CN116502899B - 基于人工智能的风险评级模型生成方法、装置及存储介质 - Google Patents
基于人工智能的风险评级模型生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116502899B CN116502899B CN202310777481.6A CN202310777481A CN116502899B CN 116502899 B CN116502899 B CN 116502899B CN 202310777481 A CN202310777481 A CN 202310777481A CN 116502899 B CN116502899 B CN 116502899B
- Authority
- CN
- China
- Prior art keywords
- radiation
- feature vectors
- context
- information
- block
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 381
- 239000013598 vector Substances 0.000 claims abstract description 263
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 230000000903 blocking effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 25
- 239000003623 enhancer Substances 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Radiation Pyrometers (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
公开了一种基于人工智能的风险评级模型生成方法、装置及存储介质。首先获取被检测点的辐射信息；对所述被检测点的辐射信息进行信息增强以得到增强辐射信息，对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列；将所述辐射信息块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，可以准确地进行辐射强度风险的等级评估。
Description
技术领域
本申请涉及智能风险评级领域，且更为具体地，涉及一种基于人工智能的风险评级模型生成方法、装置及存储介质。
背景技术
随着科技的发展，人们对于核的利用越来越广泛，除了用于实验室研究外，在工业、能源和医疗等领域也扮演着重要角色。核技术广泛用于工业加工和检测，核扫描仪、放射性治疗在医疗行业中已经普及，核电站的建设如火如荼。在核走进人们生活的同时，核辐射对于生命健康的威胁也日益加剧。
核辐射检测技术是一种重要的辐射防护技术，其应用范围涉及核电站、核燃料加工厂、医院等多个领域。然而，传统的核辐射检测技术需根据检测人员的核辐射检测和防护经验进行风险等级的判别，这种方式对检测人员专业性要求较高，并且难以处理复杂的辐射状况，不能良好地反映监测环境的威胁态势，导致应用场景受限。
因此，期望一种优化的基于人工智能的风险评级模型生成方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的风险评级模型生成方法、装置、设备及存储介质。其首先对被检测点的辐射信息进行信息增强以得到增强辐射信息，接着，对所述增强辐射信息进行信息分块处理后通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，然后，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，接着，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过局部关联强化器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示辐射强度风险等级标签的分类结果。这样，可以准确地进行辐射强度风险的等级评估。
根据本申请的一个方面，提供了一种基于人工智能的风险评级模型生成方法，其包括：
获取被检测点的辐射信息；
对所述被检测点的辐射信息进行信息增强以得到增强辐射信息；
对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列；
将所述辐射信息块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；
对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；
将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；
以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。
在上述的基于人工智能的风险评级模型生成方法中，所述辐射信息包括辐射图像，所述增强辐射信息包括增强辐射图像，所述辐射信息块包括辐射图像块，对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列，包括：
对所述增强辐射图像进行均匀地图像分块处理以得到所述辐射图像块的序列，其中，所述辐射图像块的序列中的各个辐射图像块具有相同的尺寸。
在上述的基于人工智能的风险评级模型生成方法中，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，包括：
使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列；
以及将所述辐射图像块嵌入向量的序列通过所述ViT模型的转换器以得到所述多个上下文辐射块特征向量。
在上述的基于人工智能的风险评级模型生成方法中，使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列，包括：
将所述辐射图像块的序列中各个辐射图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；
以及使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述辐射图像块嵌入向量的序列。
在上述的基于人工智能的风险评级模型生成方法中，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，包括：
以如下优化公式对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到所述多个优化上下文辐射块特征向量；
其中，所述优化公式为：
其中，是第/>个所述上下文辐射块特征向量，/>是第/>个所述上下文辐射块特征向量，/>是均值特征向量，/>为邻域设置超参数，/>表示以2为底的对数函数，/>表示按位置减法，/>是所述第/>个所述优化上下文辐射块特征向量。
在上述的基于人工智能的风险评级模型生成方法中，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量，包括：
使用所述局部关联强化器的所述第一卷积层以具有第一长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度上下文辐射块特征向量；
使用所述局部关联强化器的所述第二卷积层以具有第二长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度上下文辐射块特征向量，所述第二长度不同于所述第一长度；
以及将所述第一尺度上下文辐射块特征向量和所述第二尺度上下文辐射块特征向量进行级联以得到所述分类特征向量。
在上述的基于人工智能的风险评级模型生成方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签，包括：
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种基于人工智能的风险评级模型生成装置，其包括：
图像获取模块，用于获取被检测点的辐射图像；
图像增强模块，用于对所述被检测点的辐射图像进行图像增强以得到增强辐射图像；
图像分块模块，用于对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列；
ViT编码模块，用于将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；
优化模块，用于对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；
局部关联强化模块，用于将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；
以及分类模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。
根据本申请的另一个方面，提供了一种存储介质，所述存储介质中存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行前述任一项所述的基于人工智能的风险评级模型生成方法。
与现有技术相比，本申请提供的基于人工智能的风险评级模型生成方法、装置、设备及存储介质，其首先对被检测点的辐射图像进行图像增强以得到增强辐射图像，接着，对所述增强辐射图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，然后，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，接着，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过局部关联强化器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示辐射强度风险等级标签的分类结果。这样，可以准确地进行辐射强度风险的等级评估。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于人工智能的风险评级模型生成方法的应用场景图。
图2为根据本申请实施例的基于人工智能的风险评级模型生成方法的流程图。
图3为根据本申请实施例的基于人工智能的风险评级模型生成方法的架构示意图。
图4为根据本申请实施例的基于人工智能的风险评级模型生成方法的子步骤S140的流程图。
图5为根据本申请实施例的基于人工智能的风险评级模型生成方法的子步骤S141的流程图。
图6为根据本申请实施例的基于人工智能的风险评级模型生成方法的子步骤S160的流程图。
图7为根据本申请实施例的基于人工智能的风险评级模型生成方法的子步骤S170的流程图。
图8为根据本申请实施例的基于人工智能的风险评级模型生成装置的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，传统的核辐射检测技术需根据检测人员的核辐射检测和防护经验进行风险等级的判别，这种方式对检测人员专业性要求较高，并且难以处理复杂的辐射状况，不能良好地反映监测环境的威胁态势，导致应用场景受限。因此，期望一种优化的基于人工智能的风险评级模型生成方案。
相应地，在实际进行核辐射的风险等级评估时，关键在于对被检测点的辐射图像进行准确分析，以此来得到被检测点周围的辐射能量分布情况，从而进行辐射强度的风险等级检测。但是，由于所述被检测点的辐射图像中存在有较多的无用干扰信息，并且其在采集的过程中可能会受到外界因素的干扰导致图像的质量降低，影响对于辐射强度的检测。不仅如此，还考虑到由于所述被检测点的周围辐射强度特征在图像中为小尺度的隐性特征信息，难以进行充分捕捉刻画。因此，在此过程中，难点在于如何进行所述被检测点的辐射图像中关于辐射强度的隐含特征分布信息的充分表达，以此来准确地进行辐射强度风险的等级评估，以便采取相应的辐射防护措施来保护周围的人员和环境安全。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述被检测点的辐射图像中关于辐射强度的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被检测点的辐射信息。其中，所述辐射信息包括辐射图像，应可以理解，辐射图像是指在辐射源周围所测量到的辐射能量分布情况的图像。因此，通过获取所述被检测点的辐射图像，可以获得辐射源周围的辐射情况，为后续的风险评级提供必要的信息。
接着，对所述被检测点的辐射信息进行信息增强以得到增强辐射信息；其中，所述辐射信息包括辐射图像，所述增强辐射信息包括增强辐射图像，以此来提高图像的质量，从而更好地反映辐射情况。应可以理解，由于辐射图像是一种特殊的图像，其像素值通常比较低，且存在噪声、模糊等问题，这些问题会影响到后续的图像处理和分析，进而影响对于辐射强度风险等级的评估。因此，对所述被检测点的辐射图像进行图像增强可以提高图像的对比度和清晰度，减少噪声和模糊，从而更好地反映辐射情况，为后续的风险评级提供更准确的数据。特别地，在本申请的技术方案中，还需要对于所述被检测点的辐射图像进行双边滤波处理。应可以理解，双边滤波是一种有效的非线性滤波方法，它能够同时考虑空间域信息和灰度相似性，对于边缘保存有很好的效果。因此，在对辐射图像进行图像增强时，期望使用双边滤波来去除噪声和增强图像的细节。值得一提的是，双边滤波不仅可以去除噪声，还在高斯滤波的基础上，多了一个基于空间域分布的高斯滤波函数，进而有效地解决了距离较远的像素影响边缘像素的问题，达到保护边缘去除噪声的目的。
进一步地，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述增强辐射图像的特征挖掘，但是考虑到由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述增强辐射图像中关于被检测点周围区域的辐射强度特征为小尺度的细微隐含特征，难以进行捕捉提取。因此，为了能够提高所述被检测点周围区域的辐射强度的隐含小尺度细微特征的表达能力，以此来提高对于所述被检测点的辐射强度风险等级检测评估的精准度，在本申请的技术方案中，对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列；
其中，所述辐射信息块包括辐射图像块。再将所述辐射信息块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述增强辐射图像中关于被检测点周围区域的辐射强度的隐含局部上下文语义关联特征分布信息，从而得到多个上下文辐射块特征向量。应可以理解，在对于所述增强辐射图像进行图像分块处理后的各辐射个图像块中关于被检测点周围区域的辐射强度的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行辐射强度的特征提取进而风险等级检测。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个辐射图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述辐射图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个辐射图像块，以此来分别提取出所述各个辐射图像块中基于所述增强辐射图像整体的关于所述被检测点周围区域辐射强度的隐含上下文语义关联特征信息。
然后，考虑到由于所述各个辐射图像块中关于被检测点的辐射强度局部隐含特征关联信息之间具有着基于所述增强辐射图像的关联关系，并且这种关联关系在所述增强辐射图像的不同局部区域中呈现出不同的关联特征信息。因此，在本申请的技术方案中，为了能够充分捕捉关于所述被检测点的辐射强度隐含特征分布信息，需要将所述多个上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量。特别地，这里，所述第一卷积层和所述第二卷积层分别使用不同尺度的一维卷积核来进行所述一维特征向量的特征挖掘，以此来提取出所述各个辐射图像块中关于被检测点的辐射强度局部隐含特征之间在所述增强辐射图像的不同局部区域跨度下的多尺度关联特征信息。
接着，进一步再将所述分类特征向量通过分类器中进行分类处理，以得到用于表示辐射强度风险等级标签的分类结果。也就是说，所述分类器的分类标签为辐射强度风险等级标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。因此，在得到所述分类结果后，可基于所述分类结果来进行辐射强度风险的等级评估，以便采取相应的辐射防护措施来保护周围的人员和环境安全。
特别地，在本申请的技术方案中，将所述辐射图像块的序列通过包含嵌入层的ViT模型得到所述多个上下文辐射块特征向量时，所述多个上下文辐射块特征向量中的每个上下文辐射块特征向量表示相应的辐射图像块的上下文全局关联图像语义，因此，当将所述多个上下文辐射块特征向量排列为一维特征向量后，所述一维特征向量相当于每个上下文辐射块特征向量对应的局部特征集合的组合特征集合。
并且，由于所述多个上下文辐射块特征向量的特征分布之间具有由ViT模型所获得的图像特征语义的上下文关联性，因此所述多个上下文辐射块特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所述增强辐射图像的每个图像分块的多源信息关联关系。
因此，为了提升所述一维特征向量作为整体对所述增强辐射图像的每个图像分块的图像语义特征关联信息的表达效果，本申请的申请人对每个上下文辐射块特征向量，例如记为进行多源信息融合验前分布评估优化，以获得优化后的上下文辐射块特征向量/>，具体表示为：
其中为邻域设置超参数，且当/>小于等于零或者大于所述多个上下文辐射块特征向量的向量数目时，特征向量/>可以为全零向量或者单位向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，再将优化后的上下文辐射块特征向量排列为所述一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器，就可以进一步提升得到的所述分类特征向量的全局关联图像语义信息的表达效果，从而提升其通过分类器得到的分类结果的准确性。这样，能够准确地进行辐射强度风险的等级评估，以便采取相应的辐射防护措施来保护周围的人员和环境安全。
图1为根据本申请实施例的基于人工智能的风险评级模型生成方法的应用场景图。如图1所示，在该应用场景中，首先，获取被检测点的辐射图像（例如，图1中所示意的D），然后，将所述被检测点的辐射图像输入至部署有基于人工智能的风险评级模型生成算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述基于人工智能的风险评级模型生成算法对所述被检测点的辐射图像进行处理以得到用于表示辐射强度风险等级标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的基于人工智能的风险评级模型生成方法的流程图。如图2所示，根据本申请实施例的基于人工智能的风险评级模型生成方法，包括步骤：S110，获取被检测点的辐射图像；S120，对所述被检测点的辐射图像进行图像增强以得到增强辐射图像；S130，对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列；S140，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；S150，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；S160，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。
图3为根据本申请实施例的基于人工智能的风险评级模型生成方法的架构示意图。如图3所示，在该网络架构中，首先，获取被检测点的辐射图像；接着，对所述被检测点的辐射图像进行图像增强以得到增强辐射图像；然后，对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列；接着，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；然后，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；接着，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。
更具体地，在步骤S110中，获取被检测点的辐射图像。在实际进行核辐射的风险等级评估时，关键在于对被检测点的辐射图像进行准确分析，以此来得到被检测点周围的辐射能量分布情况，从而进行辐射强度的风险等级检测。辐射图像是指在辐射源周围所测量到的辐射能量分布情况的图像。因此，通过获取所述被检测点的辐射图像，可以获得辐射源周围的辐射情况，为后续的风险评级提供必要的信息。
更具体地，在步骤S120中，对所述被检测点的辐射图像进行图像增强以得到增强辐射图像。以此来提高图像的质量，从而更好地反映辐射情况。应可以理解，由于辐射图像是一种特殊的图像，其像素值通常比较低，且存在噪声、模糊等问题，这些问题会影响到后续的图像处理和分析，进而影响对于辐射强度风险等级的评估。因此，对所述被检测点的辐射图像进行图像增强可以提高图像的对比度和清晰度，减少噪声和模糊，从而更好地反映辐射情况，为后续的风险评级提供更准确的数据。
更具体地，在步骤S130中，对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列。这样，可以减小图像的大小，以降低对处理能力的需求。应可以理解，在对于所述增强辐射图像进行图像分块处理后的各辐射个图像块中关于被检测点周围区域的辐射强度的小尺度隐含特征不再是小尺度的特征信息，有利于后续进行辐射强度的特征提取进而风险等级检测。
相应地，在一个具体示例中，对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列，包括：对所述增强辐射图像进行均匀地图像分块处理以得到所述辐射图像块的序列，其中，所述辐射图像块的序列中的各个辐射图像块具有相同的尺寸。
更具体地，在步骤S140中，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量。这样，可以提取出所述增强辐射图像中关于被检测点周围区域的辐射强度的隐含局部上下文语义关联特征分布信息，从而得到多个上下文辐射块特征向量。
相应地，在一个具体示例中，如图4所示，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，包括：S141，使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列；以及，S142，将所述辐射图像块嵌入向量的序列通过所述ViT模型的转换器以得到所述多个上下文辐射块特征向量。
相应地，在一个具体示例中，如图5所示，使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列，包括：S1411，将所述辐射图像块的序列中各个辐射图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；以及，S1412，使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述辐射图像块嵌入向量的序列。
更具体地，在步骤S150中，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量。特别地，在将所述辐射图像块的序列通过包含嵌入层的ViT模型得到所述多个上下文辐射块特征向量时，所述多个上下文辐射块特征向量中的每个上下文辐射块特征向量表示相应的辐射图像块的上下文全局关联图像语义，因此，当将所述多个上下文辐射块特征向量排列为一维特征向量后，所述一维特征向量相当于每个上下文辐射块特征向量对应的局部特征集合的组合特征集合。并且，由于所述多个上下文辐射块特征向量的特征分布之间具有由ViT模型所获得的图像特征语义的上下文关联性，因此所述多个上下文辐射块特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所述增强辐射图像的每个图像分块的多源信息关联关系。因此，为了提升所述一维特征向量作为整体对所述增强辐射图像的每个图像分块的图像语义特征关联信息的表达效果，本申请的申请人对每个上下文辐射块特征向量进行多源信息融合验前分布评估优化，以获得优化后的上下文辐射块特征向量。
相应地，在一个具体示例中，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，包括：以如下优化公式对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到所述多个优化上下文辐射块特征向量；其中，所述优化公式为：
其中，是第/>个所述上下文辐射块特征向量，/>是第/>个所述上下文辐射块特征向量，/>是均值特征向量，/>为邻域设置超参数，/>表示以2为底的对数函数，/>表示按位置减法，/>是所述第/>个所述优化上下文辐射块特征向量。
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，再将优化后的上下文辐射块特征向量排列为所述一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器，就可以进一步提升得到的所述分类特征向量的全局关联图像语义信息的表达效果，从 而提升其通过分类器得到的分类结果的准确性。这样，能够准确地进行辐射强度风险的等级评估，以便采取相应的辐射防护措施来保护周围的人员和环境安全。
更具体地，在步骤S160中，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量。由于所述各个辐射图像块中关于被检测点的辐射强度局部隐含特征关联信息之间具有着基于所述增强辐射图像的关联关系，并且这种关联关系在所述增强辐射图像的不同局部区域中呈现出不同的关联特征信息。因此，在本申请的技术方案中，为了能够充分捕捉关于所述被检测点的辐射强度隐含特征分布信息，需要将所述多个上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量。
相应地，在一个具体示例中，如图6所示，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量，包括：S161，使用所述局部关联强化器的所述第一卷积层以具有第一长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度上下文辐射块特征向量；S162，使用所述局部关联强化器的所述第二卷积层以具有第二长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度上下文辐射块特征向量，所述第二长度不同于所述第一长度；以及，S163，将所述第一尺度上下文辐射块特征向量和所述第二尺度上下文辐射块特征向量进行级联以得到所述分类特征向量。
更具体地，在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。在得到所述分类结果后，可基于所述分类结果来进行辐射强度风险的等级评估，以便采取相应的辐射防护措施来保护周围的人员和环境安全。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图7所示，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签，包括：S171，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S172，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于人工智能的风险评级模型生成方法，其首先对被检测点的辐射图像进行图像增强以得到增强辐射图像，接着，对所述增强辐射图像进行图像分块处理后通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，然后，对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，接着，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过局部关联强化器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示辐射强度风险等级标签的分类结果。这样，可以准确地进行辐射强度风险的等级评估。
图8为根据本申请实施例的基于人工智能的风险评级模型生成装置100的框图。如图8所示，根据本申请实施例的基于人工智能的风险评级模型生成装置100，包括：图像获取模块110，用于获取被检测点的辐射图像；图像增强模块120，用于对所述被检测点的辐射图像进行图像增强以得到增强辐射图像；图像分块模块130，用于对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列；ViT编码模块140，用于将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；优化模块150，用于对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；局部关联强化模块160，用于将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；以及，分类模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，所述图像分块模块130，用于：对所述增强辐射图像进行均匀地图像分块处理以得到所述辐射图像块的序列，其中，所述辐射图像块的序列中的各个辐射图像块具有相同的尺寸。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，所述ViT编码模块140，用于：使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列；以及，将所述辐射图像块嵌入向量的序列通过所述ViT模型的转换器以得到所述多个上下文辐射块特征向量。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列，包括：将所述辐射图像块的序列中各个辐射图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；以及，使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述辐射图像块嵌入向量的序列。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，所述优化模块150，用于：以如下优化公式对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到所述多个优化上下文辐射块特征向量；其中，所述优化公式为：
其中，是第/>个所述上下文辐射块特征向量，/>是第/>个所述上下文辐射块特征向量，/>是均值特征向量，/>为邻域设置超参数，/>表示以2为底的对数函数，/>表示按位置减法，/>是所述第/>个所述优化上下文辐射块特征向量。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，所述局部关联强化模块160，用于：使用所述局部关联强化器的所述第一卷积层以具有第一长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度上下文辐射块特征向量；使用所述局部关联强化器的所述第二卷积层以具有第二长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度上下文辐射块特征向量，所述第二长度不同于所述第一长度；以及，将所述第一尺度上下文辐射块特征向量和所述第二尺度上下文辐射块特征向量进行级联以得到所述分类特征向量。
在一个示例中，在上述基于人工智能的风险评级模型生成装置100中，所述分类模块170，用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述基于人工智能的风险评级模型生成装置100中的各个模块的具体功能和操作已经在上面参考图1到图7的基于人工智能的风险评级模型生成方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于人工智能的风险评级模型生成装置100可以实现在各种无线终端中，例如具有基于人工智能的风险评级模型生成算法的服务器等。在一个示例中，根据本申请实施例的基于人工智能的风险评级模型生成装置100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于人工智能的风险评级模型生成装置100可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于人工智能的风险评级模型生成装置100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的风险评级模型生成装置100与该无线终端也可以是分立的设备，并且该基于人工智能的风险评级模型生成装置100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现***的计算机环境，或与提供目标检测所需要的信息相关的类似功能的***。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种基于人工智能的风险评级模型生成方法，其特征在于，包括：
获取被检测点的辐射信息；
对所述被检测点的辐射信息进行信息增强以得到增强辐射信息；
对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列；
将所述辐射信息块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；
对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；
将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；
以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签；
对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量，包括：
以如下优化公式对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到所述多个优化上下文辐射块特征向量；
其中，所述优化公式为：
其中，/>是第/>个所述上下文辐射块特征向量，/>是第个所述上下文辐射块特征向量，/>是均值特征向量，/>为邻域设置超参数，/>表示以2为底的对数函数，/>表示按位置减法，/>是所述第/>个所述优化上下文辐射块特征向量。
2.根据权利要求1所述的基于人工智能的风险评级模型生成方法，其特征在于，所述辐射信息包括辐射图像，所述增强辐射信息包括增强辐射图像，所述辐射信息块包括辐射图像块，对所述增强辐射信息进行信息分块处理以得到辐射信息块的序列，包括：
对所述增强辐射图像进行均匀地图像分块处理以得到所述辐射图像块的序列，其中，所述辐射图像块的序列中的各个辐射图像块具有相同的尺寸。
3.根据权利要求2所述的基于人工智能的风险评级模型生成方法，其特征在于，将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量，包括：
使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列；
以及将所述辐射图像块嵌入向量的序列通过所述ViT模型的转换器以得到所述多个上下文辐射块特征向量。
4.根据权利要求3所述的基于人工智能的风险评级模型生成方法，其特征在于，使用所述ViT模型的所述嵌入层分别对所述辐射图像块的序列中各个辐射图像块进行嵌入化以得到辐射图像块嵌入向量的序列，包括：
将所述辐射图像块的序列中各个辐射图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；
以及使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述辐射图像块嵌入向量的序列。
5.根据权利要求4所述的基于人工智能的风险评级模型生成方法，其特征在于，将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量，包括：
使用所述局部关联强化器的所述第一卷积层以具有第一长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第一尺度上下文辐射块特征向量；
使用所述局部关联强化器的所述第二卷积层以具有第二长度的一维卷积核对所述一维特征向量进行一维卷积编码以得到第二尺度上下文辐射块特征向量，所述第二长度不同于所述第一长度；
以及将所述第一尺度上下文辐射块特征向量和所述第二尺度上下文辐射块特征向量进行级联以得到所述分类特征向量。
6.根据权利要求5所述的基于人工智能的风险评级模型生成方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签，包括：
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
7.一种基于人工智能的风险评级模型生成装置，其特征在于，包括：
图像获取模块，用于获取被检测点的辐射图像；
图像增强模块，用于对所述被检测点的辐射图像进行图像增强以得到增强辐射图像；
图像分块模块，用于对所述增强辐射图像进行图像分块处理以得到辐射图像块的序列；
ViT编码模块，用于将所述辐射图像块的序列通过包含嵌入层的ViT模型以得到多个上下文辐射块特征向量；
优化模块，用于对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到多个优化上下文辐射块特征向量；
局部关联强化模块，用于将所述多个优化上下文辐射块特征向量排列为一维特征向量后通过包含第一卷积层和第二卷积层的局部关联强化器以得到分类特征向量；
以及分类模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示辐射强度风险等级标签；
所述优化模块，还用于：
以如下优化公式对所述多个上下文辐射块特征向量进行多源信息融合验前分布评估优化以得到所述多个优化上下文辐射块特征向量；
其中，所述优化公式为：
其中，/>是第/>个所述上下文辐射块特征向量，/>是第个所述上下文辐射块特征向量，/>是均值特征向量，/>为邻域设置超参数，/>表示以2为底的对数函数，/>表示按位置减法，/>是所述第/>个所述优化上下文辐射块特征向量。
8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于人工智能的风险评级模型生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777481.6A CN116502899B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能的风险评级模型生成方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777481.6A CN116502899B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能的风险评级模型生成方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502899A CN116502899A (zh) | 2023-07-28 |
| CN116502899B true CN116502899B (zh) | 2023-09-01 |
Family
ID=87325314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310777481.6A Active CN116502899B (zh) | 2023-06-29 | 2023-06-29 | 基于人工智能的风险评级模型生成方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502899B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116872233A (zh) * | 2023-09-07 | 2023-10-13 | 泉州师范学院 | 校园巡检机器人及其控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105899137A (zh) * | 2013-11-12 | 2016-08-24 | 三星电子株式会社 | 辐射检测器和使用辐射检测器的计算机断层扫描设备 |
| CN107808263A (zh) * | 2017-12-01 | 2018-03-16 | 安徽中科超安科技有限公司 | 基于信息融合的核电站多风险综合评估***及方法 |
| CN110210739A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的核辐射检测方法和*** |
| CN110516335A (zh) * | 2019-08-16 | 2019-11-29 | 广东浪潮大数据研究有限公司 | 一种辐射风险评估方法、装置及电子设备和存储介质 |
| EP3705890A1 (en) * | 2019-03-06 | 2020-09-09 | Institut Regional du Cancer de Montpellier | In vitro method for assessing the risk of prostate side effect after treatment by ionizing radiation |
| CN114913607A (zh) * | 2022-06-14 | 2022-08-16 | 南京邮电大学 | 一种基于多特征融合的指静脉仿冒检测方法 |
| CN115994690A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市新邦防护科技有限公司 | 涉核风险评估方法、***以及计算机可读介质 |
-
2023
- 2023-06-29 CN CN202310777481.6A patent/CN116502899B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105899137A (zh) * | 2013-11-12 | 2016-08-24 | 三星电子株式会社 | 辐射检测器和使用辐射检测器的计算机断层扫描设备 |
| CN107808263A (zh) * | 2017-12-01 | 2018-03-16 | 安徽中科超安科技有限公司 | 基于信息融合的核电站多风险综合评估***及方法 |
| EP3705890A1 (en) * | 2019-03-06 | 2020-09-09 | Institut Regional du Cancer de Montpellier | In vitro method for assessing the risk of prostate side effect after treatment by ionizing radiation |
| CN110210739A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的核辐射检测方法和*** |
| CN110516335A (zh) * | 2019-08-16 | 2019-11-29 | 广东浪潮大数据研究有限公司 | 一种辐射风险评估方法、装置及电子设备和存储介质 |
| CN114913607A (zh) * | 2022-06-14 | 2022-08-16 | 南京邮电大学 | 一种基于多特征融合的指静脉仿冒检测方法 |
| CN115994690A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市新邦防护科技有限公司 | 涉核风险评估方法、***以及计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502899A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
| Khan et al. | Improved strategy for human action recognition; experiencing a cascaded design | |
| Fang et al. | Orthogonal self-guided similarity preserving projection for classification and clustering | |
| CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
| Chen et al. | Hyperspectral face recognition via feature extraction and CRC‐based classifier | |
| CN116089648B (zh) | 基于人工智能的档案管理***及方法 | |
| CN117058622A (zh) | 污水处理设备的智能监测***及其方法 | |
| CN116343301B (zh) | 基于人脸识别的人员信息智能校验*** | |
| CN111680757A (zh) | 一种基于自编码器的零样本图像识别算法及*** | |
| Zheng et al. | Tire defect classification using a deep convolutional sparse-coding network | |
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| CN116310563A (zh) | 一种贵金属库存的管理方法及*** | |
| CN116597377A (zh) | 牛养殖的智能监控管理方法及其*** | |
| CN116298880A (zh) | 微电机可靠性综合测试***及其方法 | |
| CN117237733A (zh) | 一种结合自监督和弱监督学习的乳腺癌全切片图像分类方法 | |
| CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
| CN116977747B (zh) | 基于多路多尺度特征孪生网络的小样本高光谱分类方法 | |
| CN117134958A (zh) | 用于网络技术服务的信息处理方法及*** | |
| Ravela et al. | No-reference image quality assessment based on deep convolutional neural networks | |
| CN116468894A (zh) | 面向锂电池极片可监督学习的距离自适应掩码生成方法 | |
| CN116863406A (zh) | 一种基于人工智能的智能报警安防***及其方法 | |
| CN116563251A (zh) | 汽车用拉杆球头的智能加工方法及其*** | |
| Liao et al. | A new bandwidth selection criterion for using SVDD to analyze hyperspectral data | |
| CN116402777A (zh) | 基于机器视觉的电力设备检测方法及*** | |
| CN114494152A (zh) | 基于关联学习模型的无监督变化检测方法 |
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 |