浅析人工智能核心技术在交通领域的应用

本文阐述了人工智能核心技术在智能交通系统中的应用,包括计算机视觉在智能驾驶感知中的作用、自然语言处理在人机交互中的应用、机器学习在交通大数据分析与物流优化中的价值。总的来说,人工智能为交通领域注入新活力,持续推进智能交通系统的发展,为构建更安全、高效、绿色的交通系统赋能。

基于计算机视觉的轨道交通站内火灾检测与定位

为及时有效地处理轨道交通站内火灾事件,本文提出基于计算机视觉的站内火灾检测与精细化火灾定位模型(Fire-Detect)。首先,基于Unity仿真模拟和收集互联网图像数据的方式制作站内火灾图像与视频数据集Fire-Rail,用于训练构建的火灾检测算法和精细化火灾定位算法;其次,基于卷积神经网络、残差结构与通道注意力机制构建火灾检测算法,用于检测站内监控视频中每帧分别为“正常状态”或“疑似火灾”状态;最后,在“疑似火灾”状态下,模型启动精细化火灾定位算法,将图像以及后续的每帧图像输入精细化火灾定位算法中,并实时输出火灾发生场景下的精细化火灾定位信息。在Fire-Rail数据集上进行实验,火灾检测算法在测试集的准确率为95.12%;此外,卷积神经网络层级实验平衡了资源消耗和准确率,消融实验验证了各部分的有效性,鲁棒性实验表明,该算法能处理大部分噪声,整体模型的平均火灾定位检测精度mAP为77.3%,可应用于轨道交通站内视频监控设备。

基于阈值和权重Census变换的煤矿井下图像立体匹配算法

双目图像立体匹配是实现煤矿井下无人辅助运输车自主避障和视觉侦察的关键技术,但煤矿井下高粉尘、光照条件不稳定等因素会导致视觉传感器采集到的图像产生椒盐噪声,使得立体匹配的误匹配率很高。为此,提出一种基于阈值和权重相结合Census立体匹配算法,减少椒盐噪声对立体匹配影响。具体改进包括:①先对支持窗口内所有像素的灰度值进行阈值处理,去除支持窗口内灰度值极大和极小的像素点,解决异常值对加权融合的影响;②再将中心点对应的4条斜对角像素进行加权融合代替中心点像素,选择中心像素点4条斜对角线上的像素点,步长取1~3,根据对应的步长分别赋予0.7、0.2、0.1的权重,将这12个像素点中有效的像素点分别乘上对应权重,然后除以有效权重之和,得到经过加权处理后的中心像素点值,解决传统算法对Census变换窗口中心点依赖的问题,从而提高匹配精度。试验结果表明:基于阈值和权重Census代价计算全部区域的误匹配率相比传统Census算法降低了5.64%;相比基于均值Census算法降低了1.71%,且在不同噪声下全部区域的误匹配率相比传统Census算法降低了15.93%;相比基于均值Census算法降低了16.62%;而在非遮挡区域,算法的误匹配率相对于传统Census算法降低17.19%,相对于基于均值Census算法降低18.11%。所提出的基于阈值和权重相结合Census立体匹配算法有效的增强了抗噪声的鲁棒性,降低了误匹配率,提高了匹配精度。

机器视觉在PVC树脂分拣系统中的应用

讨论机器视觉在PVC树脂分拣系统中的应用。通过结合视觉识别系统的清晰拍照、智慧分析计算等功能,对经过的每垛盘货物进行准确识别,实现了整个PVC传输分拣系统的智能化运行。

一种箱垛自动规整装置的研究与应用

利用对角布置的两台相机分别对箱垛的顶面和侧面进行成像,运用点云拟合技术得到箱垛的五面图像,进而计算出箱垛的长宽高尺寸;采用伺服电缸、滑轨及相应组件制作自动规整装置;规整装置以测量得到的尺寸作为控制参数对箱垛进行四面整形。结果表明:箱垛尺寸测量数据误差小,整形装置自动化程度高,箱垛整形效果改善明显。

基于ROS智能医疗运输机器人的设计

新冠病毒肺炎(COVID-19)下医院因隔离措施不当导致被感染的情况屡见不鲜。针对能够迅速缓解医院处理感染病人和治疗病人所需医疗物资供应线的紧迫性,该文设计了基于ROS系统智能医疗运输机器人。该机器人下位机采用编码电机、陀螺仪、超声波阵列获取自身状态,反馈到上位机ROS系统,上位机通过摄像头获取二维码图像,并且机器视觉和多传感器融合确认自身位姿做出路径规划,实现了医疗物资自动运输和返航。实验测试表明,该机器人可以部署在医院实现高效、便捷、可靠、快速的医疗运输。

面向运输安全的高精度违禁品检测方法

为了提高X光下违禁品检测的准确性与效率,解决长时间、高强度的安检工作导致安检人员疲劳、检查准确性降低的问题。研究以行李物品中违禁品检测为对象,提出了一种将人工智能技术与安检仪相结合的高精度X光下违禁品检测方法。该方法利用基于深度学习的计算机视觉技术,自动检测并标注X光图像中的违禁品。高精度X光下违禁品检测方法在设计时采用了多种创新技术,以确保其在实际应用中的高效性和可靠性。具体而言,高精度X光下违禁品检测方法采用α-IoU损失函数,以缓解正负样本表达不均衡的问题。同时结合SimCSPSPPF空间金字塔池化方法和卷积块注意力机制,融合多层次语义信息,生成丰富特征表达,从而显著增强检测性能,使得高精度X光下违禁品检测在复杂的X光图像环境中也能保持较高的检测准确性和稳定性。此外,此方法还利用Merge极大值抑制方式减少误检情况,提升检测精度。从试验结果来看,在配置良好的环境下,此方法在EDS数据集和VOC数据集上均实现了较高的检测精度。同时在EDS数据集上的mAP达到了81.20%,表现出了良好的检测准确性和稳定性,满足实际安检工作的需求,对比近年来其他被广泛使用的目标检测模型,平均提升达到10.81%。研究结果表明,高精度X光下违禁品检测方法可以有效提高违禁品检测的准确率与效率,同时显著增强安检的智能化水平,为保障公共运输安全提供了重要支持。

基于机器视觉的抓斗装车视觉秤系统研究与应用

在天车散料发运业务中,需要控制散料装料的装载量目标误差,保证其误差在10%以内。散料装车量受散料三维图形精准度、干扰数据、计算范围等多重因素影响,达到精准预测难度较大。研究设计一种适用于无人天车发运的视觉秤系统,通过干扰数据滤波、散料抓取点位及散料抓取范围检测等算法,使之在动态装车的过程中能根据散料动态体积变化,精准预测天车每斗抓放散料的质量,满足装运工作的误差要求,避免散料发放因重量超偏带来的重复装卸工作。

基于智能化技术的煤矿胶带运输异物检测工艺研究

针对煤矿胶带运输异物检测的问题,提出一种基于机器视觉和深度学习的智能化异物检测工艺。该工艺通过图像采集、预处理、异物识别、定位与分拣等环节,实现对胶带表面异物的精准检测和自动清理。仿真实验结果表明,该工艺的异物检测精度高达98.7%,证明了该技术方案的可行性和有效性。

基于AI视觉的井工煤矿井下新型辅助运输系统设计

为提高煤矿井下辅助运输的效率,提出基于AI视觉的井工煤矿井下新型辅助运输系统设计,以增强避障效果,达到较高的运输效率。硬件部分,选取无极绳绞车牵引+卡轨车的运输方式,并配置传感器、控制模块、通信与协作模块等进行数据采集、传输和控制;软件部分,预处理所采集传输的图像数据,再利用卷积神经网络实现对图像的特征提取,并通过全连接层对图像数据进行分类,以实现对障碍物的检测。最终将检测结果输出至监控中心,由PLC控制器来控制电控绞车,实现避障,至此,完成井工煤矿井下新型辅助运输系统的设计。结果表明,所设计系统的运输效率较高,具有可靠的应用性。

基于双目视觉的LCD包边机上料运输智能控制方法

针对现有控制方法应用下LCD包边机上料运输时存在控制精度较低,贴附精度、胶带包角长度对应能力等均无法满足实际生产所需的问题,引入双目视觉技术,开展对LCD包边机上料运输智能控制方法的设计研究。为确保LCD包边机上料轨迹平滑、运动稳定,对LCD包边机上料运输轨迹规划;结合双目视觉技术,对LCD包边机上运输物料图像识别;结合识别到的图像,实现视觉伺服上料运输模糊控制。通过对比实验证明,新的控制方法应用下,控制效果可以达到预期要求,贴附精度得到提升,胶带包角长度对应能力、胶带包角宽度对应能力、胶带贴附宽度对应能力、胶带反折宽度对应能力均能够满足包边工艺需求。

基于煤流精准监测带式输送机运速的匹配节能控制

为解决当前带式输送机恒速运行控制所导致的设备能耗较大且效率较低的问题,先对带式输送机煤流量的实时准确监测方法进行研究,确定基于双目视觉系统为基础实现对煤流量的精准监测,基于BP神经网络算法对带式输送机的能效进行优化得出煤流量与最佳运速之间的关键,最后基于PLC控制器设计了带式输送机智能调速控制系统,并对其能效进行了验证,达到了预期的效果。

Analyze the Impact of ITS in Improving the Efficiency of Road Tax and Fee Collection Use of Digital Technologies in the City of Bujumbura

Road transport is currently one of the most important sectors affecting sustainable development and the improvement of the population’s standard of living. In some sub-Saharan African countries, including Burundi, the transport structure is vulnerable, under attack, or even damaged or destroyed. This is prompting decision-makers to look for every possible way to enable dynamic management of the road system, as well as the collection of tax revenues attributable to this sector. To reach this stage, we postulate that the introduction of the Intelligent Transport System (ITS) into the road tax and fee collection process would make a significant contribution (road safety, zero cash on silk Safety Officers, payment of a fine, eradication of road corruption etc.) to the digitization of the various transport sectors. As far as the city of Bujumbura is concerned (our field of intervention), the applicability of the present System could thus meet the expectations of the decision-maker, certain drivers and, by the same token, contribute to the promotion of Digital Technology in Burundi.

基于VisionPro的发动机缸盖搬运机器人

在系统分析的基础上,重点研讨与评估康耐视3D机器视觉图像处理软件在实现机器人智慧工厂领域的应用技术与实现效果。

基于MTCNN算法的单目视觉车距检测方法

单目视觉检测系统结构简单、成本低廉、检测方便快捷、实时性好,但检测精度相对多目视觉系统较低,高度依赖计算方法。目前采用单目视觉的车辆测距方法没有充分考虑多尺度车辆导致的误差问题,使其检测精度受到影响。建立一种基于多任务级联卷积神经网络(MTCNN)的车距检测方法,以车辆号牌作为靶标,利用单目摄像头采集前车图像,采用MTCNN算法检测车牌,获取车牌角点坐标,依据P4P原理计算车辆间距。该方法与车型大小、道路起伏无关,仅与车牌图像识别测算质量相关,可以有效减少其它因素导致的误差。试验表明,提出的车辆测距方法通过MTCNN和P4P算法分析计算前车视频图像,实现了较高精度的车距检测,对27 m范围内的车距检测平均误差为2.77%,其中3~27 m的检测平均误差为2.52%,在较大测距范围内具有较高的稳定性。

基于图像增强与深度学习的安全带目标检测

为通过交通视频自动化检测驾驶员是否佩戴安全带,设计一种基于YOLO v3和Faster R-CNN的安全带单类别目标检测方法。基于YOLO v3网络训练车窗检测模型与车窗-驾驶员检测模型,得到驾驶员的精确位置;利用直方图均衡化、高斯滤波等方法对驾驶员图片进行图像增强操作,提高安全带区域的对比度;基于Faster R-CNN网络设计安全带单类别目标检测模型,将传统的分类问题转变为单类别目标检测问题。实验结果表明,模型检测准确率可达96.0%。相对于其它方法,适应性更强,鲁棒性更高,准确率相应提高。

运输机器人自主行走与上下电梯控制技术

针对室内跨楼层无接触配送服务需求,设计一种搭载六自由度机械臂的室内运输机器人。根据功能需求设计运输机器人的机械结构、控制系统硬件框架以及运动学模型;在此基础上运用即时定位与地图构建(simultaneous localizationandmapping,SLAM)技术实现机器人在室内的自主行走与导航功能;以YOLOv4-tiny卷积神经网络为基础,实现电梯按钮的识别与定位并基于ROS中的MoveIt!来控制机械臂完成电梯按钮的按压功能。实验结果表明:该机器人能够在大楼内实现自主定位导航与行走,可自主搭乘电梯完成跨楼层运输任务的需求。

面向领域自适应的部分最优传输高光谱图像分类

针对高光谱遥感图像分类时有标注的源域训练数据与无标注目标域数据分布不一致的问题,提出基于部分最优传输的无监督领域自适应方法,实现对处于不同数据分布的高光谱遥感地物像素级分类。利用深度卷积神经网络将样本映射到潜在高维空间,根据部分最优传输理论建立样本传输方案,最小化域间分布差异,构建适配模型。采用类感知采样技术和质量分数因子自适应调整策略,促进域间类别对齐,建立全局最优传输。在两组公开高光谱遥感图像数据集上进行实验,从总体分类精度OA(%)、类别平均分类精度AA(%)、分类一致性检验Kappa(×100)等3个评价指标对像素分类结果量化比较。实验结果显示,在两组迁移任务上,相较于仅使用源域数据的基线模型,总体分类准确率分别提升2.21%和2.75%,相较于原始最优传输策略提升1.71%和2.01%,表明模型能够有效提升高光谱遥感影像中像素级地物的分类精度。

基于计算机视觉的轨道交通站内客流识别与预测

轨道交通的短时客流预测通常以车站为最小单位进行研究,只能从宏观上把握车站间的客流规律,不能有效反映站内各场景的拥挤微观客流。为了对车站内部不同场景的微观客流进行分析和预测,及时采取措施保证站内乘客通行安全,提出基于计算机视觉的端到端精细化短时客流识别与预测模型(Detect-Predict)。首先,基于手动拍摄并标注乘客头部的闸机口、楼扶梯口、换乘通道、站台等站内场景的图片数据对YOLOv5算法训练,并通过优化后的通道剪枝对检测模型压缩。其次,使用楼扶梯口场景下固定摄像头拍摄的视频数据,通过YOLOv5以及DeepSORT算法对视频中的目标进行检测并跟踪,实现乘客数量实时统计。最后,将统计的客流数量输入到LSTM算法中进行实时预测,并使用识别的客流数据持续在线训练预测模型,构建端到端的轨道交通站内精细化短时客流识别与预测模型。在拍摄的站内视频数据上进行试验,结果表明采用处理输入视频每秒传输帧数的方法,乘客数量实时统计算法可以满足识别的实时性要求,其精度在测试场景下达到99.4%,整体客流预测模型的RMSE为11.07,MAE为8.02,WMAPE为12.57%。提出的轨道交通站内精细化短时客流识别与预测模型可以实时地对轨道交通车站内部场景的微观客流进行识别并预测,使得轨道交通运营者实时掌握站内各场景未来客流并及时疏导,具有一定的应用前景。

计算机视觉在智能交通系统中的应用与优势分析

近年来,计算机视觉技术已成为人工智能技术的核心领域之一。智能交通系统对道路交通具有明显的促进作用,文章对计算机视觉技术在智能交通系统中的应用与优势展开了分析,其中的典型应用包括智能交通灯、交通客流预测、车辆辅助驾驶、险态驾驶预警及无人驾驶等,该技术在智能交通系统中具有明显优势。