CN114897800A - 基于SiC神经网络芯片的超高速X射线图像识别方法及装置 - Google Patents

基于SiC神经网络芯片的超高速X射线图像识别方法及装置 Download PDF

Info

Publication number
CN114897800A
CN114897800A CN202210437126.XA CN202210437126A CN114897800A CN 114897800 A CN114897800 A CN 114897800A CN 202210437126 A CN202210437126 A CN 202210437126A CN 114897800 A CN114897800 A CN 114897800A
Authority
CN
China
Prior art keywords
sic
neural network
ray image
network chip
speed
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.)
Pending
Application number
CN202210437126.XA
Other languages
English (en)
Inventor
王泽宇
宋金霖
吕雪梅
莫洪
汤晓斌
龚频
胡志猛
应红
施海宁
张涛
范敏郁
唐堂
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.)
Nanjing University of Aeronautics and Astronautics
Suzhou Nuclear Power Research Institute Co Ltd
Original Assignee
Nanjing University of Aeronautics and Astronautics
Suzhou Nuclear Power Research Institute Co Ltd
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 Nanjing University of Aeronautics and Astronautics, Suzhou Nuclear Power Research Institute Co Ltd filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210437126.XA priority Critical patent/CN114897800A/zh
Publication of CN114897800A publication Critical patent/CN114897800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种基于SiC神经网络芯片的超高速X射线图像识别方法及装置，所述方法包括利用SiC探测器构建类人眼视觉神经系统的SiC神经网络芯片，使所述SiC神经网络芯片具有超高速X射线图像感知能力，经过X射线图像数据集训练后，构成所述装置；所述装置具体包括：SiC神经网络芯片，所述SiC神经网络芯片是经过特殊排布的SiC阵列探测器，用于接收X射线，并将所述X射线转化为电信号；像素权重调制单元，为所述SiC阵列探测器提供反向偏压，使所述SiC阵列探测器的每一个像素对X射线具有不同的响应能力；信号读出系统，接收并处理所述电信号，输出象征图像识别结果的信号矩阵。该方法及装置适用于强辐射场的X射线图像超高速识别，可突破现有X射线图像识别方法与装置的速度极限。

Description

基于SiC神经网络芯片的超高速X射线图像识别方法及装置
技术领域
本发明涉及X射线图像高速探测领域，具体涉及一种基于SiC神经网络芯片的超高速X射线图像识别方法及装置。
背景技术
X射线图像高速探测技术是利用阵列式X射线图像传感器收集穿透待测物体的X射线束，将光子能量转换为电信号后，通过电子学读出系统和计算机图像处理与分析算法，再现待测物体内部结构图像进而提取有效信息的技术。
生命、医药、材料、物理、化学、天文等学科领域的科技进步很大程度上依赖于对物质内部变化规律的动力学研究，X射线图像高速探测技术便在其中发挥了重要作用。X射线图像探测的速度直接决定了上述学科领域研究能够达到的时间精度，对于相关科学技术的发展十分重要。随着待测X射线光源速度的不断提高，X射线图像高速探测技术面临着巨大的挑战。
现有X射线图像高速探测技术首先用像素化的X射线图像传感器(CCD或CMOS)将X射线转换为模拟电信号，经过前端电子学放大处理后做A/D转换和数字信号处理，最后通过算法程序进行图像重建和图像识别。X射线从进入图像传感器开始，光电转换、模拟信号处理、数字信号处理、图像重建、图像识别这些过程的每个环节均会产生时间延迟。虽然前两个步骤，X射线光电转换和前端信号读出的时间间隔只有不到1μs，但是大量像素化的信号经过A/D转换和数字信号处理后时间延时已增加到了ms级(连续测量的条件下)，随后的图像重建和图像识别过程将延时进一步增加到数秒甚至数分钟以上。利用硬件加速和新的算法设计可以对图像信号处理和图像识别计算的速度予以优化，但是处理速度已逼近现有GPU和FPGA等硬件条件所能达到的理论极限(μs～ms)，远远满足不了现有X射线光源的探测速度需求(ps～ns)。此外X射线图像高速探测系统在空间、反应堆、加速器等辐射环境得到越来越多的应用，要求探测设备在辐射环境中具有长期服役稳定性，即具有良好的抗辐照性能。而现有X射线图像传感器均采用Si基探测器，抗辐照能力有待提升。
发明内容
针对现有X射线图像高速探测技术难以突破速度极限的问题以及对X射线图像传感器抗辐照性能的需求，本发明申请提出一种基于SiC神经网络芯片的超高速X射线图像识别方法及装置。
具体地，本发明涉及一种基于SiC神经网络芯片的超高速X射线图像识别方法：利用耐辐照的SiC探测器参照人眼视觉神经系统图像信息处理机制构建SiC神经网络芯片，使所述SiC神经网络芯片具有超高速X射线图像感知能力，经过X射线图像数据集训练后，构成一种基于SiC神经网络芯片的超高速X射线图像识别装置。
进一步地，利用如上所述的基于SiC神经网络芯片的超高速X射线图像识别方法，构建了基于SiC神经网络芯片的超高速X射线图像识别装置。
进一步地，如上所述的基于SiC神经网络芯片的超高速X射线图像识别装置包括：SiC神经网络芯片，所述SiC神经网络芯片是经过特殊排布的SiC阵列探测器，用于接收X射线，并将所述X射线转化为电信号；像素权重调制单元，为所述SiC阵列探测器提供反向偏压，使所述SiC阵列探测器的每一个SiC像素对X射线具有不同的响应能力；信号读出系统，采集并处理所述电信号，为所述SiC神经网络芯片提供激活函数，输出象征图像识别结果的SiC神经网络芯片输出信号矩阵；
进一步地，其中，所述SiC神经网络芯片、所述像素权重调制单元与所述信号读出系统共同构成SiC神经网络的输入层、隐含层与输出层，可实现X射线图像学习过程并最终获得超高速X射线图像识别能力。
进一步地，其中，如上所述的SiC神经网络芯片的神经网络构建方式包括：所述SiC神经网络芯片的基础结构是呈正方形矩阵排布的n×n个SiC像素；每相邻m×m个所述SiC像素合并为一个SiC神经元，共获得n/m×n/m个所述SiC神经元以构成所述神经网络的输入层；每个所述SiC神经元中相同编号的所述SiC像素利用金属导线合并输出以构成所述神经网络的隐含层神经元，所述隐含层神经元数量为m×m；每相邻r×r个所述隐含层神经元合并为一个输出层神经元，所述输出层神经元的数量为m/r×m/r。
进一步地，其中，如上所述的像素权重调制单元包括：可调升压电路，具有多路可调电源输出，为所述SiC像素提供不同偏置电压，使所述SiC像素对X射线的响应能力不同以达到施加权重值的作用，即构建X射线光电响应权重矩阵；稳压电路，保证所述X射线光电响应权重矩阵的稳定性。
进一步地，其中，如上所述的X射线光电响应权重矩阵具有可重构性，在利用X射线图像数据集训练所述SiC神经网络，即SiC神经网络芯片学习X射线图像的过程中，所述X射线光电响应权重矩阵不断进行调整，直至该过程结束。
进一步地，其中，如上所述的信号读出系统包括：前置放大器，与所述隐含层神经元末端相连接，收集所述SiC像素因X射线能量沉积所产生的电信号，并放大所述电信号以获得可被识别的电压脉冲信号；激活函数电路，变换所述电压脉冲信号，变换前后的信号满足激活函数映射关系以实现神经网络的激活函数；信号输出电路，与所述输出层神经元末端相连接，输出象征X射线图像识别结果的所述SiC神经网络芯片输出信号矩阵。
进一步地，如上所述的信号读出系统作用于所述神经网络隐含层与输出层之间，实现所述SiC神经网络芯片的激活功能。
进一步地，其中，如上所述的SiC神经网络芯片输出信号矩阵，最终可视化为“0/1”矩阵，每一种“0/1”组合模式代表一种X射线图像识别结果。
本发明还涉及基于SiC神经网络芯片的超高速X射线图像识别计算方法，其中，所述SiC神经网络的输出信号矩阵依据如下公式计算：
Figure BDA0003610947340000051
Figure BDA0003610947340000052
Figure BDA0003610947340000053
Figure BDA0003610947340000054
i，i′＝1，2，...，n
j，j′＝1，2，...，m
k，k′＝1，2，...，r
其中，Z表示所述SiC神经网络的输出信号矩阵；n，m，r分别表示所述SiC神经网络输入层、隐含层和输出层神经元矩阵的行列数；i，i′，j，j′，k，k′分别表示所述SiC神经网络输入层、隐含层和输出层神经元坐标；xii′，yjj′，zkk′分别表示所述SiC神经网络输入层、隐含层和输出层神经元输出值；wii′表示所述SiC神经网络输入层神经元的权重值；W表示所述X射线光电响应权重矩阵；f表示神经网络的激活函数；g表示变化点不为零的阶跃函数。
背景技术部分的内容仅仅是发明人所知晓的技术，并不当然代表本领域的全部现有技术。
附图说明
图1示出背景技术中常规X射线图像识别探测的过程简图，及相关探测过程所需的时间尺度。
图2示出本申请中的基于SiC神经网络芯片的超高速X射线图像识别方法示意图，及其进行X射线图像识别所需的时间尺度。
图3示出本申请中的基于SiC神经网络芯片的超高速X射线图像识别装置结构示意图。
图4示出本申请中的SiC神经网络芯片的神经网络构建方案示意图。
图5示出本申请中的SiC神经网络芯片的神经网络训练过程及SiC像素权重值调制方式示意图。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。
本发明提供了一种基于SiC神经网络芯片的超高速X射线图像识别方法，和利用基于SiC神经网络芯片的超高速X射线图像识别方法所构建的基于SiC神经网络芯片的超高速X射线图像识别装置。图2示出本申请中的基于SiC神经网络芯片的超高速X射线图像识别方法示意图，及其进行X射线图像识别所需的时间尺度。图3示出本申请中的基于SiC神经网络芯片的超高速X射线图像识别装置结构示意图。图4示出本申请中的SiC神经网络芯片的神经网络构建方案示意图。图5示出本申请中的SiC神经网络芯片的神经网络训练过程及SiC像素权重值调制方式示意图。
由图1和图2所示，相比传统X射线图像识别探测方法，本申请提出的基于SiC神经网络芯片的超高速X射线图像识别方法，在X射线探测端利用像素化探测器阵列构建神经网络，直接输出X射线图像识别结果，省略耗时的图像处理与分析运算过程，将X射线图像识别速率从ms量级提升到ns量级，突破现有X射线图像识别方法与装置的速度极限，实现X射线图像的超高速识别。
由图3所示，本申请提供的基于SiC神经网络芯片的超高速X射线图像识别装置，包括SiC神经网络芯片3，信号读出系统4和像素权重调制单元5。
由图3所示，X射线束1穿透待测目标2，在本申请的基于SiC神经网络芯片的超高速X射线图像识别装置的SiC神经网络芯片3上沉积能量，产生电信号。信号读出系统4，采集并处理SiC神经网络芯片输出的电信号，并为SiC神经网络芯片提供激活函数，最终输出象征图像识别结果的SiC神经网络芯片输出信号矩阵6。此外，像素权重调制单元5，为SiC神经网络芯片3提供反向偏压，使SiC神经网络芯片3的每一个SiC像素对X射线具有不同的响应能力。SiC神经网络芯片3、信号读出系统4与像素权重调制单元5，三者共同构成SiC神经网络的输入层、隐含层与输出层，使SiC神经网络芯片具有X射线图像感知能力。
由图4所示，本实施例以8×8SiC像素阵列探测器构建SiC神经网络芯片3。每相邻4×4个SiC像素合并为一个SiC神经网络输入层神经元31，共获得2×2个SiC神经网络输入层神经元31，以构成SiC神经网络的输入层；每个SiC神经网络输入层神经元31中相同编号(a，b，c......)的SiC像素利用金属导线合并输出，以构成SiC神经网络隐含层神经元32，数量为4×4；每相邻2×2个SiC神经网络隐含层神经元32合并为一个SiC神经网络输出层神经元33，数量为2×2。
本实施例以8×8SiC像素阵列探测器构建SiC神经网络芯片3，仅是为了清晰阐述SiC神经网络的构建原理，不代表实际应用中SiC神经网络芯片3的SiC像素数量，SiC神经网络芯片3的SiC像素数量可根据X射线图像识别目标数量进行再设置。
由图4所示，本申请所提出的基于SiC神经网络芯片的超高速X射线图像识别装置的SiC神经网络输出信号矩阵6依据如下公式计算：
Figure BDA0003610947340000081
Figure BDA0003610947340000091
Figure BDA0003610947340000092
Figure BDA0003610947340000093
i，i′＝1，2，...，n
j，j′＝1，2，...，m
k，k′＝1，2，...，r
其中，Z表示所述SiC神经网络的输出信号矩阵；n，m，r分别表示所述SiC神经网络输入层、隐含层和输出层神经元矩阵的行列数(在本实施例中n＝8；m＝4；r＝2)；i，i′，j，j′，k，k′分别表示所述SiC神经网络输入层、隐含层和输出层神经元坐标；xii′，yjj′，zkk′分别表示所述SiC神经网络输入层、隐含层和输出层神经元输出值；wii′表示所述SiC神经网络输入层神经元的权重值；W表示所述X射线光电响应权重矩阵；f表示神经网络的激活函数；g表示变化点不为零的阶跃函数。
本申请提出的基于SiC神经网络芯片的超高速X射线图像识别装置的X射线光电响应权重矩阵由像素权重调制单元5提供。像素权重调制单元5包括：可调升压电路和稳压电路，具有多路可调电源输出，为SiC像素提供不同偏置电压，使SiC像素对X射线的响应能力不同以达到施加权重值的目的。
本申请提出的基于SiC神经网络芯片的超高速X射线图像识别装置的激活函数f选用的是sigmoid函数，通过信号读出系统4实现。
本申请提出的基于SiC神经网络芯片的超高速X射线图像识别装置的信号读出系统4，包括：前置放大器、激活函数电路和信号输出电路。当SiC神经网络芯片3有X射线能量沉积时，与SiC神经网络隐含层神经元末端相连接的信号读出系统4的前置放大器，收集SiC像素因X射线能量沉积所产生的电信号，并放大所述电信号以获得可被识别的电压脉冲信号；随后信号读出系统4的激活函数电路，变换所述电压脉冲信号，变换前后的信号满足激活函数映射关系以实现神经网络的激活函数；信号输出电路合并SiC神经网络隐含层神经元以构建SiC神经网络输出层神经元，通过施密特触发器实现变化点不为零的阶跃函数，最终输出象征X射线图像识别结果的所述SiC神经网络芯片输出信号矩阵。
由图3和图4所示，本发明提出的基于SiC神经网络芯片的超高速X射线图像识别装置的SiC神经网络芯片输出信号矩阵实际上是“0/1”矩阵，每一种“0/1”组合模式代表一种X射线图像识别结果，本实施例具有16种X射线图像识别结果。
由图5所示，本发明还示出了基于SiC神经网络芯片的超高速X射线图像识别装置的训练过程示意图。将待测X射线图像增加不同的高斯噪声以模拟X射线探测器所能探测到的图像，从而构建X射线图像训练集。基于所述训练集和SiC神经网络芯片输出信号矩阵计算公式在计算机上完成神经网络的训练后，提取神经网络的权重值。所述权重值是取值范围0-1的8×8实数矩阵，经过数值转换，换算为SiC像素的偏置电压值矩阵，按照该偏置电压值矩阵设置像素权重调制单元5，完成神经网络从软件向硬件的转化。通过实测进行SiC神经网路芯片训练结果检验。至此，已完成本申请提出的基于SiC神经网络芯片的超高速X射线图像识别装置的构建。
本申请提出的基于SiC神经网络芯片的超高速X射线图像识别方法及装置可突破现有X射线图像识别方法与装置的速度极限，将X射线图像识别速率从ms量级提升到ns量级。此外，由于SiC探测器具有优良的抗辐照性能，本申请提出的基于SiC神经网络芯片的超高速X射线图像识别装置，适用于强辐射场的X射线图像超高速识别探测。
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (10)

1.一种基于SiC神经网络芯片的超高速X射线图像识别方法：
利用耐辐照的SiC探测器参照人眼视觉神经系统图像信息处理机制构建SiC神经网络芯片，使所述SiC神经网络芯片具有超高速X射线图像感知能力，经过X射线图像数据集训练后，构成一种基于SiC神经网络芯片的超高速X射线图像识别装置。
2.如权利要求1所述的基于SiC神经网络芯片的超高速X射线图像识别装置，具体包括：
SiC神经网络芯片，所述SiC神经网络芯片是经过特殊排布的SiC阵列探测器，用于接收X射线，并将所述X射线转化为电信号；
像素权重调制单元，为所述SiC阵列探测器提供反向偏压，使所述SiC阵列探测器的每一个SiC像素对X射线具有不同的响应能力；
信号读出系统，采集并处理所述电信号，为所述SiC神经网络芯片提供激活函数，输出象征图像识别结果的SiC神经网络芯片输出信号矩阵。
3.如权利要求2所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述SiC神经网络芯片、所述像素权重调制单元与所述信号读出系统共同构成SiC神经网络的输入层、隐含层与输出层，可实现X射线图像学习过程并最终获得超高速X射线图像识别能力。
4.如权利要求2所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述SiC神经网络芯片的神经网络构建方式如下：
所述SiC神经网络芯片的基础结构是呈正方形矩阵排布的n×n个SiC像素；
每相邻m×m个所述SiC像素合并为一个SiC神经元，共获得n/m×n/m个所述SiC神经元以构成所述神经网络的输入层；
每个所述SiC神经元中相同编号的所述SiC像素利用金属导线合并输出以构成所述神经网络的隐含层神经元，所述隐含层神经元数量为m×m；
每相邻r×r个所述隐含层神经元合并为一个输出层神经元，所述输出层神经元的数量为m/r×m/r。
5.如权利要求2所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述像素权重调制单元包括：
可调升压电路，具有多路可调电源输出，为所述SiC像素提供不同偏置电压，使所述SiC像素对X射线的响应能力不同以达到施加权重值的作用，即构建X射线光电响应权重矩阵；
稳压电路，保证所述X射线光电响应权重矩阵的稳定性。
6.如权利要求5所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述X射线光电响应权重矩阵具有可重构性，在利用X射线图像数据集训练所述SiC神经网络，即SiC神经网络芯片学习X射线图像的过程中，所述X射线光电响应权重矩阵不断进行调整，直至该过程结束。
7.如权利要求2或4所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述的信号读出系统包括：
前置放大器，与所述隐含层神经元末端相连接，收集所述SiC像素因X射线能量沉积所产生的电信号，并放大所述电信号以获得可被识别的电压脉冲信号；
激活函数电路，变换所述电压脉冲信号，变换前后的信号满足激活函数映射关系以实现神经网络的激活函数；
信号输出电路，与所述输出层神经元末端相连接，输出象征X射线图像识别结果的所述SiC神经网络芯片输出信号矩阵。
8.如权利要求7所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述的信号读出系统作用于所述神经网络隐含层与输出层之间，实现所述SiC神经网络芯片的激活功能。
9.如权力要求7所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中所述的SiC神经网络芯片输出信号矩阵，最终可视化为“0/1”矩阵，每一种“0/1”组合模式代表一种X射线图像识别结果。
10.如权利要求1-9任一所述的基于SiC神经网络芯片的超高速X射线图像识别装置，其中，所述SiC神经网络的输出信号矩阵依据如下公式计算：
Figure FDA0003610947330000041
Figure FDA0003610947330000042
Figure FDA0003610947330000043
Figure FDA0003610947330000044
i，i′＝1，2，...，n
j，j′＝1，2，...，m
k，k′＝1，2，...，r
其中，Z表示所述SiC神经网络的输出信号矩阵；n，m，r分别表示所述SiC神经网络输入层、隐含层和输出层神经元矩阵的行列数；i，i′，j，j′，k，k′分别表示所述SiC神经网络输入层、隐含层和输出层神经元坐标；xii′，yjj′，zkk′分别表示所述SiC神经网络输入层、隐含层和输出层神经元输出值；wii′表示所述SiC神经网络输入层神经元的权重值；W表示所述X射线光电响应权重矩阵；f表示神经网络的激活函数；g表示变化点不为零的阶跃函数。
CN202210437126.XA 2022-04-22 2022-04-22 基于SiC神经网络芯片的超高速X射线图像识别方法及装置 Pending CN114897800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210437126.XA CN114897800A (zh) 2022-04-22 2022-04-22 基于SiC神经网络芯片的超高速X射线图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210437126.XA CN114897800A (zh) 2022-04-22 2022-04-22 基于SiC神经网络芯片的超高速X射线图像识别方法及装置

Publications (1)

Publication Number Publication Date
CN114897800A true CN114897800A (zh) 2022-08-12

Family

ID=82717777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210437126.XA Pending CN114897800A (zh) 2022-04-22 2022-04-22 基于SiC神经网络芯片的超高速X射线图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN114897800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635614A (zh) * 2024-01-25 2024-03-01 南京航空航天大学 一种超快x射线成像无损检测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101606846A (zh) * 2009-07-10 2009-12-23 中国科学技术大学 基于神经网络定位器的pet探测器信号处理设备
CN105512723A (zh) * 2016-01-20 2016-04-20 南京艾溪信息科技有限公司 一种用于稀疏连接的人工神经网络计算装置和方法
CN106485317A (zh) * 2016-09-26 2017-03-08 上海新储集成电路有限公司 一种神经网络加速器以及神经网络模型的实现方法
CN106934426A (zh) * 2015-12-29 2017-07-07 三星电子株式会社 基于图像信号处理的神经网络的方法和设备
CN107480782A (zh) * 2017-08-14 2017-12-15 电子科技大学 一种片上学习神经网络处理器
US20180018559A1 (en) * 2016-07-14 2018-01-18 University Of Dayton Analog neuromorphic circuits for dot-product operation implementing resistive memories
CN110265500A (zh) * 2019-06-11 2019-09-20 中国科学院高能物理研究所 一种4H-SiC像素肖特基辐射探测器及其制备方法
JP2020009112A (ja) * 2018-07-06 2020-01-16 株式会社デンソー ニューラルネットワーク回路
CN111110262A (zh) * 2020-01-07 2020-05-08 京东方科技集团股份有限公司 X射线成像系统及x射线成像方法
CN111866930A (zh) * 2020-07-21 2020-10-30 西北大学 基于机器学习的射频信号检测方法及系统
CN111967586A (zh) * 2020-07-15 2020-11-20 北京大学 一种用于脉冲神经网络存内计算的芯片及计算方法
CN113365007A (zh) * 2021-05-28 2021-09-07 浙江大学 一种基于二维材料的神经网络图像传感器阵列架构
US20210382516A1 (en) * 2018-11-22 2021-12-09 Nanjing University Photoelectric computing unit, photoelectric computing array, and photoelectric computing method

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101606846A (zh) * 2009-07-10 2009-12-23 中国科学技术大学 基于神经网络定位器的pet探测器信号处理设备
CN106934426A (zh) * 2015-12-29 2017-07-07 三星电子株式会社 基于图像信号处理的神经网络的方法和设备
CN105512723A (zh) * 2016-01-20 2016-04-20 南京艾溪信息科技有限公司 一种用于稀疏连接的人工神经网络计算装置和方法
US20180018559A1 (en) * 2016-07-14 2018-01-18 University Of Dayton Analog neuromorphic circuits for dot-product operation implementing resistive memories
CN106485317A (zh) * 2016-09-26 2017-03-08 上海新储集成电路有限公司 一种神经网络加速器以及神经网络模型的实现方法
CN107480782A (zh) * 2017-08-14 2017-12-15 电子科技大学 一种片上学习神经网络处理器
JP2020009112A (ja) * 2018-07-06 2020-01-16 株式会社デンソー ニューラルネットワーク回路
US20210382516A1 (en) * 2018-11-22 2021-12-09 Nanjing University Photoelectric computing unit, photoelectric computing array, and photoelectric computing method
CN110265500A (zh) * 2019-06-11 2019-09-20 中国科学院高能物理研究所 一种4H-SiC像素肖特基辐射探测器及其制备方法
CN111110262A (zh) * 2020-01-07 2020-05-08 京东方科技集团股份有限公司 X射线成像系统及x射线成像方法
CN111967586A (zh) * 2020-07-15 2020-11-20 北京大学 一种用于脉冲神经网络存内计算的芯片及计算方法
CN111866930A (zh) * 2020-07-21 2020-10-30 西北大学 基于机器学习的射频信号检测方法及系统
CN113365007A (zh) * 2021-05-28 2021-09-07 浙江大学 一种基于二维材料的神经网络图像传感器阵列架构

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635614A (zh) * 2024-01-25 2024-03-01 南京航空航天大学 一种超快x射线成像无损检测方法及系统
CN117635614B (zh) * 2024-01-25 2024-04-02 南京航空航天大学 一种超快x射线成像无损检测方法及系统

Similar Documents

Publication Publication Date Title
CN101606846B (zh) 基于神经网络定位器的pet探测器信号处理设备
Chatterjee et al. Extraction of binary black hole gravitational wave signals from detector data using deep learning
CN109063741B (zh) 一种基于希尔伯特曲线变换与深度学习的能谱分析方法
CN109613556B (zh) 基于稀疏表征的光子计数激光三维探测成像方法
Wang et al. RSCNet: A residual self-calibrated network for hyperspectral image change detection
CN114897800A (zh) 基于SiC神经网络芯片的超高速X射线图像识别方法及装置
Chapman et al. Understanding the nature of optically faint radio sources and their connection to the submillimeter population
KR20240051944A (ko) 이미지 차이 식별
Gagne et al. Signal detectability in digital radiography: spatial domain figures of merit
Ferreira et al. Detection of drugs and explosives using neutron computerized tomography and artificial intelligence techniques
Zeng et al. Accurate quantitative analysis of libs with image form spectra by using a hybrid deep learning model of a convolutional block attention module-convolutional neural network-long short-term memory
Strelkova et al. Methods of reception and signal processing in machine vision systems
CN106842195B (zh) 基于计算关联成像的多物体同时成像及加密方法
Lyard et al. Probing Neural Networks for the Gamma/Hadron Separation of the Cherenkov Telescope Array
Schölkopf et al. Removing systematic errors for exoplanet search via latent causes
Chen et al. Human activity classification with radar based on Multi-CNN information fusion
Ma et al. An energy-based pulsar period estimation method using Hilbert curve and double CNNs
Cennini et al. A neural network approach for the TPC signal processing
Sun et al. Waveform LiDAR signal denoising based on connected domains
Vilalta et al. Development of pattern recognition software for tracks of ionizing radiation in medipix2-based (timepix) pixel detector devices
Rizzo et al. Quantum Convolutional Neural Networks for the detection of Gamma-Ray Bursts in the AGILE space mission data
Ai et al. Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks
Zhang et al. An FCN-based transfer-learning method for spatial infrared moving-target recognition
AU2022331699B2 (en) Image difference identification
CN108537809A (zh) 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法

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