-
公开(公告)号：CN119722587A
公开(公告)日：2025-03-28
申请号：CN202411710210.X
申请日：2024-11-27
Applicant: 长安大学
Abstract: 本发明公开了基于参数再定义的动态裂纹检测及逐像素对象划分方法，本发明的方法设计了参数再定义Transformer架构进行特征提取，可以捕获不同场景下裂纹的上下文信息，减少计算量；本发明还加入了快速多尺度注意力来增强对不同尺寸裂纹的特征提取，而且引入参数再定义解码器来进一步减少模型的计算量，利用本发明的方法可以对裂纹准确检测和逐像素对象划分，增强智能交通和城市发展提供了必要的信息，通过这些信息，可以更好地监测和维护交通设施，确保道路与桥梁的安全，从而为智能交通的进步和城市的可持续发展提供坚实的保障。
-
公开(公告)号：CN117536774A
公开(公告)日：2024-02-09
申请号：CN202311369456.0
申请日：2023-10-20
Applicant: 长安大学
Abstract: 本发明提供了一种用于高速公路隔离带的非对称式无叶片风能发电机组群布设方法，目的是实现对无叶片风能发电机发电的导风稳流，提高发电稳定性，选择高速公路上的隔离带区域作为部署区域；在部署区域以两个无叶片风能发电机为一组放置若干组无叶片风能发电机；按照车辆行驶方向在每组无叶片风能发电机外放置导风稳流装置，使得导风稳流装置将车辆行驶带来的气流导入在无叶片风能发电机处形成卡门涡街效应实现风能发电。本发明采用成本小且便于安装的无叶片风能发电机放置在高速公路隔离带，通过导风稳流装置导入气流在无叶片风能发电机处形成卡门涡街效应从而进行发电，不仅对高速公路上难以利用的资源进行开发，而且风能来源更加稳定。
-
公开(公告)号：CN112949463A
公开(公告)日：2021-06-11
申请号：CN202110219609.8
申请日：2021-02-26
Applicant: 长安大学
Abstract: 本发明属于三维点云处理和机器学习技术领域，公开了一种集料级配快速检测模型的建立、检测方法及系统。该方法采集粗集料的三维点云数据，然后提取三维集料的52种与档位相关性强特征因子经图像预处理后做质量回归和类别预测，以此获得集料的级配。该方法避免了传统方法中主观因素造成的误差，速度快、效率高、鲁棒性好，可以实现集料级配检测的自动化，为道路施工提供质量保障。
-
公开(公告)号：CN117536774B
公开(公告)日：2025-02-18
申请号：CN202311369456.0
申请日：2023-10-20
Applicant: 长安大学
Abstract: 本发明提供了一种用于高速公路隔离带的非对称式无叶片风能发电机组群布设方法，目的是实现对无叶片风能发电机发电的导风稳流，提高发电稳定性，选择高速公路上的隔离带区域作为部署区域；在部署区域以两个无叶片风能发电机为一组放置若干组无叶片风能发电机；按照车辆行驶方向在每组无叶片风能发电机外放置导风稳流装置，使得导风稳流装置将车辆行驶带来的气流导入在无叶片风能发电机处形成卡门涡街效应实现风能发电。本发明采用成本小且便于安装的无叶片风能发电机放置在高速公路隔离带，通过导风稳流装置导入气流在无叶片风能发电机处形成卡门涡街效应从而进行发电，不仅对高速公路上难以利用的资源进行开发，而且风能来源更加稳定。
-
公开(公告)号：CN116735540A
公开(公告)日：2023-09-12
申请号：CN202310680625.6
申请日：2023-06-08
Applicant: 长安大学
Abstract: 本发明涉及一种机制砂细粉含量预测装置及预测方法，预测装置包括：暗箱、样本容器、第一光源、第二光源、图像采集设备，其中，暗箱用于提供密闭遮光环境；样本容器固定在暗箱中，用于容纳待测样品溶液并提供目标形状的图像采集窗口；第一光源设置在样本容器的一侧，且第一光源与第二光源相互垂直，第一光源与第二光源用于当样本容器中容纳待测样品溶液时向待测样品溶液提供均匀光线；图像采集设备设置在样本容器的另一侧且与第一光源相对，用于当第一光源与第二光源提供均匀光线时对待测样品溶液进行图像采集。本发明具有步骤简单、速度快、精度高、成本低且易实现的优点。
-
Patent Agency Ranking
公开(公告)号：CN112949463B
公开(公告)日：2023-08-04
申请号：CN202110219609.8
申请日：2021-02-26
Applicant: 长安大学
IPC: G06V20/64 , G06V10/26 , G06V10/30 , G06V10/764
Abstract: 本发明属于三维点云处理和机器学习技术领域，公开了一种集料级配快速检测模型的建立、检测方法及系统。该方法采集粗集料的三维点云数据，然后提取三维集料的52种与档位相关性强特征因子经图像预处理后做质量回归和类别预测，以此获得集料的级配。该方法避免了传统方法中主观因素造成的误差，速度快、效率高、鲁棒性好，可以实现集料级配检测的自动化，为道路施工提供质量保障。
-
公开(公告)号：CN119399168B
公开(公告)日：2025-05-13
申请号：CN202411521939.2
申请日：2024-10-29
Applicant: 长安大学
IPC: G06T7/00 , G06V10/80 , G06V10/764 , G06V10/48 , G06V10/52 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种三维多视图成像下的路面结构层病害标注方法及装置，涉及计算机图像识别技术领域。包括：将水平面视图和纵断面视图拼接，得到跨视图的二维图像；构建包含多个多层次特征融合网络和空间金字塔池化层的水平面‑纵断面特征关联标注模型；利用训练集对该模型得到训练好的特征关联标注模型。这样，通过训练好的水平面‑纵断面特征关联标注模型对病害进行自动化标注，减少人工标注的时间，提高病害标注的效率；利用跨视图的二维图像，考虑相邻水平面视图和纵断面视图间的相似病害特征关联信息，优化该模型的标注性能，且通过训练好的水平面‑纵断面特征关联标注模型对病害进行自动化标注，减少误标和漏标，提高病害标注的准确性。
-
公开(公告)号：CN119399168A
公开(公告)日：2025-02-07
申请号：CN202411521939.2
申请日：2024-10-29
Applicant: 长安大学
IPC: G06T7/00 , G06V10/80 , G06V10/764 , G06V10/48 , G06V10/52 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种三维多视图成像下的路面结构层病害标注方法及装置，涉及计算机图像识别技术领域。包括：将水平面视图和纵断面视图拼接，得到跨视图的二维图像；构建包含多个多层次特征融合网络和空间金字塔池化层的水平面‑纵断面特征关联标注模型；利用训练集对该模型得到训练好的特征关联标注模型。这样，通过训练好的水平面‑纵断面特征关联标注模型对病害进行自动化标注，减少人工标注的时间，提高病害标注的效率；利用跨视图的二维图像，考虑相邻水平面视图和纵断面视图间的相似病害特征关联信息，优化该模型的标注性能，且通过训练好的水平面‑纵断面特征关联标注模型对病害进行自动化标注，减少误标和漏标，提高病害标注的准确性。
-
公开(公告)号：CN119888718A
公开(公告)日：2025-04-25
申请号：CN202411968686.3
申请日：2024-12-30
Applicant: 长安大学
IPC: G06V20/68 , G06V10/25 , G06V10/44 , G06V10/75 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/082 , G06N3/096 , G06N3/0985
Abstract: 本发明公开了基于柔性特征匹配学习的新型食品异物实时检测方法，包括如下步骤：步骤1：新类别识别与扩展：将食品异物图像数据集输入到新异物学习模块；步骤2：传入任务隔离模块；步骤3：异物知识柔性匹配；步骤4：异物候选特性矩阵的生成；步骤5：异物区域聚焦；步骤6：自适应权重计算模块：根据前面阶段的反馈和任务的重要性动态调整模型的权重。本发明通过基于柔性特征匹配学习的方法实现对新异物类别的快速识别与学习，同时避免灾难性遗忘，并在检测流程中优化模型，提升其跨场景适应性和实时反馈能力。且能够有效提高食品异物检测的准确性、效率和适应性，具有广泛的应用前景，尤其在食品生产线等实时检测场景中具有重要的商业价值。
-
公开(公告)号：CN119090062A
公开(公告)日：2024-12-06
申请号：CN202411130395.7
申请日：2024-08-16
Applicant: 长安大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0455 , G06N3/049 , G06N3/08 , H02J3/00
Abstract: 本发明提供融合时间动态特征与因果机制的风电功率预测方法，涉及可再生能源和时间序列预测技术领域。此方法包括：对历史风电数据进行预处理，得到风电功率的相关变量，对历史风电数据进行分解并与风电功率的相关变量进行拼接，得到多尺度特征；对多尺度特征按照时间滑窗进行划分，得到时间多尺度动态特征；将第一时间多尺度动态特征输入训练好的风电深度神经网络预测模型，以输出风电功率的预测值。这样，对历史风电数据进行分解，并与风电功率的相关变量进行拼接，实现并行拼接处理，提高风电预测的效率；风电功率的预测值所利用的是改进的Transformer模型，采用了时序编码层和膨胀因果卷积层，提升风电预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.016 seconds)
