CN117708507A - 一种基于人工智能的高效α和β射线的识别与分类方法 - Google Patents
一种基于人工智能的高效α和β射线的识别与分类方法 Download PDFInfo
- Publication number
- CN117708507A CN117708507A CN202410160999.XA CN202410160999A CN117708507A CN 117708507 A CN117708507 A CN 117708507A CN 202410160999 A CN202410160999 A CN 202410160999A CN 117708507 A CN117708507 A CN 117708507A
- Authority
- CN
- China
- Prior art keywords
- alpha
- beta
- sequence
- network model
- beta ray
- 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
- 230000005250 beta ray Effects 0.000 title claims abstract description 37
- 230000005260 alpha ray Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013139 quantization Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005549 size reduction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000002285 radioactive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的高效α和β射线的识别与分类方法，包括：获取放射性核素源的α和β射线的数据序列，并对数据序列进行预处理，构建训练集和测试集；构建轻量级网络模型，所述射线识别网络包括编码器模块和译码器模块，编码器模块和译码器模块均包括一个深度可分离卷积层；加载训练集的数据序列训练构建的轻量级网络模型；将训练所得的权重参数进行非对称量化，将所述的轻量级网络模型部署在搭载有ARM系统的移动设备中；所述搭载有ARM系统的移动设备获取待识别的α和β射线序列，通过所述轻量级网络模型得到α和β射线的识别结果。本发明通过设计轻量级网路模型并将之部署在搭载有ARM系统的移动设备上，射线识别精度高。
Description
技术领域
本发明涉及α、β射线识别领域，具体涉及一种基于人工智能的高效α和β射线的识别与分类方法。
背景技术
在通常的放射性表面污染测量设备中，传统的α，β射线的识别，主要是通过信号脉宽的大小或幅度大小进行识别。因为α射线脉冲脉宽较大，幅度较高；β射线脉冲脉宽较小，幅度较低，所以采用设定阈值方法，波形超过阈值时认定为α射线，小于阈值时则认定为β射线。在正常测试条件下，识别方法还要能够满足串道比要求：α串β的概率小于5%，β串α的概率小于0.5%的要求。
尽管基于脉宽的传统方法是一种简单和直观的方法，当测试条件发生变化时，它存在混淆加剧的缺陷：当α放射源活度较大时，存在大量小信号脉冲，导致幅度或脉宽不能达到α射线的预设阈值，而被误判为β射线信号，α串β的概率可达到或超过50%；当β放射源活度较大时，存在部分大信号脉冲，导致幅度或脉宽超过α射线的预设阈值，而被误判为α射线信号，导致β串α的概率达到或超过10%，严重影响α，β射线的分类计数，造成测量结果异常。
传统测量设备的方法已不能满足如今高精准度的识别要求，基于人工智能的智能识别算法在计算机视觉、自然语言处理等领域的应用越来越广泛，其优越的识别性能与准确度也受到极大的关注。然而众所周知，基于人工智能的智能识别算法通常是通过巨大的学习样本数据从复杂的网络模型中获得样本内在规律和表示层次，换来识别效率的巨大提升。在α和β射线的识别场景中，往往需要使用移动设备进行实时的识别，但对于移动设备而言其存储及运算力都是有限的：从存储的角度来看，现有的网络模型都是采用浮点型进行存储的，其通常需要占用电子设备几十上百兆的存储空间；从运算的角度来看，浮点型数据的运算会占用大量的计算资源，容易影响移动设备的正常运行。因此，如何降低网络模型的尺寸和资源占用是当前亟需解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于人工智能的高效α和β射线的识别与分类方法，在移动设备中通过智能算法实现α和β射线的高效识别与分类。
本发明的目的是通过以下技术方案来实现的：
一种基于人工智能的高效α和β射线的识别与分类方法，包括：
S1、从示波器中获取放射性核素源的α和β射线的数据序列，并对所述数据序列进行预处理，构建训练集和测试集；
S2、在Pytorch框架下构建轻量级网络模型中，所述射线识别网络包括编码器模块和译码器模块，所述的编码器模块和译码器模块均包括一个深度可分离卷积层；
S3、加载训练集的数据序列到构建的轻量级网络模型，设置训练轮次数、学习率和优化器的参数，将特征数据传递给神经网络模型进行前向传播，得到模型的输出，并计算输出与目标标签的交叉熵损失，使用优化器清零梯度，然后进行反向传播并更新模型的权重；
S4、将训练所得的权重参数进行非对称量化，将所述的轻量级网络模型部署在搭载有ARM系统的移动设备中；
S5、所述搭载有ARM系统的移动设备获取待识别的α和β射线序列，通过所述轻量级网络模型得到α和β射线的识别结果；所述的待识别的α和β射线数据序列来自测试集或实时采集的α和β射线数据序列。
进一步地，所述的编码器模块和译码器模块结构一致，均包括基于卷积神经网络CNN构建的CBR块和池化层，所述CBR块包括DSconv1d深度可分离卷积层、BN归一化层和ReLU激活函数层；α和β射线序列先经过DSconv1d深度可分离卷积层卷积，然后在BN归一化层中规格化，最后通过ReLU激活函数层提取出α和β射线序列的特征。
进一步地，所述的深度可分离卷积层的计算步骤包括：
对于一个输入序列I的维度为L×D，其中L 是序列长度，D是通道数，进行深度卷积的公式为：
Od(l) = ∑iId(l + i) * Kd(i)
其中Od(l) 表示深度卷积层输出序列在位置l的值，Kd(i) 表示深度卷积核在位置i 的值，Id(l+i) 表示输入序列在位置l+i的值，i是卷积核的索引，i取值从 0 开始，到卷积核大小减一结束；
使用1x1的逐点卷积来组合来自不同通道的特征，对维度为L×D的中间序列O进行逐点卷积，公式为：
P (l) = ∑dOd(l) * K (d)
其中P(l) 是最终输出序列中的一个元素，在位置l，K是1的卷积核，它作用于所有输入通道d。
进一步地，所述的对所述数据序列进行预处理是将从放射性核素源所采集得到的α和β数据分别进行裁剪和拉伸，得到40个点位的定长序列数据作为训练集和测试集。
进一步地，所述的步骤S3中，采用的初始损失函数为交叉熵损失函数，函数表示如下：
L = -∑yi* log(pi)
其中，L为交叉熵损失函数的值，yi为真实标签，pi为模型预测第i类的概率。
进一步地，所述的将训练所得的权重参数进行非对称量化的具体是将float32浮点数量化为int8整数。
进一步地，所述的轻量级网络模型还包括线性层，用于将所述译码器的输出通过一个权重矩阵乘法和一个偏置向量相加的方式计算输出张量，所述权重矩阵和偏置向量是线性层的可学习参数。
本发明的有益效果是：
1）本发明提出了使用人工智能领域技术来识别和分类α波与β波的方法，相比于传统方法，具有良好的拟合性和鲁棒性，弥补了传统方法中存在的混淆可能性，大大排除了一些其他类型的脉冲或干扰信号造成的误差和结果造成的干扰，极大地提高了识别精度。
2）本发明的神经网络模型是一个基于CNN模型改进后的轻量级神经网络，具有参数量少、识别速度已达到微秒级等优点；经过优化后，相比PC端在ARM系统中运行时占用资源更少，速度更快，且识别精度可达到99%以上，所以模型具有优秀的性能，更加符合了工业实际需求。
附图说明
图1为本发明提供的轻量级网络模型的具体结构示意图；
图2为本发明对α和β射线数据序列预处理前后对比图；
图3为本发明训练过程的损失值变化示意图；
图4为非对称量化示意图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1-图4，本发明提供一种技术方案：
一种基于人工智能的高效α和β射线的识别与分类方法，包括：
S1、从示波器中获取放射性核素源的α和β射线的数据序列，并对所述数据序列进行预处理，构建训练集和测试集。
本实施例中，对数据序列进行预处理是将从放射性核素源所采集得到的α和β数据分别进行裁剪和拉伸，得到40个点位的定长序列数据作为训练集和测试集。由于网络模型需要定长序列数据，且数据的特征主要为序列的特征峰上，但由于数据的特征峰带宽不同，如图2 a)中所示α特征峰长度在50-55的区间内，如图2 c)所示β特征峰长度在30-35的区间内，所以以40个点位为定长，对α进行数据尾部的裁剪，对β进行数据尾部的拉伸，处理后的结果分别如图2 b)和图2 d)中所示。以40点位为长度的数据集作为训练数据集和测试数据集，可以保证数据长度的相同以及特征的完整，有利于模型的拟合。
S2、在Pytorch框架下构建轻量级网络模型中，所述射线识别网络包括编码器模块和译码器模块，所述的编码器模块和译码器模块均包括一个深度可分离卷积层。
参照图1的轻量级网络模型，编码器模块和译码器模块结构一致，均包括基于卷积神经网络CNN构建的CBR块和池化层，所述CBR块包括DSconv1d深度可分离卷积层、BN归一化层和ReLU激活函数层；α和β射线序列先经过DSconv1d深度可分离卷积层卷积，然后在BN归一化层中规格化，最后通过ReLU激活函数层提取出α和β射线序列的特征。
为了减少参数量，让模型更加轻量级，本发明实施例将基础的卷积替换为深度可分离卷积（Depthwise Separable Convolution），旨在减少模型的参数量和计算复杂度，同时尽可能保持网络性能。这种卷积类型在移动设备和资源受限的环境中特别有用，因为它大幅度减少了所需的计算资源和模型大小。深度可分离卷积，通常用于二维数据，也可以被应用于一维序列数据。对于一维序列，深度可分离卷积的过程稍有不同，但基本原理保持一致。具体来说，深度可分离卷积层的计算步骤包括：
对于一个输入序列I的维度为L×D，其中L 是序列长度，D是通道数，进行深度卷积的公式为：
Od(l) = ∑iId(l + i) * Kd(i) （1）
其中Od(l) 表示深度卷积层输出序列在位置l的值，Kd(i) 表示深度卷积核在位置i 的值，Id(l+i) 表示输入序列在位置l+i的值，i是卷积核的索引，i取值从 0 开始，到卷积核大小减一结束；
使用1x1的逐点卷积来组合来自不同通道的特征，对维度为L×D的中间序列O进行逐点卷积，公式为：
P (l) = ∑dOd(l) * K (d) （2）
其中P(l) 是最终输出序列中的一个元素，在位置l，K是1的卷积核，它作用于所有输入通道d。上述步骤中的逐点卷积通过应用 1×1×C 的卷积核来整合不同通道上的特征，这可以改变通道的数量。
通过将卷积操作分解为深度和逐点卷积两个步骤，它有效减少了参数数量和计算负担，同时保持了处理一维数据的能力。
进一步地，所述的轻量级网络模型还包括线性层，用于将所述译码器的输出通过一个权重矩阵乘法和一个偏置向量相加的方式计算输出张量，所述权重矩阵和偏置向量是线性层的可学习参数。
本实施例中，轻量级网络模型是使用Pytorch框架下的nn库搭建的，目的是输入一条定长的序列，经过卷积层、池化层等计算，利用Relu进行非线性激活以凸显非线性特征，利用可学习到的参数矩阵对其做线性变换，最终经过Linear线性层输出一个大小为1*2的矩阵，矩阵的位置0，1存放的是α和β的预测值，如果0位置数值较大，模型识别预测当前数据为α射线，若1位置数值较大，则识别预测为β射线。
S3、加载训练集的数据序列到构建的轻量级网络模型，设置训练轮次数epoch、学习率lr和优化器optimizer的参数，将特征数据传递给神经网络模型进行前向传播，得到模型的输出，并计算输出与目标标签的交叉熵损失，使用优化器清零梯度，然后进行反向传播并更新模型的权重。
进一步地，所述的步骤S3中，采用的初始损失函数为交叉熵损失函数，函数表示如下：
L = -∑yi* log(pi) （3）
其中，L为交叉熵损失函数的值，yi为真实标签，pi为模型预测第i类的概率。
本实施例中，使用DataLoader创建训练集和测试集的数据加载器，用于在每一轮训练中加载数据；在进入交叉训练循环后，循环次数由参数epoch决定，每个循环代表一个训练轮次，本发明的epoch为500轮，在每轮训练中，遍历所有训练数据集，获取每一个训练样本的特征数据和标签。创建一个大小为2的零张量target，用于表示该样本的目标标签，其中一个元素为1.0，表示样本的真实类别。将特征数据传递给神经网络模型进行前向传播，得到模型的输出，并计算输出与目标标签的交叉熵损失，使用优化器清零梯度，然后进行反向传播并更新模型的权重。训练过程损失如图3所示，训练循环会重复执行多个训练轮次（由epoch指定的次数决定），以逐渐提升模型的性能。
S4、将训练所得的权重参数进行非对称量化，将所述的轻量级网络模型部署在搭载有ARM系统的移动设备中；具体地，所述的将训练所得的权重参数进行非对称量化的具体是将float32浮点数量化为int8整数。
本发明需要将人工智能网络模型部署在ARM系统中，所以对其进行优化，优化方案为训练所得的权重参数非对称量化，将float32浮点数量化为int8整数，float32的精度范围是-3.4*10^38 ~+3.4 *10^38，而uint8精度范围0 ~+255，量化即是从更高精度数据动态范围向低精度映射的过程，如图4所示。
非对称量化的实现可用以下公式表示：
xq= round (xf/ s) + z （4）
其中，量化间隔s = (xfmax- xfmin) / (xqmax-xqmin)，代表连续两个量化值之间的实际数值差距；零点偏移量z = xqmax- round( xfmax/ s)，z是浮点数0对应的量化值；xf表示真实数据的的浮点数值，xq表示量化后的数值，xfmax表示可量化的浮点数的最大值，xfmin表示可量化的浮点数的最小值，xqmin量化后的可表示的最小值；xqmax表示量化后可表示的最大值，以 8bit非对称量化为例，xqmax值为255；round（·）表示取整操作。通过上述公式可以得到每个浮点值对应的定点值。
在实际运行中，当模型量化后，计算操作也要变为定点操作才能使计算效率更高，如非对称量化下卷积层的定点运算过程如下，首先基本卷积操作如下：
yf=∑（xf* wf) + b （5）
yf为浮点卷积的输出，wf为浮点卷积的权重，b为卷积层的偏置项，由于：
xf=（xq- z) * s （6）
将公式（5）的浮点运算经式（6）的泛化转换得到的定点运算表示为：
(yq-yz) * ys=∑(xq- xz) xs* (wq- wz)ws+ bqbs （7）
下标q,z,s分别代表量化值，量化零点值以及量化间隔值。其中卷积层的偏置项b泛化为（bq- bz）*bs，因为b是加法，bz是量化后零点的值，故bz可省略，得到b = bq*bs。由于偏置值涉及到加法计算，因此会使用更高位宽定点数表示，同时设置 bs=xs*ws。继续整理可得：
yq= (∑xq* wq_hat+ bq_hat) wsxs/ ys （8）
其中：wq_hat= wq- wz，bq_hat=-xz* wq_hat+ bq+yz* ys/wsxs，wq_hat表示量化后权重值的偏移量，即量化权重减去权重的零点偏移量，bq_hat表示量化后偏置值的偏移量，是预处理计算的一部分。
由于bq_hat可以预先计算，因此主要关注浮点数ws*xs/ys与其他定点操作的乘法运算，经验发现其值总是在（0, 1）之间，所以可将该值表示为 2-nM，其中 n是非负整数，M是整数，由此整体可将浮点运算转换为定点运算。
经过此优化方案后，不仅可以提高计算速度，也可以减小参数以及模型整体的存储空间需要，更容易部署在ARM系统中。
S5、所述搭载有ARM系统的移动设备获取待识别的α和β射线序列，通过所述轻量级网络模型得到α和β射线的识别结果；所述的待识别的α和β射线数据序列来自测试集或实时采集的α和β射线数据序列。
本发明将模型所需的数据集分三类，训练集，验证集和测试集，其中训练集中共2516条（α796条，β1720条），测试集共500条（α250条，β250条）.验证集共50条（α25条，β25条）。数据均为α，β信号源中探测得到，均为真实数据。得到的数据经过数据预处理，如裁剪，补长，所以该模型的性能有强大的数据支撑。
模型经过500轮测试实验，最终保持梯度不变，测试精度超过99%。将测试集随机50条序列随机加入3-5个噪声，模型依然可以正确分类并识别，说明模型具有良好的拟合性和鲁棒性。
训练得到的模型参数共74594个，是一个轻量级的模型，且经测试，识别批量大小为10条波形所用的总时长在纳秒级，速度较快。
经过量化后部署在ARM系统中的模型，虽然精度有所降低，但依然在98%以上，且量化后参数所需存储空间减少，计算速度更快，满足射线识别的实际需求。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于，包括：
S1、从示波器中获取放射性核素源的α和β射线的数据序列，并对所述数据序列进行预处理，构建训练集和测试集；
S2、在Pytorch框架下构建轻量级网络模型中，所述射线识别网络包括编码器模块和译码器模块，所述的编码器模块和译码器模块均包括一个深度可分离卷积层；
S3、加载训练集的数据序列到构建的轻量级网络模型，设置训练轮次数、学习率和优化器的参数，将特征数据传递给神经网络模型进行前向传播，得到模型的输出，并计算输出与目标标签的交叉熵损失，使用优化器清零梯度，然后进行反向传播并更新模型的权重；
S4、将训练所得的权重参数进行非对称量化，将所述的轻量级网络模型部署在搭载有ARM系统的移动设备中；
S5、所述搭载有ARM系统的移动设备获取待识别的α和β射线序列，通过所述轻量级网络模型得到α和β射线的识别结果；所述的待识别的α和β射线数据序列来自测试集或实时采集的α和β射线数据序列。
2.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的编码器模块和译码器模块结构一致，均包括基于卷积神经网络CNN构建的CBR块和池化层，所述CBR块包括DSconv1d深度可分离卷积层、BN归一化层和ReLU激活函数层；α和β射线序列先经过DSconv1d深度可分离卷积层卷积，然后在BN归一化层中规格化，最后通过ReLU激活函数层提取出α和β射线序列的特征。
3.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的深度可分离卷积层的计算步骤包括：
对于一个输入序列I的维度为L×D，其中L 是序列长度，D是通道数，进行深度卷积的公式为：
Od(l) = ∑i Id (l + i) * Kd(i)
其中Od(l) 表示深度卷积层输出序列在位置l的值，Kd(i) 表示深度卷积核在位置i 的值，Id(l+i) 表示输入序列在位置l+i的值，i是卷积核的索引，i取值从 0 开始，到卷积核大小减一结束；
使用1x1的逐点卷积来组合来自不同通道的特征，对维度为L×D的中间序列O进行逐点卷积，公式为：
P (l) = ∑d Od(l) * K (d)
其中P(l) 是最终输出序列中的一个元素，在位置l，K是1的卷积核，作用于所有输入通道d。
4.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的对所述数据序列进行预处理是将从放射性核素源所采集得到的α和β数据分别进行裁剪和拉伸，得到40个点位的定长序列数据作为训练集和测试集。
5.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的步骤S3中，采用的初始损失函数为交叉熵损失函数，函数表示如下：
L = -∑yi* log(pi)
其中，L为交叉熵损失函数的值，yi为真实标签，pi为模型预测第i类的概率。
6.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的将训练所得的权重参数进行非对称量化的具体是将float32浮点数量化为int8整数。
7.根据权利要求1所述的一种基于人工智能的高效α和β射线的识别与分类方法，其特征在于：所述的轻量级网络模型还包括线性层，用于将所述译码器的输出通过一个权重矩阵乘法和一个偏置向量相加的方式计算输出张量，所述权重矩阵和偏置向量是线性层的可学习参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160999.XA CN117708507B (zh) | 2024-02-05 | 2024-02-05 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160999.XA CN117708507B (zh) | 2024-02-05 | 2024-02-05 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708507A true CN117708507A (zh) | 2024-03-15 |
| CN117708507B CN117708507B (zh) | 2024-04-26 |
Family
ID=90144630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410160999.XA Active CN117708507B (zh) | 2024-02-05 | 2024-02-05 | 一种基于人工智能的高效α和β射线的识别与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708507B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180053114A1 (en) * | 2014-10-23 | 2018-02-22 | Brighterion, Inc. | Artificial intelligence for context classifier |
| US20180144209A1 (en) * | 2016-11-22 | 2018-05-24 | Lunit Inc. | Object recognition method and apparatus based on weakly supervised learning |
| CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
| CN112601077A (zh) * | 2020-12-11 | 2021-04-02 | 杭州当虹科技股份有限公司 | 一种基于音频的编码器延时的自动测量方法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
| CN114707416A (zh) * | 2022-04-18 | 2022-07-05 | 成都理工大学 | 一种人体内照射剂量检测方法、装置、系统及计算机设备 |
| CN114912486A (zh) * | 2022-05-10 | 2022-08-16 | 南京航空航天大学 | 一种基于轻量化网络的调制方式智能识别方法 |
| CN114972034A (zh) * | 2022-06-06 | 2022-08-30 | 北京工业大学 | 一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法 |
| CN115249228A (zh) * | 2021-12-14 | 2022-10-28 | 长沙理工大学 | 胸部x射线图像识别方法、装置、计算机设备和存储介质 |
| WO2023045605A1 (zh) * | 2021-09-22 | 2023-03-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN115937099A (zh) * | 2022-11-08 | 2023-04-07 | 温州大学智能锁具研究院 | 一种基于UNet深度可分离残差网络的BGA焊点分割方法 |
| CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
| CN117132516A (zh) * | 2023-07-06 | 2023-11-28 | 华东师范大学 | 一种基于卷积化神经辐射场的新视图合成方法 |
-
2024
- 2024-02-05 CN CN202410160999.XA patent/CN117708507B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180053114A1 (en) * | 2014-10-23 | 2018-02-22 | Brighterion, Inc. | Artificial intelligence for context classifier |
| US20180144209A1 (en) * | 2016-11-22 | 2018-05-24 | Lunit Inc. | Object recognition method and apparatus based on weakly supervised learning |
| CN112037219A (zh) * | 2020-09-27 | 2020-12-04 | 上海电力大学 | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 |
| CN112601077A (zh) * | 2020-12-11 | 2021-04-02 | 杭州当虹科技股份有限公司 | 一种基于音频的编码器延时的自动测量方法 |
| CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
| WO2023045605A1 (zh) * | 2021-09-22 | 2023-03-30 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN115249228A (zh) * | 2021-12-14 | 2022-10-28 | 长沙理工大学 | 胸部x射线图像识别方法、装置、计算机设备和存储介质 |
| CN114707416A (zh) * | 2022-04-18 | 2022-07-05 | 成都理工大学 | 一种人体内照射剂量检测方法、装置、系统及计算机设备 |
| CN114912486A (zh) * | 2022-05-10 | 2022-08-16 | 南京航空航天大学 | 一种基于轻量化网络的调制方式智能识别方法 |
| CN114972034A (zh) * | 2022-06-06 | 2022-08-30 | 北京工业大学 | 一种基于超先验可变码率图像压缩的个体R-λ模型码率控制方法 |
| CN115937099A (zh) * | 2022-11-08 | 2023-04-07 | 温州大学智能锁具研究院 | 一种基于UNet深度可分离残差网络的BGA焊点分割方法 |
| CN117132516A (zh) * | 2023-07-06 | 2023-11-28 | 华东师范大学 | 一种基于卷积化神经辐射场的新视图合成方法 |
| CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| HASIB ZUNAIR等: "Sharp U-Net: Depthwise convolutional network for biomedical image segmentation", 《COMPUTERS IN BIOLOGY AND MEDICINE》, vol. 136, 29 July 2021 (2021-07-29), pages 1 - 13, XP086773631, DOI: 10.1016/j.compbiomed.2021.104699 * |
| JIAQI GU等: "SqueezeLight: A Multi-Operand Ring-Based Optical Neural Network With Cross-Layer Scalability", 《 IEEE TRANSACTIONS ON COMPUTER-AIDED DESIGN OF INTEGRATED CIRCUITS AND SYSTEMS》, vol. 42, no. 3, 8 July 2022 (2022-07-08), pages 807 - 819 * |
| SHI-JINN HORNG等: "Recognizing Palm Vein in Smartphones Using RGB Images", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 》, vol. 18, no. 9, 13 December 2021 (2021-12-13), pages 5992 - 6002 * |
| 程松等: "基于YOLOv5的改进轻量型X射线铝合金焊缝缺陷检测算法", 《中国激光》, vol. 49, no. 21, 17 July 2022 (2022-07-17), pages 136 - 144 * |
| 苟于涛: "基于多波段图像的目标检测技术研究", 《》, no. 02, 15 February 2023 (2023-02-15), pages 138 - 2717 * |
| 陈艳菲等: "基于MobileNet卷积神经网络的焊缝缺陷识别", 《自动化与仪表》, vol. 37, no. 01, 20 January 2022 (2022-01-20), pages 49 - 54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708507B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Voice2series: Reprogramming acoustic models for time series classification | |
| Zhou et al. | Resource-efficient neural architect | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112699960B (zh) | 基于深度学习的半监督分类方法、设备及存储介质 | |
| CN111242377B (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| CN114444668A (zh) | 网络量化方法及系统及装置及介质及图像处理方法 | |
| Zimmerman et al. | Matrix profile XVIII: time series mining in the face of fast moving streams using a learned approximate matrix profile | |
| Ko et al. | Limiting numerical precision of neural networks to achieve real-time voice activity detection | |
| He et al. | Progressive deep neural networks acceleration via soft filter pruning | |
| Kundu et al. | Bmpq: bit-gradient sensitivity-driven mixed-precision quantization of dnns from scratch | |
| Liu et al. | Ship navigation behavior prediction based on AIS data | |
| Manikandan et al. | Deepq: Residue analysis of localization images in large scale solid state physical environments | |
| Tuncer et al. | A novel spiral pattern and 2D M4 pooling based environmental sound classification method | |
| Fonseca et al. | Model-agnostic approaches to handling noisy labels when training sound event classifiers | |
| Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
| CN117708507B (zh) | 一种基于人工智能的高效α和β射线的识别与分类方法 | |
| CN111930725A (zh) | 一种配用电数据压缩、融合方法及装置 | |
| CN116861373A (zh) | 一种查询选择率估算方法、系统、终端设备及存储介质 | |
| CN116737521A (zh) | 一种基于自监督对比学习的hpc作业功耗预测方法及系统 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN116737943A (zh) | 面向新闻领域的时序知识图谱链路预测方法 | |
| He et al. | Bd-net: a multiplication-less dnn with binarized depthwise separable convolution | |
| Zhang et al. | Learning to binarize convolutional neural networks with adaptive neural encoder |
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 |