-
公开(公告)号：CN114115275A
公开(公告)日：2022-03-01
申请号：CN202111421080.4
申请日：2021-11-26
Applicant: 南京工程学院
IPC: G05D1/02
Abstract: 本发明公开了一种无人车自主导航纠偏方法，包括通过读取放置于导航无人车中心陀螺仪的信息，以及读取放置在导航无人车左右两边各两个激光测距仪的信息，分别对弯道，十字路口，以及正常道路下的弯道和十字路口的路况信息做出判断，并计算出横向偏移量和航向偏移量发送给主控单元，主控单元根据判断信息实时对导航无人车规划的路径进行纠偏。本发明可以有效的对自动导航过程中的路况信息进行判断，大大提高的导航无人车导航的准确性和稳定性。
-
公开(公告)号：CN110188224A
公开(公告)日：2019-08-30
申请号：CN201910445333.8
申请日：2019-05-27
Applicant: 南京工程学院
IPC: G06F16/58 , G06F16/583 , G06F16/587 , G06K9/00 , G06Q50/26
Abstract: 本发明公开了一种基于重点人物目标识别的综合认知方法，包括以下步骤：高噪声、低分辨率条件下识别重点人物目标；构建重点人物目标知识库与汇聚知识，刻画目标社会属性、活动规律和行为习惯关联关系；关联与印证多源情报数据与图像重点人物目标。本发明以图像重点人物目标识别为主线，目标知识图谱关联关系为辅助，其他开源文字新闻情报和专业情报为印证，构建综合目标认知方法。本发明较现有技术既解决复杂背景图像中重点人物目标识别问题，又能解决海量数据信息过载、目标知识聚焦问题，为国家社会公共安全领域中的精确目标认知提供技术支撑。
-
公开(公告)号：CN114115275B
公开(公告)日：2024-07-12
申请号：CN202111421080.4
申请日：2021-11-26
Applicant: 南京工程学院
Abstract: 本发明公开了一种无人车自主导航纠偏方法，包括通过读取放置于导航无人车中心陀螺仪的信息，以及读取放置在导航无人车左右两边各两个激光测距仪的信息，分别对弯道，十字路口，以及正常道路下的弯道和十字路口的路况信息做出判断，并计算出横向偏移量和航向偏移量发送给主控单元，主控单元根据判断信息实时对导航无人车规划的路径进行纠偏。本发明可以有效的对自动导航过程中的路况信息进行判断，大大提高的导航无人车导航的准确性和稳定性。
-
公开(公告)号：CN111814726B
公开(公告)日：2023-09-22
申请号：CN202010701702.8
申请日：2020-07-20
Applicant: 南京工程学院
IPC: G06V20/50 , G06V10/25 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种探测机器人视觉目标检测方法，包括构建混合注意力自适应感知网络；训练所述混合注意力自适应感知网络；使用训练后的混合注意力自适应感知网络进行探测机器人视觉目标检测。所述混合注意力自适应感知网络包括全局注意力层次网络，目标空间定位网络、自适应局部注意力感知网络、目标分类识别网络，使用本发明能够在统一框架下完成目标定位与识别任务，且骨干网络均基于全局注意力机制下权重共享，能够综合two‑stage与one‑stage优点，在高实时的同时具备高准确率与低漏检率，适用于探测机器人高要求工作条件。
-
公开(公告)号：CN111353583B
公开(公告)日：2023-04-07
申请号：CN202010104191.1
申请日：2020-02-20
Applicant: 南京工程学院
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于群卷积特征拓扑空间的深度学习网络，包括卷积特征提取层、群卷积拓扑层和深度特征识别层；卷积特征提取层用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；群卷积拓扑层用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的输入；深度特征识别层用于根据输入的拉普拉斯矩阵L，输出样本数据对应的群卷积特征拓扑空间图特征。本发明能够赋予不同通道下CNN特征的图拓扑空间规则，从而加快传统CNN训练与收敛速度。
-
Patent Agency Ranking
公开(公告)号：CN110210557A
公开(公告)日：2019-09-06
申请号：CN201910469100.1
申请日：2019-05-31
Applicant: 南京工程学院
Abstract: 本发明公开了一种实时流处理模式下未知文本的在线增量式聚类方法，先生成非全集语料库词向量模型，并保持该旧语料库中词的Huffman树不变，对实时流处理的未知文本进行Huffman树构建，在旧语料库词的Huffman树基础上进行Huffman树融合，基于融合的Huffman树增量生成未知文本的词向量模型，并通过已有的词向量模型生成句向量，最后再利用Single-Pass聚类算法，实现文本的在线增量式聚类。发明可以在语料库不充分或计算资源不足的条件下，仍能够实现对实时流处理模式下的未知文本的在线增量式聚类，能够为互联网环境下某领域话题发现、热点聚焦、情感分析等应用领域提供支撑。
-
公开(公告)号：CN116259047A
公开(公告)日：2023-06-13
申请号：CN202211723820.4
申请日：2022-12-30
Applicant: 南京工程学院
IPC: G06V20/60 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/082
Abstract: 一种基于改进双向加权特征金字塔的城市树木检测方法，首先采集城市常见绿化树木的图像和视频，建立城市绿化树木样本集；然后构建改进网络，包括：引入BiFPN结构，将特征输出简化为三个，减少冗余语义特征，引入高效通道注意力机制增加BiFPN对关键特征的关注度，增强特征融合质量；利用改进GSConv卷积结构，将经过密集卷积和深度可分离卷积生成的特征信息进行拼接，使特征信息充分融合，提升特征提取能力并减少运算量；引入SIoU损失函数，通过加入向量角度这一惩罚项，减少与距离相关的变量，降低了回归自由度，加快了网络收敛，进一步了提升回归精度；本发明可应用于智能视频监控、企业生产自动化和智能机器人等领域。
-
公开(公告)号：CN114137975A
公开(公告)日：2022-03-04
申请号：CN202111421111.6
申请日：2021-11-26
Applicant: 南京工程学院
IPC: G05D1/02
Abstract: 本发明公开了一种超声波辅助融合定位的无人车导航纠偏方法，包括S1、以无人车自身坐标系建立车身坐标系；S2、在无人车上安装信息采集装置和超声波传感器，采集并计算无人车的位姿信息以及所在空间的环境信息；S3、对无人车的位姿信息进行扩展卡尔曼滤波融合，得到融合后的位姿；S4、将超声波传感器的量测数据结合融合后的位姿，比较导航过程中左右两侧前后超声波与墙壁距离关系以及无人车融合后的位姿，并根据无人车与左右墙体之间的相对位置关系判断车体是否偏移；S5、判断车体偏移后停止导航并下发转向角度w，将无人车矫正到与左右障碍平面平行的关系再继续导航。本发明可有效降低传感器测量过程随机噪声，极大减少无人车与行进途中本体左右的墙体发生碰撞的概率。
-
公开(公告)号：CN111353583A
公开(公告)日：2020-06-30
申请号：CN202010104191.1
申请日：2020-02-20
Applicant: 南京工程学院
Abstract: 本发明公开了一种基于群卷积特征拓扑空间的深度学习网络，包括卷积特征提取层、群卷积拓扑层和深度特征识别层；卷积特征提取层用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；群卷积拓扑层用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的输入；深度特征识别层用于根据输入的拉普拉斯矩阵L，输出样本数据对应的群卷积特征拓扑空间图特征。本发明能够赋予不同通道下CNN特征的图拓扑空间规则，从而加快传统CNN训练与收敛速度。
-
公开(公告)号：CN118781511A
公开(公告)日：2024-10-15
申请号：CN202410679058.7
申请日：2024-05-29
Applicant: 国电南瑞科技股份有限公司 , 国电南瑞南京控制系统有限公司 , 东南大学 , 南京工程学院
IPC: G06V20/40 , G06V20/52 , G06V10/764 , G06V10/774 , G06Q50/06
Abstract: 本发明涉及电力现场作业安全行为监测技术领域，尤其涉及一种基于深度学习的电力安全作业目标检测方法及系统，采用整体预训练，分类微调的两阶段训练方式对网络进行训练，网络中PWConv旨在减少计算冗余，保持网络性能，而解耦检测头则将目标定位与分类任务分开处理，提高检测精度。引入DeepSort算法对检测到的目标进行跟踪，通过人脸识别技术将安全监测精确至个人层面，从而对违规情况发出准确警报。通过构建高效的多进程推理系统，动态管理目标检测模型，使得系统能够同时处理多个并发的检测任务，极大地提升了实时监测的响应速度和处理能力。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.017 seconds)
