-
公开(公告)号：CN119100583A
公开(公告)日：2024-12-10
申请号：CN202411421643.3
申请日：2024-10-12
Applicant: 桂林电子科技大学
IPC: C03B37/029 , C03B37/027 , H05B7/144 , H05B7/06 , H05B7/101
Abstract: 本发明提供了一种双环笼形多电极组合等离子高温炉。其特征是：它由隔热层、防风罩、电极棒组、环形电极座组成，本发明基于电弧放电光纤热加工，利用所述环形电极座内嵌固定电极棒，电极棒组不少于两组，每组电极棒针尖两两相对，形成由多个等离子电弧围成的笼式高温加热区，所述电极棒组与所述环形电极座连接处可依据不同光纤形成不同角度，从而形成加热区不同纵向宽度。本发明可以在保证光纤受热均匀的情况下，通过调节电极棒组针尖距离控制温度场轴向长度以及旋转隔热层带动电极棒组扭转火弧形成局部高温温区，解决大芯径光纤拉制缓变锥体、大螺距扭转等不同光纤类型的热加工需求，本发明适用于光纤加工领域。
-
公开(公告)号：CN118314041A
公开(公告)日：2024-07-09
申请号：CN202410479342.X
申请日：2024-04-22
Applicant: 桂林电子科技大学
IPC: G06T5/70 , G06N3/0464 , G06N3/08 , G06T5/60
Abstract: 本发明提供的是基于深度学习的空间外差干涉图盲元噪声校正方法。包括以下步骤：步骤S1：预处理实测干涉图数据集，获得不同时间维的干涉图数据。步骤S2：使用罗曼诺夫斯基定律检测干涉图数据集中的盲元噪声，并将其像元归零。步骤S3：搭建LSConv，用于初步填补噪声图像的线选择卷积块；将处理后的干涉图数据集输入线选择卷积层，对归零的盲元点进行初步修正。步骤S4：将修正后的干涉图输入以传统CNN为主的针对不同比例的盲元噪声，单独训练的深度学习模型，输出完成盲元校正的干涉图。本方法可用于干涉图中盲元噪声的检测与校正，并在定量标准和视觉效果方面超越了大部分同类方法，尤其是在高密度和超高密度噪声的情况下。可广泛用于光谱干涉图的校正领域。
-
公开(公告)号：CN119100582A
公开(公告)日：2024-12-10
申请号：CN202411421577.X
申请日：2024-10-12
Applicant: 桂林电子科技大学
IPC: C03B37/029 , C03B37/027 , G02B6/255 , H05B7/144 , H05B7/06 , H05B7/101
Abstract: 本发明提供了一种正交式多电极组合等离子加热器。其特征是：它由不少于两组等离子发生器嵌合组成，每组等离子发生器由电极棒、绝缘电极座构成，每组等离子发生器电流回路相互独立，等离子发生器位置呈圆形对称分布，形成的等离子电弧环加热温区呈现出环形薄片状均匀分布，光纤沿加热温区中轴线穿过，通过调整等离子发生器的数量调节温度高低，通过调节所述等离子发生器中电极棒针尖距离适应待加工光纤直径。本发明基于电弧放电光纤热加工，可以在保证光纤受热均匀的情况下，解决大直径石英光纤的光纤焊接、陡锥体拉锥、短螺距扭转、光纤端头微球烧制等加工制备需求，实现不同光纤类型的热加工技术。本发明适用于光纤加工领域。
-
Patent Agency Ranking
公开(公告)号：CN118533817A
公开(公告)日：2024-08-23
申请号：CN202410614912.1
申请日：2024-05-17
Applicant: 桂林电子科技大学
IPC: G01N21/71 , G01J5/00 , G06F18/10 , G06F18/2135
Abstract: 本发明提供的是一种基于主成分分析的空间外差钾信号提取方法。其特征是：利用钾灯模拟飞行器尾焰颗粒物中钾盐类物质燃烧时其中的钾原子受高温激发产生特征信号，将钾灯置于天空背景的环境下，不同电流强度钾灯模拟尾焰不同的辐射强度，然后用空间外差光谱仪采集天空背景下钾灯的多组干涉图，对干涉图像进行傅里叶变换得到钾灯与背景的混合光谱数据信息，将实验所得的多组光谱数据预处理后并进行光谱重构，对重构的光谱数据矩阵进行主成分分析，基于此方法可以从信息混叠的原始光谱数据中实现对钾特征信号分离提取。本发明可用于复杂的环境下对弱信号高效的分离，显著提高目标信号的检测准确度，极大地简化了信号提取操作过程，不需要复杂的手动干预，加快了数据处理速度，可广泛用于信号提取技术领域。
-
公开(公告)号：CN119379545A
公开(公告)日：2025-01-28
申请号：CN202411451405.7
申请日：2024-10-17
Applicant: 桂林电子科技大学
Abstract: 本发明提供的是一种基于自适应双边滤波和UDWT的空间外差干涉校正方法。其特征在于：步骤S1：通过空间外差光谱仪获取干涉图，并使用Prewitt算子计算边缘响应，提取边缘特征。步骤S2：基于高斯滤波器，构建结合灰度域权重和空间域权重的双边滤波器，提升双边滤波的去噪效果。步骤S3：对处理后的干涉图进行非下采样小波变换(UDWT)，分解为多个尺度和方向的子带，并进行重构，获得去噪后的干涉图。步骤S4：经过傅里叶变换实现光谱复原，得到去噪后的光谱信号，去噪后的光谱信号特征峰更为明显，曲线更加平滑，同时显著改善峰值信噪比和非均匀性。本发明对光谱信号的噪声去除效果显著，可广泛用于空间外差光谱的噪声处理。
-
公开(公告)号：CN119251510A
公开(公告)日：2025-01-03
申请号：CN202411450996.6
申请日：2024-10-17
Applicant: 桂林电子科技大学
IPC: G06V10/30 , G06V10/44 , G06V10/75 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供的是一种基于深度学习的偏振成像伪装目标识别方法。包括以下步骤：步骤S1：利用偏振相机得到0°、45°、90°偏振图像，利用深度学习对偏振图像进行滤波去噪处理，最大化降低噪声对测试的干扰。步骤S2：对去噪处理后的偏振图像进行匹配校准计算，根据公式得到偏振度、偏振角图像，将他们作为两个通道输入到深度学习训练模型中。步骤S3：利用深度学习得到低层、中层、高层三种特征。步骤S4：利利用深度学习增大感受野，得到增强后的特征图，输入到SINet神经网络，并搜索，从候选特征中得到最终想要的伪装目标特征，用于在图像中进行匹配。步骤:S5：针对不同场景下不同位置的伪装目标，使用相同神经网络模型进行训练，使模型达到可以在不同场景、伪装目标位置不同时仍能正确识别出目标。本发明能有效识别出环境中隐藏的伪装目标，可广泛用于多场景单个或多目标伪装探测等领域。
-
公开(公告)号：CN117495706A
公开(公告)日：2024-02-02
申请号：CN202311534203.4
申请日：2023-11-17
Applicant: 桂林电子科技大学
IPC: G06T5/70 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明提供的是一种基于深度学习的干涉图高密度椒盐噪声去噪方法，包括以下步骤：步骤S1：预处理实测干涉图数据集，得到用于深度学习训练的训练集，验证集；步骤S2：搭建LSConv，用于初步填补噪声图像的线选择卷积块；步骤S3：以传统的CNN为主，搭建降噪模型，进一步矫正被LSConv修复的数据集数据，训练时，针对不同比例的SAP噪声，单独训练去噪模型；步骤S4：使用损失函数判断模型收敛情况，输出针对不同比例SAP噪声的降噪网络。该线选择卷积块网络能有效地恢复被SAP噪声破坏的干涉图，并在定量标准和视觉效果方面超越了大部分同类方法，尤其是在高密度和超高密度噪声的情况下。可广泛用于光学图像信息恢复等领域。
-
公开(公告)号：CN117333391A
公开(公告)日：2024-01-02
申请号：CN202311315388.X
申请日：2023-10-12
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06V10/44 , G06V10/774 , G06V10/776
Abstract: 本发明提供的是一种基于N2N和深度学习的干涉图去噪方法，包括以下步骤：S1：对空间外差光谱仪干涉图数据集随机分类，形成训练集和验证集的原始图像数据集；S2：对干涉图进行预处理，并进行图像分割，得到训练集，验证集；S3：利用训练集进行深度学习去噪模型的训练；S4：利用验证集在固定的迭代次数验证损失函数下降情况，判断模型是否训练完成，若训练完成，输出去噪模型。本干涉图去噪方法在对深度学习模型进行训练时，只使用带噪声的图像进行去噪模型的训练，可以极大减少训练数据的获取难度，并且使用本方法训练出来的模型可有效恢复干涉图图像信息，抑制噪声并保持干涉条纹边缘连续性，可广泛应用于光学图像信息恢复等领域。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
