-
公开(公告)号：CN114723782A
公开(公告)日：2022-07-08
申请号：CN202210253001.1
申请日：2022-03-15
Applicant: 常州大学
IPC: G06T7/246 , G06T7/277 , G06T7/10 , G06V10/26 , G06V10/44 , G06V10/74 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及智能交通技术领域，尤其涉及一种基于异构图学习的交通场景运动目标感知方法，包括S1、引入目标检测网络实时检测交通场景中的运动目标；结合多目标跟踪网络对目标进行跟踪，获得运动目标的观测轨迹；S2、根据观测轨迹建立异构图，送入图变换网络编码；S3、使用运动编码器网络编码目标运动模式，将结果与图变换网络的编码结果拼接；S4、将拼接得到的结果送入运动状态解码器网络，解码得到目标的预测轨迹。本发明基于异构图学习的检测‑跟踪‑预测一体化框架，可检测和跟踪场景中运动目标，并预测目标未来运动轨迹；通过使用异构图网络建模交互关系，从而改善轨迹预测算法性能。
-
公开(公告)号：CN112418421A
公开(公告)日：2021-02-26
申请号：CN202011229257.6
申请日：2020-11-06
Applicant: 常州大学 , 江苏省中以产业技术研究院
Abstract: 本发明涉及一种基于图注意力自编码模型的路侧端行人轨迹预测算法，综合考虑了行人自身的运动状态和周围其他行人特别是运动方向上行人的运动状态对其未来轨迹的影响，本发明通过基于长短期记忆网络的编码器‑解码器进行行人运动轨迹建模，提取行人运动状态，进一步利用图模型和行人之间方位夹角，设计了双注意力机制，为周围行人的影响力分配不同的权重，同时利用潜变量预测器从观测轨迹和真实轨迹中预测潜在的运动变量分布规律，综合以上特点，本发明不仅能够有效的建模行人的运动模式，还能从行人的运动轨迹中学到潜在的运动规律，并且利用本发明提出的双注意力机制有效的建模行人之间的相互影响。
-
公开(公告)号：CN112347923A
公开(公告)日：2021-02-09
申请号：CN202011229272.0
申请日：2020-11-06
Applicant: 常州大学 , 江苏省中以产业技术研究院
Abstract: 本发明涉及本发明提出一种基于对抗生成网络的路侧端行人轨迹生成算法，利用社会注意力机制和行人轨迹潜变量生成多模式预测轨迹；通过轨迹生成器和判别器的对抗生成训练，不断优化生成器和判别器的能力，提高生成器生成轨迹的精确度；提出了基于头部朝向的社会注意力机制，通过行人最后速度方向得到行人头部朝向，并根据头部朝向信息计算出行人之间夹角的余弦值，软注意力和硬注意力机制利用计算出的角度信息优化社会注意力机制输出，并通过最大池化层汇聚输出；提出了一种新的潜变量生成方法，用两个前馈神经网络分别从行人历史轨迹和观测轨迹中学习潜变量，潜变量生成器的输入包括位置、速度、加速度，从这三种输入中分别生成三类潜变量的分布。
-
公开(公告)号：CN107437254A
公开(公告)日：2017-12-05
申请号：CN201710504815.7
申请日：2017-06-28
Applicant: 常州大学
Abstract: 本发明公开了一种果园邻接重叠形态果实判别方法，包括：图像采集：双目视觉实时采集果实图像；果实区域提取：提取左目图像中的所有果实区域；连通区域标记：对左目图像中果实区域进行框定标记；距离图生成：对图像中标记后的连通果实区域进行计算生成距离图；横纵投影图生成：对图像连通果实区域生成的距离图进行横向和纵向投影，获取横纵向投影图；形态预判：基于横纵向投影图中的峰点个数预判疑似重叠形态果实；形态确认：基于疑似重叠形态果实区域的深度信息确认是否为邻接重叠形态果实。该方法能够判别果园图像中的果实是否为邻接重叠形态果实，为后续采用不同的方法来处理不同形态(单个分离、邻接重叠、枝叶遮挡等)的果实提供依据。
-
公开(公告)号：CN117953280A
公开(公告)日：2024-04-30
申请号：CN202410058197.8
申请日：2024-01-16
Applicant: 常州大学
IPC: G06V10/764 , G06N3/0464 , G06V10/774 , G06V10/40 , G06V20/52 , G06N3/08
Abstract: 本发明涉及图像检测技术领域，尤其涉及一种果园幼果检测及生长角度预测方法及系统，包括采集幼果图像数据；获取伪标签数据；YOLOv8n‑seg网络的backbone采用MobileNetv3结构，利用Conv_BN_HSwish层对图像进行降维，并对十个Bottleneck模块进行改进；neck采用CARAFE上采样特征提取模块；优化边界框损失；采用标注数据和伪标签数据对幼果检测模型进行训练，并利用对幼果图像进行生长角度估算。本发明利用半监督学习通过少量已标注数据和大量未标注数据，提高模型的泛化能力；利用改进YOLOv8n‑seg网络提高幼果的识别率；以及解决现有方法套袋的精准性不足的问题。
-
Patent Agency Ranking
公开(公告)号：CN112329682B
公开(公告)日：2024-01-26
申请号：CN202011276593.6
申请日：2020-11-16
Applicant: 常州大学
IPC: G06V40/10 , G06V10/25 , G06V10/42 , G06V10/764 , G06N3/0464
Abstract: 本发明涉及一种基于穿越动作和交通场景上下文因素的行人穿越马路意图识别方法，首先通过faster‑RCNN进行行人检测，进一步利用行人的运动信息搜索感兴趣目标，提取感兴趣目标的运动序列、周围交通场景序列以及轨迹位置；其次设计了一种三维卷积神经网络来处理感兴趣目标的运动序列，得到与行人穿越马路意图相关的行为特征；然后本发明根据行人所处的局部交通场景的要素以及车辆行驶速度得到两个权重，来修正人‑车距离，并将修正后的距离送到多层感知机进行编码，得到与行人穿越马路意图相关的距离特征；最后将行为特征和距离特征进行信息融合，利用全连接层将融合后的特征降维，并通过softmax操作得到行人是否穿越马路的结
-
公开(公告)号：CN117337693A
公开(公告)日：2024-01-05
申请号：CN202311555685.1
申请日：2023-11-21
Applicant: 江苏城乡建设职业学院 , 常州大学
IPC: A01D46/30
Abstract: 本发明公开了一种用于果实采摘的被遮挡果实识别的装置，涉及到果实采摘技术领域，包括行走底座、支撑组件、采摘组件、液压支架以及收料斗。本发明还提供了一种用于果实采摘的被遮挡果实识别的装置使用方法，包括以下步骤：设备调试，角度调整，果实采摘与枝叶分离以及果实收集。本发明通过设置行走底座，行走底座的上方设置有支撑组件，支撑组件的一侧设置有采摘组件，采摘组件包括转杆和螺旋叶片，在对果实进行采摘时，转杆和螺旋叶片可以直接插入枝叶中，螺旋叶片可以对枝叶中被遮挡的果实进行牵引，使得果实被采摘下来，从而无需对枝叶下隐藏的果实进行精确定位，进而解决了枝叶遮挡果实难以进行定位采摘的问题。
-
公开(公告)号：CN117131924A
公开(公告)日：2023-11-28
申请号：CN202311072249.9
申请日：2023-08-24
Applicant: 常州大学
IPC: G06N3/096 , G06N3/0455 , G06N20/20 , G06F18/23213
Abstract: 本发明涉及一种基于在线多源迁移学习的快速自适应轨迹预测方法，包括：将n个基学习器{fi|i＝1,...,n}在对应的源域中预先训练，随机初始化在线学习器ft的参数，在线学习器的结构ft具有与基学习器相同；数据{Xt,Yt|t＝1,2,...,T}按时间顺序到达，Xt表示t时刻到达的观测轨迹，Yt表示t时刻到达的未来真实轨迹，当t时刻到来时ft进行更新操作，利用在线学习器，得到在线学习器ft进行轨迹预测ft+1。本发明能够适应实时变，并对在线学习器化的场景和轨迹数据，进而对未来轨迹进行准确预测。
-
公开(公告)号：CN113837039B
公开(公告)日：2023-10-24
申请号：CN202111067533.8
申请日：2021-09-13
Applicant: 常州大学
IPC: G06V20/68 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及卷积神经网络技术领域，涉及一种基于卷积神经网络的果实生长形态视觉辨识方法，包括以下步骤：S1、图像采集：采集果园不同形态的果实图像，并对图像进行标注；S2、图像增强：将采集到的图像进行数据增强以扩充数据集；S3、搭建卷积神经网络模型；S4、使用SGD优化器对网络参数进行优化；S5、使用训练完的最优模型对测试集进行检测，给出每个目标的预测框、类别和置信度。本发明基于深度学习技术提出了果实生长形态的辨识方法，该方法与Faster‑RCNN、YOLO算法相比，有更高的识别准确率和更快的识别速度，同时模型参数量也更少。
-
公开(公告)号：CN109544572B
公开(公告)日：2023-07-25
申请号：CN201811373577.1
申请日：2018-11-19
Applicant: 常州大学
Abstract: 本发明公开了一种果园图像中近大果实目标的获取方法，包括：1、RGB图像采集；2、色差图像获取：对RGB图像提取R‑G色差图像；3、图像形态学运算：对R‑G色差图像依次进行腐蚀、一次孔洞填充、小区域去除、膨胀、二次孔洞填充操作；4、果实区域获取：基于图像中物体边缘信息进行阈值分割获取果实区域；5、各果实区域等面积圆半径获取：计算各果实区域面积，在此基础上计算出等面积圆的半径；6、获取近大果实区域：对果实图像以半径变化的圆盘形结构元素进行迭代开运算操作，以此获取近大果实目标区域图像。本发明为单臂采摘机器人采摘目标的确定提供了一种简单有效的方法。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.023 seconds)
