[发明专利]一种光声测量信号特征的识别模型建立方法及提取方法

权利要求书

1.一种光声测量信号特征的识别模型建立方法，其特征在于，包括：

分别以不同种类的固体样品为测量对象，获得各测量对象的至少一组一维时序光声测量信号，并标注出每一组一维时序光声测量信号中的每一个特征信号所在的时域区间和对应的类型；所述不同种类的固体样品的膜层数量均为N，N为正整数；不同种类的固体样品的膜层参数不同，膜层参数包括膜层材料和膜层厚度；所述特征信号包括：零点信号和各膜层返回的回声信号；

将U-Net神经网络模型中所有的卷积层、最大池化层和上采样均修改为1D形式，以建立一维U-Net神经网络模型，用于预测目标一维时序光声测量信号中各类特征信号的时域分布概率曲线；所述目标一维时序光声测量信号由具有N个膜层的固体样品在光声测量中产生；

将每一组一维时序光声测量信号及其对应的标注结果作为一个样本，将所有的样本划分为训练集、验证集和测试集，利用所述训练集、所述验证集和所述测试集分别对所述一维U-Net神经网络模型进行训练、验证和测试后，得到所述光声测量信号特征的识别模型。

2.如权利要求1所述的光声测量信号特征的识别模型建立方法，其特征在于，所述一维U-Net神经网络模型中，下采样和上采样部分中卷积层的卷积核均大于或等于3×1。

3.如权利要求1或2所述的光声测量信号特征的识别模型建立方法，其特征在于，建立所述一维U-Net神经网络模型时，还包括：在U-Net神经网络模型的下采样部分和/或上采样部分中，加入至少一个dropout层。

4.如权利要求1所述的光声测量信号特征的识别模型建立方法，其特征在于，在对一维时序光声测量信号进行标注之前，还包括：对一维时序光声测量信号进行数据增强；

所述数据增强包括：添加脉冲噪声，和/或添加低频扰动；

所述低频扰动的频率小于一维时序光声测量信号中特征信号的频率最小值，且所述低频扰动的幅值小于一维时序光声测量信号中特征信号的幅值最小值。

5.如权利要求4所述的光声测量信号特征的识别模型建立方法，其特征在于，所述数据增强还包括：平移变换，和/或裁剪变换。

6.如权利要求4或5所述的光声测量信号特征的识别模型建立方法，其特征在于，在对一维时序光声测量信号进行标注之前，还包括：对一维时序光声测量信号进行预处理；所述预处理包括以下操作中的至少一项：

在对一维时序光声测量信号进行数据增强之前，对一维时序光声测量信号进行数字降噪；

在对一维时序光声测量信号进行数据增强之后，对一维时序光声测量信号进行标准化。

7.如权利要求6所述的光声测量信号特征的识别模型建立方法，其特征在于，所述数字降噪为小波去噪。

8.一种光声测量信号特征的提取方法，其特征在于，包括：

对于具有N个膜层的待测固体样品，获得其一维时序光声测量信号，将所述一维时序光声测量信号输入至光声测量信号特征的识别模型，以预测所述一维时序光声测量信号中各类特征信号的时域分布概率曲线；所述光声测量信号特征的识别模型由权利要求1~7任一项所述的光声测量信号特征的识别模型建立方法得到；

对于每一类特征信号，提取出其时域分布概率曲线中大于相应概率阈值的曲线部分，并将所提出的曲线部分所对应的时域区间识别为该类特征信号所在的时域区间，从所述一维时序光声测量信号中提取出该时域区间内的信号，完成对该类特征信号的提取；

其中，N为正整数。

9.如权利要求8所述的光声测量信号特征的提取方法，其特征在于，所述一维时序光声测量信号输入至光声测量信号特征的识别模型之前，还包括：对所述一维时序光声测量信号进行数字降噪和标准化。

10.一种计算机可读存储介质，其特征在于，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行权利要求1~7任一项所述的光声测量信号特征的识别模型建立方法，和/或权利要求8或9所述的光声测量信号特征的提取方法。