基于深度学习的智能治超场景下货车车型识别

针对智能治超场景下超载车辆自动化检测的需求,在YOLOv5s的基础上从数据、模型和算法3个方面提出了一种改进的货车车型识别算法;在数据层面,使用的数据增强模拟了现实中面对恶劣天气、图像噪声和数据损坏等复杂场景,丰富了训练数据的多样性,提高了模型在复杂场景下的鲁棒性;在模型方面,提出了一种新的注意力机制来综合考虑不同通道的重要性和编码特征的位置信息,提高了模型的识别准确性;在算法层面,针对现有算法的不足,提出了一种更通用的标准来判断货车与轮轴的隶属关系,以适用更复杂的场景;实验结果表明,提出的改进模型对货车和轮轴的识别精度分别达到99.34%和99.22%,对货车车型识别的准确率为98.71%;与经典的YOLOv5s网络相比,货车和轮轴的平均识别精度提高了2.39%,货车车型的识别准确率提高了2.22%;综上,所提出的方法实现了对货车车型自动和准确的识别,可以为智能治超场景下的货车车型识别提供理论支撑。

基于RBF神经网络的智能网联车辆队列控制

为了消除大多数现有智能网联车辆队列控制成果中车辆纵向动力学模型已知的假设,研究具有未知动态的智能网联车辆的队列控制问题,提出了基于径向基函数神经网络的分布式车辆队列控制方案。该方案先利用欧拉法将车辆的纵向动力学模型进行了离散化,后结合反步法和径向基函数神经网络设计了离散分布式车辆队列控制器。相较于现有成果,该方案通过利用径向基函数神经网络逼近车辆的未知非线性动态,取消了车辆动力学特性完全已知的假设。此外,相较连续的队列控制算法,离散的控制算法更适合数字控制器的实现。最后,通过理论分析和仿真模拟的方式验证了所提出算法的有效性。