基于物联网轮胎花纹深度智能检测系统设计与实现

随着车辆增加,道路交通事故明显增长,定期检测车轮胎花纹深度是保障道路安全的关键点之一。设计并实现了基于物联网的轮胎花纹深度智能检测系统。采用位移传感器技术、嵌入式技术、GPRS通信技术、云端平台服务器数据处理技术及移动终端APP应用技术实现轮胎花纹深度的数据检测、采集、发送、处理与评估,并通过移动终端提供轮胎养护建议。测试结果表明,该系统数据检测准确,便于携带,集成度高、稳定性高、可靠性强,可在我国道路交通车辆安全系统中广泛推广,树立科技创新、绿色环保的发展理念。

基于深度学习的轨道交通通信系统数据异常智能检测

为了防止黑客利用技术漏洞攻击轨道交通通信系统,导致严重的轨道交通事故。研究了基于深度学习的神经网络算法轨道交通车辆通信系统入侵检测系统(IDS),并利用梯度下降动量(GDM)和自适应增益(GDM/AG)来提高IDS的效率和准确性,并通过使用真实的轨道车辆对所提出模型的准确性和效率进行了验证和评估。实验表明,与GDM算法相比,GDM/AG算法在轨道车辆异常检测中可以实现更快的收敛,并且可以检测到毫秒级的异常数据。同时,提出的模型可以自适应检测未知的攻击,在面对未知攻击类型时,其准确率及精度均达到98%以上。

基于人工智能技术的分布式入侵检测系统设计

针对传统集中式入侵检测系统存在的检测精度低,误报率高等问题,本研究提出了一种基于人工智能技术的分布式入侵检测系统设计方案。该系统采用分布式架构,结合深度学习、机器学习等人工智能技术,可实现对网络流量的高效、准确检测。通过详细的系统架构设计和数据处理流程描述,本文展示了系统的实现细节。经测试证明,本系统的设计不仅能够自适应地学习和识别网络中的异常行为,提高检测效率,还具有更高的检测精度和更强的鲁棒性,实现了对大规模网络的实时监控和快速响应。同时,通过协同工作和信息共享,分布式入侵检测系统能够更全面地检测网络中的潜在威胁,提高整个网络的安全防护能力。

电力系统中的智能故障检测与定位算法研究与应用

本文研究了电力系统中智能故障检测与定位算法的理论与应用。通过综合分析现有的电力系统故障检测与定位技术,提出了一种基于人工智能和数据挖掘技术的智能故障检测与定位算法。该算法结合了深度学习、模式识别和大数据分析等先进技术,实现了对电力系统中各类故障的精准检测和定位。通过实际应用验证,该算法在提高电力系统运行安全性和稳定性方面取得了显著效果,为电力系统的智能化发展提供了有效支持。

深度学习的智能课堂管理系统

为了提高教师的教学管理水平和教学质量,构建一个智能课堂管理系统是非常必要的。本文设计了一个基于深度学习技术的智能课堂管理系统,采用了SSM和Vue等Web框架,同时利用卷积神经网络CNN对课堂学生表情进行检测,实现了对学生课堂上的表情分析。实验结果显示,本系统可以有效识别并确认学生课堂上的表情,帮助教师更好地管理课堂。

路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发,首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上,探讨了国内外典型路面缺陷检测系统的现状,包含重型道路状况智能检测系统、轻量化路面质量检测系统,并对检测系统的性能及部分参数进行了描述。然后,详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程,重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展,主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后,从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。

基于深度学习的异常行为监测系统与算法设计

为了监控场所中人物的异常行为并能自动发出报警信息,设计基于深度学习的嵌入式实时异常行为监测系统。系统通过摄像头采集图像信息后,在嵌入式设备用姿态检测网络检测人体的关键点坐标,并用深度森林算法对关键点坐标进行异常行为分类。当监测出异常行为后,将信息发送到服务器端,再由服务器端通知用户端。相对于人工监控以及使用服务器端计算神经网络的智能监控系统,该系统的成本更低,对网络的传输速度和稳定性需求更小。实验结果表明,该系统可以有效实时检测暴力、倒地等异常行为,并自动发送报警信息。

集装箱码头大型装卸设备自检测系统应用及发展

自检测系统是保障集装箱码头大型装卸设备安全运行的重要工具,通过远程监控设备关键部位运行状态,能够及时发现设备运行异常情况并主动预警,为设备维保决策提供智能化支持。分析宁波梅东集装箱码头有限公司大型装卸设备自检测系统应用优势及存在的问题,结合国内外类似的态势监测系统发展动态,提出未来集装箱码头大型装卸设备自检测系统发展趋势,即:结合深度学习技术,使自检测系统在设备智能诊断、趋势预警等领域发挥更大作用。

基于深度学习的智能交通系统通信网络脆弱性检测

智能交通系统是集群智能技术的典型应用之一.为解决现有智能交通通信网络脆弱性检测方法复杂度高、实时性差的问题,提出引入深度学习技术对网络脆弱性检测方法进行设计.先利用多智能体网络协同和消息传输机制与智能交通系统车辆间协作通信网络的共通性,将智能交通系统通信图脆弱性检测问题建模为对多智能体网络r-鲁棒值的求解问题.再针对随网络节点数目增多r-鲁棒值求解成NP难问题,设计给出一种融入残差网络的深度学习算法,将鲁棒值求解问题转化为深度学习图分类问题.所提算法可有效应对动态多变的智能交通通信网络并对其实现快速精准的脆弱性检测.最后通过一组典型交通场景的仿真实验验证本文所提方法的有效性.

基于深度学习的公路路面病害智能化检测系统

公路交通对国家政治、经济发展有着重大的作用。随着公路的快速发展,公路安全问题也应得到更多关注和维护。传统的公路路面病害人工检测法效率低下且准确率低,因此,提出了基于深度学习的公路路面病害智能化检测系统。首先,在异常检测阶段,构建卷积编码器从大量公路路面图像中提取出病害图。其次,在异常提取阶段,利用阈值分割法提取公路路面病害特征。最后,在公路路面病害分类阶段,利用ResNet结构训练模型来确定公路路面病害所属的分类。结果表明,该方法一次模型训练约3 min,且分类准确率在90%以上。

基于计算机视觉的电饭煲内胆缺陷检测系统设计

针对目前电饭煲生产企业的高度自动生产线,电饭煲内胆在生产过程中偶尔会存在一些瑕疵,人工检测无法理想地检出问题,文中提出一种基于计算机视觉的检测系统,结合人工智能技术,构建先进电饭煲内胆缺陷检测系统,代替人工检测。该缺陷检测系统包含工业快速照相机、光源、镜头、支架和视觉检测软件,将采集电饭煲内胆有缺陷数字图像,通过图像标注、神经网络进行深度学习训练,获取最佳检测模型,对实时生产线上的电饭煲内胆进行检测,并通过算法不断优化、迭代,找到最优方案。最后应用到具体企业生产线上,使用真实电饭煲内胆数据集对系统进行测试,测试结果表明:智能缺陷检测系统能有效代替人工检测电饭煲内胆有碰伤、刮花、麻点、堆油等缺陷,检测速度、检测准确率明显提高,且满足生产线对于实时性的要求。

基于深度学习的火电厂施工作业安全智能检测系统

针对火电厂生产过程中的安全性要求,开创性地提出一种火电厂施工人员安全帽、防脱钩及防坠钩等防护设备的目标检测系统。系统检测流程分为三个阶段:第一阶段,通过在YOLOv3算法中引入CBAM注意力模块对现场人员以及防护设备目标进行检测,有效提升了模型对小目标的检测效果;第二阶段,对检测到的目标图像使用基于ResNet-50v2的多输出多分类网络,以不同分支对人员的安全帽佩戴以及防护设备使用情况进行分类;第三阶段,将前两阶段结果基于设置的规则流程给予告警。该系统在可门发电厂进行了部署并取得了业界领先的性能。

智能视频监控系统异常行为检测算法研究综述

随着公共安全需求的快速增长,监控摄像头数量不断增多,视频监控数据呈爆炸式增长;传统的视频监控系统难以对如此海量的数据进行理解分析,因此智能视频监控系统应运而生;作为一个跨学科的研究领域,智能视频监控系统异常行为检测技术迎来重大机遇的同时也面临不少挑战;为了更好地研究智能视频监控系统异常行为检测算法,梳理了相关研究并从原理上对不同算法进行分类,对基于能量、基于聚类、基于重构、基于推断以及基于深度学习几个不同依据的算法进行对比分析,归纳了各类算法的分支研究方向,接着简要介绍了异常行为检测常用的公开数据集,最后讨论了目前异常行为检测算法所面临的挑战并针对性地提出了未来智能视频监控系统异常行为检测算法的可行研究方向。

基于Hi3559A的变电站人员闯入智能检测系统

为防止非法人员进入变电站,恶意盗窃、破坏行为影响变电站正常运行,提出人员闯入智能检测系统。该系统以Hi3559A为计算单元,接入前端相机可见光数据,运行深度学习检测算法完成对监控区域的人员检测。针对精度优先的神经网络模型难以在资源受限的嵌入式平台上实现的问题,提出一种基于RetinaNet改进的轻量目标检测模型。该模型从网络骨架、特征融合方法和检测头3个部分进行优化,在减少网络冗余的同时,增加了检测模型的精度。此外,采用量化技术压缩模型,优化网络后处理步骤,使网络充分利用Hi3559A硬件资源,进一步减少前向推理耗时。实验结果表明,该系统的检测精度提升2.7%,达到87.0%,运行速率提升8.2倍,达到45.9帧/s,单帧运行时间21.8ms,满足设计要求。

基于深度学习的井工矿车道线检测算法

针对在井工矿辅助运输装备作业复杂环境下,传统车道线检测算法精度低、鲁棒性差等问题,文章提出一种基于深度学习的井工矿车道线检测算法,采用UFLD行索引车道线检测算法,并根据井下实际道路场景,自定义标注车道线规则,建立一种涵盖非结构道路下的车道线数据集,从而实现对井下非结构性道路的车道线检测任务。相较于传统车道线检测算法,该算法充分利用了深度学习中先验知识的有效信息,实现了对不同道路场景下的车道线检测任务的兼容性。通过分析基于自建数据集模型训练及检测指标的评估结果表明,该算法提高了对井下车辆车道线检测任务的能力,为井下辅助运输车辆智能驾驶系统的高阶功能应用奠定了基础,且在提高检测精度的同时,保证了其在检测非结构车道场景车道线任务中的鲁棒性,并通过TensorRT架构进行模型推理加速及部署,验证了其在井工矿场景的有效性和工程化部署的可行性。

一种智能视频监控系统中的行人检测方法

在智能视频监控系统的行人检测中,目前使用的目标检测算法R-CNN和YOLO系列算法或速度较慢,无法满足实时性要求;或需要较大的GPU显存空间,难以部署。YOLOv3-tiny算法作为YOLO系列的精简版本,对设备要求较低、速度快,但该算法精度较低。本文通过调整YOLOv3-tiny算法的grid cell横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的YOLO-Y算法,并通过数据增强方法对训练数据集进行扩充。改进的YOLO-Y算法将mAP从90%提升到92%,Recall从95%提升到97%,检测速度达到26帧/s,占用约1 GB显存空间。实验结果表明改进的YOLO-Y算法显著提高了算法检测精度,具有实时性,且不需要太大的显存空间,满足大部分智能视频监控系统的要求。

基于人工智能的高速公路病害自动检测系统

利用车载摄像头获取公路高清图像,基于人工智能检测技术进行道路标准病害的自动检测及分类,并通过云端管理系统进行病害管理、统计及规划,能够有效提升高速公路病害检测及管理的效率及准确度。

基于深度神经网络的连续帧车道线检测方法

水库大坝因坝龄增长和环境影响,常出现变形、裂缝、渗漏等现象,及早识别坝体缺陷能有效保障工程安全质量。尽管智能巡检系统已广泛应用于大坝安全监测,但相较于其他行业,检测能力仍显不足。近年来,自动驾驶领域利用人工智能开发出许多先进的算法,极大提升了车道线检测的准确度,有效排除了道路安全隐患,值得水利工程安全领域借鉴。

一种基于机器视觉的轨道快速智能巡检系统设计

随着我国高速铁路的运营和发展,列车运行对轨道提出了更高的安全和技术性能要求。在铁路钢轨短波波磨和车轮高阶多边形磨耗等高频激励作用下,钢轨表面更容易产生各种接触疲劳缺陷。然而迄今为止,国内铁路部门尚采用人工肉眼观察、重点路段检查、经验检测的方式进行轨道伤损的日常巡检,这种检测方式效率低、检测精度不满足要求、安全隐患大。为提高可视性轨道结构病害检测的精度和效率,文章基于机器视觉技术,结合图像深度学习智能识别方法,研制了一种轨道快速智能巡检系统。在15 km/h速度下可对钢轨表面缺陷、轨道板缺陷、扣件异常、异物侵限等进行智能识别。经验证测试以及现场试用,该系统的各项可视性结构病害检出率均超过90%,误报率小于10%。该巡检系统可运用于高速铁路和城市轨道交通轨道的日常巡检,对减小人工巡检漏检率,实现工务部门检测技术“智能化”,提高病害检测精度和效率,保障列车行车安全具有重要的意义。

基于YOLOv5s-SPD的茶芽识别方法及识别系统光源设计与试验

实现茶芽的自动识别与定位是优质茶叶智能采摘设备研发的基础。针对茶芽细小,且采摘环境受光照影响较大等问题,本研究提出了一种基于深度学习网络模型的茶芽识别方法,开展识别系统的光源设计,能够为实现全天候和高效率的智能茶芽采摘设备提供技术支撑。首先,搭建铝合金框架的密闭遮光黑暗环境;然后,通过调节横杆高度和光源亮度创造出3种高度和3种光照强度组合;最后,采集不同组合情况下的茶芽图像数据集,利用改进YOLOv5模型对一芽一叶和一芽两叶开展识别测试。试验结果表明,YOLOv5s的总体准确率为77.13%,总体平均精度均值为86.14%,对于改进后的识别模型YOLOv5s-SPD的总体准确率为80.30%,总体平均精度均值为87.3%,单张图片的平均检测时间为5.7 ms,满足实时检测的要求,比原YOLOv5s总体准确率提升3.17%,总体平均精度均值提升1.16%,有效地提升了茶芽的识别性能。在高度90 cm和亮度L7(0.164~0.328μmol/m^(2))的条件下,一芽一叶和一芽两叶的检测准确率、召回率和AP平均值分别为86.70%、92.45%和95.00%。该方法可以有效快速地检测茶芽,光源设计方案为全天候优质茶叶智能采摘设备的研发提供了支持。