一种太赫兹图像无损检测的方法、装置以及设备制造方法及图纸

本发明专利技术公开了一种太赫兹图像无损检测的方法、装置、设备及计算机可读存储介质，包括：将待检测的太赫兹图像输入至深度卷积神经网络，提取特征图；利用注意力机制、太赫兹图像的数据属性、第一目标关系矩阵和第一目标编码矩阵，将特征图转换为注意图；利用注意力机制、所述数据属性、第二目标关系矩阵和第二目标编码矩阵，将注意图转换为目标图像特征；将目标图像特征转换为规范共同特征；利用规范共同特征、目标分类权值矩阵和Softmax函数，确定太赫兹图像的损伤分类结果，从而确定太赫兹图像的损伤类别和损伤程度。本发明专利技术所提供的方法、装置、设备及计算机可读存储介质，利用多重注意力机制，准确表示太赫兹图像的损伤特征。

【技术实现步骤摘要】
一种太赫兹图像无损检测的方法、装置以及设备
本专利技术涉及图像处理
，特别是涉及一种太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质。
技术介绍
近年来，国内外学者利用太赫兹成像技术在对材料的无损探伤检测方面进行了相关的研究，特别是在探伤成像的后期图像增强方面进行了一定的探索研究。目前太赫兹图像无损检测的技术方法主要包括：基于小波变换与利普系茨指数的太赫兹图像的无损检测和基于小波去噪法的无损检测的方法。基于小波变换与利普系茨指数的太赫兹图像的无损检测丢失了损伤属性信息，对损伤特征表示十分模糊，最后的分类结果需要人工辅助加以实现。基于小波去噪法的无损检测的方法，一定程度上提高了太赫兹图像的分辨率，但也提升了损伤特征的冗余性，容易引起对损伤类别及程度的误判。综上所述可以看出，如何准确表示太赫兹图像损伤特征是目前有待解决的问题。
技术实现思路
本专利技术的目的是提供一种太赫兹图像无损检测的方法、装置、设备以及计算机可读存储介质，以解决现有技术所提供的无损检测方法不能准确表示太赫兹图像损伤特征的问题。为解决上述技术问题，本专利技术提供一种太赫兹图像无损检测的方法，包括：将待检测的太赫兹图像输入至深度卷积神经网络，提取所述太赫兹图像的特征图；利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵，将所述特征图转换为注意图；利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵，将所述注意图转换为目标图像特征；将所述目标图像特征转换为规范共同特征；利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数，确定所述太赫兹图像的损伤分类结果，从而确定所述太赫兹图像的损伤类别和损伤程度。优选地，所述利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的目标第一关系矩阵和预先完成训练的目标第一编码矩阵，将所述特征图转换为注意图包括：根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积，确定所述数据属性在所述特征图的第一嵌入矩阵；利用所述第一目标编码矩阵和所述特征图的乘积，确定所述特征图编码后的第一特征；根据所述第一嵌入矩阵和所述第一特征的乘积，确定所述注意图。优选地，所述利用所述注意力机制、所述数据属性、预先完成训练的目标第二关系矩阵和预先完成训练的目标第二编码矩阵，将所述注意图转换为目标图像特征包括：根据所述数据属性、所述第二目标关系矩阵和所述注意图的乘积，确定所述数据属性在所述注意图的第二嵌入矩阵；利用所述第二目标编码矩阵和所述注意图的乘积，确定所述注意图编码后的第二特征；根据所述第二嵌入矩阵和所述第二特征的乘积，确定所述目标图像特征。优选地，还包括：将已知类别标签的太赫兹图像训练集中每幅初始太赫兹图像分别输入至所述深度卷积神经网络中，提取所述每幅初始太赫兹图像的初始特征图；根据所述初始特征图和所述每幅初始太赫兹图像的初始数据属性，构建所述每幅初始太赫兹图像的第一关系矩阵、第一编码矩阵、第二关系矩阵、第二编码矩阵和分类权值矩阵，并对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化；利用所述注意力机制、所述初始数据属性、所述第一关系矩阵和所述第一编码矩阵，将所述初始特征图转换为所述每幅初始太赫兹图像的初始注意图；利用所述注意力机制、所述初始数据属性、所述第二关系矩阵和所述第二编码矩阵，将所述初始注意图转换为所述每幅初始太赫兹图像的初始目标图像特征；将所述初始目标图像特征转换为所述每幅初始太赫兹图像的初始规范共同特征，利用所述初始规范共同特征和所述分类权值矩阵，确定所述每幅初始太赫兹图像的初始类别分类结果；将所述初始分类结果输入所述Softmax函数，得到所述初始类别分类结果的概率，确定所述每幅初始太赫兹图像的类别标签的预测值；利用所述每幅初始太赫兹图像的类别标签的预测值和实际值输入预先构建的损失函数内，并采用梯度下降算法迭代优化所述损失函数，选取所述损失函数的最小值对应的各个矩阵，作为所述第一目标关系矩阵、所述第一目标编码矩阵、所述第二目标关系矩阵、所述第二目标编码矩阵和所述目标分类权值矩阵。优选地，所述对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵所述进行初始化包括：利用高斯分布对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化。本专利技术还提供了一种太赫兹图像无损检测的装置，包括：提取模块，用于将待检测的太赫兹图像输入至深度卷积神经网络，提取所述太赫兹图像的特征图；第一转换模块，用于利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵，将所述特征图转换为注意图；第二转换模块，用于利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵，将所述注意图转换为目标图像特征；第三转换模块，用于将所述目标图像特征转换为规范共同特征；确定模块，用于利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数，确定所述太赫兹图像的损伤分类结果，从而确定所述太赫兹图像的损伤类别和损伤程度。优选地，所述第一转换模块包括：第一嵌入矩阵确定单元，用于根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积，确定所述数据属性在所述特征图的第一嵌入矩阵；第一特征确定单元，用于利用所述第一目标编码矩阵和所述特征图的乘积，确定所述特征图编码后的第一特征；注意图确认单元，用于根据所述第一嵌入矩阵和所述第一特征的乘积，确定所述注意图。优选地，所述第二转换模块包括：第二嵌入矩阵确定单元，用于根据所述数据属性、所述第目标二关系矩阵和所述注意图的乘积，确定所述数据属性在所述注意图的第二嵌入矩阵；第二特征确定单元，用于利用所述第目标二编码矩阵和所述注意图的乘积，确定所述注意图编码后的第二特征；目标图像特征确定单元，用于根据所述第二嵌入矩阵和所述第二特征的乘积，确定所述目标图像特征。本专利技术还提供了一种太赫兹图像无损检测的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种太赫兹图像无损检测的方法的步骤。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种太赫兹图像无损检测的方法的步骤。本专利技术所提供的太赫兹图像无损检测的方法，利用深度卷积神经网络提取待检测的太赫兹图像的特征图。引入注意力机制，结合所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵，将所述特征图转换为注意图后；再次引入注意力机制，根据所述数据属性和预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵，将所述注意图转换为目标图像特征。将所述目标图像特征转换为规范共同特征；并利用预先完成训练的目标分类权值矩阵和所述规范共同特征，确定所述太赫兹图像的类别分类结果。将所述类别分类结果输入Softmax函数中，获得所述类别分类结果的概率，从而确定了所述太赫兹图像的损伤程度。本专利技术所提供的太赫兹图像无损检本文档来自技高网...

【技术保护点】
1.一种太赫兹图像无损检测的方法，其特征在于，包括：将待检测的太赫兹图像输入至深度卷积神经网络，提取所述太赫兹图像的特征图；利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵，将所述特征图转换为注意图；利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵，将所述注意图转换为目标图像特征；将所述目标图像特征转换为规范共同特征；利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数，确定所述太赫兹图像的损伤分类结果，从而确定所述太赫兹图像的损伤类别和损伤程度。

【技术特征摘要】
1.一种太赫兹图像无损检测的方法，其特征在于，包括：将待检测的太赫兹图像输入至深度卷积神经网络，提取所述太赫兹图像的特征图；利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的第一目标关系矩阵和预先完成训练的第一目标编码矩阵，将所述特征图转换为注意图；利用所述注意力机制、所述数据属性、预先完成训练的第二目标关系矩阵和预先完成训练的第二目标编码矩阵，将所述注意图转换为目标图像特征；将所述目标图像特征转换为规范共同特征；利用规范共同特征、预先完成训练的目标分类权值矩阵和Softmax函数，确定所述太赫兹图像的损伤分类结果，从而确定所述太赫兹图像的损伤类别和损伤程度。2.如权利要求1所述的方法，其特征在于，所述利用注意力机制、所述太赫兹图像的数据属性、预先完成训练的目标第一关系矩阵和预先完成训练的目标第一编码矩阵，将所述特征图转换为注意图包括：根据所述数据属性、所述第一目标关系矩阵和所述特征图的乘积，确定所述数据属性在所述特征图的第一嵌入矩阵；利用所述第一目标编码矩阵和所述特征图的乘积，确定所述特征图编码后的第一特征；根据所述第一嵌入矩阵和所述第一特征的乘积，确定所述注意图。3.如权利要求2所述的方法，其特征在于，所述利用所述注意力机制、所述数据属性、预先完成训练的目标第二关系矩阵和预先完成训练的目标第二编码矩阵，将所述注意图转换为目标图像特征包括：根据所述数据属性、所述第二目标关系矩阵和所述注意图的乘积，确定所述数据属性在所述注意图的第二嵌入矩阵；利用所述第二目标编码矩阵和所述注意图的乘积，确定所述注意图编码后的第二特征；根据所述第二嵌入矩阵和所述第二特征的乘积，确定所述目标图像特征。4.如权利要求1所述的方法，其特征在于，还包括：将已知类别标签的太赫兹图像训练集中每幅初始太赫兹图像分别输入至所述深度卷积神经网络中，提取所述每幅初始太赫兹图像的初始特征图；根据所述初始特征图和所述每幅初始太赫兹图像的初始数据属性，构建所述每幅初始太赫兹图像的第一关系矩阵、第一编码矩阵、第二关系矩阵、第二编码矩阵和分类权值矩阵，并对所述第一关系矩阵、所述第一编码矩阵、所述第二关系矩阵、所述第二编码矩阵和所述分类权值矩阵进行初始化；利用所述注意力机制、所述初始数据属性、所述第一关系矩阵和所述第一编码矩阵，将所述初始特征图转换为所述每幅初始太赫兹图像的初始注意图；利用所述注意力机制、所述初始数据属性、所述第二关系矩阵和所述第二编码矩阵，将所述初始注意图转换为所述每幅初始太赫兹图像的初始目标图像特征；将所述初始目标图像特征转换为所述每幅初始太赫兹图像的初始规范共同特征，利用所述初始规范共同特征和所述分类权值矩阵，确定所述每幅初始太赫兹图像的初始类别分类结果；将所述初始分类结果输入所述Softmax函数，得到所述初始类别分类结果的...

【专利技术属性】
技术研发人员：吴壮辉，黄国恒，程良伦，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44