-
公开(公告)号:CN110323444B
公开(公告)日:2021-07-20
申请号:CN201910469552.X
申请日:2019-05-31
申请人: 中国地质大学(武汉)
IPC分类号: H01M4/62 , H01M10/0525
摘要: 本发明提供了一类含吡啶基团的锂离子正极水系粘结剂,其为聚乙烯马来酸酐与吡啶甲醇的醇解产物。本发明还提供了该粘结剂的制备方法:向聚乙烯马来酸酐溶液中加入吡啶甲醇,加热反应后,使用氢氧化锂溶液锂化并除去溶剂得到。本发明还提供了使用该粘结剂的锂离子二次电池。本发明的水系粘结剂结构中包含酯基、羧酸、羧酸锂和吡啶基团,能提供优良的粘结性,分子链间氢键作用的存在能更好的维持电极的稳定性,同时羧酸锂和吡啶基团的引入能促进离子迁移速率。采用该类粘结剂组装的磷酸亚铁锂扣式电池电池阻抗更小,放电比容量更高,综合性能超越了目前市场上商业粘结剂所制作的电池,尤其在快充方面,可在20C的倍率下进行3000次稳定循环。
-
公开(公告)号:CN110415280B
公开(公告)日:2021-07-13
申请号:CN201910371472.0
申请日:2019-05-06
申请人: 中国地质大学(武汉)
IPC分类号: G06T7/33
摘要: 本发明公开了一种基于多任务CNN模型的遥感影像与建筑物矢量配准方法及系统,首先包括借助配准建筑物矢量作为参考样本,来训练全卷积网络模型,通过该模型,进一步从高分遥感影像中生成适应于建筑物识别的特征图层;其次设计多任务CNN模型,将特征图层和栅格化后的建筑物矢量进行叠加,输入到模型中,经由若干次卷积、池化和全连接操作,输出当前建筑物矢量的误报概率和几何校正参数;最后基于校正前后的建筑物矢量,计算多任务CNN模型输出结果的参考值,完成模型训练;通过训练所得的多任务CNN模型,实现建筑物矢量与遥感影像的自适应配准。本发明在进行建筑物矢量的自动筛选和校正时,在保留建筑物矢量有效信息的基础上,提升了原始数据有效的精度。
-
公开(公告)号:CN110408043B
公开(公告)日:2021-04-16
申请号:CN201910571262.6
申请日:2019-06-28
申请人: 中国地质大学(武汉)
IPC分类号: C08G83/00 , H01M4/60 , H01M10/0525
摘要: 本发明涉及锂离子电池制备领域,具体公开了一种锡基配位聚合物锂离子电池负极材料及其制备方法,所述锡基配位聚合物锂离子电池负极材料的原料组分包括:锡源、活化剂、有机配体和液体溶剂。本发明利用碱性活化试剂将有机配体原位生成盐溶液,不仅可以在反应中应用水作为溶剂,还可提高配位聚合物的产率,环保高效。通过本发明提供的方法制备的锡基配位聚合物可以作为锂二次电池负极材料应用,具有较好的循环稳定性。
-
公开(公告)号:CN113139453B
公开(公告)日:2023-04-07
申请号:CN202110417526.X
申请日:2021-04-19
申请人: 中国地质大学(武汉)
IPC分类号: G06V20/10 , G06V10/28 , G06V10/44 , G06V10/764 , G06N3/0464 , G06V10/82 , G06N3/048 , G06N3/08
摘要: 本发明公开了一种基于深度学习的正射影像高层建筑基底矢量提取方法,首先采用一个卷积神经网络从遥感影像中提取建筑物的深度特征,并将候选区域生成网络模型确定的建筑物整体目标的框选范围进行抽取和重采样,生成特征图;采用Faster‑RCNN模型,对候选区特征图进行全连接,对候选区内建筑物的存在概率及其外包矩形参数进行预测;对候选区特征图进行全卷积处理,生成屋顶轮廓矢量;最后根据三类分割结果进行特征池化,对建筑物投影差偏移向量进行预测,并基于偏移向量估计值将屋顶矢量移动至建筑基底区域。本发明能够自适应地对正射影像中高层建筑屋顶轮廓和基底矢量之间存在的投影差进行补偿,进而提升高层建筑物单像自动测图结果的精度与应用价值。
-
公开(公告)号:CN113326759A
公开(公告)日:2021-08-31
申请号:CN202110577026.2
申请日:2021-05-26
申请人: 中国地质大学(武汉)
摘要: 本发明公开了一种遥感影像建筑物识别模型的不确定性估计方法,在贝叶斯近似推理理论基础上提出一种兼顾语义和形状特征的建筑物识别不确定性估计方法,核心思想是通过贝叶斯近似推理方法获取CNN网络近似参数分布,进而应用到建筑物分割模型和形状优化模型中,实现从像素分割和矢量生成两方面对建筑物识别结果的可靠性进行定量自评估,即基于MC‑dropout方法的建筑物分割不确定性估计和基于形状建模的建筑物矢量优化与不确定性估计。本发明尝试从语义、形状特征两方面对识别结果进行可靠性定量自评估,从而帮助用户建立结果采信标准,对促进深度学习技术在测图实践中的深化应用和推进相关产业智能化发展具有重要意义。
-
公开(公告)号:CN113139487A
公开(公告)日:2021-07-20
申请号:CN202110477221.8
申请日:2021-04-29
申请人: 中国地质大学(武汉)
摘要: 本发明公开了一种面向遥感影像增量数据的建筑物特征学习方法,首先从初始存量数据中筛选并构建典型样本库,同时基于初始模型参数生成和构建与之相对应的典型特征库;将新增数据样本与典型样本库样本一并训练,获得优化模型参数,新旧数据分别采用交叉熵和特征匹配方法估计损失;训练完成后,根据一定准则选取新增数据训练样本对典型样本库和特征库进行更新和替换;随新数据的不断增加,对模型的建筑物特征提取参数进行持续优化和迭代。本发明能够高效地对模型参数进行优化,在适应新数据特性的同时维持对旧数据特性的适应性,在大幅缩短训练时间的前提下达到与混合所有新旧样本重新训练模型相接近的效果。
-
公开(公告)号:CN109004229B
公开(公告)日:2021-07-13
申请号:CN201810877700.7
申请日:2018-08-03
申请人: 中国地质大学(武汉)
IPC分类号: H01M4/62 , H01M4/36 , H01M4/58 , H01M10/0525
摘要: 本发明涉及一种锂离子电池正极材料添加剂及其正极材料和锂离子二次电池,属于电化学技术领域。本发明的锂离子电池正极材料添加剂为含有羧基的导电聚合物单体单元,所述添加剂锂化后与粘结剂、导电剂以及活性材料一起制备浆料,再制备电极片,装配成电池。该类添加剂可在电池内部通过充放电过程进行原位电化学聚合,形成结构更稳定的正极体系。采用本发明的添加剂,可在电池内部原位引入含高浓度羧基的导电聚合物,由该添加剂所组装成的磷酸铁锂扣式电池阻抗小,表现出了更高的比容量,更好的倍率性能以及循环稳定性,具有良好的应用前景。
-
公开(公告)号:CN113449640B
公开(公告)日:2022-02-11
申请号:CN202110725267.7
申请日:2021-06-29
申请人: 中国地质大学(武汉)
摘要: 本发明提供了一种基于多任务CNN+GCN的遥感影像建筑物语义分割边缘优化方法,采用CNN从遥感影像中提取建筑物的高级语义特征,采用GCN快速地对高分辨率原始影像进行图推理;再采用若干次上采样、横向连接及卷积操作将来自CNN分辨率较低的深层特征重新映射到原始影像,并以此进行建筑物边缘提取和初次建筑物语义分割;将深层特征与边缘提取结果进行整合,对约束初次建筑物语义分割结果的边缘;最后采用图特征自适应优化模块促使GCN特征有效地对约束后的建筑物语义分割结果进行优化,输出边缘表现优异的建筑物语义分割结果。本发明的有益效果是:自适应地优化了基于CNN的遥感影像建筑物语义分割结果的边缘细节,提升了建筑物自动测图结果的精度与应用价值。
-
公开(公告)号:CN113449640A
公开(公告)日:2021-09-28
申请号:CN202110725267.7
申请日:2021-06-29
申请人: 中国地质大学(武汉)
摘要: 本发明提供了一种基于多任务CNN+GCN的遥感影像建筑物语义分割边缘优化方法,采用CNN从遥感影像中提取建筑物的高级语义特征,采用GCN快速地对高分辨率原始影像进行图推理;再采用若干次上采样、横向连接及卷积操作将来自CNN分辨率较低的深层特征重新映射到原始影像,并以此进行建筑物边缘提取和初次建筑物语义分割;将深层特征与边缘提取结果进行整合,对约束初次建筑物语义分割结果的边缘;最后采用图特征自适应优化模块促使GCN特征有效地对约束后的建筑物语义分割结果进行优化,输出边缘表现优异的建筑物语义分割结果。本发明的有益效果是:自适应地优化了基于CNN的遥感影像建筑物语义分割结果的边缘细节,提升了建筑物自动测图结果的精度与应用价值。
-
公开(公告)号:CN113139453A
公开(公告)日:2021-07-20
申请号:CN202110417526.X
申请日:2021-04-19
申请人: 中国地质大学(武汉)
摘要: 本发明公开了一种基于深度学习的正射影像高层建筑基底矢量提取方法,首先采用一个卷积神经网络从遥感影像中提取建筑物的深度特征,并将候选区域生成网络模型确定的建筑物整体目标的框选范围进行抽取和重采样,生成特征图;采用Faster‑RCNN模型,对候选区特征图进行全连接,对候选区内建筑物的存在概率及其外包矩形参数进行预测;对候选区特征图进行全卷积处理,生成屋顶轮廓矢量;最后根据三类分割结果进行特征池化,对建筑物投影差偏移向量进行预测,并基于偏移向量估计值将屋顶矢量移动至建筑基底区域。本发明能够自适应地对正射影像中高层建筑屋顶轮廓和基底矢量之间存在的投影差进行补偿,进而提升高层建筑物单像自动测图结果的精度与应用价值。
-
-
-
-
-
-
-
-
-