-
公开(公告)号：CN115393588A
公开(公告)日：2022-11-25
申请号：CN202211008106.7
申请日：2022-08-22
Applicant: 东南大学
Abstract: 本发明公开了一种基于语义分割网络的高速公路沥青路面病害分割方法，包括：构建高速公路沥青路面图像病害数据集；替换FCN骨干网络为Densenet121和Densenet201，构建用于公路沥青路面病害分割的FCN‑D121‑PDS、FCN‑D201‑PDS网络模型；替换Deeplabv3+骨干网络为Mobilenet和DRN，构建用于公路沥青路面病害分割的DL‑D‑PDS、DL‑M‑PDS网络模型；进行模型训练并优化参数，优选FCN‑D121‑PDS、FCN‑D201‑PDS、DL‑D‑PDS、DL‑M‑PDS网络模型进行高速公路沥青路面病害分割；改进Deeplabv3+网络结构，进一步构建DL‑M1‑PDS、DL‑M2‑PDS公路沥青路面病害分割网络并进行网络优选。本发明提出的基于语义分割网络的高速公路沥青路面病害分割方法，具有较好的公路沥青路面病害的细节信息分割能力，能够提高路面病害分割精度与平均交并比，对高速公路养护智能化发展提供技术支持。
-
公开(公告)号：CN118552915A
公开(公告)日：2024-08-27
申请号：CN202410609559.8
申请日：2024-05-16
Applicant: 东南大学
IPC: G06V20/54 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06V10/80
Abstract: 本发明公开了一种基于注意力特征融合的高速公路场景中多车辆及多目标部件区域感知方法，包括：构建高速公路场景中多车辆及多目标部件区域检测数据集；构建高速公路场景中多车辆及多目标部件区域匹配数据集；构建用于高速公路场景中多车辆及多目标部件区域感知的PM‑MVMCR‑ECAnet‑OM模型；构建用于高速公路场景中多车辆及多目标部件区域感知的PM‑MVMCR‑ECAnet‑FF‑OM模型；进行对比实验，选取用于高速公路场景中多车辆及多目标部件区域感知的性能最好的模型PM‑MVMCR‑ECAnet‑FF‑OM。本发明提出高速公路场景中多车辆及多目标部件区域检测和匹配数据集构建方法并构建基于注意力特征融合的高速公路场景中多车辆及多目标部件区域感知模型，从而实现全天候多车辆与多目标部件信息的高精度及高效率感知，提升高速公路门架ETC系统感知的性能。
-
公开(公告)号：CN115546776A
公开(公告)日：2022-12-30
申请号：CN202211143811.8
申请日：2022-09-20
Applicant: 东南大学 , 河北交通职业技术学院
Abstract: 本发明公布了基于卷积神经网络模型的字符分割模式车牌识别方法，包括：基于异常天气状况下的高速整车图像，构建高速公路车牌图像集；基于图像比例的方法，对车牌字符进行分割；构建不同字符集的分类卷积神经网络模型，优选Inceptionv3‑LPCR、ResNet50‑LPCR、ResNeXt‑LPCR和MNASNet‑LPCR模型完成车辆号牌识别。本发明的有益效果在于：能够有效对车牌的字符进行分割，构建符合真实高速场景且适用于神经网络学习的车牌图像集，同时选用结构合理的卷积神经网络，完成对车辆牌照的自动识别，提升了车牌识别的准确率与速度，对于车辆的识别有着重要的作用。
-
公开(公告)号：CN115512154A
公开(公告)日：2022-12-23
申请号：CN202211157110.X
申请日：2022-09-21
Applicant: 东南大学
IPC: G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06Q10/06
Abstract: 本发明公开了一种基于深度学习神经网络的高速公路车辆图像检索方法，包括：采用基于Faster‑RCNN的目标检测切割模型构建车辆检索图像数据集；分别构建基于VGG16网络、ResNet50网络以及DenseNet121网络的三种基于单一深度学习网络的车辆检索模型，对各图像测试集中的样本数据进行单张循环检索；构建基于深度学习神经网络的车辆图像检索实验的实验结果评价指标，对基于深度学习神经网络的高速公路车辆图像检索方法的检索精确度与检索时效性进行评估。本发明具有较佳的正确率和实效性。
-
公开(公告)号：CN115393587A
公开(公告)日：2022-11-25
申请号：CN202211008095.2
申请日：2022-08-22
Applicant: 东南大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/766 , G06N3/04 , G06N3/08 , G06Q10/00 , G06Q50/26
Abstract: 本发明公开了一种基于融合卷积神经网络的高速公路沥青路面病害感知方法，包括：使用优化Mobilenet V3网络替换Deeplabv3+骨干网络，构建DL‑M‑PDS网络；改进网络参数，构建用于公路沥青路面病害分割的DL‑M2‑PDS优化网络；通过该优化网络获取路面像素级病害信息，并与原图像叠加；对Faster‑RCNN、Yolov5s、SSD模型进行适应性改进，构建用于公路沥青路面病害检测的FR‑PDD、Yolov5s‑PDD、SSD‑PDD网络模型；输入叠加病害图像，构建用于公路沥青路面病害感知的FCNN‑PDP‑FR、FCNN‑PDP‑Yolov5s和FCNN‑PDP‑SSD网络；训练网络并优化参数，优选模型进行高速公路沥青路面病害感知。本发明将公路沥青路面病害分割模型与公路沥青路面病害检测分类模型进行融合，以实现分割病害的同时提高模型的检测分类精度，可对高速公路养护智能化发展提供技术支持。
-
Patent Agency Ranking
公开(公告)号：CN118552745A
公开(公告)日：2024-08-27
申请号：CN202410609563.4
申请日：2024-05-16
Applicant: 东南大学
IPC: G06V10/44 , G06N3/0464 , G06V10/764 , G06V10/25
Abstract: 本发明公开了一种基于双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，包括构建高速场景中多车辆及多目标部件区域匹配数据集；构建用于高速公路场景中多车辆及多目标部件区域匹配的ResNet50‑M‑TCR‑ES模型；构建用于高速公路场景中多车辆及多目标部件区域匹配的双分支DB‑ResNet50‑M‑TCR‑ES模型；进行对比实验，选取用于高速公路场景中多车辆及多目标部件区域的性能最好的模型DB‑ResNet50‑M‑TCR‑ES。本发明提出高速场景中多车辆及多目标部件区域匹配数据集的构建方法，构建基于特征提取网络与双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，从而实现全天候多车辆与多目标部件信息的高精度及高效率感知，提升高速公路门架ETC系统感知的性能。
-
公开(公告)号：CN115731436B
公开(公告)日：2023-09-26
申请号：CN202211154277.0
申请日：2022-09-21
Applicant: 东南大学
IPC: G06V10/80 , G06V10/774 , G06V10/74 , G06V20/56 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习融合模型的高速公路车辆图像检索方法，包括如下步骤：S1、采用基于Faster‑RCNN的目标检测切割模型构建车辆检索图像数据集；S2、采用DenseNet121、ResNet50与VGG16网络作为检索网络，构建多种不同的基于单特征多网络融合深度学习模型车辆图像检索模型与多网络多特征融合深度学习模型车辆图像检索模型进行图像检索；S3、构建基于深度学习融合模型的实验结果评价指标，分别对基于深度学习融合模型的高速公路车辆图像检索方法的检索精确度与检索时效性进行评估。本发明构建的模型性能优于单网络模型，在高速公路场景中检索正确率均高于97％，且平均检索时间并未明显增加。
-
公开(公告)号：CN113510685B
公开(公告)日：2022-07-15
申请号：CN202110682449.0
申请日：2021-06-18
Applicant: 东南大学
IPC: B25J9/00
Abstract: 本发明涉及一种重载4UPS‑PU并联夹取机器人，包括静平台、上夹具和下夹具动平台，上夹具与静平台固连，下夹具动平台和静平台之间通过四条UPS驱动支链、以及一条PU被动约束链连接，使得下夹具动平台相对于静平台，具有两个转动自由度和一个平动自由度，实现与上夹具配合夹取物体的功能。本发明解决了现有重载夹取装置自由度少、功能单一的问题。本发明通过四条驱动支链和一条被动约束链，形成四个驱动和三个自由度，属于冗余驱动并联机构，有效改善机构刚度，提高承载性能，具备重载夹取的能力。可以满足重载夹取的精细化操作的运动需求，具有高灵活度和精度。
-
公开(公告)号：CN114170695A
公开(公告)日：2022-03-11
申请号：CN202111407558.8
申请日：2021-11-24
Applicant: 山东高速股份有限公司 , 东南大学
IPC: G07B15/06
Abstract: 本发明公布了基于车辆全息感知与OBU信息融合的智慧收费系统，包括：集成了激光雷达、视频感知器、RSU、交易检测设备的车辆全息与OBU融合系统的信息感知层；基于边缘计算服务器的车辆全息识别与检索边缘计算层；基于智慧门架协同与融合运算的云端中心处理服务器层；集成了ETC收费及稽查功能的应用软件层。本发明的有益效果在于：能够将车辆全息信息与OBU信息融合，获取高速公路场景中过路车辆全息信息以及车辆OBU与门架RSU的交易情况，并根据多源信息检索到未交易成功的车辆，能够实现门架间的智慧协同及融合运算，以减少ETC收费的逃、漏费率，并实现逃费车辆稽查功能，为公路收费管理提供良好的基础保障。
-
公开(公告)号：CN116524481A
公开(公告)日：2023-08-01
申请号：CN202210943795.4
申请日：2022-08-08
Applicant: 东南大学
Abstract: 本发明公布了基于卷积神经网络模型的字符非分割模式车牌识别方法，包括：基于异常天气状况下的高速整车图像，对车牌区域进行检测并构建高速公路车牌图像集；研究字符非分割模式车牌识别框架，优选基于CB损失函数的多分类字符非分割模式车牌识别框架进行模型构造；构建卷积神经网络模型进行车牌的特征提取，优选InceptionV3‑LPR‑CB、ResNet50‑LPR‑CB、ResNeXt‑LPR‑CB和SENet‑LPR‑CB卷积神经网络模型完成车辆号牌的识别。本发明的有益效果在于：构建符合真实高速场景且适用于神经网络学习的车牌图像集，提供非分割模式下的车辆号牌识别框架，同时选用结构合理的卷积神经网络模型，完成对车辆号牌的自动识别，提升了车牌识别的准确率与速度的同时，也给车辆号牌识别提供了有效的新思路。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.019 seconds)
