[發明專利]一種基于自動編碼器的醫藥高光譜異物檢測方法

在審

• 申請號: 202210493427.4
• 申請日: 2022-05-07
• 公開（公告）號: CN114913358A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 張輝;陳煜嶸;胡非易;劉嘉軒;毛建旭;朱青;袁小芳;王耀南
• 申請（專利權）人: 湖南大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/74;G06V10/77;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G01N21/31
• 代理公司: 長沙市護航專利代理事務所(特殊普通合伙) 43220
• 代理人: 張潔

1.一種基于自動編碼器的醫藥高光譜異物檢測方法，其特征在于，所述方法包括以下步驟：

步驟S100：采集醫藥生產線上的醫藥高光譜圖像并進行預處理，將所述預處理后的醫藥高光譜圖像按照預設比例劃分為藥物高光譜訓練圖像和藥物高光譜測試圖像，其中，所述醫藥高光譜訓練圖像為正常樣本，所述醫藥高光譜測試圖像包括正常樣本和異常樣本；

步驟S200：設計多尺度注意塊，將所述多尺度注意塊插入編碼器和解碼器，根據所述編碼器、哈希存儲模塊和所述解碼器構建多尺度注意力機制自動編碼器網絡，所述編碼器、所述哈希存儲模塊和所述解碼器依次連接；

步驟S300：對所述網絡進行參數的初始化后，輸入所述醫藥高光譜訓練圖像對所述網絡進行訓練得到重構訓練圖像，根據所述醫藥高光譜訓練圖像和所述重構訓練圖像得到輸入數據和輸出數據之間的均方誤差以及輸入數據和輸出數據分布之間的差值，根據所述輸入數據和輸出數據之間的均方誤差以及所述輸入數據和輸出數據分布之間的差值建立損失函數，根據所述損失函數對所述網絡進行反向傳播更新網絡參數，得到訓練好的多尺度注意力機制自動編碼器網絡；

步驟S400：獲取醫藥高光譜測試圖像，將所述醫藥高光譜測試圖像輸入至所述訓練好的多尺度注意力機制自動編碼器網絡進行測試，得到重構測試圖像，計算所述重構測試圖像和所述醫藥高光譜測試圖像重構誤差，根據所述重構誤差和預設的閾值得到異物檢測結果。

2.根據權利要求1所述的方法，其特征在于，步驟S200中，所述編碼器用于接收預處理后的藥物高光譜圖像進行編碼后得到特征嵌入向量；所述哈希存儲模塊用于接收所述特征嵌入向量，通過哈希編碼的漢明距離檢索出最接近的張量值，得到潛在特征嵌入向量；所述解碼器用于根據接收的所述潛在特征嵌入向量進行解碼，得到重構訓練圖像。

3.根據權利要求2所述的方法，其特征在于，步驟S200中設計多尺度注意塊包括：

步驟S210：設計空間注意模塊(SAM)，使用1×1Conv將醫藥高光譜訓練圖像F生成三個新的特征圖A、B和D，其中A、B、并將所述A、B和D三個特征圖重塑為其中，N＝H×W表示像素數，所述特征圖A與所述特征圖B進行矩陣乘法并應用softmax層處理，輸出所述S與所述特征圖D進行矩陣乘法，再使用平衡參數α與F執行逐元素求和運算以獲得最終輸出，計算方式如下：

其中，S_ij表示S矩陣中像素點i對像素點j的影響，S是一個NxN的矩陣，A_i表示特征圖A的第i個像素點，B_j表示特征圖B的第j個像素點，E_i為空間注意模塊(SAM)對于第i個像素點提取的相應特征；

步驟S220：設計通道注意模塊(CAM)，CAM將醫藥高光譜訓練圖像F重塑為三個相同的特征圖G，特征圖大小為將所述特征圖G的轉置與所述特征圖G作矩陣乘法，應用softmax層處理得到再對X_ij和所述特征圖G的轉置進行矩陣乘法，返回結果的維度為具體為：

其中，X_ij表示X矩陣中的像素點i對像素點j的影響，M_i為通道注意模塊(CAM)對于第i個像素點提取的相應特征，G_i表示特征圖G的第i個像素點，G_j表示特征圖G的第j個像素點，X是一個CxC的矩陣，β為平衡參數，C表示通道數；

步驟S230：設計多尺度注意塊包括通道注意模塊(CAM)和空間注意模塊(SAM)，給定多尺度注意塊的輸入表示為其中C是通道總數，H×W是特征圖大小，根據所述醫藥高光譜訓練圖像F、空間注意力E和通道注意力M精化特征圖具體為：

其中，F經過3×3Conv，將BN層和ReLU函數應用于空間注意力E和通道注意力M，使用元素求和并使用1×1Conv將得到的特征壓縮到緊湊的嵌入中。