-
公开(公告)号：CN113850339A
公开(公告)日：2021-12-28
申请号：CN202111161116.X
申请日：2021-09-30
Applicant: 北京科技大学
Abstract: 本发明公开了一种基于多光源表面图像的粗糙度等级预测方法及装置，所述方法包括：获取待测样品的第一表面图像和第二表面图像；其中，所述第一表面图像为在白光光源下拍摄的图像，所述第二表面图像为在激光光源下拍摄的图像；利用第一特征提取网络提取所述第一表面图像的特征，得到第一特征信息；利用第二特征提取网络提取所述第二表面图像的特征，得到第二特征信息；将所述第一特征信息和所述第二特征信息进行融合，得到融合特征信息；将所述融合特征信息输入分类网络，得到所述待测样品的表面粗糙度等级。本发明结合了白光与激光的成像特点，可以更好地提取样品表面纹理特征，实现对样品表面粗糙度的精准检测，提高了粗糙度等级预测的准确率。
-
公开(公告)号：CN112016574B
公开(公告)日：2021-02-12
申请号：CN202011140530.8
申请日：2020-10-22
Applicant: 北京科技大学
Abstract: 本发明提供一种基于特征融合的图像分类方法，所述方法包括：获取包含图像和结构化数值特征的训练集；构建基于图像特征和结构化数值特征的特征融合图像分类模型；利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络自动提取图像特征，将图像处理提取的几何特征、卷积神经网络自动提取的特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。采用本发明，能够利用融合后的更加全面和更具代表性的特征对图像进行分类，提高图像的分类准确率。
-
公开(公告)号：CN111428823A
公开(公告)日：2020-07-17
申请号：CN202010526027.X
申请日：2020-06-11
Applicant: 北京科技大学
Abstract: 本发明提供一种可以识别新类的磨粒分类模型与方法，该磨粒分类模型包括：特征向量提取阶段网络，用于提取磨粒图像的特征向量；类中心向量提取阶段网络，用于提取磨粒的类中心向量；预测阶段网络，用于结合特征向量提取阶段网络和类中心向量提取阶段网络的输出，对待预测的磨粒图像中的磨粒的类型进行预测。本发明结合轻量化神经网络和距离度量的优点，首先，能够对训练集中没有出现的磨粒类别进行分类，具有很强的泛化性能；其次，大大降低了网络的参数数量，提高了训练和测试速度。本发明提出的磨粒分类模型不仅能够对新的磨粒类别进行分类，且在识别速度和识别准确率上均有提升。
-
公开(公告)号：CN107908921A
公开(公告)日：2018-04-13
申请号：CN201711089422.0
申请日：2017-11-08
Applicant: 北京科技大学
IPC: G06F19/00
Abstract: 本发明提供一种模拟不同质相高聚物降解强度变化的方法，能够模拟得到高聚物材料在降解过程中弹性强度的变化趋势。所述方法包括：S1，将高聚物材料离散成元胞，并初始化当前反应时间t1；S2，确定参与剪切的分子链和距离确定的所述参与剪切的分子链进行链剪切反应的时间间隔Δt；S3，在t1+Δt时刻，所述参与剪切的分子链发生链剪切反应，更新元胞的状态，并根据更新后的元胞的状态，确定每个元胞的弹性强度，对所有元胞的弹性强度值取均值，得到所述高聚物材料整体的弹性强度；S4，执行t1＝t1+Δt，若t1小于预设的扩散时间步长，则返回执行S2，否则，链剪切反应产生的低聚物向高聚物材料外进行扩散。本发明涉及可降解高分子材料领域。
-
公开(公告)号：CN117084704A
公开(公告)日：2023-11-21
申请号：CN202311122140.1
申请日：2023-09-01
Applicant: 首都医科大学宣武医院 , 北京科技大学
IPC: A61B6/00
Abstract: 本发明公开了一种基于数字减影血管造影的颈动脉狭窄检测和量化方法，包括：利用目标检测模型的分类分支检测数字减影血管造影的图像中颈动脉的狭窄血管以及正常血管；其中，目标检测模型的检测头包括分类分支、Match‑ness分支以及回归分支；利用检测头中的Match‑ness分支分别预测多个正常血管与单个狭窄血管之间的匹配程度；截取狭窄血管以及与狭窄血管匹配程度最高的正常血管，并输入回归模型预测颈动脉狭窄的形态学指标，得到颈动脉狭窄定量分析结果。本发明通过目标检测模型获得颈动脉狭窄和血管树中多个正常血管段之间的匹配关系，精准检测出狭窄血管和适合预测狭窄的参考血管直径的正常血管，进一步进行狭窄形态学指标的精准量化。
-
Patent Agency Ranking
公开(公告)号：CN114818948B
公开(公告)日：2023-02-03
申请号：CN202210483568.8
申请日：2022-05-05
Applicant: 北京科技大学
IPC: G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种图神经网络的数据‑机理驱动的材料属性预测方法，包括：S1，获取待预测材料分子的描述符特征和图结构；S2，利用特征工程筛选出最终的特征描述符；S3，利用图卷积和图注意力网络提取不同层次的分子图特征；S4，利用特征融合层将分子图特征与描述符特征相融合；S5，利用修正模块来将计算值和实验值进行更好的融合；其中，所述的计算值为第一性原理模拟计算得出的数值，实验值为实验测得的实际的材料属性；S6，将机理驱动模型的计算值与深度学习数据驱动模型融合用于模型推理，并输出预测属性的数值。本发明融合了分子的描述符特征和图结构特征，克服了图结构数据信息不完全和描述符特征忽略分子属性的问题。
-
公开(公告)号：CN114418003A
公开(公告)日：2022-04-29
申请号：CN202210066369.7
申请日：2022-01-20
Applicant: 北京科技大学
IPC: G06K9/62 , G06T3/40 , G06T5/50 , G06V10/40 , G06V10/774 , G06V10/771
Abstract: 本发明公开了基于注意力机制及多尺寸信息提取的双图像识别分类方法，包括：获取待分类物体的两幅图像；其中，两幅图像为同一位置不同情况下所拍摄的图像；并行的多尺寸特征提取网络融合了不同尺寸的信息以同时提取两幅图像的不同尺寸的特征；利用双图像空间注意力模块将两幅图像的特征从空间的角度进行融合，得到空间融合特征信息；利用双图像通道注意力模块将两幅图像的特征从通道的角度进行融合，得到通道融合特征信息；多种方法提取的特征相互交互融合，形成的融合信息输入到分类网络，得到待分类物体的类别。本发明结合了不同情况下的相同物体的两幅图像，克服了单幅图像的特征信息不全面的问题，提高了分类的准确率。
-
公开(公告)号：CN114037667A
公开(公告)日：2022-02-11
申请号：CN202111265836.0
申请日：2021-10-28
Applicant: 北京科技大学
Abstract: 本发明提供一种基于机器视觉的铜表面氧化检测及氧化程度判断方法，属于机器视觉技术领域。所述方法包括：采集铜表面图像；采用可适应氧化量计算方法对铜表面图像中标注出的氧化斑进行氧化量计算，根据计算得到的氧化量对氧化斑进行氧化等级划分；其中，所述可适应氧化量计算方法结合了形态学特征的氧化参数和氧含量参数；基于划分得到的氧化等级构建氧化程度检测数据集，训练目标检测网络；利用训练好的目标检测网络对待测的铜表面图片进行铜表面氧化检测，输出氧化斑位置信息和氧化等级。采用本发明，能够利用提高铜表面氧化程度检测的准确率和可靠性。
-
公开(公告)号：CN112016574A
公开(公告)日：2020-12-01
申请号：CN202011140530.8
申请日：2020-10-22
Applicant: 北京科技大学
Abstract: 本发明提供一种基于特征融合的图像分类方法，所述方法包括：获取包含图像和结构化数值特征的训练集；构建基于图像特征和结构化数值特征的特征融合图像分类模型；利用获取的训练集对构建的特征融合图像分类模型进行训练；其中，在训练过程中，通过图像处理提取图像的几何特征，同时通过卷积神经网络自动提取图像特征，将图像处理提取的几何特征、卷积神经网络自动提取的特征与训练集中的结构化数值特征进行融合，根据融合后的特征对图像的类型进行预测；获取待分类图像，将其输入到训练好的特征融合图像分类模型中，对待分类图像的类型进行预测。采用本发明，能够利用融合后的更加全面和更具代表性的特征对图像进行分类，提高图像的分类准确率。
-
公开(公告)号：CN110334414B
公开(公告)日：2020-11-13
申请号：CN201910525798.4
申请日：2019-06-18
Applicant: 北京科技大学
IPC: G06F30/20 , G16C60/00 , G06F111/10
Abstract: 本发明的实施例公开一种基于强度相图的聚合物降解强度的计算方法和装置，所述方法包括:步骤1，读取待计算的聚合物的强度相图；步骤2，从所述强度相图的坐标原点开始遍历，判断每个像素点上的元胞的强度状态；步骤3，根据近邻‑边界扩展算法，对所述相图中的相同强度状态的像素点所组成的区域进行孔洞、裂痕识别，获取不同强度状态的区域内孔洞、裂痕的区域面积和密集程度；步骤4，根据所述不同强度状态的区域内孔洞、裂痕的区域面积和密集程度，以及预先建好的强度计算模型，计算不同强度状态的所述元胞的强度；步骤5，根据所述不同强度状态的所述元胞的强度，计算所述聚合物的总强度。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.03 seconds)
