CN115690255B - 基于卷积神经网络的ct图像去伪影方法、装置及系统 - Google Patents
基于卷积神经网络的ct图像去伪影方法、装置及系统 Download PDFInfo
- Publication number
- CN115690255B CN115690255B CN202310007652.7A CN202310007652A CN115690255B CN 115690255 B CN115690255 B CN 115690255B CN 202310007652 A CN202310007652 A CN 202310007652A CN 115690255 B CN115690255 B CN 115690255B
- Authority
- CN
- China
- Prior art keywords
- image
- lithium battery
- neural network
- convolutional neural
- images
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 45
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 109
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003631 expected effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 18
- 229910052751 metal Inorganic materials 0.000 description 13
- 239000002184 metal Substances 0.000 description 13
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011031 large-scale manufacturing process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的CT图像去伪影方法、装置及系统，方法包括：采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；建立卷积神经网络模型；将训练集输入至卷积神经网络模型，带伪影图像经计算之后获得预测图像，计算预测图像和真实图像的损失值，根据损失值调整梯度并更新网络参数，直到卷积神经网络模型收敛；采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像；该方法能够有效提高锂电池检测的效率。
Description
技术领域
本发明涉及锂电池检测技术领域，尤其涉及一种基于卷积神经网络的CT图像去伪影方法、装置及系统。
背景技术
作为锂离子电池安全性和电池容量的关键评价因素，正负极片的尺寸数据具有决定性的参考价值。X射线检测是最常用的无损检测方法之一，目前逐渐被应用于工业生产中的锂离子电池极片尺寸的测量。目前X射线检测锂离子电池多为平面成像，缺失的三维信息会让不良的电池被认定为良品，从而被安装上电车，为乘车人带来安全隐患。
CT影像技术可以搜集到被检测物品的三维信息，运用于锂离子电池的检测可以大大提高电池的质量。目前CT检测锂电池一般采用离线检测：锂离子电池安装在测试平台，经过一定的角度后停止运动，进行拍照，完成拍照后再进行旋转，如此往复可以获得连续角度变动下电池极片的影像。这种间断式的采集CT图像方法会耗费大量的时间，无法匹配上电池生产流水线的节拍，导致工厂产能大大降低。所以目前CT检测锂离子电池的方法主要用于离线检测，多为人工抽检，不适用于工厂大规模生产的线上检测。
而采用连续采集的方式，让盛放电池的平台进行连续转动，CT系统按照设定的角度或者时间间隔自动拍照，可以解决采集图像耗费大量时间的问题，但使用该方案采集到的图像会产生伪影。这种伪影的产生是CT检测的平板探测器技术限制导致的。关键点在于平板探测器的拍照速度最高为每秒60张（即拍照时间为1/60s），此速度相较于电池在平台上的转动速度来说是不够的。当平板探测器完成一次拍照，已经接收了电池在多个角度位置下的运动图像信息，图像信息（灰度）的叠加造成的结果导致了图像变得模糊，产生伪影。按照类型可以将伪影分为条纹、阴影以及模糊三种。伪影会对锂电池极片的尺寸测量产生干扰，从而影响产品质量检测的精确度。因此，解决运动中锂离子电池CT图像的伪影，是提高电池检测效率，让CT检测速度跟上流水线节拍并应用于工厂大规模生产检测场景的关键。
常见解决CT伪影的方法有插值法，迭代法以及同时使用这两种方法的迭代差值法。插值法由于其生成图像速度快的特性曾被广泛应用于CT去除伪影，例如，专利文献CN114067017A公开了一种CT影像去金属伪影的方法，包括步骤：(1)采集原始投影序列图像；(2)对原始投影序列图像进行重建得到含金属伪影的重建图像；(3)提取重建图像中的金属区域；(4)将金属区域正投影至原始投影序列图像中每一图像所对应的投影平面上得到对应的金属投影序列图像；(5)对金属投影序列图像中的各个金属区域进行校正，并在原始投影序列图像上对校正后的金属区域进行线性插值得到插值图像，去除金属图像；(6)将插值图像进行重建得到去除金属及金属伪影的图像，并将其与步骤(3)得到的金属区域图像重合得到最终去除金属伪影的投影序列图像。利用原图像的信息对重投影的图像进行校正，能够完整地去除金属伪影。但生成的图像质量与真实图像（无伪影不失真图像）相比，PSNR与SSIM都偏低。与插值法不同，迭代法生成的图像质量高，但是所花费的时间更多。迭代插值法，在一定程度上结合了两种方法的优点，但随着生产规模和生产要求的不断提高，不管是质量还是速度上，这种方法都已经满足不了实际生产需求。
发明内容
本发明提供了一种基于卷积神经网络的CT图像去伪影方法、装置及系统，能够去除运动中锂离子电池CT图像的伪影，提高电池检测效率。
一种基于卷积神经网络的CT图像去伪影方法，包括：
采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
建立卷积神经网络模型；
将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
进一步地，采集连续生成的第一锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台连续旋转，通过CT系统按照预设角度或者预设时间间隔采集锂电池图像，获得第一锂电池CT图像集；
采集间断生成的第二锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台旋转预设角度或者按照预设时间间隔旋转之后停止，停止之后通过CT系统采集锂电池图像，获得第二锂电池CT图像集。
进一步地，根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，包括：
将所述第一锂电池CT图像集和所述第二锂电池CT图像集在相同预设角度或者相同预设时间间隔下采集的图像进行对应，获得成对的带伪影图像和真实图像作为训练集。
进一步地，所述卷积神经网络模型包括特征提取模块、记忆模块以及重构模块，所述记忆模块的数量为多个；
所述特征提取模块用于对所述带伪影图像进行特征提取获得特征图，所述记忆模块用于根据所述特征图提取不同接受域的特征，所述重构模块用于将记忆模块输出的不同接受域的特征进行重构，获得预测图像。
进一步地，所述记忆模块包括门控单元和多个稠密连接卷积模块，所述多个稠密连接卷积模块用于对所述特征图或者上一记忆模块输出的特征进行卷积操作，所述门控单元用于接收不同稠密连接卷积模块输出的卷积结果，并按照门控权重参数保留部分卷积结果以及舍弃部分卷积结果，将保留的卷积结果作为特征输出至下一记忆模块以及所述重构模块；
所述重构模块按照重构权重参数将各个记忆模块输出的特征进行加权求和，获得所述预测图像；
所述网络参数包括门控权重参数和重构权重参数，在迭代过程中进行更新。
进一步地，所述多个记忆模块包括浅层记忆模块和深层记忆模块，所述浅层记忆模块中的门控单元控制伪影、拖尾以及噪声的输出，所述深层记忆模块中的门控单元控制相邻区域之间的特征输出。
进一步地，所述卷积神经网络模型收敛之后，还包括：
采集测试图像，并将所述测试图像输入至收敛后的卷积神经网络模型，获得测试用预测图像，计算所述测试用预测图像和对应的真实图像的PSNR值与SSIM值，根据所述PSNR值与SSIM值对所述卷积神经网络模型进行评价。
进一步地，输出去伪影后的锂电池CT图像之后，还包括：
将去伪影后效果低于预期的锂电池CT图像加入至训练集，对所述卷积神经网络模型进行进一步优化。
一种应用于上述方法的基于卷积神经网络的CT图像去伪影装置，其特征在于，包括：
采集模块，用于采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
图像处理模块，用于根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
模型建立模块，用于建立卷积神经网络模型；
训练模块，用于将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
输出模块，用于采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
一种基于卷积神经网络的CT图像去伪影系统，包括CT系统、旋转平台、处理器以及存储装置，所述旋转平台用于放置锂电池，所述CT系统用于对旋转平台上的锂电池进行拍照，所述存储装置存储有多条指令，所述处理器用于读取所述多条指令并执行上述的方法。
本发明提供的基于卷积神经网络的CT图像去伪影方法、装置及系统，至少包括如下有益效果：
（1）通过连续生成和间断生成的锂电池CT图像训练卷积神经网络模型，经前向传播和反向传播进行模型训练，收敛后的卷积神经网络模型可直接用于连续生成的锂电池CT图像的去伪影处理，快速高效解决CT连续成像时产生的运动伪影问题，并且可以获得较高的图像质量，提高锂电池的检测效率，更适用于大规模的生产。
（2）卷积神经网络模型的记忆模块，自适应学习不同接受域下的多层表征，控制伪影、拖尾、噪声的输出，分辨拖尾伪影与真实图像的区域边缘，实现不带伪影的预测图像的输出，准确性高，可靠性强。
附图说明
图1为本发明提供的基于卷积神经网络的CT图像去伪影方法一种实施例的流程图。
图2为本发明提供的基于卷积神经网络的CT图像去伪影方法中卷积神经网络模型一种实施例的结构示意图。
图3为本发明提供的基于卷积神经网络的CT图像去伪影方法中记忆模块一种实施例的结构示意图。
图4为本发明提供的基于卷积神经网络的CT图像去伪影方法的逻辑图。
图5为本发明提供的基于卷积神经网络的CT图像去伪影方法另一种实施例的流程图。
图6为本发明提供的基于卷积神经网络的CT图像去伪影装置一种实施例的结构示意图。
图7为本发明提供的基于卷积神经网络的CT图像去伪影系统一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，在一些实施例中，提供一种基于卷积神经网络的CT图像去伪影方法，包括：
S1、采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
S2、根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
S3、建立卷积神经网络模型；
S4、将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
S5、采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
具体地，步骤S1中，采集连续生成的第一锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台连续旋转，通过CT系统按照预设角度或者预设时间间隔采集锂电池图像，获得第一锂电池CT图像集；
采集间断生成的第二锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台旋转预设角度或者按照预设时间间隔旋转之后停止，停止之后通过CT系统采集锂电池图像，获得第二锂电池CT图像集。
进一步地，步骤S2中，根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，包括：
将所述第一锂电池CT图像集和所述第二锂电池CT图像集在相同预设角度或者相同预设时间间隔下采集的图像进行对应，获得成对的带伪影图像和真实图像作为训练集。
具体地，连续生成的第一锂电池CT图像集中的图像是带伪影图像，而间断生成的第二锂电池CT图像集为不带伪影的图像，即真实图像，将锂电池同一位置下的带伪影图像和真实图像进行对应。
进一步地，参考图2，步骤S3，所述卷积神经网络模型包括特征提取模块101、记忆模块102以及重构模块103，其中，记忆模块102的数量为多个；
特征提取模块101用于对所述带伪影图像进行特征提取获得特征图，记忆模块102用于根据所述特征图提取不同接受域的特征，重构模块103用于将记忆模块102输出的不同接受域的特征进行重构，获得预测图像。
其中，特征提取模块101由卷积层、批量归一化、激活函数ReLU构成。卷积层设计了不同尺寸的卷积核，这些卷积核具有参数共享机制，通过卷积核在图像上滑动，对图像进行卷积操作，从而完成对输入图像的特征提取。
参考图3，记忆模块102包括门控单元1021和多个稠密连接卷积模块1022，多个稠密连接卷积1022模块用于对所述特征图或者上一记忆模块102输出的特征进行卷积操作，门控单元1021用于接收不同稠密连接卷积模块输出的卷积结果，并按照门控权重参数保留部分卷积结果以及舍弃部分卷积结果，将保留的卷积结果作为特征输出至下一记忆模块102以及重构模块103。
具体地，与特征提取模块101连接的第一个记忆模块102对特征提取模块101输出的特征图进行卷积操作，后续的记忆模块102接收上一个记忆模块102输出的卷积结果再次进行卷积操作。
其中，门控单元1021接收不同的稠密连接卷积模块1022输出的卷积结果，然后控制保留哪些信息，舍弃哪些信息，通过门控权重参数控制保留以及舍弃多少。
卷积网络使用了堆叠的记忆模块，不同的记忆模块，提取不同接受域的特征，自适应学习不同接受域下的多层表征。多个记忆模块包括浅层记忆模块和深层记忆模块，浅层记忆模块中的门控单元控制伪影、拖尾以及噪声的输出，即舍弃伪影、拖尾以及噪声部分。浅层的记忆模块提取低级特征，因为这时候接受域小，而且此时特征图每个像素点对应的接受重叠区域还很小，这就保证了网络能够捕获更多纹理细节。深层记忆模块中的门控单元控制相邻区域之间的特征输出，随着卷积和下采样次数增多，接受域变大，深层记忆模块获得的是这块区域或相邻区域之间的特征信息，相对不够细粒度，但语义信息丰富，采用深层记忆模块的目的是因为伪影在某一种程度上也是一种纹理，只是相对于真实纹理不清晰，在仅使用浅层记忆模块时，难以分辨伪影和真实图像的边缘，伪影对最终结果影响更大。因此在浅层记忆模块的门控单元中通过门控权重参数控制特征图中伪影、拖尾、噪声的输出，在深层记忆模块中的门控单元通过门控权重参数控制CT图像相邻区域之间的特征信息，进一步分辨拖尾伪影与真实图像的区域边缘。
门控单元的门控权重参数在初始化之后会伴随模型的训练进行迭代，最终得到最理想的参数。
进一步地，重构模块103按照重构权重参数将各个记忆模块102输出的特征进行加权求和，获得所述预测图像。
由于不同记忆模块102生成的特征对最终生成预测图的贡献不一样，模型中设置了重构权重参数实现输出特征的加权求和。重构权重参数作为网络参数的一部分参与训练，不断迭代优化。
进一步地，步骤S4中，参考图4，将所述训练集输入至所述卷积神经网络模型，带伪影图像经上述计算之后获得预测图像，这一过程为前向传播，之后通过损失函数计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，这一过程为反向传播。所述网络参数包括上述的门控单元的门控权重参数以及重构模块的重构权重参数，使得到的预测图像越来越接近真实图像（不带伪影的图像），达到去除伪影拖尾的效果。
作为一种可选的实施方式，当迭代达到预设次数，损失值趋于稳定，所述卷积神经网络模型收敛。
进一步地，步骤S5中，当卷积神经网络模型收敛，即可以进行实际应用，采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
作为一种可选的实施方式，所述卷积神经网络模型收敛之后，还包括：
采集测试图像，并将所述测试图像输入至收敛后的卷积神经网络模型，获得测试用预测图像，计算所述测试用预测图像和对应的真实图像的PSNR值与SSIM值，根据所述PSNR值与SSIM值对所述卷积神经网络模型进行评价。
作为一种可选的实施方式，输出去伪影后的锂电池CT图像之后，还包括：
将去伪影后效果低于预期的锂电池CT图像加入至训练集，对所述卷积神经网络模型进行进一步优化。
参考图5，模型应用于生产中，收集生产过程中CT图像去除伪影效果差的图像，通过学习这些图像来优化模型,，进一步提高模型的准确性。
参考图6，在一些实施例中，还提供一种应用于上述方法的基于卷积神经网络的CT图像去伪影装置，包括：
采集模块201，用于采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
图像处理模块202，用于根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
模型建立模块203，用于建立卷积神经网络模型；
训练模块204，用于将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
输出模块205，用于采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
其中，模型建立模块203建立的卷积神经网络模型包括特征提取模块101、记忆模块102以及重构模块103，其具体工作原理请参考上述实施例，在此不再赘述。
参考图7，在一些实施例中，还提供一种基于卷积神经网络的CT图像去伪影系统，包括CT系统301、旋转平台302、处理器303以及存储装置304，旋转平台302用于放置锂电池，CT系统301用于对旋转平台302上的锂电池进行拍照，存储装置304存储有多条指令，处理器303用于读取所述多条指令并执行上述的方法。
上述实施例提供的基于卷积神经网络的CT图像去伪影方法，至少包括如下有益效果：
（1）通过连续生成和间断生成的锂电池CT图像训练卷积神经网络模型，经前向传播和反向传播进行模型训练，收敛后的卷积神经网络模型可直接用于连续生成的锂电池CT图像的去伪影处理，快速高效解决CT连续成像时产生的运动伪影问题，并且可以获得较高的图像质量，提高锂电池的检测效率，更适用于大规模的生产。
（2）卷积神经网络模型的记忆模块，自适应学习不同接受域下的多层表征，控制伪影、拖尾、噪声的输出，分辨拖尾伪影与真实图像的区域边缘，实现不带伪影的预测图像的输出，准确性高，可靠性强。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于卷积神经网络的CT图像去伪影方法，其特征在于，包括：
采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
建立卷积神经网络模型；
将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像；
所述卷积神经网络模型包括特征提取模块、记忆模块以及重构模块，所述记忆模块的数量为多个；
所述特征提取模块用于对所述带伪影图像进行特征提取获得特征图，所述记忆模块用于根据所述特征图提取不同接受域的特征，所述重构模块用于将记忆模块输出的不同接受域的特征进行重构，获得预测图像；
所述记忆模块包括门控单元和多个稠密连接卷积模块，所述多个稠密连接卷积模块用于对所述特征图或者上一记忆模块输出的特征进行卷积操作，所述门控单元用于接收不同稠密连接卷积模块输出的卷积结果，并按照门控权重参数保留部分卷积结果以及舍弃部分卷积结果，将保留的卷积结果作为特征输出至下一记忆模块以及所述重构模块；
所述重构模块按照重构权重参数将各个记忆模块输出的特征进行加权求和，获得所述预测图像；
所述网络参数包括门控权重参数和重构权重参数，在迭代过程中进行更新。
2.根据权利要求1所述的方法，其特征在于，采集连续生成的第一锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台连续旋转，通过CT系统按照预设角度或者预设时间间隔采集锂电池图像，获得第一锂电池CT图像集；
采集间断生成的第二锂电池CT图像集，包括：
将锂电池放置于旋转平台上，并控制旋转平台旋转预设角度或者按照预设时间间隔旋转之后停止，停止之后通过CT系统采集锂电池图像，获得第二锂电池CT图像集。
3.根据权利要求2所述的方法，其特征在于，根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，包括：
将所述第一锂电池CT图像集和所述第二锂电池CT图像集在相同预设角度或者相同预设时间间隔下采集的图像进行对应，获得成对的带伪影图像和真实图像作为训练集。
4.根据权利要求1所述的方法，其特征在于，所述多个记忆模块包括浅层记忆模块和深层记忆模块，所述浅层记忆模块中的门控单元控制伪影、拖尾以及噪声的输出，所述深层记忆模块中的门控单元控制相邻区域之间的特征输出。
5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型收敛之后，还包括：
采集测试图像，并将所述测试图像输入至收敛后的卷积神经网络模型，获得测试用预测图像，计算所述测试用预测图像和对应的真实图像的PSNR值与SSIM值，根据所述PSNR值与SSIM值对所述卷积神经网络模型进行评价。
6.根据权利要求1所述的方法，其特征在于，输出去伪影后的锂电池CT图像之后，还包括：
将去伪影后效果低于预期的锂电池CT图像加入至训练集，对所述卷积神经网络模型进行进一步优化。
7.一种应用于如权利要求1-6任一所述方法的基于卷积神经网络的CT图像去伪影装置，其特征在于，包括：
采集模块，用于采集连续生成的第一锂电池CT图像集以及间断生成的第二锂电池CT图像集；
图像处理模块，用于根据所述第一锂电池CT图像集和第二锂电池CT图像集建立训练集，所述训练集中包括成对的带伪影图像和真实图像；
模型建立模块，用于建立卷积神经网络模型；
训练模块，用于将所述训练集输入至所述卷积神经网络模型，所述带伪影图像经计算之后获得预测图像，计算所述预测图像和所述真实图像的损失值，根据所述损失值调整梯度并更新网络参数，直到所述卷积神经网络模型收敛；
输出模块，用于采集连续生成的当前锂电池CT图像并输入至训练后的卷积神经网络模型，输出去伪影后的锂电池CT图像。
8.一种基于卷积神经网络的CT图像去伪影系统，其特征在于，包括CT系统、旋转平台、处理器以及存储装置，所述旋转平台用于放置锂电池，所述CT系统用于对旋转平台上的锂电池进行拍照，所述存储装置存储有多条指令，所述处理器用于读取所述多条指令并执行如权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007652.7A CN115690255B (zh) | 2023-01-04 | 2023-01-04 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310007652.7A CN115690255B (zh) | 2023-01-04 | 2023-01-04 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115690255A CN115690255A (zh) | 2023-02-03 |
| CN115690255B true CN115690255B (zh) | 2023-05-09 |
Family
ID=85057285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310007652.7A Active CN115690255B (zh) | 2023-01-04 | 2023-01-04 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690255B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372565B (zh) * | 2023-12-06 | 2024-03-15 | 合肥锐视医疗科技有限公司 | 一种基于神经网络时相判别的呼吸门控ct成像方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
| CN115330615A (zh) * | 2022-08-09 | 2022-11-11 | 腾讯医疗健康(深圳)有限公司 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
| CN109816742B (zh) * | 2018-12-14 | 2022-10-28 | 中国人民解放军战略支援部队信息工程大学 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
| DE102018221943A1 (de) * | 2018-12-17 | 2020-06-18 | Siemens Healthcare Gmbh | Verfahren zur Artefaktkorrektur von dreidimensionalen Volumenbilddaten |
| US11100684B2 (en) * | 2019-07-11 | 2021-08-24 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
| WO2022016461A1 (zh) * | 2020-07-23 | 2022-01-27 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
-
2023
- 2023-01-04 CN CN202310007652.7A patent/CN115690255B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
| CN115330615A (zh) * | 2022-08-09 | 2022-11-11 | 腾讯医疗健康(深圳)有限公司 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115690255A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Learning to restore hazy video: A new real-world dataset and a new method | |
| CN111340944B (zh) | 基于隐式函数和人体模板的单图像人体三维重建方法 | |
| CN106780338B (zh) | 基于各向异性的快速超分辨率重建方法 | |
| Morales et al. | Feature forwarding for efficient single image dehazing | |
| CN113222825B (zh) | 基于可见光图像训练的红外图像超分辨率重构方法及应用 | |
| CN115690255B (zh) | 基于卷积神经网络的ct图像去伪影方法、装置及系统 | |
| CN115393534B (zh) | 一种基于深度学习的锥束三维dr重建方法及系统 | |
| CN114973032B (zh) | 一种基于深度卷积神经网络的光伏板热斑检测方法及装置 | |
| CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
| CN107133923A (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| Nair et al. | Confidence guided network for atmospheric turbulence mitigation | |
| CN112085678A (zh) | 一种适用于电力设备机巡图像去雨滴的方法及系统 | |
| CN114078127B (zh) | 物件的缺陷检测及计数方法、装置、设备和存储介质 | |
| CN113252701A (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法 | |
| CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
| CN113409412A (zh) | 偏置扫描模式下的大视场cl重建方法和装置、设备及介质 | |
| CN114581342A (zh) | 图像增强方法、巡检机器人、远程终端及巡检运维系统 | |
| CN115880440B (zh) | 一种基于生成对抗网络的磁粒子三维重建成像方法 | |
| CN117036161A (zh) | 一种基于生成式对抗网络的大坝缺陷恢复方法 | |
| CN106228608A (zh) | 一种基于双目的用于物体快速重构的手持装置和方法 | |
| CN118379297B (zh) | 聚四氟乙烯蚀刻管缺陷检测方法、装置、设备及存储介质 | |
| CN111627056B (zh) | 基于深度估计的行车能见度确定方法及装置 | |
| CN115713515B (zh) | 一种基于量子图像传感器的单光子计数成像系统及方法 | |
| CN117522688A (zh) | 一种应用于mri医学图像超分辨重建方法 | |
| CN116524115A (zh) | 基于神经辐射场的多视图抗运动模糊三维重建系统及方法 |
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 |