[发明专利]基于深度学习的散射成像装置和方法有效

专利信息
申请号: 202010088568.9 申请日: 2020-02-12
公开(公告)号: CN111340183B 公开(公告)日: 2022-08-16
发明(设计)人: 辛煜;庄秋实 申请(专利权)人: 南京理工大学
主分类号: G06N3/04 分类号: G06N3/04;G06N3/08;G02B27/00
代理公司: 南京理工大学专利中心 32203 代理人: 岑丹
地址: 210094 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 散射 成像 装置 方法
【权利要求书】:

1.一种基于深度学习的散射成像装置,其特征在于,包括准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、空间光调制器(5)、分束镜(6)、第三透镜(7)、散射介质(8)、光电探测器(9)、图像重建模块(10);

所述准直光源(1)、第一透镜(2)、第二透镜(3)、线偏振片(4)、分束镜(6)依次沿第一光轴设置,所述空间光调制器(5)、第三透镜(7)、散射介质(8)、光电探测器(9)沿第二光轴设置,第一光轴与第二光轴在分束镜(6)处相交且第二光轴垂直于第一光轴方向,其中,散射介质(8)设置在第三透镜(7)的焦平面上;

图像重建模块(10)用于根据光电探测器(9)记录的散斑信息对散斑图像重建;所述图像重建模块(10)由混合神经网络构成,所述混合神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一重构层、第一丢弃层、第一全连接层、第二丢弃层、第二全连接层、上采样层、第四卷积层、第五卷积层和第六卷积层;

所述第一卷积层采用3*3的卷积核,对输入散斑图提取特征边缘、线条和角等层级,所述第一池化层对第一卷积层提取的特征图进行压缩,得到32*32*16的三维特征图;所述第二卷积层采用3*3的卷积核,从第一卷积层提取的特征中迭代提取特征,并经过第二池化层压缩,得到16*16*32的三维特征图;第三卷积层采用3*3的卷积核,从第二卷积层提取的特征中迭代提取特征,并经第三池化层压缩得到8*8*64的三维特征图;所述第一重构层将8*8*64的三维特征图拉直成1*4096的向量,所述第一丢弃层,通过忽略全连接层中的部分神经元节点,有效防止神经网络过拟合现象;所述第一全连接层设置1024个神经元,后面紧接第二丢弃层,用来防止神经网络过拟合;所述第二全连接层设置196个神经元;第二全连接层中的每个神经元与其前一层的所有神经元进行全连接,用于整合卷积层和池化层中具有类别区分性的局部信息,最终得到1*196向量;第二重构层将1*196向量变为14*14*1的三维特征图;上采样层将14*14*1的三维特征图放大为28*28*1的三维特征图;第四卷积层,采用3*3的卷积核,从28*28*1的三维特征图提取抽象特征,得到28*28*32的三维特征图;第五卷积层采用1*1的卷积核,对第四卷积层输出的28*28*64三维特征图进行降维,得到28*28*16的三维特征图;第六卷积层采用1*1的卷积核,对第五卷积层输出的28*28*16 的三维特征图再次降维,得到28*28像素的图片输出。

2.根据权利要求1所述的基于深度学习的散射成像装置,其特征在于,所述混合神经网络为训练完成的混合神经网络,训练过程具体为:

将光电探测器采集的前2000张散斑图作为训练集散斑图对应的2000张MNIST手写数字原始图片作为标签集,计算损失函数,采用Adam算法优化神经网络,其中,损失函数为:

其中,y表示真实值,pred表示预测值,N表示样本数量。

3.根据权利要求1所述的基于深度学习的散射成像装置,其特征在于,所述准直光源(1)为连续型激光器。

4.根据权利要求1所述的基于深度学习的散射成像装置,其特征在于,所述散射介质(8)为毛玻璃。

5.基于权利要求1~4任一所述散射成像装置的方法,其特征在于,具体为:

步骤1、将2100张MNIST手写数字图片逐张加载在空间光调制器(5)上,进行幅度调制,用光电探测器(9)逐个记录每张图片对应的散斑图案;

步骤2、将光电探测器记录的前2000张散斑图片信息作为混合神经网络的输入,把每张散斑对应的原始图片作为标签,并将损失函数设置为MSE函数:

其中,y表示真实值,pred表示预测值,N表示样本数量;

采用Adam优化器对神经网络进行训练并保存最优权重;

步骤3、将待重建图片加载在空间光调制器(5)上,进行幅度调制,用光电探测器(9)记录待重建图片对应的散斑图案,将散斑图案输入训练好的混合神经网络,获得重建图片。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学,未经南京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010088568.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top