[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

本發明公開了一種基于自動編碼器的醫藥高光譜異物檢測方法，包括：采集醫藥生產線上的藥物高光譜圖像，對圖像進行預處理并劃分為訓練集和測試集；設計多尺度注意塊，基于多尺度注意塊設計一種帶哈希尋址的多尺度注意力機制自動編碼器網絡，包括編碼器、哈希存儲模塊和解碼器；網絡相關參數的初始化；對網絡進行訓練，以優化重構誤差，得到訓練好的網絡，采用醫藥高光譜測試圖像進行測試，完成異物檢測。提升了高光譜圖像異常檢測的準確率和效率。

技術領域

本發明屬于醫藥圖像檢測領域，特別是涉及一種基于自動編碼器的醫藥高光譜異物檢測方法。

背景技術

醫藥安全是重大的民生和公共安全問題，事關人民群眾的身體健康和經濟發展，國家對醫藥研發質量和速度也提出了更高的要求。醫藥污染和醫藥在研制過程中混入有毒、有害物質等因素而造成健康受損的案例日益增多，研究保障醫藥質量安全的異物檢測方法具有重大意義。

當前，已經開發了一系列方法用于異常檢測。例如神經網絡單分類方法，該方法需要對正常樣本進行標記，但是正常樣本往往難以定義，也不可能定義所有正常情況，此外，與正常情況相比，異常情況非常罕見，導致在訓練這些算法時正、負樣本數量的不平衡，標簽費時費力，特別是對于醫藥圖像要求很高的工作，這阻礙了它們在許多實際應用中的部署。半監督自動編碼器用于異常檢測時，由于網絡具有“優秀”的泛化能力，只能學習一個模糊的模型，因此異常值能很好的重構，難以區分正常樣本還是異常樣本。傳統的異物檢測的準確率和效率低。

發明內容

針對以上技術問題，本發明提供一種能有效提升異物檢測的準確率和效率的一種基于自動編碼器的醫藥高光譜異物檢測方法。

本發明解決其技術問題采用的技術方案是：

一種基于自動編碼器的醫藥高光譜異物檢測方法，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，醫藥高光譜訓練圖像為正常樣本，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，將多尺度注意塊插入編碼器和解碼器，根據編碼器、哈希存儲模塊和解碼器構建多尺度注意記憶自動編碼器網絡，編碼器、哈希存儲模塊和解碼器依次連接；

步驟S300：對網絡進行參數的初始化后，輸入醫藥高光譜訓練圖像對網絡進行訓練得到重構訓練圖像，計算醫藥高光譜訓練圖像和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建立損失函數，根據損失函數對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，將醫藥高光譜測試圖像輸入至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，計算重構測試圖像和醫藥高光譜測試圖像重構誤差，根據重構誤差和預設的閾值得到異物檢測結果。

優選地，步驟S200中，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；哈希存儲模塊用于接收特征嵌入向量，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；解碼器用于根據接收的潛在特征嵌入向量進行解碼，得到重構訓練圖像。

優選地，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，其中并將A、B和D三個特征圖重塑為其中，N＝H×W表示像素數，特征圖A與特征圖B進行矩陣乘法并應用softmax層處理，輸出S與特征圖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：