污染企业生产过程实时动态监管系统的设计与实现

阐述污染源末端在线监控系统运行过程中存在的问题,并提出将环保监管能力延伸至企业生产过程的相关措施。通过采集企业用水量、废水排放量、生产设备工况和治污设备工况等数据,建立数学模型进行分析,可视化展示企业生产工艺、采集数据以及预警数据,智能判别企业违法行为并发出预警信息,从而精准查处问题企业,提高环保监管部门实时监管能力,实现环保监管前移。

基于视觉识别的行人及非机动车交通违法现场查缉与执法系统设计

在各类交通事故类型中,涉及行人、非机动车的事故数占比高达60%以上。由于交通监控技术的大规模应用,对机动车交通违法可以通过现场或非现场处罚,但是针对行人及非机动车的交通违法行为的执法依然存在较大的困难,其主要原因在于受各种客观条件和技术所限,人脸识别及非机动车车牌识别率不高,导致行人及非机动车交通违法者的身份难以确定,大量的行人及非机动车违章行为未被有效记录,违法行为证据难以固定,事后难以进行非现场处罚,无法对交通违法者进行处罚和有效的威慑,造成了此类交通事故频繁发生,构成了极大交通安全隐患。如何利用AI技术,加大对行人及非机动车交通违法行为的自动识别、现场查缉处罚,对有效降低行人及非机动车的交通违法率,对于城市交通治理,提高交通安全有着极高的现实意义。

农村生活垃圾收运员量化考核指标

收运员处于收运环节,是当前农村生活垃圾分类管理工作的最基层管理单元。本文利用数理统计学的方法,根据收运员每日上传的垃圾采收数据,建立了一套针对基层垃圾收运员的量化考核指标,以便全面、科学地评价收运环节的工作质量和效率。

基于SqueezeNet和YOLOv2的交通违法证据评价

针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法。构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络。通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域。在保证特征识别提取能力不变的条件下,采用迁移学习的方式重新训练SqueezeNet,对驾驶员中心区域图像进行好坏二分类,将成像清晰的交通违法图像提交给人工审核。实验结果表明此方法将违法车辆检测准确率提升到99.3%,驾驶员所在关键区域检测准确率提升到96.3%,图像质量评价准确率提升到92.6%,大幅降低了人工审核工作量。

基于视频虚拟检测线特征的交通流参数检测

本文提出一种基于视频虚拟检测线特征的交通流参数检测方法,在每个车道构建2条虚拟检测线,通过视频采集、目标分割、边缘检测、形态除燥、信号生成、参数提取、以及背景选取与更新等一系列操作步骤,将经预处理的二维视频检测线信号转变为一维检测信号,降低了运算负荷,提高了运算结果精确性。同时重点针对车辆检测信号形成方法进行研究,以满足单位时间通过车辆数量、通过车辆行驶速度、以及车道时间占有率等相关交通流参数的可靠检测,相关分析需要引起业内人士的关注与重视。