[go: up one dir, main page]

CN114595740B - 一种基于光电探测器的超高速射线图像识别方法 - Google Patents

一种基于光电探测器的超高速射线图像识别方法 Download PDF

Info

Publication number
CN114595740B
CN114595740B CN202210035471.0A CN202210035471A CN114595740B CN 114595740 B CN114595740 B CN 114595740B CN 202210035471 A CN202210035471 A CN 202210035471A CN 114595740 B CN114595740 B CN 114595740B
Authority
CN
China
Prior art keywords
neural network
bias
image
processor
photoelectric detector
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
CN202210035471.0A
Other languages
English (en)
Other versions
CN114595740A (zh
Inventor
王泽宇
汤晓斌
龚频
孟凯
周程
程金星
朱晓翔
梁大戬
王庆波
温伟伟
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
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210035471.0A priority Critical patent/CN114595740B/zh
Publication of CN114595740A publication Critical patent/CN114595740A/zh
Application granted granted Critical
Publication of CN114595740B publication Critical patent/CN114595740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开一种基于光电探测器的超高速射线图像识别方法，包括：获得多个经X射线穿过物体后的输入图像；搭建神经网络，并利用多个输入图像对神经网络进行训练和验证，得到训练验证后的神经网络，其中训练验证后的神经网络包括权重信息，且能够输出输入图像的类别信息；提取权重信息，构建多个输入图像对应的光电探测器的偏压处理器，偏压处理器能够通过对光电探测器的输出脉冲光电信号进行相应调整，实现神经网络的权重计算过程；利用偏压装置对光电探测器的电压进行不同的偏压调整，使得调整后的光电探测器将探测到的每一个像素产生的的脉冲光电信号也进行相应调整后，再按照神经网络中的对应关系连接，即可得到目标物体X射线图像的识别结果。

Description

一种基于光电探测器的超高速射线图像识别方法
技术领域
本申请涉及激光加工在线监测技术领域，特别地，涉及一种基于光电探测器的超高速射线图像识别方法。
背景技术
激光热加工是指利用激光束投射到材料表面产生的热效应来完成加工过程，包括激光焊接、激光雕刻切割、表面改性、激光镭射打标、激光钻孔和微加工等。在激光加工过程中，由于加工材料和加工需求的差异，往往需要实时调整工艺参数，来提升加工质量。但是材料性质多种多样，内部结构也差异很大，且加工过程中难以通过实时监测获得加工的内部结构，因此也就对实时调整参数带来困难。
为获得激光加工过程中的材料的内部工况，现今往往通过光、电、热等信号的变化来判断。但此种方法一来容易受到外界环境的干扰，出现结果偏差，二来也因为材料性质不同，容易造成失真。且目前的激光加工在线监测技术主要是对表层现象的进行监测，对深度方向上的缺陷缺乏有效监测，而深度方向的缺陷是造成裂纹等材料失效的关键因素。
因此有必要开发一种设备，该设备不仅能够实时监测激光加工的材料内部，防止缺陷的产生，同时也可对不同材料不同环境及时做出调整。解决激光加工过程中的各种难题，以提升激光加工过程中精度。
发明内容
针对现有技术的不足，本发明提供一种基于光电探测器的超高速射线图像识别方法，包括：S1，获得多个经X射线穿过物体后光电探测器得到的输入图像；S2，根据具有多像素的像素化光电探测器的探头像素和所述输入图像的分类数量，搭建神经网络，并利用多个所述输入图像对所述神经网络进行训练和验证，得到训练验证后的神经网络，其中所述训练验证后的神经网络包括权重信息，且能够输出所述输入图像的类别信息；S3，提取所述权重信息，构建多个所述输入图像对应的所述光电探测器的偏压处理器，所述偏压处理器能够通过对所述光电探测器的输出脉冲光电信号进行相应调整，实现神经网络的权重计算过程；S4，利用所述偏压装置对所述光电探测器的电压进行不同的偏压调整，使得调整后的所述光电探测器将探测到的每一个像素产生的的所述脉冲光电信号也进行相应调整后，再按照所述训练验证后的神经网络中的对应关系连接，即可得到目标物体X射线图像的识别结果。
进一步地，在神经网络中提取权重信息构建偏压处理器的方法包括：在训练好的神经网络中，依据如下公式计算输出所述输入图像的类别信息：
其中，C代表目标类别，Ci代表第i类，n代表图像像素数量，tm代表第m个像素，代表i类图像第m个像素的权重，bi代表偏置，f为从求和节点到最终输出值所对应的激活函数，所述激活函数不改变输出值的相对大小，只使得大数值更大，小数值更小，以更清晰准确的获得分类结果；
提取公式中每一次得到的权重值，并对所述权重值进行训练，以得到所述权重值对应的所述偏压装置。
本申请涉及一种高速X射线图像识别设备包括：光电探测器，探测到像素的脉冲光电信号；偏压处理器，所述偏压处理器执行任一上述的识别方法，将所述脉冲光电信号输出为目标状态信息。
本申请还涉及一种装置，包括：处理器；以及存储器，存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行执行如1-7中任一所述的识别方法，将所述脉冲光电信号输出为目标状态信息。
本申请还涉及一种非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行任一上述的识别方法，将所述脉冲光电信号输出为目标状态信息。
针对目前激光加工在线监测中监测精度低，加工深度方向上难以监测等问题。本申请提出了一种结合X射线成像技术的基于光电探测器的人工智能高速射图像识别技术，依靠目前人工智能算法中较为成熟的反向传播神经网络(BPNN)，将训练好的神经网络中的权重，结合光电探测器输出信号随所加偏压进行变化的特点，把神经网络权重等效于光电探测器所加的偏压，使进入到像素化探头后的原始X射线图像数据变为经过权重加工过的带有图像特征信息的电信号，之后探测器将接收到的上述的差异信号进行整合并直接输出电信号，根据此信号可立即判断目标。相比于传统的图像识别技术，此技术无需在计算机CPU上进行复杂的模数转换和后续的信息处理的繁琐过程。目前该技术根据X射线的发射频率和脉冲电信号的宽度，至高可达到ns级的图像识别和即时反馈速率，可以在激光加工过程中进行实时监测和高速反馈的同时，具备加工深度等方向上常规光学手段无法观测的实时监测能力。
本方法使用对材料具有一定穿透性的X射线，结合人工神经网络算法，是将常规需运行于计算机cpu等数字芯片中处理的图像识别算法移植于硬件模拟电路实现，做到在像素化探测器接收到穿过待测物体X射线的瞬间所输出的模拟信号，来实现对目标物体状态形貌的判断，并立即反馈给加工设备，以实时调整加工参数。
综合来说，本申请从数学原理和方法上，把原本需在计算机中实现的神经网络算法转移到光电探测器的像素化探头和偏压调整中，使在用算法进行图像识别时无需进行信号的模数转换和计算机芯片等的处理过程，可将图像识别速率从ms量级提升到ns量级。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本申请基于光电探测器的超高速成像方法的流程示意图。
图2为本申请实施例选用的初始目标图像和加入高斯噪声后的图像示意图。
图3示出了光电探测器阵列的每个像素输出脉冲光电信号随偏压的变化关系图。
图4显示了输入图像的一维化过程。
图5为本方法中所应用的神经网络结构进行计算并输出类别信息的过程。
图6示出了网络权重提取与光电探测器偏压的对应关系举例。
图7示出了光电探测器阵列像素连接关系。
图8为高速X射线图像识别设备的结构图。
图9为激光加工过程中利用本申请快速成像装置进行监测的模型图。
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。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"坚直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"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。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"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，也可以是电连接或可以相互通讯；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或两个元件的相互作用关系。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在本发明中的具体含义。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
图1为本申请基于光电探测器的射线快速成像方法的流程示意图。
如图1所示，本申请中基于光电探测器的射线快速成像的方法主要通过以下步骤：
S1，获取待识别目标，待识别目标，即为现实中多个经X射线穿过物体后探测器得到的输入图像，例如无损检测技术中检测到的图像。再将该多个输入图像中分别加入加入高斯噪声，以获得足够数量的图像数据，此为待识别目标。
S2，搭建神经网络，利用待识别目标，即上述的图像数据分类数量和实际状态下具有多像素的像素化探测器中探头像素尺寸，搭建神经网络，并利用上述的图像数据对该神经网络中进行训练和验证，得到训练验证后的神经网络。经过训练验证后的神经网络能够输出该待识别目标，也就是输入图像的类别，据此可知对应的原图像的信息。其中，该训练验证后的神经网络中包括权重信息，权重信息相当于对原输入图像的处理过程，后续将详细描述。
S3，根据上述权重信息，构建多个输入图像对应的光电探测器的偏压处理器，该偏压处理器能够通过对光电探测器的输出脉冲光电信号进行调整，对应的是神经网络的权重计算过程。
S4，由于光电探测器的输出脉冲光电信号幅度随所加偏压的大小变化而变化的特点，因此可在光电探测器上添加偏压处理器，进行偏压调整，使得调整后的探测器将探测到的每一个像素产生的的所述脉冲光电信号也进行相应调整，该调整过程类似于权重处理过程。再按照训练验证后的神经网络中的对应关系连接，即可得到目标物体X射线图像的识别结果。
下面将对每一步骤进行详细的说明。
步骤S1，获取待识别目标，即足够的训练数据。图2为本申请实施例选用的初始目标图像和加入高斯噪声后的图像示意图。如图2所示，初始目标为4个，分别为A、F、I、J字样，图像数量过少。对其进行数据量扩充，在图像中加入高斯噪声。如图中输入图像为4*4的像素，在其中加入信噪比为3、1、0.5的噪声，获得的图像如图2右侧所示。可以看出通过加入噪声，图片的清晰度得到一定的下降，信噪比越低，清晰度越差。通过以上方法并结合实际的目标分类数目、图形复杂度等，可以将输入数据扩充在万张甚至几百万张的数量级。以这种方式训练可以大大提高当输入图形均匀性不理想或存在其他干扰因素时，探测设备得到数据结果的容错率。
步骤S2，搭建神经网络，并对神经网络进行训练。根据实际情况中探头的像素尺寸和上述训练数据的图像的分类数，搭建神经网络。并利用上述训练数据图像对神经网络进行训练，获得训练后的神经网络。
其中，图像的分类数可以根据实际情况进行设置，如本实施例中的图像类别为4，即分类数为4。依据输入图像和分类数搭建神经网络的方法为行业内熟知的方法，在此不做赘述。
神经网络的训练，需要将初始数据划分为训练集和验证集。训练集负责训练神经网络以得到最优化发输出结果的数据集，验证集需要对训练好的神经网络准确性进行验证。本文设置的训练集：验证集比例为0.8：0.2(可根据实际应用效果划分为其他比例，即所有数据的80％用于训练，剩下的用于验证)。
步骤S3，提取神经网络中的权重信息用于制作偏压处理器。
图3示出了光电探测器阵列的每个像素输出脉冲光电信号随偏压的变化关系图。可以推断，由于神经网络中对图像的处理过程，可以对应为通过偏压调整，导致的图像输出的脉冲光电信号变化的过程。因此提取权重信息，对应为偏压调整。
具体来说，训练神经网络时，将输入图像一维化输入神经网络中，经过计算处理输出该输入图像的类别信息。这一计算处理过程中，提取这其中的神经网络参数，即权重信息，此为构建偏压处理器所需。
图4显示了输入图像的一维化过程。如图4所示，最左图为原图像，中间图为加入高斯噪声后的图像，以模拟射线探测到图像。最右图为，将该图像一维化后生成的像素矩阵参数。
需特别注意的是，神经网络中一些参数的选择如下，在所有输入与神经元之间采用全连接的方式。损失函数选用了交叉熵损失函数，神经网络的激活函数选用了softmax。同时在网络训练时采用了随机梯度下降和学习率衰减的方法进行训练，为了防止过拟合还应用了L2正则化方法，在1000次迭代后的损失值稳定在了0.75左右，最终验证算法准确率97.8％。网络输出选取独热编码(One-hot)方式，即每次输出结果中只有一个值被“点亮”，这种方法可以最大化提高输出值的准确性。
图5为本方法中所应用的神经网络结构进行计算并输出类别信息的过程。图5表示的计算过程可由下述公式解释。
依据如下公式：
其中，C代表目标类别，Ci代表第i类，n代表图像像素数量，tm代表第m个像素，代表i类图像第m个像素的权重，bi代表偏置，f为从求和节点到最终输出值所对应的激活函数，所述激活函数不改变输出值的相对大小，只使得大数值更大，小数值更小，以更清晰准确的获得分类结果；
之后将训练好的神经网络权重提取出来，按比例制作对应的偏压处理器。
再进一步地，例如，图5左边当输入到偏压处理器为具体图案时，图案中的每一像素值在计算机中代表着对应的像素ni，即图5左边的白色圆圈，计算机语言中的ni*Pni在探测器中就相当于某一像素反馈的电信号进行了对应偏压的调整。分别经过不同的权重求和后得到如图4的0.1、0.6、0、0.1四个数值，这四个数值进行f函数的处理后，得到[0100]矩阵结果，这一结果在设定中对应的是C2图，那么就可依据图2中的四种图像类别，推断中该图的原图为F字样。
再进一步地，若n＝9，分类数为4时，9个图像像素都需要进行对应的n*P，那么对于每个类别输出类别信息，就需要进行9组n*P运算。即，对于某一特定的图像像素，有几种输出图像分类(几个C)，就要乘以几个权重P。而权重P对图像的强度变化相当于每一像素的脉冲光电信号变化，对应为光电探测器的偏压变化。所以提取权重信息P，用于构建偏压处理器。如图6所示，显示了网络权重提取与光电探测器偏压的对应关系举例。
并且如图6所示，偏压处理器的计算是通过数组的计算形成的。偏压处理器对像素进行编辑的偏压数组的数量，与总权重数量相同，即为元素数量和分类数量的乘机。如分类数为4，输入像素数量为n＝9时，那偏压数组的数量为6*6矩阵排列。
将偏压调整后的光电探测器中的阵列像素按照验证后的神经网络中的对应关系计算连接，即可得到可进行目标识别的射线探测器。如图7，光电探测器阵列像素连接关系所示。
步骤S4，在光电探测器上添加偏压处理器，光电探测器上输出像素的脉冲光电信号，进行相应的偏压调整，经过调整后的电信号具备图像类别或状态信息。
本申请还涉及一种高速X射线图像识别设备如图8所示，包括：光电探测器和偏压处理器，像素化阵列探测器探测到每一像素的脉冲光电信号，偏压处理器执行上述的识别方法，将输出脉冲光电信号输出为目标状态信息。光电探测器中具有神经网络图像识别功能的像素化探头，此外还设置有闪烁体，与光电探测器紧密贴合，负责将X射线转化为闪烁光，之后进入光电探测器转变为电信号。还包括信号读出系统，方便读取。
图9为实际探测中应用偏压处理器进行处理的模拟图。
利用本申请中的快速图像识别装置，进行激光加工在线监测的过程如图9，激光加工加工过程中，将本申请中X射线图像识别设备设置于加工件附近，在激光束对加工工件进行加工过程中，进行实时监测。
本申请还涉及一种装置，包括处理器；以及存储器，存储有计算机指令，当计算机指令被处理器执行时，使得所述处理器执行执行如上述中的识别方法，将脉冲光电信号输出为目标状态信息。
非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行如上述的识别方法，将所述脉冲光电信号输出为目标状态信息。
利用本申请和方法，不仅将图像识别速率从ms量级提升到ns量级，并且从数学原理和方法上把原本需在计算机中实现的神经网络算法转移到像素化探头和偏压处理器中，使在用算法进行图像识别时不用进行后续信号的模数转换和计算机芯片等的处理，更为方便便捷。并且通过设计在探测器上进行偏压调整的方式实现神经网络的硬件搭建，偏压调整的方法利于神经网络的训练，以及根据实际应用需求快速进行神经网络变换。
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 (4)

1.一种基于光电探测器的超高速射线图像识别方法，其特征在于，包括：
S1，获得多个经X射线穿过物体后光电探测器得到的输入图像；
S2，根据具有多像素的像素化光电探测器的探头像素和所述输入图像的分类数量，搭建神经网络，并利用多个所述输入图像对所述神经网络进行训练和验证，得到训练验证后的神经网络，其中所述训练验证后的神经网络包括权重信息，且能够输出所述输入图像的类别信息；
在训练好的神经网络中，依据如下公式计算输出所述输入图像的类别信息：
其中，C代表目标类别，Ci代表第i类，n代表图像像素数量，tm代表第m个像素，代表i类图像第m个像素的权重，bi代表偏置，f为从求和节点到最终输出值所对应的激活函数，所述激活函数不改变输出值的相对大小，只使得大数值更大，小数值更小，以更清晰准确的获得分类结果；
S3，提取所述权重信息，构建多个所述输入图像对应的所述光电探测器的偏压处理器，所述偏压处理器能够通过对所述光电探测器的输出脉冲光电信号进行相应调整，实现神经网络的权重计算过程；
其中，在神经网络中提取权重信息构建偏压处理器的方法包括，通过数组的计算形成偏压处理器，偏压数组的数量与总权重数量相同，为元素数量和分类数量的乘积；
S4，利用所述偏压处理器对所述光电探测器的电压进行不同的偏压调整，使得调整后的所述光电探测器将探测到的每一个像素产生的所述脉冲光电信号也进行相应调整后，再按照所述训练验证后的神经网络中的对应关系连接，即可得到目标物体X射线图像的识别结果。
2.一种高速X射线图像识别设备，其特征在于，包括：
光电探测器，探测到像素的脉冲光电信号；
偏压处理器，所述偏压处理器执行权利要求1所述的识别方法，将所述脉冲光电信号输出为目标状态信息。
3.一种装置，包括：
处理器；以及
存储器，存储有计算机指令，当所述计算机指令被所述处理器执行时，使得所述处理器执行如权利要求1所述的识别方法，将所述脉冲光电信号输出为目标状态信息。
4.非瞬时性计算机存储介质，存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行如权利要求1所述的识别方法，将所述脉冲光电信号输出为目标状态信息。
CN202210035471.0A 2022-01-13 2022-01-13 一种基于光电探测器的超高速射线图像识别方法 Active CN114595740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210035471.0A CN114595740B (zh) 2022-01-13 2022-01-13 一种基于光电探测器的超高速射线图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210035471.0A CN114595740B (zh) 2022-01-13 2022-01-13 一种基于光电探测器的超高速射线图像识别方法

Publications (2)

Publication Number Publication Date
CN114595740A CN114595740A (zh) 2022-06-07
CN114595740B true CN114595740B (zh) 2024-09-13

Family

ID=81804133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210035471.0A Active CN114595740B (zh) 2022-01-13 2022-01-13 一种基于光电探测器的超高速射线图像识别方法

Country Status (1)

Country Link
CN (1) CN114595740B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI539406B (zh) * 2013-07-12 2016-06-21 國立中央大學 影像插補方法以及應用影像插補方法之影像插補裝置與影像裝置
CN107145898B (zh) * 2017-04-14 2020-04-10 北京航星机器制造有限公司 一种基于神经网络的射线图像分类方法
CN109635618B (zh) * 2018-08-07 2023-03-31 南京航空航天大学 基于卷积神经网络的可见光图像静脉显像方法
US12181422B2 (en) * 2019-09-16 2024-12-31 Rapiscan Holdings, Inc. Probabilistic image analysis
EP3891525B1 (en) * 2019-10-24 2022-05-11 Trieye Ltd. Photonics systems and methods
US11113577B1 (en) * 2020-02-27 2021-09-07 GE Precision Healthcare LLC Systems and methods for detecting laterality of a medical image
CN113091895B (zh) * 2021-03-12 2024-10-15 上海交通大学 一种通过可协调光电探测器实现机器视觉功能的方法
CN113313021B (zh) * 2021-05-27 2023-05-30 云南电网有限责任公司电力科学研究院 一种基于低质量影像识别的深度学习模型构建方法
CN113777648B (zh) * 2021-09-09 2024-04-12 南京航空航天大学 一种基于随机编码与神经网络探测器成像的方法及伽马相机

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
High-Speed Real-Time X-Ray Image Recognition Based on a Pixelated SiPM-Coupled Scintillator Detector With Radiation Photoelectric Neural Network Structure;Meng, Kai等;IEEE TRANSACTIONS ON NUCLEAR SCIENCE;20230710;第70卷(第5期);859-866 *

Also Published As

Publication number Publication date
CN114595740A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Kim et al. High-speed drone detection based on yolo-v8
CN108428231B (zh) 一种基于随机森林的多参数零件表面粗糙度学习方法
US20230035618A1 (en) Neural network-based corrector for photon counting detectors
KR20230153453A (ko) 결함을 검출하는 시스템 및 컴퓨터 가독 매체
CN109901190B (zh) 基于线性回归的关联成像方法
CN111652297B (zh) 用于图像检测模型训练的故障图片生成方法
CN114648528B (zh) 一种半导体检测方法、装置以及计算机可读存储介质
CN104424383A (zh) 基于红外图像的硬件处理算法效果评价装置及其评价方法
CN114170478A (zh) 基于跨图像局部特征对齐的缺陷检测、定位的方法及系统
CN111369449A (zh) 基于生成式对抗网络的红外盲元补偿方法
CN114595740B (zh) 一种基于光电探测器的超高速射线图像识别方法
CN118070649A (zh) 一种适用于未来聚变堆等离子体位置控制参数的计算方法及系统
CN114596460B (zh) 一种基于编码板的超高速射线图像识别方法
CN114066735B (zh) 基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法
CN111353412A (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN118982474A (zh) 一种基于生成对抗网络的焊缝x射线图像增强方法
CN112862766A (zh) 一种基于图像数据扩充技术的绝缘子检测方法及系统
CN108491852B (zh) 一种面阵红外焦平面的盲元检测方法
CN117928875A (zh) 一种风洞流场的时间分辨偏振成像装置及方法
CN116773679A (zh) 一种基于神经网络的激光超声成像方法
CN114119479B (zh) 一种基于图像识别的工业流水线质量监控方法
Balovsyak et al. Analysis of X-ray moiré images using artificial neural networks.
Meszmer et al. AI surrogate models for error analysis in optical systems
Tambouratzis et al. Instability localization with artificial neural networks (ANNs)
Wu et al. Defect super-resolution algorithm based on infrared thermal imaging physical kernel

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