-
公开(公告)号：CN101847270A
公开(公告)日：2010-09-29
申请号：CN201010173580.6
申请日：2010-05-14
Applicant: 东南大学
Abstract: 本发明涉及以改善车辆动力学性能为目标的虚拟样机、MATLAB控制系统联合仿真。本发明所要解决的技术问题是针对上述现有技术的不足，提供一套耦合虚拟样机、MATLAB的四轴重型货车悬架系统改进天棚控制模拟技术，改善车辆的道路友好性、平顺性。本发明基于ADAMS/View平台构建四轴重型货车虚拟样机模型和各等级双轮辙多点随机激励路面模型；依据现代控制理论，提出一种改进天棚控制算法，采用ADAMS、Matlab/Simulink联合仿真的方法实现悬架系统阻尼的半主动、主动改进天棚控制。本发明的重要创新在于实现了四轴重型货车悬架系统的ADAMS/MATLAB联合仿真，设计的改进天棚控制算法适用于悬架系统的半主动、主动控制，能有效改善四轴重型货车的道路友好性、平顺性，并具有较强的鲁棒性。
-
公开(公告)号：CN119942472A
公开(公告)日：2025-05-06
申请号：CN202510009902.X
申请日：2025-01-03
Applicant: 东南大学
IPC: G06V20/54 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/80
Abstract: 本发明公开了基于多模态融合网络的公路场景中三维车辆检测方法，包括：构建了区分前后景，并且同时考虑实例深度与遮挡信息的Cross Modal GT‑AUG模块，更加真实的模拟现实场景的跨模态数据增强过程；构建了图像与Lidar BEV的Cross Modal Multi‑Head‑Attention模块，有效的弥补了高分辨特征中grained information，同时增强了图像中的信息表示；构建了适用于公路场景的MMFN‑PVA‑VDHS模型，在Nuscenes和Nuscenes‑C混合数据集上验证了模型的性能，可以有效的解决场景中抖动导致的跨模态特征不对齐问题。本发明的有益效果在于：能够有效对公路场景车辆进行检测，解决特征不对齐导致的检测精度下降的问题。
-
公开(公告)号：CN119919916A
公开(公告)日：2025-05-02
申请号：CN202510009901.5
申请日：2025-01-03
Applicant: 东南大学
IPC: G06V20/59 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了一种基于几何空间融合特征深度注意力网络的驾驶员行为识别方法，包括：构建驾驶员行为标准图像数据集SAA13和special；构建基于YOLO‑pose的驾驶员骨干空间特征生成模型；研究结合图像的上下文几何特征与驾驶员的骨干空间特征作为输入的双流融合特征；研究并设计专门用于复杂驾驶场景当中的多源协同注意力MCA‑DBR模块；研究将MCA‑DBR模块嵌入网络浅层位置以加强网络对驾驶员局部细节特征的提取能力；将强化后的特征图输入到分类网络的搭建模块当中进行深层语义特征提取；使用softmax激活函数对DAN‑GSFF提取到的深度特征进行解码并输出最终的识别结果。DAN‑GSFF在SAA13综合数据集上实现了90.11％的精度和96.2的FPS，这为提高网络对驾驶员行为的识别能力提供了一种可行方法。
-
公开(公告)号：CN110894704B
公开(公告)日：2024-11-19
申请号：CN201911120174.0
申请日：2019-11-15
Applicant: 东南大学 , 江苏现代路桥有限责任公司
Abstract: 本发明公布了一种基于无人机的公路路面病害的定位方法，包括：集成了高分辨率视频采集器、5G移动通信终端、北斗卫星定位导航模块的无人机系统；对路面高分辨率影像数据、无人机飞行高度数据、无人机位置信息的获取；依靠5G移动通信技术的检测数据的传输、利用基于改进DPM的路面病害检测模型对路面病害进行检测与定位。本发明的有益效果在于：有效解决了当前路面病害数据获取方法存在的自动化程度低，获取成本高、速度慢以及路面病害检测及定位方法存在的检测效率低、检测精确度波动大、定位过程工作量大、定位自动化程度低等缺点；实用性强，可广泛用于高速公路、国道、其他低等级公路以及城市道路的路面病害检测及定位。
-
公开(公告)号：CN118861978A
公开(公告)日：2024-10-29
申请号：CN202410891860.2
申请日：2024-07-04
Applicant: 东南大学
IPC: G06F18/25 , G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于单智能体结构大语言模型的高速公路门架场景中多源车辆信息匹配融合方法，包括：对高速公路门架场景中多源车辆信息感知数据进行挖掘和标注；构建高速公路门架场景中多源车辆信息匹配融合数据集；基于多源车辆信息匹配流程，构建用于高速公路门架场景中多源车辆信息匹配融合的大语言单智能体结构模型LLMSA‑MVIMF‑EGS；通过大语言单智能体结构模型LLMSA‑MVIMF‑EGS输出多源车辆信息匹配融合结果。本发明在大语言模型的基础上，针对具体的高速公路门架场景中多源车辆信息数据进行匹配训练，为高速公路门架ETC收费提供一定的技术支持。
-
Patent Agency Ranking
公开(公告)号：CN118552745A
公开(公告)日：2024-08-27
申请号：CN202410609563.4
申请日：2024-05-16
Applicant: 东南大学
IPC: G06V10/44 , G06N3/0464 , G06V10/764 , G06V10/25
Abstract: 本发明公开了一种基于双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，包括构建高速场景中多车辆及多目标部件区域匹配数据集；构建用于高速公路场景中多车辆及多目标部件区域匹配的ResNet50‑M‑TCR‑ES模型；构建用于高速公路场景中多车辆及多目标部件区域匹配的双分支DB‑ResNet50‑M‑TCR‑ES模型；进行对比实验，选取用于高速公路场景中多车辆及多目标部件区域的性能最好的模型DB‑ResNet50‑M‑TCR‑ES。本发明提出高速场景中多车辆及多目标部件区域匹配数据集的构建方法，构建基于特征提取网络与双分支分类网络的高速公路场景中多车辆及多目标部件区域匹配方法，从而实现全天候多车辆与多目标部件信息的高精度及高效率感知，提升高速公路门架ETC系统感知的性能。
-
公开(公告)号：CN117291085A
公开(公告)日：2023-12-26
申请号：CN202310750755.2
申请日：2023-06-25
Applicant: 东南大学
IPC: G06F30/27 , G06F18/214 , G06F18/24 , G06F18/20 , G06Q10/0639 , G06N3/04 , G06N5/01 , G06N20/00
Abstract: 本发明公开了基于贝叶斯多模态神经网络的高速公路沥青路面养护方案决策方法，包括：构建高速公路路面养护信息矩阵；选取高速公路路面养护决策指标；构建用于高速公路沥青路面养护方案决策的多模态神经网络模型MNN‑EAPMD；构建用于高速公路沥青路面养护方案决策的贝叶斯多模态神经网络决策模型BMNN‑EAPMD；构建基于养护方案概率不确定型的决策优化方案。本发明提出高速公路路面养护信息矩阵构建方法、构建用于高速公路沥青路面养护方案决策的贝叶斯多模态神经网络模型并提出了基于不确定性的决策优化方法，从而实现高速公路基础数据及定期检测指标与高速公路沥青路面养护方案之间的映射关系，可以对高速公路养护方案智能化决策提供技术支持。
-
公开(公告)号：CN117197085A
公开(公告)日：2023-12-08
申请号：CN202311163416.0
申请日：2023-09-08
Applicant: 东南大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06V10/776 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明提出了一种基于改进YOLOv8网络的公路快检图像路面病害检测方法，包括：构建公路快检图像路面病害图像标注数据集；构建用于公路快检图像路面病害检测的Faster‑RCNN‑RSDD‑HRII、SSD‑RSDD‑HRII、Retina‑Net‑RSDD‑HRII、YOLOv5‑RSDD‑HRII、YOLOv8‑RSDD‑HRII五种基础模型；通过对比实验与交叉验证实验，得出YOLOv8‑RSDD‑HRII模型是更适应公路快检图像场景下的路面病害基础检测网络模型；考虑到公路快检图像路面病害属于细小类型目标，同时YOLOv8‑RSDD‑HRII模型测试结果的检测率较低，于是在现有YOLOv8网络模型的基础上，通过改进网络内部结构，构建用于公路快检图像细小路面病害检测的改进模型YOLOv8‑SODL‑RSDD‑HRII与YOLOv8‑CBAM‑RSDD‑HRII；通过对比实验与交叉验证实验，得出YOLOv8‑CBAM‑RSDD‑HRII模型更适应公路快检图像场景下的细小路面病害检测，可以更精准地识别公路快检图像路面病害，从而有效提高公路养护效率。
-
公开(公告)号：CN116863412A
公开(公告)日：2023-10-10
申请号：CN202310664169.6
申请日：2023-06-06
Applicant: 东南大学
IPC: G06V20/54 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于深度学习融合模型的车辆类型识别方法，包括：构建高速公路场景中车辆顶视图图像数据集；构建基于深度学习的高速公路场景中车辆类型检测与识别方法CenterNet，并使用crop函数裁剪车辆目标区域；构建基于深度学习的车辆类型识别模型VTR‑NASNetLarge，获取一维特征向量FN；构建基于深度学习的车辆类型识别模型VTR‑VGG16，获取一维特征向量FV；构建基于深度学习的车辆类型识别模型VTR‑MobileNetV2，获取一维特征向量FM；将特征向量FN、FV、FM并联融合，构建基于深度学习车辆类型识别融合模型DFN‑VTR进行高速公路场景中车辆收费车辆类型识别。本发明提出获取车辆顶视图中的车辆目标区域并构建深度学习融合模型，可更精确地实现车辆类型的识别，对车辆信息感知提供技术支持。
-
公开(公告)号：CN115731436B
公开(公告)日：2023-09-26
申请号：CN202211154277.0
申请日：2022-09-21
Applicant: 东南大学
IPC: G06V10/80 , G06V10/774 , G06V10/74 , G06V20/56 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习融合模型的高速公路车辆图像检索方法，包括如下步骤：S1、采用基于Faster‑RCNN的目标检测切割模型构建车辆检索图像数据集；S2、采用DenseNet121、ResNet50与VGG16网络作为检索网络，构建多种不同的基于单特征多网络融合深度学习模型车辆图像检索模型与多网络多特征融合深度学习模型车辆图像检索模型进行图像检索；S3、构建基于深度学习融合模型的实验结果评价指标，分别对基于深度学习融合模型的高速公路车辆图像检索方法的检索精确度与检索时效性进行评估。本发明构建的模型性能优于单网络模型，在高速公路场景中检索正确率均高于97％，且平均检索时间并未明显增加。
-
-
-
-
-
-
-
-
-
Search Results
117
records
(took 0.022 seconds)
