CN116046810B - 基于rpc盖板破坏荷载的无损检测方法 - Google Patents

基于rpc盖板破坏荷载的无损检测方法 Download PDF

Info

Publication number
CN116046810B
CN116046810B CN202310343452.9A CN202310343452A CN116046810B CN 116046810 B CN116046810 B CN 116046810B CN 202310343452 A CN202310343452 A CN 202310343452A CN 116046810 B CN116046810 B CN 116046810B
Authority
CN
China
Prior art keywords
ray detection
training
detection image
cover plate
decoding
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
CN202310343452.9A
Other languages
English (en)
Other versions
CN116046810A (zh
Inventor
李正垣
邓爱民
聂良鹏
陈顺超
许�鹏
袁胜涛
游鹏升
熊竑瑞
于跃
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.)
Yunnan Tongqu Engineering Testing Co ltd
Southwest Forestry University
Original Assignee
Yunnan Tongqu Engineering Testing Co ltd
Southwest Forestry University
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 Yunnan Tongqu Engineering Testing Co ltd, Southwest Forestry University filed Critical Yunnan Tongqu Engineering Testing Co ltd
Priority to CN202310343452.9A priority Critical patent/CN116046810B/zh
Publication of CN116046810A publication Critical patent/CN116046810A/zh
Application granted granted Critical
Publication of CN116046810B publication Critical patent/CN116046810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种基于RPC盖板破坏荷载的无损检测方法，其获取待检测RPC盖板的X光探测图；采用基于深度学习的人工智能技术，挖掘RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，基于此来进行RPC盖板的破坏载荷特征的精准表达。这样，可以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷‑位移曲线准确性。

Description

基于RPC盖板破坏荷载的无损检测方法
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种基于RPC盖板破坏荷载的无损检测方法。
背景技术
目前，高速公路和市政道路沿线两侧的电缆槽盖板和人行道步板主要采用普通混凝土矩形盖板，主要原因在于普通钢筋混凝土矩形盖板的成本低，具有一定的经济性。但是，普通钢筋混凝土矩形盖板的抗压强度偏低，导致其结构承载能力差；并且普通钢筋混凝土矩形盖板存在耐久性差、韧性差等性能缺陷，随着大型承重车辆、特殊工程车辆越来越频繁使用以及人们生命安全意识的提高，普通混凝土矩形盖板已经无法满足时代发展对盖板性能的要求。
为了解决普通钢筋混凝土矩形盖板的上述问题，有研究人员选择利用活性粉末混凝(RPC)，即采用优质石灰石机制砂代替石英砂，在一定程度上提高盖板的强度性能。但是，制得的盖板对强度性能的提高是有限的，盖板的开裂荷载仍较低，仍然无法完全满足对盖板强度的要求。并且，关于RPC盖板的载荷-位移曲线，需要对RPC盖板进行破坏才能检测出。
因此，期望一种优化的基于RPC盖板破坏荷载的无损检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于RPC盖板破坏荷载的无损检测方法，其获取待检测RPC盖板的X光探测图；采用基于深度学习的人工智能技术，挖掘RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，基于此来进行RPC盖板的破坏载荷特征的精准表达。这样，可以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷-位移曲线准确性。
第一方面，提供了一种基于RPC盖板破坏荷载的无损检测方法，其包括：
获取待检测RPC盖板的X光探测图；
对所述X光探测图进行图像分块处理以得到X光探测图像块的序列；
将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列；
将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量；以及，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。
在上述基于RPC盖板破坏荷载的无损检测方法中，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述X光探测图像块特征向量的序列，所述作为过滤器的卷积神经网络模型的第一层的输入为所述X光探测图像块的序列中的X光探测图像块。
在上述基于RPC盖板破坏荷载的无损检测方法中，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量，包括：使用所述ViT模型对所述X光探测图像块特征向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个X光探测图像块特征向量；以及，将所述多个X光探测图像块特征向量进行级联以得到所述解码特征向量。
在上述基于RPC盖板破坏荷载的无损检测方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure SMS_1
，/>
Figure SMS_2
表示所述解码特征向量，/>
Figure SMS_3
表示解码值，/>
Figure SMS_4
表示权重矩阵，/>
Figure SMS_5
表示偏置向量，/>
Figure SMS_6
表示矩阵乘。
在上述基于RPC盖板破坏荷载的无损检测方法中，还包括对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练；其中，对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，包括：获取训练数据，所述训练数据包括待检测RPC盖板的训练X光探测图，以及，所述待检测RPC盖板的破坏荷载值的真实值；对所述训练X光探测图进行图像分块处理以得到训练X光探测图像块的序列；将所述训练X光探测图像块的序列中的训练X光探测图像块通过所述作为过滤器的卷积神经网络模型以得到训练X光探测图像块特征向量的序列；将所述训练X光探测图像块特征向量的序列通过所述ViT模型以得到训练解码特征向量；将所述训练解码特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在上述基于RPC盖板破坏荷载的无损检测方法中，将所述训练解码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下训练解码公式对所述训练解码特征向量进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure SMS_7
，/>
Figure SMS_8
表示所述训练解码特征向量，/>
Figure SMS_9
表示训练解码值，/>
Figure SMS_10
表示训练权重矩阵，/>
Figure SMS_11
表示训练偏置向量，/>
Figure SMS_12
表示矩阵乘；以及，计算所述训练解码值和所述待检测RPC盖板的破坏荷载值的真实值之间的方差作为所述解码损失函数值。
在上述基于RPC盖板破坏荷载的无损检测方法中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
Figure SMS_13
；
其中，
Figure SMS_15
是所述解码器的权重矩阵，/>
Figure SMS_19
是所述解码器的权重矩阵的转置矩阵，
Figure SMS_21
表示矩阵的Frobenius范数，/>
Figure SMS_16
是偏置矩阵，/>
Figure SMS_18
表示矩阵乘法，/>
Figure SMS_20
表示矩阵加法，/>
Figure SMS_22
表示按位置点乘，/>
Figure SMS_14
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_17
表示迭代后的所述解码器的权重矩阵。
与现有技术相比，本申请提供的基于RPC盖板破坏荷载的无损检测方法，其获取待检测RPC盖板的X光探测图；采用基于深度学习的人工智能技术，挖掘RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，基于此来进行RPC盖板的破坏载荷特征的精准表达。这样，可以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷-位移曲线准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的场景示意图。
图2为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的流程图。
图3为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的架构示意图。
图4为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法中步骤140的子步骤的流程图。
图5为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法中步骤160的子步骤的流程图。
图6为根据本申请实施例的基于RPC盖板破坏荷载的无损检测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，RPC盖板对强度性能的提高是有限的，盖板的开裂荷载仍较低，仍然无法完全满足对盖板强度的要求。并且，关于RPC盖板的载荷-位移曲线，需要对RPC盖板进行破坏才能检测出。因此，期望一种优化的基于RPC盖板破坏荷载的无损检测方案。
相应地，在本申请的技术方案中，在对于RPC盖板的破坏荷载值进行检测时，为了避免造成RPC盖板的损坏，期望通过对RPC盖板进行X光探测并通过X光探测图的图像特征的回归解码来得到RPC盖板的破坏荷载值。但是，由于RPC盖板的X光探测图中存在有较多的杂乱信息，并不能够对于RPC盖板的破坏载荷的有效信息进行充分地捕捉，降低了RPC盖板的破坏载荷的特征表达能力，进而也就降低了检测的精准度。因此，在此过程中，难点在于如何充分地挖掘出所述RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，以此来进行RPC盖板的破坏载荷特征的精准表达，以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷-位移曲线准确性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待检测RPC盖板的X光探测图。接着，考虑到由于所述待检测RPC盖板的X光探测图中关于RPC盖板的破坏荷载隐含特征分布信息为小尺度的隐含特征，即在所述 X 光探测图中占有的尺寸较小 ，难以对其特征进行捕捉。因此，为了能够提高所述X光探测图中关于所述RPC盖板的破坏荷载隐含特征的表达能力，以此来提高对于RPC盖板的破坏荷载值检测的精准度。在本申请的技术方案中，对所述X光探测图进行均匀图像分块处理以得到X光探测图像块的序列。应可以理解，所述X光探测图像块的序列中的各个X光探测图像块的尺度相较于原图像被缩减，因此，所述X光探测图中关于小尺寸的所述RPC盖板的破坏荷载隐含特征在所述各个X光探测图像块中不再是小尺寸对象，以利用后续对于RPC盖板的破坏荷载值进行检测。
然后，考虑到由于所述X光探测图像块的序列中的各个X光探测图像块都为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现性能的作为过滤器的卷积神经网络模型来进行所述各个X光探测图像块的特征挖掘，以分别提取出所述各个X光探测图像块中关于RPC盖板的破坏载荷隐含特征分布信息，从而得到X光探测图像块特征向量的序列。
进一步地，考虑到由于所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征间具有着关联关系，也就是说，所述各个X光探测图像块相对于所述待检测RPC盖板的X光探测图来说为其中的局部图像区域，因此，所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征都为所述X光探测图中的局部区域隐含特征，这些隐含特征间具有着关于所述待检测RPC盖板的X光探测图整体的全局关联关系。因此，在本申请的技术方案中，将所述 X 光探测图像块特征向量的序列通过 ViT 模型进行编码 ，以分别提取出所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征的上下文语义关联特征，从而得到解码特征向量。应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述各个X光探测图像块，以此来分别提取出所述各个X光探测图像块中关于所述RPC盖板的破坏荷载的高维隐含特征的上下文语义关联特征信息，即所述X光探测图中整体的基于全局的关于所述RPC盖板的破坏荷载特征，并以此作为所述解码特征向量。
接着，进一步再将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。也就是说，以所述X光探测图中基于全局的关于所述RPC盖板的破坏荷载上下文关联特征来进行解码，以此来得到所述RPC盖板的破坏荷载值。这样，能够准确地进行RPC盖板的破坏荷载值的检测，以提高RPC盖板的载荷-位移曲线的精准度。
这里，将所述X光探测图像块特征向量的序列通过ViT模型得到所述解码特征向量时，是将所述X光探测图像块特征向量的序列通过ViT模型得到的多个上下文X光探测图像块特征向量直接级联以得到所述解码特征向量。因此，虽然所述 ViT 模型能够提升所述多个上下文 X 光探测图像块特征向量之间的上下文特征所表达的关联性，但是所述多个上下文X光探测图像块特征向量直接仍然存在特征分布的显式差异，从而使得直接级联得到所述解码特征向量的整体特征分布离散度高，导致在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了解码器以至于模型整体的训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为：
Figure SMS_23
；
Figure SMS_24
是解码器的权重矩阵，/>
Figure SMS_25
表示矩阵的Frobenius范数，/>
Figure SMS_26
是偏置矩阵，例如可以初始设置为单位矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对所述解码器的权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于待解码特征所表达的特定回归表达模式的语义依赖程度，从而使得权重空间反应出模型所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升解码器以至于模型整体的训练速度。这样，能够准确地进行RPC盖板的破坏荷载值的检测，以提高RPC盖板的载荷-位移曲线的精准度，保证RPC盖板的强度性能。
图1为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的场景示意图。如图1所示，在该应用场景中，首先，获取待检测RPC盖板（例如，如图1中所示意的901）的X光探测图（例如，如图1中所示意的902）；然后，将获取的待检测RPC盖板输入至部署有基于RPC盖板破坏荷载的无损检测算法的服务器（例如，如图1中所示意的903）中，其中所述服务器能够基于RPC盖板破坏荷载的无损检测算法对所述待检测RPC盖板进行处理，以生成用于表示待检测RPC盖板的破坏荷载值的解码值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的流程图。如图2所示，根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法100，包括：110，获取待检测RPC盖板的X光探测图；120，对所述X光探测图进行图像分块处理以得到X光探测图像块的序列；130，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列；140，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量；以及，150，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。
图3为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法的架构示意图。如图3所示，在该网络架构中，首先，获取待检测RPC盖板的X光探测图；然后，对所述X光探测图进行图像分块处理以得到X光探测图像块的序列；接着，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列；然后，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量；以及，最后，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。
具体地，在步骤110中，获取待检测RPC盖板的X光探测图。如上所述，RPC盖板对强度性能的提高是有限的，盖板的开裂荷载仍较低，仍然无法完全满足对盖板强度的要求。并且，关于RPC盖板的载荷-位移曲线，需要对RPC盖板进行破坏才能检测出。因此，期望一种优化的基于RPC盖板破坏荷载的无损检测方案。
相应地，在本申请的技术方案中，在对于RPC盖板的破坏荷载值进行检测时，为了避免造成RPC盖板的损坏，期望通过对RPC盖板进行X光探测并通过X光探测图的图像特征的回归解码来得到RPC盖板的破坏荷载值。但是，由于RPC盖板的X光探测图中存在有较多的杂乱信息，并不能够对于RPC盖板的破坏载荷的有效信息进行充分地捕捉，降低了RPC盖板的破坏载荷的特征表达能力，进而也就降低了检测的精准度。因此，在此过程中，难点在于如何充分地挖掘出所述RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，以此来进行RPC盖板的破坏载荷特征的精准表达，以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷-位移曲线准确性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取待检测RPC盖板的X光探测图。
具体地，在步骤120中，对所述X光探测图进行图像分块处理以得到X光探测图像块的序列。接着，考虑到由于所述待检测RPC盖板的X光探测图中关于RPC盖板的破坏荷载隐含特征分布信息为小尺度的隐含特征，即占有所述X光探测图中的尺寸较小，难以对其特征进行捕捉。
因此，为了能够提高所述X光探测图中关于所述RPC盖板的破坏荷载隐含特征的表达能力，以此来提高对于RPC盖板的破坏荷载值检测的精准度。在本申请的技术方案中，对所述X光探测图进行均匀图像分块处理以得到X光探测图像块的序列。应可以理解，所述X光探测图像块的序列中的各个X光探测图像块的尺度相较于原图像被缩减，因此，所述X光探测图中关于小尺寸的所述RPC盖板的破坏荷载隐含特征在所述各个X光探测图像块中不再是小尺寸对象，以利用后续对于RPC盖板的破坏荷载值进行检测。
具体地，在步骤130中，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列。然后，考虑到由于所述X光探测图像块的序列中的各个X光探测图像块都为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现性能的作为过滤器的卷积神经网络模型来进行所述各个X光探测图像块的特征挖掘，以分别提取出所述各个X光探测图像块中关于RPC盖板的破坏载荷隐含特征分布信息，从而得到X光探测图像块特征向量的序列。
其中，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述X光探测图像块特征向量的序列，所述作为过滤器的卷积神经网络模型的第一层的输入为所述X光探测图像块的序列中的X光探测图像块。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤140中，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量。进一步地，考虑到由于所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征间具有着关联关系，也就是说，所述各个X光探测图像块相对于所述待检测RPC盖板的X光探测图来说为其中的局部图像区域，因此，所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征都为所述X光探测图中的局部区域隐含特征，这些隐含特征间具有着关于所述待检测RPC盖板的X光探测图整体的全局关联关系。
因此，在本申请的技术方案中，将所述X光探测图像块特征向量的序列通过ViT模型中进行编码，以分别提取出所述各个X光探测图像块中关于RPC盖板的破坏荷载的隐含特征的上下文语义关联特征，从而得到解码特征向量。应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述各个X光探测图像块，以此来分别提取出所述各个X光探测图像块中关于所述RPC盖板的破坏荷载的高维隐含特征的上下文语义关联特征信息，即所述X光探测图中整体的基于全局的关于所述RPC盖板的破坏荷载特征，并以此作为所述解码特征向量。
图4为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法中步骤140的子步骤的流程图，如图4所示，其特征在于，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量，包括：141，使用所述ViT模型对所述X光探测图像块特征向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个X光探测图像块特征向量；以及，142，将所述多个X光探测图像块特征向量进行级联以得到所述解码特征向量。
应可以理解，上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在步骤150中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。接着，进一步再将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。也就是说，以所述X光探测图中基于全局的关于所述RPC盖板的破坏荷载上下文关联特征来进行解码，以此来得到所述RPC盖板的破坏荷载值。这样，能够准确地进行RPC盖板的破坏荷载值的检测，以提高RPC盖板的载荷-位移曲线的精准度。
其中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure SMS_27
，/>
Figure SMS_28
表示所述解码特征向量，/>
Figure SMS_29
表示解码值，/>
Figure SMS_30
表示权重矩阵，/>
Figure SMS_31
表示偏置向量，/>
Figure SMS_32
表示矩阵乘。
进一步地，所述基于RPC盖板破坏荷载的无损检测方法还包括对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，图5为根据本申请实施例的基于RPC盖板破坏荷载的无损检测方法中步骤160的子步骤的流程图，如图5所示，对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练的训练步骤160，包括：161，获取训练数据，所述训练数据包括待检测RPC盖板的训练X光探测图，以及，所述待检测RPC盖板的破坏荷载值的真实值；162，对所述训练X光探测图进行图像分块处理以得到训练X光探测图像块的序列；163，将所述训练X光探测图像块的序列中的训练X光探测图像块通过所述作为过滤器的卷积神经网络模型以得到训练X光探测图像块特征向量的序列；164，将所述训练X光探测图像块特征向量的序列通过所述ViT模型以得到训练解码特征向量；165，将所述训练解码特征向量通过所述解码器以得到解码损失函数值；以及，166，基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
其中，将所述训练解码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下训练解码公式对所述训练解码特征向量进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure SMS_33
，/>
Figure SMS_34
表示所述训练解码特征向量，/>
Figure SMS_35
表示训练解码值，/>
Figure SMS_36
表示训练权重矩阵，/>
Figure SMS_37
表示训练偏置向量，/>
Figure SMS_38
表示矩阵乘；以及，计算所述训练解码值和所述待检测RPC盖板的破坏荷载值的真实值之间的方差作为所述解码损失函数值。
这里，将所述X光探测图像块特征向量的序列通过ViT模型得到所述解码特征向量时，是将所述X光探测图像块特征向量的序列通过ViT模型得到的多个上下文X光探测图像块特征向量直接级联以得到所述解码特征向量。因此，虽然所述ViT模型能够提升得到的所述多个上下文X光探测图像块特征向量之间的上下文特征表达关联性，但是所述多个上下文X光探测图像块特征向量直接仍然存在特征分布的显式差异，从而使得直接级联得到所述解码特征向量的整体特征分布离散度高，导致在训练过程中所述解码器的权重矩阵的收敛速度慢，影响了解码器以至于模型整体的训练速度。
因此，在本申请的技术方案中，本申请的申请人在每次解码器的权重矩阵的迭代时进行权重矩阵的空间正则化约束，表示为，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
Figure SMS_39
；
其中，
Figure SMS_42
是所述解码器的权重矩阵，/>
Figure SMS_43
是所述解码器的权重矩阵的转置矩阵，
Figure SMS_44
表示矩阵的Frobenius范数，/>
Figure SMS_41
是偏置矩阵，/>
Figure SMS_45
表示矩阵乘法，/>
Figure SMS_47
表示矩阵加法，/>
Figure SMS_48
表示按位置点乘，/>
Figure SMS_40
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_46
表示迭代后的所述解码器的权重矩阵。
所述权重矩阵的空间正则化约束在权重矩阵与其自身转置进行空间嵌入得到的内生相关性矩阵的基础上，对所述解码器的权重矩阵进行基于其欧式空间的内生相关分布的L2正则化，从而与待加权特征的数值分布和按位置数值大小无关地，反映出权重空间对于待解码特征所表达的特定回归表达模式的语义依赖程度，从而使得权重空间反应出模型所提取的特征的内在本质知识的传递效果，加快权重矩阵的收敛，从而提升解码器以至于模型整体的训练速度。这样，能够准确地进行RPC盖板的破坏荷载值的检测，以提高RPC盖板的载荷-位移曲线的精准度，保证RPC盖板的强度性能。
综上，基于本申请实施例的基于RPC盖板破坏荷载的无损检测方法100被阐明，其获取待检测RPC盖板的X光探测图；采用基于深度学习的人工智能技术，挖掘RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，基于此来进行RPC盖板的破坏载荷特征的精准表达。这样，可以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷-位移曲线准确性。
在本申请的一个实施例中，图6为根据本申请实施例的基于RPC盖板破坏荷载的无损检测系统的框图。如图6所示，根据本申请实施例的基于RPC盖板破坏荷载的无损检测系统200，包括：图像获取模块210，用于获取待检测RPC盖板的X光探测图；图像分块模块220，用于对所述X光探测图进行图像分块处理以得到X光探测图像块的序列；特征提取模块230，用于将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列；编码模块240，用于将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量；以及，破坏荷载值生成模块250，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述X光探测图像块特征向量的序列，所述作为过滤器的卷积神经网络模型的第一层的输入为所述X光探测图像块的序列中的X光探测图像块。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，所述编码模块，包括：上下文语义编码单元，用于使用所述ViT模型对所述X光探测图像块特征向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个X光探测图像块特征向量；以及，级联单元，用于将所述多个X光探测图像块特征向量进行级联以得到所述解码特征向量。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，所述破坏荷载值生成模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
Figure SMS_49
，/>
Figure SMS_50
表示所述解码特征向量，/>
Figure SMS_51
表示解码值，/>
Figure SMS_52
表示权重矩阵，/>
Figure SMS_53
表示偏置向量，/>
Figure SMS_54
表示矩阵乘。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，还包括对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括待检测RPC盖板的训练X光探测图，以及，所述待检测RPC盖板的破坏荷载值的真实值；训练图像分块单元，用于对所述训练X光探测图进行图像分块处理以得到训练X光探测图像块的序列；训练特征提取单元，用于将所述训练X光探测图像块的序列中的训练X光探测图像块通过所述作为过滤器的卷积神经网络模型以得到训练X光探测图像块特征向量的序列；训练编码单元，用于将所述训练X光探测图像块特征向量的序列通过所述ViT模型以得到训练解码特征向量；训练解码单元，用于将所述训练解码特征向量通过所述解码器以得到解码损失函数值；以及，迭代单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，所述训练解码单元，包括：训练解码子单元，用于使用所述解码器以如下训练解码公式对所述训练解码特征向量进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure SMS_55
，/>
Figure SMS_56
表示所述训练解码特征向量，/>
Figure SMS_57
表示训练解码值，/>
Figure SMS_58
表示训练权重矩阵，/>
Figure SMS_59
表示训练偏置向量，/>
Figure SMS_60
表示矩阵乘；以及，损失函数值计算子单元，用于计算所述训练解码值和所述待检测RPC盖板的破坏荷载值的真实值之间的方差作为所述解码损失函数值。
在一个具体示例中，在上述基于RPC盖板破坏荷载的无损检测系统中，所述迭代单元，用于：以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：
Figure SMS_61
；
其中，
Figure SMS_64
是所述解码器的权重矩阵，/>
Figure SMS_66
是所述解码器的权重矩阵的转置矩阵，
Figure SMS_70
表示矩阵的Frobenius范数，/>
Figure SMS_62
是偏置矩阵，/>
Figure SMS_65
表示矩阵乘法，/>
Figure SMS_68
表示矩阵加法，/>
Figure SMS_69
表示按位置点乘，/>
Figure SMS_63
表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_67
表示迭代后的所述解码器的权重矩阵。
这里，本领域技术人员可以理解，上述基于RPC盖板破坏荷载的无损检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于RPC盖板破坏荷载的无损检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于RPC盖板破坏荷载的无损检测系统200可以实现在各种终端设备中，例如用于基于RPC盖板破坏荷载的无损检测的服务器等。在一个示例中，根据本申请实施例的基于RPC盖板破坏荷载的无损检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于RPC盖板破坏荷载的无损检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于RPC盖板破坏荷载的无损检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于RPC盖板破坏荷载的无损检测系统200与该终端设备也可以是分立的设备，并且基于RPC盖板破坏荷载的无损检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，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存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (3)

1.一种基于RPC盖板破坏荷载的无损检测方法，其特征在于，包括：
获取待检测RPC盖板的X光探测图；
对所述X光探测图进行图像分块处理以得到X光探测图像块的序列；
将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列；
将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量；以及
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值；
所述方法还包括对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，包括：
获取训练数据，所述训练数据包括待检测RPC盖板的训练X光探测图，以及，所述待检测RPC盖板的破坏荷载值的真实值；
对所述训练X光探测图进行图像分块处理以得到训练X光探测图像块的序列；
将所述训练X光探测图像块的序列中的训练X光探测图像块通过所述作为过滤器的卷积神经网络模型以得到训练X光探测图像块特征向量的序列；
将所述训练X光探测图像块特征向量的序列通过所述ViT模型以得到训练解码特征向量；
将所述训练解码特征向量通过所述解码器以得到解码损失函数值；以及
基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述ViT模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；
其中，所述优化公式为：
Figure FDA0004230631900000011
其中，M是所述解码器的权重矩阵，MT是所述解码器的权重矩阵的转置矩阵，‖·‖F表示矩阵的Frobenius范数，Mb是偏置矩阵，
Figure FDA0004230631900000012
表示矩阵乘法，/>
Figure FDA0004230631900000013
表示矩阵加法，⊙表示按位置点乘，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，M′表示迭代后的所述解码器的权重矩阵；
将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测RPC盖板的破坏荷载值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；
其中，所述解码公式为：
Figure FDA0004230631900000014
Vd表示所述解码特征向量，Y1表示解码值，W1表示权重矩阵，B1表示偏置向量，/>
Figure FDA0004230631900000015
表示矩阵乘；
将所述训练解码特征向量通过所述解码器以得到解码损失函数值，包括：
使用所述解码器以如下训练解码公式对所述训练解码特征向量进行解码回归以获得训练解码值；其中，所述训练解码公式为：
Figure FDA0004230631900000021
Vb表示所述训练解码特征向量，Y2表示训练解码值，W2表示训练权重矩阵，B2表示训练偏置向量，/>
Figure FDA0004230631900000022
表示矩阵乘；以及
计算所述训练解码值和所述待检测RPC盖板的破坏荷载值的真实值之间的方差作为所述解码损失函数值。
2.根据权利要求1所述的基于RPC盖板破坏荷载的无损检测方法，其特征在于，将所述X光探测图像块的序列中的X光探测图像块通过作为过滤器的卷积神经网络模型以得到X光探测图像块特征向量的序列，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述X光探测图像块特征向量的序列，所述作为过滤器的卷积神经网络模型的第一层的输入为所述X光探测图像块的序列中的X光探测图像块。
3.根据权利要求2所述的基于RPC盖板破坏荷载的无损检测方法，其特征在于，将所述X光探测图像块特征向量的序列通过ViT模型以得到解码特征向量，包括：
使用所述ViT模型对所述X光探测图像块特征向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个X光探测图像块特征向量；以及
将所述多个X光探测图像块特征向量进行级联以得到所述解码特征向量。
CN202310343452.9A 2023-04-03 2023-04-03 基于rpc盖板破坏荷载的无损检测方法 Active CN116046810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343452.9A CN116046810B (zh) 2023-04-03 2023-04-03 基于rpc盖板破坏荷载的无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343452.9A CN116046810B (zh) 2023-04-03 2023-04-03 基于rpc盖板破坏荷载的无损检测方法

Publications (2)

Publication Number Publication Date
CN116046810A CN116046810A (zh) 2023-05-02
CN116046810B true CN116046810B (zh) 2023-06-23

Family

ID=86125987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343452.9A Active CN116046810B (zh) 2023-04-03 2023-04-03 基于rpc盖板破坏荷载的无损检测方法

Country Status (1)

Country Link
CN (1) CN116046810B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562760B (zh) * 2023-05-09 2024-04-26 杭州君方科技有限公司 纺织化纤供应链监管方法及其系统
CN116402818A (zh) * 2023-06-08 2023-07-07 杭州华得森生物技术有限公司 全自动荧光扫描仪及其方法
CN116580029B (zh) * 2023-07-12 2023-10-13 浙江海威汽车零件有限公司 铝合金铸造成品的质检管控系统及其方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150612A (zh) * 2019-06-25 2022-10-04 Oppo广东移动通信有限公司 图像编解码方法、编码器、解码器以及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391646B (zh) * 2017-07-13 2020-04-10 清华大学 一种视频图像的语义信息提取方法及装置
CN109522913B (zh) * 2017-09-18 2022-07-19 同方威视技术股份有限公司 检查方法和检查设备以及计算机可读介质
JP7181001B2 (ja) * 2018-05-24 2022-11-30 日本電子株式会社 生物組織画像処理システム及び機械学習方法
US11430118B2 (en) * 2019-07-12 2022-08-30 Bruker Nano, Inc. Methods and systems for process control based on X-ray inspection
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US20220051094A1 (en) * 2020-08-14 2022-02-17 Nvidia Corporation Mesh based convolutional neural network techniques
DE102021206417B3 (de) * 2021-06-22 2022-10-06 Siemens Healthcare Gmbh Computerimplementierte Verfahren und Systeme zum Bereitstellen eines Korrekturalgorithmus für ein Röntgenbild und zum Korrigieren eines Röntgenbilds, Röntgeneinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
CN114821079A (zh) * 2022-05-30 2022-07-29 同济大学 一种基于变分自编码器的岩石裂缝信息识别方法及系统
CN217404023U (zh) * 2022-07-28 2022-09-09 云南通衢工程检测有限公司 一种检测活性粉末混凝土盖板强度剪压仪

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150612A (zh) * 2019-06-25 2022-10-04 Oppo广东移动通信有限公司 图像编解码方法、编码器、解码器以及存储介质

Also Published As

Publication number Publication date
CN116046810A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116046810B (zh) 基于rpc盖板破坏荷载的无损检测方法
Rafiei et al. Supervised deep restricted Boltzmann machine for estimation of concrete
CN112487807A (zh) 一种基于膨胀门卷积神经网络的文本关系抽取方法
CN116135797B (zh) 污水处理智能控制系统
CN116168352A (zh) 基于图像处理的电网障碍物识别处理方法及系统
CN116524361A (zh) 基于双孪生分支的遥感图像变化检测网络及检测方法
CN115951883B (zh) 分布式微服务架构的服务组件管理系统及其方法
Mdrafi et al. Joint learning of measurement matrix and signal reconstruction via deep learning
CN115221846A (zh) 一种数据处理方法及相关设备
CN116071650A (zh) 一种融合卷积神经网络与Transformer的遥感影像建筑物提取方法
CN116206185A (zh) 一种基于改进YOLOv7的轻量级小目标检测方法
CN116147548B (zh) 用于钢纤维rpc盖板厚度的无损检测方法及系统
CN117270082A (zh) 基于多传感器数据融合的降水量预测系统及其方法
CN116736703A (zh) 污水处理的智能监测系统及其方法
CN116577464A (zh) 用于大气污染的智能监测系统及其方法
CN116740344A (zh) 一种基于知识蒸馏的轻量化遥感影像语义分割方法及装置
CN115953394B (zh) 基于目标分割的海洋中尺度涡检测方法及系统
CN117787287A (zh) 基于大模型的事故处理方法、系统及存储介质
Chen et al. Unsupervised Fault Detection Driven by Multivariate Time Series for Aeroengines
CN116595551A (zh) 银行交易数据管理方法及系统
CN117197632A (zh) 一种基于Transformer的电镜花粉图像目标检测方法
CN116646001A (zh) 基于联合式跨域注意力模型预测药物靶标结合性的方法
CN113656066B (zh) 一种基于特征对齐的克隆代码检测方法
CN115641316A (zh) 基于背景混合数据扩展技术的弱监督变化检测方法及装置
Li et al. ViT2CMH: Vision Transformer Cross-Modal Hashing for Fine-Grained Vision-Text Retrieval.

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