CN113033099B - 一种基于计算机视觉的天线形状的神经网络建模方法 - Google Patents

一种基于计算机视觉的天线形状的神经网络建模方法 Download PDF

Info

Publication number
CN113033099B
CN113033099B CN202110324954.8A CN202110324954A CN113033099B CN 113033099 B CN113033099 B CN 113033099B CN 202110324954 A CN202110324954 A CN 202110324954A CN 113033099 B CN113033099 B CN 113033099B
Authority
CN
China
Prior art keywords
antenna
shape
neural network
training
sample
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
Application number
CN202110324954.8A
Other languages
English (en)
Other versions
CN113033099A (zh
Inventor
杨雪松
黄昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110324954.8A priority Critical patent/CN113033099B/zh
Publication of CN113033099A publication Critical patent/CN113033099A/zh
Application granted granted Critical
Publication of CN113033099B publication Critical patent/CN113033099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于计算机视觉的天线形状的神经网络建模方法，属于微波天线设计技术领域。本发明所述方法包括以下步骤：样本数据的生成、对天线俯视图进行预处理、提取形状描述子并进行个数归一化、对神经网络进行训练、使用测试样本对完成训练的神经网络进行测试和将设计需要的天线俯视图输入到神经网络模型中六个步骤。本发明所述方法结合计算机视觉技术，直接对天线图片进行识别和分析，确定辐射贴片的形状，提取形状描述子，交由神经网络进行学习和训练；可以用于现有建模技术所适用的规则形状天线和现有建模技术不适用的不规则形状天线；能够根据天线形状信息输出其对应的电磁参数，将其用于天线智能化设计，可以显著提高天线设计效率。

Description

一种基于计算机视觉的天线形状的神经网络建模方法
技术领域
本发明属于微波天线设计技术领域，具体涉及一种基于计算机视觉的天线形状的神经网络建模方法。
背景技术
计算机视觉(Computer Vision,CV)，综合了计算机科学与工程、信号处理、机器视觉、图像处理、模式识别等多个领域，是当今科学研究中一个重要而富有挑战性的交叉学科。将计算机视觉应用于天线设计领域，识别天线形状，提取形状特征值，并用于天线形状神经网络模型的建立，是一种有效的建模方法。
人工神经网络(Artificial Neural Network,即ANN)是一个描述生物神经网络运行机理和工作过程的数学-物理模型，ANN可以通过自动化的训练过程，学习天线几何参数与天线电磁响应之间的非线性映射关系，因此被广泛应用于天线的建模和设计。然而，现有的建模方法只能对具有规则形状的天线进行模型的建立，对于形状不规则的天线，现有的建模方法将显得无能为力。
现有技术“基于计算机视觉的基站天线俯仰角建模识别与测算”中公开了一种应用于基站天线俯仰角测算的模型。通过对基站天线的图片进行边缘检测，提取天线侧面矩形，然后计算矩形长边的斜率，然后转换为基站天线的俯仰角。文章较早的使用计算机视觉对天线图片进行识别与处理，并得到了目标的特征参数，但是，这种模型只能用于具有矩形轮廓的基站天线，且极易受到拍摄场所与图片质量的影响。同时，该模型并未将天线性能作为模型的输出参量，模型得到的俯仰角只是通过计算机视觉对图片进行测算的结果。
现有技术“Artificial neural networks for RF and microwave design-fromtheory to practice”公开了使用神经网络对微波器件进行建模的方法，并以一个微波电路为例，将其物理参数作为神经网络的输入，对应的电磁参数作为神经网络的输出，完成建模设计。但是，这种建模方法只能适用于具有规则几何形状的微波器件，对于不规则的器件形状，该方法将失去作用。
现有技术“Parametric Modeling of UWB Antennas Using ConvolutionalNeural Networks”公开了一种使用卷积神经网络对超宽带天线进行参数化建模的方法。该方法能够直接处理天线图片，并对天线的反射系数曲线做出很好的预测，但是，这种方法并不能适用于具有不规则形状的天线结构，其图片样本的生成本质上只是改变了其原有矩形形状的长宽，并未引入能够进行其他不规则形状的描述参量。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于计算机视觉的天线形状的神经网络建模方法。
本发明所提出的技术问题是这样解决的：
一种基于计算机视觉的天线形状的神经网络建模方法，包括以下步骤：
步骤1.样本数据的生成
批量生成N个任意形状作为辐射贴片的形状，N为正整数，将辐射贴片形状不同、其他尺寸参数相同的微带天线俯视图作为样本集的输入数据，天线俯视图中的辐射贴片颜色与介质基板颜色不同；
利用经验公式或电磁仿真软件对N个辐射贴片形状不同、其他尺寸参数相同的微带天线进行批量仿真，获得其设定频段内的N组反射系数曲线作为样本集的输出数据；
样本集中90％的样本数据作为训练数据，其他样本数据作为测试数据；
步骤2.对天线俯视图进行预处理
步骤2-1.调整天线俯视图的分辨率至同一规格；
步骤2-2.对天线俯视图进行边缘检测，提取辐射贴片的形状轮廓；
步骤2-3.将提取的形状轮廓对应的像素矩阵二值化得到二值矩阵；
步骤3.提取形状描述子，并进行个数归一化
步骤3-1.对于二值矩阵，寻找非零元素区域的最小外接矩形；
步骤3-2.以最小外接矩形的四条边为基准，设定初始采样的像素单位个数，从矩形的上边开始，按顺时针顺序，依次对边垂直方向上最近的形状轮廓进行形状描述子的计算；
步骤3-3.计算所有训练样本的形状描述子个数的平均值，调整每个训练样本的采样的像素单位个数，使得每个训练样本的形状描述子个数等于平均值，完成形状描述子个数归一化；
步骤4.将训练样本中天线的形状描述子作为输入向量，天线在设定频段的反射系数作为输出向量，对神经网络进行训练；
步骤5.使用测试样本对完成训练的神经网络进行测试，将输出结果与利用经验公式或电磁仿真软件计算或仿真得到的结果进行对比，统计误差，若误差大于设定误差阈值，返回步骤1，否则转至步骤6；
步骤6.将设计需要的天线俯视图输入到神经网络模型中，能够得到天线在设定频段的反射系数。
本发明的有益效果是：
本发明所述方法结合计算机视觉技术，直接对天线图片进行识别和分析，确定辐射贴片的形状，提取形状描述子，交由神经网络进行学习和训练。本发明不但可以用于现有建模技术所适用的规则形状天线，而且可以用于现有建模技术不适用的不规则形状天线；本发明能够根据天线形状信息输出其对应的电磁参数，将其用于天线智能化设计，可以显著提高天线设计效率。
附图说明
图1为本发明所述方法的流程示意图；
图2为神经网络的结构示意图；
图3为调整采样像素单位个数的流程示意图；
图4为部分训练数据示意图；
图5为8方向遍历的编码规则示意图；
图6为一组测试样本的输入数据示意图；
图7为所有测试样本的平均误差百分比示意图；
图8为图6所示测试样本的拟合结果示意图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种基于计算机视觉的天线形状的神经网络建模方法，其流程示意图如图1所示，包括以下步骤：
步骤1.样本数据的生成
微带贴片天线包括辐射贴片、介质基板和金属地板；辐射贴片位于介质基板的上表面，金属地板位于介质基板的下表面；
批量生成2401个任意形状作为辐射贴片的形状，将辐射贴片形状不同、其他尺寸参数相同的微带天线俯视图作为样本集的输入数据，天线俯视图需满足辐射贴片颜色与介质基板颜色不同的要求；
利用商业电磁仿真软件HFSS对2401个辐射贴片形状不同、其他尺寸参数相同的微带天线进行批量仿真，获得其设定频段5.5GHz-6.5GHz内的2401组反射系数曲线作为样本集的输出数据；
样本集中2200个样本数据作为训练数据，部分训练数据示意图如图4所示，其他样本数据作为测试数据；
步骤2.使用计算机视觉对天线俯视图进行预处理
步骤2-1.将样本集中的天线俯视图的分辨率统一调整至60×80；
步骤2-2.对样本集中每一张天线俯视图运行现有的边缘检测算法，提取辐射贴片的形状轮廓；
步骤2-3.将辐射贴片的形状轮廓对应的像素矩阵转化为二值矩阵；
步骤3.提取形状描述子，并进行个数归一化
步骤3-1.对于二值矩阵，寻找非零元素区域的最小外接矩形；
步骤3-2.以最小外接矩形的四条边为基准，设定初始采样的像素单位个数，从矩形的上边开始，按顺时针顺序，依次对边垂直方向上最近的形状轮廓进行形状描述子的计算；
以长度为1的单位线段去贴合形状的轮廓，水平方向向右编码为0，每逆时针旋转45°编码+1，得到8方向遍历的编码0-7，如图5所示；按照编码规则依次首尾相连贴合所有的轮廓，得到一串数字链码作为该形状轮廓的形状描述子。
对所有微带天线俯视图都进行上述操作，得到每个样本对应的形状描述子。
步骤3-3.由于辐射贴片的形状轮廓周长各不相等，因此提取的形状描述子个数也不相同，所以需要对形状描述子的个数进行归一化。计算2200组训练样本的形状描述子个数的平均值为180，对每个训练样本的形状描述子都和平均值进行对比，若该样本形状描述子个数小于平均值，则缩短单位线段的长度，否则，增加单位线段的长度(即调整每个训练样本的采样的像素单位个数)，最终使得每个训练样本的形状描述子个数等于平均值，完成形状描述子个数归一化；调整采样密度的流程示意图如图3所示；
步骤4.将2200组训练样本中微带天线的形状描述子作为神经网络的输入向量，对应微带天线在设定频段的反射系数作为神经网络的输出向量，对神经网络进行训练，神经网络的结构示意图如图2所示，直到神经网络满足如下四个条件之一停止训练：
a)对样本进行第100次重复训练；
b)目标函数梯度不再下降；
c)与前一训练样本的训练误差不超过0.00004；
d)连续六次训练误差不降反升；
步骤5.使用201组测试样本对完成训练的神经网络进行测试，其中一组测试样本的输入数据如图6所示，将输出结果与利用经验公式或电磁仿真软件计算或仿真得到的结果进行对比，统计误差，若误差大于设定误差阈值，返回步骤1，否则转至步骤6；所有测试样本的平均误差百分比如图7所示，图6所示测试样本的拟合结果如图8所示。
步骤6.将设计需要的天线俯视图输入到神经网络模型中，能够得到天线在设定频段的反射系数，完成设计。

Claims (7)

1.一种基于计算机视觉的天线形状的神经网络建模方法，其特征在于，包括以下步骤：
步骤1.样本数据的生成
批量生成N个任意形状作为辐射贴片的形状，N为正整数，将辐射贴片形状不同、其他尺寸参数相同的微带天线俯视图作为样本集的输入数据，天线俯视图中的辐射贴片颜色与介质基板颜色不同；
利用经验公式或电磁仿真软件对N个辐射贴片形状不同、其他尺寸参数相同的微带天线进行批量仿真，获得设定频段内的N组反射系数曲线作为样本集的输出数据；
样本集中的样本数据分为训练数据和测试数据；
步骤2.对天线俯视图进行预处理
步骤2-1.调整天线俯视图的分辨率至同一规格；
步骤2-2.对天线俯视图进行边缘检测，提取辐射贴片的形状轮廓；
步骤2-3.将提取的形状轮廓对应的像素矩阵二值化得到二值矩阵；
步骤3.提取形状描述子，并进行个数归一化
步骤3-1.对于二值矩阵，寻找非零元素区域的最小外接矩形；
步骤3-2.以最小外接矩形的四条边为基准，设定初始采样的像素单位个数，从矩形的上边开始，按顺时针顺序，依次对边垂直方向上最近的形状轮廓进行形状描述子的计算；
步骤3-3.计算所有训练样本的形状描述子个数的平均值，调整每个训练样本的采样的像素单位个数，使得每个训练样本的形状描述子个数等于平均值，完成形状描述子个数归一化；
步骤4.将训练样本中天线的形状描述子作为输入向量，天线在设定频段的反射系数作为输出向量，对神经网络进行训练；
步骤5.使用测试样本对完成训练的神经网络进行测试，将输出结果与利用经验公式或电磁仿真软件计算或仿真得到的结果进行对比，统计误差，若误差大于设定误差阈值，返回步骤1，否则转至步骤6；
步骤6.将设计需要的天线俯视图输入到神经网络模型中，能够得到天线在设定频段的反射系数。
2.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，样本集中90％的样本数据作为训练数据，其他样本数据作为测试数据。
3.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，N＝2401，设定频段为5.5GHz-6.5GHz。
4.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，步骤2-1中，调整天线俯视图的分辨率至60×80。
5.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，步骤3-2中形状描述子的计算过程为：以长度为1的单位线段去贴合形状的轮廓，水平方向向右编码为0，每逆时针旋转45°编码+1，得到8方向遍历的编码0-7；按照编码规则依次首尾相连贴合所有的轮廓，得到一串数字链码作为该形状轮廓的形状描述子。
6.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，步骤3-3的具体过程为：计算所有训练样本的形状描述子个数的平均值，对每个训练样本的形状描述子都和平均值进行对比，若该样本形状描述子个数小于平均值，则缩短单位线段的长度，否则，增加单位线段的长度，最终使得每个训练样本的形状描述子个数等于平均值，完成形状描述子个数归一化。
7.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法，其特征在于，步骤四中，神经网络满足如下四个条件之一停止训练：
a)对样本进行第100次重复训练；
b)目标函数梯度不再下降；
c)与前一训练样本的训练误差不超过0.00004；
d)连续六次训练误差不降反升。
CN202110324954.8A 2021-03-26 2021-03-26 一种基于计算机视觉的天线形状的神经网络建模方法 Active CN113033099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324954.8A CN113033099B (zh) 2021-03-26 2021-03-26 一种基于计算机视觉的天线形状的神经网络建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324954.8A CN113033099B (zh) 2021-03-26 2021-03-26 一种基于计算机视觉的天线形状的神经网络建模方法

Publications (2)

Publication Number Publication Date
CN113033099A CN113033099A (zh) 2021-06-25
CN113033099B true CN113033099B (zh) 2022-05-03

Family

ID=76474157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324954.8A Active CN113033099B (zh) 2021-03-26 2021-03-26 一种基于计算机视觉的天线形状的神经网络建模方法

Country Status (1)

Country Link
CN (1) CN113033099B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722902B (zh) * 2021-08-23 2022-09-06 西安电子科技大学 基于神经网络的赋形反射面天线最佳吻合参数估计方法
CN116052003B (zh) * 2023-02-07 2024-05-14 中科星图数字地球合肥有限公司 一种天线角度信息的测量方法、装置及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102638296A (zh) * 2012-03-03 2012-08-15 天津理工大学 一种基于智能天线和神经网络算法的抗干扰方法
CN106207420A (zh) * 2014-11-14 2016-12-07 香港城市大学 带有寄生短路贴片的蝴蝶结短路贴片天线
CN110070096A (zh) * 2019-05-31 2019-07-30 中国科学院自动化研究所 针对非刚性形状匹配的局部频域描述子生成方法及装置
WO2020188063A1 (fr) * 2019-03-21 2020-09-24 Squaremind Procede de generation d'une surface tridimensionnelle de travail d'un corps humain, systeme
CN111898621A (zh) * 2020-08-05 2020-11-06 苏州大学 一种轮廓形状识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102638296A (zh) * 2012-03-03 2012-08-15 天津理工大学 一种基于智能天线和神经网络算法的抗干扰方法
CN106207420A (zh) * 2014-11-14 2016-12-07 香港城市大学 带有寄生短路贴片的蝴蝶结短路贴片天线
WO2020188063A1 (fr) * 2019-03-21 2020-09-24 Squaremind Procede de generation d'une surface tridimensionnelle de travail d'un corps humain, systeme
CN110070096A (zh) * 2019-05-31 2019-07-30 中国科学院自动化研究所 针对非刚性形状匹配的局部频域描述子生成方法及装置
CN111898621A (zh) * 2020-08-05 2020-11-06 苏州大学 一种轮廓形状识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Neural network solution of the circular loop antenna radiation problem;T. N. Kapetanakis 等;《2012 20th Telecommunications Forum (TELFOR)》;20121122;1193-1196 *
基于几何与形状特征的列车故障图像匹配算法研究;卢婷;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20140915(第9期);I138-972 *

Also Published As

Publication number Publication date
CN113033099A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113033099B (zh) 一种基于计算机视觉的天线形状的神经网络建模方法
CN107784661B (zh) 基于区域生长法的变电站设备红外图像分类识别方法
CN107239793B (zh) 多量化深度二值特征学习方法及装置
CN109544562B (zh) 基于图像的钢筋端面自动识别计数算法
Mi et al. A port container code recognition algorithm under natural conditions
CN109658381B (zh) 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法
CN107564017B (zh) 一种城市高分遥感影像阴影检测及分割方法
CN108629762B (zh) 一种骨龄评测模型减少干扰特征的图像预处理方法及系统
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN110287898A (zh) 一种光学卫星遥感影像云检测方法
CN114612469A (zh) 产品缺陷检测方法、装置、设备及可读存储介质
CN112016596B (zh) 基于卷积神经网络的农田土壤肥力评价方法
CN114894804A (zh) 一种精密标准件表面裂纹检测方法
CN112649793A (zh) 海面目标雷达点迹凝聚方法、装置、电子设备及存储介质
CN104200226B (zh) 基于机器学习的粒子滤波目标跟踪方法
CN111161300B (zh) 一种基于改进大津法的Niblack的图像分割方法
CN117314940B (zh) 基于人工智能的激光切割零件轮廓快速分割方法
Xiao et al. A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统
CN112784922A (zh) 智能云端医疗影像的提取和分类方法
CN105139422B (zh) 一种自解释目标跟踪方法及装置
CN109829511A (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN111488811A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN111369503B (zh) 一种基于卷积神经网络对图像中的铅笔进行精确计数的方法

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