-
Patent Agency Ranking
公开(公告)号：CN117576067A
公开(公告)日：2024-02-20
申请号：CN202311635559.7
申请日：2023-12-01
Applicant: 燕山大学
IPC: G06T7/00 , G06V10/52 , G06V10/762 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于改进YOLOv5的蜂窝状复合材料缺陷检测方法，步骤包括：获取蜂窝状复合材料的CT结构图，对结构图处理得到二维断层图，对二维断层图进行扩充并对扩充后的二维断层图进行缺陷标注，得到训练样本集和测试样本集；利用训练样本集对改进的YOLOv5网络模型中进行训练，得到训练后的改进YOLOv5模型；利用所述测试样本集对训练后的改进YOLOv5模型进行测试，当满足精度要求时，得到训练好的改进YOLOv5模型；获取待测蜂窝状复合材料的二维断层图，输入训练好的YOLOv5网络模型中，得到蜂窝状复合材料的缺陷识别结果。实现了一种基于改进YOLOV5的蜂窝状复合材料缺陷检测方法。
-
公开(公告)号：CN115105094A
公开(公告)日：2022-09-27
申请号：CN202210832540.0
申请日：2022-07-15
Applicant: 燕山大学
Abstract: 本申请适用于脑电信号分类技术领域，提供了一种基于注意力和3D密集连接神经网络的运动想象分类方法，包括：获取脑电信号数据集，并根据脑电信号数据集构建三维表征数据；将三维表征数据输入到空间‑频谱‑时间注意力模块，动态捕捉不同脑电信号通道、频段和时间的特征，得到空间‑频谱‑时间信息；将空间‑频谱‑时间信息输入到3D密集连接神经网络中，利用跨阶段结构得到两个梯度流特征；利用特征融合策略将两个梯度流特征进行融合，得到特征分类模型。实现从低噪声比和非平稳的大脑信号中准确识别人类意图，提升运动想象分类任务的分类效果。
-
公开(公告)号：CN117437477A
公开(公告)日：2024-01-23
申请号：CN202311454143.5
申请日：2023-11-03
Applicant: 燕山大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/26 , G06V10/25 , G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种3D打印点阵结构的缺陷检测方法，属于3D打印缺陷检测技术领域，解决了现有技术无法描述缺陷在点阵结构体内的具体形貌细节特征的问题。本发明的方法包括：获取3D打印点阵结构样本件的二维断层图像数据以构建训练样本集；构建融合了注意力机制和BiFPN网络的改进的Mask RCNN模型；通过所述训练样本集对改进的Mask RCNN模型进行训练；获取待检测的3D打印点阵结构的二维断层图像数据以构建待检测数据集；将所述待检测数据集输入训练好的改进的Mask RCNN模型中，获取缺陷检测结果。本发明中，将Mask RCNN算法应用于3D打印点阵结构的缺陷检测，并通过改进Mask RCNN模型，能够同时实现对缺陷的检测、分类和分割，更加准确和全面进行缺陷分析。
-
公开(公告)号：CN117437476A
公开(公告)日：2024-01-23
申请号：CN202311454142.0
申请日：2023-11-03
Applicant: 燕山大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明涉及一种3D打印点阵结构缺陷检测模型的训练方法，属于3D打印缺陷检测技术领域，解决了现有技术无法描述缺陷在点阵结构体内的具体形貌细节特征的问题。本发明的方法包括：获取3D打印点阵结构的二维断层图像数据；对二维断层图像数据进行预处理后将其划分为训练集和测试集；构建融合注意力机制和BiFPN网络的改进的Mask RCNN模型；从训练集中获取batch size大小的训练样本对改进的Mask RCNN模型进行训练；通过测试集对训练好的改进的Mask RCNN模型进行测试以检测模型精度，当模型精度满足要求时得到改进的Mask RCNN模型作为缺陷检测模型。本发明中，将改进的Mask RCNN模型应用于3D打印点阵结构的缺陷检测，并通过模型训练保证模型精度，从而实现了准确和全面进行缺陷分析。
-
公开(公告)号：CN115105094B
公开(公告)日：2024-06-25
申请号：CN202210832540.0
申请日：2022-07-15
Applicant: 燕山大学
IPC: A61B5/369 , A61B5/374 , A61B5/16 , A61B5/00 , G06F18/24 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/0985
Abstract: 本申请适用于脑电信号分类技术领域，提供了一种基于注意力和3D密集连接神经网络的运动想象分类方法，包括：获取脑电信号数据集，并根据脑电信号数据集构建三维表征数据；将三维表征数据输入到空间‑频谱‑时间注意力模块，动态捕捉不同脑电信号通道、频段和时间的特征，得到空间‑频谱‑时间信息；将空间‑频谱‑时间信息输入到3D密集连接神经网络中，利用跨阶段结构得到两个梯度流特征；利用特征融合策略将两个梯度流特征进行融合，得到特征分类模型。实现从低噪声比和非平稳的大脑信号中准确识别人类意图，提升运动想象分类任务的分类效果。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
