-
Patent Agency Ranking
公开(公告)号：CN113464715B
公开(公告)日：2022-09-02
申请号：CN202110819561.4
申请日：2021-07-20
Applicant: 重庆科技学院
Abstract: 本发明公开一种三级减压笼套式节流阀，包括阀体以及设置在所述阀体上的阀盖，所述阀盖上通过开设的第一安装口安装有阀杆，阀杆的上端设置有手轮，在阀体上开设有入口流道和出口流道，入口流道和所述出口流道之间设置有节流阀芯，节流阀芯包括由外向内同轴嵌套的一级笼套、二级笼套和三级笼套，在一级笼套、二级笼套与三级笼套的侧壁上分别开设有一级节流孔、二级节流孔和三级节流孔，三级节流孔在所述三级笼套的圆柱面上按列依次设置了3、2、5、4、1、6个，且阀杆的下端通过所述阀体上开设的第二安装口延伸至三级笼套内。本发明的目的在于提供一种通过提高压降范围，降低作业成本的三级减压笼套式节流阀。
-
公开(公告)号：CN114120405A
公开(公告)日：2022-03-01
申请号：CN202111375546.1
申请日：2021-11-19
Applicant: 重庆科技学院
IPC: G06V40/16 , G06V10/762 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及行为识别技术领域，具体公开了一种油气实验室不安全行为智能识别方法，采用Retinaface网络和改进的Facenet网络构建人脸识别平台，通过Retinaface网络截取人脸部分，传入到改进的Facenet网络比对已有人脸数据库，判断进出实验室人员。采用替换主干提取网络为MobilenetV1网络和使用Triplet Loss和Cross‑Entropy Loss作为损失函数的方法改进Facenet网络，网络的准确率下降1.55％，FPS(每秒检测帧数)提高了25。对于防护穿戴的不安全行为、危险区域入侵的不安全行为、实验人员的不安全行为、违规使用设备的不安全行为采用改进的YOLOv4‑tiny网络进行识别，在第一部分使用K‑means聚类方法选择合适先验框，第二部分加入ECA注意力模块进行改进，以提高网络对小目标的特征提取能力。相比于原有的YOLOv4‑tiny网络，平均精度均值提高了21.17％。
-
公开(公告)号：CN113240671A
公开(公告)日：2021-08-10
申请号：CN202110666330.4
申请日：2021-06-16
Applicant: 重庆科技学院
Abstract: 本发明涉及水轮机转轮叶片的缺陷检测技术领域，具体公开了一种基于YoloV4‑Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：S1：基于YoloV4‑Lite网络构建缺陷检测网络；S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；S3：对步骤S2采集的缺陷图片进行预处理(使用LabelImg软件按照Pascal VOC 2012格式处理)，得到数据集；S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。本发明将YoloV4‑Lite的主干提取网络CSPDarkNet53网络替换为MobileNet网络，MobileNet网络是一种实时轻量型网络，可以提高检测网络速度，大幅度降低网络参数。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的网络参数量只需要37.35MB，比CSPDarkNet53降低了206.94MB，FPS达到44.68，具有高准确率、低内存存储、实时性优势。
-
公开(公告)号：CN113464715A
公开(公告)日：2021-10-01
申请号：CN202110819561.4
申请日：2021-07-20
Applicant: 重庆科技学院
Abstract: 本发明公开一种三级减压笼套式节流阀，包括阀体以及设置在所述阀体上的阀盖，所述阀盖上通过开设的第一安装口安装有阀杆，所述阀杆的上端设置有手轮，在所述阀体上开设有入口流道和出口流道，所述入口流道和所述出口流道之间设置有节流阀芯，所述节流阀芯包括由外向内同轴嵌套的一级笼套、二级笼套和三级笼套，在所述一级笼套、所述二级笼套与所述三级笼套的侧壁上分别开设有一级节流孔、二级节流孔和三级节流孔，所述三级节流孔围绕所述三级笼套的轴心线呈等差数列排布，且所述阀杆的下端通过所述阀体上开设的第二安装口延伸至所述三级笼套内。本发明的目的在于提供一种通过提高压降范围，降低作业成本的三级减压笼套式节流阀。
-
公开(公告)号：CN113240671B
公开(公告)日：2022-06-24
申请号：CN202110666330.4
申请日：2021-06-16
Applicant: 重庆科技学院
Abstract: 本发明涉及水轮机转轮叶片的缺陷检测技术领域，具体公开了一种基于YoloV4‑Lite网络的水轮机转轮叶片缺陷检测方法，包括步骤：S1：基于YoloV4‑Lite网络构建缺陷检测网络；S2：对水轮机转轮叶片的不同缺陷处进行图片采集，得到千张以上缺陷图片；S3：对步骤S2采集的缺陷图片进行预处理(使用LabelImg软件按照Pascal VOC 2012格式处理)，得到数据集；S4：采用所述数据集对所述缺陷检测网络进行训练、测试和验证。本发明将YoloV4‑Lite的主干提取网络CSPDarkNet53网络替换为MobileNet网络，MobileNet网络是一种实时轻量型网络，可以提高检测网络速度，大幅度降低网络参数。实验结果表明，缺陷检测网络可以达到97.48％的准确率，且MobileNetV3的网络参数量只需要37.35MB，比CSPDarkNet53降低了206.94MB，FPS达到44.68，具有高准确率、低内存存储、实时性优势。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
