[發明專利]一種太赫茲圖像無損檢測的方法、裝置以及設備

有效

• 申請號: 201910315661.6
• 申請日: 2019-04-17
• 公開（公告）號: CN109903289B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 吳壯輝;黃國恒;程良倫
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種太赫茲圖像無損檢測的方法，其特征在于，包括：

將待檢測的太赫茲圖像輸入至深度卷積神經網絡，提取所述太赫茲圖像的特征圖；

利用注意力機制、所述太赫茲圖像的數據屬性、預先完成訓練的第一目標關系矩陣和預先完成訓練的第一目標編碼矩陣，將所述特征圖轉換為注意圖；

利用所述注意力機制、所述數據屬性、預先完成訓練的第二目標關系矩陣和預先完成訓練的第二目標編碼矩陣，將所述注意圖轉換為目標圖像特征；

將所述目標圖像特征轉換為規范共同特征；

利用規范共同特征、預先完成訓練的目標分類權值矩陣和Softmax函數，確定所述太赫茲圖像的損傷分類結果，從而確定所述太赫茲圖像的損傷類別和損傷程度；

其中，所述利用注意力機制、所述太赫茲圖像的數據屬性、預先完成訓練的目標第一關系矩陣和預先完成訓練的目標第一編碼矩陣，將所述特征圖轉換為注意圖包括：

根據所述數據屬性、所述第一目標關系矩陣和所述特征圖的乘積，確定所述數據屬性在所述特征圖的第一嵌入矩陣；

利用所述第一目標編碼矩陣和所述特征圖的乘積，確定所述特征圖編碼后的第一特征；

根據所述第一嵌入矩陣和所述第一特征的乘積，確定所述注意圖。

2.如權利要求1所述的方法，其特征在于，所述利用所述注意力機制、所述數據屬性、預先完成訓練的目標第二關系矩陣和預先完成訓練的目標第二編碼矩陣，將所述注意圖轉換為目標圖像特征包括：

根據所述數據屬性、所述第二目標關系矩陣和所述注意圖的乘積，確定所述數據屬性在所述注意圖的第二嵌入矩陣；

利用所述第二目標編碼矩陣和所述注意圖的乘積，確定所述注意圖編碼后的第二特征；

根據所述第二嵌入矩陣和所述第二特征的乘積，確定所述目標圖像特征。

3.如權利要求1所述的方法，其特征在于，還包括：

將已知類別標簽的太赫茲圖像訓練集中每幅初始太赫茲圖像分別輸入至所述深度卷積神經網絡中，提取所述每幅初始太赫茲圖像的初始特征圖；

根據所述初始特征圖和所述每幅初始太赫茲圖像的初始數據屬性，構建所述每幅初始太赫茲圖像的第一關系矩陣、第一編碼矩陣、第二關系矩陣、第二編碼矩陣和分類權值矩陣，并對所述第一關系矩陣、所述第一編碼矩陣、所述第二關系矩陣、所述第二編碼矩陣和所述分類權值矩陣進行初始化；

利用所述注意力機制、所述初始數據屬性、所述第一關系矩陣和所述第一編碼矩陣，將所述初始特征圖轉換為所述每幅初始太赫茲圖像的初始注意圖；

利用所述注意力機制、所述初始數據屬性、所述第二關系矩陣和所述第二編碼矩陣，將所述初始注意圖轉換為所述每幅初始太赫茲圖像的初始目標圖像特征；

將所述初始目標圖像特征轉換為所述每幅初始太赫茲圖像的初始規范共同特征，利用所述初始規范共同特征和所述分類權值矩陣，確定所述每幅初始太赫茲圖像的初始類別分類結果；

將所述初始分類結果輸入所述Softmax函數，得到所述初始類別分類結果的概率，確定所述每幅初始太赫茲圖像的類別標簽的預測值；

利用所述每幅初始太赫茲圖像的類別標簽的預測值和實際值輸入預先構建的損失函數內，并采用梯度下降算法迭代優化所述損失函數，選取所述損失函數的最小值對應的各個矩陣，作為所述第一目標關系矩陣、所述第一目標編碼矩陣、所述第二目標關系矩陣、所述第二目標編碼矩陣和所述目標分類權值矩陣。

4.如權利要求3所述的方法，其特征在于，所述對所述第一關系矩陣、所述第一編碼矩陣、所述第二關系矩陣、所述第二編碼矩陣和所述分類權值矩陣所述進行初始化包括：

利用高斯分布對所述第一關系矩陣、所述第一編碼矩陣、所述第二關系矩陣、所述第二編碼矩陣和所述分類權值矩陣進行初始化。