CN109903289B - 一种太赫兹图像无损检测的方法、装置以及设备 - Google Patents
一种太赫兹图像无损检测的方法、装置以及设备 Download PDFInfo
- Publication number
- CN109903289B CN109903289B CN201910315661.6A CN201910315661A CN109903289B CN 109903289 B CN109903289 B CN 109903289B CN 201910315661 A CN201910315661 A CN 201910315661A CN 109903289 B CN109903289 B CN 109903289B
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- attention
- image
- initial
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种太赫兹图像无损检测的方法、装置、设备及计算机可读存储介质,包括:将待检测的太赫兹图像输入至深度卷积神经网络,提取特征图;利用注意力机制、太赫兹图像的数据属性、第一目标关系矩阵和第一目标编码矩阵,将特征图转换为注意图;利用注意力机制、所述数据属性、第二目标关系矩阵和第二目标编码矩阵,将注意图转换为目标图像特征;将目标图像特征转换为规范共同特征;利用规范共同特征、目标分类权值矩阵和Softmax函数,确定太赫兹图像的损伤分类结果,从而确定太赫兹图像的损伤类别和损伤程度。本发明所提供的方法、装置、设备及计算机可读存储介质,利用多重注意力机制,准确表示太赫兹图像的损伤特征。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质。
背景技术
近年来,国内外学者利用太赫兹成像技术在对材料的无损探伤检测方面进行了相关的研究,特别是在探伤成像的后期图像增强方面进行了一定的探索研究。目前太赫兹图像无损检测的技术方法主要包括:基于小波变换与利普系茨指数的太赫兹图像的无损检测和基于小波去噪法的无损检测的方法。基于小波变换与利普系茨指数的太赫兹图像的无损检测丢失了损伤属性信息,对损伤特征表示十分模糊,最后的分类结果需要人工辅助加以实现。基于小波去噪法的无损检测的方法,一定程度上提高了太赫兹图像的分辨率,但也提升了损伤特征的冗余性,容易引起对损伤类别及程度的误判。
综上所述可以看出,如何准确表示太赫兹图像损伤特征是目前有待解决的问题。
发明内容
本发明的目的是提供一种太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质,以解决现有技术所提供的无损检测方法不能准确表示太赫兹图像损伤特征的问题。
为解决上述技术问题,本发明提供一种太赫兹图像无损检测的方法,包括:将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;将所述目标图像特征转换为规范共同特征;利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度。
优选地,所述利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的目标第一关系矩阵和预先完成训练的目标第一编码矩阵,将所述特征图转换为注意图包括:
根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积,确定所述数据属性在所述特征图的第一嵌入矩阵;
利用所述第一目标编码矩阵和所述特征图的乘积,确定所述特征图编码后的第一特征;
根据所述第一嵌入矩阵和所述第一特征的乘积,确定所述注意图。
优选地,所述利用所述注意力机制、所述数据属性、预先完成训练的目标第二关系矩阵和预先完成训练的目标第二编码矩阵,将所述注意图转换为目标图像特征包括:
根据所述数据属性、所述第二目标关系矩阵和所述注意图的乘积,确定所述数据属性在所述注意图的第二嵌入矩阵;
利用所述第二目标编码矩阵和所述注意图的乘积,确定所述注意图编码后的第二特征;
根据所述第二嵌入矩阵和所述第二特征的乘积,确定所述目标图像特征。
优选地,还包括:
将已知类别标签的太赫兹图像训练集中每幅初始太赫兹图像分别输入至所述深度卷积神经网络中,提取所述每幅初始太赫兹图像的初始特征图;
根据所述初始特征图和所述每幅初始太赫兹图像的初始数据属性,构建所述每幅初始太赫兹图像的第一关系矩阵、第一编码矩阵、第二关系矩阵、第二编码矩阵和分类权值矩阵,并对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化;
利用所述注意力机制、所述初始数据属性、所述第一关系矩阵和所述第一编码矩阵,将所述初始特征图转换为所述每幅初始太赫兹图像的初始注意图;
利用所述注意力机制、所述初始数据属性、所述第二关系矩阵和所述第二编码矩阵,将所述初始注意图转换为所述每幅初始太赫兹图像的初始目标图像特征;
将所述初始目标图像特征转换为所述每幅初始太赫兹图像的初始规范共同特征,利用所述初始规范共同特征和所述分类权值矩阵,确定所述每幅初始太赫兹图像的初始类别分类结果;
将所述初始分类结果输入所述Softmax函数,得到所述初始类别分类结果的概率,确定所述每幅初始太赫兹图像的类别标签的预测值;
利用所述每幅初始太赫兹图像的类别标签的预测值和实际值输入预先构建的损失函数内,并采用梯度下降算法迭代优化所述损失函数,选取所述损失函数的最小值对应的各个矩阵,作为所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵。
优选地,所述对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵所述进行初始化包括:
利用高斯分布对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化。
本发明还提供了一种太赫兹图像无损检测的装置,包括:
提取模块,用于将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
第一转换模块,用于利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;
第二转换模块,用于利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;
第三转换模块,用于将所述目标图像特征转换为规范共同特征;
确定模块,用于利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度。
优选地,所述第一转换模块包括:
第一嵌入矩阵确定单元,用于根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积,确定所述数据属性在所述特征图的第一嵌入矩阵;
第一特征确定单元,用于利用所述第一目标编码矩阵和所述特征图的乘积,确定所述特征图编码后的第一特征;
注意图确认单元,用于根据所述第一嵌入矩阵和所述第一特征的乘积,确定所述注意图。
优选地,所述第二转换模块包括:
第二嵌入矩阵确定单元,用于根据所述数据属性、所述第目标二关系矩阵和所述注意图的乘积,确定所述数据属性在所述注意图的第二嵌入矩阵;
第二特征确定单元,用于利用所述第目标二编码矩阵和所述注意图的乘积,确定所述注意图编码后的第二特征;
目标图像特征确定单元,用于根据所述第二嵌入矩阵和所述第二特征的乘积,确定所述目标图像特征。
本发明还提供了一种太赫兹图像无损检测的设备,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种太赫兹图像无损检测的方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种太赫兹图像无损检测的方法的步骤。
本发明所提供的太赫兹图像无损检测的方法,利用深度卷积神经网络提取待检测的太赫兹图像的特征图。引入注意力机制,结合所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图后;再次引入注意力机制,根据所述数据属性和预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征。将所述目标图像特征转换为规范共同特征;并利用预先完成训练的目标分类权值矩阵和所述规范共同特征,确定所述太赫兹图像的类别分类结果。将所述类别分类结果输入Softmax函数中,获得所述类别分类结果的概率,从而确定了所述太赫兹图像的损伤程度。本发明所提供的太赫兹图像无损检测的方法,使用了多重注意力机制获取目标图像特征,使得到的目标图像特征更具准确性和代表性,减少了目标图片特征表达的冗余性。利用多重注意力机制对太赫兹图像的特征图进行处理,可以加强损伤特征表达,确定损伤类别及程度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的太赫兹图像无损检测的方法的第一种具体实施例的流程图;
图2为本发明所提供的太赫兹图像无损检测的方法的第二种具体实施例的流程图;
图3为本发明实施例提供的一种太赫兹图像无损检测的装置的结构框图。
具体实施方式
本发明的核心是提供一种太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质,利用多重注意力机制可以精确定位太赫兹图像中缺陷的边界,提高了太赫兹图像无损检测的效率和准确率。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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,本领域普通技术人员在没有做出创造性劳动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。
请参考图1,图1为本发明所提供的太赫兹图像无损检测的方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
步骤S102:利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;
步骤S103:利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;
步骤S104:将所述目标图像特征转换为规范共同特征;
步骤S105:利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度。
在本实施例中,所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵的训练过程包括:
将已知类别标签的太赫兹图像训练集中初始太赫兹图像Ii(i=1,2,...,p),输入至深度卷积神经网络中,提取所述初始太赫兹图像Ii的特征图Vi,j(i=1,2,...,p)(j=1,2,...,q);其中,p为所述太赫兹图像训练集中初始太赫兹图像的总数,q为深度神经网络提取特征图总数。
根据所述特征图Vi,j和所述初始太赫兹图像Ii的数据属性Si,j,构建所述初始太赫兹图像Ii的第一关系矩阵H1,j、第一编码矩阵W1,j、第二关系矩阵H2,j、第二编码矩阵W2,j和分类权值矩阵T,并对H1,j,H2,j,W1,j,W2,j和T进行初始化。
在本实施例中可以利用高斯分布对所述第一关系矩阵H1,j、所述第一编码矩阵W1,j、所述第二关系矩阵H2,j、所述第二编码矩阵W2,j和所述分类权值矩阵T进行初始化。
利用所述注意力机制、所述数据属性Si,j、所述第一关系矩阵H1,j和所述第一编码矩阵W1,j,将所述特征图Vi,j转换为所述初始太赫兹图像Ii的注意图A1,i,j;具体计算方法如下:
E1,i,j=Si,jH1,jVi,j
Q1,i,j=W1,jVi,j
A1,i,j=E1,i,jQ1,i,j
其中,E1,i,j表示所述数据属性Si,j在所述特征图Vi,j的嵌入矩阵;Q1,i,j表示所述特征图Vi,j编码后的特征。
利用所述注意力机制、所述数据属性Si,j、所述第二关系矩阵H2,j和所述第二编码矩阵W2,j,将所述注意图A1,i,j转换为所述初始太赫兹图像Ii的目标图像特征A2,i,j;具体计算方法如下:
E2,i,j=Si,jH2,jA1,i,j
Q2,i,j=W2,jA1,i,j
A2,i,j=E2,i,jQ2,i,j
其中,E2,i,j表示所述数据属性Si,j在所述注意图A1,i,j的嵌入矩阵;Q2,i,j表示所述注意图A1,i,j编码后的特征。
利用A'2,i,j=Softmax(A2,i,j)和A3,i=A'2,i,1+A'2,i,2+A'2,i,3+...A'2,i,j将所述目标图像特征A2,i,j转换为所述初始太赫兹图像Ii的规范共同特征A3,i。
利用所述规范共同特征A3,i和所述分类权值矩阵T,确定所述初始太赫兹图像的类别分类结果A3,iT;
在本实施例中,可以选取所述损失函数的最小值对应的各个矩阵,作为所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵。
确定所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵的目标模型后,利用太赫兹图像测试集对其进行测试。将所述太赫兹图像测试集中的测试图像输入至所述深度卷积神经网络中,得到所述测试图像的特征图;利用所述注意力机制、所述测试图像的数据属性、所述第一目标关系矩阵和所述第一编码矩阵,将所述测试图像的特征图转换为所述测试图像的注意图;利用所述注意力机制、所述测试图像的数据属性、所述第二目标关系矩阵和所述第二编码矩阵,将所述测试图像的注意图转换为所述测试图像的目标图像特征;将所述测试图像的目标图像特征转换为所述测试图像的规范共同特征;根据测试图像的规范共同特征和所述目标分类权值矩阵,确定所述测试图像类别标签的预测值;根据所述测试图像类别标签的预测值和所述测试图像的标签信息检测系统的测量准确率。
若所述测量准确率大于等于预设准确率阈值,则确定所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵的目标模型。若所述测量准确率小于所述预设准确率阈值,则重新对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化进行学习。
基于上述实施例,在本实施例中,提取待检测的太赫兹图像的特征图后,可以首先确认所述太赫兹图像的数据属性在所述特征图的第一嵌入矩阵和所述特征图编码后的第一特征后,将所述特征图转换为所述太赫兹图像的注意图。确定所述数据属性在所述注意图的第二嵌入矩阵和所述注意图编码后的第二特征后,将所述注意图转换为所述太赫兹图像的目标图像特征。
请参考图2,图2为本发明所提供的太赫兹图像无损检测的方法的第二种具体实施例的流程图;具体操作步骤如下:
步骤S201:将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
步骤S202:根据所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和所述特征图的乘积,确定所述数据属性在所述特征图的第一嵌入矩阵;
步骤S203:利用预先完成训练的第一目标编码矩阵和所述特征图的乘积,确定所述特征图编码后的第一特征;
步骤S204:根据所述第一嵌入矩阵和所述第一特征的乘积,确定所述太赫兹图像的注意图;
步骤S205:根据所述数据属性、预先完成训练的第二目标关系矩阵和所述注意图的乘积,确定所述数据属性在所述注意图的第二嵌入矩阵;
步骤S206:利用预先完成训练的第二目标编码矩阵和所述注意图的乘积,确定所述注意图编码后的第二特征;
步骤S207:根据所述第二嵌入矩阵和所述第二特征的乘积,确定所述目标图像特征;
步骤S208:将所述目标图像特征转换为规范共同特征;
步骤S209:利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度。
本实施例所提供的太赫兹图像无损检测的方法,解决了现有无损检测技术中无法准确定位损伤的分界,导致对太赫兹图像损伤进行误判的问题。本实施例基于深度学习提取待检测太赫兹图像的特征图,采用了多重注意力机制,将相同的注意力机制先后应用在所述太赫兹图像的特征图和注意图上,增强了注意力机制的目标特征的获取能力,使提取到的目标图像特征更加准确并具有代表性,同时能够很好地适用于大规模的太赫兹图像无损检测。
请参考图3,图3为本发明实施例提供的一种太赫兹图像无损检测的装置的结构框图;具体装置可以包括:
提取模块100,用于将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
第一转换模块200,用于利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;
第二转换模块300,用于利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;
第三转换模块400,用于将所述目标图像特征转换为规范共同特征;
确定模块500,用于利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度。
本实施例的太赫兹图像无损检测的装置用于实现前述的太赫兹图像无损检测的方法,因此太赫兹图像无损检测的装置中的具体实施方式可见前文中的太赫兹图像无损检测的方法的实施例部分,例如,提取模块100,第一转换模块200,第二转换模块300,第三转换模块400和确定模块500,分别用于实现上述太赫兹图像无损检测的方法中步骤S101,S102,S103,S104和S105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种太赫兹图像无损检测的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种太赫兹图像无损检测的方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种太赫兹图像无损检测的方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种太赫兹图像无损检测的方法,其特征在于,包括:
将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;
利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;
将所述目标图像特征转换为规范共同特征;
利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度;
其中,所述利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的目标第一关系矩阵和预先完成训练的目标第一编码矩阵,将所述特征图转换为注意图包括:
根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积,确定所述数据属性在所述特征图的第一嵌入矩阵;
利用所述第一目标编码矩阵和所述特征图的乘积,确定所述特征图编码后的第一特征;
根据所述第一嵌入矩阵和所述第一特征的乘积,确定所述注意图。
2.如权利要求1所述的方法,其特征在于,所述利用所述注意力机制、所述数据属性、预先完成训练的目标第二关系矩阵和预先完成训练的目标第二编码矩阵,将所述注意图转换为目标图像特征包括:
根据所述数据属性、所述第二目标关系矩阵和所述注意图的乘积,确定所述数据属性在所述注意图的第二嵌入矩阵;
利用所述第二目标编码矩阵和所述注意图的乘积,确定所述注意图编码后的第二特征;
根据所述第二嵌入矩阵和所述第二特征的乘积,确定所述目标图像特征。
3.如权利要求1所述的方法,其特征在于,还包括:
将已知类别标签的太赫兹图像训练集中每幅初始太赫兹图像分别输入至所述深度卷积神经网络中,提取所述每幅初始太赫兹图像的初始特征图;
根据所述初始特征图和所述每幅初始太赫兹图像的初始数据属性,构建所述每幅初始太赫兹图像的第一关系矩阵、第一编码矩阵、第二关系矩阵、第二编码矩阵和分类权值矩阵,并对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化;
利用所述注意力机制、所述初始数据属性、所述第一关系矩阵和所述第一编码矩阵,将所述初始特征图转换为所述每幅初始太赫兹图像的初始注意图;
利用所述注意力机制、所述初始数据属性、所述第二关系矩阵和所述第二编码矩阵,将所述初始注意图转换为所述每幅初始太赫兹图像的初始目标图像特征;
将所述初始目标图像特征转换为所述每幅初始太赫兹图像的初始规范共同特征,利用所述初始规范共同特征和所述分类权值矩阵,确定所述每幅初始太赫兹图像的初始类别分类结果;
将所述初始分类结果输入所述Softmax函数,得到所述初始类别分类结果的概率,确定所述每幅初始太赫兹图像的类别标签的预测值;
利用所述每幅初始太赫兹图像的类别标签的预测值和实际值输入预先构建的损失函数内,并采用梯度下降算法迭代优化所述损失函数,选取所述损失函数的最小值对应的各个矩阵,作为所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵。
4.如权利要求3所述的方法,其特征在于,所述对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵所述进行初始化包括:
利用高斯分布对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化。
5.一种太赫兹图像无损检测的装置,其特征在于,包括:
提取模块,用于将待检测的太赫兹图像输入至深度卷积神经网络,提取所述太赫兹图像的特征图;
第一转换模块,用于利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵,将所述特征图转换为注意图;
第二转换模块,用于利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵,将所述注意图转换为目标图像特征;
第三转换模块,用于将所述目标图像特征转换为规范共同特征;
确定模块,用于利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数,确定所述太赫兹图像的损伤分类结果,从而确定所述太赫兹图像的损伤类别和损伤程度;
其中,所述第一转换模块包括:
第一嵌入矩阵确定单元,用于根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积,确定所述数据属性在所述特征图的第一嵌入矩阵;
第一特征确定单元,用于利用所述第一目标编码矩阵和所述特征图的乘积,确定所述特征图编码后的第一特征;
注意图确认单元,用于根据所述第一嵌入矩阵和所述第一特征的乘积,确定所述注意图。
6.如权利要求5所述的装置,其特征在于,所述第二转换模块包括:
第二嵌入矩阵确定单元,用于根据所述数据属性、所述第二目标关系矩阵和所述注意图的乘积,确定所述数据属性在所述注意图的第二嵌入矩阵;
第二特征确定单元,用于利用所述第二目标编码矩阵和所述注意图的乘积,确定所述注意图编码后的第二特征;
目标图像特征确定单元,用于根据所述第二嵌入矩阵和所述第二特征的乘积,确定所述目标图像特征。
7.一种太赫兹图像无损检测的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述一种太赫兹图像无损检测的方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种太赫兹图像无损检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315661.6A CN109903289B (zh) | 2019-04-17 | 2019-04-17 | 一种太赫兹图像无损检测的方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910315661.6A CN109903289B (zh) | 2019-04-17 | 2019-04-17 | 一种太赫兹图像无损检测的方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903289A CN109903289A (zh) | 2019-06-18 |
CN109903289B true CN109903289B (zh) | 2023-05-05 |
Family
ID=66955993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910315661.6A Active CN109903289B (zh) | 2019-04-17 | 2019-04-17 | 一种太赫兹图像无损检测的方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903289B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6669453B2 (ja) * | 2015-09-08 | 2020-03-18 | 株式会社Screenホールディングス | 画像分類装置および画像分類方法 |
CN107704877B (zh) * | 2017-10-09 | 2020-05-29 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
CN108665509A (zh) * | 2018-05-10 | 2018-10-16 | 广东工业大学 | 一种超分辨率重构方法、装置、设备及可读存储介质 |
CN108764358B (zh) * | 2018-05-31 | 2022-02-15 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
CN109325490B (zh) * | 2018-09-30 | 2021-04-27 | 西安电子科技大学 | 基于深度学习和rpca的太赫兹图像目标识别方法 |
CN109472248B (zh) * | 2018-11-22 | 2022-03-25 | 广东工业大学 | 一种行人重识别方法、系统及电子设备和存储介质 |
-
2019
- 2019-04-17 CN CN201910315661.6A patent/CN109903289B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109903289A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
CN110728654A (zh) | 一种基于深度残差神经网络的管道自动检测和分类方法 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN110874591B (zh) | 一种图像定位方法、装置、设备及存储介质 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN112862774A (zh) | 一种遥感影像建筑物精确分割方法 | |
CN111079825B (zh) | 针对医学图像的细胞核自动检测方法 | |
CN116309310A (zh) | 联合全局正则化与局部对抗学习的病理图像细胞核检测方法 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN116524313A (zh) | 基于深度学习和多模态图像的缺陷检测方法及相关装置 | |
CN117036715A (zh) | 一种基于卷积神经网络的形变区边界自动提取方法 | |
CN109903289B (zh) | 一种太赫兹图像无损检测的方法、装置以及设备 | |
CN117056865A (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
CN111242017A (zh) | 一种多标线的路面裂缝识别方法、装置、设备及存储介质 | |
CN116503376A (zh) | 生态挡土墙砌块及其智能化制备方法 | |
CN113239075B (zh) | 一种施工数据自检方法及系统 | |
CN113962934A (zh) | 基于Faster RCNN网络的缺陷检测方法及系统 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN117197048B (zh) | 一种船舶水尺读数检测方法、装置及设备 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN117496162B (zh) | 一种红外卫星遥感影像薄云去除方法、装置及介质 | |
CN110047047B (zh) | 三维形貌图像信息解译的方法、装置、设备及存储介质 | |
CN117333697A (zh) | 一种裂缝检测模型、方法和系统 |
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 |