-
公开(公告)号：CN114973321A
公开(公告)日：2022-08-30
申请号：CN202210538688.3
申请日：2022-05-18
Applicant: 东南大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/00 , G06T5/00 , G06T7/60
Abstract: 本发明提供了一种生猪体尺视觉测量的特征点选取及测量方法。包括以下步骤：对猪舍进行图像采集，并基于张正友相机标定法计算相机畸变参数，对图像的径向畸变进行校正；将图像输入YOLOv5得到猪只的检测框，并根据检测框从图像中对猪只进行切割提取，得到单只猪只的图像；对猪只特征点进行选取，建立新的猪只特征点数据集，融合注意力机制获取图像中的猪只特征点；设计基于深度神经网络的猪只特征点评估算法，根据识别出的特征点坐标对猪只体态进行判断并对体尺数据能否测量进行评估；采用仿射变换、结合采集设备安装位置的数据对猪只体尺进行测量。该方法提高了猪只体尺测量过程中的检测效率，对养猪生产过程的智能化实现，提升养殖水平具有重要意义。
-
公开(公告)号：CN110336678B
公开(公告)日：2022-04-29
申请号：CN201910654022.2
申请日：2019-07-19
Applicant: 东南大学
Abstract: 本发明公开了一种针对车联网中大批量数据防篡改的签名算法，该算法通过链式存储结构、哈希摘要算法和CBC‑MAC算法的结合对车联网中存储于本地的诸如车速、GPS等周期产生的大批量数据进行防篡改保护。该算法根据数据产生时间对批量数据分文件存储，并通过文首数据签名算法连接文件实现链式存储结构；通过非文首签名算法连接相同文件内的数据帧。本算法加入了AES加密运算用于避免分组替换攻击的风险；且该算法仅需进行一次AES和一次SHA256，计算速度优于CBC‑MAC。通过上述算法，攻击者无论删除上一条数据或者修改上一条数据内容，通过本组数据的签名检查即可检出。通过该算法可以实现原始数据帧的防篡改签名及认证，具有更强的安全性和更高的计算效率。
-
公开(公告)号：CN108665069B
公开(公告)日：2022-04-15
申请号：CN201810370269.7
申请日：2018-04-24
Applicant: 东南大学
Abstract: 本发明公开了一种用于无人车训练模拟的突发性事件触发机制，包括建立隐马尔可夫模型；确定特定突发性事件所涉及的所有虚拟角色在事件发生时间段的观察状态序列；确定突发性事件库中各种典型的突发性事件的观察状态序列；根据当前环境，分别计算各种典型的突发性事件的发生概率，并根据发生概率从高到低的顺序确定各种典型的突发性事件触发的优先级；按照各种典型的突发性事件触发的优先级的顺序判断当前环境是否包含该典型的突发性事件触发所需的虚拟角色，若包含，则触发该典型的突发性事件。本发明提出的突发性事件触发机制不仅能够根据当前环境触发合适的突发性事件，而且能够为仿真突发性事件从而训练无人车的智能行为提供技术手段。
-
公开(公告)号：CN114120359A
公开(公告)日：2022-03-01
申请号：CN202111350628.0
申请日：2021-11-15
Applicant: 东南大学
IPC: G06V40/10
Abstract: 本发明提供了一种基于堆叠沙漏网络的群养猪体尺测量方法。首先将初始样本库输入基于掩码区域的卷积神经网络，得到感兴趣区域和掩膜，两者进行融合处理，进而将图像中多目标猪体进行分离，建立新的样本库；将新的样本库输入堆叠沙漏网络获得猪体关节点；接着设计基于支持向量机分类算法的关节点筛选方法，筛选出适合体尺测量的关节点；最后利用筛选后的关节点对猪体尺进行测量。该方法结合计算机视觉技术、检测技术与养殖技术等领域，避免现有方法导致的动物应激反应、猪舍环境复杂、猪只遮挡、粘连、猪体姿态不理想等情况，提高了猪体尺测量的检测效率和准确率。
-
公开(公告)号：CN109117701B
公开(公告)日：2022-01-28
申请号：CN201810568305.0
申请日：2018-06-05
Applicant: 东南大学
Abstract: 本发明涉及一种基于图卷积的行人意图识别方法，通过安装在车辆上的前视相机系统拍摄道路环境视频图像；对图像进行行人检测和行人人体关键点信息提取，并基于图论的方法构造邻接矩阵表示行人人体关键点的连接信息；通过图卷积算法从人体关键点的坐标信息和邻接矩阵表示中提取底层特征，并将底层特征通过深度卷积神经网络和深度循环神经网络进行高层次特征提取和时序分析；选择合适的损失函数，基于通过人工标注方法构建的行人意图数据集，对前述模型参数进行优化训练，实现对行人行为意图的分类识别。本发明有效利用了行人人体关键点信息这一高层次语义特征，使得汽车高级驾驶辅助系统具有理解行人行为意图的能力。
-
Patent Agency Ranking
公开(公告)号：CN110430061B
公开(公告)日：2021-08-06
申请号：CN201910653978.0
申请日：2019-07-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于区块链技术的车联网设备身份认证方法，该方法基于区块链思想构建分布式区块链CA系统，通过双链、双区块类型混合结构的CA区块链设计完成车联网通信节点的身份认证：双区块为权威节点更新区块和新增证书区块，权威节点更新区块用于更新目前合法有效的权威节点，证书新增区块用于记录新入网的合法车载通信设备、路边基础设施和远程服务器等通信节点；双链为权威节点更新链和普通链，权威节点更新链连接相邻的权威节点，普通链不区分区块类型直接连接相邻的区块。本发明的方法可在不安全网络环境下不依赖第三方完成身份的安全认证。相较于传统的分布式CA系统在时间性能、空间性能和安全性能均具有优势。
-
公开(公告)号：CN111062311A
公开(公告)日：2020-04-24
申请号：CN201911281009.3
申请日：2019-12-13
Applicant: 东南大学
Abstract: 本发明涉及一种深度级可分离卷积网络的行人手势识别与交互方法，包括：通过安装在车辆上的前视相机系统采集包含行人的图像；将图像输入深度可分离卷积网络，检测行人包围盒，将包围盒区域的图像输入手势识别网络，输出行人区域的特征图。将行人所在区域的图像输入手势识别网络进行手势识别。手势识别网络通过深度级可分离卷积层提取特征，在输出特征图的每个点都预测12个人体关节点信息以及对应的12个偏移向量，最后通过对关节点分类理解行人手势，车辆根据识别到的行人手势，结合手势优先级，采取最保守策略做出决策。本发明使用深度级可分离卷积实现模型，成倍缩小模型规模，可以在智能手机等低功耗移动终端实现检测。
-
公开(公告)号：CN110968102A
公开(公告)日：2020-04-07
申请号：CN201911375159.0
申请日：2019-12-27
Applicant: 东南大学
IPC: G05D1/02
Abstract: 本发明公开一种基于深度强化学习的多agent避碰方法，首先，对agent可感知区域的环境状态、agent状态、起始点信息、目标点信息、动作和奖励进行表达；然后，确定深度强化学习架构；最后采用基于近端策略优化的深度强化学习方法同时对多个场景进行训练，从而获取最优控制策略，使得agent能够成功躲避静态和动态障碍物，顺利到达目标点。本发明提不仅具有较好的逼真性和较强的通用性，还具有良好的扩展性，更大大提高了训练效率，缩短了训练时间；解决了传统的强化学习方法应用于避碰中状态和动作空间必须离散的问题，提高了传统深度学习方法的训练效率。
-
公开(公告)号：CN110430061A
公开(公告)日：2019-11-08
申请号：CN201910653978.0
申请日：2019-07-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于区块链技术的车联网设备身份认证方法，该方法基于区块链思想构建分布式区块链CA系统，通过双链、双区块类型混合结构的CA区块链设计完成车联网通信节点的身份认证：双区块为权威节点更新区块和新增证书区块，权威节点更新区块用于更新目前合法有效的权威节点，证书新增区块用于记录新入网的合法车载通信设备、路边基础设施和远程服务器等通信节点；双链为权威节点更新链和普通链，权威节点更新链连接相邻的权威节点，普通链不区分区块类型直接连接相邻的区块。本发明的方法可在不安全网络环境下不依赖第三方完成身份的安全认证。相较于传统的分布式CA系统在时间性能、空间性能和安全性能均具有优势。
-
公开(公告)号：CN110427633A
公开(公告)日：2019-11-08
申请号：CN201910368131.8
申请日：2019-05-05
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度强化学习的水泥搅拌桩质量评估方法，包括以下步骤：步骤1：构建基于DQN的水泥搅拌桩质量评估深度强化学习模型；步骤2：采用深度强化学习方法训练质量评估深度网络；步骤3：定期进行验证测试，计算正负召回率；步骤4：当正负召回率趋于平衡时，模型训练结束，否则转至步骤2。步骤5：用训练好的深度强化学习模型对各种水泥搅拌桩进行质量评估。本发明考虑到水泥搅拌桩质量影响因素的多样性，将软土特性、固化剂和施工工艺都纳入模型进行训练，提高了评估结果的真实性和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.023 seconds)
