-
公开(公告)号：CN118365582B
公开(公告)日：2024-11-15
申请号：CN202410289947.2
申请日：2024-03-14
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明提出了一种基于视觉大模型蒸馏的桥梁表观裂缝提取方法，属于桥梁表观病害智能提取领域，包括：收集通用目标分割数据集和桥梁裂缝分割数据集，形成蒸馏数据集和表观裂缝提取数据集；建立与视觉大模型SAM进行蒸馏的轻量化裂缝提取编码器；采用蒸馏数据集进行蒸馏，蒸馏目标为视觉大模型SAM和轻量化裂缝提取编码器生成的图像嵌入差别最小；在轻量化裂缝提取编码器后增加裂缝提取解码器，形成桥梁表观裂缝提取模型；使用组合损失函数对桥梁表观裂缝提取模型进行训练；利用训练好的模型进行桥梁表观裂缝图像的裂缝提取。本发明显著地降低了模型的参数量和运行时间，即能准确又能快速的对裂缝进行提取。
-
公开(公告)号：CN118820746A
公开(公告)日：2024-10-22
申请号：CN202410829387.5
申请日：2024-06-25
Applicant: 哈尔滨工业大学
IPC: G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/16 , G06F17/18
Abstract: 本发明公开了一种基于多通道时空图卷积网络的多类型监测数据空间有向关联表征方法，所述方法包括如下步骤：一、收集大跨径斜拉桥健康监测数据，执行数据预处理去除随机效应，获取长期趋势数据；二、对每个传感器的长期趋势数据进行标准化，创建数据集；三、以有向图的形式对多类型结构健康监测数据进行时空关联建模；四、建立多通道时空图卷积网络模型；五、设计多通道时空图卷积网络损失函数；六、对多通道时空图卷积网络模型进行训练，训练完成后，输出各一阶映射矩阵获取多类监测数据的空间有向关联表征。本发明解决了现有桥梁结构状态评估工作涉及数据量过少、数据类型单一的缺点，实现了海量监测数据的有效利用。
-
公开(公告)号：CN113657147B
公开(公告)日：2023-12-26
申请号：CN202110746820.5
申请日：2021-07-01
Applicant: 哈尔滨工业大学
IPC: G06V20/13 , G06V20/52 , G06V10/44 , G06V10/774 , G06V10/46
Abstract: 本发明提出了一种针对大尺寸施工场地的施工人员统计方法，如下：利用无人机对大尺寸施工场地进行拍摄以获取图像序列，使用图像拼接方法对图像序列进行拼接形成施工场地全景图像；利用行人识别数据集对施工人员检测器进行预训练后，使用无人机拍摄的施工人员数据集进行迁移训练，及对施工车辆数据集进行施工车辆检测器的训练，然后将两个检测器进行集成形成人员车辆检测器；使用重叠的滑动窗口对全景图像进行裁剪形成子图像，使用施工人员车辆检测器对子图像进行检测，将检测到的施工人员和车辆局部坐标转换成全景图像下的整体坐标，对结果过滤后进行施工人员数量和位置的统计。本发明提升了公路工程现场施工人员统计的准确度和稳定性。
-
公开(公告)号：CN113658244A
公开(公告)日：2021-11-16
申请号：CN202110741113.7
申请日：2021-07-01
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种桥梁区域通航船舶三维几何尺寸辨识方法，如下：在桥梁通航跨梁底跨中部位设置摄像机以采集通航船舶图像信息，根据辨识距离要求在距离摄像机平面合理位置的航道两侧设置标定浮筒；利用采集到的通航船舶图像制作船舶检测数据集并使用深度卷积网络训练船舶检测器以获取船舶粗略位置，结合形态学运算和轮廓提取技术获取船舶精确轮廓；使用射影变换方程对通航船舶所在空间进行建模，确定船舶三维几何尺寸同图像中船舶轮廓的转换关系，从而计算出通航船舶的三维几何尺寸。本方法实现了使用一个摄像头就可以精确计算通航船舶的三维几何尺寸，降低设备成本的同时保证了尺寸辨识的精度。
-
公开(公告)号：CN111160131A
公开(公告)日：2020-05-15
申请号：CN201911272536.8
申请日：2019-12-12
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于计算机视觉的施工车辆精准智能辨识方法，是为了解决现有的施工车辆辨识成本高、精度低等缺点而提出的，包括：采集的施工现场的车辆高空鸟瞰图像作为原始数据，使用旋转矩形框进行人工标注，建立施工车辆精准智能辨识数据集；根据旋转矩形框的几何特性，设计对应的深度卷积神经网络结构和目标函数，使用数据集训练网络，将待辨识图像输入网络后得到精准辨识结果。本发明便捷、准确，较大幅度地提升了施工现场车辆辨识的准确性，适用于土木工程施工现场安全管理与监督领域。
-
Patent Agency Ranking
公开(公告)号：CN109284754A
公开(公告)日：2019-01-29
申请号：CN201811295296.9
申请日：2018-11-01
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种基于计算机视觉的桥梁区域船舶智能定位与几何轮廓自动辨识方法，是为了解决现有的桥梁区域船舶智能定位与几何轮廓自动辨识成本过高以及相应智能算法的缺点而提出的，包括：整理网络上海量的船舶图片作为原始数据，对输入的图像进行降采样，根据人工经验使用矩形框对降采样后的图像中的船舶区域进行标记，获得用于表示矩形框位置和大小的数据；将训练集输入至深度卷积神经网络中进行迁移训练；训练过程中使用的损失函数为多目标优化函数，优化算法为自适应矩估计优化算法；将待识别的桥梁区域船舶通行视频提取关键帧重采样后输入至训练好的神经网络中，得到以矩形框为表示的定位结果；将矩形框定位结果由BGR色彩空间转换到HSV空间，使用形态学运算寻找船舶几何轮廓，得到几何轮廓自动辨识结果。本发明适用于桥梁工程健康监测以及防船撞领域。
-
公开(公告)号：CN118839278A
公开(公告)日：2024-10-25
申请号：CN202410935958.3
申请日：2024-07-12
Applicant: 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/213 , G06F18/214 , G06F18/2431 , G06F18/27 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多通道时空图卷积网络的异常桥梁监测数据识别方法，所述方法包括：定义映射矩阵，收集某斜拉桥结构健康监测系统的斜拉索索力、主梁挠度、索塔倾斜多类型监测数据并标准化，设计带若干可学习映射矩阵的多通道时空图卷积网络对斜拉桥多类型监测数据进行时空关联建模，使用早期多类型监测数据进行训练，获取邻接关系并计算诊断指标，结合诊断指标与邻接关系进行异常桥梁监测数据识别。该方法解决了数据驱动的状态评估对监测数据利用程度低下、存在传感器故障与结构变异混淆问题的缺点，实现了海量监测数据的有效利用，适用于具有多类型监测数据的桥梁结构健康监测系统运营。
-
公开(公告)号：CN116451322A
公开(公告)日：2023-07-18
申请号：CN202310385163.5
申请日：2023-04-11
Applicant: 哈尔滨工业大学
IPC: G06F30/13 , G06F30/27 , G06F18/23213 , G06F18/2415 , G06N3/0442 , G06N3/08 , G06N7/01 , G06F111/08 , G06F119/14
Abstract: 一种基于贝叶斯优化的LSTM深度学习网络的力学预测方法，包括：步骤S1：索力数据采集，生成训练数据集、测试数据集与验证数据集，并进行进一步数据处理；步骤S2：LSTM索力预测模型建立，由遗忘门、输入门与输出门组成；步骤S3：多重指标判断预测效果，预测未来索力的LSTM网络模型评估；步骤S4：监测数据网络自修正；步骤S5：网络超参数优化，应用贝叶斯优化算法对LSTM网络中学习速率、隐含层个数、迭代次数超参数进行优化得到模型最优解，突破传统的仅是人为选择参数的LSTM算法，实现了智能化自动选取最优的网络参数，从而提高LSTM网络的预测精度与效率。本发明利用大量数据确定模型关键参数，以实现对桥梁结构拉索索力精准预测，达到评估桥梁重要部件的受力技术状况等级的目的，为桥梁安全运维提供技术保障。
-
公开(公告)号：CN118839278B
公开(公告)日：2025-02-18
申请号：CN202410935958.3
申请日：2024-07-12
Applicant: 哈尔滨工业大学
IPC: G06F18/2433 , G06F18/213 , G06F18/214 , G06F18/2431 , G06F18/27 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多通道时空图卷积网络的异常桥梁监测数据识别方法，所述方法包括：定义映射矩阵，收集某斜拉桥结构健康监测系统的斜拉索索力、主梁挠度、索塔倾斜多类型监测数据并标准化，设计带若干可学习映射矩阵的多通道时空图卷积网络对斜拉桥多类型监测数据进行时空关联建模，使用早期多类型监测数据进行训练，获取邻接关系并计算诊断指标，结合诊断指标与邻接关系进行异常桥梁监测数据识别。该方法解决了数据驱动的状态评估对监测数据利用程度低下、存在传感器故障与结构变异混淆问题的缺点，实现了海量监测数据的有效利用，适用于具有多类型监测数据的桥梁结构健康监测系统运营。
-
公开(公告)号：CN118379237B
公开(公告)日：2024-11-15
申请号：CN202410289927.5
申请日：2024-03-14
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于视觉大模型SAM的桥梁表观裂缝像素级辨识方法，包括：采集桥梁表观裂缝图像并进行像素级标注，使用随机采样法进行训练、验证和测试集的划分；对视觉大模型SAM进行修改，删除图像嵌入之后的部分，对剩余的部分添加裂缝特征低秩适应器，形成SAM‑Crack编码器；在SAM‑Crack编码器后增加裂缝像素级辨识解码模块，形成完整的SAM‑Crack模型；使用训练集对SAM‑Crack模型进行训练，训练损失函数为DICE损失和交叉熵损失的组合函数；使用训练好的SAM‑Crack模型对待辨识的桥梁表观裂缝图像进行处理，生成裂缝像素级辨识结果。本发明大幅度提升了有限标注数据下的裂缝辨识准确率。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.053 seconds)
