[发明专利]信息流与梯度流增加的深度V型密集网络成像方法

摘要

本发明涉及一种信息流与梯度流增加的深度V型密集网络成像方法，包括下列步骤：步骤1：建立训练与测试网络模型的数据库：建立层析成像传感阵列仿真模型；采集含有内含物的边界测量序列、参考场的边界测量序列以及仿真模型设定含有内含物的介质分布图片；步骤2：修改U‑Net网络结构，并添加4个密集块，构建VDN‑IIFGF成像网络；步骤3：网络模型训练：训练集样本的边界电压差值归一化序列为VDN‑IIFGF成像网络的输入，仿真设置的介质分布图片为监督学习的标签与VDN‑IIFGF成像网络预测的介质分布图片作为损失函数的两个自变量；实现被测场域中内含物介质分布的成像。

主权项

1.一种信息流与梯度流增加的深度V型密集网络成像方法，包括下列步骤：/n步骤1：建立训练与测试网络模型的数据库：建立层析成像传感阵列仿真模型；采集含有内含物的边界测量序列、参考场的边界测量序列以及仿真模型设定含有内含物的介质分布图片。/n步骤2：修改U-Net网络结构，并添加4个密集块，构建VDN-IIFGF成像网络，方法如下：/n(1)VDN-IIFGF成像网络基本结构/nVDN-IIFGF成像网络的基本结构在U-Net网络基础上进行修改，增加5层全连接层构成初始成像模块作为VDN-IIFGF成像网络的前5层；去掉U-Net网络中收缩模块与扩展模块之间的复制与剪裁连接，分别将收缩模块与扩展模块作为VDN-IIFGF成像网络的特征提取模块与深度成像模块，对应于VDN-IIFGF成像网络的第6-31层；VDN-IIFGF成像网络的第32层采用卷积核为1*1的卷积层融合深度成像过程中的不同特征图；此外，VDN-IIFGF网络将初始成像模块的输出作为单位映射连接到第32层的输出，构成残差模块，残差模块输出网络预测的介质分布图像作为网络的第33层即VDN-IIFGF成像网络的输出；/n(2)添加4个密集块设计/n在VDN-IIFGF成像网络的基本结构的基础上，将相同尺寸的特征提取过程的特征图与深度成像过程的特征图进行密集连接组合成一个密集块；网络中共构建不同尺寸的4个密集块，图像图像素为32×32的密集块1由网络中的第6-7层、第29-31层构成，特征图像素为16×16的密集块2由网络中的第8-10层、第26-28层构成，特征图像素为8×8的密集块3由第11-13层，第23-25层构成，特征图像素为4×4的密集块4由第14-16层，第20-22层构成；每一个密集块中除第20、23、26、29层的上采样层外，每层网络的输出直接连接到其后面的所有网络层的输入，每层网络的输入由其前面所有网络层的输出组合而成；每个密集块中的连接线分别为8条、12条、12条和12条；4个密集块增加了VDN-IIFGF成像网络中信息流与梯度流，使得的VDN-IIFGF成像网络更容易训练到较优模型；/n步骤3：网络模型训练：训练集样本的边界电压差值归一化序列为VDN-IIFGF成像网络的输入，仿真设置的介质分布图片为监督学习的标签与VDN-IIFGF成像网络预测的介质分布图片作为损失函数的两个自变量；损失函数作为VDN-IIFGF成像网络的优化目标，更新网络模型中可训练的参数，同时监督网络训练过程中的损失函数选择合适的初始学习率；按照设定的经验训练步数进行VDN-IIFGF成像模型训练，实现被测场域中内含物介质分布的成像。/n