CN116895349A - 基于贝叶斯神经网络的应变评估方法、装置及存储介质 - Google Patents
基于贝叶斯神经网络的应变评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116895349A CN116895349A CN202310888441.9A CN202310888441A CN116895349A CN 116895349 A CN116895349 A CN 116895349A CN 202310888441 A CN202310888441 A CN 202310888441A CN 116895349 A CN116895349 A CN 116895349A
- Authority
- CN
- China
- Prior art keywords
- neural network
- strain
- bayesian neural
- phase
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013531 bayesian neural network Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000010587 phase diagram Methods 0.000 claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000002091 elastography Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- ODKSFYDXXFIFQN-UHFFFAOYSA-M argininate Chemical compound [O-]C(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-M 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 21
- 239000002131 composite material Substances 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 239000000463 material Substances 0.000 description 6
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000012014 optical coherence tomography Methods 0.000 description 4
- 229920002379 silicone rubber Polymers 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004945 silicone rubber Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明的目的在于提供基于贝叶斯神经网络的应变评估方法、装置及存储介质，包括：通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，生成训练数据集；将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型；将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，得到应变结果和对应贝叶斯神经网络的模型不确定度。本发明所述的方法，解决了在复合材料形变复杂和强噪声的情况下，无法高精度的重构出复合材料内部的应变场分布的问题；同时，能够结合应变计算结果的不确定度，评估应变场预测结果的可靠性。
Description
技术领域
本发明涉及重构复合材料内部应变场领域，具体为一种基于贝叶斯神经网络的应变评估方法、装置及存储介质。
背景技术
现有的，针对复合材料的相衬光学相干弹性成像的应变计算方案有两种：最小二乘法和光矢量方法；由于最小二乘法本质上相当于对带有噪声信号起到平滑滤波的作用，只能适用于加性噪声的抑制，而无法改善乘性噪声下的应变计算信噪比；该缺点使得最小二乘法在材料内部层析测量中，应用十分有限。相比于最小二乘法，光矢量方法利用矢量叠加的特点，通过加权和相位平滑操作，从而抑制了加性和乘性噪声，成为目前主流的相衬光学相干弹性成像应变计算方法。但是，光矢量方法在处理材料复杂形变时，因其须在水平方向上引入矢量均值处理，难以处理相位横向变化剧烈的情况，导致应变计算精度低。
与此同时，这两种方法计算得的应变场结果仍存在一些问题，如应变场计算结果的信噪比仍然不足，使得从重构的应变场难以观察到微小的空间分布差异，同时应变场计算结果缺乏有效评估手段。
鉴于此，一种面向相衬光学相干弹性成像的高质量应变计算方法及其定量评估手段亟待研究。
发明内容
本发明的目的在于提供一种基于贝叶斯神经网络的应变评估方法、装置及存储介质，用以至少解决现有技术中的一个技术问题，能够实现材料复杂形变条件下的高信噪比应变重构，且无需形变任何先验信息便可揭示出应变重构结果的可靠性。
本发明的技术方案是：
一种基于贝叶斯神经网络的应变评估方法，包括：
通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，生成训练数据集；
将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型；
将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，得到应变结果和对应贝叶斯神经网络的模型不确定度。
所述通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，包括：
生成模拟的相位图；
通过沿所述相位图的纵轴获取对应的应变图，将所述应变图作为标签数据；
通过下式获取所述包裹相位图：其中，所述φ(x，y)为相位图；Arg{}表示复函数的主值，j是虚数单位；
根据随机游走模型生成服从均匀分布的相位噪声矩阵η(x，y)，并获得带有散斑噪声的包裹相位图Δφη(x，y)，并将所述带有散斑噪声的包裹相位图作为输入数据；
用于控制噪声水平；
通过改变伪随机数的均值和方差以及改变噪声水平β，得到构建所述训练集所需的包裹相位图以及所述包裹相位图对应的应变图。
所述生成模拟的相位图，包括：
生成不同维度的伪随机数，并保证其概率分布服从高斯分布；
使用拉格朗日插值方法处理所述伪随机数，得到高维高斯光滑表面，并将其作为相位图。
所述将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型，包括：
构架所述贝叶斯神经网络；
将所述训练数据集输入至所述贝叶斯网络模型中，得到网络预测结果的均值和方差；
将真实应变数据与所述网络预测结果的均值和方差，同时带入损失函数中，并不断调整参数，以得到损失函数的最小值，得到所述已训练的贝叶斯神经网络模型。
所述构架所述贝叶斯神经网络，包括：
使用大小为3×3的卷积核进行卷积层操作，并以ReLU函数激活；
在每个卷积层之前，均设置有Concrete Dropout层。
所述损失函数为：
其中N表示真实数据y的总像素数；yi为真实数据y的像素点；μi和σi分别为网络预测结果像素点对应的均值和标准差。
所述将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，包括：
对待评估的所述相衬光学相干弹性成像数据进行预设次数的采样，收集到一组预测结果均值；
通过收集到的预测结果得到应变结果和对应贝叶斯神经网络模型的不确定度。
所述通过收集到的预测结果得到应变结果和对应贝叶斯神经网络的模型不确定度，包括：
其中，μ*为预测结果均值；ε为应变结果；为模型不确定度。
一种电子装置，包括：
存储介质，用于存储计算机程序，
处理单元，与所述存储介质进行数据交换，用于对相衬光学相干弹性成像数据进行应变评估时，通过所述处理单元执行所述计算机程序，进行如上所述的基于贝叶斯神经网络的应变评估方法的步骤。
一种计算机可读存储介质：
所述计算机可读存储介质内存储有计算机程序；
所述计算机程序在运行时，执行如上所述的基于贝叶斯神经网络的应变评估方法的步骤。
本发明的有益效果至少包括：
本发明所述的方法，首先通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，生成训练数据集；然后，将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型；最后，将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，得到应变结果和对应贝叶斯神经网络的模型不确定度；本发明所述的方法使用Concretedropout的贝叶斯神经网络，解决了在复合材料形变复杂和强噪声的情况下，无法高精度的重构出复合材料内部的应变场分布的问题；同时，能够结合应变计算结果的不确定度，评估应变场预测结果的可靠性。
附图说明
图1为本发明所述方法的流程图；
图2为贝叶斯神经网络的网络框架；
图3为训练数据集中的真实应变数据；
图4为训练数据集中的带有散斑噪声的包裹相位图；
图5为本发明所述方法的训练过程示意图；
图6为本发明所述方法的网络测试过程示意图；
图7为冷却过程中不同温度下的包裹相位差图；
图8为利用光矢量法估计的应变场示意图；
图9为本发明所述方法获得的应变场示意图；
图10为本发明所述方法中不确定度示意图。
具体实施方式
下面结合附图对本申请进行进一步的说明。
现有的，针对相衬光学相干弹性成像的应变计算方案中的最小二乘法的计算过程是：
根据应变计算定义式，构造出差分解包裹相位U{Δφ}与应变ε之间的线性关系：
U{Δφ}＝2k0[ε×(z-zi-1)+c]， (01)
式中，c表示噪声，k0为光源的起始波数，U为相位解包裹算子，z为复合材料内部深度位置坐标。
给定一组深度值z(范围在zi与zi+Δz之间，Δz＝mδz(δz是连续zi之间的间隔，m是应变计算中使用的数据点数量)))与相关位移测量值d，通过差分包裹相位U{Δφ}与应变ε之间的线性关系，得到平方差之和表达式：
根据最小二乘法的原理，最小化平方差之和R，得到应变的估计表达式：
因(zj-zi-1)＝(j-i+1)δz，对方程(03)进行化简，得应变最终计算表达式：
现有的，针对相衬光学相干弹性成像的应变计算方案中的光矢量方法的计算过程是：
根据光学相干弹性成像的信号模型，构建形变前的层析干涉光场信号：a1(m，j)＝A1(m，j)×exp(iφ1(m，j))，其中A1表示形变前干涉频谱幅值，φ1表示形变前相位场，i为虚数单位，(m，j)为像素坐标。当材料发生形变后，同样可构建形变后的层析干涉光场信号：a2(m，j)＝A2(m，j)×exp(iφ2(m,j))，其中A2表示形变后干涉频谱幅值，φ2表示形变后相位场。使用复数乘法准则可得到形变场对应的差分包裹相位：
a2(m，j)a1(m，j)＊≡b(m，j)＝B(m，j)exp[i·Φ(m，j)] (05)
式中，B(m，j)＝A2(m，j)A1(m，j)，差分包裹相位Δφ(m，j)＝φ2(m，j)-φ1(m，j)，(m，j)为空间像素坐标。
为抑制散斑噪声的相位和幅值影响，光矢量方法在方程(05)基础上构造一个滑动窗口，其大小为NX×Nz，在选定的滑动窗口内进行横向平均：
基于复数的乘法运算法则，构建深度方向的差分相位场：
对方程(07)的差分相位场沿轴向平均以及归一化处理，抑制轴向噪声，得到：
上式中，j＝1，…，Nz表示的是滑动窗口轴向方向上的轴向索引，α＝1。由于应变实质上是位移的梯度，通过差分相位与位移间的线性映射关系，得应变最终计算表达式：
式中，d表示像素间的距离，比例的相关系数
由上述已有的技术方案可看出，最小二乘法只能适用于加性噪声的抑制，而无法改善乘性噪声下的应变计算信噪比；光矢量方法在处理材料复杂形变时，因其须在水平方向上引入矢量均值处理，导致应变计算精度低。
基于上述问题，本发明提供以下实施例：
具体实施例I：
如图1，一种基于贝叶斯神经网络的应变评估方法，包括：通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，生成训练数据集；将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型；将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，得到应变结果和对应贝叶斯神经网络的模型不确定度。
具体的，本实施例所述的方法的详细过程如下：
步骤1：训练数据集的生成。
由于网络的训练，需要准备大量的包裹相位图作为输入数据，以及相应的应变图作为标签数据。然而由于真实相衬光学相干弹性成像实验的复杂性，可获得的训练数据有限。此外在实际测量中，获取真实应变数据十分困难，故通过模拟数据代替实验数据进行网络训练，详细过程如下：
生成模拟相位图。通过计算机生成不同维度的伪随机数，如3×3、5×5、7×7等，并保证其概率分布服从高斯分布。然后使用拉格朗日插值方法得到高维高斯光滑表面，并将其作为相位图。
获取标签数据：相位图对应的应变。因应变本质上就是相位的深度方向梯度，再结合物理关系，故可通过沿相位图的纵轴计算来获取应变。
生成包裹相位图。将生成的相位图φ(x，y)带入下式，可得到相应的包裹相位图：
其中，Arg{}表示复函数的主值，j是虚数单位。
获取输入数据：带有散斑噪声的相位图。根据随机游走模型生成服从均匀分布的相位噪声矩阵η(T，y)，并获得带有散斑噪声的包裹相位图Δφη(T，y)：
其中，P表示概率分布，β用于控制噪声水平。
通过改变伪随机数的均值和方差以及改变噪声水平β，可获得大量的输入和标签数据。
步骤2：将生成的训练数据集作为网络的输入，对贝叶斯神经网络模型进行训练，得到已训练好的网络模型。
所使用的训练数据集大小为55000张，每张相位图的大小为256*256像素。
1)对贝叶斯神经网络进行搭建，其架构如图2所示：
本实施例提出的贝叶斯神经网络是基于U-Net的架构进行搭建的，U-Net是一个具有编码器和解码器的全卷积网络。在该架构中，使用大小为3×3的卷积核进行卷积层操作，并以ReLU函数，即ReLU(x)＝max(0，T)，激活。在每个卷积层之前，我们都加入了ConcreteDropout层。网络的输入是带有散斑噪声的包裹相位图，而输出包括预测结果的均值和方差。
具体来说，就是将一定大小的包裹相位差图输入到网络中，然后通过编码器处理。如图2中每一层下方的数字表示编码器卷积层中滤波器的数量，该数量等同于输出数据的通道数，其中滤波器的数量表示从输入中提取的特征图的数量。在沿着图像高度和宽度进行半采样后使用最大池化层进行下采样。接着，经过几个类似的池化和卷积块操作后，就可以提取更多的图像细节。最终，编码器获得原大小图像的1/16的高级特征。
随后，由解码器进行处理。解码器执行上采样操作以合成并恢复与输入图像大小相同的结果。上采样过程采用双线性插值法实现。在每次上采样操作中，都会发现跳跃连接用于将卷积层的输出与同等级别编码器的特征图进行连接。值得注意的是，贝叶斯神经网络的最后一层是合并层，包括两个卷积层。其中一个卷积层使用线性单元进行激活，用于生成预测结果的均值。另一个卷积层通过softplus函数，即softplus(T)＝log[exp(x)+1]，进行激活，用于生成预测结果的方差。
2)将训练数据集输入到如图1所示的贝叶斯网络模型中，将会得到网络预测结果的均值和方差。再结合真实应变数据，带入所定义的损失函数：
其中N表示真实数据y的总像素数，yi、μi、σi分别为真实数据y的像素点，网络预测结果像素点对应的均值和标准差。
3)通过ADAM优化算法不断调整参数，以得到损失函数的最小值。网络的迭代周期为100，批量处理大小设为15，并以10-4的学习率开始训练BNN，如果训练损失在6次迭代内不下降，就允许学习率下降至原来的1/10倍，这有助于损失函数在训练过程中脱离局部极小值。根据经验，我们选择了权重正则化项λ1＝10-b和dropout正则化项λ2＝10-5。随着网络的不断迭代，最终得到训练好的贝叶斯神经网络模型。
步骤3：将准备好的实验数据作为已训练过的贝叶斯神经网络模型的输入，得到网络预测出的应变结果和对应的模型不确定度。
对输入到网络的实验数据进行蒙特卡罗(Monte Carlo，MC)dropout采样，采样次数T＝50，将会收集到一组预测结果均值μ*。
将收集到的预测结果μ*带入如下等式，即可求得所需的应变ε和模型不确定度
下面结合硅橡胶薄膜热变形的具体实施例加以说明本发明技术方案。
利用上述生成数据集的过程，生成一定数量的训练数据集，如图3和4，生成的一些带有散斑噪声的包裹相位图和对应的真实应变数据。
通过将生成的训练集送入贝叶斯神经网络中进行训练，如图5是具体的训练过程，包括：
在训练BNN的过程中，将会得到预测结果的方差和均值。结合输入相位图对应的真实应变，带入到等式(13)所示的损失函数中，并使用自适应矩估计(ADAM)算法来调整参数，以找到损失函数的最小值。随着网络训练过程的不断进行，最终得到训练好的贝叶斯神经网络模型。
使用光学相干断层扫描(Optical coherence tomography，OCT)系统，得到表征硅橡胶薄膜热变形过程的一组包裹相位差图。将得到的包裹相位差图送入已训练好的BNN网络模型，便可得到应变场和对应的模型不确定度。优选的，本例中，光学相干断层扫描系统的激光器中心波长为8.4×10-7m，光源带宽为5×10-8m，组织折射率为n＝1；
如图6，在测试BNN时，使用蒙特卡罗dropout采样获得输入包裹相位图的BNN预测的T个样本。每个预测都会输出一组数据，包含预测结果的均值M(t)和方差V(t)。然后通过等式(14)以及等式(15)的计算，可以得到对应的应变场和模型不确定度。
验证环节：
对双层硅橡胶薄膜在冷却过程中的收缩变形进行了测量和验证，以下展示了双层硅橡胶薄膜不同温度使用不同应变计算方法的计算结果。
在本次实验实例中，图7的(a-1)至(a-4)分别展示了冷却过程中温度T＝50℃、45℃、40℃、35℃时的包裹相位图。图8的(b-1)至(b-4)表示的是使用光矢量法估计的应变场，并且这里使用的矢量方法适用的窗口大小为16×16。图9的(c-1)至(c-4)展示了通过本实施例提出BNN预测得到的应变场，同时也给出了对应的模型不确定度，如图10的(d-1)至(d-4)所示。可以看出，与图8相比，经由本实施例提出的方法重构的应变场分布更好。随着噪声水平的不断提升，对于两侧的区域，使用矢量法与本实施例提出的方法重构的应变场分布基本一致；因此，该方法能够准确地计算相位梯度，而且随着变形程度的增加，矢量方法的结果中存在无法正确计算的区域，但是本实施例提出的方法成功地估计了这些区域。说明了本实施例提出的方法能够更好地重建应变场分布。因而在图9的(c-1)至(c-4)中，能够得到以前未发现的应变场分布，例如，薄膜中间的收缩相位梯度高于两侧。同时，在图9(c-4)中，方框区域A、B、C随着噪声水平的不断提高，它们的不确定度平均值激增，例如区域A对应的不确定度区域的平均值从0.0154rad上升到0.1626rad。说明了这些区域的相位梯度是不可靠的，与经观察图9的(c-1)至3(c-4)得到的结论一致，故本实施例提出的方法预测结果的模型不确定度能够定量地反映应变场在不同区域的准确度。
由此可知，面向相衬光学相干弹性成像的力学性能表征需求，本发明所述的方法具有不牺牲成像分辨率、应变重构信噪比高特点。此外，在材料形变先验信息未知前提下，还可利用网络的模型不确定度定量给出网络应变结果的可靠性。
具体实施例II：
本发明还提供以下实施例：
一种电子装置，包括：存储介质和处理单元；其中，存储介质，用于对相衬光学相干弹性成像数据进行应变评估时，通过所述处理单元执行所述计算机程序，通过所述处理单元执行所述计算机程序，进行如具体实施例I所述的基于贝叶斯神经网络的应变评估方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序；所述计算机程序在运行时，执行如具体实施例I所述的基于贝叶斯神经网络的应变评估方法的步骤。
在本发明中，计算机可读的存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。上述本发明序号仅仅为了描述，不代表实施场景的优劣。
Claims (10)
1.基于贝叶斯神经网络的应变评估方法，其特征在于，包括：
通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，生成训练数据集；
将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型；
将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，得到应变结果和对应贝叶斯神经网络的模型不确定度。
2.根据权利要求1所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述通过模拟数据代替由真实相衬光学相干弹性成像实验生成的包裹相位图和与所述包裹相位图对应的应变图，包括：
生成模拟的相位图；
通过沿所述相位图的纵轴获取对应的应变图，将所述应变图作为标签数据；
通过下式获取所述包裹相位图：其中，所述φ(T，y)为相位图；Arg{}表示复函数的主值，j是虚数单位；
根据随机游走模型生成服从均匀分布的相位噪声矩阵η(x，y)，并获得带有散斑噪声的包裹相位图Δφη(x，y)，并将所述带有散斑噪声的包裹相位图作为输入数据；
其中，P表示概率分布，β用于控制噪声水平；
通过改变伪随机数的均值和方差以及改变噪声水平β，得到构建所述训练集所需的包裹相位图以及所述包裹相位图对应的应变图。
3.根据权利要求2所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述生成模拟的相位图，包括：
生成不同维度的伪随机数，并保证其概率分布服从高斯分布；
使用拉格朗日插值方法处理所述伪随机数，得到高维高斯光滑表面，并将其作为相位图。
4.根据权利要求1所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述将所述训练数据集作为网络输入，对贝叶斯神经网络模型进行训练，得到已训练的贝叶斯神经网络模型，包括：
构架所述贝叶斯神经网络；
将所述训练数据集输入至所述贝叶斯网络模型中，得到网络预测结果的均值和方差；
将真实应变数据与所述网络预测结果的均值和方差，同时带入损失函数中，并不断调整参数，以得到损失函数的最小值，得到所述已训练的贝叶斯神经网络模型。
5.根据权利要求4所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述构架所述贝叶斯神经网络，包括：
使用大小为3×3的卷积核进行卷积层操作，并以ReLU函数激活；
在每个卷积层之前，均设置有Concrete Dropout层。
6.根据权利要求4所述的基于贝叶斯神经网络的应变评估方法，其特征在于：
所述损失函数为：
其中N表示真实数据y的总像素数；yi为真实数据y的像素点；μi和σi分别为网络预测结果像素点对应的均值和标准差。
7.根据权利要求1所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述将待评估的相衬光学相干弹性成像数据作为已训练的贝叶斯神经网络模型的输入，包括：
对待评估的所述相衬光学相干弹性成像数据进行预设次数的采样，收集到一组预测结果均值；
通过收集到的预测结果得到应变结果和对应贝叶斯神经网络模型的不确定度。
8.根据权利要求7所述的基于贝叶斯神经网络的应变评估方法，其特征在于，所述通过收集到的预测结果得到应变结果和对应贝叶斯神经网络的模型不确定度，包括：
其中，μ*为预测结果均值；ε为应变结果；为模型不确定度。
9.一种电子装置，其特征在于，包括：
存储介质，用于存储计算机程序，
处理单元，与所述存储介质进行数据交换，用于对相衬光学相干弹性成像数据进行应变评估时，通过所述处理单元执行所述计算机程序，进行如权利要求1-8任一权利要求所述的基于贝叶斯神经网络的应变评估方法的步骤。
10.一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内存储有计算机程序；
所述计算机程序在运行时，执行如权利要求1-8任一权利要求所述的基于贝叶斯神经网络的应变评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888441.9A CN116895349A (zh) | 2023-07-19 | 2023-07-19 | 基于贝叶斯神经网络的应变评估方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310888441.9A CN116895349A (zh) | 2023-07-19 | 2023-07-19 | 基于贝叶斯神经网络的应变评估方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116895349A true CN116895349A (zh) | 2023-10-17 |
Family
ID=88313319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310888441.9A Pending CN116895349A (zh) | 2023-07-19 | 2023-07-19 | 基于贝叶斯神经网络的应变评估方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116895349A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094897A (zh) * | 2023-10-20 | 2023-11-21 | 广东工业大学 | 一种相衬光学相干弹性成像的超分辨相位梯度估计方法 |
| CN117470125A (zh) * | 2023-11-07 | 2024-01-30 | 广东工业大学 | 一种相衬光学相干弹性成像应变计算方法及系统 |
-
2023
- 2023-07-19 CN CN202310888441.9A patent/CN116895349A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094897A (zh) * | 2023-10-20 | 2023-11-21 | 广东工业大学 | 一种相衬光学相干弹性成像的超分辨相位梯度估计方法 |
| CN117094897B (zh) * | 2023-10-20 | 2024-02-02 | 广东工业大学 | 一种相衬光学相干弹性成像的超分辨相位梯度估计方法 |
| CN117470125A (zh) * | 2023-11-07 | 2024-01-30 | 广东工业大学 | 一种相衬光学相干弹性成像应变计算方法及系统 |
| CN117470125B (zh) * | 2023-11-07 | 2024-06-04 | 广东工业大学 | 一种相衬光学相干弹性成像应变计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116895349A (zh) | 基于贝叶斯神经网络的应变评估方法、装置及存储介质 | |
| Chung et al. | MR image denoising and super-resolution using regularized reverse diffusion | |
| Kamilov et al. | Optical tomographic image reconstruction based on beam propagation and sparse regularization | |
| Zhou et al. | An improved deep learning scheme for solving 2-D and 3-D inverse scattering problems | |
| Sica et al. | A CNN-based coherence-driven approach for InSAR phase unwrapping | |
| Chung et al. | Solving 3d inverse problems using pre-trained 2d diffusion models | |
| EP2210119B1 (fr) | Procede de reconstruction d'un signal a partir de mesures experimentales perturbees par le mouvement | |
| Cao et al. | High-frequency space diffusion model for accelerated mri | |
| US20140111374A1 (en) | Free-hand scanning and imaging | |
| CN111610374B (zh) | 一种基于卷积神经网络的散射场相位恢复方法 | |
| US11867786B2 (en) | Parameter map determination for time domain magnetic resonance | |
| Kelkar et al. | Prior image-constrained reconstruction using style-based generative models | |
| Barbieri et al. | Circumventing the curse of dimensionality in magnetic resonance fingerprinting through a deep learning approach | |
| Wang et al. | Modulator refinement algorithm for coherent modulation imaging | |
| CN117094897B (zh) | 一种相衬光学相干弹性成像的超分辨相位梯度估计方法 | |
| Metzler et al. | D-VDAMP: Denoising-based approximate message passing for compressive MRI | |
| CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
| Sahlström et al. | Utilizing variational autoencoders in the Bayesian inverse problem of photoacoustic tomography | |
| Latychevskaia | Reconstruction of missing information in diffraction patterns and holograms by iterative phase retrieval | |
| Agarwal et al. | Improving the performances of the contrast source extended Born inversion method by subspace techniques | |
| Berenger et al. | A deep learning approach for sar tomographic imaging of forested areas | |
| Smith-Dryden et al. | Optical diffraction tomography by use of optimization and phase-based fidelity criterion | |
| CN116735010A (zh) | 基于压缩支撑估计的3d多平面相位恢复算法、介质及设备 | |
| CN117437148A (zh) | 图像处理方法、装置、设备、存储介质和计算机程序产品 | |
| Krauze et al. | Limited-angle tomography applied to biological objects |
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 |