买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南大学申请的专利一种基于医药高光谱检测网络的阈值感知低位量化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115700806B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211519885.7，技术领域涉及：G06V20/10；该发明授权一种基于医药高光谱检测网络的阈值感知低位量化方法是由王耀南;潘劲宇;张辉;毛建旭;朱青;赵禀睿;张金洲;陈煜嵘;苏学叁;尹阿婷设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本一种基于医药高光谱检测网络的阈值感知低位量化方法在说明书摘要公布了：本发明公开了一种基于医药高光谱检测网络的阈值感知低位量化方法，首先使用高光谱相机采集药品图像得到数据集；其次设计合适的神经网络进行训练，保存模型准确率最高的训练参数，同时调整网络结构；再次，对调整后的神经网络进行量化处理，对网络权重使用基于最小均方差搜索的逐通道对称量化，对网络激活值使用基于最小KL散度搜索的逐层非对称量化；然后使用量化后的权重对调整后的神经网络进行微调训练，保存模型准确率最高的微调参数；最后，使用微调后的网络模型，重构整型网络架构，进行整型卷积，输出检测结果。在高光谱医药检测神经网络上，实现了4位量化，大幅减少了计算复杂度和存储量，同时检测准确率仅有轻微下降。

本发明授权一种基于医药高光谱检测网络的阈值感知低位量化方法在权利要求书中公布了：1.一种基于医药高光谱检测网络的阈值感知低位量化方法，其特征在于，所述方法包括以下步骤： S100：采集并制作高光谱医药数据集图像； S200：构建神经网络模型，所述神经网络模型包括三层卷积结构和一个分类器，使用所述数据集图像中的训练集和测试集分别对所述神经网络进行训练和测试，保存测试集准确率最高的权重参数；其中，每一卷积中包括卷积层、批量归一化层和激活层； S300：对所述神经网络模型的结构进行调整，将每一卷积中的卷积层和归一化层进行融合并重置所有归一化层的参数； S400：保持调整后的神经网络模型中的第一层卷积结构和最后一层分类器的结构的权重参数不变，结合所述测试集准确率最高的权重参数对调整后的神经网络模型中的其余层的权重参数进行权重量化和激活值量化处理，对网络权重使用基于最小均方差搜索的通道对称量化，对网络激活值使用基于最小KL散度搜索的逐层非对称量化，获得整个网络的权重缩放系数表和激活值缩放系数表； S500：使用量化后的权重对所述调整后的神经网络模型进行微调训练，结合所述整个网络的权重缩放系数表得到微调后的量化整型参数； S600：根据所述激活值缩放系数表、所述权重缩放系数表和所述量化整型参数调整所述调整后的神经网络模型以获得量化网络结构，使用调整后的网络模型结构，加载微调训练后的网络参数，对实际的高光谱医药图像进行检测，输出检测结果；S600中根据所述激活值缩放系数表、所述权重缩放系数和所述量化整型参数调整所述调整后的神经网络模型以获得量化网络结构包括： S610：对第二卷积层和第三卷积层的输入进行处理：将每个卷积层的输入乘以激活值缩放系数表中对应的激活值缩放系数，四舍五入取整和裁剪，即可获得对应卷积层的整型的输入； S620：使用所述量化整型参数和所述整型的输入进行卷积操作，得到所述第二卷积层和所述第三卷积层的输出值； S630：对于所述第二卷积层和所述第三卷积层的输出值进行处理：将所述第二卷积层的输出值除以权重缩放系数表中对应的权重缩放系数，除以激活值缩放系数表对应的激活值缩放系数后，加上融合后第二归一化层的偏差值，再送入第二激活层；将所述第三卷积层的输出值除以权重缩放系数表中对应的权重缩放系数，除以激活值缩放系数表对应的激活值缩放系数后，加上融合后第三归一化层的偏差值，再送入第三激活层，获取量化网络结构。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。