-
公开(公告)号：CN113034411B
公开(公告)日：2024-02-27
申请号：CN202011512311.8
申请日：2020-12-19
Applicant: 北京工业大学
IPC: G06T5/50 , G06T3/4007 , G06T3/60
Abstract: 本发明公开了一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法，结合传统方法和深度卷积对抗生成网络对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、批量裁剪以及数据集制作。本发明基于对抗生成网络模型，用卷积神经网络来替代对抗生成网络中的多层感知机，经过生成器和判别器的互相博弈，不断迭代更新，使得生成器具有良好的生成路面病害图片能力，判别器具有良好的鉴别图片真假能力。本发明能够根据真实的路面病害照片生成新的高质量图片，达到扩充数据集的目的，为深度学习的路面病害识别提供了良好的条件，使训练出来的模型效果更好，模型的泛化能力更强。
-
公开(公告)号：CN114048790A
公开(公告)日：2022-02-15
申请号：CN202110877678.8
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
Abstract: 本发明公开了一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，研究数据之间关系，以达到输入数据降维的目的，从而减少训练误差，提升模型的预测精度，最后挑选出合适时间段的数据一起输入到BiLSTM‑CNN网络模型进行训练，学习传感器数据之间的物理特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间段内相对更加明显，更易被模型学习，有助于加强模型的记忆效应，减少过拟合，提高模型的泛化能力。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
公开(公告)号：CN113034410A
公开(公告)日：2021-06-25
申请号：CN202011509932.0
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种耦合传统方法和卷积自编码的道路病害图片增强方法，结合传统方法和卷积自编码器对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、人工标定、批量裁剪以及数据集制作。本发明将卷积神经网络结构融入自编码器中，利用其编码器结构对原始路面病害图像进行数据降维并得到图片的特征空间，利用其解码器结构将图片重构，获得新的路面病害图片。本发明能够根据真实的现场照片进行数据增强，使得重构后的图片样本病害特征相对更加明显，更易被机器识别，有助于提升识别精度，提高模型的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN114048835A
公开(公告)日：2022-02-15
申请号：CN202110877658.0
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
IPC: G06N3/04 , G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种基于时序卷积网络的道路基层应变分析方法，本发明先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，以达到输入数据降维的目的，从而提升模型的预测精度，最后挑选出合适时间段的数据一起输入到时序卷积网络模型进行训练，学习监测数据特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间端内相对更加明显，更易被模型学习，有助于提高模型的记忆能力，减少过拟合。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
公开(公告)号：CN114048790B
公开(公告)日：2024-05-24
申请号：CN202110877678.8
申请日：2021-08-01
Applicant: 北京工业大学 , 北京市道路工程质量监督站(北京市公路工程质量检测中心) , 北京建筑大学
IPC: G06F18/214 , G06N3/044 , G06N3/0464
Abstract: 本发明公开了一种基于耦合双向LSTM和卷积结构网络的道路基层应变分析方法，先对自动化道路监测系统获取的长期监测数据进行原始数据预处理，在此基础上采用皮尔逊相关性分析，研究数据之间关系，以达到输入数据降维的目的，从而减少训练误差，提升模型的预测精度，最后挑选出合适时间段的数据一起输入到BiLSTM‑CNN网络模型进行训练，学习传感器数据之间的物理特征，针对每个时间段之间并不连续的问题，采用权重自迁移的训练方式，使得历史信息特征在下一时间段内相对更加明显，更易被模型学习，有助于加强模型的记忆效应，减少过拟合，提高模型的泛化能力。此外，本发明不仅可以节约人工和时间成本，还可以为后续的道路养护工作奠定基础。
-
公开(公告)号：CN113850855B
公开(公告)日：2024-05-14
申请号：CN202110992745.0
申请日：2021-08-27
Applicant: 北京工业大学
IPC: G06T7/40 , G06T5/92 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种耦合传统方法和WGAN‑GP的道路纹理图片增强方法，结合传统方法以及WGAN‑GP对抗生成网络对数据进行增强，以达到数据扩增和均衡各类样本的效果。本发明首先将商用手持式三维激光扫描仪获取的道路纹理数据转为二维可视化纹理图片，然后使用人工方法和批量处理手段对路面纹理图片进行分类、预处理及数据集制作。本发明基于原始的小样本量且不均衡的路面纹理数据集，在传统方法增强的基础上采用WGAN‑GP网络进一步扩充。新生成的图片纹理特征相对更加明显，更易被机器识别，有助于提高模型的泛化能力，减少过拟合现象。此外，本发明不仅可以节约人工和时间成本，还对道路状况分析及自动驾驶有着至关重要的作用。
-
公开(公告)号：CN113850855A
公开(公告)日：2021-12-28
申请号：CN202110992745.0
申请日：2021-08-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种耦合传统方法和WGAN‑GP的道路纹理图片增强方法，结合传统方法以及WGAN‑GP对抗生成网络对数据进行增强，以达到数据扩增和均衡各类样本的效果。本发明首先将商用手持式三维激光扫描仪获取的道路纹理数据转为二维可视化纹理图片，然后使用人工方法和批量处理手段对路面纹理图片进行分类、预处理及数据集制作。本发明基于原始的小样本量且不均衡的路面纹理数据集，在传统方法增强的基础上采用WGAN‑GP网络进一步扩充。新生成的图片纹理特征相对更加明显，更易被机器识别，有助于提高模型的泛化能力，减少过拟合现象。此外，本发明不仅可以节约人工和时间成本，还对道路状况分析及自动驾驶有着至关重要的作用。
-
公开(公告)号：CN113034411A
公开(公告)日：2021-06-25
申请号：CN202011512311.8
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法，结合传统方法和深度卷积对抗生成网络对数据进行扩增，达到数据增强的效果。使用人工方法对原始破损路面进行采集、批量裁剪以及数据集制作。本发明基于对抗生成网络模型，用卷积神经网络来替代对抗生成网络中的多层感知机，经过生成器和判别器的互相博弈，不断迭代更新，使得生成器具有良好的生成路面病害图片能力，判别器具有良好的鉴别图片真假能力。本发明能够根据真实的路面病害照片生成新的高质量图片，达到扩充数据集的目的，为深度学习的路面病害识别提供了良好的条件，使训练出来的模型效果更好，模型的泛化能力更强。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.024 seconds)
