-
Patent Agency Ranking
公开(公告)号：CN106770333A
公开(公告)日：2017-05-31
申请号：CN201710089935.5
申请日：2017-02-20
Applicant: 重庆邮电大学
IPC: G01N21/88 , G01N21/95 , G01N21/956
CPC classification number: G01N21/8851 , G01N21/95 , G01N21/956 , G01N2021/8874 , G01N2021/888 , G01N2021/8887 , G01N2021/95646
Abstract: 本发明公开了一种BGA缺陷自动检测方法，主要步骤包括：BGA图像采集，该BGA图像是完整的一幅图像，直接进行处理；图像预处理，使用中值滤波去噪，然后采用线性补偿亮度不均匀的方法减少图像亮度不均匀的影响；随后二值化图像并对轮廓处理得到去除背景的BGA图像，同时计算每个BGA轮廓的面积，对BGA外轮廓进行扩展，增加两个像素宽的外轮廓；使用Sobel算子得到二值化后的图像，从而计算出图像中气泡面积并判断气泡面积与原图像中BGA面积之比是否符合要求。上述BGA缺陷检测方法实现了真正的自动检测，方便快捷，精度高。
-
公开(公告)号：CN106770333B
公开(公告)日：2020-08-04
申请号：CN201710089935.5
申请日：2017-02-20
Applicant: 重庆邮电大学
IPC: G01N21/88 , G01N21/95 , G01N21/956
Abstract: 本发明公开了一种BGA缺陷自动检测方法，主要步骤包括：BGA图像采集，该BGA图像是完整的一幅图像，直接进行处理；图像预处理，使用中值滤波去噪，然后采用线性补偿亮度不均匀的方法减少图像亮度不均匀的影响；随后二值化图像并对轮廓处理得到去除背景的BGA图像，同时计算每个BGA轮廓的面积，对BGA外轮廓进行扩展，增加两个像素宽的外轮廓；使用Sobel算子得到二值化后的图像，从而计算出图像中气泡面积并判断气泡面积与原图像中BGA面积之比是否符合要求。上述BGA缺陷检测方法实现了真正的自动检测，方便快捷，精度高。
-
公开(公告)号：CN109597891A
公开(公告)日：2019-04-09
申请号：CN201811414183.6
申请日：2018-11-26
Applicant: 重庆邮电大学
IPC: G06F16/35
Abstract: 本发明属于人工智能与数据挖掘的交叉领域，具体涉及基于双向长短时记忆神经网络的文本情感分析方法；所述方法包括以下步骤将文本映射词向量映射框架中，将所述文本表示为词向量矩阵；构建改进的卷积神经网络，对映射的词向量矩阵进行特征提取；利用双向长短时记忆循环神经网络对提取的特征进行训练，直至其损失函数最小时；在该循环神经网络后增加全局均值池化层和分类层，从而输出该文本的情感分类。本发明将深度学习应用在文本情感分析中，摆脱了人工提取文本情感特征的局限性，同时在深度学习领域结合了卷积神经网络和循环神经网络的优点，并对网络进行改进，使其能更好的应用在文本处理的任务中。
-
公开(公告)号：CN107506455A
公开(公告)日：2017-12-22
申请号：CN201710755695.8
申请日：2017-08-29
Applicant: 重庆邮电大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明提出一种融合用户社交圈相似度的好友推荐方法，涉及到社交网络社交圈识别、社交圈相似性计算和用户相似性计算，属于数据挖掘和推荐系统领域。提出一种方法，利用聚类方法，使用Fast Unfolding算法对用户好友进行社团划分进而计算出用户之间的社团相似度，选择Top-n，再根据用户属性，计算出用户之间的相似度。通过将用户社交圈相似度和用户相似度结合，计算出推荐列表，实现高精度的好友推荐。
-
公开(公告)号：CN109597891B
公开(公告)日：2023-04-07
申请号：CN201811414183.6
申请日：2018-11-26
Applicant: 重庆邮电大学
IPC: G06F16/35
Abstract: 本发明属于人工智能与数据挖掘的交叉领域，具体涉及基于双向长短时记忆神经网络的文本情感分析方法；所述方法包括以下步骤将文本映射词向量映射框架中，将所述文本表示为词向量矩阵；构建改进的卷积神经网络，对映射的词向量矩阵进行特征提取；利用双向长短时记忆循环神经网络对提取的特征进行训练，直至其损失函数最小时；在该循环神经网络后增加全局均值池化层和分类层，从而输出该文本的情感分类。本发明将深度学习应用在文本情感分析中，摆脱了人工提取文本情感特征的局限性，同时在深度学习领域结合了卷积神经网络和循环神经网络的优点，并对网络进行改进，使其能更好的应用在文本处理的任务中。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
