针对电子元件体积小,由振动供料器翻转后,位置、旋转角度随机,姿态十分相似,且会出现元件重叠的情况;使用HOG-SVM目标检测算法通过机器学习进行研究,并分析了电子元件各不同角度的特征提取丰富程度以及样本数量对于算法性能的影响。通过几种旋转角度人工获取并标注多组不同数量的样本集,以OpenCV库为基础,分别训练分类器,进行检测分类。最终经过多次实验表明,每隔10度旋转进行特征提取更加丰富;且当样本数量达到由此角度获得的180个时,分类器整体性能趋于稳定,达到较好的分类精确率。

提出了一种在移动交通检测系统中确定路网浮动车最小样本数量的优化方法。首先,基于数理统计方法分析了单条路段满足交通流参数估计所需的最小样本数量,在此基础上使用了一种新的基于路段样本数符合率的路网交通信息准确度评价指标,通过该指标和路网样本规模的关系曲线优化路网的浮动车样本规模。仿真实验结果表明：该方法能有效地确定满足路网交通速度估计要求下的最小浮动车样本数量,为浮动车交通信息采集系统在实际应用中确定最小样本规模提供了一种可行的思路。