-
公开(公告)号：CN115240006B
公开(公告)日：2023-09-19
申请号：CN202210908602.1
申请日：2022-07-29
Applicant: 南京航空航天大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及计算机视觉二维图像目标检测技术领域，解决了使用卷积神经网络进行目标检测时网络拓扑结构复杂、决策能力低下的技术问题，尤其涉及一种目标检测的卷积神经网络优化方法，包括以下步骤：S1、使用在线卷积重新参数化方法将卷积神经网络中多个深度学习模块压缩为单个卷积；S2、在卷积神经网络中引入二叉决策树分离决策选择和预测值生成过程，提出具有节点选择损失和关联损失的随机决策路由；S3、将二叉决策树和随机决策路由加入卷积神经网络的检测头中。本发明能够简化复杂的网络拓扑结构并提升网络决策能力，最终提高了目标检测的精度、速度和智能化程度，从而使优化后的卷积神经网络能够快速、高效地完成二维图像中的目标检测。
-
公开(公告)号：CN114627383B
公开(公告)日：2022-08-02
申请号：CN202210517000.3
申请日：2022-05-13
Applicant: 南京航空航天大学
IPC: G06V20/10 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于度量学习的小样本缺陷检测方法，包括步骤（1）：通过G2‑GAN对抗网络对小样本缺陷数据集进行数据增强；步骤（2）：基于卷积核自适应的卷积神经网络SKM‑CNN提取与待检测小样本缺陷数据集相似的缺陷数据集的特征，生成预训练模型；步骤（3）：将预训练模型迁移到基于度量学习的小样本缺陷检测网络S2D2N中，以先目标特征提取后度量学习的方式实现缺陷的快速识别与定位。本发明快速、高效地完成缺陷检测，解决了样本数据缺乏情况下训练出的模型检测精度低、可靠性低、过拟合等问题。
-
Patent Agency Ranking
公开(公告)号：CN113781412A
公开(公告)日：2021-12-10
申请号：CN202110984852.9
申请日：2021-08-25
Applicant: 南京航空航天大学
Abstract: 本发明公开了一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统，包括：CT扫描仪、运算服务器以及数据存储器，CT扫描仪用于扫描整个芯片内部区域，完成数据采集，基于深度学习模型实现多余物的检测与定位，对高分辨率CT扫描图像分区域进行智能化分类，筛选出含缺陷图像进行训练，使多余物的检测更加高效；运算服务器用于X光高分辨率扫描图像下芯片多余物检测所搭建的深度学习模型的运算，实现多余物位置的精确识别；所述数据存储器用于存储与管理数据。本发明的一种基于深度学习的X光高分辨率扫描图像下芯片多余物检测系统可以提取芯片中多余物特征，自动化检测识别多余物，高效准确地进行多余物检测。
-
公开(公告)号：CN115272252B
公开(公告)日：2023-09-12
申请号：CN202210919538.7
申请日：2022-08-02
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06N3/0464 , G06T5/00 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及碳纤维丝表面缺陷检测技术领域，解决了碳纤维丝缺陷检测中易出现的检测效率低下、精度低、定位追溯难的技术问题，尤其涉及一种基于改进YOLOX的碳纤维缺陷的检测方法，包括以下步骤：S1、获取待检测的碳纤维丝图像；S2、构建改进型YOLOX网络；S3、将待检测的碳纤维丝图像输入改进型YOLOX网络中对碳纤维丝表面缺陷进行检测；S4、输出对碳纤维丝图像中表面缺陷的检测结果。本发明实现对碳纤维丝表缺陷的高效识别与定位，降低人为主观性的干扰，从而提升碳纤维丝表制品质量和使用年限、减轻劳动人员工作强度。
-
公开(公告)号：CN115272252A
公开(公告)日：2022-11-01
申请号：CN202210919538.7
申请日：2022-08-02
Applicant: 南京航空航天大学
IPC: G06T7/00 , G06N3/04 , G06T5/00 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及碳纤维丝表面缺陷检测技术领域，解决了碳纤维丝缺陷检测中易出现的检测效率低下、精度低、定位追溯难的技术问题，尤其涉及一种基于改进YOLOX的碳纤维缺陷的检测方法，包括以下步骤：S1、获取待检测的碳纤维丝图像；S2、构建改进型YOLOX网络；S3、将待检测的碳纤维丝图像输入改进型YOLOX网络中对碳纤维丝表面缺陷进行检测；S4、输出对碳纤维丝图像中表面缺陷的检测结果。本发明实现对碳纤维丝表缺陷的高效识别与定位，降低人为主观性的干扰，从而提升碳纤维丝表制品质量和使用年限、减轻劳动人员工作强度。
-
公开(公告)号：CN115240006A
公开(公告)日：2022-10-25
申请号：CN202210908602.1
申请日：2022-07-29
Applicant: 南京航空航天大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉二维图像目标检测技术领域，解决了使用卷积神经网络进行目标检测时网络拓扑结构复杂、决策能力低下的技术问题，尤其涉及一种目标检测的卷积神经网络优化方法，包括以下步骤：S1、使用在线卷积重新参数化方法将卷积神经网络中多个深度学习模块压缩为单个卷积；S2、在卷积神经网络中引入二叉决策树分离决策选择和预测值生成过程，提出具有节点选择损失和关联损失的随机决策路由；S3、将二叉决策树和随机决策路由加入卷积神经网络的检测头中。本发明能够简化复杂的网络拓扑结构并提升网络决策能力，最终提高了目标检测的精度、速度和智能化程度，从而使优化后的卷积神经网络能够快速、高效地完成二维图像中的目标检测。
-
公开(公告)号：CN114627383A
公开(公告)日：2022-06-14
申请号：CN202210517000.3
申请日：2022-05-13
Applicant: 南京航空航天大学
IPC: G06V20/10 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于度量学习的小样本缺陷检测方法，包括步骤（1）：通过G2‑GAN对抗网络对小样本缺陷数据集进行数据增强；步骤（2）：基于卷积核自适应的卷积神经网络SKM‑CNN提取与待检测小样本缺陷数据集相似的缺陷数据集的特征，生成预训练模型；步骤（3）：将预训练模型迁移到基于度量学习的小样本缺陷检测网络S2D2N中，以先目标特征提取后度量学习的方式实现缺陷的快速识别与定位。本发明快速、高效地完成缺陷检测，解决了样本数据缺乏情况下训练出的模型检测精度低、可靠性低、过拟合等问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
