专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果505个,建议您升级VIP下载更多相关专利
  • [发明专利]一种超疏水性PPR管材-CN202310904688.5在审
  • 钱包浙;虞娇蓉;陈铭武;虞文辉;陈海永;吴蓓蓓 - 浙江德首新型建材有限公司
  • 2023-07-21 - 2023-10-27 - F16L9/12
  • 本申请涉及水介质的管道,公开了一种超疏水性的PPR管材,其包括一层或多层管层,最内层的管层包括以下质量份数的原料制备得到:PPR 90.78~96.5份,纳米二氧化钛2.5~7份,疏水材料3~5份;所述疏水材料包括硅料、氟化碳、聚丙烯三者按质量比(1~1.2):(0.8~1.1):1复配混炼得到,所述硅料为纳米二氧化硅或硅橡胶中的一种,管材中或管材最内层中加入本申请的疏水材料,在保证管材对输送介质水无毒无害影响下,使得水介质受管道摩擦小,水流流速、压力损耗小,水流稳定,噪音低。
  • 一种疏水ppr管材
  • [发明专利]基于图推理的高压输电线路外力破坏隐患检测方法-CN202310829383.2在审
  • 宋梦园;陈海永;龚奕霖 - 河北工业大学
  • 2023-07-07 - 2023-10-20 - G06V20/00
  • 本发明为一种基于图推理的高压输电线路外力破坏隐患检测方法,首先获取含有外力破坏隐患的高压输电线路图像;然后,构建基于图推理的特征融合检测器包括特征提取、特征融合和分类回归三部分;特征提取使用CSPDarknet53网络,特征融合使用改进的PANet网络,改进的PANet网络是在原始PANet网络中嵌入基于条纹池化的图推理交叉融合模块得到;最后,利用含有外力破坏隐患的高压输电线路图像对基于图推理的特征融合检测器进行训练,并将训练后的基于图推理的特征融合检测器用于高压输电线路外力破坏隐患检测。基于条纹池化的图推理交叉融合模块通过条纹池化来捕获垂直方向和水平方向上的全局上下文信息,进一步探索任意双通道映射之间的相互依赖关系,增强特征的表征能力。
  • 基于推理高压输电线路外力破坏隐患检测方法
  • [发明专利]一种高性能太阳能电池外观缺陷检测方法-CN202310814289.X在审
  • 宋梦园;陈海永;王怡宁 - 河北工业大学
  • 2023-07-05 - 2023-10-10 - G06V10/82
  • 本发明为一种高性能太阳能电池外观缺陷检测方法,其特征在于,该方法使用的外观缺陷检测模型包括特征提取、特征融合和分类与回归三部分;输入图像首先通过特征提取部分进行特征提取,得到多尺度特征;多尺度特征进入到特征融合部分中进行特征融合,特征融合部分采用双向路径特征金字塔,包括一条正向特征融合路径和一条反向特征融合路径,将两条路径中相同尺度的融合特征进行加强融合,得到多个加强融合特征;各个加强融合特征在分类与回归部分的相应检测头中进行分类与回归,得到不同尺度的预测结果;将训练后的外观缺陷检测模型用于太阳能电池外观缺陷的检测。BP‑FPN采用并行的方式进行特征融合,改善了特征信息重复和冗余叠加的问题,提高了模型对微小微弱缺陷的检测能力。
  • 一种性能太阳能电池外观缺陷检测方法
  • [发明专利]基于边缘检测的航空发动机叶片缺陷分割方法-CN202310722958.0在审
  • 王怡宁;宋梦园;王楚涵;陈海永 - 河北工业大学
  • 2023-06-19 - 2023-09-19 - G06T7/00
  • 本发明为一种基于边缘检测的航空发动机叶片缺陷分割方法,使用的缺陷边缘分割模型分为四个预测分支,上一个预测分支的特征采样模块的输出特征图经过最大池化后输入到下一个预测分支中,每个预测分支均包括特征采样模块和多尺度特征增强注意力模块,特征采样模块提取的特征经过卷积和激活后输入到多尺度特征增强注意力模块中进行特征信息增强和通道增强,多尺度特征增强注意力模块的输出特征图经过差值处理后,再经过全连接和激活,得到预测分支的输出特征图;四个预测分支的输出特征图拼接后,再经过全连接和激活得到缺陷分割模型的输出;将训练后的缺陷边缘分割模型中进行缺陷分割,提取缺陷边缘。从不同尺度上提取特征,通过特征信息和通道增强避免微小微弱缺陷边缘信息丢失,提高分割精度。
  • 基于边缘检测航空发动机叶片缺陷分割方法
  • [发明专利]一种太阳能电池片外观缺陷检测方法-CN202310517669.7在审
  • 宋梦园;陈海永;谭江恒;吴文箫;史世杰;李佳奇 - 河北工业大学
  • 2023-05-10 - 2023-09-15 - G06T7/00
  • 本发明为一种太阳能电池片外观缺陷检测方法,该方法使用的模型包括多尺度特征提取网络、跨级并行特征融合网络和分类回归网络;多尺度特征提取网络由多个多尺度残差特征提取模块串接而成,倒数第三、二、一个多尺度残差特征提取模块输出的特征图为多尺度特征提取网络得到的多尺度特征图;跨级并行特征融合网络在横向上分为两个阶段,在纵向上分为三个并行分支,每个分支的信息相互融合,使特征的表达能力更强。多尺度特征提取网络可以保留不同尺度的缺陷特征,避免随着网络的伸入,池化、卷积等操作导致微小微弱缺陷信息丢失;跨级并行特征融合网络结合了浅层和深层之间的双向多尺度特征,同样防止浅层特征中的微小微弱缺陷信息在特征融合过程中丢失,因而提高了模型对光伏电池片外观中微小微弱缺陷的检测能力。
  • 一种太阳能电池外观缺陷检测方法
  • [发明专利]一种基于卷积神经网络的X射线焊缝缺陷检测方法-CN202110965549.4有效
  • 刘卫朋;山圣旗;王睿;陈海永;孙嘉明;崔晓锋 - 河北工业大学
  • 2021-08-23 - 2023-09-01 - G06T7/00
  • 本发明为一种基于卷积神经网络的X射线焊缝缺陷检测方法,该检测方法包括以下内容:建立包含不同种类焊缝缺陷的焊缝图像数据集,数据集中所有焊缝图片标注焊缝标签;建立AF‑RCNN模型,AF‑RCNN模型包括主干网络模块、区域生成模块和目标分类与位置回归模块;所述主干网络模块采用残差网络(ResNet)与特征金字塔网络(FPN)结构,并在残差网络(ResNet)与特征金字塔网络(FPN)之间引入高效卷积注意力模块,以增强网络对不明显缺陷和小目标特征的学习能力,同时引入CIOU损失函数,增强瞄框的定位能力;利用建立的数据集训练AF‑RCNN模型,用于焊缝缺陷的分类与定位。所有的缺陷准确率均达到94%以上,检测速度为11.65FPS。
  • 一种基于卷积神经网络射线焊缝缺陷检测方法
  • [发明专利]一种基于特征感知的光伏电站热斑缺陷检测方法-CN202310781895.6在审
  • 陈海永;李佳奇;吴文箫;赵参参;宋梦园 - 河北工业大学
  • 2023-06-29 - 2023-08-29 - G06T7/00
  • 本发明公开一种基于特征感知的光伏电站热斑缺陷检测方法,该方法采用的缺陷检测模型中融合了自行设计的AFNF模块和FPA模块,AFNF模块可以在浅层和深层之间根据特征之间的相关性自适应的集成不同尺度的信息,提取小目标的双向上下文特征信息,可以更有效的突出微小缺陷的特征,改善模型对于微小缺陷的检测效果;FPA模块使网络达到更好的训练效果,同时又可以捕获更多微小缺陷的结构信息与特征表示,然后通过全连接层去在每个通道之间进行建模,自适应的重新加权通道特征以提高特征的利用率,在突出目标缺陷特征的同时抑制背景信息。该方法对于热斑缺陷检测的精确率与召回率较高,可以有效的避免漏检与误检。
  • 一种基于特征感知电站缺陷检测方法
  • [发明专利]基于边缘感知的光伏电池片缺陷分割方法-CN202310538263.7在审
  • 宋梦园;陈海永;王楚涵 - 河北工业大学
  • 2023-05-15 - 2023-08-25 - G06T7/00
  • 本发明为基于边缘感知的光伏电池片缺陷分割方法,包括缺陷分割模型的构建以及训练;缺陷分割模型包括编码器和解码器,编码器分为四个阶段,第一阶段包括一个卷积层和三个高效分割模块,其余三个阶段均包括四个高效分割模块,相邻两个阶段通过补丁合并操作进行降采样;缺陷分割网络的编码器由多个高效分割模块组成,高效分割模块使用多通道融合方式来提高分割精确度,通过通道分裂操作进一步增加网络的感受野,丰富了特征图的表达能力,增强了模型的特征提取能力,从而能以更细的粒度表达多尺度特征并增强分裂特征之间的信息交互;解码器分为四个分支,每个分支通过双焦点注意力模块捕获长距离空间和通道信息。该方法兼顾了分割精度和速度,有利于生产线上的大规模部署。
  • 基于边缘感知电池缺陷分割方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top