-
公开(公告)号：CN110060363A
公开(公告)日：2019-07-26
申请号：CN201910302067.3
申请日：2019-04-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于“自由交通流”模式的高速公路货车预检计重智慧收费系统，包括：三车道货车预检系统、治超点和无人值守收费站；三车道货车预检系统由三个车道的第一智慧动态称重系统组成；第一智慧动态称重系统包括摄像机、动态称重传感器组、线圈、机柜、LED显示屏和物联网传输端；无人值守收费站由三个车道的第二智慧动态称重系统组成；第二智慧动态称重系统包括摄像机、动态称重传感器组、物联网传输端、光幕、LED显示屏和机柜。本发明能够有效减少由于路面不平及车辆重心不稳引起的称重偏差，为治超部门和高速公路收费系统提供在线实时服务。
-
公开(公告)号：CN113792261B
公开(公告)日：2024-12-10
申请号：CN202111127861.2
申请日：2021-09-26
Applicant: 东南大学
Abstract: 本发明公开了一种高速公路桥梁机电系统状态信息化矩阵的构建方法，包括：确定高速公路桥梁机电系统的功能结构和物理结构；通过高速公路数据采集与监控系统采集前端电气参数，构建原始电气量数据集；基于高速公路桥梁机电系统结构和数据记录标准化格式，采用正则表达式匹配及字符分割聚类，并根据电气量参数类型对数据排序，构建信息化矩阵，采用迭代的方法规范数据格式；将参数与状态分离为两个矩阵，并采用灰度图像表达参数和状态矩阵。本发明将高速公路桥梁机电配电组采集的电气信息转换为时间序列的信息化矩阵法，以便于对高速公路桥梁机电系统故障进行分类和预测，可对高速公路场景中桥梁机电系统的管养提供技术支持。
-
公开(公告)号：CN111460996A
公开(公告)日：2020-07-28
申请号：CN202010244452.X
申请日：2020-03-31
Applicant: 东南大学
Abstract: 本发明公开了一种基于极限学习深度网络融合模型的货车车辆号牌识别方法，包括以下步骤：采用高速公路监控相机获取货车图像，对货车图像采用可变形部件模型、进行货车车辆号牌定位，基于比例分割方法对定位得到的货车车辆号牌进行字符分割，构建货车车辆号牌字符图像集；对车辆号牌字符图像进行特征提取；对车辆号牌字符图像进行特征提取；对车辆号牌字符图像进行特征提取；构建基于极限学习深度网络融合模型；采用训练好的基于极限学习的深层网络融合模型对输入车辆号牌图像进行货车车辆号牌的识别分类。优点是：本发明的性能优于传统的HOG+SVM以及极限学习InceptionV3模型、极限学习XceptionV3模型和极限学习NASNet模型，其识别率达到98.18％。
-
公开(公告)号：CN109117719A
公开(公告)日：2019-01-01
申请号：CN201810710828.4
申请日：2018-07-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于局部可变形部件模型融合特征的驾驶姿态识别方法。本发明的方法包括如下步骤：(1)采用视频传感器获取驾驶员姿态图像，并定义驾驶姿态局部核心区域；(2)采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数，构建驾驶姿态局部核心区域检测的局部可变形部件模型；(3)分别构建驾驶姿态局部核心区域的局部可变形部件模型的得分模型，该模型的计算结果作为驾驶姿态局部核心区域的局部特征向量；(4)采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量；(5)采用基于RBF核的支持向量机对驾驶员姿态进行识别。本发明能够有效地对驾驶员的驾驶姿态进行检测和识别。
-
公开(公告)号：CN113743537B
公开(公告)日：2024-07-09
申请号：CN202111127850.4
申请日：2021-09-26
Applicant: 东南大学
IPC: G06F18/2411 , G06F18/10 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06F18/23
Abstract: 本发明公开了基于深层稀疏记忆模型的高速公路机电系统故障分类方法，包括：获取高速公路机电系统的数据采集与监控系统SCADA所采数据，进行数据预处理；构建基于双层栈式稀疏自编码器+SVM的跳闸故障检测模型，对高速公路机电系统电气量参数进行特征提取和故障检测，输出故障时刻；构建改进FSS‑LSTM网络模型，对系统的故障时刻数据进行故障状态分类，输出故障类。本发明通过稀疏学习和深度神经网络的紧密结合，提高分类效率，并且更精准的实现多种故障的分类，对高速公路场景中机电系统的运维提供技术支持。
-
Patent Agency Ranking
公开(公告)号：CN109117719B
公开(公告)日：2020-04-14
申请号：CN201810710828.4
申请日：2018-07-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于局部可变形部件模型融合特征的驾驶姿态识别方法。本发明的方法包括如下步骤：(1)采用视频传感器获取驾驶员姿态图像，并定义驾驶姿态局部核心区域；(2)采用线性判别式分析分别确定每一个驾驶姿态局部核心区域的组件数，构建驾驶姿态局部核心区域检测的局部可变形部件模型；(3)分别构建驾驶姿态局部核心区域的局部可变形部件模型的得分模型，该模型的计算结果作为驾驶姿态局部核心区域的局部特征向量；(4)采用串行融合规则构建驾驶员姿态的局部可变形部件模型融合特征向量；(5)采用基于RBF核的支持向量机对驾驶员姿态进行识别。本发明能够有效地对驾驶员的驾驶姿态进行检测和识别。
-
公开(公告)号：CN109948643A
公开(公告)日：2019-06-28
申请号：CN201910054955.8
申请日：2019-01-21
Applicant: 东南大学
Abstract: 本发明提供了一种基于深层网络融合模型的车辆类型分类方法，包括：对获取的车辆图像搜索车牌区域，定位和分割车脸图像；构建Resnet50网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量FR；构建InceptionV3网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量FI；构建Xception网络模型，对车脸图像进行特征提取，获得1×2048维的车型特征向量FX；将获取的车脸图像特征向量FR、FI和FX进行融合，得到3×2048维的车型融合特征向量FC；构建深层网络融合模型的输出层，并根据获取的车型融合特征向量FC对车辆类型进行分类。本发明性能优于现有车型分类方法。
-
公开(公告)号：CN111460996B
公开(公告)日：2022-02-15
申请号：CN202010244452.X
申请日：2020-03-31
Applicant: 东南大学
IPC: G06V20/52 , G06V20/62 , G06V30/148 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于极限学习深度网络融合模型的货车车辆号牌识别方法，包括以下步骤：采用高速公路监控相机获取货车图像，对货车图像采用可变形部件模型、进行货车车辆号牌定位，基于比例分割方法对定位得到的货车车辆号牌进行字符分割，构建货车车辆号牌字符图像集；对车辆号牌字符图像进行特征提取；对车辆号牌字符图像进行特征提取；对车辆号牌字符图像进行特征提取；构建基于极限学习深度网络融合模型；采用训练好的基于极限学习的深层网络融合模型对输入车辆号牌图像进行货车车辆号牌的识别分类。优点是：本发明的性能优于传统的HOG+SVM以及极限学习InceptionV3模型、极限学习XceptionV3模型和极限学习NASNet模型，其识别率达到98.18％。
-
公开(公告)号：CN113792261A
公开(公告)日：2021-12-14
申请号：CN202111127861.2
申请日：2021-09-26
Applicant: 东南大学
Abstract: 本发明公开了一种高速公路桥梁机电系统状态信息化矩阵的构建方法，包括：确定高速公路桥梁机电系统的功能结构和物理结构；通过高速公路数据采集与监控系统采集前端电气参数，构建原始电气量数据集；基于高速公路桥梁机电系统结构和数据记录标准化格式，采用正则表达式匹配及字符分割聚类，并根据电气量参数类型对数据排序，构建信息化矩阵，采用迭代的方法规范数据格式；将参数与状态分离为两个矩阵，并采用灰度图像表达参数和状态矩阵。本发明将高速公路桥梁机电配电组采集的电气信息转换为时间序列的信息化矩阵法，以便于对高速公路桥梁机电系统故障进行分类和预测，可对高速公路场景中桥梁机电系统的管养提供技术支持。
-
公开(公告)号：CN113743537A
公开(公告)日：2021-12-03
申请号：CN202111127850.4
申请日：2021-09-26
Applicant: 东南大学
Abstract: 本发明公开了基于深层稀疏记忆模型的高速公路机电系统故障分类方法，包括：获取高速公路机电系统的数据采集与监控系统SCADA所采数据，进行数据预处理；构建基于双层栈式稀疏自编码器+SVM的跳闸故障检测模型，对高速公路机电系统电气量参数进行特征提取和故障检测，输出故障时刻；构建改进FSS‑LSTM网络模型，对系统的故障时刻数据进行故障状态分类，输出故障类。本发明通过稀疏学习和深度神经网络的紧密结合，提高分类效率，并且更精准的实现多种故障的分类，对高速公路场景中机电系统的运维提供技术支持。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.031 seconds)
