CN117635614A - 一种超快x射线成像无损检测方法及系统 - Google Patents
一种超快x射线成像无损检测方法及系统 Download PDFInfo
- Publication number
- CN117635614A CN117635614A CN202410106860.7A CN202410106860A CN117635614A CN 117635614 A CN117635614 A CN 117635614A CN 202410106860 A CN202410106860 A CN 202410106860A CN 117635614 A CN117635614 A CN 117635614A
- Authority
- CN
- China
- Prior art keywords
- layer
- detector
- ray imaging
- image
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000011084 recovery Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001066 destructive effect Effects 0.000 claims 2
- 230000004044 response Effects 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 3
- 230000002285 radioactive effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种超快X射线成像无损检测方法及系统,涉及无损检测技术领域,针对无损检测时数据采集、图像分析效率低的问题,本发明采用多个探测器像素单元构建子矩阵,再由多个子矩阵构建SiPM编码矩阵,并且将子矩阵同一位置的探测器像素单元相连,实现对图像模拟信号的压缩;通过调节不同探测器像素单元的权重偏压实现对放射性图像的差异化信号响应,完成对图像模拟信号的编码;由此将SiPM构建成自编码器,可以在很大程度上减少每帧射线图像需要采集的模拟信号数据量,之后再利用神经网络模型重建待检测物品的图像,实现超快X射线成像无损检测。
Description
技术领域
本发明涉及无损检测技术领域,尤其涉及一种超快X射线成像无损检测方法及系统。
背景技术
随着科技的发展,超高速射线成像技术作为重要的无损检测技术,在材料科学、生物医学和军事研究等方面发挥着不可替代的作用,例如监测三维打印和激光加工过程、研究材料缺陷损伤及动力学、探索生物动态行为、分析弹丸和爆炸物特征等,它能够在超精细的时间尺度上解析物体内部的变化过程。
传统无损检测设备在实时采集和处理射线图像信号时,现有数据采集卡连续处理图像的速率难以超过百万帧率;通过采用大量数据采集卡同步处理,可以提升图像信号处理速率,但是会大幅增加设备体积、功耗和经济成本,制约着无损检测技术的进一步发展。
近年来,光学领域的研究中出现了一些打破传统成像架构的仿生图像传感器,它可以在传感图像的同时对其进行压缩编码,从而有效克服采集速率的限制,为超高速射线成像开辟了一条十分有前景的新思路。
因此,如何设计一个数据采集快、图像分析效率高的无损检测方法,成为本领域一个亟待解决的问题。
发明内容
为解决上述问题,本发明提供一种超快X射线成像无损检测方法,具体包括如下步骤:
步骤S1,通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连;
步骤S2,将所述初始检测信号输入神经网络模型,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号;所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像;
步骤S3,根据所述重建的图像,输出无损检测结果。
进一步的,每个所述子矩阵中的不同的探测器像素单元设置不同的权重值,且不同的所述子矩阵中相同的位置的探测器像素单元具有同样的权重值,根据所述权重值,对探测器像素单元设置偏压值。
进一步的,所述根据所述权重值,对探测器像素单元设置偏压值的方法为:
将SiPM探测器工作电压作为参考电压,权重值设置为1,将地线权重值设置为0,对偏压值进行归一化设置;
由神经网络模型给出偏压矩阵,所述偏压矩阵大小与SiPM探测器子矩阵大小一致,SiPM探测器工作电压为V0,若神经网络给出某一个像素单元的偏压值权重为q,0≤q≤1,则该像素单元的偏压值v=V0×q;
通过滑动变阻器分压原理对该像素单元的偏压值进行调节,实现探测器像素单元的偏压值设置。
进一步的,所述输入层神经元的个数为N,其中N为所述SiPM探测器中子矩阵个数。
进一步的,所述编码层的激活函数为Relu函数,神经元的个数为M,其中M为所述子矩阵中探测器像素单元的个数。
进一步的,所述恢复层的激活函数为tanh函数,层数为3层,每层神经元的个数L满足条件:L=1.5×N。
进一步的,所述重建层的激活函数为sigmoid函数,层数为1层,神经元的个数为N。
进一步的,所述神经网络模型的优化器设置为自适应矩估计;损失函数设置为均方根函数。
一种超快X射线成像无损检测系统,使用如上任一项所述的超快X射线成像无损检测方法,包括以下模块:
数据探测模块:用于通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连;
神经网络模型,与所述数据探测模块连接,用于接收所述初始检测信号,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号;所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像;
检测结果输出模块:与所述神经网络模型连接,用于根据所述重建的图像,输出无损检测结果。
一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如上任一项所述的超快X射线成像无损检测方法的步骤。
与现有技术相比较,本申请的有益效果在于:
其一,本发明采用多个探测器像素单元构建子矩阵,由子矩阵构建SiPM编码矩阵,并且将子矩阵同一位置的探测器像素单元相连,实现对图像模拟信号的压缩;通过调节不同探测器像素单元的权重偏压实现对放射性图像的差异化信号响应,完成对图像模拟信号的编码;由此将SiPM构建成自编码器,可以在很大程度上减少每帧射线图像需要采集的模拟信号数据量,之后再利用神经网络模型重建待检测物品的图像,实现超快X射线成像无损检测;
其二,本发明在超快X射线成像无损检测系统构建时,通过FPGA将各个功能模块进行了集成,实现图像数据采集、分析、重建,大大缩小了设备体积、功耗和经济成本,促进了无损检测技术的进一步发展。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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它的附图。
图1为本发明的超快X射线成像无损检测方法执行流程图;
图2为SiPM探测器结构图;
图3为神经网络模型的结构图;
图4为本发明的超快X射线成像无损检测系统结构示意图;
图5为本发明的超快X射线成像无损检测设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
下面结合附图对本申请的具体实施方式做出说明。
本发明提出了一种超快X射线成像无损检测方法,针对无损检测时数据采集、图像分析效率低的问题,本发明采用多个探测器像素单元构建子矩阵,再由多个子矩阵构建SiPM编码矩阵,并且将子矩阵同一位置的探测器像素单元相连,实现对图像模拟信号的压缩;通过调节不同探测器像素单元的权重偏压实现对放射性图像的差异化信号响应,完成对图像模拟信号的编码;由此将SiPM构建成自编码器,可以在很大程度上减少每帧射线图像需要采集的模拟信号数据量,之后再利用神经网络模型重建待检测物品的图像,实现超快X射线成像无损检测。
实施例1
如图1所示,本发明提出了一种超快X射线成像无损检测方法,具体包括如下步骤:
步骤S1,通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连。
将待检测物品置于X射线束和SiPM探测器之间,SiPM探测器用于与空间环境中的X射线发生相互作用,产生电子空穴对,形成电压信号。当X射线照射到不同物品时,由于物品材质的不同,在SiPM探测器上形成的图像的颜色梯度就会不同,因此可以通过获得物品的检测信号实现无损检测。
在构建SiPM探测器时,首先构建子矩阵,每个子矩阵由M个探测器像素单元排布构成,多个子矩阵排列成探测器矩阵,再将相同位置的探测器像素单元进行并联,实现对图像模拟信号的压缩。
图2是SiPM探测器结构图。S11~S1M为M个探测器像素单元,这M个探测器像素单元构成一个子矩阵,一个SiPM探测器阵列由N个相同的所述子矩阵构成,即子矩阵P1~PN。
为了提升信号采集的效率,本发明将不同子矩阵同一位置的探测器像素单元相连,即将S11、S21、……、SN1的信号输出端进行并联,得到输出I1,将S12、S22、……、SN2的信号输出端进行并联,得到输出I2,……,将S1M、S2M、……、SNM的信号输出端进行并联,得到输出IM,即构建的SiPM探测器输出的初始检测信号为M个信号I1、I2、……、IM,实现对图像模拟信号的压缩。通过该设计,实现了一个采样周期获得多个探测器像素单元输出信号的目的,提升了数据采集的效率。
步骤S2,将所述初始检测信号输入神经网络模型,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号,所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像。
为实现对SiPM探测器输出的放射性图像的差异化信号响应;本发明通过调节不同探测器像素单元的权重偏压完成对图像模拟信号的编码。
每个所述子矩阵中的不同的探测器像素单元设置不同的权重值,且不同的所述子矩阵中相同的位置的探测器像素单元具有同样的权重值,根据所述权重值,对探测器像素单元设置偏压值。
所述根据所述权重值,对探测器像素单元设置偏压值的方法为:
将SiPM探测器工作电压作为参考电压,权重值设置为1,将地线权重值设置为0,对偏压值进行归一化设置;
根据所述权重值确定探测器像素单元的偏压值。对探测器像素单元设置偏压值是通过神经网络模型自适应的调节实现的,神经网络模型首先获取SiPM探测器输出的初始检测信号,利用滑动变阻器分压原理调节探测器像素单元的偏压值,信号响应强度会随着偏压的改变而产生变化,神经网络模型根据获取的信号强度自适应的调节偏压矩阵,动态的调节探测器像素单元的偏压值,直至根据获取的信号可以重建出待检测物品的图像。
进一步的,设SiPM探测器工作电压为V0,若神经网络给出某一个像素单元的偏压值权重为q,0≤q≤1,则该像素单元的偏压值v=V0×q,通过滑动变阻器分压原理对该像素单元的偏压值进行调节。
为获取重建后的图像,神经网络模型会不断地调整偏压矩阵的值,而偏压矩阵为图像重建过程中的参数,该参数与检测物品的材质有关,经过大量的训练,神经网络模型可以根据检测的物品给出合适的偏压权重,以使得可以对待检测物品的图像进行重建。
图3为神经网络模型的结构图。所述神经网络模型由输入层P、编码层I、恢复层A和重建层P′组成,所述神经网络模型的优化器设置为自适应矩估计;损失函数设置为均方根函数。将大量原始图像作为数据集,按比例划分为训练集和测试集,输入编码器进行训练;经编码器编码后的图像(编码器的输出),作为解码器的训练数据;解码器的训练集、测试集及对应标签的划分与上述编码器数据集的划分相同。
所述输入层用于接收所述SiPM探测器输出的初始检测信号,神经元的个数为N,其中N为所述SiPM探测器中子矩阵个数。
所述编码层实现对所述初始检测信号的编码,激活函数为Relu函数,神经元的个数为M,其中M为所述子矩阵中探测器像素单元的个数。
所述恢复层用于对编码层输出的编码信号进行解码,激活函数为tanh函数,层数为3层,每层神经元的个数L满足条件:L=1.5×N。
所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像,激活函数为sigmoid函数,层数为1层,神经元的个数为N。
步骤S3,根据所述重建的图像,输出无损检测结果。
本发明通过神经网络模型对检测的物体进行图像重建,根据图像记录检测到的缺陷、裂纹等问题的位置、大小和性质等,再根据相关标准对结果进行判定,判断是否符合相应的要求,实现了整个检测过程的自动化、高效性及准确性。
实施例2
如图4所示,本发明还提出一种超快X射线成像无损检测系统,使用如实施例1任一项所述的超快X射线成像无损检测方法,包括以下模块:
数据探测模块:用于通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连;
神经网络模型,与所述数据探测模块连接,用于接收所述初始检测信号,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号,所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像;
检测结果输出模块:与所述神经网络模型连接,用于根据所述重建的图像,输出无损检测结果。
如图5所示,为实现本发明的无损检测,在硬件电路搭建上采用基于FPGA的超高速数据采集及传输模块,用于算法的处理、成像结果的展示以及数据的传输;编码图像模拟信号由信号线引出,经放大器进行线性放大后,被基于FPGA的超高速数据采集模块进行采集和存储;数据处理完成后,根据需求,数据传输方式包括有线传输和无线传输,同时可直观展示成像结果,完成超快X射线无损检测。
进一步的,需要对SiPM探测器输出的信号进行数据处理。
采用超灵敏前置放大器,用于放大阵列探测器输出的微弱电压信号;基于所述电压信号的脉冲幅度,确定前置放大器放大倍数;基于所述前置放大器放大倍数,确定前置放大器电路结构与电子器件参数。
采用滤波与数字成形电路,用于剔除信号中的噪声并改善信号的脉冲波形;确定信号与噪声所具有的频谱特性,例如核信号脉冲幅度为30mV,脉冲宽度为100ns,噪声幅度10mV,基于噪声与核信号的幅度差异可以进行信噪比计算,进而确定最优滤波参数,包括滤波电路中的电容、电阻、电感值等,完成滤波电路设计;基于所述最优滤波参数,确定滤波处理后电压信号脉冲形状,包括电压脉冲信号的高度值与宽度值;基于所述滤波处理后电压信号脉冲形状,确定数字成形电路结构与电子器件参数。
实施例3
一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如实施例1任一项所述的超快X射线成像无损检测方法的步骤。
实施例4
一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序指令,所述计算机程序指令使计算机执行如实施例1任一项所述的超快X射线成像无损检测方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其它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、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法或者设备所固有的要素。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、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种超快X射线成像无损检测方法,其特征在于,包括如下步骤:
步骤S1,通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连;
步骤S2,将所述初始检测信号输入神经网络模型,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号,所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像;
步骤S3,根据所述重建的图像,输出无损检测结果。
2.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,每个所述子矩阵中的不同的探测器像素单元设置不同的权重值,且不同的所述子矩阵中相同的位置的探测器像素单元具有同样的权重值,根据所述权重值,对探测器像素单元设置偏压值。
3.根据权利要求2所述的一种超快X射线成像无损检测方法,其特征在于,所述根据所述权重值,对探测器像素单元设置偏压值的方法为:
将SiPM探测器工作电压作为参考电压,权重值设置为1,将地线权重值设置为0,对偏压值进行归一化设置;
由神经网络模型给出偏压矩阵,所述偏压矩阵大小与SiPM探测器子矩阵大小一致,SiPM探测器工作电压为V0,若神经网络给出某一个像素单元的偏压值权重为q,0≤q≤1,则该像素单元的偏压值v=V0×q;
通过滑动变阻器分压原理对该像素单元的偏压值进行调节,实现探测器像素单元的偏压值设置。
4.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,所述输入层神经元的个数为N,其中N为所述SiPM探测器中子矩阵个数。
5.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,所述编码层的激活函数为Relu函数,神经元的个数为M,其中M为所述子矩阵中探测器像素单元的个数。
6.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,所述恢复层的激活函数为tanh函数,层数为3层,每层神经元的个数L满足条件:L=1.5×N。
7.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,所述重建层的激活函数为sigmoid函数,层数为1层,神经元的个数为N。
8.根据权利要求1所述的一种超快X射线成像无损检测方法,其特征在于,所述神经网络模型的优化器设置为自适应矩估计;损失函数设置为均方根函数。
9.一种超快X射线成像无损检测系统,使用如权利要求1至8任一项所述的超快X射线成像无损检测方法,其特征在于,包括以下模块:
数据探测模块:用于通过X射线束和SiPM探测器获取待测物品的初始检测信号;所述SiPM探测器由N个相同的子矩阵构成,所述子矩阵由M个探测器像素单元排布构成,所有子矩阵同一位置的探测器像素单元相连;
神经网络模型,与所述数据探测模块连接,用于接收所述初始检测信号,输出待检测物品重建的图像;所述神经网络模型由输入层、编码层、恢复层和重建层组成;所述输入层用于接收所述SiPM探测器输出的初始检测信号,所述编码层实现对所述初始检测信号的编码,所述恢复层用于对编码层输出的编码信号进行解码,所述重建层用于根据恢复层输出的解码信号对待检测物品的图像进行重建,输出重建的图像;
检测结果输出模块:与所述神经网络模型连接,用于根据所述重建的图像,输出无损检测结果。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的超快X射线成像无损检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410106860.7A CN117635614B (zh) | 2024-01-25 | 2024-01-25 | 一种超快x射线成像无损检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410106860.7A CN117635614B (zh) | 2024-01-25 | 2024-01-25 | 一种超快x射线成像无损检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635614A true CN117635614A (zh) | 2024-03-01 |
CN117635614B CN117635614B (zh) | 2024-04-02 |
Family
ID=90025541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410106860.7A Active CN117635614B (zh) | 2024-01-25 | 2024-01-25 | 一种超快x射线成像无损检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635614B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521459A (zh) * | 2018-12-07 | 2019-03-26 | 深圳先进技术研究院 | 一种射线在闪烁晶体中的击中点定位方法及其系统 |
EP3576049A2 (en) * | 2018-05-31 | 2019-12-04 | Canon Medical Systems Corporation | An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium |
CN110782502A (zh) * | 2018-07-31 | 2020-02-11 | 通用电气公司 | 基于深度学习的pet散射估计系统和使用感知神经网络模型的方法 |
CN110971796A (zh) * | 2019-11-28 | 2020-04-07 | 南昌大学 | 一种基于SiPM的超快相机及其成像方法 |
ES2783173A1 (es) * | 2019-03-14 | 2020-09-16 | Univ Valencia Politecnica | Metodo y dispositivo para la deteccion de rayos gamma con capacidad de determinacion de interacciones multiples y de su secuencia de tiempo correspondiente |
DE102019007136B3 (de) * | 2019-10-15 | 2020-10-08 | Forschungszentrum Jülich GmbH | Verfahren zur Positions- und Energiebestimmung in Szintillationsdetektoren |
CN111766620A (zh) * | 2020-07-08 | 2020-10-13 | 北京卫星环境工程研究所 | 一种区域性便携式多终端的伽马射线监测系统 |
CN111953350A (zh) * | 2020-08-11 | 2020-11-17 | 明峰医疗系统股份有限公司 | 基于重心法的SiPM阵列读出装置及读出方法 |
CN114596460A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 一种基于编码板的超高速射线图像识别方法 |
CN114897800A (zh) * | 2022-04-22 | 2022-08-12 | 南京航空航天大学 | 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 |
CN217638781U (zh) * | 2021-12-14 | 2022-10-21 | 奕瑞影像科技成都有限公司 | 手持背散射成像探测器及手持背散射成像仪 |
CN115420226A (zh) * | 2022-09-29 | 2022-12-02 | 成都理工大学 | 基于脉冲宽度的射线作用位置定位装置及定位方法 |
CN115755149A (zh) * | 2022-10-28 | 2023-03-07 | 成都理工大学 | 基于连续晶体伽马成像探测器的入射射线智能定位方法 |
CN116125524A (zh) * | 2022-12-23 | 2023-05-16 | 成都理工大学 | 一种阵列自编码探测器系统及其成像方法 |
CN219625720U (zh) * | 2023-04-11 | 2023-09-01 | 深圳技术大学 | 一种基于闪烁光纤阵列的成像系统 |
-
2024
- 2024-01-25 CN CN202410106860.7A patent/CN117635614B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3576049A2 (en) * | 2018-05-31 | 2019-12-04 | Canon Medical Systems Corporation | An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium |
CN110782502A (zh) * | 2018-07-31 | 2020-02-11 | 通用电气公司 | 基于深度学习的pet散射估计系统和使用感知神经网络模型的方法 |
CN109521459A (zh) * | 2018-12-07 | 2019-03-26 | 深圳先进技术研究院 | 一种射线在闪烁晶体中的击中点定位方法及其系统 |
ES2783173A1 (es) * | 2019-03-14 | 2020-09-16 | Univ Valencia Politecnica | Metodo y dispositivo para la deteccion de rayos gamma con capacidad de determinacion de interacciones multiples y de su secuencia de tiempo correspondiente |
DE102019007136B3 (de) * | 2019-10-15 | 2020-10-08 | Forschungszentrum Jülich GmbH | Verfahren zur Positions- und Energiebestimmung in Szintillationsdetektoren |
CN110971796A (zh) * | 2019-11-28 | 2020-04-07 | 南昌大学 | 一种基于SiPM的超快相机及其成像方法 |
CN111766620A (zh) * | 2020-07-08 | 2020-10-13 | 北京卫星环境工程研究所 | 一种区域性便携式多终端的伽马射线监测系统 |
CN111953350A (zh) * | 2020-08-11 | 2020-11-17 | 明峰医疗系统股份有限公司 | 基于重心法的SiPM阵列读出装置及读出方法 |
CN217638781U (zh) * | 2021-12-14 | 2022-10-21 | 奕瑞影像科技成都有限公司 | 手持背散射成像探测器及手持背散射成像仪 |
CN114596460A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 一种基于编码板的超高速射线图像识别方法 |
CN114897800A (zh) * | 2022-04-22 | 2022-08-12 | 南京航空航天大学 | 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 |
CN115420226A (zh) * | 2022-09-29 | 2022-12-02 | 成都理工大学 | 基于脉冲宽度的射线作用位置定位装置及定位方法 |
CN115755149A (zh) * | 2022-10-28 | 2023-03-07 | 成都理工大学 | 基于连续晶体伽马成像探测器的入射射线智能定位方法 |
CN116125524A (zh) * | 2022-12-23 | 2023-05-16 | 成都理工大学 | 一种阵列自编码探测器系统及其成像方法 |
CN219625720U (zh) * | 2023-04-11 | 2023-09-01 | 深圳技术大学 | 一种基于闪烁光纤阵列的成像系统 |
Non-Patent Citations (5)
Title |
---|
JUN YEON WON 等: "Comparator-less PET data acquisition system using single-ended memory interface input receivers of FPGA", 《IPEM》, 29 July 2020 (2020-07-29), pages 1 - 33 * |
P.AI 等: "Neural network-featured timing systems for radiation detectors: performance evaluation based on bound analysis", 《JINST》, 16 September 2021 (2021-09-16), pages 1 - 25 * |
张锐: "基于人工神经网络的编码孔γ相机成像方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 07, 15 July 2021 (2021-07-15), pages 138 - 551 * |
李金佳: "水下无线光通信系统及其单光子MIMO探测理论研究", 《中国博士论文全文数据库信息科技辑》, no. 02, 15 February 2023 (2023-02-15), pages 136 - 169 * |
石人刚: "位置灵敏γ成像定位算法技术研究", 《中国博士论文全文数据库工程科技Ⅱ辑》, no. 01, 15 January 2020 (2020-01-15), pages 040 - 46 * |
Also Published As
Publication number | Publication date |
---|---|
CN117635614B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359519A (zh) | 一种基于深度学习的视频异常行为检测方法 | |
CN106485764B (zh) | Mri图像的快速精确重建方法 | |
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 | |
CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
CN102497810B (zh) | 用于影响和/或探测视场中的磁性粒子的装置和方法 | |
CN104240270A (zh) | Ct成像方法和系统 | |
CN114723842B (zh) | 基于深度融合神经网络的稀疏视角ct成像方法和设备 | |
CN110720915A (zh) | 一种基于gan的脑部电阻抗断层成像方法 | |
CN104569002A (zh) | 基于光子计数的x射线相衬成像系统、方法及其设备 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN112881308B (zh) | 一种基于宽光谱编码和深度学习的光谱相机 | |
Wu et al. | Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM) | |
CN117635614B (zh) | 一种超快x射线成像无损检测方法及系统 | |
CN110119397A (zh) | 一种同时实现数据异常检测及数据压缩的深度学习方法 | |
CN103018284A (zh) | 一种基于二端子阻抗测量模式的四端子电阻抗层析成像方法 | |
CN111784650A (zh) | 基于图形图像处理技术的果实含水率检测方法 | |
CN104570039A (zh) | 一种微弱放射性检测装置及检测方法 | |
CN113793340B (zh) | 一种图像分割神经网络及远程生物成像方法及系统 | |
CN110285755A (zh) | 一种用于筛选关联成像采样数据的装置和方法 | |
JP2023539091A (ja) | X線イメージングに関連する方法及びシステム | |
CN114693568A (zh) | 一种高质量核磁共振图像的成像方法与系统 | |
CN117372565B (zh) | 一种基于神经网络时相判别的呼吸门控ct成像方法 | |
CN109272561A (zh) | 基于空谱联合多假设预测的高光谱图像压缩感知重构方法 | |
CN112927132B (zh) | 提升pet系统空间分辨率均匀性的pet图像重建方法 |
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 |