基于改进YOLOv5s模型的车辆及行人检测方法

针对道路交通环境中车辆及行人目标较小或被遮挡造成的检测精度低以及误检、漏检问题,提出一种基于改进YOLOv5s模型的车辆及行人目标检测方法。针对小目标和遮挡目标,引入SIoU边界框损失函数,增加小目标检测层,增强对小尺度特征的获取;改进特征金字塔结构,增加横向特征图传递,并使用CSP stage替换C3_F特征提取网络,使其获得更多的语义信息和图形信息;改进后处理NMS算法,优化冗余边界框剔除方法,筛选出高质量检测结果。试验结果表明:改进YOLOv5s模型算法的Precision、Recall、mAP@0.5和mAP@0.5:0.95指标均优于Faster-RCNN、YOLOv3-tiny和YOLOv8s算法,与原YOLOv5s模型算法相比Precision下降了0.4%,但Recall、mAP@0.5和mAP@0.5:0.95提高了3.4%、2.1%和6.0%,分别达到了86.1%、92.9%和70.0%,对小目标和遮挡目标的检测效果明显提高,证明此改进方法有效解决了对小目标和遮挡目标检测精度低以及误检、漏检问题。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

基于QPSO改进LSTM发动机怠速预测的FPID控制

以北京现代伊兰特G4GD发动机为试验台,将电控系统故障作为实验变量,测得规定时间内双传感器组合发生故障时的发动机怠速,并选原车ECU较难控制的6种组合怠速故障进行分析。基于量子粒子群算法(QPSO)对长短时记忆神经网络(LSTM)隐含层节点、训练次数与学习率进行寻优预测,将预测结果与多种神经网络进行对比,并通过均方根误差(RMSE)评价指标进行判断。使用Origin数据拟合将预测输出结果进行数值拟合,之后输入Matlab中使用Simulink搭建控制单元模型,由模糊常量-积分-微分(FPID)控制器对输出结果进行怠速控制。结果表明:基于量子粒子群算法改进的长短时记忆神经网络预测效果最好;模糊常量-积分-微分控制器对怠速的控制可有效缩短电子控制单元(ECU)的控制时间,无超调,且可有效调节至规定怠速。

新能源汽车充电设施行业现状与发展趋势分析

汇集环境保护和能源节约功能的新能源汽车在当今时代越发受到重视,逐渐成为汽车产业未来发展的主要方向。基于此,本文首先介绍了我国新能源汽车市场以及充电设施行业现状,然后对目前新能源汽车充电桩存在的问题进行了分析,最后针对今后充电设施行业的发展趋势进行了探索。