摘要：针对目前铁路道岔人工检测方法效率低、精度差的问题,提出一种基于深度学习的快速识别道岔场景及检测道岔间距的方法。采用线阵工业相机扫描获取铁路点云信息,设计残差连接的铁路道岔场景识别网络,采用树结构Parzen估计算法搜索最优超参数,采用Focal Loss损失函数解决样本数量不均衡问题,实现铁路道岔场景的准确快速识别。利用识别出的铁路道岔场景图像,开发了一种道岔基本轨与尖轨的边缘提取算法,准确测量道岔基本轨与尖轨的内侧间距。实验结果证明,该方法的识别准确率达到97.5%,识别时间在0.02 s内,道岔间距计算误差小于0.2 mm,相比人工检测方法,检测效率与检测精度均大幅提升,满足道岔检测的要求。

摘要：新芝加哥学派的场景理论近年在规划学界和业界产生了较大影响。“场景营城”成为城市更新和活力再造的新思路,为实现城市高质量发展,提供了切合居民日常生活和需求习惯的消费空间设计方法。文章以长沙为案例,探索并实验一种基于无监督聚类方法的城市消费场景识别技术。研究利用窗口滑动方法构建场景识别单元,然后用无监督聚类方法对消费场景进行分类,最后,基于结果探究各类场景的分布规律和机制。研究发现,长沙的消费场景总体可以分为7类,不同场景类别存在一定空间分布规律,并且互相之间存在影响。本研究将机器学习无监督聚类方法应用于场景识别的实证分析,探索了一套智能化方法,帮助规划师、管理者等有针对性地精细化识别、布局相关舒适物设施,为场景营城相关实践提供技术工具。

摘要：为解决自主移动农业机器人在复杂工作环境进行视觉导航的场景识别,根据what-where双通道理论建立了场景感知模型以及场景表示模型,提出了一种基于概率框架的场景仿生识别方法。基于对比度假设和中心假设计算显著图并建立能量函数对该显著图进行优化;利用专家网络分析视觉注意焦点的内容作为what信息,以视觉注意焦点转移形成的扫视序列作为where信息;根据动作识别规则,利用what信息和where信息建立可观测的马尔可夫链模型实现场景识别。移动机器人场景识别过程与人的识别过程相似,实验证明所提方法对室内场景识别性能良好,准确率平均达87.3%。

摘要：隐马尔科夫模型[1]作为一种统计分析模型,能够通过观测向量序列计算其隐含状态的概率分布密度。提出一种智能空间中基于HMM的场景识别方法,该方法指定系统相关情境信息,确定隐含场景集和观察情境集,采用部分相关情境信息而非全部情境信息作为场景特征参与场景识别,利用HMM对隐含场景间的关系进行建模,设计了基于HMM的场景识别算法。实验结果表明,采用基于HMM的场景识别方法能够获得较高的识别效率。

摘要：设计基于人工智能视觉的特定场景识别系统,其由人工智能视觉识别模块、光感模块和定位调制模块组成。人工智能视觉识别模块利用360人工智能视觉摄像机和加速度计,进行特定场景图像的再成像和加速测量,将其中的非特定物体删除,构建特征场景图像。光感模块利用光传感器对特征场景图像中的光照强度进行感应,获取场景的大致位置信息。定位调制模块基于全球定位系统进行位置信息的调制工作,调制工作是根据形态学滤波各项目标函数以及区域分割代码进行的,调制后的最终定位信息将直接传送给用户使用。经实验验证可知,所设计的系统具有较高的识别效率和识别精度。

摘要：随着智能交通的发展,快速、精确识别交通场景成为亟待解决的重要问题。目前已有许多识别方法可以提高交通场景的识别效果,但这些算法无法提取视觉概念的交通语义特征,导致识别精度低下。为此,设计了一种提取高维场景语义特征和结构信息的识别算法,以提高识别精度。为减少图像高维与低维特征表示之间的"语义鸿沟",首先构建了一个场景类的语义描述系统,然后通过最小化损失(element-wise logistic loss)函数训练多标签分类网络,获取交通场景图像的高维特征表示,最后在4个大规模场景识别数据集上进行验证,实验结果显示,新算法在识别性能上优于其他的方法。

摘要：为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成,通过编码网络提取图像特征后由解码网络识别出图像目标信息。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中也表现出了优良的场景识别性能。

摘要：现有的基于卷积神经网络的场景识别算法无法处理目标场景图形是多光谱图像的情况,在数据量较小的情况下,该算法的识别率不高。针对以上问题,提出一种基于多路卷积神经网络的多光谱场景识别方法。多路卷积神经网络接受三通道可见光彩色图像(RGB图像)以及单通道的近红外图像(NIR图像)共四通道输入。所提方法能够有效提取可见光图像特征、红外光图像特征以及可见光和红外光图像之间的关联特征,并将特征在全连接层进行融合,合理利用了各个光谱图像之间的相关信息,并通过结合预训练的方法来提高识别精度。在NIR_RGB数据集上的实验表明,与AlexNet、InceptionNet、ResNet以及人工设计特征描述子方法相比,该网络的平均识别率较高。并且,对此网络稍加改动,就能将其推广到其他多光谱图像分类任务中。

摘要：目前大部分面向增强现实的场景识别算法一般采用构建线性高斯金字塔解决尺度不变性问题,此方法容易造成边界模糊和细节丢失,降低识别精度。针对这些问题,提出一种基于非线性尺度空间的场景识别算法,通过构建非线性尺度空间,自适应选取尺度空间组数,保证边缘细节。实验结果表明,相对于SIFT、SURF算法,该算法在视点、缩放旋转和JPEG压缩变换下有更强的鲁棒性,在保证识别精度的情况下,训练速度和识别速度明显提高。

摘要：为了降低施工现场安全事故的发生率,设计了一种施工场景识别及安全隐患发现系统。利用互联网施工现场图像、无人机航拍图像、建筑信息模型(BIM)虚拟图像构建了施工场景识别数据集和施工场景安全隐患特征数据集;引入深度学习,通过优化卷积神经网络(ICNN)构建了基于ICNN的施工场景识别模型,实现施工场景的精准识别(准确率为98.66%);引入迁移学习,创新性地构建了基于Inception-V3的施工场景安全隐患特征分类模型,实现施工场景安全隐患特征的精准分类(准确率为97.50%);开发了施工场景识别及安全隐患发现系统,实现了高效准确的图像批量处理功能。本研究为降低财产损失和人员伤亡、提高施工现场安全管理的科学性提供了重要参考。