[發明專利]基于計算機視覺的泡生法籽晶最佳接種時機振動感知方法

有效

• 申請號: 202110674743.7
• 申請日: 2021-06-18
• 公開（公告）號: CN113280906B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 喬鐵柱;付杰;閻高偉;張海濤
• 申請（專利權）人: 太原理工大學
• 主分類號: G01H9/00
• 分類號: G01H9/00;G06N3/04;G06N3/08
• 代理公司: 太原高欣科創專利代理事務所(普通合伙) 14109
• 代理人: 冷錦超;鄧東東

1.基于計算機視覺的泡生法籽晶最佳接種時機振動感知方法，其特征在于：包括如下步驟：

步驟一：通過高速相機捕捉泡生法制備藍寶石單晶接種前、中、后三個階段液面的微振圖像數據；

步驟二：建立可變形卷積神經網絡并進行學習，得到能自我捕捉液面微振數據的可變形卷積神經網絡，所述可變形卷積神經網絡包括可變形卷積模塊和可變形感興趣區域池化模塊；

步驟三：將步驟一獲取的液面圖像數據輸入至已學習完成的可變形卷積神經網絡，判斷并輸出該液面微振圖像當前所處的接種階段；

所述步驟二具體過程為：

步驟2.1：建立一個平行網絡用于學習偏移，使得卷積核在輸入特征圖的采樣點發生偏移，剝離外在干擾因素，所述平行網絡為常規的卷積神經網絡，其中非線性激活函數為sigmoid，計算公式為：

步驟2.2：在基于可變形卷積模塊、可變形感興趣區域池化模塊中增加額外偏移量的空間采樣位置和從剝離外在干擾因素后提取的微振特征中學習到偏移量；

步驟2.3：新的可變形卷積模塊、可變形感興趣區域池化模塊取代現有的卷積神經網絡中的普通卷積模塊和池化模塊，并且利用反向傳播進行端到端的訓練，產生可變形的卷積神經網絡；

所述可變形卷積模塊包括正常卷積核和可變形卷積核，可變形卷積的操作具體為：

對常規卷積網絡中的感受野R內的每一個點增加偏移量Δp_n進行擴張形成可變形卷積層，可變形卷積層的輸出值y(p₀)的計算公式為：

上式中：p_n是網絡R中的n個點，w(p_n)是點n處的權值，計算x(p)的值采用雙線性插值，所述可變形感興趣區域池化模塊的結構為：

首先完成沒有偏移下的pooling過程，得到一個特征圖，然后使這個特征圖通過一個反向傳播學習參數的全連接層，生成每一個位置的偏移量Δp_ij，偏移量Δp_ij的計算公式為：

上式中：γ為增益率，表示點乘，h為步長；

在可變形池化的操作中，對常規卷積網絡中的感受野R內的每一個點增加偏移量Δp_ij進行擴張形成可變形感興趣區域池化層，可變形感興趣區域池化層的輸出值y(i，j)的計算公式為：

上式中：Δp_ij是針對整個bin且一個bin中每一個點的Δp_ij值都相同，n_ij是bin中像素的數量。

2.根據權利要求1所述的基于計算機視覺的泡生法籽晶最佳接種時機振動感知方法，其特征在于：所述步驟一中的高速相機具體采用型號為FASTCAM Nova R2、幀率2660-100000幀/秒的高速相機；

所述步驟一中的微振圖像數據具體為液面圖像像素點級的形變圖像數據。