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209个,建议您升级VIP下载更多相关专利
  • [发明专利]植株生物学观测装置-CN202310960529.7在审
  • 蔡廷禄;陈一宁;郭俊丽;薛成凤 - 自然资源部第二海洋研究所
  • 2023-08-02 - 2023-10-27 - G01N21/84
  • 本发明公开了植株生物学观测装置,属于植物培养观测技术领域,包括用于框定目标植物的框架,所述框架一侧连接有竖直的背板,所述框架另一侧架设相机,所述背板外侧连接有固定基板,所述固定基板底部设有能够调节所述背板姿态的延伸板,所述固定基板外侧设有辅助护板,所述固定基板内侧设有补光组件,所述辅助护板与所述固定基板之间设有缓冲连接件,所述缓冲连接件包括能滑移的缓冲气囊。本发明能适应多种环境,并对目标植物进行高效、稳定的观测。
  • 植株生物学观测装置
  • [发明专利]一种基于TFNet的晶圆工艺缺陷分类分割方法-CN202310889434.0在审
  • 陈一宁;罗悦宁;高大为 - 浙江大学
  • 2023-07-18 - 2023-10-20 - G06V20/69
  • 本发明涉及一种基于TFNet的晶圆工艺缺陷分类分割方法,包括:将初始缺陷sem图输入至特征提取网络中,生成特征映射;将特征提取网络中其中一个编码器块输出的特征映射输入至形状流分支中,生成第一拼接特征;将特征提取网络中最后一个编码器块输出的分辨率最小的第五特征映射与第一拼接特征进行拼接,获取第二拼接特征;将第二拼接特征输入至卷积核中,生成拼接特征;将所述拼接特征与编码器块输出的特征映射共同输入至MCF交叉注意模块,获取融合特征;将融合特征输入至解码器中,生成mask图;将mask图输入至网络分类头,生成缺陷类别和混淆矩阵。本发明可以高速准确地分割缺陷图像,具有良好的泛化性和分割效果,有助于实现对相应缺陷工艺的修复改进。
  • 一种基于tfnet工艺缺陷分类分割方法
  • [发明专利]一种RGB/RGBA图像的无损压缩方法-CN202310830672.4在审
  • 陈一宁;曾立超;蔡宇;陈海栋;高大为 - 浙江大学
  • 2023-07-06 - 2023-09-29 - H04N19/103
  • 本发明涉及一种RGB/RGBA图像无损压缩的方法,所述方法包括:加载图像数据;构建哈希数组,并计算差值和索引值;依次判断待编码像素值是否满足游程块、索引块、小差分块、中差分块、大差分块、超大差分块、透明度块和重写块的条件,以确定最佳的编码方式并进行编码;按照从左到右、从上到下的顺序遍历图像的像素点直至编码完成。本发明独特的编码方式,结合了游程编码、索引编码和差分编码等多种编码的优势,可以有效地减少数据的冗余信息,提高压缩率。
  • 一种rgbrgba图像无损压缩方法
  • [发明专利]滨海盐沼碳库增量监测方法-CN202310729494.6在审
  • 陈一宁;冯旭文;薛成凤;蔡廷禄;夏小明 - 自然资源部第二海洋研究所
  • 2023-06-20 - 2023-09-08 - G01D21/02
  • 滨海盐沼碳库增量监测方法,属于碳库监测方法领域。方法:1)确定滨海盐沼监测范围、分区和面积、站位布设;2)确定滨海盐沼生态系统碳库增量监测内容、监测指标、监测时间与频率后进行监测;3)计算滨海盐沼沉积物碳库增量,将每个样地内的碳埋藏速率平均后作为小区的碳埋藏速率值,乘小区的总面积,得到小区的沉积物碳库增量;4)计算滨海盐沼植被碳库增量,按多年生草本植被、一年生草本植被和灌丛植被分类开展;5)将单位面积内沉积物碳库增量和植被碳库增量相加,根据监测分区内各分区面积,获取总碳库增量。通过基于储量差值法原理,结合碳相关参数的测量,准确获取滨海盐沼碳库增量信息。该方法同样适用于滨海盐沼碳库减量监测。
  • 滨海盐沼增量监测方法
  • [发明专利]基于CNN-XGBoost-GA模型的集成电路沉积膜厚预测方法-CN202310652271.4在审
  • 陈一宁;蔡宇;史雨萌;高大为 - 浙江大学
  • 2023-06-02 - 2023-08-29 - G06F18/214
  • 本发明涉及一种基于CNN‑XGBoost‑GA模型的集成电路沉积膜厚预测方法,通过运用CNN的卷积层和池化层对提取的集成电路沉积膜特征数据集做归一化、卷积和池化处理,并按预设比例将池化后集成电路沉积膜特征数据集内所有数据随机划分为训练集、测试集和验证集,将用训练集、测试集和验证集训练验证处理后的XGBoost模型作为初始集成电路沉积膜厚预测模型,而后用GA算法对初始集成电路沉积膜厚预测模型做超参数优化,将具有全局最优解超参数的超参数优化后集成电路沉积膜厚预测模型作为最终的集成电路沉积膜厚预测模型,利用最终的集成电路沉积膜厚预测模型预测集成电路沉积膜厚,从而高效率且精准预测集成电路制造中膜厚沉积过程的薄膜厚度。
  • 基于cnnxgboostga模型集成电路沉积预测方法
  • [发明专利]一种应用于智能工厂的设备调度方法-CN202310240314.8在审
  • 陈一宁;梅周洲舟;高大为 - 浙江大学
  • 2023-03-07 - 2023-08-22 - G05B19/418
  • 本发明涉及一种应用于智能工厂的设备调度方法,通过以生产效率为首要目标,对智能工厂生产产品过程中的各类设备的运输路线信息和加工过程信息分别进行优化,以基于优化后的运输路线信息和加工过程信息得到智能工厂内所有设备的最优调度方案,从而实现了自动对智能工厂中的各个设备进行调度,并且能够适应实际情况下的各种突发情况。当然,对于排产系统中各车辆的调度,本发明还能对系统状态进行实时判断并对系统未来状态进行预测,根据预测信息决定系统中各车辆下一步的移动,具有较好的实时性。
  • 一种应用于智能工厂设备调度方法
  • [发明专利]集成电路虚拟制造方法及系统-CN202310503313.8在审
  • 陈一宁;乔驿博;高大为 - 浙江大学
  • 2023-04-28 - 2023-08-04 - G06F30/398
  • 本发明涉及一种集成电路虚拟制造方法及系统,通过预先构建针对集成电路的虚拟制造模型,并将获取到的待执行虚拟制造的集成电路的初始产品信息、制造工艺流程信息集合以及材料信息集合作为输入数据输入到虚拟制造模型中,从而得到集成电路3D虚拟模型和对应虚拟制造过程的量测数据。如此,通过虚拟制造集成电路的方式来测试集成电路3D虚拟模型的相关性能以及获取相应的量测数据,简单高效执行集成电路的制造,不需要进行实际的集成电路制造过程测试,降低了集成电路产品前期测试的投入成本和耗时。
  • 集成电路虚拟制造方法系统
  • [发明专利]一种精确的芯片制造工艺缺陷检测方法-CN202310160561.7在审
  • 陈一宁;梅周洲舟;高大为 - 浙江大学
  • 2023-02-22 - 2023-07-25 - G06T7/00
  • 本发明涉及一种精确的芯片制造工艺缺陷检测方法,通过分别构建针对芯片制造工艺缺陷的深度可分离卷积模块以及基于残差网络的特征提取模块,并利用深度可分离卷积模块对输入的芯片图片做特征提取处理,得到一级特征图,利用基于残差网络的特征提取模块对一级特征图做特征提取,得到二级特征图,再利用二级特征图搭建多层UNet++结构且由基于残差网络的特征提取模块对该多层UNet++结构做优化处理,并将经优化处理后的该多层UNet++结构的最后一层输出的特征图作为芯片制造工艺缺陷图,避免了人工参与到芯片制造工艺缺陷检测过程中,实现了自动化检测,提高了工艺缺陷的检测准确度。
  • 一种精确芯片制造工艺缺陷检测方法
  • [发明专利]集成电路沉积膜厚预测方法及系统-CN202310405795.3在审
  • 蔡宇;史雨萌;陈一宁;阚健豪;唐建 - 中国科学技术大学
  • 2023-04-11 - 2023-07-14 - G06F18/15
  • 本发明公开一种基于RFE‑CV‑XGBoost的集成电路沉积膜厚的预测方法及系统,属半导体制造领域,方法包括:步骤S1,对数据库的沉积薄膜数据进行预处理;步骤S2,按预定的特征筛选规则对步骤S1预处理后的沉积薄膜数据包含的特征值筛选;步骤S3,对步骤S2的特征经交叉验证的特征递归消除方式处理;步骤S4,基于XGBoost建立回归预测模型,利用步骤S3的特征进行训练和测试;步骤S5,利用遗传算法对优化回归预测模型超参数,找出最佳超参数,利用最终回归预测模型对集成电路沉积膜厚进行预测。本发明通过数据建模,节省了薄膜沉积过程后的膜厚量测步骤,缩短了半导体产品的生产周期,节约了量测成本支出。
  • 集成电路沉积预测方法系统

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