公开(公告)号：CN111833310B

公开(公告)日：2022-05-06

申请号：CN202010555030.4

申请日：2020-06-17

Applicant: 桂林理工大学

Inventor： 杨铁军 ,  张天舒 ,  黄琳

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于神经网络架构搜索的表面缺陷分类方法，包括以下步骤S1：构建堆叠候选cell的网络架构NAS‑SDC，所述网络架构NAS‑SDC基于神经网络架构搜索构建；S2：通过NEU‑CLS缺陷数据集搜索cell，利用搜索到的最佳cell构建缺陷分类CNN；S3：利用S2得到的缺陷分类CNN对表面缺陷进行分类。本发明通过神经网络架构搜索，可自动从更加精简的搜索空间中高效的搜索出最佳的网络单元，基于该最佳网络单元的CNN具有参数量小、检测精度高等优点，成功的应用于表面缺陷分类。

公开(公告)号：CN109685774A

公开(公告)日：2019-04-26

申请号：CN201811506337.4

申请日：2018-12-10

Applicant: 桂林理工大学

Inventor： 杨铁军 ,  彭珊 ,  黄琳

IPC: G06T7/00

CPC classification number: G06T7/0004 ,  G06T2207/10004 ,  G06T2207/20081 ,  G06T2207/20084 ,  G06T2207/30164

Abstract: 本发明公开了一种基于深度卷积神经网络的压敏电阻外观缺陷检测方法，包括以下步骤：S1：采集压敏电阻图像，制作所需要的数据集；S2：设计用于识别压敏电阻外观缺陷的深度卷积神经网络模型；S3：利用所述数据集对设计的深度卷积神经网络模型进行训练和验证；S4：利用训练好的深度卷积神经网络模型进行检测。本发明将深度卷积神经网络应用到压敏电阻的外观识别上，能够自动提取压敏电阻的有效特征，提高压敏电阻外观缺陷的分类识别精度。提高了图像处理的效率，能够满足工业生产在线实时检测的需要。

公开(公告)号：CN119313690A

公开(公告)日：2025-01-14

申请号：CN202411435859.5

申请日：2024-10-15

Applicant: 桂林理工大学

Inventor： 黄琳 ,  苏宪樟 ,  梁量

IPC: G06T7/11 ,  G06T7/00 ,  G06T5/94 ,  G06T5/60 ,  G06V10/26 ,  G06V10/52 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及基于父代损失集成的视网膜血管图像分割方法，包括：将待分割视网膜血管图像输入PL‑TransUNet模型，获取图像分割可视化结果，其中，PL‑TransUNet模型基于训练集训练获得，训练集包括视网膜血管图像及相应的真值；基于训练集训练PL‑TransUNet模型过程中包括：通过初始PL‑TransUNet模型对视网膜血管图像进行预测，根据视网膜血管图像的预测结果和真值计算损失通道，根据损失通道进行反向填充和特征增强，获取最终增强特征图，利用最终增强特征图获取新的预测结果进行迭代，直至收敛，获取PL‑TransUNet模型。本发明能够提高视网膜血管图像分割的准确性。

公开(公告)号：CN119131064A

公开(公告)日：2024-12-13

申请号：CN202411297916.8

申请日：2024-09-18

Applicant: 桂林理工大学

Inventor： 黄琳 ,  孙雁兵

IPC: G06T7/11 ,  G06T11/00 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了基于分支生长神经网络架构搜索的腹部CT图像分割方法，包括：基于局部宽度分支和全局深度分支，构建搜索空间网络；基于所述搜索空间网络交替对编码器的可生长下采样层进行所述局部宽度分支和所述全局深度分支的接入，构建生长后的候选网络；对所述生长后的候选网络进行训练和测试，获得图像分割模型；获取待测的腹部CT图像数据，输入所述图像分割模型，完成腹部CT图像分割。本发明提升腹部CT图像分割准确性。

公开(公告)号：CN114998285A

公开(公告)日：2022-09-02

申请号：CN202210688616.7

申请日：2022-06-17

Applicant: 桂林医学院 ,  桂林理工大学

Inventor： 杨铁军 ,  邓渭铭 ,  黄琳

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于神经网络架构搜索的工业产品盲检目标检测方法，该方法设计了一个XOR通道融合模块，用于解决多分支接入带来的特征混淆和冗余问题。利用深浅层特征映射之间的互补性，在多分支接入时，通过XOR通道融合模块在通道层面上对不同尺度的特征映射进行XOR融合；提出了一种逐渐剪枝的搜索策略，在搜索过程中不断剪枝，高效的构建多分支CNN架构同时缩小搜索和评估之间的差距，生成的多分支CNN结构，可以在深层特征中融入浅层特征，提高小目标检测能力；将搜索出的模型作为YOLOv4的主干网络，达到了更高的检测精度。

公开(公告)号：CN113240055B

公开(公告)日：2022-06-14

申请号：CN202110681578.8

申请日：2021-06-18

Applicant: 桂林理工大学

Inventor： 黄琳 ,  何晴 ,  杨铁军

IPC: G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明提供一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法，该方法针对基于人工设计CNN的色素性皮损图像分类方法需要丰富的神经网络设计经验和大量的参数调优的问题，提出了一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法以自动构建面向色素性皮损图像分类的卷积神经网络。首先，通过使用宏操作变异不断地改变父代神经架构的操作类型和连接方式来产生子代，最后进化出一个高性能的色素性皮损分类神经网络。实验结果表明，MOM‑NAS搜索到的卷积神经网络能够取得与前沿方法接近或更好的分类性能，在HAM10000和ISIC2017数据集上分别取得了72.4％和58.5％的平均敏感度。

公开(公告)号：CN113240055A

公开(公告)日：2021-08-10

申请号：CN202110681578.8

申请日：2021-06-18

Applicant: 桂林理工大学

Inventor： 黄琳 ,  何晴 ,  杨铁军

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明提供一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法，该方法针对基于人工设计CNN的色素性皮损图像分类方法需要丰富的神经网络设计经验和大量的参数调优的问题，提出了一种基于宏操作变异神经架构搜索的色素性皮损图像分类方法以自动构建面向色素性皮损图像分类的卷积神经网络。首先，通过使用宏操作变异不断地改变父代神经架构的操作类型和连接方式来产生子代，最后进化出一个高性能的色素性皮损分类神经网络。实验结果表明，MOM‑NAS搜索到的卷积神经网络能够取得与前沿方法接近或更好的分类性能，在HAM10000和ISIC2017数据集上分别取得了72.4％和58.5％的平均敏感度。

公开(公告)号：CN112465838A

公开(公告)日：2021-03-09

申请号：CN202011436059.7

申请日：2020-12-10

Applicant: 桂林理工大学

Inventor： 杨铁军 ,  蔡超丽 ,  李纯纯 ,  黄琳

IPC: G06T7/11 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明针对现有技术的应用过程过于复杂且难以复现的技术问题，提出了一种陶瓷晶粒图像分割方法、系统、储存介质及计算机设备，其通过基于编码‑解码模型架构对包括子网络的搜索空间进行限定，将所述搜索空间分为多分支式结构的编码空间以及链式结构的解码空间同时进行神经网络架构搜索，自动为陶瓷晶粒图像分割任务构建出能够融合深浅层特征并对特征图信息进行精细捕获的神经网络模型，其图像分割性能优越，且省去了原来复杂而繁琐的工作量，大幅提高了深度神经网络在陶瓷晶粒图像分割上的应用效率。

公开(公告)号：CN110969211A

公开(公告)日：2020-04-07

申请号：CN201911214838.X

申请日：2019-12-02

Applicant: 桂林理工大学

Inventor： 黄琳 ,  杨铁军

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于增量分支增长构建的卷积神经网络的自动分类方法，包括S1：构建并初始化卷积神经网络模型Gm；S2：对卷积神经网络模型Gm进行训练，得到训练后的模型G′m；S3：对卷积神经网络模型Gm进行下一代网络生长，得到下一代卷积神经网络模型Gm+1；S4：对卷积神经网络模型Gm+1进行训练，得到训练后的模型G′m+1；S5：若模型G′m和模型G′m+1的分类测试精度之差小于预设的阈值，则使用模型G′m+1完成分类任务；若模型G′m和模型G′m+1的分类测试精度之差不小于预设的阈值，则m←m+1，返回步骤S3。本发明可以避免构建神经网络过程中繁琐的调参过程，更加高效的自动构建适合特定分类任务的深度卷积神经网络模型。

公开(公告)号：CN101950397A

公开(公告)日：2011-01-19

申请号：CN201010276089.6

申请日：2010-09-07

Applicant: 桂林理工大学

Inventor： 杨铁军 ,  黄琳

IPC: G06Q30/00

Abstract: 本发明公开了一种基于互联网的发货确认方法及系统。在每一个发货点采用一台连有至少一个摄像头的计算机作为商品图像采集装置，该计算机亦作为发货点工作站，通过网络上传采集的商品图像到发货管理服务器，发货管理服务器包括对采集的图像进行加工处理、发送处理后的商品图像给顾客、接收顾客确认、将确认结果返回给发货点工作站。本发明针对现代电子商务发货环节存在的易出错、纠错难、确认成本高、效率低等问题，利用互联网技术、数字图像处理技术和软件技术，为商家提供一种运行成本低、自动化程度高的发货确认方法及系统，让商家更加方便、高效的完成经用户“亲眼”确认的发货，降低发货的出错率，提高商家的信用等级和顾客的满意度。