-
公开(公告)号：CN114037051A
公开(公告)日：2022-02-11
申请号：CN202111242448.0
申请日：2021-10-25
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于决策边界的深度学习模型压缩方法，属于深度学习的模型压缩技术领域。基于决策边界的深度学习模型压缩方法包括以下步骤：步骤一、进行特征映射；步骤二、进行激活函数分段线性化；步骤三、进行子决策区域计算：计算全连接层的子决策区域；步骤四、进行决策网络构建：根据子决策区域计算相应的决策边界，并用于构建新的决策网络。本发明实现了对全连接层的高效模型压缩，且对于激活函数为分段线性的模型，相较于现有方法往往带来精度降低的问题，本发明可以实现精度无损压缩。对于激活函数为具有无穷渐近线的其他非线性函数，可以实现可控精度下的模型压缩。
-
公开(公告)号：CN115205275A
公开(公告)日：2022-10-18
申请号：CN202210889914.2
申请日：2022-07-27
Applicant: 哈尔滨工业大学
Abstract: 基于深度学习算法的表面缺陷检测方法，解决了现有采用深度学习算法进行表面缺陷检测时存在样本不均衡的问题，属于工业生产中检测技术领域。本发明包括：基于深度学习算法建立表面缺陷分类模型，利用初始训练样本集D1对表面缺陷分类模型进行训练；对D1中各类表面缺陷图像样本进行采样，获得均衡图像样本集D2，利用D2继续对表面缺陷分类模型进行训练，训练过程中，冻结表面缺陷分类模型中卷积层的参数，调整全连接层的参数，直至表面缺陷分类模型收敛；利用表面缺陷分类模型对待检测图像样本进行检测，计算弱监督定位信息；并进行阈值分割处理，利用二值化阈值，生成缺陷的位置掩膜，完成表面缺陷检测。
-
公开(公告)号：CN115859091B
公开(公告)日：2023-05-26
申请号：CN202211357219.8
申请日：2022-11-01
Applicant: 哈尔滨工业大学
IPC: G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/08 , G01M13/045 , G06F123/02
Abstract: 本发明提出一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。包括以下步骤：S1.将机械振动信号输入至多任务卷积神经网络中，进行卷积层和批归一化层的权重参数的优化；S2.多任务卷积神经网络输出包括两条支路；S3.将时域指标和包络谱指标求和计算损失函数；S4.对多任务卷积神经网络进行训练，得到最优的权重和学习参数；S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。本发明解决了现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN115661123B
公开(公告)日：2023-06-23
申请号：CN202211425972.6
申请日：2022-11-14
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/70 , G06T7/136 , G06V10/26 , G06V10/46 , G06V10/764 , G06V10/82 , G06V20/00 , G06V20/70 , G06N3/0464
Abstract: 基于弱监督目标检测的工业品表面缺陷位置检测方法，解决了如何利用有限数据、简易标注的样本实现高精度表面缺陷检测的问题，属于表面缺陷检测领域。本发明包括：获取工业品表面缺陷的基础分类模型，作为主干模型f0分类器；在基础分类模型的N个卷积块后各增加一路分支，构成N个分类器；冻结主干模型f0分类器的参数，利用工业品表面缺陷数据集依次训练N个分类器，确定N个分支的权重；检测时，将待检测的工业品表面图像输入到基础分类模型中，获得的N+1个分类器的弱监督定位结果，合并后获得结果S；对结果S进行阈值分割处理，利用二值化阈值，生成缺陷的位置掩膜，完成表面缺陷检测。
-
公开(公告)号：CN115661123A
公开(公告)日：2023-01-31
申请号：CN202211425972.6
申请日：2022-11-14
Applicant: 哈尔滨工业大学
IPC: G06T7/00 , G06T7/70 , G06T7/136 , G06V10/26 , G06V10/46 , G06V10/764 , G06V10/82 , G06V20/00 , G06V20/70 , G06N3/0464
Abstract: 基于弱监督目标检测的工业品表面缺陷位置检测方法，解决了如何利用有限数据、简易标注的样本实现高精度表面缺陷检测的问题，属于表面缺陷检测领域。本发明包括：获取工业品表面缺陷的基础分类模型，作为主干模型f0分类器；在基础分类模型的N个卷积块后各增加一路分支，构成N个分类器；冻结主干模型f0分类器的参数，利用工业品表面缺陷数据集依次训练N个分类器，确定N个分支的权重；检测时，将待检测的工业品表面图像输入到基础分类模型中，获得的N+1个分类器的弱监督定位结果，合并后获得结果S；对结果S进行阈值分割处理，利用二值化阈值，生成缺陷的位置掩膜，完成表面缺陷检测。
-
公开(公告)号：CN113313197A
公开(公告)日：2021-08-27
申请号：CN202110673398.5
申请日：2021-06-17
Applicant: 哈尔滨工业大学
Abstract: 一种全连接神经网络训练方法，解决了现有针对图像分类的神经网络模型训练时的可解释性差导致性能难以提升的问题，涉及人工智能技术领域。本发明包括：S1、利用分类图像数据集训练全连接神经网络的学习器；S2、利用学习器提取分类图像数据集的分割超平面，将分类图像数据集分割出若干子空间，每个子空间内的图像数据组成当前分割层的一个子数据集，根据子空间与超平面的相对位置进行编码；S3、判断当前分割层的所有子数据集的分类结果是否满足总体指标，若是，记录对应编码及存储学习器，转入S5；若否，选出不满足设定指标的子数据集，重新分配学习器进行训练，转入S2；S5、按分割层存储学习器及对应位置编码，训练完成。
-
公开(公告)号：CN115859091A
公开(公告)日：2023-03-28
申请号：CN202211357219.8
申请日：2022-11-01
Applicant: 哈尔滨工业大学
IPC: G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/08 , G01M13/045 , G06F123/02
Abstract: 本发明提出一种轴承故障特征的提取方法、电子设备及存储介质，属于轴承故障特征提取技术领域。包括以下步骤：S1.将机械振动信号输入至多任务卷积神经网络中，进行卷积层和批归一化层的权重参数的优化；S2.多任务卷积神经网络输出包括两条支路；S3.将时域指标和包络谱指标求和计算损失函数；S4.对多任务卷积神经网络进行训练，得到最优的权重和学习参数；S5.将被测信号输入至S4所述训练后的多任务卷积神经网络进行盲反卷积，根据振动信号的包络谱识别具体的故障特征。本发明解决了现有技术中存在的粒子群算法受随机初始化参数和解空间限制、不利于寻找复杂的非凸优化问题的全局最优解的技术问题。
-
公开(公告)号：CN113313197B
公开(公告)日：2022-06-10
申请号：CN202110673398.5
申请日：2021-06-17
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种全连接神经网络训练方法，解决了现有针对图像分类的神经网络模型训练时的可解释性差导致性能难以提升的问题，涉及人工智能技术领域。本发明包括：S1、利用分类图像数据集训练全连接神经网络的学习器；S2、利用学习器提取分类图像数据集的分割超平面，将分类图像数据集分割出若干子空间，每个子空间内的图像数据组成当前分割层的一个子数据集，根据子空间与超平面的相对位置进行编码；S3、判断当前分割层的所有子数据集的分类结果是否满足总体指标，若是，记录对应编码及存储学习器，转入S5；若否，选出不满足设定指标的子数据集，重新分配学习器进行训练，转入S2；S5、按分割层存储学习器及对应位置编码，训练完成。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
