相较于其他先进算法,具有更高的识别准确率。