-
公开(公告)号：CN113469097A
公开(公告)日：2021-10-01
申请号：CN202110789818.6
申请日：2021-07-13
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
Abstract: 本发明涉及机器学习、图像识别领域，具体涉及一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：步骤1:通过视频录制、相机拍摄和网络收集来采集水面漂浮物数据；步骤2:采用数据降噪和数据增强算法进行水面漂浮物数据扩增；步骤三：采用Labelimg工具对水面漂浮物数据集标注；步骤四：采用迁移学习对SSD网络模型进行训练获取最优权重模型；步骤五：基于SSD网络最优权重模型的多相机水面漂浮物目标实时检测。本发明基于SSD网络对水面漂浮物进行多相机实时检测，能够有效降低光照、天气和动态背景对实时检测造成的干扰，同时弥补单一相机检测的缺陷，满足实时性和精度的要求。
-
公开(公告)号：CN114022812A
公开(公告)日：2022-02-08
申请号：CN202111282062.2
申请日：2021-11-01
Applicant: 大连理工大学 , 大连理工大学人工智能大连研究院
Abstract: 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法，属于机器学习、目标跟踪领域。首先，获得若干水面漂浮物的连续视频帧。其次，输入水面漂浮物视频数据，通过轻量化的SSD检测算法获取当前帧的水面漂浮物目标检测框，基于视频当前帧的目标检测框进行状态预测，获得当前视频帧下的水面漂浮物目标跟踪框。再次，计算所有水面漂浮物目标检测框和跟踪框之间的运动匹配度和表观匹配度，将运动匹配度和表观匹配度进行综合匹配得到关联代价。最后，通过匈牙利算法将水面漂浮物的关联代价矩阵Ci，j进行关联匹配，确定跟踪结果。本发明能够实现水面漂浮物多目标跟踪，降低反向传播的参数数量和内存成本，提高数据关联的准确性，改善光照和遮挡物的影响。
-
公开(公告)号：CN114022812B
公开(公告)日：2024-05-10
申请号：CN202111282062.2
申请日：2021-11-01
Applicant: 大连理工大学 , 大连理工大学人工智能大连研究院
Abstract: 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法，属于机器学习、目标跟踪领域。首先，获得若干水面漂浮物的连续视频帧。其次，输入水面漂浮物视频数据，通过轻量化的SSD检测算法获取当前帧的水面漂浮物目标检测框，基于视频当前帧的目标检测框进行状态预测，获得当前视频帧下的水面漂浮物目标跟踪框。再次，计算所有水面漂浮物目标检测框和跟踪框之间的运动匹配度和表观匹配度，将运动匹配度和表观匹配度进行综合匹配得到关联代价。最后，通过匈牙利算法将水面漂浮物的关联代价矩阵Ci，j进行关联匹配，确定跟踪结果。本发明能够实现水面漂浮物多目标跟踪，降低反向传播的参数数量和内存成本，提高数据关联的准确性，改善光照和遮挡物的影响。
-
公开(公告)号：CN113469097B
公开(公告)日：2023-10-17
申请号：CN202110789818.6
申请日：2021-07-13
Applicant: 大连理工大学人工智能大连研究院 , 大连理工大学
IPC: G06V20/10 , G06V20/52 , G06V10/30 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明涉及机器学习、图像识别领域，具体涉及一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：步骤1:通过视频录制、相机拍摄和网络收集来采集水面漂浮物数据；步骤2:采用数据降噪和数据增强算法进行水面漂浮物数据扩增；步骤三：采用Labelimg工具对水面漂浮物数据集标注；步骤四：采用迁移学习对SSD网络模型进行训练获取最优权重模型；步骤五：基于SSD网络最优权重模型的多相机水面漂浮物目标实时检测。本发明基于SSD网络对水面漂浮物进行多相机实时检测，能够有效降低光照、天气和动态背景对实时检测造成的干扰，同时弥补单一相机检测的缺陷，满足实时性和精度的要求。
-
公开(公告)号：CN112884223A
公开(公告)日：2021-06-01
申请号：CN202110188490.2
申请日：2021-02-19
Applicant: 大连理工大学
Abstract: 本发明提供一种基于多源卫星降水信息和产流约束校正的无资料地区洪水实时预报方法，属于洪水实时预报技术领域。首先，拆分流域出口流量组成，获得校正对象。其次，采用多源卫星降水产品驱动水文模型后得到第一步获得的校正对象的多个序列，将多序列的最值形成的范围作为约束，进行产流约束校正和流量预报。最后，根据传统的评价指标评价每场洪水的预报表现，并进行参数率定。本发明通过将多源卫星降水信息转化为产流的上下限，从而对产流进行有约束的校正，可大幅提高卫星降雨产品驱动的水文模型的洪水预报精度，以支持无降雨资料地区洪水预报，并为多源卫星降雨产品的应用提供新思路。
-
Patent Agency Ranking
公开(公告)号：CN115421218A
公开(公告)日：2022-12-02
申请号：CN202211004273.4
申请日：2022-08-22
Applicant: 大连理工大学
Abstract: 本发明提供一种基于虚拟站点的格状遥测雨量和点状实测雨量的融合框架，属于少资料地区降雨估计技术领域。首先，用雨量站把待估计地区划分为多个子区域。其次，针对每一个子区域，由多源格状遥测雨量产品与点状实测雨量空间对比推荐虚拟站点的位置。再次，基于非空间类融合方法估计虚拟站点处的降雨量。最后，利用实际站点和虚拟站点进行空间插值。本发明利用多源格状遥测雨量产品推测虚拟站点的数量、位置和雨量，从而补充了雨量站点缺测的降雨空间分布信息，并削弱了格状遥测产品的不确定性带来的干扰，为获得更高精度的降水空间分布提供了新思路。
-
公开(公告)号：CN117436233A
公开(公告)日：2024-01-23
申请号：CN202311050883.2
申请日：2023-08-21
Applicant: 大连理工大学
IPC: G06F30/20 , G06F30/28 , G06Q10/04 , G06Q50/26 , G06F113/08 , G06F111/10 , G06F119/02 , G06F119/12 , G06F119/14
Abstract: 本发明属于分布式水文建模技术领域，提出一种适用于半湿润半干旱地区的分布式洪水预报模型建模方法。基于现有水文模型，难以应用于半湿润半干旱地区。本发明构建以网格为计算单元的分布式大伙房水文模型，产流计算在网格内独立地进行表层折扣、下渗、径流生成、蒸发等过程，网格间产流计算互不干扰；汇流计算为了解决小时尺度洪水汇流非线性强的问题，提出一种考虑时段净雨强度的时变分布式汇流单位线，克服了集总式模型在半湿润半干旱地区适用性不强、预报精度低的缺点，有望发展成为半湿润半干旱地区可靠的洪水预报工具。
-
公开(公告)号：CN115730025A
公开(公告)日：2023-03-03
申请号：CN202211232776.7
申请日：2022-10-10
Applicant: 大连理工大学
IPC: G06F16/29 , G06F16/2455 , G06Q50/06
Abstract: 本发明提供一种基于现有GIS数据识别河道上下游水文站点的方法，属于水文信息数字孪生领域。本发明根据水文站点坐标GIS数据和河网矢量图，根据给定站点编号寻找该站点所对应河道上下游任意数量站点；显示给定站点的上下游站点拓扑关系图；判断其他站点是否位于给定站点上游，以及处于上游流域干流和支流何者之中；将站点上下游拓扑关系、河网边表保存在文本文件中，进行后续分析。本发明只需要基于现有的GIS数据构建两个图层文件，即能够识别河道上下游水文站点，能够大幅节省人工寻找特定站点上下游水文站的工作量，对大型河网和站点图层，准确程度高、运行速度较快，可以作为河网数字孪生的有利基础。
-
公开(公告)号：CN118862454A
公开(公告)日：2024-10-29
申请号：CN202410882399.4
申请日：2024-07-03
Applicant: 大连理工大学
Abstract: 本发明属于水文气象极值理论技术领域，提供一种基于最小二乘拟合的降雨概率分布无偏估计方法。已有的参数估计方法种类众多，具有各自特有的适用范围和优缺点，方法选取显著影响广义极值分布参数估计的准确性。本发明综合考虑了Bayesian、GMLE、L‑moments、MLE和MPS五种参数估计方法的优势，基于最小二乘拟合确定单一方法的最优权重系数，建立一种无偏、高效的集合参数估计框架。通过集成多种参数估计方法，可以降低单一方法的偏差和方差，提高参数估计的稳健性和可靠性，为准确确定暴雨频率曲线和设计暴雨提供参考。
-
公开(公告)号：CN115511206A
公开(公告)日：2022-12-23
申请号：CN202211268814.4
申请日：2022-10-17
Applicant: 大连理工大学
Abstract: 本发明属于流域水文预报误差校正技术领域，且公开了一种基于网格降雨信息的CNN‑LSTM卷积循环神经网络水文预报校正方法，水文预报校正方法总共分为三个主要步骤，分别为收集水文要素、构建CNN‑LSTM卷积循环神经网络校正模型和模型验证与误差校正。本发明将收集的数据作为模型的输入特征，利用历史观测数据、预报数据训练和确定模型结构，挖掘预报影响因素、时空特征与预报误差之间的相关关系，利用实际预报降雨径流资料对模型进行验证，实现水文预报误差智能校正，该模型具有较高的精度，尤其在汛期，校正后的预报流量精度有明显的提高，有效地应对误差规律的非线性特点，为人工智能在流域水文预报领域的“分布式”应用奠定基础。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.016 seconds)
