[发明专利]V-Net深度成像方法

摘要

本发明涉及一种V‑Net深度成像方法，采用一种被命名为V‑Net深度网络结构，是一种33层网络结构，由三个顺序连接的功能模块组成，即初始成像模块，深度特征分析与提取模块和深度成像模块，网络层之间的连接采用了全连接、局部连接、残差连接和跳跃连接四种连接方式，损失函数在网络输出的交叉熵损失项和L2正则化约束项的基础上添加了第五层输出的交叉熵损失项，实现初始成像的同时加速网络的收敛过程；V‑Net深度网络结构在信息处理过程中通过像素的添加与剪切保留了介质分布的空间位置信息。

主权项

1.一种V‑Net深度成像方法，采用一种被命名为V‑Net深度网络结构，是一种33层网络结构，由三个顺序连接的功能模块组成，即初始成像模块，深度特征分析与提取模块和深度成像模块，网络层之间的连接采用了全连接、局部连接、残差连接和跳跃连接四种连接方式，损失函数在网络输出的交叉熵损失项和L₂正则化约束项的基础上添加了第五层输出的交叉熵损失项，实现初始成像的同时加速网络的收敛过程；V‑Net深度网络结构在信息处理过程中通过像素的添加与剪切保留了介质分布的空间位置信息，步骤如下：第一步.建立用于训练与测试深度网络的M组数据，每组数据中包含两个序列其中，V为表征介质分布投影的电学层析成像边界测量序列，为被测区域内部的介质真实分布序列；第二步.设计V‑Net深度网络的结构，具体设计方案如下：(1)输入层：V‑Net深度成像网络结构中输入层为电学层析成像边界测量序列V，输入层矩阵是3维矩阵，其中输入层矩阵的长和宽等于测量序列V的长和宽，输入矩阵的第3维表示电学层析成像边界测量序列V的特征图个数，原始输入的特征图个数为1；(2)前5层网络层之间连接采用全连接的方式，全连接网络层中神经元个数依次为812、406、250、406与812，全连接网络层输出的特征图个数为1；在V‑Net深度网络训练过程中前5层的全连接层将电学层析成像系统中表征管道截面信息的边界测量数据非线性映射为截面图像的二维像素点，实现初始成像，同时考虑介质分布的空间位置信息通过添加图素将图像的像素增加到1024，便于深度成像网络设计过程中网络结构的扩展；(3)V‑Net深度网络结构的第6‑19层深度结构逐步扩展，主要由5个卷积块构成，分别为第6‑7层、第9‑10层、第12‑13层、第15‑16层、第18‑19层，每个卷积块中含有两个相同尺度3×3卷积核的卷积层；不同的卷积块之间由最大池化层连接，完成下采样，池化步长为2×2，最大池化操作保留特征空间的局部最大信息，忽略其他特征，共采用最大池化层4层，分别为第8层、第11层、第14层、第17层；此过程中基于卷积技术由最初的1幅低层次的特征图，逐步提取到了1024幅高层次的特征图，同时分析了边界测量与场域内介质分布的大小与位置特征信息，即重建图像的特征分析与提取过程；(4)V‑Net深度网络结构的第20‑33层深度网络结构的逐步收缩，主要由4个卷积块构成，分别为第21‑22层、第24‑25层、第27‑28层、第30‑31层，每个卷积块中含有两个相同尺度3×3卷积核的卷积层；不同的卷积块之间由反卷积运算实现向上采样，共采用反卷积层4层，分别为第20层、第23层、第26层、第29层；第32层采用1×1的卷积核实现深度成像的降维；此过程中基于卷积技术，网络特征图的个数逐渐减少，同时伴随着成像图像素的恢复过程，即深度成像过程；(5)残差连接：网络中第5层与第32层之间采用了残差连接，使得深度网络在前向传播过程运算的性质由矩阵乘法变成了矩阵加法；反向传播过程中，网络无论传播到哪一层，高层的梯度成分即梯度较大的成分都可以直接传过去；(6)跳跃连接：网络中第7层与第29层，第10层与第26层、第13层与第23层、第16层与第20层之间采用跳跃连接，跳跃连接保留特征提取过程由于采用最大池化操作而忽略的局部信息，完备深度图像重建过程的信息库，使得重建的图像更加精确；第三步.损失函数的设计如下：V‑Net深度成像网络损失函数如式(1)所示由三项构成，分别为网络第5层输出电导率分布的交叉熵损失L_out5(w)、网络输出即第33层电导率分布的交叉熵损失L_out33(w)以及L₂正则化项，a、b、c分别为L_out5(w)、L_out33(w)、L₂的权重系数：L(w)＝a*L_out5(w)+b*L_out33(w)+c*L₂(w)     (1)其中，交叉损失项L_out5(w)与L_out33(w)采用公式(2)进行计算，σ_ji为第j层网络层输出的介质分布的预测值；第四步.进行电学层析成像图像重建时，电学层析成像系统的边界测量序列作为已训练好的V‑Net网络模型的输入，V‑Net网络的输出即为被测物场内介质的具体分布。