基于VOD-YOLOv5的车辆检测算法研究

针对现有的深度学习车辆目标检测算法检测效率和检测精度不高的问题,提出了基于YOLOv5模型的VOD-YOLOv5(Vehicle Object Detection-YOLOv5)的车辆目标检测算法。采用新型的轻量级卷积神经模块(c3f)提升网络的特征提取能力;引入Coord Conv代替原模型中的普通卷积模块增强对位置信息的感知能力;融入空间和通道融合的注意力机制Shuffle Attention,提升对模糊图像中小目标的检测精度。在UA-DETRAC车辆检测数据集上的实验结果表明,和原YOLOv5模型相比,VOD-YOLOv5模型的平均准确率均值(mean Average Precision,mAP)约提升了3.42%,对不同目标类检测的平均准确率(Average Precision,AP)均有提升,且检测速度满足实时性需求。

基于模糊聚类法的城轨列车系统划分方法研究

针对城轨列车系统划分的问题,首先,利用层次分析法对城轨列车系统进行划分,明确系统各零部件间的定量关系,建立城轨列车系统功能、材料、结构、安全等4个相关矩阵模型并进行一致性验证;其次,分配不同原则的权重系数,得到模糊综合相关矩阵;然后,通过模糊聚类法中的编网聚类法和最大树聚类法直接进行聚类分析,并对分析结果进行对比,得出合理的城轨列车系统划分结果。通过实例验证该方法有效可行,为城轨列车维修优化提供理论依据。