-
公开(公告)号：CN113283573B
公开(公告)日：2024-03-29
申请号：CN202110708875.7
申请日：2021-06-25
Applicant: 江南大学
IPC: G06N3/006 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种卷积神经网络最优结构自动搜索方法，属于机器学习视觉识别领域。所述方法针对每一个特定的计算机视觉任务，基于随机漂移粒子群算法的自动寻找最优卷积神经网络结构，寻找过程中，设定每一个粒子位置代表一个CNN结构，通过随机漂移粒子群算法的不断迭代，最终搜索到一个模型更小但性能更好的深度卷积神经网络。通过在Rectangles数据集上进行图像分类实验时获得了98.16％的平均分类准确度，相对于现有的7层CNN结构的LeNet‑5网络得出的87.66％的准确率以及11层结构的AlexNet网络的88.96％的分类准确率，本申请方法搜索出的CNN结构能够获得更高的准确率。
-
公开(公告)号：CN113393451A
公开(公告)日：2021-09-14
申请号：CN202110716116.5
申请日：2021-06-25
Applicant: 江南大学
Abstract: 本发明公开了一种基于自动机器学习的缺陷检测方法，属于机器学习视觉识别技术领域。所述方法通过改进的RDPSO算法自动搜索得到适用于当前缺陷检测任务的最优的One‑classDeep SVDD模型，然后采用正常无缺陷样本进行训练，利用训练好的模型将所有正常无缺陷样本映射到高维的特征空间，形成一个具有最小体积的封闭超球体；在进行缺陷检测时，利用训练好的模型将待检测样本映射到高维的特征空间，根据是否映射在所形成的具有最小体积的封闭超球体内判断待检测样本是否存在缺陷。本申请方法可自动搜索出适用于当前缺陷检测任务的最优模型；且只需要正常无缺陷样本进行训练无需列出所有类型的缺陷，能够获得较好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN110659719A
公开(公告)日：2020-01-07
申请号：CN201910889590.0
申请日：2019-09-19
Applicant: 江南大学
Abstract: 本发明公开了一种铝型材瑕疵检测方法，属于机器学习视觉检测领域。所述方法包括以下步骤：S1：获取全部图像，进行图像预处理；S2：对预处理后的图像进行特征提取；S3：将数据集分为训练集和测试集；S4：构造和训练BRDPSO-RF模型，同步进行特征选择和RF参数的优化；S5：应用选择好的特征子集和优化后的RF模型对测试集进行瑕疵检测。本发明通过提出BRDPSO-RF模型同步选择最优的特征子集和随机森林RF分类器的参数优化，提高瑕疵检测的准确度，减少学习及训练的时间复杂度。
-
公开(公告)号：CN110659719B
公开(公告)日：2022-02-08
申请号：CN201910889590.0
申请日：2019-09-19
Applicant: 江南大学
Abstract: 本发明公开了一种铝型材瑕疵检测方法，属于机器学习视觉检测领域。所述方法包括以下步骤：S1：获取全部图像，进行图像预处理；S2：对预处理后的图像进行特征提取；S3：将数据集分为训练集和测试集；S4：构造和训练BRDPSO‑RF模型，同步进行特征选择和RF参数的优化；S5：应用选择好的特征子集和优化后的RF模型对测试集进行瑕疵检测。本发明通过提出BRDPSO‑RF模型同步选择最优的特征子集和随机森林RF分类器的参数优化，提高瑕疵检测的准确度，减少学习及训练的时间复杂度。
-
公开(公告)号：CN113283573A
公开(公告)日：2021-08-20
申请号：CN202110708875.7
申请日：2021-06-25
Applicant: 江南大学
Abstract: 本发明公开了一种卷积神经网络最优结构自动搜索方法，属于机器学习视觉识别领域。所述方法针对每一个特定的计算机视觉任务，基于随机漂移粒子群算法的自动寻找最优卷积神经网络结构，寻找过程中，设定每一个粒子位置代表一个CNN结构，通过随机漂移粒子群算法的不断迭代，最终搜索到一个模型更小但性能更好的深度卷积神经网络。通过在Rectangles数据集上进行图像分类实验时获得了98.16％的平均分类准确度，相对于现有的7层CNN结构的LeNet‑5网络得出的87.66％的准确率以及11层结构的AlexNet网络的88.96％的分类准确率，本申请方法搜索出的CNN结构能够获得更高的准确率。
-
公开(公告)号：CN113393451B
公开(公告)日：2024-03-29
申请号：CN202110716116.5
申请日：2021-06-25
Applicant: 江南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于自动机器学习的缺陷检测方法，属于机器学习视觉识别技术领域。所述方法通过改进的RDPSO算法自动搜索得到适用于当前缺陷检测任务的最优的One‑classDeep SVDD模型，然后采用正常无缺陷样本进行训练，利用训练好的模型将所有正常无缺陷样本映射到高维的特征空间，形成一个具有最小体积的封闭超球体；在进行缺陷检测时，利用训练好的模型将待检测样本映射到高维的特征空间，根据是否映射在所形成的具有最小体积的封闭超球体内判断待检测样本是否存在缺陷。本申请方法可自动搜索出适用于当前缺陷检测任务的最优模型；且只需要正常无缺陷样本进行训练无需列出所有类型的缺陷，能够获得较好的检测效果。
-
-
-
-
-
-
Search Results
7
records
(took 0.027 seconds)
