复杂场景图像中路灯对象的人工智能检测

随着人工智能的兴起,人工智能技术已经被广泛的使用。在智慧交通系统中,对路灯对象的检测需要依靠人工智能技术。然而,现有技术在复杂场景图像中检测路灯对象普遍存在检测精度较低的问题。为此,本文提出一种复杂场景图像中路灯对象的人工智能检测算法。该算法首先引入坐标注意力机制,将位置信息编码到通道注意力中,从而获得复杂场景图像中大范围的位置信息;其次,通过双向融合方式将不同尺度的特征图进行融合,形成多尺度特征图,从而增强对复杂场景图像中不同大小和尺度路灯对象的检测能力;最后,通过预设锚框,在不同尺度的特征图上进行路灯对象检测。实验结果表明,本文提出的算法在自建数据集中的精确率为91.44%,较YOLOV5算法增加了2.52%。该算法在检测精确度方面取得了进步,为智慧交通系统提供了有力的支持。

基于人工智能的路灯故障检测与维修优化策略研究

路灯的维护和故障检测一直是城市照明中的一大难题。为了解决这一问题,文章基于人工智能,提出了一种新的路灯故障检测与维修优化策略。首先,利用深度学习算法构建了路灯故障预测模型,通过对大量的路灯运行数据进行训练,可以实时监测路灯状态,预测可能发生的故障;其次,将路灯的维修任务转化为路线规划问题,并利用遗传算法优化维修任务。研究结果表明,相较于传统方法,该策略不仅可以有效提高路灯的故障检测准确率,降低路灯故障发生率,而且可以显著减少维修人员的行走路径和缩短维修时间,提高路灯维修的效率。

基于改进VMD与特征选择的路灯故障检测方法

路灯正常运行对于城市照明具有重要意义。当前路灯故障检测局限于初步的故障现象,无法辨识具体的故障类别。为实现路灯具体故障类别的检测,本文以路灯监控和数据采集系统的路灯运行数据为对象,提出了一种基于改进VMD与特征选择的路灯故障检测模型。首先,利用主成分分析法筛选路灯运行数据的主要变量参数,并用变分模态分解对筛选参数进行分解。同时,引入鲸鱼优化算法改进变分模态分解的自适应性。在特征选择方面,通过Pearson系数选择相关IMF分量结合样本熵构建故障特征向量。最后,结合广西崇左市2019~2022年路灯故障数据,建立基于XGBoost的故障诊断模型,从而辨别路灯的正常、电源故障、线路故障、保险故障4种状态。实验结果表明,该方法能有效实现路灯具体故障类别的诊断,故障辨识率为93.75%,为路灯故障检测研究提供了新途径。

论车载路灯照度检测技术的可行性

基于我国路灯检测耗时、耗人力、高危险、高成本的现状，采用车载路灯照度检测系统可以便捷有效地确定不同路段的照明状况，对哪些路段需要维护、哪些路灯需要更换做出判定，以保证行人、车辆的安全，避免不必要的浪费。

基于TracePro和DIALux的LED路灯综合照明系统仿真

将LED路灯的光谱测试曲线和光强分布曲线导入TracePro进行光谱拟合和配光拟合,拟合数据以IES文件保存,进而导入DIALux进行道路实景模拟,最终获得符合《城市道路照明设计标准(CJJ 45-2006)》要求的路灯间距、灯杆高度等参数的设计推荐值、照度和亮度的计算结果及道路3D效果图。相比专业机构的测试图,这样的数据结果更吸引客户选购该款LED路灯,具有很好的商业价值。

基于“双碳”背景下城市道路绿色照明评估——以M市H区典型路段为例

城市道路承担着城市千家万户的生活与理想,道路照明工程更是人民的守护者,在“双碳”目标的召唤下,城市道路照明既要追求亮度,更要追求绿色与节能。项目团队以H区三种典型快速路路段照明工程为例,深入探讨了在项目移交技术资料不完善时,介入第三方检测机构照明科学检测与实验室测试技术作为评价方法,来校核项目移交指标的准确性问题。值得一提的是,项目组提出了一种创新的评价技术思路,巧妙地将灯具性能与现场应用参数作为关键因子,将现场检测与实验室检测、灯具模拟计算数据三位一体校对。针对三种道路横断面进行实证,有效解决绿色节能照明中节能量不准确、数据缺乏公信力的问题。保证了项目在移交过程中的公正性、权威性和科学性。通过第三方检测工作的介入使得“双碳”节能工作更加真实、可靠地推行,让政府的政策方针深得民众的信服。力求通过本项目的技术路径为其他类似项目提供一种高效、准确、合理可行之方法。

球面全景影像自动测量路灯坐标的方法

目的针对城市实施的路灯杆编码项目,即获取路灯坐标并依次编号,传统的测量方法耗费大量人力物力,且作业周期长,虽然激光测量精度高,但成本也高。为此本文提出一种将基于深度学习的目标检测与全景量测结合自动获取路灯坐标的方法。方法通过Faster R-CNN(faster region convolutional neural network)训练检测模型,对全景图像中的路灯底座进行检测,同时输出检测框坐标,并与HOG(histogram of oriented gradient)特征结合SVM(support vector machine)的检测结果进行效果对比。再将检测框的对角线交点作为路灯脚点,采用核线匹配的方式找到两幅图像中一个或多个路灯相对应的同名像点并进行前方交会得到路灯的实际空间坐标,为路灯编码做好前期工作。结果采用上述两种方法分别对100幅全景影像的路灯进行检测,结果显示Faster R-CNN具有明显优势,采用Faster R-CNN与全景量测结合自动获取路灯坐标。由于路灯底部到两成像中心的距离大小及3点构成的交会角大小对坐标量测精度具有较大影响,本文分别对距离约为7 m、11 m、18 m的点在交会角为0°180°的范围进行量测结果对比。经验证,交会角在30°150°时,距离越近,对量测精度的影响越小。基于上述规律,在自动量测的120个路灯坐标中筛选出交会角大于30°且小于150°,距离小于20 m的102个点进行精度验证,其空间坐标量测结果的误差最大不超过0.6 m,中误差小于0.3 m,满足路灯编码项目中路灯坐标精度在1 m以内的要求。结论本文提出了一种自动获取路灯坐标的方法,将基于深度学习的目标检测应用于全景量测中,避免手动选取全景图像的同名像点进行双像量测,节省大量人力物力,具有一定的实践意义。本文方法适用于城市车流量较少的路段或时段,以免车辆遮挡造成过多干扰,对于路灯遮挡严重的街道全景,本文方法存在一定的局限性。