-
公开(公告)号：CN119251079A
公开(公告)日：2025-01-03
申请号：CN202411230267.X
申请日：2024-09-04
Applicant: 浙江工业大学
Abstract: 一种面向工业缺陷检测的随机区域马赛克数据增强方法，首先定义用于控制马赛克块大小的参数列表Patch‑List，在每次数据增强时随机选择不同大小的马赛克块；其次根据选定的马赛克块大小，将图像划分为若干网格，并通过概率参数Pm决定是否对每个网格执行马赛克模糊处理；通过引入Miou与Mp两个阈值参数来对目标区域的马赛克覆盖程度进行判断。若某目标区域的马赛克覆盖超出阈值，则自动移除其标签信息；模型在每轮的训练过程中以Pt的概率进行开启该数据增强，直至模型训练结束。以及提供一种随机区域马赛克数据增强系统。本发明能够实现提高检测模型分类精度与定位精度，同时部署简单，易于使用。
-
公开(公告)号：CN117078690A
公开(公告)日：2023-11-17
申请号：CN202310875522.5
申请日：2023-07-17
Applicant: 浙江工业大学
IPC: G06T7/10 , G06N3/096 , G06N3/0985 , G06N3/084
Abstract: 一种面向少样本稀土晶体分割任务的迁移学习方法，包括以下步骤：步骤1：准备大量易获取的微观结构数据集，以及少量样本的稀土晶体结构数据集；步骤2，在大规模微观结构数据集上对图像分割模型进行预训练；步骤3，将预训练结束的图像分割模型迁移到稀土晶体结构数据集上进行微调训练；步骤4，使用贝叶斯优化方法优化每一次微调训练过程，搜索最优的迁移学习超参数配置，并保存每一次完整微调训练结束后的模型；步骤5，输出最优超参数配置及其对应的最优分割模型。本发明将模型在大量易获取的微观结构数据集上学习到的知识迁移到下游少量样本的稀土晶体分割任务上，改善了因稀土晶体结构数据量不足而导致深度学习模型难以训练的问题。
-
公开(公告)号：CN117011326A
公开(公告)日：2023-11-07
申请号：CN202310841094.4
申请日：2023-07-10
Applicant: 浙江工业大学
Abstract: 一种面向瞳孔分割任务的数据集制作方法，包括以下步骤：步骤1：使用便携式摄像头在黑暗室内开启闪光灯对眼部进行拍摄(以增加瞳孔区分度)，并筛选出瞳孔位置差异较大的图像，最终得到尺寸为240*320的RGB彩色眼部图像；步骤2，使用计算机进行灰度化图像处理，以加快后续图像处理速度，同时减少噪声并提高对比度；步骤3，对眼部图像采取数据增强技术以扩充数据集，增加其多样性；步骤4，设计python脚本辅助生成瞳孔椭圆区域，具体采用最小二乘法来拟合瞳孔区域，将人工标注成本降到最低；步骤5，对瞳孔区域和背景区域进行二值化处理，最终得到分割标签图。本发明适合基于深度学习的图像分割方法使用本数据集。
-
公开(公告)号：CN115860093A
公开(公告)日：2023-03-28
申请号：CN202211304526.X
申请日：2022-10-24
Applicant: 杭州市临安区第一人民医院 , 浙江工业大学
IPC: G06N3/082 , G06N3/0464 , G06V10/82 , G06V10/764 , G06T7/00
Abstract: 本发明公开了一种面向皮肤病不平衡数据惩罚得分的网络剪枝方法，包括：S1、获取皮肤病不平衡样本数据集并根据每个类别的样本数确定尾类，进行样本权重向量标记；S2、构建卷积神经网络；S3、计算卷积神经网络中每个卷积核的不平衡数据惩罚得分；S4、根据预设剪枝率对卷积神经网络中每个卷积层的卷积核进行修剪；S5、采用皮肤病不平衡样本数据集对修剪后的卷积神经网络进行训练直至收敛，再利用平衡数据集对收敛的卷积神经网络微调，获得最终网络模型。该方法在降低网络参数量和计算量的同时，提高了分类准确率，且便于部署，泛化能力强。
-
公开(公告)号：CN109821528B
公开(公告)日：2021-10-15
申请号：CN201910104291.1
申请日：2019-02-01
Applicant: 浙江工业大学
Abstract: 本发明提供了一种Bi/ZnO纳米异质材料及其制备方法，本发明采用两步水热法制得Bi/ZnO异质材料，并将其应用到光催化还原氮气合成氨的反应中，获得了一种新的光催化剂，为替代高能耗高污染的哈伯制氨法，开发一种利用太阳光，低碳环保的合成氨提供研究思路和理论支持；本发明制备的Bi/ZnO异质材料，有效的抑制了电子与空穴的复合，提高了对光的吸收率与利用率，在全光下对氮气还原，得到氨是纯的氧化锌光催化性能的3倍以上；本发明制备条件温和，操作简单，成本低廉，对环境友好，节能低碳，具有工业化前途。
-
Patent Agency Ranking
公开(公告)号：CN107649159A
公开(公告)日：2018-02-02
申请号：CN201710763681.0
申请日：2017-08-30
Applicant: 浙江工业大学
Abstract: 本发明公开了一种机染料改性氮化碳石墨烯复合材料，所述复合材料按如下方法制备：将g-C3N4醇溶液与石墨烯醇溶液混合，超声混匀，再在100～240℃下恒温8～24h，离心去除乙醇，取沉淀真空干燥，得到g-C3N4/r-石墨烯复合物；将g-C3N4/r-石墨烯复合物与有机染料和有机醇C混合，超声混匀，离心，沉淀用有机醇C洗涤后黑暗干燥，获得所述有机染料改性氮化碳石墨烯复合材料；本发明复合材料不仅具有介孔结构而且比表面较高，提高了空穴-电荷分离速率和对光的吸收率和利用率，在可见光下对二氧化碳和水蒸气还原，得到甲醇是石墨相氮化碳光催化性能的8倍以上。
-
公开(公告)号：CN103878681A
公开(公告)日：2014-06-25
申请号：CN201410079925.X
申请日：2014-03-06
Applicant: 浙江工业大学
IPC: B24B37/16
CPC classification number: B24B37/16
Abstract: 本发明涉及一种具有加载装置的多级抛光盘，适用于光学元件、非晶薄膜衬底等工件表面的研磨与抛光加工。它包括研磨抛光盘、滑台、工件安装轴、转动装置和工件安装头，滑台装在研磨抛光盘的上方并可以沿着水平方向移动，工件安装轴装在滑台上；研磨抛光盘上设有多层环形的挡板，所有挡板均与研磨抛光盘同轴心，将研磨抛光盘从内到外分成多个环形区域，不同区域的磨料粒度不同。本发明结构简单紧凑，成本较低，自动化程度高，通过控制每一圈的磨料粒度，可以对工件分别多种不同程度精度的研磨加工；研磨抛光盘转动的时候工件也会跟着自转运动，二者的共同作用下可实现待加工表面的加工纹理无序化从而提高了加工效率与质量。
-
公开(公告)号：CN118365950A
公开(公告)日：2024-07-19
申请号：CN202410562360.4
申请日：2024-05-08
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464
Abstract: 一种基于梯度粒度的卷积神经网络领域泛化分类方法，包括以下步骤：步骤1：使用卷积神经网络分别构建模型的特征提取器以及判别分类器；步骤2：设定网络的输入，将不同源域的图片输入至特征提取器中，将经过特征提取器出来的特征进一步输入至判别分类器中；步骤3：分层并切片不同特征在判别分类器中产生的梯度，并对这些分层切片后的梯度进一步进行自适应的主导梯度衰减的平滑操作；步骤4：通过梯度手术对梯度进行修改以去除梯度的冲突方向分量，使用修改完的梯度对模型进行参数更新；步骤5：最小化图片经过分类器产生的伪标签和真实标签之间的误差，对网络进行训练。本发明能够学习到通用的表征，能够应对各种复杂的情景。
-
公开(公告)号：CN117079273A
公开(公告)日：2023-11-17
申请号：CN202310868164.5
申请日：2023-07-17
Applicant: 浙江工业大学
IPC: G06V20/69 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于深度学习的浮游藻类微生物检测方法，包括以下步骤：步骤1：对原始训练数据的预处理，将数据集整理为无标注样本和有标注样本，在有标注样本中选择硅藻、绿藻和蓝藻作为目标类别，格式符合COCO格式要求；步骤2：图像分类快速推理的混合神经网络结构的建立，结合注意力偏置和可变形卷积，使用该骨干网络来进行实现特征的提取，结合对小目标、密集性效果更好的Deformable DETR检测模型；步骤3：将有标注数据集作为网络的输入；步骤4：网络的训练：先利用大量无标注样本进行了预训练；使用有标注的来自硅藻门、绿藻门和蓝藻门的数据集来完成藻类目标检测的下游任务。本发明实现快速且高精度的浮游藻类目标检测。
-
公开(公告)号：CN116628555A
公开(公告)日：2023-08-22
申请号：CN202310648049.7
申请日：2023-06-02
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06V10/40 , G06V10/774 , G06V10/82 , G06V10/764
Abstract: 本发明公开了一种基于文本正则化的领域泛化方法，包括：建立DG分类模型，包括文本编码器、特征提取器和分类器，特征提取器包括依次连接的图像编码器和投影头，投影头用于维度对齐且与分类器连接，文本编码器采用CLIP模型的文本编码器，并定义总损失函数和目标函数；采用第一训练集训练DG分类模型的特征提取器，并基于不平衡学习策略将特征提取器的学习率与分类器的学习率的比值调整为预设比例，将第一训练集的类别单词经文本编码器生成的文本向量作为训练过程中额外的监督信号，获得训练好的DG分类模型；将待识别图片输入训练好的DG分类模型，获得对应分类结果。该方法可增强DG分类模型的泛化性并抑制协变量偏移问题。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.033 seconds)
