[发明专利]基于卷积神经网络和双向长短期记忆的插针定位方法

权利要求书

1.一种基于卷积神经网络和双向长短期记忆的插针定位方法，包括如下步骤：

(1)利用VGG-16网络模型从图像中提取边缘点特征；

(2)设置一个转换模块与VGG-16网络模块、双向LSTM网络模型连接，通过VGG-16计算出n组数据，输出特征为n个一维矢量，双向LSTM的输入为具有n个矩的时序，通过转换模块将提取的特征转换为序列数据；

(3)引入双向LSTM网络模型，访问过去的上下文信息，并获取接下来的上下文信息，一幅图像中的n个边缘点具有逻辑联系，其值与向前和向后的值几乎没有变化，LSTM的输入是时序，对于任何时候的输入，LSTM单元中包括三个步骤：

1)遗忘门的sigmoid函数来决定将哪个上下文信息从最后时刻的单元格状态中丢弃。该门会读取h_t-1和x_t，输出一个在0到1之间的数值给每个在细胞状态C_t-1中的数字；1表示“完全保留”，0表示“完全舍弃”。f_t决定丢弃哪些信息，f_t的表达式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

其中W_f是遗忘门的权重，b_f是偏置，x_t是当前输入，h_t-1是上一时刻输出，σ是sigmoid函数；

2)使用sigmoid函数的传入门来决定应该保留哪些信息；决定保留哪些信息，i_t和的表达式如下:

i_t＝σ(W_i·h_t-1,x_t]+b_i)

C_t＝tanh(W_C·[h_t-1,x_t]+b_C)

其中W_i和W_C是传入门的权重，b_i和b_C是相应的偏置；

3)是确定应输出的信息，该层称为输出门，h_t用来决定将要输出的信息，h_t的表达式如下：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

(4)损失函数：模型的网络末端采用均方误差(MSE)损失函数，MSE的表达式为：

其中是预测值，X_i是真实值，m是批大小，在训练阶段，通过随机梯度下降(SGD)算法训练所提网络，以最小化MSE损失；

(5)训练数据：

1)对原始图像进行四次下采样，得到低分辨率图像，选择接插件的感兴趣区域(ROI)，并以等间隔选取一维水平向量作为输入数据；

2)采用VGG-16从图像中提取特征；

3)对提取的特征引入双向LSTM处理序列信息，增加抗噪能力；

4)使用梯度下降算法，引入均方误差作为损失函数，通过反向传播优化网络参数。

2.根据权利要求1所述的插针定位方法，其特征是：步骤(2)所述转换模块的转换算法，包括如下步骤：

(1)VGG-16的所有输出都表示为Vi，形式为(w，h，c)，其中w，h是特征图的宽度和高度，c是通道数。在第一维扩展Vi的维数，Vi的新形式是(1，w，h，c)；

(2)在第一维上连接所有Vi，输出表示为V，形式为(N，w，h，c)；

(3)扩大V的维数，新的形式为(1，N，w，h，c)；

(4)将宽度，高度和通道压缩为一维，最终输出的形式为(1，N，w*h*c)。