-
公开(公告)号:CN110551403B
公开(公告)日:2021-10-01
申请号:CN201910936287.1
申请日:2019-09-29
Applicant: 西南林业大学
Abstract: 本发明涉及一种高强度和生物耐久性的木塑复合材料及其制备方法,该材料包括如下质量百分数的原料:改性木质素10‑20%、木粉40‑50%、密度为0.90‑0.96g/cm3的聚乙烯20‑25%、相容剂5‑10%、填料8%、润滑剂1%以及分散剂1%。本发明对木质素进行羟甲基化改性,得到的木塑复合材料与未经过改性的木质素相比,能够更好的提高界面结合强度,进而提高力学强度。同时显著地提高木塑复合材料的抗真菌侵蚀作用,在复合材料老化过程中,可以提高其生物耐久性,具有广阔的应用前景。
-
公开(公告)号:CN107398973B
公开(公告)日:2019-06-11
申请号:CN201710692429.5
申请日:2017-08-14
Applicant: 西南林业大学
IPC: B27K3/52
Abstract: 本发明公开了一种木材防腐剂的制备方法及其在木材防腐处理中的应用,属木材保护领域。所述防腐剂为蛋白铵铜硼盐防腐剂溶液,固着剂为禽类羽毛蛋白热解液,防腐剂的制备方法是将硼砂和硫酸铜进行混合,再加入蛋白热解液复配生成蛋白铵铜硼盐防腐剂。防腐处理方法有常温常压浸渍、干燥工序。试验证明:硫酸铜、硼砂与羽毛蛋白发生化学反应形成一种氨基酸金属盐、氨基酸盐,能在木材内部形成一种不溶于水的聚合体网络,从而可以在一定程度上提高铜、硼在木材内的固着性能。经防腐处理的木材试件较之空白试件,颜色变蓝,但颜色整体加深程度不大且不会覆盖木材纹理,可认为该防腐剂对木材材色影响较轻。经耐腐试验证明防腐剂防腐效果较佳。
-
公开(公告)号:CN107696211A
公开(公告)日:2018-02-16
申请号:CN201711120352.0
申请日:2017-11-14
Applicant: 西南林业大学
IPC: B27K3/52
CPC classification number: B27K3/52 , B27K2240/20
Abstract: 本发明公开了一种血粉蛋白木材防腐剂及其制备方法,该防腐剂是将血粉在酸性条件下热解为血粉酸解液,再将血粉酸解液与硼砂和硫酸铜进行混合,复配生成血粉蛋白木材防腐剂。本发明相比现有技术具有以下优点:硫酸铜、硼砂与血粉蛋白发生螯合反应形成氨基酸金属盐、氨基酸盐,能在木材内部形成一种不溶于水的聚合体网络,从而能够延长防腐木材的使用寿命。
-
公开(公告)号:CN118396887A
公开(公告)日:2024-07-26
申请号:CN202410213529.5
申请日:2024-02-27
Applicant: 西南林业大学
Abstract: 本发明涉及一种基于pix2pix着色概念的全色锐化方法,属于遥感影像融合领域。本发明包括S1:对图像进行色彩空间转换以及对比度受限的直方图均衡化;S2:将所述步骤S1中的原始多光谱图像以及最后得到的预上色图像作为配对训练数据输入pix2pix模型中进行训练,训练过程中,使用频谱绝对差异损失函数作为条件损失;S3:pix2pix模型训练后进行测试,输出全色锐化图像。本发明通过对图像进行色彩空间转换以及对比度受限的直方图均衡化,保证模型能够学习到准确的色彩映射关系,使模型输出的图像与原图之间具有更高的色彩相似性;通过从频域角度定义条件损失,使模型更加关注图像的结构和纹理,具有更强的鲁棒性。
-
公开(公告)号:CN110643191A
公开(公告)日:2020-01-03
申请号:CN201910936266.X
申请日:2019-09-29
Applicant: 西南林业大学
IPC: C08L97/02 , C08L97/00 , C08L99/00 , C08L23/06 , C08L51/06 , C08L91/06 , C08K3/26 , C08K5/098 , C08K5/09
Abstract: 本发明公开了一种木质素与咖啡壳粉制备木塑复合材料及其制备方法,该材料包括如下质量百分数的原料:木质素5%-30%、咖啡壳粉5%-60%、木粉0-30%、密度为0.90-0.96g/cm3的聚乙烯20-30%、相容剂0-10%、填料含量为8%、润滑剂含量为1%以及分散剂1%。本发明的复合材料的多项性能得到较大提高,同时使木塑复合材料的抗真菌侵蚀作用也得到显著性的提高,在木塑复合材料的老化过程中,可以提高其生物耐久性,具有广阔的应用前景。
-
公开(公告)号:CN119273994A
公开(公告)日:2025-01-07
申请号:CN202411493850.X
申请日:2024-10-24
Applicant: 西南林业大学
IPC: G06V10/764 , G06V20/10 , G06V10/42 , G06V10/44 , G06V10/58 , G06V10/77 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本申请公开了基于光谱深度提取卷积神经网络SDA‑CNN的树种分类方法及其系统,可以克服高光谱影像中的光谱信息的利用效率较低以及无法有效地提取每个光谱通道的有效特征,导致树种分类性能被限制的技术缺陷,最终提升树种分类性能以及分类准确性。树种分类方法包括:使用高光谱森林影像数据构建的深度学习样本集,对光谱深度提取卷积神经网络SDA‑CNN模型进行模型训练以及树种分类,在SDA‑CNN模型中采用包括二维卷积和逐深度卷积的混合神经网络模块,并新增设置有领域像素感知模块,使得二维卷积用于提取图像的全局空间信息以生成全局特征;逐深度卷积用于在每个光谱通道上独立执行卷积操作而不在各光谱通道间共享权重以提取各光谱通道间的相关性信息,领域像素感知模块用于提取邻近像素中包含的目标像素周围的环境信息。
-
公开(公告)号:CN107756571A
公开(公告)日:2018-03-06
申请号:CN201711120597.3
申请日:2017-11-14
Applicant: 西南林业大学
IPC: B27K3/52
CPC classification number: B27K3/52
Abstract: 本发明公开了一种豆渣蛋白木材防腐剂及其制备方法,该防腐剂是将豆渣在碱性条件下热解为豆渣热解液,再将豆渣热解液与硼砂和硫酸铜进行混合,复配生成豆渣蛋白木材防腐剂。本发明相比现有技术具有以下优点:硫酸铜、硼砂与豆渣蛋白发生螯合反应形成氨基酸金属盐、氨基酸盐,能在木材内部形成一种不溶于水的聚合体网络,从而能够延长防腐木材的使用寿命。
-
公开(公告)号:CN107398973A
公开(公告)日:2017-11-28
申请号:CN201710692429.5
申请日:2017-08-14
Applicant: 西南林业大学
IPC: B27K3/52
CPC classification number: B27K3/52 , B27K2240/20
Abstract: 本发明公开了一种木材防腐剂的制备方法及其在木材防腐处理中的应用,属木材保护领域。所述防腐剂为蛋白铵铜硼盐防腐剂溶液,固着剂为禽类羽毛蛋白热解液,防腐剂的制备方法是将硼砂和硫酸铜进行混合,再加入蛋白热解液复配生成蛋白铵铜硼盐防腐剂。防腐处理方法有常温常压浸渍、干燥工序。试验证明:硫酸铜、硼砂与羽毛蛋白发生化学反应形成一种氨基酸金属盐、氨基酸盐,能在木材内部形成一种不溶于水的聚合体网络,从而可以在一定程度上提高铜、硼在木材内的固着性能。经防腐处理的木材试件较之空白试件,颜色变蓝,但颜色整体加深程度不大且不会覆盖木材纹理,可认为该防腐剂对木材材色影响较轻。经耐腐试验证明防腐剂防腐效果较佳。
-
公开(公告)号:CN119992330A
公开(公告)日:2025-05-13
申请号:CN202510079654.6
申请日:2025-01-18
Applicant: 西南林业大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0985 , G06N3/084
Abstract: 本发明公开了一种动态上下文聚合的建筑物遥感影像变化检测方法,属于图像检测领域;所述方法包括:构建数据集并进行样本划分;构建DCA‑NET网络模型;对构建后的网络模型进行参数调整;将划分后的数据集输入模型进行检测,得到变化结果;对变化结果进行定量评估。本发明通过引入动态上下文注意力机制,模型能够更好地整合局部和全局信息,从而提高对目标变化区域的检测能力;相较于传统技术中未充分考虑邻域特征相互关系以及标准卷积运算局限于固定局部感受野的问题,本发明可以灵活调整卷积核的形状和尺寸,提高模型在大尺度全局结构与小尺度细节特征的捕捉能力。
-
公开(公告)号:CN119540556A
公开(公告)日:2025-02-28
申请号:CN202411680712.2
申请日:2024-11-22
Applicant: 西南林业大学
IPC: G06V10/26 , G06V20/13 , G06V10/764 , G06V10/82 , G06T3/4038 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本申请公开了一种动态蛛网和损失函数协作的深度分层多语义数据处理方法,能够有效地恢复图像的空间分辨率和细节信息,提高分割结果的精度和鲁棒性。该方法包括:通过多尺度残差块捕捉不同尺度的特征信息,并采用蛛网结构表示语义类别之间潜在的层次依赖关系,通过矩阵形式化关联权重;通过边缘增强模块对细节部分的边缘信息进行提起并强化,提升对目标边界的识别能力;通过ASPP模块中不同大小的空洞卷积核,捕捉不同尺度的全局上下文信息,提升模型的全局特征能力;采用多尺度残差块对特征图进行逐层恢复空间分辨率提取特征信息,并通过注意力门与来自编码器的边缘特征拼接;使用定义动态调整后的优化损失函数协同调节蛛网损失。
-
-
-
-
-
-
-
-
-