-
公开(公告)号：CN113506268B
公开(公告)日：2024-04-23
申请号：CN202110785139.1
申请日：2021-07-12
Applicant: 东南大学
IPC: G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0895
Abstract: 本发明涉及一种面向铁轨图像的半监督异物检测方法，包括以下步骤：使用高清相机获得铁路轨道的二维图像，并将其转换为灰度图；采用基于GAN的异常检测方法，在模型训练阶段只输入正常的铁轨图像；在测试阶段模型可已重构出正常样本的图像，却无法重构出异常样本图像；在推理阶段，设置一个阈值，当重构图像与原图之间差异大于所设阈值，该图像就被判定为异常。本发明采用半监督的方式，在模型训练时不需要异常样本图像，并且在推理阶段可以准确地检测出铁轨异物图像。
-
公开(公告)号：CN115456896A
公开(公告)日：2022-12-09
申请号：CN202211082599.9
申请日：2022-09-06
Applicant: 东南大学
Abstract: 本发明公开了一种面向顶视鱼眼视觉任务的旋转卷积方法，当计算旋转卷积所需要的掩膜时，将不同方向的卷积核作用于顶视鱼眼图像的不同区域，且进行卷积操作时，让输入特征图分别与不同旋转状态的卷积核进行中心限制可变形卷积；本发明基于卷积神经网络的旋转等变性提出旋转卷积核，并将旋转后的卷积核应用于顶视鱼眼图像中的不同位置，同时提出中心限制的可变形卷积并将其应用于旋转卷积，使得卷积核可以自适应的旋转和变形，改进了卷积核从顶视鱼眼图像中具有不同旋转状态的对象中提取相似特征的能力，极大提高了卷积神经网络在顶视鱼眼视觉检测和分割任务中的准确率。
-
公开(公告)号：CN113112474B
公开(公告)日：2022-11-18
申请号：CN202110390047.3
申请日：2021-04-12
Applicant: 东南大学
Abstract: 本发明涉及一种面向道岔与非道岔轨道图像的钢轨定位方法，包括以下步骤：使用高清相机获得铁路轨道的二维图像，并将其转换为灰度图；对当前图像进行预处理，预处理方式包括高斯滤波和直方图均衡；通过直线检测算法提取图像中的所有直线段；将直线段离散为若干点，然后把这些点投影至图像的x轴；最后，采用双滑动窗口遍历图像中的投影数据，就识别出了图像中钢轨的位置。本发明可以快速区分道岔路段图像与非道岔路段图像，能够准确检测出钢轨在图像中的位置。
-
公开(公告)号：CN114140451A
公开(公告)日：2022-03-04
申请号：CN202111485988.1
申请日：2021-12-07
Applicant: 东南大学
Abstract: 本发明涉及一种基于深度学习的多轨道钢轨定位方法，包括以下步骤：使用安装摄像头的巡检车采集轨道图像，对图像数据集进行人工标注；构建R2CNN深度学习模型，设置合理的锚窗参数，并对模型进行训练；将训练好的模型对图像进行检测，分别得到轴对齐边界框和倾斜边界框的检测结果，并进行初步筛选；对两类边界框检测结果进行修正和融合，即可得到准确、稳定的多轨道钢轨定位结果。本发明可以适用于同时包含垂直和倾斜轨道的道岔路段图像，且能够定位多轨道钢轨区域。
-
公开(公告)号：CN113506269A
公开(公告)日：2021-10-15
申请号：CN202110786295.X
申请日：2021-07-12
Applicant: 东南大学
Abstract: 本发明涉及一种基于深度学习的道岔与非道岔轨道紧固件定位方法，包括以下步骤：使用携带高清相机的巡检车获得轨道图像，并对图像数据集进行人工标注；构建改进的FasterR‑CNN深度学习模型，模型进行了多尺度特征融合、添加注意力模块等优化；根据标注的待检测目标的实际尺寸，修改模型中的预定义锚框；对改进的FasterR‑CNN模型进行训练，并选择最优模型；将待检测图像输入训练好的模型即可得到精确、稳定的紧固件定位结果。本发明可以适用于道岔路段与非道岔路段场景的图像，能够同时对多种类型的紧固件进行准确的定位检测。
-
Patent Agency Ranking
公开(公告)号：CN117853803A
公开(公告)日：2024-04-09
申请号：CN202410031205.X
申请日：2024-01-09
Applicant: 东南大学
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06V10/774 , G06V10/74 , G06V10/44 , G06V10/42 , G06T5/90 , G06T5/40 , G06N3/08
Abstract: 本发明公开了一种基于特征增强和通信网络的小样本动车异常检测方法及系统，通过数据采集与整理标注、图像预处理、建立特征增强和通信网络模型，并进行模型训练，最终得到最优特征增强和通信网络模型，输出异常类别的预测结果。所述特征增强和通信网络模型包括特征相似度计算模块、互注意力特征增强模块、多方面特征融合模块以及相似性增强模块，将经过预处理后的支撑‑查询图像对输入到模型中，提取多层次support图像特征和query图像特征，对不同层次特征进行增强与通信，融合多种特征得到更具代表性的特征用于query图像的预测。本方法解决了每一类新的异常需要大量劳动力标注训练样本的问题，可以利用训练好的模型直接检测新的异常，大大提高了检测效率。
-
公开(公告)号：CN113506269B
公开(公告)日：2022-11-18
申请号：CN202110786295.X
申请日：2021-07-12
Applicant: 东南大学
IPC: G06T7/00 , G06T7/73 , G01B11/00 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的道岔与非道岔轨道紧固件定位方法，包括以下步骤：使用携带高清相机的巡检车获得轨道图像，并对图像数据集进行人工标注；构建改进的FasterR‑CNN深度学习模型，模型进行了多尺度特征融合、添加注意力模块等优化；根据标注的待检测目标的实际尺寸，修改模型中的预定义锚框；对改进的FasterR‑CNN模型进行训练，并选择最优模型；将待检测图像输入训练好的模型即可得到精确、稳定的紧固件定位结果。本发明可以适用于道岔路段与非道岔路段场景的图像，能够同时对多种类型的紧固件进行准确的定位检测。
-
公开(公告)号：CN113506268A
公开(公告)日：2021-10-15
申请号：CN202110785139.1
申请日：2021-07-12
Applicant: 东南大学
Abstract: 本发明涉及一种面向铁轨图像的半监督异物检测方法，包括以下步骤：使用高清相机获得铁路轨道的二维图像，并将其转换为灰度图；采用基于GAN的异常检测方法，在模型训练阶段只输入正常的铁轨图像；在测试阶段模型可已重构出正常样本的图像，却无法重构出异常样本图像；在推理阶段，设置一个阈值，当重构图像与原图之间差异大于所设阈值，该图像就被判定为异常。本发明采用半监督的方式，在模型训练时不需要异常样本图像，并且在推理阶段可以准确地检测出铁轨异物图像。
-
公开(公告)号：CN107403241A
公开(公告)日：2017-11-28
申请号：CN201710649945.X
申请日：2017-08-02
Applicant: 北京城建设计发展集团股份有限公司 , 苏州市轨道交通集团有限公司 , 东南大学
Abstract: 本发明提供了一种城市轨道交通客流二阶波动性计算方法，步骤包括：对原始客流数据进行处理获取城市轨道交通客流序列；绘制客流时序图，识别出客流变化的周期；对研究时间段内的客流平均水平和客流离散水平进行建模和预测；计算一定置信水平下的客流波动区间；将客流波动区间的宽度与对应的客流真实值之比定义为宽度流量比，使用宽度流量比指标来评价客流二阶波动性的强弱，宽度流量比越大，则表明客流的二阶波动性越强，宽度流量比越小，则表明客流的二阶波动性越弱。该方法通过客流波动区间反映客流的二阶波动性，由在客流平均水平的基础上叠加客流离散水平得到，计算方法简单明了，易于实现，可操作性强。
-
公开(公告)号：CN114140451B
公开(公告)日：2024-07-23
申请号：CN202111485988.1
申请日：2021-12-07
Applicant: 东南大学
Abstract: 本发明涉及一种基于深度学习的多轨道钢轨定位方法，包括以下步骤：使用安装摄像头的巡检车采集轨道图像，对图像数据集进行人工标注；构建R2CNN深度学习模型，设置合理的锚窗参数，并对模型进行训练；将训练好的模型对图像进行检测，分别得到轴对齐边界框和倾斜边界框的检测结果，并进行初步筛选；对两类边界框检测结果进行修正和融合，即可得到准确、稳定的多轨道钢轨定位结果。本发明可以适用于同时包含垂直和倾斜轨道的道岔路段图像，且能够定位多轨道钢轨区域。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
