基于手机传感器轨迹的路面地物检测方法

针对传统路面地物信息采集方法存在的数据采集周期长、成本高等问题,提出了一种基于手机传感器轨迹的城市路面地物检测方法.利用手机记录车辆行驶过程中各传感器数据的变化,分析经过姿态校正后的加速度数据,研究加速度变化与路况之间的联系,构建BP神经网络模型,并使用已采集数据对模型进行训练,以识别路面地物.实验结果表明,基于手机传感器轨迹的路面地物检测方法具有快速准确地检测路面地物信息的能力,且地物检测准确率大于85％,能够较为准确地检测路面地物,文中基于手机姿态传感器对手机加速度传感器姿态进行了实时矫正,利用手机垂直于路面的加速度变化检测路面地物,因此所提方法具有手机加速度传感器姿态无关性,此外,所提方法对硬件设备要求低、数据采集效率高,降低了路面地物信息采集的成本,具有广泛的应用前景.     

基于CPLD高速信号存储测试系统的设计

针对减振控制装置中高频振动信号的采集问题.本文设计了一种基于CPLD为核心控制电路的高速数据采集系统.该信号采集过程是由硬件电路控制,并实时将转换数据存储起来,信号转换后进而由计算机处理采集到的数据.实验结果表明,该电路能够准确有效地进行AID数据采集.     

基于NB-IoT和STM32的数据融合智慧消防系统设计

针对现有消防系统维护成本高、安装困难、数据利用率低等问题,设计一种基于窄带物联网(NBIoT)的智慧消防系统。采用STM32L151作为主控芯片,将GY-906型温度传感器、CX-1088型光电烟雾传感器和HK1100C型水压传感器采集的温度、烟雾、水压等信息通过NB-IoT网络上传至云端服务器,将数据利用朴素贝叶斯算法进行数据融合后以可视化的方式呈现。经测试,该系统可以及时反馈消防信息,协助消防部门掌控火灾状况。     

高精度非接触测量转速新方法研究

本文研究一种高精度非接触测量转速的新方法,用激光CCD位移传感器采集数据,用小波多频分析方法对信号的低频信号和高频噪声进行分离,依据奈奎斯特采样定理将分离后的低频信号进行频率提取,得到要测量的转速.实验证明该测量方法有很好的实用价值.     

基于多地磁传感器的车辆位置检测系统设计

系统通过在路面下安装多个地磁传感器检测车辆在路面的实时位置。地磁传感器与微处理器集成为信号处理模块,信号处理模块采集地磁传感器数据并在滤波后发送给数据处理模块。数据处理模块通过车辆经过路面时地磁传感器数据的变化来分析计算得出车辆的位置。通过对实验测得数据进行曲线拟合得出车辆位置与传感器差值之间的关系,进而推导出车辆的位置,其两轴精度达到10 cm。此外,设计的系统还可以测得车辆的速度和前进方向,并有望在智能公路方面应用于自动驾驶。     

基于STM32的故障电弧监测方案设计

针对电力系统发生故障时异常的电弧和温度,设计基于STM32的监测方案。通过各种传感器和外设采集数据,利用STM32平台对测得的数据进行分析,从而降低电气火灾的发生概率,减少经济损失。故障电弧的电流通常伴随着过零点出现“平肩”,即零休现象,存在高频谐波,还会发生火灾,同时周围温度会升高。利用电流传感器以及温度传感器,将测得的信号数据输入STM32芯片;经过A/D转换后计算分析,再实时将数据通过LoRa模块上传至云平台进行预警。     

路面质量评定系统设计与研究

针对路面质量的检测评定,开发了一套基于加速度传感器实现IRI值软测量的路面质量评定系统.该系统的下位机主要包括信号采集模块、信号调理模块、微处理器模块、信号发送模块和供电模块.信号采集模块运用加速度传感器检测行驶车辆的悬架垂直加速度信号,并通过信号调理模块调整模拟信号的电压范围;微处理器模块对已采集到的信号进行模数转换,通过蓝牙无线发送给上位机该评定系统的上位机包括基于C#环境下的采集控制软件和数据处理软件.经过连续运行测试证明,系统运行稳定,性能可靠,可进行实时采集,应用于路面质量的评定.     

多传感器组合的移动车载数据采集系统研究

多传感器数据融合作为一门新兴前沿技术,已广泛应用于许多研究领域。三维信息快速采集是真实建模与三维虚拟现实的关键。提出了一种基于多传感器融合的车载移动式三维数据快速采集系统,集成了激光扫描仪、线/面阵CCD相机及GPS与IMU等多种传感器,以完成城市路面街道和建(构)筑物的三维数据自动采集。重点探讨了定位定姿方案设计及其实现,将GPS和IMU数据通过卡尔曼(Kalm an)滤波进行融合,可推测出整个系统及各传感器的位置和最佳姿态估计,以快速获取城市目标的地理坐标和三维建模信息,重建城市路面街道的三维真实场景。     

面向三维导航的智能终端传感器数据处理技术

针对智能终端传感器在三维场景导航交互中不稳定问题,提出了一种基于可变平滑归一化模型的传感器数据处理算法.根据传感器数据特点和不同滑动平滑模型数据处理的特性,将不同平滑模型进行组合,并实现平滑窗口可变;同时,运用归一化算法,对数据进行等距处理.在基于终端的三维导航交互系统的实验结果表明,所提算法对传感器低频数据处理后,数据标准方差减小了71.3%,明显地减少了数据扰动;对高频数据处理后,数据标准方差减小了7.9%,有效地保留了信号特征.所提方法能够提高智能终端在三维导航交互中的稳定性和连续性.     

基于ZigBee技术的葡萄园无线监测节点的研究与设计

针对解决葡萄园环境参数的无线监测问题,论文提出了一套无线实时监测葡萄园生态环境的方案,设计了一种能够实时采集、传输葡萄园环境参数采集系统.该系统基于无线传感器网络技术,采用CC2530芯片为基础设计,传感器节点上接有空气温湿度传感器、土壤温湿度传感器以及二氧化碳浓度传感器,通过这些传感器采集葡萄园环境参数.传感器节点将采集的环境参数经无线方式传给采集节点,采集节点通过串口将数据传输到PC机的数据库中,实现了葡萄园环境参数的无线实时监测.测试证明,该系统具有功耗低、传输实时数据、可靠性高等优点,能够地满足葡萄园环境参数监测的应用要求.     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络（Bi-LSTM）及全连接神经网络（FC）的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

基于改进U-net模型的路面裂缝智能识别

路面裂缝快速检测及响应是道路养护部门的一项重要工作,然而传统的裂缝检测方法耗时且准确度低。因此,本文基于改进后的U-net模型实现对路面裂缝精准地自动识别。结合Canny边缘检测、Otsu 阈值分割算法和人为干预手段研发一款半自动标注软件,用以实现路面裂缝的像素级标注。研究以路面2D激光图像为数据集,并在此基础上通过数据增强进行数据集样本扩充,从而构建模型训练原始样本库;在实验分析阶段,使用交叉熵损失函数判断预测值与真实值的误差大小,并结合Adam 算法优化模型。研究表明改进后的U-net模型在识别精度及泛化能力上均优于原U-net模型及全连接神经网络模型。该研究将为道路养护管理部门的路面病害快速检测提供技术支撑,从而利于快速响应、采取措施保证路面的行车安全。     

基于卷积神经网络的多尺度葡萄图像识别方法

葡萄品种质量检测需要识别多类别的葡萄，而葡萄图片中存在多种景深变化、多串等多种场景，单一预处理方法存在局限导致葡萄识别的效果不佳。实验的研究对象是大棚中采集的15个类别的自然场景葡萄图像，并建立相应图像数据集Vitis-15。针对葡萄图像中同一类别的差异较大而不同类别的差异较小的问题，提出一种基于卷积神经网络（CNN）的多尺度葡萄图像识别方法。首先，对Vitis-15数据集中的数据通过三种方法进行预处理：旋转图像的数据扩增方法、中心裁剪的多尺度图像方法以及前两种方法的数据融合方法；然后，采用迁移学习方法和卷积神经网络方法来进行分类识别，迁移学习选取ImageNet上预训练的Inception V3网络模型，卷积神经网络采用AlexNet、ResNet、Inception V3这三类模型；最后，提出适合Vitis-15的多尺度图像数据融合的分类模型MS-EAlexNet。实验结果表明，在同样的学习率和同样的测试集上，数据融合方法在MS-EAlexNet上的测试准确率达到了99.92%，相较扩增和多尺度图像方法提升了近1个百分点，并且所提方法在分类小样本数据集上具有较高的效率。     

基于Swin Transformer的沥青路面病害分类检测研究

针对传统卷积神经网络模型在沥青路面病害检测中识别长距离裂缝结构能力不足以及面临的精度局限问题,引入Swin Transformer模型进行沥青路面病害分类研究。首先对于路面检测车采集到的沥青路面扫描图像对比度低的问题,使用直方图均衡技术处理图像,增加图像可视化效果。其次,选取三种经典卷积神经网络模型作为对比模型,并在训练过程中采用更换损失函数,调整预训练模型等手段解决过拟合问题。并选用准确率、查全率、F1- score作为评价指标。在最终实验结果中Swin Transformer识别准确率达到了80.6%,F1-score达到了0.776,不仅在整体分类准确率上超越了传统CNN模型,并且对具有长距离特征结构的病害方面具有更高的识别准确率,同时具有良好的可靠性。     

一种改进的深度学习的道路交通标识识别算法

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-and-excitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。     

基于增强卷积神经网络的路面裂纹检测

为了提高路面裂纹检测的效率以及精度,将增强卷积神经网络引入路面裂纹图像识别中。首先,采用线性灰度变换对原始图像进行预处理,减少噪声对识别的影响。接着经过结构设计,算法训练以及实验样本测试几个步骤后,建立了路面裂纹识别模型。最终通过在Matlab实验显示,建立的识别模型能够有效地对路面裂纹进行识别,识别率可达92.8%。实验结果表明相比于其他算法,本算法具有效率高、结果准确等优势,能够满足工程需求。     

雾计算环境下入侵检测模型研究

当网络在云数据中心发送和处理数据的延迟较大时,大多实时智能应用程序都难以达到预期效果。雾计算允许这些对延迟敏感的应用程序在边缘设备上运行,这些设备被称为雾节点,其在地理位置上更接近应用程序。然而,雾计算中的雾节点通常计算资源有限,容易受到海量高维异常流量攻击,为此,提出一种特征降维的改进准递归神经网络,并基于该网络构建轻量级入侵检测模型FR-IQRNN。将雾节点采集到的高维攻击样本编码为低维向量以减少冗余特征,利用FR-IQRNN的循环连接捕获低维向量的时间依赖关系,同时在时间步长和小批量维度中实现并行计算,在此基础上,引入注意力机制强化模型对关键特征的提取能力,从而实现雾节点的入侵检测。在公开数据集UNSW_NB15上,FR-IQRNN模型能取得99.51%的准确率、99.23%的精确率以及99.79%的召回率,优于RNN-IDS、AESVM等模型,并且仅需127.94 s便达到95%以上的训练精度。在NSL-KDD数据集上,FR-IQRNN模型获得99.39%的准确率和99.27%的召回率,且在鲁棒性方面表现突出。     

基于改进的深度信念网络的入侵检测方法

针对传统入侵检测方法很难快速准确地从海量无标签网络数据中提取特征信息以识别异常入侵,提出了基于改进的深度信念网络的softmax分类（IDBN-SC）入侵检测方法。利用改进的DBN对原始网络数据进行无监督特征学习,引入自适应学习速率减少训练网络模型所需要的时间;采用softmax分类器对获得的降维数据进行网络攻击类型识别。在NSL-KDD数据集上进行测试,相比其他入侵检测方法,实验结果表明IDBN-SC方法不仅识别准确率平均提高3.02%,而且其softmax分类器训练时间平均缩短5.58 s。     

基于径向基函数神经网络的网络流量识别模型

提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据,建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法,针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点,采用了优化的算法计算隐含层节点。仿真实验证明,该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。     

基于NLWT系数增强的随机失活CNN电机运行状态检测

为了快速有效地从热像仪采集的温度数据中识别出电机的运行故障,本文根据随机失活、非线性小波变换系数增强(NLWTCE)和卷积神经网络算法相结合对电机图像进行识别.首先根据热像仪采集的数据建立电机的图像数据集,通过非线性小波变换(NLWT)将数据进行图像增强,然后构建改进的卷积神经网络(ICNN)模型,将提取的特征作为最终的识别特征来进行图像识别,最后根据与正常电机图像作比较,识别出故障的电机图像,实现了有效、准确的识别故障电机图像与正常电机图像.实验结果表明,改进的卷积神经网络模型不仅具有较高的识别准确率,也进一步简化了提取图像特征的复杂过程.该方法的有效性和合理性得到了验证,并适用于工程运用中.