CN110991247A - 一种基于深度学习与nca融合的电子元器件识别方法 - Google Patents
一种基于深度学习与nca融合的电子元器件识别方法 Download PDFInfo
- Publication number
- CN110991247A CN110991247A CN201911063380.2A CN201911063380A CN110991247A CN 110991247 A CN110991247 A CN 110991247A CN 201911063380 A CN201911063380 A CN 201911063380A CN 110991247 A CN110991247 A CN 110991247A
- Authority
- CN
- China
- Prior art keywords
- nca
- image
- deep learning
- electronic component
- component identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习与NCA融合的电子元器件识别方法，该方法包括三个部分:(1)图像的预处理，样本均衡；(2)用卷积神经网络对含有分类标签的图像进行训练；(3)用卷积神经网络提取特征并使用NCA降维，再对降维后的特征进行预测,该方法使用深度学习模型完成真正意义上的端到端系统级电子元器件识别,针对每个类别的重新加权方案，能够快速提高精度,并用1*1的卷积核，fire module,减少通道数量等方式压缩深度学习模型参数量，同时使用NCA降维技术减少参数量，在加快模型推理时间的同时，保障工业级应用水准，实现快速高效的图像识别任务。
Description
技术领域
本发明涉及电路技术领域，特别是涉及一种基于深度学习与NCA融合的电子元器件识别方法。
背景技术
科学、规范的电子元器件分类是企业信息化和提升电子元器件管理水平的重要基础性工作，有助于设计师、管理部门、采购部门对产品快速、准确、高效的查询与使用，更有助于工程元器件的管理。国外的各大机构十分重视对元器件的采购、选用的指导和控制，也十分重视元器件信息的规范化工作和编码体系的建设。依据自身需求，分别建立了元器件的分类体系。例如：美国航空航天局(NASA)的NPSL(美国国家航空航天局零部件选择清单)按功能把电子元器件分为了10个大类、28个小类；美国军方根据电子元器件的具体功能把QPL(合格产品清单表)细分为264个子类别。美国国防供应中心(DSCC)所公布的电子元器件按其军用图纸元件号分成了37个类别的电子元器件；欧洲空间局(ESA)的 PPL(优先产品列表)涵盖了15个大类、67个小类的电子元器件，QPL表涵盖了14 个大类、37个小类的电子元器件。
电子元器件在工业发展方面有着举足轻重的作用，它种类繁多，且朝着微型化、片式化的方向演变。在电子元器件的生产、科研、应用以及回收等方面，其分类是一项非常重要的基础工作，因此设计一种能实时处理的电子元器件自动识别系统具有十分重要的现实意义。
如何将大规模图像数据进行高效识别以满足用户需求是一个亟待解决的问题，传统的如PCA+SVM(主成分分析方法结合支持向量机)方法的图像识别，就是先使用PCA算法对图像进行特征降维，然后使用SVM算法对这些降维后的特征进行分类。但是，PCA存在着很多的缺点如：PCA对降维最终得到的数目，也就是潜在的隐变量的数目，不能很好的估计；PCA原理主要是为了消除变量之间的相关性，并且假设这种相关性是线性的，对于非线性的依赖关系则不能得到很好的结果；PCA假设变量服从高斯分布，当变量不服从高斯分布(如均匀分布)时，会发生尺度缩放与旋转。同样SVM也面临很多的问题如：SVM算法对大规模训练样本难以实施；用SVM解决多分类问题存在困难；对缺失数据敏感，对参数和核函数的选择敏感。
近些年，深度学习在各种计算机视觉任务中都取得了重大的突破。随着深度学习的发展，卷积神经网络可以提取含有高层语义信息级别的特征，并渐渐应用到图像识别领域，如直接用训练好的AlexNet(Alex提出的网络模型)网络模型对图像进行分类，可获得不错的结果。然而，卷积神经网络提取的特征虽然语义丰富，但对于大规模图像集而言所需要的匹配计算量，内存占用以及时间开销在很大程度上是用户不可接受的。如何减少深度学习模型的参数量，压缩模型大小成为现今深度学习模型研究的一个重点问题。深度学习网络结构， MobileNetV1，V2(Google团队提出的适用于移动端的网络模型第一版与第二版)等相关模型的提出，极大的减少了计算成本和时间开销。
发明内容
针对上述情况，为克服现有技术之缺陷，本发明的目的是提供一种基于深度学习与NCA融合的电子元器件识别方法，该方法通过简化修改深度学习经典模型深度学习网络结构，对电子元器件的图像进行特征提取，实现了端到端的电子元器件识别，加快模型推理时间，实现快速高效的图像识别任务。
其解决的技术方案是，一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：具体步骤如下：
步骤1:对输入的图像进行归一化、随机旋转、镜像、随机噪声预处理操作, 最后，将图像统一到112*112大小的RGB图像；
步骤2:对各个类别的样本进行加权处理，均衡数据样本，划分训练集、验证集与测试集数据；
步骤3:将预处理后的图像构建成元组的形式输入到深度神经网络；
步骤4:将部分3*3的卷积模块替换为深度学习网络结构中的Fire Module(消防模块)，减少网络参数量；
步骤5:将深度学习网络结构模型中过多的Fire Module去除，保留少量FireModule；
步骤6:用深度卷积神经网络，主干模型包括4个3*3的普通卷积层和3个最大值池化层，用于提取图像特征，其中的3个最大值池化层，用于降低图像分辨率，
步骤7:使用全连接层替代深度学习网络结构中7*7的全局池化层，同时，由于全连接层参数量，使用NCA对这些参数进行降维，解决参数量维度过高的问题，
步骤8:将降维后的特征通过Softmax(适用于多分类的逻辑回归模型)层转化为图像多分类问题。
由于以上技术方案的采用，本发明与现有技术相比具有如下优点；
1.使用深度学习模型完成真正意义上的端到端系统级电子元器件识别。并用1*1的卷积核，Fire Module,减少通道数量等方式压缩深度学习模型参数量，在加快模型推理时间的同时，实现快速高效的图像识别任务。
2.引入类别加权因子α，在一定程度上克服了训练样本不均衡的问题，使得训练更加鲁棒，分类精度更高,为了进一步加速网络模型的推理，使用NCA降维技术对深度学习的特征层进行降维处理。
3.通过对Loss(损失)函数引入类别加权因子α和L2正规项
使得网络模型的训练能够更快的收敛，稳定,使用英伟达深度学习加速库TensorRT对源程序进行的优化，使得图像的推阶段仅需0.65ms即可完成图像识别功能。与此同时在1e-8的fpr(误识率)下，tpr(召回率)达到了0.95以上。即达到了百量级的工业应用水准。
附图说明
图1是本发明的深度学习网络结构示意图。
图2是深度学习网络结构的Fire Module。
图3是图像预处理示意图。
图4是图像识别架构流程图。
图5是PCA+SVM在测试集上的ROC曲线示意图。
图6是深度学习网络结构在测试集上的ROC曲线示意图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图6对实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的结构内容，均是以说明书附图为参考。
一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：具体步骤如下：
步骤1:对输入的图像进行归一化、随机旋转、镜像、随机噪声预处理操作, 最后，将图像统一到112*112大小的RGB图像；
步骤2:对各个类别的样本进行加权处理，均衡数据样本，划分训练集、验证集与测试集数据；
步骤3:将预处理后的图像构建成元组的形式输入到深度神经网络；
步骤4:将部分3*3的卷积模块替换为深度学习网络结构中的Fire Module，减少网络参数量；
步骤5:将深度学习网络结构模型中过多的Fire Module去除，保留少量FireModule；
步骤6:用深度卷积神经网络，主干模型包括4个3*3的普通卷积层和3个最大值池化层，用于提取图像特征，其中的3个最大值池化层，用于降低图像分辨率，
步骤7:使用全连接层替代深度学习网络结构中7*7的全局池化层，同时，由于全连接层参数量，使用NCA对这些参数进行降维，解决参数量维度过高的问题，
步骤8:将降维后的特征通过Softmax层转化为图像多分类问题。
在步骤1中所述的预处理为将输入分辨率小于112*112分辨率的上下左右填充到160*160大小，再将所有图像统一resize为112×112，这样即保障了小图像不会因放大而失真，也保证了图像的输入大小满足网络模型的输入要求，进而，对每一个图像进行归一化、随机旋转、镜像、随机噪声等处理，将图像统一到 112*112大小的RGB图像，
归一化的公式如下：
其中xi表示图像当前像素点的值，minx(x),max(x)分别表示图像像素值的最大与最小值，norm为归一化后的图像像素值，
旋转、镜像计算公式如下：
其中(x,y)为旋转后坐标，(x′,y′)为原坐标，α旋转角度(顺时针)，(x0,y0)为旋转中心，left为旋转后最左边的横坐标，top为旋转后最右边的横坐标，
随机高斯噪声公式如下：
其中u1u2为相互独立的处于(0,1)之间的均匀分布。
在步骤2中对各个类别的样本进行加权处理，均衡数据样本，
引入类别加权因子，ny为类别为yi的训练样本数量，
最后将电子元器件识别数据集，分为训练数据集、验证数据集和测试数据集。
在步骤3中所述的构建元组形式的输入为首先从训练数据集中随机选一个样本，和其对应的类别标签,由此构成元组(Sample，Label)，Sample，Label分别为样本和标签，传入网络模型。
步骤4-步骤6模型包括4个3*3的普通卷积层，3个fire模块和3个最大池化层，其中卷积层和Fire Module用于提取特征,同时减少网络参数量，3个最大池化层用于降低图像分辨率。
步骤7全连接层替代深度学习网络结构中的7*7的全局池化层，并增加NCA降维层，
其中全连接层替代7*7全局池化层，有两个目的：1、获取更多的语义信息；2、方便NCA降维，其中NCA降维层，在网络中起着至关重要的作用，NCA的目标是拟合一个尺寸为(n_components,n_features)的最优线性变换矩阵 (n_components,n_features为输入、输出维度)，使所有被正确分类的概率样本的和最大，即
其中N是样本数，Pi是第i个样本在学习的嵌入空间中，根据随机近邻规则正确分类的可能性:
其中Ci是第i个样本被分类到的点集，Pij为嵌入空间中欧氏距离上的归一化指数(softmax)值:
NCA可以看作是拟合一个(平方)Mahalanobisdistance(马氏距离)矩阵，
||L(xi-xj)||2＝(xi-xj)TM(xi-xj)
M＝LTL是大小为(特征数，特征数)对称正半定矩阵。
步骤8通过引入softmax函数实现多类别的分类问题，其中
其中zj表示softmax函数的第j个输入的元素，它对应于第j类,T是类别的数量，计算结果是样本x属于每个类别的概率的向量，最终输出的分类结果是具有最高概率的类别，
对应的损失函数L可表示为：
其中T类别数量，yi为类别，si为目标被识别为yi的概率
是 L2正则化的模型复杂度惩罚项,λ＞0这个非负的超参数控制惩罚的程度，通过引入L2正规化能够使得网络模型更快的收敛，稳定。
本发明具体使用时，如图1所示，本发明的网络模型框架是基于深度学习网络结构改进而来的，网络结构如图1所示，网络主要包含三个部分：输入图像预处理部分，深度学习网络结构网络模型架构部分，图像结果输出部分。输入部分包含图像和对应的标签，且图像以元组的形式输入；深度学习网络结构模型包括2个3*3普通卷积层，3个Fire Module模块，3个最大池化层，1个1*1卷积层和1个全局平均池化层；最后是Softmax层,负责模型结果输出图像类别。
如图2所示，深度学习网络结构的核心在于Fire Module，Fire Module由两层构成，分别是squeeze层+expand(扩展)层，squeeze层是一个1*1卷积核的卷积层，expand层是1*1和3*3卷积核的卷积层，expand层中，把1*1和3*3得到的feature map(特征图)进行concat(拼接)。
如图3所示，对每张图像进行归一化、边界填充、随机旋转、镜像、均值化、随机噪声等处理，将图像统一到112*112大小的RGB图像。
如图4所示，第一步，在对指定图像进行识别之前，需要先对图像进行预处理操作，使其符合网络模型的输入要求。第二步，深度学习网络结构模型训练阶段，负责模型权重的计算优化。最后是图像识别结果展示阶段，负责模型结果的输出。
在电子元器件识别数据集上进行实验并评估。该数据集包含了电容、电感和电阻3个大类别，其中电容有14个小类别，电感有2个小类别，电阻有6个小类别共计22个类别。每个类别包含100-3000张图像不等，共有50264张图像，每张图像的大小是112×112像素，其中训练数据集有20000张图像，验证数据集有 20000张图像，测试数据集10264张图像。
为了评估图像识别性能并与已有的方法作比较，采用ROC(Receiver OperatingCharacteristic)接收者操作特征曲线作为度量方法，计算过程主要分为三步，第一步，将图像传入网络模型，得出相应的类别标签与置信度。第二步，计算所有类别图像的混淆矩阵，得到不同类别的fpr,tpr值。第三步，绘制不同类别的ROC曲线。
如图5所示，为了进一步对比实验本发明方法。给出了PCA+SVM算法在测试集上相关指标的示意图。更好的说明了本发明方法相较于传统方法的优势之处，在于当图像识别的数量达到百万级以上传统方法的适用性变得非常差。而本发明方法可以从容的应对百万级以上的数据量。
如图6所示，实验证明，本发明方法在百万级及以上的图像识别领域也具有很好的效果。
下表给出了本发明方法分别在电子元器件测试数据集上识别速度、准确率、TensorRT加速情况。由表可知，与其他现有方法相比，发明算法在准确率、识别速度、模型参数量都达到了最优。
表1各网络模型参数量及推理时间表
表中VGG为Karen Simonyan等人提出的深度学习网络模型，ResNetV2为 KaimingHe等人提出的深度学习网络模型，DenseNet为Gao Huang等人提出的深度学习网络模型，EfficientNet为Mingxing Tan等人提出的深度学习网络模型， MobleNetV2为Google团队Mark Sandler等人提出的深度学习网络模型，Ours为本文提出的网络模型。
实验推理阶段的机器配制如下表所示：
表2机器硬件配置
| 硬件 | 型号 |
| 中央处理器 | Intel Core i5-7300H 2.5GHZ |
| 显卡 | NVIDIA GTX1050 2G |
| 内存 | 8G |
| 硬盘 | 1T SSD |
在综合对比了传统方法与深度学习方法后，本发明最终选定深度学习网络结构的修改版作为电子元器件识别的基础网络模型，满足工业级应用对于实时性、可靠性及可用性等方面的要求。
以上所述是结合具体实施方式对本发明所作的进一步详细说明，不能认定本发明具体实施仅局限于此；对于本发明所属及相关技术领域的技术人员来说，在基于本发明技术方案思路前提下，所作的拓展以及操作方法、数据的替换，都应当落在本发明保护范围之内。
Claims (7)
1.一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：具体步骤如下：
步骤1:对输入的图像进行归一化、随机旋转、镜像、随机噪声预处理操作,最后，将图像统一到112*112大小的RGB图像；
步骤2:对各个类别的样本进行加权处理，均衡数据样本，划分训练集、验证集与测试集数据；
步骤3:将预处理后的图像构建成元组的形式输入到深度神经网络；
步骤4:将部分3*3的卷积模块替换为SqueezeNet(网络压缩模型)中的Fire Module(消防模块)，减少网络参数量；
步骤5:将SqueezeNet模型中过多的Fire Module去除，保留少量Fire Module；
步骤6:用深度卷积神经网络，主干模型包括4个3*3的普通卷积层和3个最大值池化层，用于提取图像特征，其中的3个最大值池化层，用于降低图像分辨率；
步骤7:使用全连接层替代SqueezeNet中7*7的全局池化层，同时，由于全连接层参数量，使用NCA(近邻成分分析法)对这些参数进行降维；
步骤8:将降维后的特征通过Softmax(逻辑回归模型)层转化为图像多分类问题。
2.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：在步骤1中所述的预处理为将输入分辨率小于112*112分辨率的RGB图像上下左右填充到160*160大小，再将所有图像统一resize为112×112，进而，对每一个图像进行归一化、随机旋转、镜像、随机噪声处理，将图像统一到112*112大小的RGB图像，
归一化的公式如下：
其中xi表示图像当前像素点的值，minx(x),max(x)分别表示图像像素值的最大与最小值，norm为归一化后的图像像素值，
旋转、镜像计算公式如下：
其中(x,y)为旋转后坐标，(x′，y′)为原坐标，α为旋转角度(顺时针)，(x0，y0)为旋转中心，left为旋转后最左边的横坐标，top为旋转后最右边的横坐标，
随机高斯噪声公式如下：
其中u1u2为相互独立的处于(0,1)之间的均匀分布。
3.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：在步骤2中对各个类别的样本进行加权处理，均衡数据样本，引入类别加权因子
ny为类别为yi的训练样本数量，
最后将电子元器件识别数据集，分为训练数据集、验证数据集和测试数据集。
4.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：在步骤3中所述的构建元组形式的输入为首先从训练数据集中随机选一个样本，和其对应的类别标签,由此构成元组(Sample，Label)，Sample，Label分别为样本和标签，传入网络模型。
5.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：步骤4-步骤6模型包括4个3*3的普通卷积层，3个fire模块和3个最大池化层，其中卷积层和Fire Module用于提取特征,同时减少网络参数量，3个最大池化层用于降低图像分辨率。
6.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：步骤7全连接层替代SqueezeNet中的7*7的全局池化层，并增加NCA降维层，
其中全连接层替代7*7全局池化层，以获取更多的语义信息，同时方便NCA降维，其中NCA用于拟合一个尺寸为(n_components,n_features)的最优线性变换矩阵(n_components,n_features为输入、输出维度)，使所有被正确分类的概率样本的和最大，即
其中N是样本数，Pi是第i个样本在学习的嵌入空间中，根据随机近邻规则正确分类的可能性:
其中Ci是第i个样本被分类到的点集，Pij为嵌入空间中欧氏距离上的归一化指数(softmax)值:
NCA是拟合一个Mahalanobis distance(马氏距离)矩阵，
||L(xi-xj)||2＝(xi-xj)TM(xi-xj)
M＝LTL是大小为(特征数，特征数)对称正半定矩阵。
7.根据权利要求1所述的一种基于深度学习与NCA融合的电子元器件识别方法，其特征在于：步骤8通过引入softmax函数实现多类别的分类问题，其中
其中zj表示softmax函数的第j个输入的元素，它对应于第j类,T是类别的数量，计算结果是样本x属于每个类别的概率的向量，最终输出的分类结果是具有最高概率的类别，
对应的损失函数L可表示为：
其中T类别数量，yi为类别，si为目标被识别为yi的概率,
是L2正则化的模型复杂度惩罚项,λ＞0这个非负的超参数控制惩罚的程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911063380.2A CN110991247B (zh) | 2019-10-31 | 2019-10-31 | 一种基于深度学习与nca融合的电子元器件识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911063380.2A CN110991247B (zh) | 2019-10-31 | 2019-10-31 | 一种基于深度学习与nca融合的电子元器件识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991247A true CN110991247A (zh) | 2020-04-10 |
| CN110991247B CN110991247B (zh) | 2023-08-11 |
Family
ID=70083042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911063380.2A Active CN110991247B (zh) | 2019-10-31 | 2019-10-31 | 一种基于深度学习与nca融合的电子元器件识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991247B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364878A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 一种复杂背景下基于深度学习的电力线分类方法 |
| CN113066052A (zh) * | 2021-03-11 | 2021-07-02 | 深圳精创视觉科技有限公司 | 一种基于深度学习方向矩形定位密集产品的计数方法 |
| CN115546137A (zh) * | 2022-09-29 | 2022-12-30 | 浙江新宝汽车电器有限公司 | 一种柔性线束的x光自动检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
| CN106960185A (zh) * | 2017-03-10 | 2017-07-18 | 陕西师范大学 | 线性判别深度信念网络的多姿态人脸识别方法 |
| WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
| CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN109918923A (zh) * | 2019-01-25 | 2019-06-21 | 哈尔滨理工大学 | 一种基于dna编码的多通道彩色图像混沌加密方法 |
-
2019
- 2019-10-31 CN CN201911063380.2A patent/CN110991247B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
| CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
| CN106960185A (zh) * | 2017-03-10 | 2017-07-18 | 陕西师范大学 | 线性判别深度信念网络的多姿态人脸识别方法 |
| CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN109918923A (zh) * | 2019-01-25 | 2019-06-21 | 哈尔滨理工大学 | 一种基于dna编码的多通道彩色图像混沌加密方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴泰中;顾敏;周俊生;曲维光;李斌;顾彦慧;: "基于转移神经网络的中文AMR解析" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364878A (zh) * | 2020-09-25 | 2021-02-12 | 江苏师范大学 | 一种复杂背景下基于深度学习的电力线分类方法 |
| CN113066052A (zh) * | 2021-03-11 | 2021-07-02 | 深圳精创视觉科技有限公司 | 一种基于深度学习方向矩形定位密集产品的计数方法 |
| CN115546137A (zh) * | 2022-09-29 | 2022-12-30 | 浙江新宝汽车电器有限公司 | 一种柔性线束的x光自动检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991247B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444951B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
| CN110866530A (zh) | 一种字符图像识别方法、装置及电子设备 | |
| CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
| CN112819604A (zh) | 基于融合神经网络特征挖掘的个人信用评估方法与系统 | |
| CN110852447A (zh) | 元学习方法和装置、初始化方法、计算设备和存储介质 | |
| CN110991247A (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
| CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| Bahadur et al. | Dimension estimation using autoencoders | |
| CN114638234A (zh) | 应用于线上业务办理的大数据挖掘方法及系统 | |
| CN114358197A (zh) | 分类模型的训练方法及装置、电子设备、存储介质 | |
| Liu et al. | Stock price trend prediction model based on deep residual network and stock price graph | |
| Wang et al. | Risk assessment of customer churn in telco using FCLCNN-LSTM model | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN117705059A (zh) | 一种自然资源遥感测绘影像定位方法及系统 | |
| Zhang et al. | Credit Evaluation of SMEs Based on GBDT‐CNN‐LR Hybrid Integrated Model | |
| Leporowski et al. | Visualising deep network time-series representations | |
| CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
| CN115455276A (zh) | 推荐对象的方法、装置、计算机设备和存储介质 | |
| Zhao et al. | Model-based feature selection for neural networks: A mixed-integer programming approach | |
| Yang et al. | Generative face inpainting hashing for occluded face retrieval | |
| CN115130539B (zh) | 分类模型训练、数据分类方法、装置和计算机设备 | |
| US20240070466A1 (en) | Unsupervised Labeling for Enhancing Neural Network Operations | |
| US12093741B1 (en) | Apparatus and methods for determining a resource distribution | |
| CN113298448B (zh) | 基于互联网的租赁指数分析方法、系统及云平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |