本发明专利技术涉及一种束流径迹定位方法、装置及介质，所述方法包括：获取带电粒子束流的电荷值图像，并将所述电荷值图像转换为灰度图像；将所述灰度图像输入到深度学习模型中，所述深度学习模型包括依次连接的特征提取网络、特征强化网络以及径迹检测网络；基于所述特征提取网络，提取所述灰度图像的第一特征图；基于所述特征强化网络，利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征；基于所述径迹检测网络，对所述带有槽式注意力权重信息的图像特征进行处理，检测出所述灰度图像中的束流径迹。本发明专利技术技术方案，能够应用于单粒子效应研究实验中，提高带电粒子束流径迹的检测速度和检测精度。度。度。
【技术实现步骤摘要】
一种束流径迹定位方法、装置、介质及计算机设备
[0001]本专利技术涉及高能粒子研究及计算机视觉处理
，尤其是涉及一种应用于单粒子效应检测中的束流径迹定位方法、装置、计算机可读存储介质及计算机设备。
技术介绍
[0002]空间辐射环境中存在有各种高能射线粒子，如质子、电子、重离子等。单粒子效应(SEE，Single Event Effects)是指空间高能带电粒子在穿越电子器件灵敏区的过程中，引起电子器件的逻辑状态的改变或直接导致电子器件功能损害甚至完全失效的现象。单粒子效应按照效应分为单粒子翻转、单粒子锁定以及单粒子瞬态等。随着半导体技术的发展，先进半导体器件及大规模集成电路的广泛应用，在航天、航空和导弹装置的电子系统中都需要考虑单粒子效应的危害。
[0003]由于空间辐射实验条件的苛刻性，地面高能粒子模拟单粒子实验是单粒子效应研究最惯用的实验手段，具有周期短、成本低、更灵活的优势。常用的地面模拟源有粒子加速器提供的重离子束、质子束和散列中子源等。在地面模拟测试中，待测器件发生单粒子效应的敏感区域需要精确测定，从而有针对性加固集成电路的抗辐射设计。
[0004]相关技术中，在单粒子实验中常常需要对带电粒子的束流进行捕获，并对束流进行定位。对束流的径迹进行定位，需要依赖一定的计算机视觉处理算法。然而，本申请的专利技术人在研究中发现，现有视觉处理算法在径迹检测的速度和精度上还有待进一步提高。
技术实现思路
[0005]针对上述问题，本专利技术的目的是提供一种束流径迹定位方法，能够应用于单粒子效应研究实验中，提高带电粒子束流径迹的检测速度和检测精度。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，本申请提供一种束流径迹定位方法，所述方法包括：
[0008]获取带电粒子束流的电荷值图像，并将所述电荷值图像转换为灰度图像；
[0009]将所述灰度图像输入到深度学习模型中，所述深度学习模型包括依次连接的特征提取网络、特征强化网络以及径迹检测网络；
[0010]基于所述特征提取网络，提取所述灰度图像的第一特征图；
[0011]基于所述特征强化网络，利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征；
[0012]基于所述径迹检测网络，对所述带有槽式注意力权重信息的图像特征进行处理，检测出所述灰度图像中的束流径迹。
[0013]在本申请的一种实现方案中，所述获取带电粒子束流的电荷值图像，包括：
[0014]在与带电粒子束流Z轴方向相垂直的方向上施加电场，并在与Z轴相平行的XZ和YZ平面上设置像素传感器，用以捕获带电粒子，在收集带电粒子的电荷后生成所述电荷值图像。
[0015]在本申请的一种实现方案中，所述基于所述特征提取网络，提取所述灰度图像的第一特征图，包括：
[0016]利用残差连接的二维卷积层迭代网络提取所述灰度度的初始特征图，并将所述初始图与位置编码进行拼接生成所述第一特征图。
[0017]在本申请的一种实现方案中，所述基于所述特征强化网络，利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征，包括：
[0018]以所述第一特征图，以及预设数目的初始化参数的槽slots作为输入；
[0019]对所述第一特征图进行归一化处理；
[0020]对所述槽slots进行归一化处理，并计算归一化处理后的所述第一特征图和所述槽slots之间的相关性参数attn，并以所述相关性参数attn为权重加权更新所述槽slots；
[0021]完成预设次数的迭代运算后，以最终更新后的槽slots作为所述带有槽式注意力权重信息的图像特征并输出。
[0022]在本申请的一种实现方案中，所述基于所述径迹检测网络，对所述带有槽式注意力权重信息的图像特征进行处理，检测出所述灰度图像中的束流径迹，包括：
[0023]根据所述带有槽式注意力权重信息的图像特征，计算每一个槽slot的真实标签及其概率值，根据所述概率值生成所述束流径迹的预测。
[0024]在本申请的一种实现方案中，所述方法还包括：对所述灰度图像进行网格化预处理，再输入所述深度学习模型，以减少所述深度学习模型的标签预测量。
[0025]在本申请的一种实现方案中，所述方法还包括对所述深度学习模型进行预先训练；
[0026]所述对所述深度学习模型进行预先训练包括：
[0027]对所述深度学习模型的网络参数进行初始化；
[0028]获取带有标注信息的数据集，并将所述带有标注信息的标签补齐至槽slots的预设数目；
[0029]将标签补齐后的数据集输入所述深度学习模型，计算损失函数，并对网络参数进行更新；
[0030]直至完成预设的迭代次数，或者计算的损失函数不再变大时停止训练。
[0031]第二方面，本申请还提供一种束流径迹定位装置，包括：
[0032]图像获取模块，用于获取带电粒子束流的电荷值图像，并将所述电荷值图像转换为灰度图像；
[0033]特征提取网络模块，用于提取所述灰度图像的第一特征图；
[0034]特征强化网络模块，用于利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征；
[0035]径迹检测网络模块，用于对所述带有槽式注意力权重信息的图像特征进行处理，检测出所述灰度图像中的束流径迹。
[0036]第三方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述第一方面所述的束流径迹定位方法。
[0037]第四方面，本申请还提供一种计算机设备，包括：处理器和存储器，所述存储器存
储有计算机程序，所述处理器执行所述计算机程序实现上述第一方面所述的束流径迹定位方法。
[0038]本专利技术由于采取以上技术方案，其具有以下优点：本专利技术申请方案中，获取带电粒子束流的电荷值图像，将电荷值图像转换为灰度图像，进一步将灰度图像输入到深度学习模型中，基于其中的特征提取网络，提取灰度图像的第一特征图，再基于特征强化网络，利用槽式注意力机制对第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征，然后对带有槽式注意力权重信息的图像特征进行处理，检测出灰度图像中的束流径迹。本申请的技术方案，增强了特征提取能力，提取的特征兼顾了槽式注意力机制和多维度的特征融合，从而能够提高深度学习模型的带电粒子束流径迹的检测速度和检测精度。
附图说明
[0039]图1是本专利技术实施例提供的一种束流径迹检测方法的流程示意图；
[0040]图2是本专利技术一个实施例中的一种束流径迹定位装置的结构示意图；
[0041]图3是本专利技术实施例中的计算机设备的结构示意图。
具体实施方式
[0042]为使本专利技术实施例的目的、技术方案本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种束流径迹定位方法，其特征在于，所述方法包括：获取带电粒子束流的电荷值图像，并将所述电荷值图像转换为灰度图像；将所述灰度图像输入到深度学习模型中，所述深度学习模型包括依次连接的特征提取网络、特征强化网络以及径迹检测网络；基于所述特征提取网络，提取所述灰度图像的第一特征图；基于所述特征强化网络，利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征；基于所述径迹检测网络，对所述带有槽式注意力权重信息的图像特征进行处理，检测出所述灰度图像中的束流径迹。2.根据权利要求1所述的束流径迹定位方法，其特征在于，所述获取带电粒子束流的电荷值图像，包括：在与带电粒子束流Z轴方向相垂直的方向上施加电场，并在与Z轴相平行的XZ和YZ平面上设置像素传感器，用以捕获带电粒子，在收集带电粒子的电荷后生成所述电荷值图像。3.根据权利要求1所述的束流径迹定位方法，其特征在于，所述基于所述特征提取网络，提取所述灰度图像的第一特征图，包括：利用残差连接的二维卷积层迭代网络提取所述灰度度的初始特征图，并将所述初始图与位置编码进行拼接生成所述第一特征图。4.根据权利要求3所述的束流径迹定位方法，其特征在于，所述基于所述特征强化网络，利用槽式注意力机制对所述第一特征图进行强化处理，得到带有槽式注意力权重信息的图像特征，包括：以所述第一特征图，以及预设数目的初始化参数的槽slots作为输入；对所述第一特征图进行归一化处理；对所述槽slots进行归一化处理，并计算归一化处理后的所述第一特征图和所述槽slots之间的相关性参数attn，并以所述相关性参数attn为权重加权更新所述槽slots；完成预设次数的迭代运算后，以最终更新后的槽slots作为所述带有槽式注意力权重信息的图像特征并输出。5.根据权利要求4所述的束流径迹定位方法，其特征在于...
【专利技术属性】
技术研发人员：赵承心，胡愉霄，杨海波，
申请(专利权)人：中国科学院近代物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。