-
Patent Agency Ranking
公开(公告)号：CN111339974A
公开(公告)日：2020-06-26
申请号：CN202010139176.0
申请日：2020-03-03
Abstract: 本发明公开了一种上述现代陶瓷与古陶瓷的鉴别方法，通过构建古陶瓷对应的正样本和仿古瓷对应的负样本，将RGB图像转换至HSV颜色空间，得到HSV图像，获取HSV图像的特征描述子，将特征描述子输入支持向量机中进行训练，获得支持向量机的训练参数，将RGB图像输入深度卷积神经网络架构进行训练得到卷积神经网络的网络参数，根据支持向量机的训练参数和卷积神经网络的网络参数确定深度学习模型，将正样本的灰度图和负样本的灰度图分别输入深度学习模型进行训练，得到鉴别模型，获取待鉴别瓷器的待鉴别图片，将待鉴别图片输入所述鉴别模型，依据鉴别模型的输出结果确定待鉴别瓷器为现代陶瓷或者古陶瓷，以提高相应陶瓷鉴别的效率。
-
公开(公告)号：CN111339974B
公开(公告)日：2023-04-07
申请号：CN202010139176.0
申请日：2020-03-03
IPC: G06V20/69 , G06V20/80 , G06V10/46 , G06V10/56 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种上述现代陶瓷与古陶瓷的鉴别方法，通过构建古陶瓷对应的正样本和仿古瓷对应的负样本，将RGB图像转换至HSV颜色空间，得到HSV图像，获取HSV图像的特征描述子，将特征描述子输入支持向量机中进行训练，获得支持向量机的训练参数，将RGB图像输入深度卷积神经网络架构进行训练得到卷积神经网络的网络参数，根据支持向量机的训练参数和卷积神经网络的网络参数确定深度学习模型，将正样本的灰度图和负样本的灰度图分别输入深度学习模型进行训练，得到鉴别模型，获取待鉴别瓷器的待鉴别图片，将待鉴别图片输入所述鉴别模型，依据鉴别模型的输出结果确定待鉴别瓷器为现代陶瓷或者古陶瓷，以提高相应陶瓷鉴别的效率。
-
公开(公告)号：CN111345652A
公开(公告)日：2020-06-30
申请号：CN202010155551.0
申请日：2020-03-09
Abstract: 本发明的一种指纹开锁水杯，包括杯体和杯盖，所述杯体和杯盖的一侧通过扭簧铰接，另一侧设置有指纹解锁机构，所述指纹解锁机构包括：卡栓组件和开关组件；所述杯体内设置有电源，所述电机、指纹解锁模块和电极片二串联接入电源中，所述电机并联连接有电阻R0；所述滑块一远离卡栓的一端设置有一对电极片一，两个电极片一之间设置弹簧一，当滑块一朝向远离卡栓的方向移动时，电极片一相互接触且电性连接，所述电极片一和电阻R0串联连接。本发明极大地提升了水杯的安全性。
-
公开(公告)号：CN116777068A
公开(公告)日：2023-09-19
申请号：CN202310776376.0
申请日：2023-06-28
Applicant: 东南大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/049 , G06Q50/30
Abstract: 本发明公开一种基于因果Transformer的网络化数据预测方法，适用于预测复杂工程系统的耦合时间序列，本发明首先采用基于因果性指标的因果推理方法，以不同位置测速仪检测的车辆速度时间序列数据为基础，应用最优因果熵算法和互信息估计器，构建因果网络并估计因果熵值，再利用测速仪的经纬度坐标构造距离网络。接着，该发明将因果网络、距离网络以及时间序列输入Transformer卷积时空块。其中，每个时空块由一个残差Transformer模块和一个可以总结因果网络和距离网络信息的残差多图卷积网络模块组成，用于提取时间和空间维度信息。最后，提取的信息可以通过输出层进行解码可以获得预测结果。该方法具有良好的预测效果，可以为复杂工程系统提供有效的数据支撑。
-
公开(公告)号：CN111345652B
公开(公告)日：2022-01-04
申请号：CN202010155551.0
申请日：2020-03-09
Abstract: 本发明的一种指纹开锁水杯，包括杯体和杯盖，所述杯体和杯盖的一侧通过扭簧铰接，另一侧设置有指纹解锁机构，所述指纹解锁机构包括：卡栓组件和开关组件；所述杯体内设置有电源，所述电机、指纹解锁模块和电极片二串联接入电源中，所述电机并联连接有电阻R0；所述滑块一远离卡栓的一端设置有一对电极片一，两个电极片一之间设置弹簧一，当滑块一朝向远离卡栓的方向移动时，电极片一相互接触且电性连接，所述电极片一和电阻R0串联连接。本发明极大地提升了水杯的安全性。
-
-
-
-
Search Results
5
records
(took 0.012 seconds)
