融合先验知识的深度学习电阻抗动态差分成像方法及系统

    公开(公告)号:CN118212316A

    公开(公告)日:2024-06-18

    申请号:CN202410321236.9

    申请日:2024-03-20

    Abstract: 本发明属于电阻抗成像领域,为融合先验知识的深度学习电阻抗动态差分成像方法及系统。其方法包括:获取输入电压差数据;图像重构,将输入电压差经过三个神经元数量不同的全连接层,以获得不同尺度下的成像映射结果;通过卷积层提取三个通道的特征,将所提取的三个通道特征进行拼接,组合推理出成像结果;基于单步线性高斯牛顿法融合成像相关的先验知识,以生成参考成像;加权融合,根据权重矩阵对图像重构的成像结果和参考成像加权求和,得到融合后的成像结果;误差校准,训练加权融合的成像结果与预期成像结果的误差映射关系,输出误差校准后的成像结果。本发明将成像任务拆分为图像重构和误差校准两个子任务,提升了重构图像的精度。

    湿度传感平面内湿度分布的分析方法及湿敏电子皮肤

    公开(公告)号:CN115078471A

    公开(公告)日:2022-09-20

    申请号:CN202210778124.7

    申请日:2022-06-29

    Abstract: 本发明涉及电阻抗成像领域,为湿度传感平面内湿度分布的分析方法及湿敏电子皮肤,方法包括:获取数据集并进行预处理;构建湿度分布成像模型,包括输入层、预重构模块、编码器模块、解码器模块、轮廓约束分支、输出层;使用数据集训练湿度分布成像模型,形成具有湿度重构图像和湿度重构轮廓图像两项输出的湿度分布重构模型;输入层输入湿度传感平面的边界电压数据;预重构模块生成初始的湿度重构结果,编码器模块在预重构模块的基础上提取湿度相关的多级多尺度特征;解码器模块根据编码器模块提取的多级多尺度特征进行解码;轮廓约束分支用于获得轮廓分明的湿度重构图像。本发明能关注目标区域中的重构,从而提升湿度重构的效果。

    基于FPGA的深度学习电阻抗成像系统及成像评价方法

    公开(公告)号:CN114544708B

    公开(公告)日:2023-07-18

    申请号:CN202210051699.9

    申请日:2022-01-17

    Abstract: 本发明公开了一种基于FPGA的深度学习端对端式电阻抗成像系统及新型成像评价方法,系统以FPGA为核心板,在FPGA移植微处理器内核,实现数据采集模块、深度学习算法模块以及成像显示模块。所述数据采集模块用于注入激励电流和采集电压数据并对电压数据进行降噪处理;所述深度学习模块用于处理采集的电压数据,将其还原成重建图像。本发明采用FPGA作为主控,发挥其并行计算的优势,加速深度学习算法模块实现;引入微处理器提高所述电阻抗成像系统的运行效率;深度学习算法模块解决传统算法成像精度不高的问题,降低逆问题的不适定性。新型评价方法解决常用的ICC评价方法无法准确评价原始图像与重建图像位置准确度的缺点。

    湿度传感平面内湿度分布的分析方法及湿敏电子皮肤

    公开(公告)号:CN115078471B

    公开(公告)日:2025-04-08

    申请号:CN202210778124.7

    申请日:2022-06-29

    Abstract: 本发明涉及电阻抗成像领域,为湿度传感平面内湿度分布的分析方法及湿敏电子皮肤,方法包括:获取数据集并进行预处理;构建湿度分布成像模型,包括输入层、预重构模块、编码器模块、解码器模块、轮廓约束分支、输出层;使用数据集训练湿度分布成像模型,形成具有湿度重构图像和湿度重构轮廓图像两项输出的湿度分布重构模型;输入层输入湿度传感平面的边界电压数据;预重构模块生成初始的湿度重构结果,编码器模块在预重构模块的基础上提取湿度相关的多级多尺度特征;解码器模块根据编码器模块提取的多级多尺度特征进行解码;轮廓约束分支用于获得轮廓分明的湿度重构图像。本发明能关注目标区域中的重构,从而提升湿度重构的效果。

    基于FPGA的深度学习电阻抗成像系统及成像评价方法

    公开(公告)号:CN114544708A

    公开(公告)日:2022-05-27

    申请号:CN202210051699.9

    申请日:2022-01-17

    Abstract: 本发明公开了一种基于FPGA的深度学习端对端式电阻抗成像系统及新型成像评价方法,系统以FPGA为核心板,在FPGA移植微处理器内核,实现数据采集模块、深度学习算法模块以及成像显示模块。所述数据采集模块用于注入激励电流和采集电压数据并对电压数据进行降噪处理;所述深度学习模块用于处理采集的电压数据,将其还原成重建图像。本发明采用FPGA作为主控,发挥其并行计算的优势,加速深度学习算法模块实现;引入微处理器提高所述电阻抗成像系统的运行效率;深度学习算法模块解决传统算法成像精度不高的问题,降低逆问题的不适定性。新型评价方法解决常用的ICC评价方法无法准确评价原始图像与重建图像位置准确度的缺点。

Patent Agency Ranking