基于自适应格式塔感知的教学示意图视觉定位方法及装置

    公开(公告)号:CN119049033A

    公开(公告)日:2024-11-29

    申请号:CN202411051785.5

    申请日:2024-08-01

    Applicant: 长安大学

    Abstract: 本发明公开了一种基于自适应格式塔感知的教学示意图视觉定位方法及装置,涉及教育教学资源解析技术领域,解决了传统大规模标注数据驱动技术无法直接适用的问题,该方法包括:获取包含多张教学示意图的样本集;之后提取高层语义特征、文本描述特征和图块的视觉特征,再构建多模态特征数据集;利用所述多模态特征数据集对预先构建的视觉定位模型进行训练,得到训练好的视觉定位模型,之后进行筛选,筛选完成之后部署在电子设备上,以对待定位教学示意图作视觉定位,并展示给用户。本发明实现了在样本规模受限情况下保障教学示意图视觉定位的准确率,为教育教学场景中多模态检索、问答应用提供良好的技术支撑。

    一种集料颗粒分档方法及其装置

    公开(公告)号:CN113283495B

    公开(公告)日:2024-02-13

    申请号:CN202110559947.6

    申请日:2021-05-21

    Applicant: 长安大学

    Abstract: 本发明公开了一种集料颗粒分档方法及其装置,方法包括:获取集料颗粒2D/3D特征数据集;根据所述集料颗粒2D/3D特征数据集构建若干2D/3D特征的子数据集;构建基于高斯过程的集料分档模型;将所述若干2D/3D特征的子数据集输入至基于高斯过程的集料分档模型进行模型确认,得到最终的基于高斯过程的集料分档模型;将待分档集料颗粒输入至所述最终的基于高斯过程的集料分档模型得到分档结果。本发明综合考虑集料颗粒2D/3D特征数据,并采用基于高斯过程的机器学习集料分档算法进行分档预测,从而大幅提高了集料颗粒分档的精度。

    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

    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。

    基于沥青混凝土路面激光三维数据的表面纹理分离方法

    公开(公告)号:CN110363743B

    公开(公告)日:2021-08-10

    申请号:CN201910498480.1

    申请日:2019-06-10

    Applicant: 长安大学

    Abstract: 本发明提供了一种基于沥青混凝土路面激光三维数据的表面纹理分离方法,包括以下步骤:步骤1,获取沥青路面表面纹理三维深度数据集合Q;步骤2,对所述沥青路面表面纹理三维深度数据集合Q中缺失数据进行填充处理;步骤3,对填充处理后的沥青路面表面纹理三维深度数据集合Q进行滤波处理,得到滤波后的沥青路面表面纹理三维深度数据集合Q′;步骤4,对Q′中的沥青路面表面纹理三维深度数据进行宏观纹理与微观纹理分离,得到沥青路面宏观纹理数据和沥青路面微观纹理数据;本发明在传统的分离方法上引入稳健估计理论,有效的解决宏观纹理受奇异值影响的问题,从而提升了传统分离方法的稳定性。

    基于生成对抗网络路面裂缝图像超分辨率重建方法及装置

    公开(公告)号:CN111986079A

    公开(公告)日:2020-11-24

    申请号:CN202010548216.7

    申请日:2020-06-16

    Applicant: 长安大学

    Abstract: 本发明公开了基于生成对抗网络路面裂缝图像超分辨率重建方法及装置,采集高分辨率路面裂缝图像并进行降采样处理,得到相同数量的低分辨率路面裂缝图像;对低分辨率路面裂缝图像与高分辨率路面裂缝图像进行两两配对,并将配对后的路面裂缝图像输入到生成对抗网络中,输出为超分辨率图像集;训练生成对抗网络,优化生成对抗网络参数,获得优化后的生成对抗网络作为图像超分辨率重建模型。本发明采用深度学习方法对路面裂缝图像进行超分辨率重建,提高了图像重建的准确度;通过对SRGAN方法进行改进,能够更加适合所处理的路面裂缝图像,且在重建图像的细节纹理表现上更加自然,可直接用于路面裂缝检测。

    基于雷达信号多特征融合的隐性裂缝自动检测方法

    公开(公告)号:CN119738887A

    公开(公告)日:2025-04-01

    申请号:CN202411669404.X

    申请日:2024-11-21

    Applicant: 长安大学

    Abstract: 本发明公开了基于雷达信号多特征融合的隐性裂缝自动检测方法,包括如下步骤:步骤1,对实际公路路段进行采集,获取探地雷达原始数据;步骤2,探地雷达信号数据的处理和多特征探地雷达数据集的构建;步骤3,基于Swin Transformer优化的二阶段贯通裂缝检测模型设计;步骤4,基于Swin Transformer‑YOLOv8优化的一阶段贯通裂缝检测模型设计。本发明能够更快速、更准确地识别和定位道路裂缝,减少了维护时间和成本,降低了由于裂缝导致的路面塌陷等安全风险,增强了模型对不同类型裂缝的识别能力,提升了检测模型的泛化性,有利于保持道路的完整性和延长道路使用寿命,能够连续监测道路状况,实时提供裂缝检测数据,为道路维护决策提供科学依据,提高了道路使用安全性。

Patent Agency Ranking