-
公开(公告)号：CN119492712B
公开(公告)日：2025-04-15
申请号：CN202510073702.0
申请日：2025-01-17
Applicant: 南京信息工程大学 , 太谱(苏州)纺织科技有限公司
IPC: G01N21/47 , G06F18/23 , G06N3/084 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及面料检测技术领域，具体涉及一种便携式纺织品面料多组分纤维成分识别方法及系统，采集多次待测面料正、反两面反射的红外光谱数据；对红外光谱数据进行预处理并对预处理后的光谱数据进行聚类分析获取训练数据集；通过训练数据集对模型训练，构建出多组分纤维成分模型；将构建的模型迁移部署到设备端，通过增量学习再训练获得成熟的识别模型；采集未知纤维成分面料的红外光谱数据；嵌入式端调用相应设备端部署的识别模型对预处理后的红外光谱数据进行识别。本发明能有效解决目前红外光谱法对纺织品面料成分测量不够准确并且每种模型适用范围小的问题，从而替代传统人工检测，使多组分纤维成分识别结果更客观的同时提高了检测效率。
-
公开(公告)号：CN119492712A
公开(公告)日：2025-02-21
申请号：CN202510073702.0
申请日：2025-01-17
Applicant: 南京信息工程大学 , 太谱(苏州)纺织科技有限公司
IPC: G01N21/47 , G06F18/23 , G06N3/084 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及面料检测技术领域，具体涉及一种便携式纺织品面料多组分纤维成分识别方法及系统，采集多次待测面料正、反两面反射的红外光谱数据；对红外光谱数据进行预处理并对预处理后的光谱数据进行聚类分析获取训练数据集；通过训练数据集对模型训练，构建出多组分纤维成分模型；将构建的模型迁移部署到设备端，通过增量学习再训练获得成熟的识别模型；采集未知纤维成分面料的红外光谱数据；嵌入式端调用相应设备端部署的识别模型对预处理后的红外光谱数据进行识别。本发明能有效解决目前红外光谱法对纺织品面料成分测量不够准确并且每种模型适用范围小的问题，从而替代传统人工检测，使多组分纤维成分识别结果更客观的同时提高了检测效率。
-
公开(公告)号：CN118230023B
公开(公告)日：2024-12-03
申请号：CN202410182358.4
申请日：2024-02-19
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09 , G06V10/77
Abstract: 本发明公开了一种基于二次训练的高光谱图像分类方法及系统，涉及高光谱图像分类技术领域，通过Transformer分类模型进行有监督学习得到像素的高阶分类向量，构建与分类模型相同结构的二次训练模型，将像素块中的部分像素与中心像素输入模型，输出得到二次分类向量，根据高阶分类向量与二次分类向量之间差异作为损失，优化二次训练模型的参数，连接高阶分类向量与二次分类向量并输入线性分类模型，得到像素的分类概率。利用少量有标记数据微调线性分类模型，将待分类的像素分别利用训练好的Transformer分类模型、二次训练模型、线性分类模型，得到像素的分类概率，选择最大概率所在类别作为标签，即可实现高光谱图像分类。
-
公开(公告)号：CN117524340A
公开(公告)日：2024-02-06
申请号：CN202410010523.8
申请日：2024-01-04
Applicant: 南京信息工程大学
IPC: G16C20/20 , G16C20/70 , G06F18/214 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了基于多层一维CNN深度网络的纺织品成份定量表征方法，从近红外光谱样本数据中挑选出由目标成分构成的纺织品光谱数据，并对纺织品光谱数据进行预处理；构建GAN模型，利用训练集数据和随机噪声样本训练GAN模型；构建多池化融合一维卷积核神经网络，利用训练之后的生成器生成伪样本数据，利用伪样本数据训练多池化融合一维卷积核神经网络，将训练后的多池化融合一维卷积核神经网络作为分类器；利用分类器对纺织品的成分进行定量表征。本发明利用多层一维CNN深度网络、GAN模型和多池化融合一维卷积核神经网络相结合的方法，实现了对纺织品成分的高效准确定量表征，具有较好的应用前景。
-
公开(公告)号：CN114709291B
公开(公告)日：2023-10-10
申请号：CN202210345928.8
申请日：2022-03-31
Applicant: 南京信息工程大学
IPC: H01L31/101 , H01L31/032 , H01L31/0352 , G01J5/28
Abstract: 本发明公开一种基于GeSe二维纳米材料红外光谱探测器及其制备方法，属于红外光谱探测器器件领域，该红外光谱探测器包括基底上利用喷墨打印形成的栅极电极，绝缘层，源漏电极，二维纳米材料层，半导体有源层，本发明能够感知宽光谱红外信号并且将光信号转化为电信号，结合机器学习的方法来进行光谱的分光识别和处理，代替了传统光谱传感器利用光栅进行分光，所用的二维纳米GeSe片在红外波段感光性强，提高了光谱传感器灵敏度，此外该材料构成的传感器靶面与读出电路匹配，器件的集成度高。
-
Patent Agency Ranking
公开(公告)号：CN114487190A
公开(公告)日：2022-05-13
申请号：CN202210089718.7
申请日：2022-01-25
Applicant: 南京信息工程大学 , 苏州捷准智能科技研发有限公司
Abstract: 本公开属于医疗器械领域，公开一种基于光PID传感器的医用人体呼出VOC气体检测装置，包括吹气口、干燥管、光PID传感器、主控制器、显示器，待检测的混合VOC气体经过吹气口进入至干燥管，干燥后的混合VOC气体通过至光PID传感器进行检测VOC气体的粗含量和成分，粗含量和成分的检测数据进行传输至主控制器，主控制器传输至显示器上，显示器进行显示检测的混合VOC气体内的分子及其含量。本公开能够准确地提高测量人呼出气体中VOC成分的含量。
-
公开(公告)号：CN112185818A
公开(公告)日：2021-01-05
申请号：CN202011070446.3
申请日：2020-10-09
Applicant: 南京信息工程大学
IPC: H01L21/4763
Abstract: 一种ZnO薄膜的干法刻蚀方法，包括如下步骤：对ZnO薄膜进行清洗，吹干后待用；在ZnO薄膜表面旋涂一层光刻胶；通过掩模紫外曝光和丙酮清洗获得所需图案；对ICP刻蚀的刻蚀腔进行抽真空；向刻蚀腔内通入甲烷、氢气和氩气，气体流量分别为3 sccm、8 sccm和5sccm，调节真空腔压强为0.13Pa；对刻蚀腔进行预刻蚀；在刻蚀腔内载入ZnO薄膜，调节刻蚀温度为20摄氏度，射频功率设置为200 W，ICP功率设置为500W或1000W，进行刻蚀，完成后取出样品，使用丙酮超声清洗去除光刻胶，获得最终样品。本发明方法能够形成表面光滑，刻蚀界面清晰的ZnO刻蚀界面。
-
公开(公告)号：CN108538927B
公开(公告)日：2019-12-31
申请号：CN201810286974.9
申请日：2018-03-30
Applicant: 南京信息工程大学
IPC: H01L31/02 , H01L31/0392 , H01L31/09 , H01L31/18
Abstract: 本发明提供了一种柔性日盲紫外探测器。所述柔性日盲紫外探测器，其特征在于：包括从下往上依次设置的透明基底、石墨烯网格层和ZnS量子点层，且所述石墨烯网格层是由石墨烯刻蚀后的石墨烯网格形成。本发明的有益效果在于：所述柔性日盲紫外探测器制备工艺简单、可实现柔性以及大面积应用。所制备的日盲紫外探测器，对日盲区内紫外光响应度高而对日盲区外响应度低，减少背景干扰影响。本发明还提供一种柔性日盲紫外探测器的制备方法。
-
公开(公告)号：CN106086795B
公开(公告)日：2019-02-01
申请号：CN201610377095.8
申请日：2016-05-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种氧化锌/氮化镓复合薄膜的制备方法，采用脉冲激光沉积法低温下制备氧化锌/氮化镓复合薄膜，不仅拓展了ZnO‑GaN复合材料的制备方法，可以实现高于600nm的可见光吸收，而且和粉体相比，在衬底上制备的ZnO/GaN复合薄膜更易于重复利用。本发明所制备薄膜粒径分布均匀，具有明显的可见光响应，带隙达到1.6eV。
-
公开(公告)号：CN106086795A
公开(公告)日：2016-11-09
申请号：CN201610377095.8
申请日：2016-05-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种氧化锌/氮化镓复合薄膜的制备方法，采用脉冲激光沉积法低温下制备氧化锌/氮化镓复合薄膜，不仅拓展了ZnO‑GaN复合材料的制备方法，可以实现高于600nm的可见光吸收，而且和粉体相比，在衬底上制备的ZnO/GaN复合薄膜更易于重复利用。本发明所制备薄膜粒径分布均匀，具有明显的可见光响应，带隙达到1.6eV。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.035 seconds)
