CnOpenData A股上市公司绿色实用新型申请专利质量统计表-主分类

时间区间

1990-2020.12.31


字段展示

A股上市公司绿色实用新型申请专利质量统计表-主分类
证券代码
申请年度
公司名称
与上市公司关系
绿色专利主分类
专利申请数量
申请专利的技术复杂度-以1位IPC号统计总类型数
申请专利的技术复杂度-以1位IPC号统计平均类型数
申请专利的技术复杂度-以2位IPC号统计总类型数
申请专利的技术复杂度-以2位IPC号统计平均类型数
申请专利的技术复杂度-以4位IPC号统计总类型数
申请专利的技术复杂度-以4位IPC号统计平均类型数
独立专利申请数量
独立申请专利的技术复杂度-以1位IPC号统计总类型数
独立申请专利的技术复杂度-以1位IPC号统计平均类型数
独立申请专利的技术复杂度-以2位IPC号统计总类型数
独立申请专利的技术复杂度-以2位IPC号统计平均类型数
独立申请专利的技术复杂度-以4位IPC号统计总类型数
独立申请专利的技术复杂度-以4位IPC号统计平均类型数
合作专利申请数量
合作申请专利的技术复杂度-以1位IPC号统计总类型数
合作申请专利的技术复杂度-以1位IPC号统计平均类型数
合作申请专利的技术复杂度-以2位IPC号统计总类型数
合作申请专利的技术复杂度-以2位IPC号统计平均类型数
合作申请专利的技术复杂度-以4位IPC号统计总类型数
合作申请专利的技术复杂度-以4位IPC号统计平均类型数
专利公开当年被引用次数
专利公开2年累计被引用次数
专利公开3年累计被引用次数
专利公开4年累计被引用次数
专利公开5年累计被引用次数
专利截止2020.12被引次数
独立申请专利公开当年被引用次数
独立申请专利公开2年累计被引用次数
独立申请专利公开3年累计被引用次数
独立申请专利公开4年累计被引用次数
独立申请专利公开5年累计被引用次数
独立申请专利截止2020.12被引次数
合作申请专利公开当年被引用次数
合作申请专利公开2年累计被引用次数
合作申请专利公开3年累计被引用次数
合作申请专利公开4年累计被引用次数
合作申请专利公开5年累计被引用次数
合作申请专利截止2020.12被引次数

样本数据

证券代码申请年度公司名称与上市公司关系绿色专利主分类专利申请数量申请专利的技术复杂度-以1位IPC号统计总类型数申请专利的技术复杂度-以1位IPC号统计平均类型数申请专利的技术复杂度-以2位IPC号统计总类型数申请专利的技术复杂度-以2位IPC号统计平均类型数申请专利的技术复杂度-以4位IPC号统计总类型数申请专利的技术复杂度-以4位IPC号统计平均类型数独立专利申请数量独立申请专利的技术复杂度-以1位IPC号统计总类型数独立申请专利的技术复杂度-以1位IPC号统计平均类型数独立申请专利的技术复杂度-以2位IPC号统计总类型数独立申请专利的技术复杂度-以2位IPC号统计平均类型数独立申请专利的技术复杂度-以4位IPC号统计总类型数独立申请专利的技术复杂度-以4位IPC号统计平均类型数合作专利申请数量合作申请专利的技术复杂度-以1位IPC号统计总类型数合作申请专利的技术复杂度-以1位IPC号统计平均类型数合作申请专利的技术复杂度-以2位IPC号统计总类型数合作申请专利的技术复杂度-以2位IPC号统计平均类型数合作申请专利的技术复杂度-以4位IPC号统计总类型数合作申请专利的技术复杂度-以4位IPC号统计平均类型数专利公开当年被引用次数专利公开2年累计被引用次数专利公开3年累计被引用次数专利公开4年累计被引用次数专利公开5年累计被引用次数专利截止2020.12被引次数独立申请专利公开当年被引用次数独立申请专利公开2年累计被引用次数独立申请专利公开3年累计被引用次数独立申请专利公开4年累计被引用次数独立申请专利公开5年累计被引用次数独立申请专利截止2020.12被引次数合作申请专利公开当年被引用次数合作申请专利公开2年累计被引用次数合作申请专利公开3年累计被引用次数合作申请专利公开4年累计被引用次数合作申请专利公开5年累计被引用次数合作申请专利截止2020.12被引次数
6005132019江苏联环药业股份有限公司上市公司全部ALTERNATIVE ENERGY PRODUCTION24252.573.524252.573.50000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司全部WASTE MANAGEMENT122224412222440000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的子公司ALTERNATIVE ENERGY PRODUCTION24252.573.524252.573.50000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的子公司WASTE MANAGEMENT122224412222440000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的母公司ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的母公司WASTE MANAGEMENT000000000000000000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的联营/合营企业ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005132019江苏联环药业股份有限公司上市公司的联营/合营企业WASTE MANAGEMENT000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司全部ALTERNATIVE ENERGY PRODUCTION231.531.531.5231.531.531.50000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司全部ENERGY CONSERVATION211111121111110000000000222000222000000
6005162015方大炭素新材料科技股份有限公司上市公司全部WASTE MANAGEMENT122222212222220000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的子公司ALTERNATIVE ENERGY PRODUCTION231.531.531.5231.531.531.50000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的子公司ENERGY CONSERVATION211111121111110000000000222000222000000
6005162015方大炭素新材料科技股份有限公司上市公司的子公司WASTE MANAGEMENT122222212222220000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的母公司ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的母公司ENERGY CONSERVATION000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的母公司WASTE MANAGEMENT000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的联营/合营企业ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的联营/合营企业ENERGY CONSERVATION000000000000000000000000000000000000000
6005162015方大炭素新材料科技股份有限公司上市公司的联营/合营企业WASTE MANAGEMENT000000000000000000000000000000000000000
6005162016方大炭素新材料科技股份有限公司上市公司全部WASTE MANAGEMENT111111111111110000000000000000000000000
6005162016方大炭素新材料科技股份有限公司上市公司的子公司WASTE MANAGEMENT111111111111110000000000000000000000000
6005162016方大炭素新材料科技股份有限公司上市公司的母公司WASTE MANAGEMENT000000000000000000000000000000000000000
6005162016方大炭素新材料科技股份有限公司上市公司的联营/合营企业WASTE MANAGEMENT000000000000000000000000000000000000000
6005162017方大炭素新材料科技股份有限公司上市公司全部ALTERNATIVE ENERGY PRODUCTION311112131111210000000000000000000000000
6005162017方大炭素新材料科技股份有限公司上市公司的子公司ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162017方大炭素新材料科技股份有限公司上市公司的母公司ALTERNATIVE ENERGY PRODUCTION311112131111210000000000000000000000000
6005162017方大炭素新材料科技股份有限公司上市公司的联营/合营企业ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162018方大炭素新材料科技股份有限公司上市公司全部ALTERNATIVE ENERGY PRODUCTION111112211111220000000000000000000000000
6005162018方大炭素新材料科技股份有限公司上市公司的子公司ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162018方大炭素新材料科技股份有限公司上市公司的母公司ALTERNATIVE ENERGY PRODUCTION111112211111220000000000000000000000000
6005162018方大炭素新材料科技股份有限公司上市公司的联营/合营企业ALTERNATIVE ENERGY PRODUCTION000000000000000000000000000000000000000
6005162019方大炭素新材料科技股份有限公司上市公司全部WASTE MANAGEMENT111112211111220000000000000000000000000
6005162019方大炭素新材料科技股份有限公司上市公司的子公司WASTE MANAGEMENT111112211111220000000000000000000000000
6005162019方大炭素新材料科技股份有限公司上市公司的母公司WASTE MANAGEMENT000000000000000000000000000000000000000
6005162019方大炭素新材料科技股份有限公司上市公司的联营/合营企业WASTE MANAGEMENT000000000000000000000000000000000000000
6005162020方大炭素新材料科技股份有限公司上市公司全部ALTERNATIVE ENERGY PRODUCTION111111111111110000000000000000000000000
6005162020方大炭素新材料科技股份有限公司上市公司全部ENERGY CONSERVATION133334413333440000000000000000000000000
6005162020方大炭素新材料科技股份有限公司上市公司全部WASTE MANAGEMENT111111111111110000000000000000000000000

数据更新频率

年度更新

图片

联系人: CnOpenData-sxq

个人联系电话:19121071287

  • 8
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值