公开(公告)号：CN118227840A

公开(公告)日：2024-06-21

申请号：CN202410323166.0

申请日：2024-03-20

Applicant: 南京工程学院

Inventor： 杨大卫 ,  黄晓华 ,  蔡炜 ,  李瑞

IPC: G06F16/901 ,  G06F16/23 ,  G06F16/25 ,  G06N3/048 ,  G06N3/0495 ,  G06N3/045

Abstract: 本发明提出了一种用于激活函数量化后的多段非线性查找表构建方法和装置，包括：对数据范围的存储数据进行均匀采样，并计算各个采样点的斜率与曲率数据；确定分段的关键点；根据输入数据从小到大的顺序生成所有可能输入的定点数，并存放在候选数组内；通过关键点，确定每一段的数据范围，更新临时表；按照量化规则将临时表中的表项转换为整型数，存入真正的查找表中，同时存储转换时使用的量化参数和输出对齐参数。本发明可以有效提升Softmax函数在量化网络中的运行速度。

公开(公告)号：CN112116646B

公开(公告)日：2023-11-24

申请号：CN202011007828.1

申请日：2020-09-23

Applicant: 南京工程学院

Inventor： 韩磊 ,  尤尼·马库拉 ,  黄晓华 ,  施展 ,  吴晓彬 ,  夏明亮

IPC: G06F30/27 ,  G06T7/557

Abstract: 本发明公开了一种基于深度卷积神经网络的光场图像深度估计方法，由场景的4D光场数据提取中心子孔径图像；由4D光场数据计算生成水平EPI合成图像和垂直EPI合成图像；设计以中心子孔径图像、水平EPI合成图像和垂直EPI合成图像为输入，视差图为输出的深度卷积神经网络；以平均绝对误差为损失函数，训练所涉及的深度卷积神经网络；利用训练成功的深度卷积神经网络，接收由给定场景4D光场数据生成的中心子孔径图像、水平EPI合成图像、垂直EPI合成图像，计算得到场景的视差图。本发明所设计的深度卷积神经网络采用了多流输入、跳层连接体系结构，有利于多源输入信息、浅层深层特征信息融合，提高了深度估计的鲁棒性。(56)对比文件范晓婷;李奕;罗晓维;张凝;韩梦芯;雷建军.基于光场结构特性与多视点匹配的深度估计.红外与激光工程.2019,(第05期),全文.Vinh Van Duong;Thuc Nguyen Huu;JeonByeungwoo.“Comparison of Data Costs forDepth Estimation from Compressed LightField Images”《.INTERNATIONAL WORKSHOP ONADVANCED IMAGING TECHNOLOGY (IWAIT)2020》.2020,全文.

公开(公告)号：CN115527072A

公开(公告)日：2022-12-27

申请号：CN202211386361.5

申请日：2022-11-07

Applicant: 南京工程学院

Inventor： 黄晓华 ,  李阳 ,  邵秀燕 ,  赵群 ,  俞佳豪

IPC: G06V10/764 ,  G06T7/00 ,  G06V20/70 ,  G06V10/44 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82

Abstract: 本发明公开了一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法，首先，进行数据的采集并进行图像预处理操作，其次，选择相似对比学习增强网络算法来的对图片进行增强，在把增强变换后的图像特征输入到交叉变换的稀疏空间对齐网络之前，加入迁移学习模块，使得模型在细粒度上面更容易识别类内的特征信息，加快模型的收敛。最后，采取N‑way K‑shot任务检测方法，进行模型的训练和测试，最终实现对芯片缺陷的检测。本发明使得模型在学习的时候所需要的运算量大大的减少，达到了轻量化的效果；元学习的引入提升模型的泛化能力，少量的数据集来增强神经网络，从而学习图片标签类别之外的信息，提高对于芯片表面的缺陷检测的准确率。

公开(公告)号：CN115272435A

公开(公告)日：2022-11-01

申请号：CN202210721840.1

申请日：2022-06-24

Applicant: 南京工程学院

Inventor： 韩磊 ,  杨庆 ,  焦良葆 ,  路绳方 ,  郑胜男 ,  施展 ,  俞翔 ,  黄晓华

IPC: G06T7/50 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于光场序列特征分析的光场深度估计方法，从双平面表示的4D光场数据中提取中心子孔径图像，并计算生成EPI合成图像；设计以中心子孔径图像和EPI合成图像为输入，视差图为输出的LFRNN网络，网络包括基于光场序列分析的局部深度估计模块和基于条件随机场模型的全局深度优化模块；分局部深度估计和全局优化两个阶段训练并评估LFRNN网络；测试与实用LFRNN网络，评价网络性能。本发明另辟蹊径地从序列数据的视角分析光场，设计了基于循环神经网络的深度特征提取子网络，显著提高了局部深度估计能力；对全局深度信息建模，设计的端到端优化网络，显著提升了深度估计准确度和鲁棒性。

公开(公告)号：CN115713095A

公开(公告)日：2023-02-24

申请号：CN202211500137.4

申请日：2022-11-28

Applicant: 南京工程学院

Inventor： 邱鹏 ,  刘汉忠 ,  黄陈蓉 ,  黄晓华

IPC: G06N3/04 ,  G06N3/088

Abstract: 本发明提供一种基于混合深度神经网络的天然气管道异常检测方法和系统，其中方法包括归一化天然气管道的特征数据，得到输入特征值；根据输入特征值构建栈式稀疏去噪自编码器深度神经网络模型作为第一混合深度神经网络；根据输入特征值构建代价函数，以代价函数进行第一混合深度神经网络的无监督特征学习，得到第二混合深度神经网络；添加监督分类器至第二混合深度神经网络，得到第三混合深度神经网络；将输入特征值输入至第三混合深度神经网络，得到输出特征值；利用监督分类器计算输出特征值的最大概率值；缩小输出特征值的最大概率值与标签的差值。本发明能够在遭到入侵攻击或发生异常时提高异常检测精度，降低异常检测的假阳性率。

公开(公告)号：CN114549446A

公开(公告)日：2022-05-27

申请号：CN202210146225.2

申请日：2022-02-17

Applicant: 南京工程学院

Inventor： 黄晓华 ,  邵秀燕 ,  郝飞 ,  刘迁

IPC: G06T7/00 ,  G06K9/62 ,  G06V10/774 ,  G06V10/25 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的气缸套缺陷标检测方法，所述检测方法包括以下步骤：采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，获取训练集的局部缺陷图；利用基于Swin变换器的Mask R‑CNN算法进行建模，得到网络模型；通过得到的网络模型对测试集的图像进行检测；通过掩码机制对检测结果提取兴趣区域增强检测效果；对网络模型的检测性能进行评价；通过得到的网络模型对采集的气缸套图像进行缺陷标检测。本发明通过图像预处理，减少气缸套噪声影响，将原图构建局部图，得到新的一批训练数据，通过以小图映射大图的方法，得到原图的检测结果，通过掩码机制过滤噪声区域，提高小目标检测精度。