CN118014949A - 一种x射线图像质量评估***、方法和训练方法 - Google Patents
一种x射线图像质量评估***、方法和训练方法 Download PDFInfo
- Publication number
- CN118014949A CN118014949A CN202410134344.5A CN202410134344A CN118014949A CN 118014949 A CN118014949 A CN 118014949A CN 202410134344 A CN202410134344 A CN 202410134344A CN 118014949 A CN118014949 A CN 118014949A
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- model
- ray image
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 title claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 title claims description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000001303 quality assessment method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 241000364483 Lipeurus epsilon Species 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010972 statistical evaluation Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及电力行业的图像质量评估技术领域,具体公开了一种X射线图像质量评估***、方法和训练方法,是基于深度学***均,获得最终的处理图像Pnm质量评估预测结果。本发明将基于ConvNeXt的NIMA模型能够基于评分规则将位于各个分支的分布概率都能够完整的保留并以加权的方式输出最终预测评分,避免了现有的以大概率或者高分值输出的方式存在的有效评估对象误判和丢失的问题。
Description
技术领域
本发明涉及电力监测技术领域,尤其涉及基于X射线检测技术的后续评估方法技术领域,具体涉及一种X射线图像质量评估***、方法和训练方法。
背景技术
在电力行业中,无损检测是电力设备维护流程中一种有效且十分重要的方法。该方法利用声、光、磁和电等特性,在不损害或不影响被检对象使用性能的前提下,检测被检对象中是否存在缺陷或不均匀性,给出缺陷的大小、位置、性质和数量等信息,进而判定被检对象所处技术状态。而X射线检测方案是电力行业中最常用的一种无损检测方式,在电力行业的设备维护中占据着重要地位。该方案通过强度均匀的射线束透照被检设备,当设备照射部位存在缺陷或者结构性差异时,射线的衰减程度会受到影响,使得不通过部位的射线透射强度不同,导致成像板接收的射线信号强度具有差异,从而形成X射线成像图。该图像呈现灰度状态,通过观察其中的缺陷特征,从而判断被检设备中对应部位是否存在结构性缺陷,以及物质分布情况。
由于射线图像采集流程中,受到各种因素的影响,会导致成像图质量过低,例如X射线发射装置的射线强度与被检设备厚度不匹配导致的成像图过暗。采集图像的质量对于设备缺陷判断极为重要,质量过差的成像图会导致难以识别出某些缺陷特征。因此,对于射线图像的成像质量判断是一项必要且不可或缺的步骤。
对图像的质量评估(IQA)通常采用传统图像算法,如峰值信噪比(PSNR)、均方误差(MSE)、结构相似性(SSIM)等算法,但该类算法均存在以下问题:与主观评价的一致性较低;仅对部分失真类型较为敏感,而对其余失真类型的特征识别能力较弱。主要原因是,传统的图像算法受像素点影响较大,只能提取特定的特征类型,采用固定的算法模式对不同类型图像进行判断,因此会导致无法识别部分失真类型。同时,前述方法都是需要有基准图像的,属于全参考图像质量评估方法((Full Reference-IQA,FR-IQA)),而本方法中基于深度学习的方法数据盲参考图像质量评估方法(Blind IQA,BIQA)。前者同时有原始(无失真、参考)图像和失真图像,难度较低,核心是对比两幅图像的信息量或特征相似度;后者只有失真图像,难度较高。
发明内容
为了解决由于现场获得的X射线图像质量参差不齐,因低质量的X射线图像的参杂导致后续缺陷识别困难或者导致误判的问题,本申请提供一种X射线图像质量评估***、方法和训练方法,用于对X射线图像进行自动判断,从而高效的筛选出符合判断要求的X射线图像或者剔除不满足判别要求的低质量X射线图像,替代人工采用X射线图像后处理软件进行逐一查看和判断的过程。减少人工判别的时间和人力成本投入。
为了达到上述目的,本申请所采用的技术方案为:
一种X射线图像质量评估***训练方法,具体包括如下步骤:
步骤S100,数据集的制作,将现场通过X射线设备采集的*.dcn格式文件通过X射线图像后处理软件进行筛选和参数调整,形成多张包含高等质量,中等质量和低等质量的处理图像Pnm,其中,n=1,2,3,4……n,m=1,2,3,……m;将所有处理图像Pnm按照预设评分标准进行主观评价并进行统计评价分值统计形成MOS值,最终获得数据集K;
步骤S200,模型的训练,将数据集K按照预设比例随机拆分成训练集,验证集和测试集,将训练集和验证集中的处理图像Pnm依次输入改型NIMA模型进行前向传播和反向传播,进行Q次训练,以调整改型NIMA模型中权重文件的参数,再通过测试集输入改型NIMA模型对评估预测值进行验证,根据验证结果中的PLCC值和SRCC值判断当前权重文件的评估预测值是否符合要求,其中Q∈[100,+∞];
若PLCC值和SRCC值符合预设要求,则确定当前权重文件作为最终IQA模型的权重值;
若PLCC值和SRCC值不符合预设要求,则增加Q的取值,直到PLCC值和SRCC值符合预设要求为止。
优选地,所述步骤S100中数据集K中高等质量,中等质量和低等质量的处理图像Pnm的比例为3:2:1。
优选地,所述步骤S100中预设评分标准是将处理图像Pnm按照如下方式进行统一命名:ImageName-(H/M/L)Index,其中,ImageName代表图像名称,H、M、L分别代表高等质量、中等质量和低等质量,Index代表序号,H∈[6,10],M∈[4,7],L∈[1,5],
所述数据集K包括处理图像Pnm和记录MOS值的csv文本文件两部分,所述csv文本文件包括图像名称ImageName和对应图像在各分值上的分布概率,csv文本文件中,每一行的数据格式为:
ImageName,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10
其中,第一列为图像名称,后续各列为各分值的分布概率,且满足各概率之和为1,即P1+P2+P3+P4+P5+P6+P7+P8+P9+P10=1。
优选地,将数据集K中的处理图像Pnm输入改型NIMA模型之前还包括对处理图像Pnm进行优化处理的步骤,具体包括:将处理图像Pnm的尺寸调整为256*256像素的标准图像P256nm,在经过随机裁剪形成224*224像素的裁剪图像其中,t=1,2,3,4……t。
优选地,所述裁剪图像还包括水平/竖直镜像和顺时针/逆时针旋转180°的优化调整。
优选地,步骤S200中改型NIMA模型的构造及获取评估预测值过程包括:
步骤S201,将标准NIMA模型的主干特征提取网络VGG16替换为图像分类网络ConvNext的特征提取部分,用于对输入的处理图像Pnm的特征提取;
步骤S202,去除ConvNext网络尾部的图像分类结构,将Global Average Pooling层后的输出结果输入后续的全连接层Full Connection,对处理图像Pnm的提取特征进行分值分类;
步骤S203,再经由Softmax完成对步骤S202中获得的分值分类的分布概率P,由各分值作为权重,对各概率进行加权平均,获得最终的处理图像Pnm质量评估预测结果。
一种X射线图像质量评估***,由上述的一种X射线图像质量评估***训练方法获得,具体包括
图像采集单元,用于采集X射线检测图像Pn,并进行储存,n=1,2,3…n;
质量评估单元,用于通过改型NIMA模型提取图像采集单元中的待评估的X射线检测图像Pn的高级语义特征,获取对应的特征矩阵,通过主观评分模块对特征矩阵进行分类和分值评估,获得图像质量评分;
图像记录单元,用于记录通过质量评估单元评估后的X射线检测图像Pn的评估结果;
模型更新单元,用于将X射线检测图像Pn评估形成的数据集K通过迁移学习的方式对当前IQA模型进行迭代训练,更新IQA模型。
一种X射线图像质量评估方法,采用上述的一种X射线图像质量评估***实现,具体包括以下步骤:
步骤S10,将待评估的X射线图像Img输入改型NIMA模型;
步骤S20,改型NIMA模型中的ConvNext网络对待评估的X射线图像Img的特征进行提取;
步骤S30,通过全连接层Full Connection对步骤S20提取的特征进行分类;
步骤S40,通过Softmax函数计算出待评估的X射线图像Img在各分值上的分布概率P,并记录在csv文本文件中,分布概率P记录方式如下:
其中N=10,为图像在i分值上的分布概率,si代表分值,i表示分值的序号,也就是1-10,虽然此处的分值与分值需要均为1-10,i与分值数重合,但含义不同,也就是说si表示第i个的分值且各分值分布概率之和为1,即/>计算分布概率P的加权平均值/>从而得出当前待评估的X射线图像Img的评估预测值。
有益效果:
1、本发明克服了传统图像处理算法在进行图像质量评估任务时,由于算法的针对性和侧重性,通常会导致对不同类型图像评估结果与实际情况差异较大的问题。
2、本发明采用深度学习模型来进行图像质量评估任务,突破了单一传统图像处理算法的失真类型限制,能够充分发挥计算机强大的运算能力,将复杂的图像任务转化为计算量庞大但计算机擅长的计算任务。
3、本发明将基于ConvNeXt的NIMA模型能够基于评分规则将位于各个分支的分布概率都能够完整的保留并以加权的方式输出最终预测评分,避免了现有的以大概率或者高分值输出的方式存在的有效评估对象误判和丢失的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是标准NIMA模型结构框图。
图2是图像质量的主观评分流程框图。
图3是主观评分模块的评分流程结构框图。
图4基于ConvNext的NIMA模型运行流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,本申请的描述中若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,本申请的描述中若出现术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
实施例1:
一种X射线图像质量评估***训练方法,具体包括如下步骤:
步骤S100,数据集的制作,将现场通过X射线设备采集的*.dcn格式文件通过X射线图像后处理软件进行筛选和对窗宽上下限、对比度、亮度和伽马值等参数调整,形成多张包含高等质量,中等质量和低等质量的处理图像Pnm,其中,n=1,2,3,4……n,m=1,2,3,……m;将所有处理图像Pnm按照预设评分标准进行主观评价并进行统计评价分值统计形成MOS值,最终获得数据集K;
步骤S200,模型的训练,将数据集K按照预设比例随机拆分成训练集,验证集和测试集,将训练集和验证集中的处理图像Pnm依次输入改型NIMA模型进行前向传播和反向传播,进行Q次训练,以调整改型NIMA模型中权重文件的参数,再通过测试集输入改型NIMA模型对评估预测值进行验证,根据验证结果中的PLCC值和SRCC值判断当前权重文件的评估预测值是否符合要求,其中Q∈[100,+∞];其中,PLCC值是指皮尔逊线性相关系数(Pearsonlinear correlation coefficient,PLCC)用于评估IQA模型预测的准确性,IQA模型是图像质量评价算法的统称。标准的NIMA模型中就包含了IQA模型,参见图1所示,只是不同的IQA模型在不同的应用领域或者不同开发者开发的逻辑会有所不同,因此,不同***或者不同算法中对IQA模型的描述内容并非等同,只是其都是用于评价图像质量的得名。例如,在本实施例中则采用了改型NIMA模型,因此,其用于评价图像质量的算法是根据评分标准进行质量评价的,并非采用常规Backbone主干特征提取网络提取特征,再经过全连接层FullConnection和Softmax分类层进行质量评价获得分值。
若PLCC值和SRCC值符合预设要求,则确定当前权重文件作为最终IQA模型的权重值;
若PLCC值和SRCC值不符合预设要求,则增加Q的取值,直到PLCC值和SRCC值符合预设要求为止。
权重文件是本实施例提供的***训练方法最为关键的文件,是记录***学习和评价规则和/或逻辑的文件,能够根据Q次输入到改进NIMA模型中的处理图像Pnm即是的记录和修订评价规则和逻辑,也是确定当前改进NIMA模型评估准确性的关键性文件。
本实施例中,所述步骤S100中数据集K中高等质量,中等质量和低等质量的处理图像Pnm的比例为3:2:1。不同质量的处理图像Pnm能够使得***能够有更好的适应性,能够达到以较小的训练样本获得较佳的评估结果,可以大大降低训练的次数,提升评估的准确性。
实施例2:
本实施例是在实施例1的基础上进行进一步细化,所述步骤S100中预设评分标准是将处理图像Pnm按照如下方式进行统一命名:ImageName-(H/M/L)Index,其中,ImageName代表图像名称,H、M、L分别代表高等质量、中等质量和低等质量,Index代表序号,H∈[6,10],M∈[4,7],L∈[1,5],
所述数据集K包括处理图像Pnm和记录MOS值的csv文本文件两部分,具体结构如下所示:
所述csv文本文件包括图像名称ImageName和对应图像在各分值上的分布概率,csv文本文件中,每一行的数据格式为:
ImageName,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10
其中,第一列为图像名称,后续各列为各分值的分布概率,且满足各概率之和为1,即P1+P2+P3+P4+P5+P6+P7+P8+P9+P10=1。
本实施例中,采用上述MOS值的方式能够将评述的不同分值上对应概率都进行统计,不存在任何遗漏和数据丢弃,相较于现有的峰值取值法而言更具完整性,使得最终评估的图像质量预估值更加精准,更加符合客观结果和预期。该发明创造实现零丢失数据的根本启发在于基于人工的主观评述存在差异性而得来,并进行大量的优化,从而将主观的偏向性,喜好性和个人倾向对评估的影响降到最低。为了更好的说明采用上述深度学习模型训练的好处和优势,下面就评估的原理进行进一步的阐述:
图像质量评估中,最为准确和最符合评估需求或者预期的是行业经验丰富的从业人员评估的结果,但是即使是如此,相同的图像由多个不同的从业人员进行评估打分,得出的结果也是存在不同的,但评估的结果大概率会处于一个相对较小的区间内,这就基本可以确定当前图像的质量的合理评估分值应当在该较小区间内的中位数,但是其他分值的评分也并非是一无是处,因为无论经验多丰富的从业人员,其知识的构成亦必然存在不足,然而,正式因为存在这样的情况,因此,部分小概率评分同样具有参考性和客观价值。故而,针对图像质量评估而言,其本身就具有一定的主观性和倾向性,尤其是针对不同的评估用途。综上所述,要想得到一个尽可能符合理论预期的最佳评估值,应当将全体参与评估的从业人员的所有评估分数进行加权平均所得出的最终值才包含了所有的可能存在的能够形成相互补充的评价内容。故而,丢弃任何一个小概率分值都有可能导致最终结果的失真。本实施例中的csv文本文件中会记录所有的评估数据,并不会出现数据舍弃的问题,因此能够完整的将人工评估过程进行重现,但效率可以达到人工评估不同数量级的提升。具体主观评分的流程如图2所示。
本实施例中,将数据集K中的处理图像Pnm输入改型NIMA模型之前还包括对处理图像Pnm进行优化处理的步骤,具体包括:将处理图像Pnm的尺寸调整为256*256像素的标准图像P256nm,在经过随机裁剪形成224*224像素的裁剪图像其中,t=1,2,3,4……t。将图像进行上述像素上的处理是为了减少计算机的计算量,避免因像素过大导致的数据量过大,而造成计算效率的降低。随机的图像裁剪可以降低模型过拟合的几率,尤其是对于本方法中,数据集中的多张图像均来源于同一份原始文件的情况。另外,对于输入的裁剪图像数据还随机选择地进行了包括水平/竖直镜像和顺时针/逆时针旋转180°的优化调整,可以避免在实际应用中,基于不同机位,不同方向获得的同一目标的多张图像的预测结果差异较大。值得说明的是,调随机裁剪所得的不同裁剪图像/>是在不同训练轮次(此处的多次指epoch,并非指从头开始的多次训练)产生的,而不是每一轮训练都会产生多张裁剪图像/>即每一轮训练会产生一张裁剪图像/>下一轮训练再产生另一张,每一轮训练产生的裁剪图像/>并不相同。
参见图4所示,步骤S200中改型NIMA模型的构造及获取评估预测值过程包括:
步骤S201,将标准NIMA模型的主干特征提取网络VGG16替换为图像分类网络ConvNext的特征提取部分,用于对输入的处理图像Pnm的特征提取;
步骤S202,去除ConvNext网络尾部的图像分类结构,将Global Average Pooling层后的输出结果输入后续的全连接层Full Connection,对处理图像Pnm的提取特征进行分值分类;
步骤S203,再经由Softmax完成对步骤S202中获得的分值分类的分布概率P,由各分值作为权重,对各概率进行加权平均,获得最终的处理图像Pnm质量评估预测结果。
实施例3:
本实施例提供了一种X射线图像质量评估***,由上述任一实施例所述的一种X射线图像质量评估***训练方法获得,具体包括
图像采集单元,用于采集X射线检测图像Pn,并进行储存,n=1,2,3…n;
质量评估单元,用于通过改型NIMA模型提取图像采集单元中的待评估的X射线检测图像Pn的高级语义特征,获取对应的特征矩阵,通过主观评分模块对特征矩阵进行分类和分值评估,获得图像质量评分;其中主观评分模块的流程如图3所示。
图像记录单元,用于记录通过质量评估单元评估后的X射线检测图像Pn的评估结果;
模型更新单元,用于将X射线检测图像Pn评估形成的数据集K通过迁移学习的方式对当前IQA模型进行迭代训练,更新IQA模型。
实施例4:
本实施例提供了一种X射线图像质量评估方法,采用上述实施例2提供的一种X射线图像质量评估***实现,具体包括以下步骤:
步骤S10,将待评估的X射线图像Img输入改型NIMA模型;
步骤S20,改型NIMA模型中的ConvNext网络对待评估的X射线图像Img的特征进行提取;
步骤S30,通过全连接层Full Connection对步骤S20提取的特征进行分类;
步骤S40,通过Softmax函数计算出待评估的X射线图像Img在各分值上的分布概率P,并记录在csv文本文件中,分布概率P记录方式如下:
其中N=10,为图像在i分值上的分布概率,si代表分值,且各分值分布概率之和为1,即/>计算分布概率P的加权平均值/>从而得出当前待评估的X射线图像Img的评估预测值。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种X射线图像质量评估***训练方法,其特征在于:具体包括如下步骤:
步骤S100,数据集的制作,将现场通过X射线设备采集的*.dcn格式文件通过X射线图像后处理软件进行筛选和参数调整,形成多张包含高等质量,中等质量和低等质量的处理图像Pnm,其中,n=1,2,3,4……n,m=1,2,3,……m;将所有处理图像Pnm按照预设评分标准进行主观评价并进行统计评价分值统计形成MOS值,最终获得数据集K;
步骤S200,模型的训练,将数据集K按照预设比例随机拆分成训练集,验证集和测试集,将训练集和验证集中的处理图像Pnm依次输入改型NIMA模型进行前向传播和反向传播,进行Q次训练,以调整改型NIMA模型中权重文件的参数,再通过测试集输入改型NIMA模型对评估预测值进行验证,根据验证结果中的PLCC值和SRCC值判断当前权重文件的评估预测值是否符合要求,其中Q∈[100,+∞];
若PLCC值和SRCC值符合预设要求,则确定当前权重文件作为最终IQA模型的权重值;
若PLCC值和SRCC值不符合预设要求,则增加Q的取值,直到PLCC值和SRCC值符合预设要求为止。
2.根据权利要求1所述的一种X射线图像质量评估***训练方法,其特征在于:所述步骤S100中数据集K中高等质量,中等质量和低等质量的处理图像Pnm的比例为3:2:1。
3.根据权利要求2所述的一种X射线图像质量评估***训练方法,其特征在于:所述步骤S100中预设评分标准是将处理图像Pnm按照如下方式进行统一命名:ImageName-(H/M/L)Index,其中,ImageName代表图像名称,H、M、L分别代表高等质量、中等质量和低等质量,Index代表序号,H∈[6,10],M∈[4,7],L∈[1,5],
所述数据集K包括处理图像Pnm和记录MOS值的csv文本文件两部分,所述csv文本文件包括图像名称ImageName和对应图像在各分值上的分布概率,csv文本文件中,每一行的数据格式为:
ImageName,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10
其中,第一列为图像名称,后续各列为各分值的分布概率,且满足各概率之和为1,即P1+P2+P3+P4+P5+P6+P7+P8+P9+P10=1。
4.根据权利要求2所述的一种X射线图像质量评估***训练方法,其特征在于:将数据集K中的处理图像Pnm输入改型NIMA模型之前还包括对处理图像Pnm进行优化处理的步骤,具体包括:将处理图像Pnm的尺寸调整为256*256像素的标准图像P256nm,在经过随机裁剪形成224*224像素的裁剪图像其中,t=1,2,3,……t。
5.根据权利要求4所述的一种X射线图像质量评估***训练方法,其特征在于:所述裁剪图像还包括水平/竖直镜像和顺时针/逆时针旋转180°的优化调整。
6.根据权利要求2-5任一项所述的一种X射线图像质量评估***训练方法,其特征在于:步骤S200中改型NIMA模型的构造及获取评估预测值过程包括:
步骤S201,将标准NIMA模型的主干特征提取网络VGG16替换为图像分类网络ConvNext的特征提取部分,用于对输入的处理图像Pnm的特征提取;
步骤S202,去除ConvNext网络尾部的图像分类结构,将Global Average Pooling层后的输出结果输入后续的全连接层Full Connection,对处理图像Pnm的提取特征进行分值分类;
步骤S203,再经由Softmax完成对步骤S202中获得的分值分类的分布概率P,由各分值作为权重,对各概率进行加权平均,获得最终的处理图像Pnm质量评估预测结果。
7.一种X射线图像质量评估***,其特征在于:由权利要求6所述的一种X射线图像质量评估***训练方法获得,具体包括
图像采集单元,用于采集X射线检测图像Pn,并进行储存,n=1,2,3…n;
质量评估单元,用于通过改型NIMA模型提取图像采集单元中的待评估的X射线检测图像Pn的高级语义特征,获取对应的特征矩阵,通过主观评分模块对特征矩阵进行分类和分值评估,获得图像质量评分;
图像记录单元,用于记录通过质量评估单元评估后的X射线检测图像Pn的评估结果;
模型更新单元,用于将X射线检测图像Pn评估形成的数据集K通过迁移学习的方式对当前IQA模型进行迭代训练,更新IQA模型。
8.一种X射线图像质量评估方法,其特征在于:采用权利要求7所述的一种X射线图像质量评估***实现,具体包括以下步骤:
步骤S10,将待评估的X射线图像Img输入改型NIMA模型;
步骤S20,改型NIMA模型中的ConvNext网络对待评估的X射线图像Img的特征进行提取;
步骤S30,通过全连接层Full Connection对步骤S20提取的特征进行分类;
步骤S40,通过Softmax函数计算出待评估的X射线图像Img在各分值上的分布概率P,并记录在csv文本文件中,分布概率P记录方式如下:
其中N=10,为图像在i分值上的分布概率,si代表分值,i代表分值序号且各分值分布概率之和为1,即/>计算分布概率P的加权平均值/>从而得出当前待评估的X射线图像Img的评估预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134344.5A CN118014949A (zh) | 2024-01-31 | 2024-01-31 | 一种x射线图像质量评估***、方法和训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134344.5A CN118014949A (zh) | 2024-01-31 | 2024-01-31 | 一种x射线图像质量评估***、方法和训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014949A true CN118014949A (zh) | 2024-05-10 |
Family
ID=90942181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134344.5A Pending CN118014949A (zh) | 2024-01-31 | 2024-01-31 | 一种x射线图像质量评估***、方法和训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014949A (zh) |
-
2024
- 2024-01-31 CN CN202410134344.5A patent/CN118014949A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN112990335A (zh) | 一种电网无人机巡检影像缺陷智能识别自学习训练方法、*** | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
JPH07230552A (ja) | 画像品質分析の方法および装置 | |
CN117893817A (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及*** | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及*** | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
TWI707299B (zh) | 光學檢測二次圖像分類方法 | |
CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN117565284A (zh) | 用于pvc膜加工的自动控制***及方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及*** | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
CN118014949A (zh) | 一种x射线图像质量评估***、方法和训练方法 | |
CN114677670B (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN114708190A (zh) | 一种基于深度学习的道路裂缝检测评估算法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
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 |