应用于晶圆级LED芯片无接触电检测的复合介质层

    公开(公告)号:CN116666361A

    公开(公告)日:2023-08-29

    申请号:CN202310693864.5

    申请日:2023-06-13

    Applicant: 福州大学

    Abstract: 本发明提出应用于晶圆级LED芯片无接触电检测的复合介质层,所述的电极板是一个导电平面基板,其表面设置有导电微型尖端阵列,导电微型尖端的表面进一步设置有纳米复合介质层。在导电平面基本上设置微型尖端阵列可以有效集中表面电场,降低设备工作时所需的电压。在微型尖端表面设置纳米复合介质层可以根据外部电场变化产生电荷积累进一步稳定空间电场,可无接触驱动LED芯片,从而实现低压、稳定的晶圆级LED检测。

    一种用于片上光互连的UVPT(MOSFET)-LED的集成器件及其制备方法

    公开(公告)号:CN116072696A

    公开(公告)日:2023-05-05

    申请号:CN202310222313.0

    申请日:2023-03-09

    Applicant: 福州大学

    Abstract: 本发明涉及种用于片上光互连的UVPT(MOSFET)‑LED的集成器件,其特征在于,包括第一P型氮化镓层、量子阱层、N型氮化镓层、第二P型氮化镓层、缓冲层、衬底、阳极金属接触层、源极金属接触层、绝缘层、栅极金属接触层;所述N型氮化镓层、第一P型氮化镓层、缓冲层、衬底从上至下依次设置;所述栅极金属接触层嵌设于N型氮化镓层;所述栅极金属接触层一侧设有绝缘层,另一侧设有源极金属接触层;所述绝缘层和有源极金属接触层均设于N型氮化镓层上;所述绝缘层上侧从下至上依次设有量子阱层、第二P型氮化镓层和阳极金属接触层。本发明以绝缘层作为掩膜层,采用选择性生长LED外延层(SEG),简化制备工艺,同时避免ICP干法刻蚀工艺对LED器件表面造成损伤以引起的器件光电性能下降。

    一种彩色电润湿电子纸实时色彩转换方法

    公开(公告)号:CN114898718A

    公开(公告)日:2022-08-12

    申请号:CN202210658851.X

    申请日:2022-06-10

    Applicant: 福州大学

    Abstract: 本发明涉及一种彩色电润湿电子纸实时色彩转换方法。将视频分解成一帧帧的图像数据,并对图像进行分区处理;然后将图像色彩转换成256阶的灰度值信息,而后进行32×32的离散余弦变换(DCT)将图像灰度信息转换为频率分量;对32×32矩阵隔位取出8×8矩阵,并对所有数值求平均;灰度值大于均值或大于下一个像素值的记为1,反之记为0,计算哈希值,构造长整型指纹,对分区像素进行查找分组;再对相似的局部特征经池化层求平均的降采样处理;通过权值矩阵将前后层的特征神经元全连接;最后将目标像素分区RGB色彩信息根据色彩转换准则与驱动电压‑开口率特性曲线,将各个目标像素的RGB色彩计算转化为CMY油墨的驱动电压,并保存以便下次播放无需重复计算。

    一种基于区域方差权重的阈值分割方法及系统

    公开(公告)号:CN114742844A

    公开(公告)日:2022-07-12

    申请号:CN202210380141.5

    申请日:2022-04-12

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于区域方差权重的阈值分割方法及系统,该方法先利用改进的Otsu阈值分割算法求得第一阈值Th1,基于第一阈值Th1将图像分割成背景区和目标区,并计算分割的两区域的方差;再利用最大熵阈值分割算法求得第二阈值Th2,基于第二阈值Th2将图像分割成背景区和目标区,并计算分割的两区域的方差;然后引入权重系数来权衡四个方差所占比重的大小,通过权重系数自适应地调节两个阈值的大小,从而得到准确的分割阈值Th,并基于分割阈值Th将图像分割成背景区和目标区。该方法及系统有利于在不丢失图像纹理细节的同时,准确地将图像分割成目标区和背景区。

    一种基于深度学习的生活垃圾分类方法

    公开(公告)号:CN112364944B

    公开(公告)日:2022-07-05

    申请号:CN202011502665.4

    申请日:2020-12-18

    Abstract: 本发明涉及一种基于深度学习的生活垃圾分类方法。包括:建立生活垃圾数据集,采用数据增强方法扩充数据集;建立神经网络分类模型,使用幻象模块替换ResNet18残差单元的普通卷积,得到G‑ResNet18网络;将扩充后的数据集经过预处理操作后输入到G‑ResNet18网络进行分类训练;将待分类的生活垃圾图片经过预处理操作后输入到训练后的G‑ResNet18模型,输出分类结果;实验结果表明:G‑ResNet18网络在本实验数据集上的识别精度达到91.6%,识别精度提高了1%,网络的参数量减少了46%。本发明能在不降低网络识别精度的同时大大减少网络的参数量,可以应用于垃圾的智能分类。

Patent Agency Ranking