CN113095492A - 一种基于生物神经网络的拓扑特征检测方法及装置 - Google Patents

一种基于生物神经网络的拓扑特征检测方法及装置 Download PDF

Info

Publication number
CN113095492A
CN113095492A CN202110401866.3A CN202110401866A CN113095492A CN 113095492 A CN113095492 A CN 113095492A CN 202110401866 A CN202110401866 A CN 202110401866A CN 113095492 A CN113095492 A CN 113095492A
Authority
CN
China
Prior art keywords
neuron
current
time
neural network
pulse
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.)
Granted
Application number
CN202110401866.3A
Other languages
English (en)
Other versions
CN113095492B (zh
Inventor
王超名
吴思
弭元元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Comprehensive National Science Center Artificial Intelligence Research Institute Co ltd
Peking University
Original Assignee
Hefei Comprehensive National Science Center Artificial Intelligence Research Institute Co ltd
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Comprehensive National Science Center Artificial Intelligence Research Institute Co ltd, Peking University filed Critical Hefei Comprehensive National Science Center Artificial Intelligence Research Institute Co ltd
Priority to CN202110401866.3A priority Critical patent/CN113095492B/zh
Publication of CN113095492A publication Critical patent/CN113095492A/zh
Application granted granted Critical
Publication of CN113095492B publication Critical patent/CN113095492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于生物神经网络的拓扑特征检测方法及装置。该方法包括：获取待测目标物的图像，并进行预处理；将预处理后的待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。本发明相对于传统人工神经网络方法，具有快速响应且性能稳定的特点。并且可以直接在仿脑计算***中实现，引入生物神经网络动力学和电突触，无需任何额外处理，网络性质稳定，能实现十毫秒内的快速拓扑特征检测。

Description

一种基于生物神经网络的拓扑特征检测方法及装置
技术领域
本发明涉及一种拓扑特征检测方法，尤其涉及一种基于生物神经网络的拓扑特征检测方法，同时也涉及相应的拓扑特征检测装置，属于类脑计算技术领域。
背景技术
现代工业生产流水线在高速运行时，常常会出现瑕疵、不准确等质量问题。这些问题往往可以归结为物体的固有拓扑特征(包括连通性和洞等)发生了改变。例如，药物灌装中出现的碎屑、高速印刷机上出现的污点、高速螺纹机上出现的裂痕等，使得原有物件的连通性和洞等拓扑特征发生了改变。这些质量问题如果不能够及时发现并解决，不但会降低产品的使用满意度，严重甚至会威胁到用户的生命。
通常采用人工目视的检测方法实现对物体拓扑特征变化的检测。但是，人工检测存在效率低、容易疲劳且漏检率高的问题。因此，如果能使用计算机对物体拓扑特征变化进行自动检测，一方面可以提高检测的准确率，另一方面也可节约成本并提高检测效率。
然而，计算机视觉领域在理论和实践上都证明，计算模型要计算出拓扑性质有着本质的困难。例如，人工智能先驱明斯基从理论上证明，单层感知机无法做到拓扑连通性的检测，而多层感知机所需的隐藏层单元数目随着图形的大小增加呈指数上升。因此，人工神经网络无法很好地处理物体拓扑特征检测。
发明内容
本发明所要解决的首要技术问题在于提供一种基于生物神经网络的拓扑特征检测方法。
本发明所要解决的另一技术问题在于提供一种基于生物神经网络的拓扑特征检测装置。
为了实现上述目的，本发明采用下述技术方案：
根据本发明实施例的第一方面，提供一种基于生物神经网络的拓扑特征检测方法，包括如下步骤：
获取待测目标物的图像，并进行预处理；
将预处理后的所述待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
其中较优地，所述生物神经网络包括读出神经元层和由多个神经元组成的电突触网络层，每个所述神经元通过相应的电突触与所述读出神经元层的读出神经元相耦合；
所述电突触网络层，用于对预处理后的所述待测目标物的图像中的拓扑特征进行快速同步化脉冲响应；
所述读出神经元层，用于对电突触网络层中错位发放的同步化脉冲响应进行重合检测，得到与所述待测目标物的图像中的拓扑特征对应的脉冲发放次数。
其中较优地，所述电突触网络层中的神经元均匀分布，并且对于任意一个神经元，通过电突触与周边近邻神经元相耦合。
其中较优地，每个神经元接收预处理后的所述待测目标物的图像中至少一个像素点的数据，根据如下神经元的动力学公式进行膜电位演化，以对所述拓扑特征进行快速同步化脉冲响应；
Figure BDA0003020621800000021
上式中，Vi(t)表示神经元i在当前时刻t时的膜电位，τ表示神经元膜电位的时间常数，
Figure BDA0003020621800000022
表示神经元i在当前时刻时接收到的近邻神经元j通过电突触传递的电流，j∈NG(i)表示神经元i的各个近邻神经元；
Figure BDA0003020621800000023
表示神经元i在当前时刻时接收至少一个像素点的灰度值，并转化为相应的电流后与神经元i自身的高斯噪声之和。
其中较优地，根据如下公式实现任意一个神经元接收其近邻神经元传递的电流；
Figure BDA0003020621800000024
上式中，
Figure BDA0003020621800000025
表示神经元i在当前时刻t接收到未发放脉冲的近邻神经元传递的亚阈值电流，J表示神经元i与近邻神经元之间电突触的耦合强度，Vj(t)-Vi(t)表示当前时刻t时，神经元i与近邻神经元j的膜电位之差；
Figure BDA0003020621800000031
上式中，
Figure BDA0003020621800000032
表示神经元i在当前时刻t接收到近邻神经元产生动作电位后传递的电流，γ表示spikelet系数，
Figure BDA0003020621800000033
是神经元j产生脉冲时对应的时刻，J表示神经元i与近邻神经元之间电突触的耦合强度；若当前时刻t与神经元j产生脉冲时对应的时刻之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻之差等于零，则δ函数为1。
其中较优地，任意一个神经元接收多个像素点的灰度值时，对多个像素点的灰度值求平均，得到一个平均灰度值后，转化为对应的电流。
其中较优地，所述读出神经元层根据如下读出神经元的动力学公式进行演化，得到演化时间内脉冲发放次数；
Figure BDA0003020621800000034
上式中，VR(t)表示读出神经元层的读出神经元R在当前时刻t时的膜电位，τR表示读出神经元R膜电位的时间常数，
Figure BDA0003020621800000035
表示当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，
Figure BDA0003020621800000036
表示读出神经元R的自身的高斯噪声。
其中较优地，当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，根据如下公式得到；
Figure BDA0003020621800000037
上式中，JR表示读出神经元R与电突触网络层的神经元之间电突触的耦合强度，若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差等于零，则δ函数为1。
根据本发明实施例的第二方面，提供一种基于生物神经网络的拓扑特征检测装置，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序或指令，用于执行以下操作：
获取待测目标物的图像，并进行预处理；
将预处理后的所述待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
本发明所提供的基于生物神经网络的拓扑特征检测方法及装置引入生物神经网络动力学和电突触，对待测目标物的图像中各个连通部分或存在的洞等拓扑特征进行快速同步化脉冲响应后，将错位发放的同步化脉冲响应进行重合检测，得到与待测目标物的连通区域或洞的数量对应的脉冲发放次数。本发明相对于传统人工神经网络方法，具有快速响应且性能稳定的特点。并且可以直接在仿脑计算***中实现，无需任何额外处理，网络性质稳定，能实现十毫秒内的快速拓扑特征检测。
附图说明
图1为两种拓扑特征的结构示意图；
图2为本发明实施例提供的基于生物神经网络的拓扑特征检测方法的流程图；
图3A为本发明实施例提供的基于生物神经网络的拓扑特征检测方法中，电突触网络层的结构示意图；
图3B为本发明实施例提供的基于生物神经网络的拓扑特征检测方法中，电突触网络层中各个神经元之间的连接示意图；
图4为本发明实施例提供的基于生物神经网络的拓扑特征检测方法中，生物神经网络的演化示意图；
图5为采用本发明实施例提供的基于生物神经网络的拓扑特征检测方法对待测目标物的洞拓扑特征进行检测的示意图；
图6为采用本发明实施例提供的基于生物神经网络的拓扑特征检测方法对待测目标物的连通性拓扑特征进行检测的示意图；
图7为本发明实施例提供的基于生物神经网络的拓扑特征检测装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。
中国心理学家来通过一系列的实验指出，生物视觉***具有拓扑首先的现象。具体来说，相对于欧式几何性质(局部性质)上的差异，大脑对拓扑特征(整体特征)差异的结构具有更高的敏感性。拓扑特征是指几何图形在连续形状改变后还能保持不变的一些特征。比较重要的拓扑特征包括连通性、洞的个数等，如图1所示，A中的间断直线a与连续直线b在连通性上拓扑不同，B中的实心圆c与空心圆环d在在洞的个数上拓扑不同。
在人类、婴儿、动物身上越来越多的证据表明，视觉***高度敏感于物体的拓扑特征。比如，即使只给被试呈现5毫秒的视觉刺激，相对于正方形与实心圆等在局部欧式结构上有差异的图形，被试视觉***更敏感于实心圆和空心圆环等在拓扑特征上有差异的图形。同样，关于婴儿的研究也发现了拓扑知觉的首先性，甚至刚出生几天的婴儿也表现出了使用拓扑特征来辨别物体的倾向性。动物研究为拓扑首先理论提供了更多证据。研究发现，像蜜蜂等较为原始的视觉***也能很好地分辨拓扑特征相异的模式，小鸡和鸽子等动物也擅长于使用拓扑特征来分辨物体。
为此，如图2所示，本发明实施例提供了基于生物神经网络的拓扑特征检测方法，解决现有自动检测方法实现对目标物拓扑特征变化检测时存在难于计算拓扑特征的问题，包括如下步骤：
步骤S1、获取待测目标物的图像，并进行预处理。
通过手机、相机、高清摄像头或其他专用图像采集设备对待测目标物进行拍照，以采集待测目标物的图像，并利用颜色空间转换函数将该图像转换成灰度图像。其中，待测目标物为具有拓扑特征的任何物体，例如工业生产流水线上生成的产品、工业生产设备等。
步骤S2、将预处理后的待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
如图3A所示，生物神经网络包括读出神经元层RON和由多个神经元N组成的电突触网络层，每个神经元通过相应的电突触与读出神经元层RON的读出神经元相耦合。如图4所示，待测目标物的灰度图像输入到电突触网络层中，电突触网络层对待测目标物的灰度图像中各个连通部分或存在的洞进行快速同步化脉冲响应，读出神经元层对电突触网络层中错位发放的同步化脉冲响应进行重合检测，得到与待测目标物的灰度图像中连通区域或洞的数量对应的脉冲发放次数。
其中，如图3B所示，电突触网络层中的神经元均匀分布，并且对于任意一个神经元，通过电突触与周边八个近邻神经元相耦合。如图4所示，电突触网络层中的神经元覆盖待测目标物的灰度图像的所有像素点，每个神经元接收待测目标物的灰度图像中至少一个像素点的灰度值，并演化预设时间，得到该时间段内各个时刻每个神经元产生的膜电位以及相应神经元产生脉冲时对应的时刻。某个时刻各个神经元是否可以产生脉冲，需要根据相应神经元在该时刻产生的膜电位确认，当任意一个神经元的膜电位达到阈值，则该神经元便产生脉冲，随后重置为零,即该神经元膜电位为静息电位0mV。例如，电突触网络层包括8×8个神经元，待测目标物的灰度图像包括16×16个像素点，那么每个神经元可以接收4个像素点的灰度值，即可实现电突触网络层中的神经元覆盖待测目标物的灰度图像的所有像素点。
具体的说，电突触网络层的任意一个神经元根据当前时刻接收的待测目标物的灰度图像的至少一个像素点的灰度值，进行演化时，若接收到待测目标物的灰度图像的多个像素点的灰度值时，对多个像素点的灰度值求平均，得到一个平均灰度值后，转化为对应的电流；若接收到待测目标物的灰度图像的一个像素点的灰度值时，直接将转化为该灰度值对应的电流。每个神经元将像素点对应的电流，根据电突触网络层中神经元的动力学公式进行膜电位演化，得到该神经元演化到某个时刻的膜电位，并根据该膜电位确认其是否可以产生脉冲，得到产生脉冲时对应的时刻；其中，电突触网络层中神经元的动力学公式表示如下：
Figure BDA0003020621800000071
上式中，Vi(t)表示神经元i在当前时刻t时的膜电位Vi，τ表示神经元膜电位的时间常数，
Figure BDA0003020621800000072
表示神经元i的膜电位随时间变化的速率，
Figure BDA0003020621800000073
表示神经元i在当前时刻t时接收到的近邻神经元j通过电突触传递的电流，j∈NG(i)表示神经元i的第1、2…第8个近邻神经元；
Figure BDA0003020621800000074
表示神经元i在当前时刻t时接收至少一个像素点的灰度值，并转化为相应的电流后与神经元i自身的高斯噪声之和，具体通过如下公式得到。
Figure BDA0003020621800000075
上式中，
Figure BDA0003020621800000076
表示神经元i在当前时刻t时接收至少一个像素点的灰度值，并转化为相应的电流，σ2是输入电流中噪声的幅度，ηi(t)表示神经元i在当前时刻t时的高斯噪声。
因此，神经元i将相应像素点对应的电流，基于其膜电位随时间变化的速率进行演化，得到神经元i演化到某个时刻时的膜电位，神经元i的膜电位达到阈值，则该神经元i便产生脉冲，随后重置为零。
由于神经元i接收其近邻神经元传递的电流时，会根据接收的近邻神经元的膜电位和产生脉冲时对应的时刻，神经元相应的进行脉冲不发放时阈值下的交互电流和脉冲发放时产生动作电位后向邻近神经元传递电流，因此，根据如下公式实现神经元i接收其近邻神经元传递的申流。
Figure BDA0003020621800000077
上式中，
Figure BDA0003020621800000078
表示神经元i在当前时刻t接收到未发放脉冲的近邻神经元的膜电位时，得到的亚阈值电流；
Figure BDA0003020621800000079
表示神经元i在当前时刻t接收到近邻神经元产生脉冲对应的时刻时，近邻神经元产生动作电位后传递给神经元i的电流。
其中，神经元i在当前时刻t接收到未发放脉冲的近邻神经元传递的亚阈值电流，根据如下公式得到。
Figure BDA0003020621800000081
上式中，J表示神经元i与近邻神经元之间电突触的耦合强度，Vj(t)-Vi(t)表示当前时刻t时，神经元i与近邻神经元j的膜电位之差。由该公式可知，神经元i接收的未发放脉冲的近邻神经元的亚阈值电流与神经元i与近邻神经元的膜电位之差成正比。
神经元i在当前时刻t接收到近邻神经元产生动作电位后传递的电流，根据如下公式得到。
Figure BDA0003020621800000082
上式中，γ表示spikelet系数，控制神经元i的近邻神经元一次动作电位传递给该神经元i的电流的大小，
Figure BDA0003020621800000083
是神经元j产生脉冲时对应的时刻(脉冲发放时间)，J表示神经元i与近邻神经元之间电突触的耦合强度；若当前时刻t与神经元j产生脉冲时对应的时刻之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻之差等于零，则δ函数为1。
在本发明的实施例中，读出神经元层RON，用于在生物神经网络的演化时间内，通过电突触同步接收各个时刻相应神经元产生脉冲对应的电流，并根据如下读出神经元的动力学公式进行演化，得到演化时间内脉冲发放次数。需要强度的是，电突触网络层中的神经元只有产生脉冲才会有电流向读出神经元层传递。
Figure BDA0003020621800000084
上式中，VR(t)表示读出神经元层的读出神经元R在当前时刻t时的膜电位VR，τR表示读出神经元R膜电位的时间常数，
Figure BDA0003020621800000085
表示读出神经元R的膜电位随时间变化的速率，
Figure BDA0003020621800000091
表示当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，
Figure BDA0003020621800000092
表示读出神经元R的自身的高斯噪声。
其中，当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，根据如下公式得到。
Figure BDA0003020621800000093
上式中，JR表示读出神经元R与电突触网络层的神经元之间电突触的耦合强度，若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差等于零，则δ函数为1。
读出神经元R的自身的高斯噪声根据如下公式得到。
Figure BDA0003020621800000094
上式中，
Figure BDA0003020621800000095
表示读出神经元R自身的高斯噪声的均值，ΔηR(t)表示读出神经元R自身的高斯噪声的方差。
由于读出神经元层的功能是对电突触网络层中错位发放的同步化脉冲响应进行重合检测，因此将读出神经元R膜电位的时间常数τR设置为足够小，这样读出神经元R只会在短时间内接收足够数量的电突触网络层神经元脉冲电流传递时才会产生脉冲发放。其中，读出神经元层在生物神经网络的演化时间内得到的脉冲发放次数与待测目标物图像中的拓扑特征对应，即每发放一次脉冲对应于一个连通区域或一个洞。
需要强度的是，在本发明中，将生物神经网络的相关参数(如电突触的耦合强度J、spikelet系数)调整到合适数值，以保证接收同一类刺激的神经元能够很好地同步化，而接收不同类刺激的神经元却能在时间上错位发放。不仅如此，由于读出神经元膜电位的时间常数足够短，使得电突触网络层的神经元的同步化发放能够很好地被读出神经元读出。具体来说，每次电突触网络层神经元的集体爆发使读出神经元产生一次动作电位(脉冲)。
在本发明的一个实施例中，采用本基于生物神经网络的拓扑特征检测方法对三个具有不同洞的待测目标物的洞这一拓扑特征进行检测，图5中，A是无洞的实心圆，D是含有一个洞的空心圆，G是具有两个洞的图形。B、E和H是刺激A、D和G分别呈现的结果。在B、E和H中，图的上面板展示的是电突触网络层的栅格图，而下面板展示的是读出神经元层的膜电位时序演化，两个面板横轴是时间(ms)，上面板的纵轴是神经元索引，下面板的纵轴是膜电位。C,F,I是电突触网络层产生脉冲的神经元的空间映射，它们分别与B,E和H对应。处于相同群的神经元用与B、E,H相同的颜色展示。处于白色的位置代表相应位置的神经元在整个模拟周期内从未发放。不难发现，图像中洞的个数被电突触网络层表征为同步化的脉冲束个数，进而被读出神经元层读出为脉冲发放的个数。比如，图5中，A所示的刺激网络表现出两列同步化群体脉冲和两次脉冲发放(图5中B,C)；而D中所示刺激的呈现，使网络产生三次同步化群体发放和三次脉冲发放(图5中E,F)。值得注意的是，虽然D中孔内的刺激值(即光照强度)与背景(即环外)的刺激值一样，两个连通区域所对应的神经元群的同步响应却并不在同一时刻；并且，环外同步化群体脉冲同时先于环内群体脉冲出现(图5中E,F)。这个现象出现的原因，是与环外神经元相比，环上神经元对环内神经元的抑制作用更强)。此外，可以观察到G中的呈现(包含两个洞)总是让网络产生了四个同步化脉冲束和四次脉冲发放(图5中H,I)。
在本发明的另一个实施例中，采用本基于生物神经网络的拓扑特征检测方法对两个连通性不同的待测目标物的连通性这一拓扑特征进行检测，图6中，A和B分别为不连通和连通的两个图形刺激，对于A中不连通的图形，C中的电突触网络层产生了三次同步化的脉冲束，读出神经元层读出了三次脉冲发放，预示着生物神经网络检测到三个不同的连通区域；对于B中连通的图形，D中的电突触网络层产生了两次同步化的脉冲束，读出神经元层产生了两次脉冲发放，预示着生物神经网络检测到两个不同的连通区域。
此外，如图7所示，本发明实施例还提供一种基于生物神经网络的拓扑特征检测装置，包括处理器32和存储器31，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器32连接。前已述及，存储器31可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等；处理器32可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现，在此就不具体说明了。
另外，本发明实施例提供的基于生物神经网络的拓扑特征检测装置，包括处理器32和存储器31，处理器32读取所述存储器31中的计算机程序或指令，用于执行以下操作：
获取待测目标物的图像，并进行预处理。
将预处理后的待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
另外，本发明实施例还提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得所述计算机执行如上述图2所述的基于生物神经网络的拓扑特征检测方法，此处不再赘述其具体实现方式。
另外，本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行如上述图2所述的基于生物神经网络的拓扑特征检测方法，此处不再赘述其具体实现方式。
本发明所提供的基于生物神经网络的拓扑特征检测方法及装置引入生物神经网络动力学和电突触，对待测目标物的图像中各个连通部分或存在的洞等拓扑特征进行快速同步化脉冲响应后，将错位发放的同步化脉冲响应进行重合检测，得到与待测目标物的连通区域或洞的数量对应的脉冲发放次数。本发明相对于传统人工神经网络方法，具有快速响应且性能稳定的特点。并且可以直接在仿脑计算***中实现，无需任何额外处理，网络性质稳定，能实现十毫秒内的快速拓扑特征检测。
以上对本发明所提供的基于生物神经网络的拓扑特征检测方法及装置进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将属于本发明专利权的保护范围。

Claims (9)

1.一种基于生物神经网络的拓扑特征检测方法，其特征在于包括如下步骤：
获取待测目标物的图像，并进行预处理；
将预处理后的所述待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
2.如权利要求1所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
所述生物神经网络包括读出神经元层和由多个神经元组成的电突触网络层，每个所述神经元通过相应的电突触与所述读出神经元层的读出神经元相耦合；
所述电突触网络层，用于对预处理后的所述待测目标物的图像中的拓扑特征进行快速同步化脉冲响应；
所述读出神经元层，用于对电突触网络层中错位发放的同步化脉冲响应进行重合检测，得到与所述待测目标物的图像中的拓扑特征对应的脉冲发放次数。
3.如权利要求1所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
所述电突触网络层中的神经元均匀分布，并且对于任意一个神经元，通过电突触与周边近邻神经元相耦合。
4.如权利要求2所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
每个神经元接收预处理后的所述待测目标物的图像中至少一个像素点的数据，根据如下神经元的动力学公式进行膜电位演化，以对所述拓扑特征进行快速同步化脉冲响应；
Figure FDA0003020621790000011
上式中，Vi(t)表示神经元i在当前时刻t时的膜电位，τ表示神经元膜电位的时间常数，
Figure FDA0003020621790000021
表示神经元i在当前时刻时接收到的近邻神经元j通过电突触传递的电流，j∈NG(i)表示神经元i的各个近邻神经元；
Figure FDA0003020621790000022
表示神经元i在当前时刻时接收至少一个像素点的灰度值，并转化为相应的电流后与神经元i自身的高斯噪声之和。
5.如权利要求4所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
根据如下公式实现任意一个神经元接收其近邻神经元传递的电流；
Figure FDA0003020621790000023
上式中，
Figure FDA0003020621790000024
表示神经元i在当前时刻t接收到未发放脉冲的近邻神经元传递的亚阈值电流，J表示神经元i与近邻神经元之间电突触的耦合强度，Vj(t)-Vi(t)表示当前时刻t时，神经元i与近邻神经元j的膜电位之差；
Figure FDA0003020621790000025
上式中，
Figure FDA0003020621790000026
表示神经元i在当前时刻t接收到近邻神经元产生动作电位后传递的电流，γ表示spikelet系数，
Figure FDA0003020621790000027
是神经元j产生脉冲时对应的时刻，J表示神经元i与近邻神经元之间电突触的耦合强度；若当前时刻t与神经元j产生脉冲时对应的时刻之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻之差等于零，则δ函数为1。
6.如权利要求4所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
任意一个神经元接收多个像素点的灰度值时，对多个像素点的灰度值求平均，得到一个平均灰度值后，转化为对应的电流。
7.如权利要求2所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
所述读出神经元层根据如下读出神经元的动力学公式进行演化，得到演化时间内脉冲发放次数；
Figure FDA0003020621790000031
上式中，VR(t)表示读出神经元层的读出神经元R在当前时刻t时的膜电位，τR表示读出神经元R膜电位的时间常数，
Figure FDA0003020621790000032
表示当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，
Figure FDA0003020621790000033
表示读出神经元R的自身的高斯噪声。
8.如权利要求6所述的基于生物神经网络的拓扑特征检测方法，其特征在于：
当前时刻t时，读出神经元R在一个较小时间窗口下同步接收的来自电突触网络层的相应神经元产生脉冲对应的电流，根据如下公式得到；
Figure FDA0003020621790000034
上式中，JR表示读出神经元R与电突触网络层的神经元之间电突触的耦合强度，若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差大于或小于零，则δ函数为0；若当前时刻t与神经元j产生脉冲时对应的时刻及电突触传递电流的延迟时间之差等于零，则δ函数为1。
9.一种基于生物神经网络的拓扑特征检测装置，其特征在于包括处理器和存储器，所述处理器读取所述存储器中的计算机程序或指令，用于执行以下操作：
获取待测目标物的图像，并进行预处理；
将预处理后的所述待测目标物的图像输入到生物神经网络中演化预设时间，得到该时间段内产生的脉冲发放次数，以确认待测目标物当前时刻的拓扑特征。
CN202110401866.3A 2021-04-14 2021-04-14 一种基于生物神经网络的拓扑特征检测方法及装置 Active CN113095492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110401866.3A CN113095492B (zh) 2021-04-14 2021-04-14 一种基于生物神经网络的拓扑特征检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110401866.3A CN113095492B (zh) 2021-04-14 2021-04-14 一种基于生物神经网络的拓扑特征检测方法及装置

Publications (2)

Publication Number Publication Date
CN113095492A true CN113095492A (zh) 2021-07-09
CN113095492B CN113095492B (zh) 2023-04-18

Family

ID=76677432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110401866.3A Active CN113095492B (zh) 2021-04-14 2021-04-14 一种基于生物神经网络的拓扑特征检测方法及装置

Country Status (1)

Country Link
CN (1) CN113095492B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024410A1 (en) * 2011-07-21 2013-01-24 Qualcomm Incorporated Method and apparatus of neuronal firing modulation via noise control
US20140143193A1 (en) * 2012-11-20 2014-05-22 Qualcomm Incorporated Method and apparatus for designing emergent multi-layer spiking networks
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
CN110210563A (zh) * 2019-06-04 2019-09-06 北京大学 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
CN112215912A (zh) * 2020-10-13 2021-01-12 中国科学院自动化研究所 基于动态视觉传感器的显著性图生成***、方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130024410A1 (en) * 2011-07-21 2013-01-24 Qualcomm Incorporated Method and apparatus of neuronal firing modulation via noise control
US20140143193A1 (en) * 2012-11-20 2014-05-22 Qualcomm Incorporated Method and apparatus for designing emergent multi-layer spiking networks
CN109214395A (zh) * 2018-08-21 2019-01-15 电子科技大学 一种基于脉冲神经网络的图像特征描述方法
CN110210563A (zh) * 2019-06-04 2019-09-06 北京大学 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
CN112215912A (zh) * 2020-10-13 2021-01-12 中国科学院自动化研究所 基于动态视觉传感器的显著性图生成***、方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DANIEL J. SAUNDERS ETC.: "STDP Learning of Image Patches with Convolutional Spiking Neural Networks" *
SHRUTI R. KULKARNI: "Learning and Real-time Classification of Hand-written Digits With Spiking Neural Networks" *
张燕等: "脉冲耦合神经网络在图像处理中的应用", 《信息化研究》 *

Also Published As

Publication number Publication date
CN113095492B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110210563B (zh) 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法
US11651199B2 (en) Method, apparatus and system to perform action recognition with a spiking neural network
CN105760930B (zh) 用于aer的多层脉冲神经网络识别***
CN109034837B (zh) 多码溯源防伪的方法及***
CN110263654A (zh) 一种火焰检测方法、装置及嵌入式设备
CN108416391A (zh) 基于视觉皮层处理机制及脉冲监督学习的图像分类方法
CN106127740B (zh) 一种基于视通路多感受野朝向性关联的轮廓检测方法
Borst et al. Neural action fields for optic flow based navigation: a simulation study of the fly lobula plate network
JP3171200B2 (ja) 視界の背景から動いている図を識別する装置
CN113095492B (zh) 一种基于生物神经网络的拓扑特征检测方法及装置
WO2020249359A1 (en) Method and apparatus for three-dimensional imaging
KR102091498B1 (ko) 비지도 학습장치 및 그 학습방법
CN116562472B (zh) 一种中上层海洋生物目标种类识别与分布预测方法及***
JP7265915B2 (ja) 津波高及び津波到達時間予測システム
CN112446387B (zh) 对象识别方法及装置
CN114529484B (zh) 针对成像中直流分量变化的深度学习样本增强方法
Lagorce et al. Event-based features for robotic vision
CN110108282B (zh) 多源信息避障装置及避障***
CN112945897A (zh) 一种连续太赫兹图像非均匀性校正方法
TW202129595A (zh) 生命體檢測的雷達偵測系統、生命體判斷方法及特徵資料庫建立方法
Xiaofang et al. An adaptive threshold segmentation method based on BP neural network for paper defect detection
EP3942328A1 (en) Analysis portion, time-of-flight imaging device and method
CN116051988B (zh) 一种基于人工神经网络的火源定位方法及定位***
Chang et al. Feedback neural computation in collision perception: Towards diverse selectivity
CN117709417A (zh) 一种基于膜电位分布约束的脉冲神经网络训练方法及设备

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