-
公开(公告)号：CN103122018A
公开(公告)日：2013-05-29
申请号：CN201110367784.8
申请日：2011-11-18
IPC: C07J17/00
Abstract: 本发明涉及一种罗汉果苷的集成化制备方法，将罗汉果置于超声提取器中进行提取，提取同时开启泵，将提取液输送至扩张床色谱柱体内，吸附余液流回至超声提取器中继续参与提取；在此提取过程中，罗汉果苷由罗汉果药材中不断转移至扩张床色谱内的树脂上；提取完毕，关闭超声提取器，通过泵将洗脱剂输送至扩张床色谱柱体内，进行洗脱，并将洗脱液收集于收集器内。本发明具有的优点：步骤简化，提取时间少，效率高。
-
公开(公告)号：CN116403042A
公开(公告)日：2023-07-07
申请号：CN202310368796.5
申请日：2023-04-07
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明涉及轻量化卫生用品缺陷检测的方法，其方法包括：获取卫生用品的表面图像并输入到基于深度学习的轻量级的目标检测神经网络模型中，以对表面图像进行数据增强处理，进而获得初始的特征图，通过嵌有EVC模块的CSP模块对初始的特征图进行多尺度特征提取，通过FPV模块的特征金字塔法将不同尺度的特征图进行融合，通过PANet模块的路径聚合法将不同分辨率的特征图进行融合，通过CSConv模块的轻量级卷积操作对CSP模块、FPV模块和PANet模块的输出特征进行融合，以获得并输出最终的检测结果。本发明通过将GSConv和EVC模块融入到深度学习的目标检测神经网络模型中，提高目标检测的精度和效率，同时保持轻量化和快速的特性。
-
公开(公告)号：CN116385790A
公开(公告)日：2023-07-04
申请号：CN202310368809.9
申请日：2023-04-07
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/0895 , G06N20/20
Abstract: 本发明涉及一种基于数据生成的弱监督卫生用品缺陷检测方法及装置，其中方法包括：训练缺陷检测模型；基于训练后的缺陷检测模型，检测新输入的测试图像是否为有缺陷图像；若检测新输入的测试图像为有缺陷图像，基于剪贴增强策略生成伪缺陷图像，所述伪缺陷图像与所述有缺陷图像对应；基于训练后的缺陷检测模型，对所述伪缺陷图像进行缺陷定位，得到缺陷位置信息。本发明通过剪贴增强策略引入不规则性，只利用正常图像进行训练，需要少量标注缺陷图像。在不同类型的表面缺陷检测任务中取得较高的准确性和鲁棒性，且需要少量标注数据和人工干预。
-
公开(公告)号：CN113945537A
公开(公告)日：2022-01-18
申请号：CN202111138487.6
申请日：2021-09-27
Applicant: 桂林电子科技大学
IPC: G01N21/359 , G01N21/01 , G06N3/06 , G06V10/40
Abstract: 一种高准确度近红外光谱定量模型的建立方法，搭建适用于近红外光谱的一维‑多尺度残差卷积神经网络模型，简称1D‑MSRCNN；所述1D‑MSRCNN包括输入层、隐藏层和输出层，所述隐藏层包括依次串联连接的普通一维卷积网络、1D‑inception‑resnet网络层、全局最大池化层以及全连接层。在普通一维卷积神经网络的基础上，加入1D‑inception‑resnet网络层，该网络层的结构以二维图像的inception‑resnet结构为基础，将inception结构和resnet结构内的所有卷积均替换为一维卷积；利用多个并联的不同大小的卷积核进行一维卷积的特征信息提取，极大增加网络的感受野，能有效提取不同分辨率的光谱信息。且resnet‑1D结构，在加深网络深度的同时避免梯度消失。此外，全局平均池化为减少网络参数，避免过拟合，达到更好的预测结果。
-
公开(公告)号：CN105549051B
公开(公告)日：2018-07-06
申请号：CN201510919010.X
申请日：2015-12-11
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于低次曲面模型的星钟和星历误差相对改正方法，通过对星钟误差一站式改正，相对剩余星历误差建立6种低次曲面模型，找出视向残余误差最小的曲面模型，通过6个以上差分站获得曲面模型参数，利用曲面模型参数计算出所在位置的相对剩余星历误差并直接改正，通过对11个差分站优化布局得到修正效果；该方法不需要在各差分站之间建立严格的时间同步网，经过11站差分能将服务区内的视向残余误差修正到很小的范围内，定位精度高。
-
Patent Agency Ranking
公开(公告)号：CN106250871A
公开(公告)日：2016-12-21
申请号：CN201610674004.7
申请日：2016-08-16
Applicant: 桂林电子科技大学 , 广西智度信息科技有限公司
CPC classification number: G06K9/00704 , G06K9/42 , G06K9/6256 , G06N3/02 , G06T5/009
Abstract: 本发明涉及一种城市管理案件分类方法及装置，其中，该方法包括：获取城市管理案件样本，并提取所述城市管理案件样本对应的样本图像；对所述样本图像进行亮度和对比度的归一化处理；对经过亮度和对比度的归一化处理的样本图像进行ZCA白化处理；根据ZCA白化处理后的样本图像建立卷积神经网络CNN模型；根据所述CNN模型对输入的待分类城市管理案件所对应的图像进行分类，以根据所述分类的结果划分所述待分类城市管理案件。本发明的城市管理案件分类方法及装置，能够快速高效的将智慧城管应用系统中的案件图像进行分类，具有分类时间短、分类精度高、应用成本低、模型结构简单等优点。
-
公开(公告)号：CN103914707A
公开(公告)日：2014-07-09
申请号：CN201410150112.5
申请日：2014-04-15
Applicant: 广西交通投资集团有限公司 , 桂林电子科技大学
IPC: G06K9/62
Abstract: 本发明公开一种基于支持向量机的绿色通道产品辅助判别方法，将采集的绿色通道车辆辐射图像进行线性变换后，采用Canny算子进行边沿检测；通过灰度共生矩阵提取上述边沿区域的局部纹理特征，作为支持向量机的输入特征；采用经过训练的具有季节和地域特征的支持向量机模型对绿色通道产品进行分类识别；用户拥有对识别结果的最后决策和判别权，判别结果作为样本用于后续训练。本发明通过辐射图像自动识别当前车辆的装载产品类别，以提高绿色通道检测准确率，减少图检员工作量。
-
公开(公告)号：CN119358628A
公开(公告)日：2025-01-24
申请号：CN202411423926.1
申请日：2024-10-12
Applicant: 桂林电子科技大学 , 桂林奥普计算机网络集团有限公司
IPC: G06N3/0895 , G06N3/098 , G06V10/82 , G06V10/771
Abstract: 本发明提出了一种基于联邦学习的自监督预训练方法，以提升肝癌图像分割效果。医学图像分割旨在准确提取感兴趣区域，以辅助诊断与治疗，但传统方法依赖大量标注数据，在医学领域难以获得。本方法利用ViT编码器对无标注的肝癌遮掩图像进行特征学习，并通过ViT解码器重建遮掩像素块，随后传递嵌入特征给下游任务；结合当前本地模型与上一轮全局模型，优化训练过程，减少当前模型与全局模型特征表示距离，同时增加与本地模型特征表示距离，通过对比使客户端模型逐步接近全局模型，获得较优全局模型对肝癌图像进行分割。本方法有效缓解数据异构性导致的性能下降，提高模型的泛化能力，解决数据标签不足的问题，从而推动人工智能辅助医疗领域的应用。
-
公开(公告)号：CN114973244A
公开(公告)日：2022-08-30
申请号：CN202210659966.0
申请日：2022-06-12
Applicant: 桂林电子科技大学
IPC: G06V20/69 , G06V10/764 , G06V10/80 , G06T7/00
Abstract: 本发明公开了一种乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，属于数字图像处理技术技术领域，包括：输入图像预处理模块：对原始图片进行按照预定的patch尺寸切割，并通过图片翻转、旋转等方式进行数据增强；分割模块：通过在训练集中裁剪patches训练一个分割网络，将测试集数据按相应尺寸切割并送入分割网络，得到patch级的分割结果，然后将分割后结果按照其在预处理阶段截取的patch坐标信息来重建出属于原始尺寸的图像。该乳腺癌H&E染色病理图像有丝分裂自动识别系统和方法，对于准确地分割和分类乳腺癌有丝分裂的细胞，特别是样本细胞数量稀少，特征复杂的，具有重要意义。
-
公开(公告)号：CN113959974A
公开(公告)日：2022-01-21
申请号：CN202111138492.7
申请日：2021-09-27
Applicant: 桂林电子科技大学
IPC: G01N21/359
Abstract: 一种普适性近红外光谱模型的传递方法，搭建的1D‑MSRCNN，在普通一维卷积神经网络的基础上，加入构以二维图像的inception‑resnet结构为基础，1D‑inception‑resnet网络层；显著提升模型对近红外光谱的特征提取能力，并能够有效避免数据过拟合，达到更好的预测结果。且引入迁移学习方法，将在已有的厂商仪器采集的近红外光谱上建立的卷积网络模型迁移到其他厂商仪器采集的光谱，并在全连接层中加入多核MMD核函数，利用多核MMD核函数度量迁移前和迁移后数据间的差异，通过减少域差异来增强1D‑MSRCNN的具体任务层的特征迁移性。解决采集近红外光谱的仪器存在台间差异，在一台仪器上建立的模型，无法在另外的厂商仪器中应用问题，实现模型跨不同厂商的不同型号仪器的应用。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.046 seconds)
