-
公开(公告)号：CN119669680A
公开(公告)日：2025-03-21
申请号：CN202411722449.9
申请日：2024-11-28
Applicant: 长安大学
IPC: G06F18/20 , G01S13/88 , G06F18/2131 , G06F18/214 , G06F18/25 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于探地雷达和Swin Transformer优化的轻量化裂缝贯通程度检测方法，包括如下步骤：步骤1，采集探地雷达数据，并进行预处理和特征提取；步骤2，构建多特征融合的数据集；步骤3，设计基于Swin Transformer优化的二阶段贯通裂缝检测模型；步骤4，设计基于Swin Transformer‑YOLOv8优化的一阶段贯通裂缝检测模型；步骤5，根据步骤3和步骤4中的模型架构对训练集和测试集数据进行训练、预测。本发明提高了裂缝贯通程度检测的准确性，为道路维护提供了科学依据；大幅提高了检测速度，满足了大面积快速检测的需求；降低了计算复杂度，减轻了设备性能压力，提高了检测效率；增强了模型的泛化能力，可以适应不同道路条件；促进了智能化道路检测技术的发展。
-
公开(公告)号：CN119474496A
公开(公告)日：2025-02-18
申请号：CN202411593180.9
申请日：2024-11-08
Applicant: 长安大学
IPC: G06F16/907 , G06F18/213 , G06F18/25 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V20/54 , G06V10/44 , G06V10/82 , G06F16/33
Abstract: 本发明公开了一种基于跨模态检索的交通大模型智能交通事件识别方法，包括：将待识别交通事件的图像及其文本描述输入交通事件识别网络模型；交通事件识别网络模型：视觉特征提取模块用于提取图像中视觉特征；文本特征提取模块用于提取文本描述中文本特征；视觉选择性过滤模块用于选择性过滤无相关性的视觉提取特征得到视觉过滤特征；文本选择性过滤模块用于选择性过滤不必要的文本提取特征得到文本过滤特征；跨模态选择性对齐模块用于对视觉、文本提取特征进行跨模态对齐得到视觉对齐特征和文本对齐特征；计算模块用于将视觉过滤特征和视觉对齐特征及将文本过滤特征和文本对齐特征进行融合来确定识别结果。本发明提高了检索识别的准确性和效率。
-
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。
-
公开(公告)号：CN118350104A
公开(公告)日：2024-07-16
申请号：CN202410604531.5
申请日：2024-05-15
Applicant: 长安大学
Abstract: 本发明公开了一种基于多因素耦合作用的路面抗滑性能评估方法及装置，涉及道路交通安全技术领域，解决了现有技术中没有能够兼顾准确和高效的抗滑性能评估方法的问题，该方法包括：获取沥青路面样本集；提取所述样本集中每个样本的二维特征和三维特征，得到所述样本集的多模态特征数据集；构建评估模型，并结合所述多模态特征数据集对所述评估模型进行训练，得到训练好的评估模型；其中，评估模型包括：基学习器、先验分布的概率函数和评分函数；利用所述训练好的评估模型对沥青路面进行抗滑性能评估；该方法实现了以提升路面抗滑性能评估的效率和准确度，为道路行驶安全保障和路面养护决策提供良好的数据基础。
-
公开(公告)号：CN117613993A
公开(公告)日：2024-02-27
申请号：CN202311369082.2
申请日：2023-10-20
Applicant: 长安大学
IPC: H02J3/38 , H02J3/46 , H02J3/28 , H02J3/32 , H02J3/00 , G06Q10/0631 , G06N3/0442 , G06N3/043 , G06N3/045 , G06Q50/06
Abstract: 本发明公开了一种公路微电网风光氢蓄储系统的日内优化调度方法，包括：采集公路基础设施区域内的原始气象数据并进行预处理，得到多维规范后的原始气象数据；将多维规范后的原始气象数据输入经训练的FRS‑LSTM模型中，预测未来一天的气象数据，并根据预测的气象数据获得日内风光机组的发电功率；采集公路基础设施中各类用电系统的负荷数据进行分析重组，并异构虚拟电厂；构建改进的Pareto多目标优化调度模型；将异构虚拟电厂内部各模块设备的可参与调度情况输入多目标优化调度模型，获得风光氢蓄储系统的日内最佳优化调度决策。本发明能够有效提升公路基础设施的智能化管理，提高微电网的运行效率、供电可靠性和新能源消纳率。
-
Patent Agency Ranking
公开(公告)号：CN111860596B
公开(公告)日：2023-11-07
申请号：CN202010553028.3
申请日：2020-06-17
Applicant: 长安大学
IPC: G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明属于路面裂缝分类领域，公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：获取待分类图片数据集；建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项；将待分类图片数据集输入AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。
-
公开(公告)号：CN116229354A
公开(公告)日：2023-06-06
申请号：CN202310027235.9
申请日：2023-01-09
Applicant: 中交隧道工程局有限公司 , 长安大学
IPC: G06V20/52 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，通过在隧道开挖过程中从现场设备采集隧道掌子面图片，将隧道掌子面图片作为待识别图像，进行裁剪使其符合模型输入尺寸要求，并提取有效图像；利用训练完成的CNN网络模型提取有效图像的围岩参数；从而计算围岩基本质量指标；根据围岩基本质量指标，划分隧道的围岩等级。相比于现有技术网络受围岩等级受诸多综合因素影响，难以一次性学习到多种复杂且区分度低的隐特征的缺陷，输出分辨准确度低识别结果。本发明构建CNN网络模型对围岩参数进行网络训练学习，利用围岩参数计算得到围岩基本质量指标，这样得到的精度比现有技术直接利用网络进行围岩等级的辨识要高。
-
公开(公告)号：CN113283495A
公开(公告)日：2021-08-20
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。
-
公开(公告)号：CN111860596A
公开(公告)日：2020-10-30
申请号：CN202010553028.3
申请日：2020-06-17
Applicant: 长安大学
Abstract: 本发明属于路面裂缝分类领域，公开了一种基于深度学习的无监督路面裂缝分类模型建立方法，包括如下步骤：获取待分类图片数据集；建立AlexNet网络模型并初始化模型的超参数、权重参数及偏置项；将待分类图片数据集输入AlexNet网络模型中，获得高维特征向量集；对高维特征向量集利用快速峰值算法进行聚类，获得伪标签集；利用待分类图片数据集和伪标签集对AlexNet网络模型进行训练，训练完成的模型即为无监督路面裂缝分类模型。本发明将无监督聚类算法引入深度神经网络对路面裂缝图像数据进行处理，进而去掉数据标注的任务，不仅对于深度神经网络而言具有重要意义，并且在无监督视觉特征学习任务上也是一个重大的突破。
-
公开(公告)号：CN110318327A
公开(公告)日：2019-10-11
申请号：CN201910497679.2
申请日：2019-06-10
Applicant: 长安大学
IPC: E01C23/01
Abstract: 本发明一种基于随机森林的路面平整度预测方法：步骤1：对于每个沥青路面采集路面平整度指数IRI以及路面参数的取值，得到沥青路面样本数据；步骤2：对每个路面参数归一化得到训练集；步骤3：将训练集采用随机森林算法进行训练，将路面平整度指数IRI作为随机森林算法的输出，将路面数据作为输入，得到训练好的沥青路面平整度预测模型；步骤4：采集待测沥青路面的路面参数值，得到待测的沥青路面数据；步骤5：归一化操作；步骤6：用训练好的沥青路面平整度预测模型对待测的归一化后的沥青路面数据处理，得到待测沥青路面的路面平整度。本发明建立了基于随机森林的路面平整度预测模型，通过该模型能够大大提高了路面平整度的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.044 seconds)
