[發(fā)明專利]基于缺陷多特征智能提取與融合的超聲成像方法有效
| 申請(qǐng)?zhí)枺?/td> | 202110187998.0 | 申請(qǐng)日： | 2021-02-09 |
| 公開（公告）號(hào)： | CN112946081B | 公開（公告）日： | 2023-08-18 |
| 發(fā)明（設(shè)計(jì)）人： | 李曉紅;徐萬里 | 申請(qǐng)（專利權(quán)）人： | 武漢大學(xué) |
| 主分類號(hào)： | G01N29/06 | 分類號(hào)： | G01N29/06;G01N29/44;G06V10/80;G06V10/764;G06V10/44;G06V10/82;G06N20/00;G06N3/04;G06N3/08 |
| 代理公司： | 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222 | 代理人： | 石超群 |
| 地址： | 430072 湖*** | 國省代碼： | 湖北;42 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 缺陷 特征 智能 提取 融合 超聲 成像 方法 | ||
1.一種基于缺陷多特征智能提取與融合的超聲成像方法，其特征在于，包括以下步驟：
步驟S1、將獲得的待檢測(cè)物的三維A掃信號(hào)矩陣轉(zhuǎn)換為二維信號(hào)矩陣，其中，信號(hào)轉(zhuǎn)換過程為：通過探頭按照預(yù)定順序掃描所述待檢測(cè)物以采集獲得三維A掃信號(hào)矩陣S(x,y,n)，進(jìn)一步將三維A掃信號(hào)矩陣S(x,y,n)轉(zhuǎn)換為二維信號(hào)矩陣S(m,n)，x表示探頭橫向掃查點(diǎn)數(shù)，y表示探頭縱向掃查點(diǎn)數(shù)，m＝x×y表示信號(hào)總數(shù)，n表示信號(hào)采樣長度；
步驟S2、利用主成分分析對(duì)轉(zhuǎn)換得到的二維信號(hào)矩陣進(jìn)行分析，提取信號(hào)中最有區(qū)分度的k個(gè)特征；
步驟S3、將所提取的k個(gè)特征作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練得到多特征融合分類器，在該步驟中，訓(xùn)練多特征融合分類器的過程包括：
步驟S31、數(shù)據(jù)標(biāo)準(zhǔn)化：對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式為
步驟S32、網(wǎng)絡(luò)配置：所述神經(jīng)網(wǎng)絡(luò)是一個(gè)k-h-1三層的全連接神經(jīng)網(wǎng)絡(luò)，其中k代表輸入神經(jīng)元數(shù)，h代表隱含層神經(jīng)元數(shù)，1代表輸出神經(jīng)元數(shù)，k由提取的特征數(shù)確定，隱含層h由最終訓(xùn)練的結(jié)果確定；神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為Relu(x)＝max(0,x)的修正線性單元；
步驟S33、網(wǎng)絡(luò)訓(xùn)練：設(shè)定學(xué)習(xí)率的初始值為0.01、學(xué)習(xí)率衰減系數(shù)為0.99，采用正則化的損失函數(shù)，將損失函數(shù)MSEreg定義為：其中，wj是權(quán)重，γ是可以人工設(shè)置的一個(gè)超參數(shù)；MSE為均方誤差，定義為：其中，是目標(biāo)值，y是神經(jīng)網(wǎng)絡(luò)基于輸入數(shù)據(jù)的預(yù)測(cè)值；
步驟S4、利用訓(xùn)練好的分類器進(jìn)行信號(hào)識(shí)別以得到k個(gè)特征對(duì)應(yīng)的融合結(jié)果，從而得到多特征融合識(shí)別結(jié)果矩陣，并根據(jù)原始的三維A掃信號(hào)矩陣中的信號(hào)排列方式對(duì)識(shí)別結(jié)果矩陣進(jìn)行整形使其成像。
2.根據(jù)權(quán)利要求1所述的基于缺陷多特征智能提取與融合的超聲成像方法，其特征在于，
所述步驟S2包括：
步驟S21、信號(hào)矩陣去中心化：矩陣中元素幅值減去其所在列的平均值，即得到去中心化矩陣
步驟S22、計(jì)算信號(hào)矩陣的協(xié)方差矩陣：C＝[Cij]n×n，
步驟S23、求C的特征值和特征向量：其中，E＝[e1,e2,…,en]為C的特征向量矩陣，ei(i＝1,2,…,n)為C的特征向量，λi(i＝1,2,…,n)為C的特征值；
步驟S24、將λi(i＝1,2,…,n)按照降序排列，選擇前k個(gè)特征值對(duì)應(yīng)的特征向量emax1,emax2,…,emaxk，組成特征提取矩陣EXT＝[emax1,emax2,…,emaxk]，其中，kn；
步驟S25、根據(jù)特征提取矩陣，提取所有信號(hào)的k個(gè)最具有區(qū)分度的特征，得到信號(hào)矩陣的特征矩陣Fm×k，F(xiàn)m×k＝Sm×n*EXTn×k。
3.根據(jù)權(quán)利要求1所述的基于缺陷多特征智能提取與融合的超聲成像方法，其特征在于，
在所述步驟S32中，所述神經(jīng)網(wǎng)絡(luò)中所有訓(xùn)練變量采用滑動(dòng)平均。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于武漢大學(xué)，未經(jīng)武漢大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請(qǐng)聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110187998.0/1.html，轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
