NIC Lab | 花婷婷

个人信息

参与实验室科研项目

学术成果

共撰写/参与撰写专利 6 项，录用/发表论文 1 篇，投出待录用论文0篇。学术成果部分从赵云波教授个人维护的bib文件自动生成，只包含其共同署名的论文/专利（联合培养或代为指导学生可能有未署名论文/专利，不会在此展示），会因为更新不及时而缺失部分论文/专利，如有缺失请及时与老师联系添加更新。

patent

一种基于人的分歧介入的珍珠分拣方法赵云波, 花婷婷, 王岭人, and 唐敏 [Abs]
一种基于人的分歧介入的珍珠分拣方法，含有：步骤1：选取独立的两种较为先进、可实现珍珠分拣的神经网络：在服务器上部署ResNet50模型和SE-ResNet50模型，并将它们设置为系统分歧算法；步骤2：利用下载好的珍珠数据集对两个模型进行独立训练，并分别保存最优模型；步骤3：设置一仲裁器，以针对不同的预测输出结果做出相应的处理；步骤4：运用珍珠数据集里的测试集对系统分歧算法进行测试；步骤5：输出最终分类结果。本发明通过两个独立系统的分歧驱动人的介入，纠正其预测输出，从而提升整个珍珠分拣的分类精度。
一种基于多粒度特征与中层特征的分心驾驶检测方法赵云波, 唐敏, 花婷婷, and 赵丽丽 [Abs]
一种基于多粒度特征与中层特征的分心驾驶检测方法，含有：步骤1：训练融合多粒度特征与中层特征的分心驾驶检测神经网络；步骤2：运用该神经网络对Distracted–Driver–Detection数据集中的数据进行驾驶员注意力集中状况的测试；步骤3：针对步骤2中的测试结果的准确性来调整该神经网络的步长和学习率并再次进行测试直至测试结果的准确率符合条件；步骤4：通过车载终端摄像头实时获取驾驶员的驾驶状态并上传给训练好的该神经网络；步骤5：该神经网络对获取的图片进行识别后在车载终端显示分心驾驶行为。本发明通过车载终端获取驾驶员驾驶状态图像，上传给基于多粒度特征与中层特征的卷积神经网络CNN识别驾驶员分心驾驶行为。
一种基于人的心理认知模型的青菜病害分类检测方法赵云波, 赵丽丽, 花婷婷, and 苏振岭 [Abs]
一种基于人的心理认知模型提升分类器识别青菜病害的分类检测方法，含有以下步骤：步骤1：获取图像并对图像进行处理，获取多份病害区域、正常区域的青菜样本数据，分别以病害区域样本x1、x2为圆心画圆找出距离其最近的k个样本点；步骤2：分别计算最近的k个样本点中病害样本、正常样本所占的比例，并由此作出2\texttimes 2列联表，表示样本x1、样本x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；步骤3：结合步骤2所作列联表，利用人的松散对称模型再次计算样本x1、x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；步骤4：把步骤3计算出的结果作为样本xi在分类器训练过程中的权重，这个值越大表示样本xi的精确度越高，越远离决策面，在决策中占的权重越高；步骤5：重复以上步骤确定其他病害样本和正常样本的权重并用SVM算法进行最终训练，根据不同样本的不同重要程度进行训练学习。步骤6：用训练好的SVM分类检测器对待检测的青菜进行病害检测。
一种基于多源信息融合的细粒度图像分类方法赵云波, 花婷婷, 宋涛, and 王岭人 [Abs]
一种基于多源信息融合的细粒度图像分类方法，含有：步骤1：选取细粒度图像里的公开数据集Caltech UCSD Bird 200-2011进行下载；步骤2：基于上述数据集构建类-属性特征关联的知识图谱；步骤3：训练基于计算机视觉算法的细粒度图像分类神经网络，并保存最优模型；步骤4：分析步骤三分类模型给出的预测概率结果，选取适当的阈值将计算机容易识别混淆的子类情况筛选出来；步骤5：对于需做进一步判断的细粒度图像，依据步骤三模型给出的可能类概率信息，在步骤二构建好的知识图谱上进行相关特征信息查询，选取最具信息性的特征节点属性作为问题向人类用户进行询问；步骤6：人类用户介入系统所提出的问题，根据自己的视觉感知信息给予回答；步骤7：计算机融合嵌入的多源信息（知识图谱、人类的视觉信息），重新做概率预测，并输出最终分类结果。本发明通过利用现有的大数据资源，嵌入多源信息（知识图谱和人的视觉信息）以提供更具信息性的特征描述引导计算机实现高精度的分类。
一种基于多算法集成的分歧介入珍珠分拣方法赵云波, 花婷婷, 赵丽丽, and 崔奇 [Abs]
一种基于多算法集成的分歧介入珍珠分拣方法，含有：步骤1：将珍珠数据集按类别分别记为Class1-7，并给每张图片制定好标签，按6：2：2的比例分成训练集、验证集和测试集；步骤2：选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练，需均能够完成珍珠分拣任务，并分别保存最优模型；步骤3：将获取的三个最优模型用于仲裁系统，即针对构造后的主、次系统给出的预测结果进行分歧仲裁；步骤4：在实验验证阶段，我们使用分歧准确指数和额外成本指数作为系统分歧的评价指标，评估系统的整体性能；步骤5：根据步骤四的评价指标，选取既达到分拣精度提升较高又同时所需的人力成本较少的系统组合作为最终的珍珠分拣系统；步骤6：输出最终分类结果。本发明通过基于多个冗余算法的分歧找出机器分类可能存在的错误预测，并以最少的人力成本介入纠正其预测输出，从而提升整个珍珠分拣的分类精度。
一种基于人的生理认知特点对苹果精细化分拣的分类方法赵云波, 赵丽丽, 花婷婷, and 苏振岭 [Abs]
一种基于人脑进行识别判断的脑部活动特征帮助支持向量机算法对苹果进行精细化等级分拣的分类方法，含有以下步骤：步骤 1：获取人脑观看识别苹果时的脑成像数据：通过核磁共振技术读取实验者对苹果进行分类判断时的大脑活动，同时记录大脑活动和对应的视觉刺激（正在识别的苹果的特征）之间的关联性。对大脑活动图像进行分析和处理，得到大脑皮层进行识别判断时的图像数据；步骤 2：对脑成像数据进行处理，获得判断颜色红、个头大且形状规则的苹果的积极活动因子α：对步骤 1 获得的图像数据预处理，提取脑部在识别刺激类型时的活动特征，作为积极活动因子α；步骤 3：直接运用带有颜色红、个头大且形状规则和颜色青、个头小且形状不规则的图片对支持向量机算法进行训练，利用惩罚函数 HL 调整决策边界；步骤 4：把步骤 2 中人脑识别中的积极活动因子的影响带入到步骤 3 的调整决策边界的过程中，当判断有误时加大惩罚的力度，进一步优化调整决策边界；步骤 5：用训练好的分类器对样本进行分类。本发明涉及一种基于人的生理认知特点对苹果精细化分拣的分类方法，这种生理认知在此被认为是人脑进行识别判断的脑部活动特征，此方法适用于果农针对不同品质的苹果分级销售时使用人工分拣成本较高的情况。

Journal Articles

利用人的分歧介入增强珍珠自动分拣可靠性研究花婷婷, 王岭人, and 赵云波 计算机测量与控制 2021 [Abs] [pdf]
面向珍珠自动分拣应用场景，研究提出了一种通过人的分歧介入提升分拣可靠性的方法。该方法引入两个独立 AI 系统用于珍珠分拣的预处理，然后通过二者之间的分歧引入人的介入干预，在较少的人力成本下达到了对机器算法可靠性的提升。定义了包括分歧准确指数和额外成本指数在内的性能评价指标，在公开的珍珠数据集上，研究提出的方法以 4.1%的额外人工成本提升了近 4%的珍珠分拣精度，验证了方法的有效性。

学位论文

Theses

人的介入提升深度学习算法精度的方法及其实例研究花婷婷浙江工业大学, 杭州 2021 [Abs] [pdf]
现实中许多智能应用往往并不具备获取足量、高质的训练数据的天然条件，这一定程度上影响了深度学习算法所能达到的精度；而与此同时，众多领域却对其应用精度有着极高的现实要求：这两方面的原因使得在深度学习的基本框架外寻求精度的提升成为近些年的一个重要关注点。在这一领域中，有研究者发现人的介入可能是提升深度学习应用精度的一种可行途径。该方法借用人机系统中介入思想以解决非人机系统中的相关技术难题，即在机器算法有误时允许人的介入来提升整体系统的应用精度。本文基于典型实例研究了人的介入提升深度学习应用精度的两种方法，即人的分歧介入方法和人的融合介入方法。前者方法考虑在多个算法产生预测分歧之处，决策权将交由经验丰富的人直接控制；后者则更多的考虑寻求基于普通用户介入下的可操作性，在算法的预测置信度较低时，利用人在感知层面的信息传输实现对算法错误决策的可靠修正。具体研究工作如下：（1）面对珍珠分拣任务的经济效益与质量需求的高标准，提出了一种人的分歧介入方法，该方法在公开珍珠数据集上，以 4.1%的额外人工成本提升了近 4%的珍珠分拣精度，较大程度上解决了现有珍珠分拣精度不高的问题。本实验为珍珠分拣系统提供额外的冗余 AI 算法，通过比对多个算法的预测结果，在产生分歧之处作为仲裁机制来判断系统的预测是否出错，以此驱动珍珠分拣人员的介入。最终使用定义分歧准确指数和额外成本指数这两大性能评价指标来评估设计系统的整体性能。（2）针对野生鸟类资源信息识别对整个社会生态价值和经济价值的高需求，提出了一种人的融合介入方法，该方法在公开基准 CUB-200-2011 数据集上，以最小化的人工成本将鸟类细粒度图像识别精度提升到 93.8%，实现了目前机器视觉算法在细粒度鸟类图像识别难题上的突破。借用二分类模型评估思想，本实验通过分析算法的 ROC 指标，选取类别预测最优阈值作为仲裁机制，当算法的预测置信度低于阈值条件即作为人的介入时机。并通过将人的视觉信息与嵌入的鸟类知识图谱信息融合为算法提供更具信息性的特征判断实现可靠分类。

毕业去向

杭州新华三技术有限公司，软件测试工程师