原文传递
基于深度学习的公路行车环境安全风险源辨识及风险评估系统设计
| 论文题名： | 基于深度学习的公路行车环境安全风险源辨识及风险评估系统设计 |
| 关键词： | 行车安全;风险源辨识;风险评估;深度学习 |
| 摘要： | 随着我国公路里程和路网密度的持续增加，交通在给人们带来出行便捷的同时，安全问题也成为不容忽视的主要问题之一。在导致公路交通事故的诸多因素中，与道路交通环境相关的占 23%以上，其中道路条件和行车环境成为诱发交通事故的重要因素。因此，设计开发高效、精准的公路行车环境安全风险源自动识别及风险评估系统，对公路交通设施智能化管养具有重要的理论和实际意义。 本文结合道路交通安全公安部重点实验室《基于深度学习的公路行车环境安全风险源智能辨识与风险评估方法》（2021ZDSYSKFKT08）的研究内容，以实现公路行车环境安全风险源智能识别和安全性评价为目标，分析交通安全风险影响要素及其图像表征特征，研究基于车载视觉和深度学习的公路行车环境安全风险源识别及风险评估方法，并设计公路行车环境安全风险源识别及风险评估系统。主要研究内容如下： （1）公路行车环境安全风险源识别方法研究。采用基于轻量化卷积神经网络的多标签图像分类方法，识别图像中的公路行车环境安全风险源。通过改进MobileNetV3 输出层激活函数，使 MobileNetV3 输出层可同时输出多个风险源类别信息，实现公路行车环境安全风险源识别。为提升识别效率，对 MobileNetV3进行注意力机制改进和扩张通道裁剪，得到一个紧凑高效的分类网络。通过模型在风险源图像样本数据集上训练和验证表明，所提方法能够有效识别公路行车环境安全风险源，且具备实时检测效果。 （2）公路行车环境安全风险评估方法研究。通过建立基于可拓物元评价方法的公路行车环境安全风险评价模型，确定公路行车环境安全的风险等级。首先，建立了一个具有递阶层次结构的公路行车环境安全评价指标体系，并采用层次分析法确定评价指标权重。同时，通过风险源词袋模型表达风险源，并采用多层感知机分类模型估计风险源的严重程度，以确定评价指标现状值。最后，构建基于可拓物元评价方法的风险评价模型，通过计算出不同风险等级的关联度，确定公路行车环境安全等级。 （3）公路行车环境安全风险源识别及风险评估系统设计。使用 python 中的Tkinter 库设计开发了公路行车环境安全风险源识别及风险评估系统。该系统可将基于车载摄像头采集的视频流数据，通过风险源识别及评估算法，实现公路行车环境安全风险源自动识别及风险评估，并通过实车实验验证了该系统的准确性。 |
| 作者： | 龚志坤 |
| 专业： | 车辆工程 |
| 导师： | 赵树恩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
