申请/专利权人：宁波大学

申请日：2024-03-04

公开（公告）日：2024-07-05

公开（公告）号：CN118296489A

主分类号：G06F18/2415

分类号：G06F18/2415;G16H50/20;G06N3/0464;G06N3/063

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于神经网络的皮肤癌检测硬件IP核包括信号控制模块、卷积计算模块、循环展开模块、全零填充模块、池化模块、全连接模块、Softmax模块和存储器模块，循环展开模块将像素数据按照卷积核的滑窗顺序将滑窗映射区对应的像素数据进行排列，极大的降低了计算过程中数据排列带来的内存访问的资源消耗，循环展开模块向卷积计算模块输出其所需的数据，有效降低了临时存储的内存消耗，卷积计算模块能够处理神经网络的第一卷积层、第二卷积层和第三卷积层的卷积计算，极大的降低了硬件资源的消耗，并提高了计算效率，同时能够实现7中常见皮肤癌的检查；优点是资源消耗小，计算效率较高，且能够适用于多种皮肤癌的检查，应用面广。

主权项：1.一种基于神经网络的皮肤癌检测硬件IP核，其特征在于所述的神经网络包括三个卷积层、四个激活层、两个池化层、两个全连接层以及一个Softmax层，将三个卷积层分别称为第一卷积层、第二卷积层和第三卷积层，将两个池化层分别称为第一池化层和第二池化层，将四个激活层分别称为第一激活层、第二激活层、第三激活层和第四激活层，将两个全连接层分别称为第一全连接层和第二全连接层；所述的第一卷积层连接所述的第一激活层，所述的第一激活层连接所述的第一池化层，所述的第一池化层连接所述的第二卷积层，所述的第二卷积层连接所述的第二激活层，所述的第二激活层连接所述的第二池化层，所述的第二池化层连接所述的第三卷积层，所述的第三卷积层连接所述的第三激活层，所述的第三激活层连接所述的第一全连接层，所述的第一全连接层连接所述的第四激活层，所述的第四激活层连接所述的第二全连接层，所述的第二全连接层连接所述的第一Softmax层；将在所述的神经网络中传输的像素数据尺寸采用长×宽×通道数和长×宽中的某一种来表示，其中像素数据的长表示数据行数、宽表示数据列数、通道数表示数量，即像素数据的尺寸长×宽×通道数等于行×列×数量，像素数据的尺寸长×宽等于行×列，将所述的神经网络的卷积核尺寸采用长×宽×通道数×数量、长×宽×通道数和长×宽中的某一种来表示，所述的第一卷积层的卷积核尺寸为[3×3×3×4]，所述的第二卷积层的卷积核尺寸为[3×3×4×8]，所述的第三卷积层的卷积核尺寸为[3×3×8×16]，所述的第一全连接层的卷积核尺寸为[784×32]，所述的第二全连接层的卷积核尺寸为[32×7]；所述的第一层卷积层用于对外部输入其处的尺寸为[30×30×3]的像素数据进行卷积运算，得到尺寸为[28×28×4]的像素数据输出至所述的第一池化层，所述的第一池化层用于对输出至其处的尺寸为[28×28×4]的像素数据进行池化处理，得到尺寸为[146×14×4]的像素数据，对像素数据进行全零填充得到尺寸为[16×16×4]的像素数据输出至所述的第二卷积层，所述的第二卷积层用于对输出至其处的尺寸为[16×16×4]的像素数据进行卷积运算，得到尺寸为[14×14×8]的像素数据输出至所述的第二池化层，所述的第二池化层用于对输出至其处的尺寸为[14×14×8]的像素数据进行池化处理，得到尺寸为[7×7×8]的像素数据，对像素数据进行全零填充得到尺寸为[9×9×8]的像素数据输出至所述的第三卷积层，所述的第三卷积层用于对输出至其处的尺寸为[9×9×8]的像素数据进行卷积运算，得到尺寸为[7×7×16]的像素数据输出至所述的第一全连接层，所述的第一全连接层用于对输出至其处的尺寸为[7×7×16]的像素数进行全连接计算，得到尺寸为[1×32]的像素数据输出至所述的第二全连接层，所述的第二全连接层用于将输出至其处的尺寸为[1×32]的像素数据进行全连接计算，得到尺寸为[1×7]的像素数据输出至所述的Softmax层，所述的Softmax层用于将输出至其处的尺寸为[1×7]的像素数据与其处预先设置的由7种不同皮肤癌症的标签按顺序排列形成的标签数据进行对比，得到分类结果；所述的神经网络在Python3.9、Ananconda3和Tensorflow2.1环境下，基于HAM1000数据集进行训练，得到其所有卷积核的权重数据，其中，训练过程为：首先为HAM1000数据集对应的7种不同皮肤癌症分别设定唯一标签，其次将HAM1000数据集中的所有图像数据分成训练集和验证集，对训练集和验证集中的每幅图像数据分别预处理为尺寸为[30×30×3]的像素数据，得到训练数据集和验证数据集，采用训练数据集来训练所述的神经网络，采用验证数据集来验证每次训练好的神经网络，直至训练好的神经网络符合所需精度要求，最后从训练好的神经网络中得到权重数据，该权重数据由三个卷积层和两个全连接层的权重数据构成，每个卷积层的权重数据由其所有卷积核的权重数据构成，每个全连接层的权重数据由其所有卷积核的权重数据构成；所述的皮肤癌检测硬件IP核包括信号控制模块、卷积计算模块、循环展开模块、全零填充模块、池化模块、全连接模块、Softmax模块和存储器模块，所述的存储模块处预存有所述的权重数据和所述的标签数据，所述的信号控制模块一方面用于接收待分类的图像数据，并将该图像数据输出至所述的全零填充模块，另一方面用于控制所述的存储器模块、所述的卷积计算模块、所述的全连接模块和所述的全零填充模块协同工作；所述的全零填充模块用于将输出至其处的图像数据进行全零填充，得到相应的像素数据，并为该像素数据生成对应的数据地址，将该像素数据和数据地址均输出至所述的循环展开模块；所述的循环展开模块一方面用于先利用卷积核滑窗法将卷积核映射在所述的全零填充模块输出至其处的像素数据上，形成滑窗映射区，每个卷积核映射形成一个滑窗映射区，每个滑窗映射区对应为所述的全零填充模块输出至所述的循环展开模块处的像素数据的一部分，卷积核的数量与所述的神经网络的卷积核的数量相同，再利用卷积核滑窗法中的滑窗顺序从上到下从左到右每次滑动1步来遍历该像素数据，将卷积核在该像素数据上的滑窗映射区展开，得到被循环展开的像素数据，并为该像素数据生成对应的地址数据，将该像素数据和地址数据均输出至所述的存储器模块进行存储；所述的卷积计算模块用于从所述的存储器模块处获取权重数据与像素数据，并基于卷积核与滑窗映射区域对应关系，将权重数据与像素数据进行乘加运算，得到像素数据分别输出至所述的池化模块和所述的全连接模块；所述的池化模块用于将所述的卷积计算模块输出至其处的像素数据进行池化计算，得到对应的像素数据输出至所述的全零填充模块；所述的全连接模块用于从所述的存储器模块处获取权重数据，并将权重数据与所述的卷积计算模块输出至其处的像素数据进行乘加运算，得到相应的像素数据输出至所述的Softmax模块，所述的Softmax模块一方面用于从所述的存储器模块处获取标签数据，将所述的全连接模块输出至其处的像素数据进行对比，得到像素数据中的最大值，确定该最大值在像素数据中所处的位置，然后找到标签数据中所处位置与该最大值相同的标签，该标签对应的皮肤癌症的类别即为分类结果。

全文数据：

权利要求：

百度查询： 宁波大学 基于神经网络的皮肤癌检测硬件IP核

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD