CN111695529B - 一种基于人体骨骼关键点检测算法的x射线源检测方法 - Google Patents
一种基于人体骨骼关键点检测算法的x射线源检测方法 Download PDFInfo
- Publication number
- CN111695529B CN111695529B CN202010544700.2A CN202010544700A CN111695529B CN 111695529 B CN111695529 B CN 111695529B CN 202010544700 A CN202010544700 A CN 202010544700A CN 111695529 B CN111695529 B CN 111695529B
- Authority
- CN
- China
- Prior art keywords
- network
- ray source
- telescope
- wide
- source detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人体骨骼关键点检测算法的X射线源检测方法,属于天体源的发现、识别技术领域,包括以下步骤:S10、基于卷积神经网络构建X射线源检测网络;X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络;S20、使用宽视场巡天望远镜观测图像训练样本对X射线源检测网络进行训练;S30、将待识别的宽视场巡天望远镜观测图像输入训练完成的X射线源检测网络,得到待识别的宽视场巡天望远镜观测图像的流量强度预测值。本发明能够从观测图像中排除噪声提取出源的数据信息,支持延展源,具有对距离相近的源分辨能力;同时,在测试数据上定位准确率和召回率均能达到99%以上。
Description
技术领域
本发明属于天体源的发现、识别技术领域,具体涉及一种基于人体骨骼关键点检测算法的X射线源检测方法。
背景技术
现有X射线源检测算法主要为滑动单元格法,该方法建立滑动单元格后,将格子正中心位置对应的像素作为信号值对观测图像进行扫描,同时将中心点相邻位置(8邻域)的像素标记为用于计算信噪比的噪声,如果当前滑动格计算出的信噪比大于给定的阈值,则将当前的位置标记为一个X射线源候选位置。然后将图像中的X射线源候选位置和一部分随机背景扣除,记为“奶酪(cheese)”图,扣除的位置利用插值算法(通常为双线性插值)填补从而生成平滑的背景图,最后重复第一步的扫描,但是计算信噪比时使用插值后的背景图来代表噪声强度,从而给出X射线源列表。
滑动单元格法执行速度快且不依赖先验假设,但是核心问题是由于其将中心像素作为候选源,故仅对点源友好、只在亮源上置信度高,这使得该系列方法对很多复杂的延展源不具有很好的识别能力。
因此,急需一种能够从观测图像中排除噪声提取出源的数据信息,可支持延展源且具有对距离相近的源分辨能力的X射线源检测方法。
发明内容
本发明的目的在于提供一种能够从观测图像中排除噪声提取出源的数据信息,可支持延展源且具有对距离相近的源分辨能力的X射线源检测方法,本发明采取了如下技术方案:
一种基于人体骨骼关键点检测算法的X射线源检测方法,包括以下步骤:
S10、基于卷积神经网络构建X射线源检测网络;所述X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络;
S20、使用宽视场巡天望远镜观测图像训练样本对所述X射线源检测网络进行训练;训练过程包括以下步骤:
S21、将所述宽视场巡天望远镜观测图像训练样本输入所述定位网络,所述定位网络输出位置概率热图;
S22、将所述位置概率热图输入局部极大值提取算法,得到X射线源坐标;
S23、将所述X射线源坐标输入关键点区域特征提取算法,得到X射线源区域局部图;
S24、将所述区域局部图输入所述强度预测网络,得到流量强度预测值;
S25、当所述流量强度预测精度符合要求时,所述X射线源检测网络训练完成;
S30、将所述待识别的宽视场巡天望远镜观测图像输入训练完成的所述X射线源检测网络,得到所述待识别的宽视场巡天望远镜观测图像的流量强度预测值。
进一步地,所述关键点区域特征提取算法为人体骨骼关键点检测算法。
进一步地,所述定位网络为ResNet残差网络,所述ResNet残差网络包括依次排列的4个ResBlock模块。
进一步地,所述区域局部图为以X射线源为中心的9×9局部图像。
进一步地,所述强度预测网络包括依次排列的dense全连接层、relu激活、dense全连接层和sigmoid激活。
进一步地,所述定位网络采取了多阶段损失函数监督的方式,每一阶段对上一阶段的定位结果都有所精炼。
进一步地,所述宽视场巡天望远镜观测图像训练样本包括80%的训练样本和20%的测试样本。
本发明有益效果:
本发明能够从观测图像中排除噪声提取出源的数据信息,支持延展源,具有对距离相近的源分辨能力;同时,在测试数据上定位准确率和召回率均能达到99%以上,强度预测和真实值的均方误差也在0.006左右,可以以很高的准确率服务于天文观测,解决大数据背景下X射线源观测数据过于庞杂,难以有效提取有用信息的问题。
附图说明
图1本发明的整体网络结构图
图2定位网络示意图
图3强度预测网络示意图
图4定位网络输出的位置概率热图
图59×9局部图像
具体实施方式
实施例1
一种基于人体骨骼关键点检测算法的X射线源检测方法,包括以下步骤:
S10、基于卷积神经网络构建X射线源检测网络;X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络;
本实施例中,定位网络为ResNet残差网络,ResNet残差网络包括依次排列的4个ResBlock模块(如图2);定位网络采取了多阶段损失函数监督的方式,每一阶段对上一阶段的定位结果都有所精炼。
强度预测网络包括依次排列的dense全连接层、relu激活、dense全连接层和sigmoid激活(如图3)。
在本实施例中,关键点区域特征提取算法为人体骨骼关键点检测算法。
S20、使用宽视场巡天望远镜观测图像训练样本对X射线源检测网络进行训练;训练过程包括以下步骤:
S21、将宽视场巡天望远镜观测图像训练样本输入定位网络,定位网络输出位置概率热图(如图4);
S22、将位置概率热图输入局部极大值提取算法,得到X射线源坐标;
S23、将X射线源坐标输入关键点区域特征提取算法,得到区域局部图;
本实施例中,区域局部图为以X射线源为中心的9×9局部图像(如图5)。
S24、将区域局部图输入强度预测网络,得到流量强度预测值;
本实施例,在强度预测过程中预测的值为延展面强度和中心强度的比值,从而稳定训练过程。
S25、当流量强度预测精度符合要求时,X射线源检测网络训练完成;
本实施例中,宽视场巡天望远镜观测图像训练样本包括80%的训练样本和20%的测试样本。
本实施例选用10000张宽视场巡天望远镜观测图像作为训练样本,其中包括8000张训练样本,2000张测试样本。定位网络和强度预测网络分别训练,其中强度预测网络的数据集为样本中全部源对应的局部图。当两个网络测试精度平稳后训练完成,在本实例中定位精度要求为:召回率、准确率均达到99%,流量强度预测精度要求为:强度预测和真实值的均方误差为0.006。
S30、将待识别的宽视场巡天望远镜观测图像输入训练完成的X射线源检测网络,得到待识别的宽视场巡天望远镜观测图像的流量强度预测值。
本实施例为部署于望远镜数据处理计算机上,以爱因斯坦探针卫星为例,该卫星搭载一台宽视场寻天望远镜和一台精度更高的后随观测望远镜。
本实施例以宽视场巡天望远镜观测图像作为输入,识别出观测结果中的X射线源位置及流量信息,进而将结果反馈给后续的X射线源分类算法(非本发明内容)分辨出科研人员预先设计好的感兴趣目标种类的源,利用后随观测望远镜进行高精度的跟踪观测。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围的。
Claims (7)
1.一种基于人体骨骼关键点检测算法的X射线源检测方法,其特征在于,包括以下步骤:
S10、基于卷积神经网络构建X射线源检测网络;所述X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络;
S20、使用宽视场巡天望远镜观测图像训练样本对所述X射线源检测网络进行训练;训练过程包括以下步骤:
S21、将所述宽视场巡天望远镜观测图像训练样本输入所述定位网络,所述定位网络输出位置概率热图;
S22、将所述位置概率热图输入局部极大值提取算法,得到X射线源坐标;
S23、将所述X射线源坐标输入关键点区域特征提取算法,得到区域局部图;
S24、将所述区域局部图输入所述强度预测网络,得到流量强度预测值;
在强度预测过程中预测的值为延展面强度和中心强度的比值;
其中所述强度预测网络的数据集为样本中全部源对应的局部图;
S25、当所述流量强度预测精度符合要求时,所述X射线源检测网络训练完成;
S30、将待识别的宽视场巡天望远镜观测图像输入训练完成的所述X射线源检测网络,得到所述待识别的宽视场巡天望远镜观测图像的流量强度预测值。
2.根据权利要求1所述的X射线源检测方法,其特征在于,所述关键点区域特征提取算法为人体骨骼关键点检测算法。
3.根据权利要求1所述的X射线源检测方法,其特征在于,所述定位网络为ResNet残差网络,所述ResNet残差网络包括依次排列的4个ResBlock模块。
4.根据权利要求1所述的X射线源检测方法,其特征在于,所述区域局部图为以X射线源为中心的9×9局部图像。
5.根据权利要求1所述的X射线源检测方法,其特征在于,所述强度预测网络包括依次排列的dense全连接层、relu激活、dense全连接层和sigmoid激活。
6.根据权利要求1所述的X射线源检测方法,其特征在于,所述定位网络采取了多阶段损失函数监督的方式,每一阶段对上一阶段的定位结果都有所精炼。
7.根据权利要求1所述的X射线源检测方法,其特征在于,所述宽视场巡天望远镜观测图像训练样本包括80%的训练样本和20%的测试样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544700.2A CN111695529B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544700.2A CN111695529B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695529A CN111695529A (zh) | 2020-09-22 |
CN111695529B true CN111695529B (zh) | 2023-04-25 |
Family
ID=72481253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010544700.2A Active CN111695529B (zh) | 2020-06-15 | 2020-06-15 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695529B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1766591A (zh) * | 2004-09-21 | 2006-05-03 | 通用电气公司 | X射线***中的自适应形态x射线束的***及方法 |
CN101166996A (zh) * | 2005-02-28 | 2008-04-23 | 先进燃料研究股份有限公司 | 用于辐射检测的装置和方法 |
CN102881003A (zh) * | 2012-08-30 | 2013-01-16 | 暨南大学 | 一种消除ccd天文图像中宇宙射线的方法 |
CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
FR3047829A1 (fr) * | 2016-02-12 | 2017-08-18 | Cie Nat Du Rhone | Procede d'estimation de la position du disque solaire dans une image de ciel |
CN109064478A (zh) * | 2018-07-17 | 2018-12-21 | 暨南大学 | 一种基于极限学习机的天文图像轮廓提取方法 |
CN109683208A (zh) * | 2019-01-25 | 2019-04-26 | 北京空间飞行器总体设计部 | 一种适应空间x射线源定位精度分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10013764B2 (en) * | 2014-06-19 | 2018-07-03 | Qualcomm Incorporated | Local adaptive histogram equalization |
-
2020
- 2020-06-15 CN CN202010544700.2A patent/CN111695529B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1766591A (zh) * | 2004-09-21 | 2006-05-03 | 通用电气公司 | X射线***中的自适应形态x射线束的***及方法 |
CN101166996A (zh) * | 2005-02-28 | 2008-04-23 | 先进燃料研究股份有限公司 | 用于辐射检测的装置和方法 |
CN102881003A (zh) * | 2012-08-30 | 2013-01-16 | 暨南大学 | 一种消除ccd天文图像中宇宙射线的方法 |
CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
FR3047829A1 (fr) * | 2016-02-12 | 2017-08-18 | Cie Nat Du Rhone | Procede d'estimation de la position du disque solaire dans une image de ciel |
CN109064478A (zh) * | 2018-07-17 | 2018-12-21 | 暨南大学 | 一种基于极限学习机的天文图像轮廓提取方法 |
CN109683208A (zh) * | 2019-01-25 | 2019-04-26 | 北京空间飞行器总体设计部 | 一种适应空间x射线源定位精度分析方法 |
Non-Patent Citations (3)
Title |
---|
Zhuoxi Huo等.Point source detection performance of Hard X-ray Modulation Telescope imaging observation.《2015 national astronomical observation, Chinese academy of science and IOP publishing Ltd》.2015,全文. * |
王强等.基于X射线的盒装水饺异物自动检测与分类.《计算机辅助设计与图形学学报》.2018,(12),全文. * |
马志贤等.基于SVM的X射线天文图像点源探测算法.《上海师范大学学报(自然科学版)》.2016,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111695529A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840471B (zh) | 一种基于改进Unet网络模型的可行道路分割方法 | |
CN111950453B (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111028242A (zh) | 一种肿瘤自动分割***、方法及电子设备 | |
CN112862774B (zh) | 一种遥感影像建筑物精确分割方法 | |
CN111861880A (zh) | 基于区域信息增强与块自注意力的图像超分与融合方法 | |
CN113012177A (zh) | 基于几何特征提取和边缘感知编码的三维点云分割方法 | |
CN112529908B (zh) | 一种基于级联卷积网络的数字病理图像分割方法及其模型 | |
CN116071660A (zh) | 一种基于小样本的目标检测方法 | |
CN115293986A (zh) | 一种多时相遥感图像云区重建方法 | |
CN113989261A (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
Yang et al. | Visible-assisted infrared image super-resolution based on spatial attention residual network | |
CN114820668A (zh) | 一种端到端的基于同心环卷积的建筑物规则轮廓自动提取方法 | |
CN111695529B (zh) | 一种基于人体骨骼关键点检测算法的x射线源检测方法 | |
Shi et al. | A photometry pipeline for SDSS images based on convolutional neural networks | |
Ma et al. | CNN-TransNet: A hybrid CNN-transformer network with differential feature enhancement for cloud detection | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
CN112101113A (zh) | 一种轻量化的无人机图像小目标检测方法 | |
CN115100409B (zh) | 一种基于孪生网络的视频人像分割算法 | |
CN113657290B (zh) | 一种螺类采集与细分类识别*** | |
CN115493583A (zh) | 一种天文目标检测与精确定位一体化方法 | |
AlDahoul et al. | RGB-D based multimodal convolutional neural networks for spacecraft recognition | |
Gao et al. | RoadSeg-CD: A network with connectivity array and direction map for road extraction from SAR images | |
CN110443817A (zh) | 一种提高图像分割精度的方法 | |
CN111435537A (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |