-
公开(公告)号：CN109506628A
公开(公告)日：2019-03-22
申请号：CN201811447469.4
申请日：2018-11-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于深度学习的卡车环境下目标物测距方法，包括如下步骤：S1、获取目标物图像数据；S2、对获取到的目标物图像数据进行预处理；S3、将经过预处理的目标物图像数据输入SSD模型中，经过所述SSD模型的处理获得目标物在图像中的像素位置坐标；S4、根据已识别目标物在图像中的像素位置坐标，通过图像测距的方法对目标物距离图像采集装置的距离进行计算，获得目标物距离图像采集装置的距离；其中，所述SSD模型为经过压缩改进后的模型，所述目标物图像数据为在俯视条件下获取的目标物图像数据。本发明提供的测距方法对矿区卡车需要识别的目标物具有识别速度快、识别效率高，使用单目测距方法测距速度快等优点。
-
公开(公告)号：CN115908917A
公开(公告)日：2023-04-04
申请号：CN202211444739.2
申请日：2022-11-18
Applicant: 东北大学
IPC: G06V10/764 , G06F17/16 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于煤炭光谱数据的煤炭种类识别方法，涉及煤炭种类识别技术领域。该方法首先获取包括不同煤炭类型的煤炭样本光谱数据集，并对煤岩样本的光谱数据特征进行降维处理后划分为训练样本集和测试样本集；再建立基于粒子群算法优化的双隐含层极限学习机的煤炭种类识别模型，并使用训练样本对煤炭种类识别模型进行训练；最后获取待检测的煤炭样本的光谱数据，将获取的光谱数据输入训练好的煤炭种类识别模型，输出煤炭样本的种类。该方法采用具有最优权重矩阵和最优偏置向量的粒子群算法优化的双隐含层极限学习机对煤炭样本的光谱数据进行建模，得到的煤炭样本分类精度较高且该方法效率高、成本低。
-
公开(公告)号：CN109460608B
公开(公告)日：2022-11-25
申请号：CN201811333380.5
申请日：2018-11-09
Applicant: 东北大学
Abstract: 本发明提供一种基于模糊时间序列的高陡边坡形变预测的方法，包括：获得多组天顶距、斜距、方位角的测量数据，其中根据数据的范围合理的划分论域，根据整体分布优化算法将论域合理的分为i个连续区间，通过三角模糊隶属度函数定义i个论域区间的隶属度函数；模糊化历史数据，将测量数据分配至各个模糊区间实施模糊化；通过定连续时间序列的模糊集建立以个模糊关系，将数据中所有相同初始状态的全部模糊关系放到同一个模糊关系组中，建立模糊矩阵；根据建立好的模糊矩阵去模糊化预测。上述方法在坡度突变时准确率依然较高，整体分布优化算法避免了平均值分论域的片面性，整体提高了预测精度。
-
公开(公告)号：CN109460608A
公开(公告)日：2019-03-12
申请号：CN201811333380.5
申请日：2018-11-09
Applicant: 东北大学
Abstract: 本发明提供一种基于模糊时间序列的高陡边坡形变预测的方法，包括：获得多组天顶距、斜距、方位角的测量数据，其中根据数据的范围合理的划分论域，根据整体分布优化算法将论域合理的分为i个连续区间，通过三角模糊隶属度函数定义i个论域区间的隶属度函数；模糊化历史数据，将测量数据分配至各个模糊区间实施模糊化；通过定连续时间序列的模糊集建立以个模糊关系，将数据中所有相同初始状态的全部模糊关系放到同一个模糊关系组中，建立模糊矩阵；根据建立好的模糊矩阵去模糊化预测。上述方法在坡度突变时准确率依然较高，整体分布优化算法避免了平均值分论域的片面性，整体提高了预测精度。
-
-
-
Search Results
4
records
(took 0.021 seconds)
