一种基于编码板的超高速射线图像识别方法

1.本技术涉及利用射线进行超高速目标状态识别和反馈以及对时间响应要求较高的激光加工在线监测技术领域，特别地，涉及一种基于编码板的超高速x射线图像识别方法。


背景技术：

2.激光加工是指利用激光束投射到物体表面产生的热效应来进行加工，其加工精度受到加工材料、激光功率、焦点位置、喷嘴直径和高度、辅助气体气压等因素影响，因此针对不同的加工材料和加工需求，在加工过程中有必要实时调整工艺参数，以提高加工质量，降低加工成本。
3.同时激光加工面对的多是陶瓷、金属等多种形状结构复杂的材料。加工过程中材料内部变化无法用常规光学设备观测，这给加工的实时监测和在线加工参数调整带来了困难。目前的监测主要是通过加工过程中产生的声、光、热、电等信号的释放，再用响应的传感器去间接判断加工工况，但这样的方法在实际应用时要视具体的加工材料而定，且容易受到外界的环境干扰、出现信号判断失真等问题，就算使用多种传感器联合监测，也会带来设备空间上的限制，一般也只适用于某一种特定的加工方式和材料；随着更高频率的脉冲加工技术的产生，部分应用当中在线监测反馈频率已经无法满足应用需求；更重要的是，目前的激光加工在线监测技术主要是对加工区域的表层现象进行监测，在深度方向上尚缺乏有效的在线监测技术，而加工深度方向上的监测又至关重要，深度方向上的缺陷会导致内部裂纹、再铸层等的产生。并且，使用光学相机等设备对加工形貌进行直接观测加，除了具备上述深度方向上的难以观测外，从相机成像到加工参数的反馈调整，整个过程时间延迟较高。
4.因此有必要开发一种更加高效、响应更快、观测手段更加直接的能对激光加工材料内部工况实时监测和反馈的方法设备，解决激光加工过程中在加工深度、高速反馈和高频脉冲激光中的监测困难问题，以提高激光加工精度，简化加工监督流程。


技术实现要素：

5.针对现有技术的不足，本发明提供一种基于编码板的超高速射线图像识别方法，包括：s1，获得多个经x射线穿过物体后探测器得到的输入图像；s2，根据具有多像素的像素化探测器的探头像素和所述输入图像的分类数量，搭建神经网络，并利用所述多个输入图像对所述神经网络进行训练和验证，得到训练验证后的神经网络，其中所述训练验证后的神经网络包括权重信息，且能够输出所述输入图像的类别信息；s3，提取所述权重信息，构建多个所述输入图像对应的编码板，所述编码板能够通过对射线强度进行不同程度的衰减，实现神经网络的权重计算过程；s4，通过在所述探测器前安装所述编码板，使得射线在经过所述编码板后强度在探测器不同位置发生不同程度的衰减后，被所述探测器探测到，探测器将所述不同程度衰减后的射线能量信息转化为脉冲光电信号，再将探测器每一个像
素产生的的所述脉冲光电信号按照所述训练验证后的神经网络中的对应关系连接，即可得到目标物体的识别结果。
6.进一步地，通过在图像中加入随机的高斯噪声，扩充图像数量，以获得足够数量的输入图像进行算法训练。
7.进一步地，在神经网络中提取权重信息构建编码板的方法包括：在训练好的神经网络中，依据如下公式计算输出所述输入图像的类别信息：
[0008][0009]
其中，c代表目标类别，ci代表第i类，n代表图像像素数量，tm代表第m个像素，代表i类图像第m个像素的权重，bi代表偏置，f为从求和节点到最终输出值所对应的激活函数，所述激活函数不改变输出值的相对大小，只使得大数值更大，小数值更小，以更清晰准确的获得分类结果；
[0010]
提取公式中每一次得到的权重值，并对所述权重值进行训练，以制作不同厚度的编码板。
[0011]
进一步地，根据所述权重参数，制作编码板的方法如下：所述编码板采用同种材料，不同的材料厚度，以反应对射线能量进行不同的权重参数处理；其中所述材料厚度选择依据以下公式：
[0012]
m＝m0be-μr
[0013]
其中，m0、m分别代表通过厚度为r的材料前和后的射线强度，μ为线性衰减系数，单位为1/cm，b累积因子，μ与b与所用材料相关。
[0014]
通过反应材料厚度与射线强度关系，以映射对射线能量进行不同的权重参数处理。
[0015]
进一步地，所述激活函数为softmax及softmax的衍生函数。
[0016]
进一步地，训练所述神经网络和权重参数的设置方法如下：在所述神经网络中采用交叉熵损失函数，且采用随机梯度下降和学习率衰减的方法对所述神经网络进行训练。
[0017]
进一步地，训练所述神经网络的方法还包括采用l2正则化方法防止过拟合。
[0018]
进一步地，利用编程软件对所述多个图像进行划分为训练集和验证集，所述训练集和验证集的比例为8：2。
[0019]
本技术还涉及一种人工智能快速成像装置，包括：发射射线装置，发射初始射线，所述初始射线穿过待检测物体，获得带有不同能量的探测射线；探测装置，包括探测器和编码板处理器，所述像素化阵列探测器探测到不同能量射线，所述编码板处理器执行任一上述的识别方法，将所述射线能量输出为目标状态信息。
[0020]
针对目前激光加工在线监测中监测精度低，加工深度方向上难以监测，反馈频率低等问题。本技术提出了一种结合x射线成像技术的基于非均匀编码版的人工智能高速射图像识别技术，依靠目前人工智能算法中较为成熟的反向传播神经网络(bpnn)，将训练好的神经网络中的权重，结合对射线具有一定阻挡作用的编码板，把神经网络权重按照数值大小等效应用于编码板的厚度，从而根据透过编码板后强度不均匀分布的射线，使进入到
像素化探头后的图像变为经过权重加工过的带有图像特征信息的数据，之后根据探测器接收到的上述的差异信号直接判断目标并进行反馈。无需在计算机cpu上进行复杂的模数转换和后续的信息处理的繁琐过程，目前该技术根据x射线的发射频率，至高可达到ns级的图像识别和即时反馈速率，可以在极高激光加工过程中的实时监测反馈效率的同时，具备加工深度等方向上常规光学手段无法观测的实时监测能力。
[0021]
本方法使用对材料具有一定穿透性的x射线，结合人工神经网络算法，目的是将常规需运行于计算机cpu等数字芯片中处理的图像识别算法移植于硬件模拟电路实现，做到在像素化探测器接收到穿过待测物体x射线的瞬间所输出的模拟信号来实现对目标物体状态形貌的判断，并立即反馈给加工设备，以调整加工参数。
[0022]
同时本方法使用了不均匀厚度编码板结合像素化闪烁体进行实现，通过单独设置每个位置编码板的厚度，可以起到对入射x射线编程的作用，从而在阵列探测器中实现神经网络算法。本方法只需在探测器端加入一个低功率偏置电源，在探测器像素密度提高后的无需担心复杂的供电和电路设计问题，电路方案简单，带来了较低的功耗和结构上的稳定性，同时具有宽视场角的特点，对于一些需要广角x射线图像识别的场景有独特的优势。
[0023]
综合来说，本技术通过从数学原理和方法上把原本需在计算机中实现的神经网络算法转移到编码板和像素化探头中，使在用算法进行图像识别时不用进行后续信号的模数转换和计算机芯片等的处理，可将图像识别速率从ms量级提升到ns量级。
[0024]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0025]
图1为本技术射线快速成像方法的流程示意图。
[0026]
图2为本技术实施例选用的初始目标图像和加入高斯噪声后的图像示意图。
[0027]
图3显示了输入图像的一维化过程。
[0028]
图4为本方法中所应用的神经网络结构进行计算并输出类别信息的过程。
[0029]
图5为实际探测中应用编码板进行处理的模拟图。
[0030]
图6为激光加工过程中利用本技术快速成像装置进行监测的模型图。
具体实施方式
[0031]
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
[0032]
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"坚直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特
征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。
[0033]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接:可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0034]
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
[0035]
图1为本技术射线快速成像方法的流程示意图。
[0036]
如图1所示，本技术中射线快速成像的方法主要通过以下步骤：
[0037]
s1，获取训练数据，训练数据为多个经x射线穿过物体后探测器得到的输入图像，例如无损检测中检测到的图像。通过在目标图像中加入高斯噪声，以获得足够数量的训练图像数据。
[0038]
s2，利用上述的图像数据分类数量和实际状态下具有多像素的像素化探测器中探头像素，搭建神经网络，并利用图像数据对神经网络中进行训练和验证，得到训练验证后的神经网络，且训练验证后的神经网络中包括权重信息。经过训练验证后的神经网络能够输出该输入图像的类别，据此可知原图像的信息。其中，权重信息相当于对原输入图像的处理过程，后续将详细描述。
[0039]
s3，根据上述权重信息，构建上述多个输入图像对应的编码板，该编码板可对入射射线强度造成不同程度的衰减。
[0040]
s4，由于探测器是通过穿过待识别物体后的射线强度分布不均来进行识别，因此可以通过在实际探测器中安装上述的编码板，使射线穿过待识别物体后再经过编码版。因此对射线的强度进行的处理等同于上述中的神经网络的权重处理过程，之后进入到探测器中的射线信息已经是完成权重处理后的过程，而探测器可将不同程度衰减后的射线中沉积的能量转化为脉冲光电信号，后续只需在将该光电信号按照训练验证后的神经网络中对应的关系连接,即可的处理后再输出，可得到实际待测目标的识别结果。
[0041]
下面将对每一步骤进行详细的说明。
[0042]
步骤s1，获取足够的训练数据。图2为本技术实施例选用的初始目标图像和加入高斯噪声后的图像示意图。如图2所示，初始目标图像数量过少，如图2左侧所示为4个，可看出分别为a、f、i、j字样。因此在其中加入随机的高斯噪声，进行数据量扩充。如图中输入图像为4*4的像素，在其中加入信噪比为3、1、0.5的噪声，获得的图像如图2右侧所示。可以看出通过加入噪声，图片的清晰度得到一定的下降，信噪比越低，清晰度越差。通过以上方法并结合实际的目标分类数目、图形复杂度等，可以将输入数据扩充在万张甚至几百万张的数量级。以这种方式训练可以大大提高当输入图形均匀性不理想或存在其他干扰因素时，探测设备得到数据结果的容错率。
[0043]
步骤s2，搭建神经网络，并对神经网络进行训练。根据实际情况中探头的像素和上述训练数据的图像的分类数，搭建神经网络。并利用上述训练数据图像对神经网络进行训练，获得训练后的神经网络。
[0044]
其中，图像的分类数可以根据实际情况进行设置，如本实施例中的图像类别为4，即分类数为4。本实施例中使用一层编码板，因此对应的神经网络的隐藏层数量是一层。依据输入图像和分类数搭建神经网络的方法为行业内熟知的方法，在此不做赘述。
[0045]
训练神经网络时，需要对初始训练数据进行分类，划分为训练集和验证集合。通过编程软件对初始训练数据进行划分是常用做法。本技术将输入数据划分为训练集和验证集。训练集顾名思义就是负责训练神经网络以得到最优化发输出结果的数据集，验证集需要对训练好的神经网络准确性进行验证。本文设置的训练集：验证集比例为0.8：0.2(可根据实际应用效果划分为其他比例，即所有数据的80％用于训练，剩下的用于验证)。
[0046]
步骤s3，提取神经网络中的权重信息用于制作编码板。
[0047]
训练神经网络时，将输入图像一维化输入神经网络中，经过计算处理输出该输入图像的类别信息。这一计算处理过程中，提取这其中的神经网络参数，即权重信息，此为构建编码板所需。
[0048]
图3显示了输入图像的一维化过程。如图3所示，最左图为原图像，中间图为加入高斯噪声后的图像，以模拟射线探测到图像。最右图为，将该图像一维化后生成的像素矩阵参数。
[0049]
需特别注意的是，本实施例中神经网络中所有输入与神经元之间采用全连接的方式。神经网络的激活函数选用了softmax，损失函数选用了交叉熵损失函数，这两个函数在以往的机器学习中的多分类问题上有着良好的表现。同时在网络训练时采用了随机梯度下降和学习率衰减的方法进行训练，为了防止过拟合还应用了l2正则化方法，在1000次迭代后的损失值稳定在了0.75左右，最终验证算法准确率97.8％。网络输出选取独热编码(one-hot)方式，即每次输出结果中只有一个值被“点亮”，这种方法可以最大化提高输出值的准确性。
[0050]
图4为本方法中所应用的神经网络结构进行计算并输出类别信息的过程。图4表示的计算过程可由下述公式解释。
[0051]
依据如下公式：
[0052][0053]
其中，c代表目标类别，ci代表第i类，n代表图像像素数量，tm代表第m个像素，代表i类图像第m个像素的权重，bi代表偏置，f为从求和节点到最终输出值所对应的激活函数，所述激活函数不改变输出值的相对大小，只使得大数值更大，小数值更小，以更清晰准确的获得分类结果；
[0054]
之后将训练好的神经网络权重提取出来，按比例制作对应厚度的编码版。
[0055]
再进一步地，例如，图4左边当输入到编码板为具体图案时，图案中的每一像素值在计算机中代表着对应的像素ni，即图4左边的白色圆圈，计算机语言中的ni*p
ni
在探测器
中就相当于入射图像经过编码版强度变化。分别经过不同的权重求和后得到如图4的0.1、0.6、0、0.1四个数值，这四个数值进行f函数的处理后，得到[0100]矩阵结果，这一结果在设定中对应的是c2图，那么就可依据图2中的四种图像类别，推断中该图的原图为f字样。
[0056]
再进一步地，若n＝16，分类数为4时，16个图像像素都需要进行对应的n*p，那么对于每个类别输出类别信息，就需要进行16组n*p运算。即，对于某一特定的图像像素，有几种输出图像分类(几个c)，就要乘以几个权重p。而权重p对图像的强度变化在实际物理环境中，类比于编码板对射线的强度变化。所以提取权重信息p，用于构建编码板。
[0057]
并且，编码板数量与总权重数量相同，即为元素数量和分类数量的乘机。如分类数为4，输入像素数量为n＝16时，那编码板地数量为8*8矩阵排列。
[0058]
实际上，神经网络的计算过程由两部分组成，将每一个像素进行权重处理重新编码，第二部分为将所有处理后的像素矩阵进行就和和f函数处理，产生矩阵类别，以判断图像的类别信息。
[0059]
图5为实际探测中应用编码板进行处理的模拟图。
[0060]
如图5所示，编码板可对射线进行阻挡不同程度的衰减，相当于权重对图像的处理。此时即为上述的权重处理图像的第一部分过程。那么制造编码板时，已知射线在穿过不同厚度物质时衰减情况不同，因此可以通过使用不同厚度的同种材料，使穿过其的射线强度衰减为原来的0-100％，排列组合不同厚度将构成一个掩模矩阵，相当于对射线起到了编码作用，因此称之为编码板。同时，使用人工智能中的神经网络算法可以构建任意的算法结构，因此可以提取训练好的算法中的权重，换算为每个权重对应所需的编码板厚度，便可实现物理意义上的神经网络结构。
[0061]
材料厚度选择可以依据以下公式：
[0062]
m＝m0be-μr
…………
(2)
[0063]
其中，m、m0分别代表通过厚度为r的材料的射线强度，μ为线性衰减系数，单位为1/cm，b累积因子，μ与b与所用材料相关。
[0064]
该公式通过反应材料厚度与射线强度关系，以映射对射线能量进行不同的权重参数处理。
[0065]
步骤s4，将上述已知的编码板结构安装至探测器中，当探测器识别到入射射线能量衰减变化时，在探测器中形成不同图像，可以根据此时的不同图像，得到对应的图像类别。
[0066]
具体的来说，如图5所示，射线束穿过观测对象，再经过编码板将射线能量进行不同程度的衰减。经过不同程度衰减后的射线在探测器上成像，将成像后的电信号并联，即模拟神经网络中的分别求和过程，此后输出的输出信号如图5所示，显示为第二种图像类别。
[0067]
本技术还涉及一种人工智能快速图像识别装置，包括：发射射线装置，发射初始射线，所述初始射线穿过待检测物体，获得带有不同强度的探测射线。探测装置，包括探测器和编码板处理器，所述像素化阵列探测器探测到不同强度的射线进而产生幅度不同的电信号所述编码板处理器执行1-7中任一所述的成像方法，将所述电信号输出为目标状态信息。
[0068]
利用本技术中的快速图像识别装置，进行激光加工在线监测的过程如图6，激光加工加工过程中，将本技术中图像识别设备(本实施例中射线采用x射线)放置于加工件附近，在激光束对加工工件进行加工过程中，利用x射线，进行实时监测。
[0069]
利用本技术和方法，不仅将图像识别速率从ms量级提升到ns量级，并且通过数学原理和方法上把原本需在计算机中实现的神经网络算法转移到编码板和像素化探头中，使在用算法进行图像识别时不用进行后续信号的模数转换和计算机芯片等的处理，更为方便便捷。并且通过设计不同厚度编码板的方式实现神经网络的硬件搭建，最大化的减小了设备复杂度，整套设备结构简单、稳定性强，可以实现广角成像。
[0070]
显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。