-
公开(公告)号：CN119006997A
公开(公告)日：2024-11-22
申请号：CN202410730784.7
申请日：2024-06-06
Applicant: 华东交通大学 , 广东城乡交通规划设计有限公司
IPC: G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及地球物理探测技术领域，具体公开了一种基于正演与实测混合的探地雷达图像自动识别方法，包括下列步骤：步骤1：图像数据采集、步骤2：构建非均质模型、步骤3：添加病害到步骤2的模型中、步骤4：设置激励源、步骤5：对正演图像集进行预处理、步骤6：对实测图像进行预处理、步骤7：YOLOX模型训练，以及步骤8：计算结果；本发明结合正演模拟数据和实测数据，构建混合数据集，提高了模型的泛化能力；利用深度学习技术训练识别模型，实现了对探地雷达图像的自动识别，提高了识别精度和效率。
-
公开(公告)号：CN118470147A
公开(公告)日：2024-08-09
申请号：CN202410554131.8
申请日：2024-05-07
Applicant: 华东交通大学 , 广东城乡交通规划设计有限公司
Abstract: 本发明涉及道路探地雷达检测技术领域，具体为一种基于非均质模型的道路探地雷达内部病害图像生成方法，包括以下步骤：步骤1导入所需的Python库、步骤2初始化变量、步骤3颗粒生成、步骤4创建循环、步骤5对不同尺寸的颗粒进行赋值、步骤6通过在上述建立的模型中添加多个不规则形状，以及步骤7将上述包含病害的非均质模型放入正演模拟软件中进行正演。步骤1：通过Python编程工具，导入所需的Python库，包括NumPy、Matplotlib、Math、OpenCV、random、h5py和PIL等，用于为实现创建包含病害的非均质模型提供编程环境；步骤2：初始化变量，为创建包含病害非均质模型赋予一个初始值，确保变量在使用时具备一个初始值，避免程序出现未定义行为和错误。
-
公开(公告)号：CN118570156A
公开(公告)日：2024-08-30
申请号：CN202410658234.9
申请日：2024-05-27
Applicant: 华东交通大学 , 广东城乡交通规划设计有限公司
Abstract: 本发明涉及三维数字图像处理技术领域，具体为基于三维数字图像处理的层间粘结状态评价方法，包括以下步骤：步骤1三维探地雷达无损检测，采集三维探地雷达数据、步骤2对三维探地雷达数据进行处理、步骤3将处理后的波形图的振幅数据转换成RGB图像文件、步骤4按照结构层位特征，对RGB图像进行切片，获取多层图像、步骤5对截取的RGB图像进行图像处理、步骤6截取沥青路面层的上‑中、中‑下、下‑基层三个层间图像，以及步骤7按照层间粘结中空气+松散体占比情况可将沥青路面结构层间接触状态3个等级。步骤1：对待测路段进行三维探地雷达无损检测，采集三维探地雷达数据，将采集的信号数据矩阵signal_data＝[x1,x2,...,xn]，其中xn无损检测第n个采样点的雷达信号。
-
公开(公告)号：CN112489202B
公开(公告)日：2024-08-13
申请号：CN202011423558.2
申请日：2020-12-08
Applicant: 甘肃智通科技工程检测咨询有限公司 , 华东交通大学
IPC: G06T17/00 , G06N3/0455 , G06N3/08
Abstract: 本发明属于土木工程领域，公开了一种基于多视角深度学习的路面宏观纹理重建方法。采集路面多视角图像和路面宏观纹理三维点云数据作为路面信息数据集；建立基于单视角路面图像的深度学习结构S，用于基于单一视角图像的路面宏观纹理重建；建立多视角融合单元MU，用于融合基于不同路面视角图像的路面宏观纹理重建模型；使用路面信息数据集对深度学习结构S和多视角融合单元MU进行端对端训练，获得训练完成的多视角深度学习结构；采用训练完成的多视角深度学习结构生成待检测沥青路面区域的宏观纹理模型。本发明能直接利用多视角路面图像重建三维路面宏观纹理模型，有利于提高路面宏观纹理数据的采集，对提高路面病害和性能检测的效率有积极的意义。
-
公开(公告)号：CN112489026B
公开(公告)日：2023-08-18
申请号：CN202011425015.4
申请日：2020-12-08
Applicant: 甘肃智通科技工程检测咨询有限公司 , 华东交通大学
IPC: G06T7/00
Abstract: 本发明属于土木工程检测技术领域，尤其涉及一种基于多分支并行卷积神经网络的沥青路面病害检测方法，用于实现路面图像中的路表病害类别识别、位置测定、形态测量；将路面图像及其对应的病害边界框标签、病害类型标签、边界框内像素类别标签作为训练数据；构建建立多分支并行卷积神经网络，包括一个特征提取器、一个感兴趣区域提取器、一个回归器、一个分类器、一个解码器；使用训练数据训练多分支并行卷积神经网络；给定待检测沥青路面区域，采集路面图像，采用训练完成的多分支并行卷积神经网络计算待检测区域内存在的路面病害类型、位置、形态。本发明能够通过路面图像进行路面病害检测，有利于提高沥青路面病害检测的效率和准确率。
-
Patent Agency Ranking
公开(公告)号：CN115259710A
公开(公告)日：2022-11-01
申请号：CN202211027777.8
申请日：2022-08-25
Applicant: 华东交通大学 , 新疆交投建设管理有限责任公司 , 新疆农业大学
Abstract: 本发明公开了一种基于锂渣的人造集料、其制备方法及沥青混合料，一种基于锂渣的人造集料，包括锂渣、碱激发剂和胶凝材料，其中，所述锂渣与所述胶凝材料的重量比为(1.5～3.0)：1，所述碱激发剂的体积与所述锂渣和所述胶凝材料的总重量比为(0.28～0.32)ml：1g；所述碱激发剂包括‑OH和‑SiO3，其中，所述‑OH的含量为2.0mol/L～3.2mol/L，所述‑SiO3的含量为3.6mol/L～4.7mol/L。本发明能够提高锂渣的利用率，节约沥青混合料中天然集料的使用比例，降低沥青混合料生产过程中的能耗与碳排放，实现社会的可持续发展。
-
公开(公告)号：CN112489202A
公开(公告)日：2021-03-12
申请号：CN202011423558.2
申请日：2020-12-08
Applicant: 甘肃智通科技工程检测咨询有限公司 , 华东交通大学
Abstract: 本发明属于土木工程领域，公开了一种基于多视角深度学习的路面宏观纹理重建方法。采集路面多视角图像和路面宏观纹理三维点云数据作为路面信息数据集；建立基于单视角路面图像的深度学习结构S，用于基于单一视角图像的路面宏观纹理重建；建立多视角融合单元MU，用于融合基于不同路面视角图像的路面宏观纹理重建模型；使用路面信息数据集对深度学习结构S和多视角融合单元MU进行端对端训练，获得训练完成的多视角深度学习结构；采用训练完成的多视角深度学习结构生成待检测沥青路面区域的宏观纹理模型。本发明能直接利用多视角路面图像重建三维路面宏观纹理模型，有利于提高路面宏观纹理数据的采集，对提高路面病害和性能检测的效率有积极的意义。
-
公开(公告)号：CN112489026A
公开(公告)日：2021-03-12
申请号：CN202011425015.4
申请日：2020-12-08
Applicant: 甘肃智通科技工程检测咨询有限公司 , 华东交通大学
IPC: G06T7/00
Abstract: 本发明属于土木工程检测技术领域，尤其涉及一种基于多分支并行卷积神经网络的沥青路面病害检测方法，用于实现路面图像中的路表病害类别识别、位置测定、形态测量；将路面图像及其对应的病害边界框标签、病害类型标签、边界框内像素类别标签作为训练数据；构建建立多分支并行卷积神经网络，包括一个特征提取器、一个感兴趣区域提取器、一个回归器、一个分类器、一个解码器；使用训练数据训练多分支并行卷积神经网络；给定待检测沥青路面区域，采集路面图像，采用训练完成的多分支并行卷积神经网络计算待检测区域内存在的路面病害类型、位置、形态。本发明能够通过路面图像进行路面病害检测，有利于提高沥青路面病害检测的效率和准确率。
-
公开(公告)号：CN119199082A
公开(公告)日：2024-12-27
申请号：CN202411304101.8
申请日：2024-09-19
Applicant: 华东交通大学
IPC: G01N33/42
Abstract: 本发明涉及道路工程材料检测技术领域，尤其涉及一种快速测试沥青混合料结团率的方法及系统，通过冷铣刨获取沥青混合料回收料，进行烘干处理，随后通过分离方法将沥青与集料分离；利用标准筛对分离后的集料进行筛分并记录其重量；通过三维扫描体积测算装置测量回收料的体积，最后根据测得的体积与重量计算结团率。本发明能够快速、准确地评估沥青混合料回收料的结团率，缩短测试周期，提升测试精度，适用于再生沥青混合料生产的质量控制和施工现场检测。
-
公开(公告)号：CN119026036A
公开(公告)日：2024-11-26
申请号：CN202411377532.7
申请日：2024-09-30
Applicant: 华东交通大学
IPC: G06F18/2431 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/25 , G06F18/20 , G06N3/044 , G06N3/045 , G06N3/0475 , G06N3/092 , G06N3/096 , G06N7/01 , G01N33/42 , G01S13/86 , G01S13/88 , G01V11/00 , E01C23/01 , G06F123/02
Abstract: 本发明涉及智能检测与分析技术领域，尤其涉及用于三维探地雷达的路面内部病害检测方法及系统，本发明包括多模态数据采集与预处理、多模态数据对齐与特征提取、自适应深度学习模型训练与识别、动态统计特征分析与优化以及自动报告生成与决策支持；通过多模态数据融合技术，实现了更全面和准确的病害检测；引入深度神经网络和多任务学习框架，提高了数据处理效率和准确性；结合强化学习技术，动态优化模型参数，提升模型的鲁棒性和适应性；通过智能过滤和概率优化，显著降低了误判率，提高识别结果的可信度；最终，基于检测结果生成详细的检测报告，为道路维护和管理提供科学可靠的决策支持；本发明提升了路面内部病害检测的精度、效率和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.084 seconds)
