[發明專利]基于卷積神經網絡的深度學習智能眼圖分析方法

有效

• 申請號: 201710534126.0
• 申請日: 2017-07-03
• 公開（公告）號: CN107342810B
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 王丹石;張民;李建強;李進
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04B10/079
• 分類號: H04B10/079;G06K9/62
• 代理公司: 11002 北京路浩知識產權代理有限公司
• 代理人: 王慶龍<國際申請>=<國際公布>=<進入

1.一種基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，將基于卷積神經網絡的深度學習技術應用到眼圖分析中，利用卷積神經網絡對眼圖進行多種性能分析，所述方法包括以下步驟：

步驟一、獲取所需分析的眼圖訓練數據集，采集眼圖的各種性能不同指標情況下的訓練數據集，其中，訓練數據集中的每組數據由輸入為眼圖圖像和輸出為特定性能的特定指標信息對構成；

步驟二、眼圖圖像預處理；

步驟三、訓練卷積神經網絡CNN模塊對眼圖進行特征提取；

步驟四、將所需分析眼圖輸入訓練完成的CNN模塊進行模式識別和性能分析；

步驟五、輸出分析結果。

2.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述眼圖中所需分析的多種性能為調制格式、光信噪比OSNR、色散CD、線性損傷和非線性損傷。

3.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述眼圖預處理步驟二中，將所述步驟一中獲取的訓練數據集中的彩色眼圖圖像轉換為灰度圖像，并將得到的眼圖灰度圖像進行下采樣處理。

4.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述訓練CNN模塊進行特征提取步驟三中，將所述步驟二中預處理后的眼圖輸入構建好的CNN模塊中，基于所述訓練數據進行訓練過程后，所述CNN模塊自動從眼圖圖像中提取特征，并構建特征與不同性能之間的關系。

5.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述CNN模塊模式識別和性能分析步驟四中，經預處理的所需分析的眼圖輸入所述訓練完成的CNN模塊中，CNN模塊對輸入的眼圖進行模式識別，并通過其以往的學習經驗對當前輸入的眼圖進行性能分析。

6.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述輸出分析結果步驟五中，由所述CNN模塊輸出的信息包含所需分析的各種性能，可從輸出信息中得到不同性能的分析結果。

7.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述CNN模塊的結構主要包括：一個輸入層、n個卷積層C1、C2、…、Cn、n個池化層P1、P2、…、Pn、m個全連接層F1、F2、…、Fm、一個輸出層；

其中，所述輸入層的輸入為經過預處理的眼圖圖像，輸入層與卷積層C1相連接；

所述卷積層C1含有k1個大小為a1×a1的卷積核，所述輸入層圖像經過卷積層C1得到k1個特征圖，進而將得到的特征圖傳送至池化層P1；

所述池化層P1以b1×b1的采樣大小對所述卷積層C1生成的特征圖進行池化，得到相應的k1個采樣后的特征圖，再將得到的特征圖傳送至下一個卷積層C2；

所述n個卷積層和池化層對的順次連接，進而不斷提取圖像深層次的抽樣特征，最后一個池化層Pn與全連接層F1相連接，其中，卷積層Ci含有ki個大小為ai×ai的卷積核，池化層Pj的采樣大小為bj×bj，Ci表示第i個卷積層，Pj表示第j個池化層；

所述全連接層F1為所述最后一個池化層Pn所得的所有kn個特征圖的像素點映射而成的一維層，每個像素代表所述全連接層F1的一個神經元節點，F1層的所有神經元節點與下一個全連接層F2的神經元節點進行全連接；

經m個全連接層順次連接，最后一個全連接層Fm與所述輸出層進行全連接；

所述輸出層輸出所需分析的眼圖不同性能的節點信息。

8.根據權利要求7所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，所述輸出層輸出的節點信息為L位的二進制比特序列，其中，N個不同的性能分別以L1、L2、…、LN位二進制比特信息來表示，Li位用于表示第i個性能的Li種不同的指標信息，其中L＝L1+L2+…+LN。

9.根據權利要求1所述的基于卷積神經網絡的深度學習智能眼圖分析方法，其特征在于，基于CNN的眼圖處理算法將作為示波器的眼圖軟件處理模塊或仿真軟件的眼圖分析模塊，進而嵌入到測試儀器中進行智能信號分析和性能監測。