-
公开(公告)号：CN109784488A
公开(公告)日：2019-05-21
申请号：CN201910034182.7
申请日：2019-01-15
Applicant: 福州大学
Abstract: 本发明涉及一种适用于嵌入式平台的二值化卷积神经网络的构建方法，包括以下步骤：步骤S1:采集ImageNet数据集，并将得到ImageNet数据集分为训练集、验证集和测试集；步骤S2:根据得到的训练集和验证集，对XNOR-Net二值化神经网络模型进行训练，并验证，得到训练后的二值化神经网络模型；步骤S3：将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合，并移植到嵌入式系统中；步骤S4:将测试集输入嵌入式系统中，对模型进行性能测试。本发明所提出的方法能够在提高网络运算速度的同时保持网络分类的准确率，可促进二值化卷积神经网络能够在嵌入式系统及FPGA上的部署。
-
公开(公告)号：CN109784488B
公开(公告)日：2022-08-12
申请号：CN201910034182.7
申请日：2019-01-15
Applicant: 福州大学
Abstract: 本发明涉及一种适用于嵌入式平台的二值化卷积神经网络的构建方法，包括以下步骤：步骤S1:采集ImageNet数据集，并将得到ImageNet数据集分为训练集、验证集和测试集；步骤S2:根据得到的训练集和验证集，对XNOR‑Net二值化神经网络模型进行训练，并验证，得到训练后的二值化神经网络模型；步骤S3：将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合，并移植到嵌入式系统中；步骤S4:将测试集输入嵌入式系统中，对模型进行性能测试。本发明所提出的方法能够在提高网络运算速度的同时保持网络分类的准确率，可促进二值化卷积神经网络能够在嵌入式系统及FPGA上的部署。
-
公开(公告)号：CN109376773A
公开(公告)日：2019-02-22
申请号：CN201811155370.7
申请日：2018-09-30
Applicant: 福州大学
Abstract: 本发明提出一种基于深度学习的裂纹检测方法，包括以下步骤：步骤S1：训练集、验证集与测试集的采集；按比例随机分成训练集、验证集和测试集；步骤S2：目标分类检测；通过采用迁移学习方法训练卷积神经网络模型；步骤S3：利用拼接算法对待检测图片进行拼接；步骤S4：利用模型进行裂纹检测；采用滑动窗口扫描方法，对拼接后的图片进行扫描，并依次送入训练好的卷积神经网络模型进行分类判断。本发明能够对裂纹进行准确的识别，且由于采用了迁移学习的方法，能够大大减少训练复杂神经网络所需的数据集，并提供了较好精度性能。
-
公开(公告)号：CN110335311A
公开(公告)日：2019-10-15
申请号：CN201910620869.9
申请日：2019-07-10
Applicant: 福州大学
Abstract: 本发明涉及基于自动编码器的动态视觉位移测量方法，包括以下步骤：步骤S1:构建附于圆柱体表面的特征点；步骤S2:利用双目采集系统对附加上特征点的圆柱体进行动态视频数据采集,得到左右视图数据集；步骤S3:根据得到的左右视图数据集，提取目标特征点，得到获得特征角点的图像二维坐标；步骤S4:对双目采集系统进行标定处理,得到双目相机的内参和外参矩阵；步骤S5:根据得到双目相机的内参和外参矩阵与特征角点的图像二维坐标，重构出特征点三维世界坐标集；步骤S6:根据圆柱体结构利用特征点三维世界坐标集进行圆柱拟合，并计算得到旋转的欧拉角。本发明采集目标物体的特征点信息便可计算出动态视频中目标的位移、旋转角度信息，无需直接接触目标物体。
-
-
-
Search Results
4
records
(took 0.018 seconds)
