CN109374658A - 双视角x射线安检系统的神经网络重建断层成像方法 - Google Patents
双视角x射线安检系统的神经网络重建断层成像方法 Download PDFInfo
- Publication number
- CN109374658A CN109374658A CN201811579574.3A CN201811579574A CN109374658A CN 109374658 A CN109374658 A CN 109374658A CN 201811579574 A CN201811579574 A CN 201811579574A CN 109374658 A CN109374658 A CN 109374658A
- Authority
- CN
- China
- Prior art keywords
- ray
- reconstruction
- neural network
- grid
- security inspection
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000003384 imaging method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 33
- 238000003325 tomography Methods 0.000 claims description 22
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 230000014509 gene expression Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000149 penetrating effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 239000000126 substance Substances 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pulmonology (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种双视角X射线安检系统的神经网络重建断层成像方法，其特点是安检系统中采用了互相垂直安放的X射线装置用以发射和检测X射线信号，采集后的信号传到计算机系统中；在计算机内部，对重建图像进行网格划分，改写重建网格的全变差开方运算为矩阵运算，使得重建网格的系数具有严格正定的矩阵表达形式。通过计算每个重建网格对每条X射线传播路径上的投影权重值，建立了从射源到检测器间的投影线性方程组，从而将重建问题转化为满足凸二次规划的优化，最终利用神经网络算法进行优化求解。该发明的方法避免了透视影响互相重叠的问题，较清晰地重建物体三维影像等优点。
Description
技术领域
本发明涉及的是一种X射线断层成像技术的重建方法，具体来说是一种适用于双视角安检系统中使用的X射线断层成像技术。
背景技术
公共安全一直是国家安全的重要组成部分，是人身安全的一项重要保障。近年来，国内外时有暴力恐怖袭击事件的发生，对诸如机场、地铁站、火车站、海关等人流密集的公共场所的安全建设提出了提出越来越高的要求。目前大多数交通枢纽采用的安检设备为X射线安检系统，主要对行李物品进行安检，要求不仅能探测隐藏的枪支、弹药、匕首等危险武器、还能探测隐藏的爆炸物以及一些液体和各类违禁品。
早期X射线安检系统主要使用单能单角度X射线技术，该技术只能产生物体的二维透视影像。安检员通过对图像的形状和轮廓来判断是否有危险品，然而对于危险品厚度很薄并且与X射线投射方向平行放置，很难准确辨别出来，这对安检员的经验提出很高的要求。现今运用最普遍的是双能X射线安检机，即安检系统安装两套分别发射高能射线和低能射线射线源，在接受端也装有两套接受信号的探测器，两套射源投射方向是无角度差。后台的计算机利用双能 X射线的衰减特性进行一系列运算，可以获得物质的有效原子序数，进而可以获得具有一定立体感的透视图像。最近几年，提出了双视角X射线安检系统，系统采用两套不同投射角度的X射线和探测器，通过不同角度的两个透视图像进行危险品判别。两个角度的综合评判，有效地排除了以特殊角度安放的危险品，在一定程度上避免了危险品漏检。申请号为CN200710130137.9(公开号)的专利申请中发明一种双视角扫描辐射成像的方法及系统。该发明使用左右探测器阵列采集电信号，获取物体的透视图像，利用透视差原理来获取不同深度的透视图像，使重建物体具有一定的立体感，从实现对不同深度的物体的识别。申请号为CN201710454427.2的专利申请提出了一种双源双视角安检方法及其系统。该发明通过安放不同角度的两套探测装置，提供给安检人员不同角度的物品透视图像，在一定程度上方便安检人员辨别和定位危险品。以上这些技术是获得物体的透视影像，不能完全有效地分辨出行李中重叠遮挡的问题。
CT成像技术利用X射线的旋转扫描可以获得物体的断层图像，能够清晰获得物体的三维影像，能够解决物体互相遮挡的问题。然而，按照精确重建理论，射源需要绕物体至少旋转180度，这大大地增加设备的成本。本发明为了克服上述问题，在安检设备内部装有两个垂直放置的射线源，可以从两个方向进行扫描，缩短了检测时间并且提高了检测效率，通过建立投影射线方程，以全变差平方为优化目标，利用神经网络重建物体内部影像。
发明内容
本发明的目的是针对现有技术的不足而提供一种X射线安检系统的神经网络断层成像方法，其特点是通过在安检设备内部安装两个互相垂直的X射线检测设备；用全变差适合稀疏采样条件下对图像能够很好重建的特性，将其进行平方操作，构造重建图像的正定系数矩阵，平方操作后的全变差具备了凸二次规划的目标函数表达函数形式，投影射线方程是一组线性方程组，作为二次规划的约束，从而将投影重建问题转化为求解带约束的凸二次规划的最优解问题，因为所构造的目标函数的系数矩阵是正定的，理论上可获得全局最优解；该方法可以获得物体近似的三维立体影像，为安检设备的断层成像提供方法支撑，方便对危险品的检查。
本发明的目的由以下技术措施实现：一种双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；成像方法的步骤如下：控制中心系统中，操作面板开启工作开关，控制器触发传送装置中伺服系统开始工作，使电动滚筒转动，带动输送带运转；控制器随后触发光电发射器发射信号，包裹检测传感器接受光电信号；当被检物体进入检测系统的检测通道，阻挡包裹检测传感器接受光电信号，接受中断信息返回到控制器，触发X射线控制开关打开，使双视角X射线发射器Ⅰ和X射线发射器Ⅱ分别发射X射线，X射线束穿过被检物体，分别轰击安装在检测通道上互相垂直的X射线探测器Ⅰ和探测器Ⅱ上，数据采集系统将探测器获取的X射线衰减信号放大及转换，再发送到控制中心系统中获得投影数据；神经网络算法模块优化求解以重建网格的全变差平方为目标函数，以对X射线路径的权重值表为约束条件的优化问题，最终在显示器上重建被检物体的图像。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的双视角X射线是指安检系统中存在两套X射线发射器，两套发射器互相垂直安放在检测通道上，一个安放在通道上方，一个安放通道一侧，当X射线控制开关处于开状态时，分别会发射X射线。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的互相垂直的X射线探测器是指安检系统中分别安装在检测通道上两套可以感光X射线的探测器，一套安装在检测通道的侧面，用于接收安放在对面X射线发射器发射的X射线，一套安装在检测通道的下发，用于接收安放在上面的X射线发射器发射的X射线。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的数据采集系统是把检测器阵元接收的X射线衰减号进行放大，并为数字信号，进而转化成用于重建的投影数据。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的X射线路径的权重是指对三维重建区域进行网格划分，X射线传播路径所经过的每个网格的距离长。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的目标函数是指将重建网格的全变差进行平方后，转化为矩阵计算式，进而获得满足正定规则的重建网格系数矩阵。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的约束条件是指模拟X射线衰减规律，X射线传播路径上重建网格的权重与重建网格的衰减值乘积所形成的线性方程，若干条X射线将形成一系列线性方程组。
根据本发明所述双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的神经网络重建方法是指目标函数和约束条件进行拉格朗日变换后，获得以重建网格衰减系数和拉格朗日系数为未知数的线性方程组，以线性方程组的系数为神经网络的输入，以0和投影数值为神经网络输出，进行神经网络迭代，迭代趋于稳定后得到对应于重建网格衰减系数神经元权重值为重建结果。
本发明提供一种双视角X射线安检系统的神经网络重建断层成像方法，其特点是安检系统中采用了互相垂直安放的X射线装置用以发射和检测X射线信号，采集后的信号传到计算机系统中；在计算机内部，对重建图像进行网格划分，改写重建网格的全变差开方运算为矩阵运算，使得重建网格的系数具有严格正定的矩阵表达形式。通过计算每个重建网格对每条X射线传播路径上的投影权重值，建立了从射源到检测器间的投影线性方程组，从而将重建问题转化为满足凸二次规划的优化，最终利用神经网络算法进行优化求解。该发明的方法避免了透视影响互相重叠的问题，较清晰地重建物体三维影像等优点。
与现有技术相比，本发明具有如下优点：
本发明适合安检系统的断层成像方法，该技术方案采用目前较常规的双视角方式安放X射线检测系统，具有扫描时间短的优点；将重建问题转换为凸二次规划问题，利用神经网络实现优化求解过程，使得在两个投影角度上获取物体断层图像成为可能，重建图像是具有三维立体感的优点。
附图说明
图1为双视角X射线安检系统装置的示意图；
图2为X射线扫描系统与被测物体的摆放示意图；
图3为被检物体断面的二维网格及X射线衰减示意图；
图4为X射线传播路径上的图元权重确定示意图。
其中，(a)单条X射线传播经过的图元示意图；(b)单条X射线经过的图元索引范围示意图；(c)X射线向前传播的下一图元走向示意图；
图5全变差系数分析过程示意图分布图；
其中，(a)相邻图元全变差关系图；(b)单个像素点相邻图元全变差系数示意图；(c)整个重建网格上全变差系数示意图；
图6为神经网络求解二次规划的架构图。
其中：1控制中心系统，101操作面板，102控制器，103投影数据，104神经网络算法模块，105全变差平方，106X射线路径的权重值表，107显示器，
2传送装置，201伺服系统，202电动滚筒，203输送带，204光电发射器，205光电信号，206检测传感器，207被检物体，
3检测系统，301检测通道，302X射线控制开关，303X射线发射器Ⅰ，304 X射线发射器Ⅱ，305X射线，306X射线探测器Ⅰ，307X射线探测器Ⅱ，308数据采集系统。
具体实施方式
以下通过实施例对本发明进行具体的描述，有必要在此指出的是本实施例只用于对本发明进行进一步说明，不能理解为对发明保护范围的限制，该领域的技术熟练人员可以根据上述本发明的内容作出的一些非本质的改进和调整。下面对照附图详细描述本发明的实施例。
如图1所示，本实施例的系统装置，主要包括三大部分控制中心系统1、传送装置2和检测系统3。控制中心系统1中，操作面板101开启工作开关，控制器102触发传送装置2中伺服系统201开始工作，使电动滚筒202转动，带动输送带203运转；控制器102随后触发光电发射器204发射信号205，包裹检测传感器 206接受光电信号205；当被检物体207进入检测系统3的检测通道301，阻挡包裹检测传感器206接受光电信号205，接受中断信息返回到控制器，触发X射线控制开关302打开，使双视角X射线发射器Ⅰ303和X射线发射器Ⅱ304分别发射X射线305，X射线束305穿过被检物体207，分别轰击安装在检测通道上互相垂直的X射线探测器Ⅰ306和探测器Ⅱ307上，数据采集系统308将获取的 X射线衰减信号放大及转换，再发送到控制中心系统1中获得投影数据103；神经网络算法模块104优化求解以重建网格的全变差平方105为目标函数，以对X 射线路径的权重值表106为约束条件的优化问题，最终在显示器107上重建被检物体207的图像。
图2示出了X射线扫描系统与被测物体的摆放示意图。水平放置的X射线发射器Ⅰ和竖直放置的X射线发射器Ⅱ在空间中互相垂直。竖直方向上安放的检测器Ⅰ接收来自于竖直方向安放的X射线发射器Ⅰ发射出来的X射线衰减信号；水平方向上安放的检测器Ⅱ接收来自于竖直方向安放的X射线发射器Ⅱ发射出来的X射线衰减信号。检测器是由若干小阵元组成，可接受X射线发射器所发出的X射线。从射源到检测阵元是一条直线路径，同一对射源和检测器所有这样的直线路径在空间中形成了扇束。两个互相垂直的扇束在空间中所围成的区域将被测物体完全包含于其中。
图3示出了包含被测物体断面的二维虚拟网格图。被测物体的断面是任意形状，很难保证是规则的图形。为此，假定用一个正方形的区域把被检物体包含其中。
X射线是一种具有一定能量和穿透能力的高能电磁波，当它穿过某种物质后，其能量发生衰减。衰减的规律服从Beer定律，该衰减规律用数学关系可描述为：
式中，I0表示X射线的入射强度，I表示X射线穿过物质后检测器探测到衰减后的强度，该值的大小与物质的衰减系统和穿过物体的长度有关。符号 u表示物质的衰减系数，它与射线穿过物质的密度相关，密度高的物质对射线的衰减大，探测器所能接受的能量就小，反之接受的能量就大。在空间中X射线是沿直线路径进行传播，∫lu(l)dl表达了X射线沿一条直线上穿过物体后不同物质的衰减系数的线性积分，反映了X射线在传播路径上衰减的综合效果，不能反应该传播路径上不同密度物质的分布情况，所获得的图像是各个组织重叠的影像，断层重建的目标就是获得物体某一断面上衰减系数的分布。为此，将被测物体某一断面进行网格划分。u表示某个网格图元的衰减系数。网格划分时，在水平方向和竖直方向上间距均匀相等，最终形成了包含被检物体的二维虚拟网格图。线性积分∫lu(l)dl通常被称之为投影数据，记为P。物体被划分为网格后，该积分形式可以表达离散和形式：
图4示X射线传播路径上的图元权重确定示意图。获得投影数据的离散表达形式后，为保持与层析重建符号的一致性，Δl用ωi,j来表示代表X射线在位置为(i,j)所标识得网格单元上的路径长，即该单元对投影数据的权重贡献值，因此，投影离散和形式进一步转化为投影方程的描述方式，其公式可描述为：
因此，当给定X的发射点和接受点，就会在重建网格平面上确定一条X 射线的传播路线，这条路线必定会穿过某些二维网格的像素点，如图4(a)所示。根据直线与网格的两个交点的距离来确定每个网格像素对该条投影方向的权重贡献量，没有经过的像素元素的贡献值为零。图中深灰色的区域表示了射线所经过的路径，该网格点的权重贡献值非零。
为求解权重贡献量，先确定X射线与重建网格边缘的两个交点(xs,ys)和 (xe,ye)。(xs,ys)表示射线入射的初始点，(xe,ye)表示射线传出物体的终止点。根据这两个交点值判断出索引范围，图4(b)中虚线示出索引范围。根据起始点和终止点对应的索引可以判断射线在网格中的行走方向，如图该条射线是向左下方向行走。在图4(c)中深灰色网格表示当前确定的射线经过的网格，那么射线所经过的下一网格，只可能位于该网格的左侧、下侧以及左下对角线方向，如图中箭头所示方向。根据这些规则，可以确定出某条射线经过重建网格的权重贡献值。
利用投影数据进行断层重建，需要采集一定量的投影数据。如果从不同方向上采集了m条投影数据，那么就可以获得相应的投影方程，其表达如下：
为了表达方便，投影方程组可以描述为矩阵形式：
P＝ωU
图5全变差系数分析过程示意图。全变差的表达式：
对于一幅图像中，全变差可离散为以下的近似公式：
其中fi,j表示图像像素索引值为(i,j)处的灰度值。图像的全变差是指累加图像每个像素与其左和上侧相邻像素差的平方和，如图4(a)所示。如果相邻像素的灰度值相等，差值为零，因此，全变差表示了一副图像的梯度方向的变化，即全变差操作新生成的图像表达原图像的边缘信息。若求其最小值时，实际上就是探索其边界变化最小的可能性。因大多数物体密度变化不大，就可以求取其边界最小值作为优化目标。
对全变差进行展开，可以获得以下的公式：
上式中根号内部的数据具有二次型结构，并且，无论ui,j取何值，上式的值一定是大于等于零。显然，可以对二维网格所有点处的梯度差进行开方，可获变形后的全变差公式。同时，为了与断层成像的衰减系数u符号一致，每点的像素值fi,j记为ui,j，变形后的全变差如下具有如下的表达形式：
在全变差计算时，每一个网格点上所涉及的像素仅仅是在其左侧和上侧的像素值，如图4(a)所示。在图4(b)中，ui,j用深灰色表示，而其相邻的左侧和上侧用浅灰色来表示。将上式中每一像素点处相关联的系数(2，1，1，-2，-2)，填到相邻的像素内。在图4(b)中，左侧图表示为单个像素点平方项的系数；右侧图表示为相邻元素乘积项的系数，该值为负值。在每个像素点上将系数进行累加，则二维重建网格上的累加系数值如图4(c)所示。从图中显然可以看出累加后的系数分布呈现一定的规律。在网格顶点处，平方项系数为2，两个相邻乘积项系数为-2；在边界非定点处，平方项系数为2，三个相邻的乘积项为-2；网格内部点处，平方项为2，四个相邻的乘积项为-2。
假设重建区域划分为n×n网格方阵，每个网格处的衰减系数记为ui,j，则重建区域内的衰减系数就构成了n×n的矩阵。进一步以行为优先，将衰减系数矩阵表达成一维列向量，记为U。利用图4(b)全变差系数分布规律，将其变换成一个对称稀疏正定的矩阵Q，则变形后的全变差就可以表示成形如UTQU矩阵相乘形式。断层图像的重建转化，以投影线性方程组为约束，以UTQU最小为优化目标的优化问题，其表达式为：
其中，ω∈Rmxn为行满秩的线性方程组，U∈Rn×n，P∈Rm，U为其优化解。只要保证Q是对称正定矩阵，上式进一步转化为求解二次规划的优化解。二次规划是非线性优化中的一种特殊情形，它的目标函数是二次实函数，约束函数都是线性函数。理论上，二次规划的具有全局唯一解。
经推导Q的表达式为：
Q(i,j)＝0其余
因为TV2(U)≥0，则所获得Q一定是正定的。推导的结果表明矩阵Q是一个仅5条对角阵为非零的稀疏对称正定矩阵，可以描述为：
其中，Diag(Q)表示矩阵的主对角线元素；Diag(Q,n)表示位于主对角线上方且相距为n的次对角线元素；Diag(Q,-n)表示位于主对角线下方且相距为n的次对角线元素；A和B是包含n个元素组成的向量，表达式分别为：
图6示出了神经网络求解二次规划的架构图。到此为止，本发明获得了满足凸二次规划的求解问题的形式。利用拉格朗日方法将优化问题转化为其对偶问题：
上式所对应的增广拉格朗日函数为：
其中，0＜ε＜1。为得到最优解必须满足以下两个条件：
其中：
求导后计算导数等于0的运算量很大，采用梯度下降法减少运算量。即沿着导数的方向解的收敛速度最快，U和λ的递推公式为：
其中k是神经网络的迭代次数，上式就可以用神经网络模型求解。在神经网络模型中，由于结构复杂，每次计算梯度的代价很大。因此，需要反向传播算法。反向传播算法是利用神经网络的结构进行计算。根据迭代过程，神经网络架构图如图6所示。最终求得的U即为重建的待测物体的断层图像。
通过上述步骤即可所获得工件断层图像，并输入到显示器107进行显示和相关操作。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；成像方法的步骤如下：控制中心系统(1)中，操作面板(101)开启工作开关，控制器(102)触发传送装置(2)中伺服系统(201)开始工作，使电动滚筒(202)转动，带动输送带(203)运转；控制器(102)随后触发光电发射器(204)发射信号(205)，包裹检测传感器(206)接受光电信号(205)；当被检物体(207)进入检测系统(3)的检测通道(301)，阻挡包裹检测传感器(206)接受光电信号(205)，接受中断信息返回到控制器，触发X射线控制开关(302)打开，使双视角X射线发射器Ⅰ(303)和X射线发射器Ⅱ(304)分别发射X射线(305)，X射线束(305)穿过被检物体(207)，分别轰击安装在检测通道上互相垂直的X射线探测器Ⅰ(306)和探测器Ⅱ(307)，数据采集系统(308)将获取的X射线衰减信号放大及转换，再发送到控制中心系统(1)中获得投影数据(103)；神经网络算法模块(104)优化求解以重建网格的全变差平方(105)为目标函数，以对X射线路径的权重值表(106)为约束条件的优化问题，最终在显示器(107)上重建被检物体(207)的图像。
2.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；双视角X射线是指安检系统中存在两套X射线发射器，两套发射器互相垂直安放在检测通道上，一个安放在通道上方，一个安放通道一侧，当X射线控制开关处于开状态时，分别会发射X射线。
3.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的互相垂直的X射线探测器是指安检系统中分别安装在检测通道上两套可以感光X射线的探测器，一套安装在检测通道的侧面，用于接收安放在对面X射线发射器发射的X射线，一套安装在检测通道的下发，用于接收安放在上面的X射线发射器发射的X射线。
4.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的数据采集系统是把检测器阵元接收的X射线衰减号进行放大，并为数字信号，进而转化成用于重建的投影数据。
5.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的X射线路径的权重是指对三维重建区域进行网格划分，X射线传播路径所经过的每个网格的距离长。
6.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的目标函数是指将重建网格的全变差进行平方后，转化为矩阵计算式，进而获得满足正定规则的重建网格系数矩阵。
7.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的约束条件是指模拟X射线衰减规律，X射线传播路径上重建网格的权重与重建网格的衰减值乘积所形成的线性方程，若干条X射线将形成一系列线性方程组。
8.根据权利要求1所述的双视角X射线安检系统的神经网络重建断层成像方法，其特征在于；所述的神经网络重建方法是指目标函数和约束条件进行拉格朗日变换后，获得以重建网格衰减系数和拉格朗日系数为未知数的线性方程组，以线性方程组的系数为神经网络的输入，以0和投影数值为神经网络输出，进行神经网络迭代，迭代趋于稳定后得到对应于重建网格衰减系数神经元权重值为重建结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811579574.3A CN109374658B (zh) | 2018-12-24 | 2018-12-24 | 双视角x射线安检系统的神经网络重建断层成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811579574.3A CN109374658B (zh) | 2018-12-24 | 2018-12-24 | 双视角x射线安检系统的神经网络重建断层成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109374658A true CN109374658A (zh) | 2019-02-22 |
| CN109374658B CN109374658B (zh) | 2022-05-03 |
Family
ID=65371346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811579574.3A Active CN109374658B (zh) | 2018-12-24 | 2018-12-24 | 双视角x射线安检系统的神经网络重建断层成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109374658B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428478A (zh) * | 2019-07-15 | 2019-11-08 | 清华大学 | 交替光源扇束x射线ct采样方法及装置 |
| CN111612089A (zh) * | 2020-05-29 | 2020-09-01 | 浙江大华技术股份有限公司 | 一种在安检机中危险品的标注方法及设备 |
| WO2021114858A1 (zh) * | 2019-12-11 | 2021-06-17 | 清华大学 | 安检设备、安检方法和仓储系统 |
| WO2021228280A1 (zh) * | 2020-05-11 | 2021-11-18 | 同方威视技术股份有限公司 | 目标区域定位方法、装置、设备、介质和程序产品 |
| WO2023087652A1 (zh) * | 2021-11-17 | 2023-05-25 | 湖南苏科智能科技有限公司 | 面向双光源x射线安检机的待检物品尺寸自动检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000123154A (ja) * | 1998-10-19 | 2000-04-28 | Hitachi Medical Corp | 画像処理装置 |
| CN101334369A (zh) * | 2007-06-29 | 2008-12-31 | 清华大学 | 检查液态物品中隐藏的毒品的方法和设备 |
| CN103903303A (zh) * | 2012-12-27 | 2014-07-02 | 清华大学 | 三维模型创建方法和设备 |
| CN104165896A (zh) * | 2014-08-18 | 2014-11-26 | 公安部第一研究所 | 一种液态物品安全检查的方法与装置 |
| CN108303748A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和检测行李物品中的枪支的方法 |
| CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
-
2018
- 2018-12-24 CN CN201811579574.3A patent/CN109374658B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000123154A (ja) * | 1998-10-19 | 2000-04-28 | Hitachi Medical Corp | 画像処理装置 |
| CN101334369A (zh) * | 2007-06-29 | 2008-12-31 | 清华大学 | 检查液态物品中隐藏的毒品的方法和设备 |
| CN103903303A (zh) * | 2012-12-27 | 2014-07-02 | 清华大学 | 三维模型创建方法和设备 |
| CN104165896A (zh) * | 2014-08-18 | 2014-11-26 | 公安部第一研究所 | 一种液态物品安全检查的方法与装置 |
| CN108303748A (zh) * | 2017-01-12 | 2018-07-20 | 同方威视技术股份有限公司 | 检查设备和检测行李物品中的枪支的方法 |
| CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张健等: "神经网络模型在X射线图像融合中的应用", 《CT理论与应用研究》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428478A (zh) * | 2019-07-15 | 2019-11-08 | 清华大学 | 交替光源扇束x射线ct采样方法及装置 |
| WO2021114858A1 (zh) * | 2019-12-11 | 2021-06-17 | 清华大学 | 安检设备、安检方法和仓储系统 |
| WO2021228280A1 (zh) * | 2020-05-11 | 2021-11-18 | 同方威视技术股份有限公司 | 目标区域定位方法、装置、设备、介质和程序产品 |
| CN111612089A (zh) * | 2020-05-29 | 2020-09-01 | 浙江大华技术股份有限公司 | 一种在安检机中危险品的标注方法及设备 |
| WO2023087652A1 (zh) * | 2021-11-17 | 2023-05-25 | 湖南苏科智能科技有限公司 | 面向双光源x射线安检机的待检物品尺寸自动检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109374658B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109374658B (zh) | 双视角x射线安检系统的神经网络重建断层成像方法 | |
| CN105806856B (zh) | 双能射线成像方法和系统 | |
| KR100835270B1 (ko) | 고속 중성자와 연속 에너지 스펙트럼 ｘ선으로 재료 식별을진행하는 방법 및 장치 | |
| US9778391B2 (en) | Systems and methods for multi-view imaging and tomography | |
| CN101561405B (zh) | 一种直线轨迹扫描成像系统和方法 | |
| Priedhorsky et al. | Detection of high-Z objects using multiple scattering of cosmic ray muons | |
| US7606348B2 (en) | Tomographic imaging systems and methods | |
| US7831012B2 (en) | Radiation scanning systems and methods | |
| US10795048B2 (en) | Methods for extending a range for assigning attributes to an object in an image | |
| EP2629083A2 (en) | 3d backscatter imaging system | |
| CN104483711A (zh) | 基于分布式光源的辐射成像系统 | |
| US20080043917A1 (en) | Selective generation of radiation at multiple energy levels | |
| EP2221847B1 (en) | X-ray diffraction imaging system, and method for fabricating the x-ray diffraction imaging system | |
| ITMI20101269A1 (it) | Sistema e metodo per la ispezione a raggi x e la identificazione della composizione chimica dei materiali | |
| US10586324B2 (en) | Inspection devices and methods for inspecting a container | |
| US20120314836A1 (en) | X-ray Shoe Inspection | |
| US20110091013A1 (en) | Method and apparatus for detecting a particular material in an object by means of electromagnetic radiation | |
| CN201242531Y (zh) | 一种直线轨迹扫描成像系统 | |
| Udod et al. | State-of-the art and development prospects of digital radiography systems for nondestructive testing, evaluation, and inspection of objects: a review | |
| Gilbert et al. | Advanced algorithms for radiographic material discrimination and inspection system design | |
| CN109685865B (zh) | 适合直线扫描轨迹的锥束断层重建方法 | |
| Miller et al. | Combining radiography and passive measurements for radiological threat localization in cargo | |
| Lalor et al. | Atomic number estimation of dual energy cargo radiographs using a semiempirical transparency model | |
| Chen et al. | A regularized iterative reconstruction algorithm for X-Ray Diffraction Tomography | |
| Liu et al. | Simulation of Muon Tomography Projections to Image the Pyramids of Giza |
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 |