-
公开(公告)号：CN111860596B
公开(公告)日：2023-11-07
申请号：CN202010553028.3
申请日：2020-06-17
Applicant: 长安大学
IPC: G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明属于路面裂缝分类领域，公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：获取待分类图片数据集；建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项；将待分类图片数据集输入AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。
-
公开(公告)号：CN111860596A
公开(公告)日：2020-10-30
申请号：CN202010553028.3
申请日：2020-06-17
Applicant: 长安大学
Abstract: 本发明属于路面裂缝分类领域，公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：获取待分类图片数据集；建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项；将待分类图片数据集输入AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。
-
公开(公告)号：CN110318327A
公开(公告)日：2019-10-11
申请号：CN201910497679.2
申请日：2019-06-10
Applicant: 长安大学
IPC: E01C23/01
Abstract: 本发明一种基于随机森林的路面平整度预测方法：步骤1：对于每个沥青路面采集路面平整度指数IRI以及路面参数的取值，得到沥青路面样本数据；步骤2：对每个路面参数归一化得到训练集；步骤3：将训练集采用随机森林算法进行训练，将路面平整度指数IRI作为随机森林算法的输出，将路面数据作为输入，得到训练好的沥青路面平整度预测模型；步骤4：采集待测沥青路面的路面参数值，得到待测的沥青路面数据；步骤5：归一化操作；步骤6：用训练好的沥青路面平整度预测模型对待测的归一化后的沥青路面数据处理，得到待测沥青路面的路面平整度。本发明建立了基于随机森林的路面平整度预测模型，通过该模型能够大大提高了路面平整度的预测精度。
-
公开(公告)号：CN118351031A
公开(公告)日：2024-07-16
申请号：CN202410604533.4
申请日：2024-05-15
Applicant: 长安大学
Abstract: 本发明公开了一种沥青路面三维纹理点云数据缺失修复方法及装置，涉及道路交通安全技术领域，解决了点云修复精度不足的问题，该方法包括：通过三维激光传感器，获取沥青路面的原始三维纹理点云数据；对原始三维纹理点云数据进行倾斜抑制处理，得到校正后点云数据；将校正后点云数据进行去噪处理，得到去噪点云数据；利用修复模型对去噪点云数据进行修复处理，得到修复点云数据；其中，修复模型包括：判别器、生成器、判别器损失函数和生成器损失函数；实现了通过定义修复模型的损失函数，提高了网络输出对路面纹理的拟合能力，显著提升路面纹理数据的质量与可用性，为后续三维纹理表征与路面抗滑性能精准评估提供良好的数据基础。
-
-
Patent Agency Ranking
公开(公告)号：CN112364910B
公开(公告)日：2022-10-28
申请号：CN202011225553.9
申请日：2020-11-05
Applicant: 长安大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于峰值聚类高速公路收费数据异常事件检测方法及装置，用以解决现有技术中的高速公路异常事件检测方法及装置存在的检测结果不准确、效率不高等问题；本发明提供的基于高速公路收费数据的异常事件检测方法及装置，可以更加全面准确感知高速公路交通运行状况，能够有效挖掘出数据中隐藏的道路拥堵、长时停留、车辆超速、设备故障、系统故障、网络故障、车辆超载和疑似逃费等异常事件。
-
公开(公告)号：CN112287984B
公开(公告)日：2022-10-11
申请号：CN202011104273.2
申请日：2020-10-15
Applicant: 长安大学
Abstract: 本发明公开了一种多维高速公路收费数据的异常检测与修复方法，包括步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；步骤2：构建基于相似系数和的异常数据检测模型；步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；步骤4：构建基于极端梯度提升的异常数据修复模型；步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估。本发明能够明显提升高速公路收费数据的质量与可用性，为后续的高速公路异常事件检测以及大数据统计分析工作提供良好的数据基础。
-
公开(公告)号：CN112287984A
公开(公告)日：2021-01-29
申请号：CN202011104273.2
申请日：2020-10-15
Applicant: 长安大学
Abstract: 本发明公开了一种多维高速公路收费数据的异常检测与修复方法，包括步骤1：采集高速公路原始多维收费数据，并对高速公路原始多维收费数据进行预处理以得到多维规范之后的原始数据；步骤2：构建基于相似系数和的异常数据检测模型；步骤3：将步骤1中得到的多维规范之后的原始数据输入基于相似系数和的异常数据检测模型，通过检测得到含有异常值的多维数据；步骤4：构建基于极端梯度提升的异常数据修复模型；步骤5：将步骤3中得到的含有异常值的多维数据输入基于极端梯度提升的异常数据修复模型，实现多维数据异常修复及效果评估。本发明能够明显提升高速公路收费数据的质量与可用性，为后续的高速公路异常事件检测以及大数据统计分析工作提供良好的数据基础。
-
公开(公告)号：CN111861906A
公开(公告)日：2020-10-30
申请号：CN202010574126.5
申请日：2020-06-22
Applicant: 长安大学
Abstract: 本发明属于路面裂缝图像处理领域，公开了一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法。模型建立方法包括如下步骤：步骤1：采集路面裂缝图像，对路面裂缝图像依次进行数据质量提升和图像分割，获得真实路面裂缝图像集；步骤2：建立DCGAN生成对抗网络模型，所述DCGAN生成对抗网络模型包括生成器网络和判别器网络，所述的生成器网络和判别器网络的损失函数后设置有惩罚项；步骤3：获取随机噪声，将随机噪声和步骤1获得的真实路面裂缝图像集输入步骤2获得的DCGAN生成对抗网络模型进行训练，训练完成的模型即为路面裂缝图像虚拟增广模型。本发明有效解决了裂缝图像数据集不足的问题，很好的实现了对裂缝图像数据集的数量和多样性的增广。
-
公开(公告)号：CN110580493A
公开(公告)日：2019-12-17
申请号：CN201910498487.3
申请日：2019-06-10
Applicant: 长安大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于机器学习的集料形状分类方法：步骤1：将集料样本分为六种集料形状；采集每个集料的集料图像；步骤2：预处理；步骤3：获得每个集料对应的集料形态特征参数的取值；步骤4：将集料样本中集料的类别、集料形态特征参数作为训练集，利用XGBoost算法进行训练；步骤5：采集待测集料的集料图像并预处理；步骤6：获得待测集料对应的集料形态特征参数取值；步骤7：将待测集料的集料形态特征参数代入集料形状分类模型得到形状分类结果。本发明解决了集料特征提取困难，克服了现有技术分类结果不够准确的缺陷，并利用机器学习进行集料形状分类，学习现有的集料形态特征以及集料形状类别，分类结果效率高且精确度高。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.016 seconds)
