(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110324954.8 (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 113033099 A (43)申请公布日 2021.06.25 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 杨雪松　黄昊　 (74)专利代理 机构 电子科技大 学专利中心 51203 代理人 张冉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06T 7/13(2017.01) G06T 7/181(2017.01) (56)对比文件 CN 111898621 A,2020.1 1.06 CN 110070096 A,2019.07.3 0 CN 102638296 A,2012.08.15 CN 106207420 A,2016.12.07 WO 202018 8063 A1,2020.09.24 卢婷.基于几何与形状特 征的列车故障图像 匹配算法研究. 《中国优秀博硕士学位 论文全文 数据库(硕士)信息科技 辑》 .2014,(第9期), T. N. Kapetanak is 等.Neural netw ork solution of the circular l oop anten na radiation problem. 《2012 20th Telecommunications Forum (TELFOR)》 .2012, 审查员 郑晓云 (54)发明名称 一种基于计算机视觉的天线形状的神经网 络建模方法 (57)摘要 本发明公开了一种基于计算机视觉的天线 形状的神经网络建模 方法， 属于微波天线设计技 术领域。 本发明所述方法包括以下步骤： 样本数 据的生成、 对天线俯视图进行预处理、 提取形状 描述子并进行个数归一化、 对神经网络进行训 练、 使用测试样本对完成训练的神经网络进行测 试和将设计需要的天线俯视图输入到神经网络 模型中六个步骤。 本发明所述方法结合计算机视 觉技术， 直接对天线图片进行识别和分析， 确定 辐射贴片 的形状， 提取形状描述子， 交由神经网 络进行学习和训练； 可以用于 现有建模技术所适 用的规则形状天线和现有建模技术不适用的不 规则形状天线； 能够根据天线形状信息输出其对 应的电磁参数， 将其用于天线智 能化设计， 可 以 显著提高天线设计效率。 权利要求书2页 说明书4页 附图4页 CN 113033099 B 2022.05.03 CN 113033099 B 1.一种基于计算机 视觉的天线形状的神经网络建模方法， 其特 征在于， 包括以下步骤： 步骤1.样本数据的生成 批量生成N个任意形状作为辐射贴片的形状， N为正整数， 将辐射贴片形状不同、 其他尺 寸参数相同的微带天线俯视图作为样本集的输入数据， 天线俯视图中的辐射贴片颜色与介 质基板颜色不同； 利用经验公式或电磁仿真软件对N个辐射贴片形状不同、 其他尺寸参数相同的微带天 线进行批量仿真， 获得设定频 段内的N组反射系数曲线作为样本集的输出 数据； 样本集中的样本数据分为训练数据和 测试数据； 步骤2.对天线俯视图进行 预处理 步骤2‑1.调整天线俯视图的分辨 率至同一 规格； 步骤2‑2.对天线俯视图进行边 缘检测， 提取辐射贴片的形状 轮廓； 步骤2‑3.将提取的形状 轮廓对应的像素矩阵二 值化得到二 值矩阵； 步骤3.提取 形状描述子， 并进行个数归一 化 步骤3‑1.对于二 值矩阵， 寻找非零元 素区域的最小外 接矩形； 步骤3‑2.以最小外接矩形的四条边为基准， 设定初始采样的像素单位个数， 从矩形的 上边开始， 按顺时针顺序， 依次对边垂直方向上最近的形状 轮廓进行 形状描述子的计算； 步骤3‑3.计算所有训练样本的形状描述子个数的平均值， 调整每个训练样本的采样的 像素单位个数， 使得每个训练样本的形状描述子个数等于平均值， 完成形状描述子个数归 一化； 步骤4.将训练样本 中天线的形状描述子作为输入向量， 天线在 设定频段的反射系数作 为输出向量， 对神经网络进行训练； 步骤5.使用测试样本对完成训练的神经网络进行测试， 将输出结果与利用经验公式或 电磁仿真软件计算或仿 真得到的结果进 行对比， 统计误差， 若误差大于 设定误差阈值， 返回 步骤1， 否则转至步骤6； 步骤6.将设计需要的天线俯视图输入到神经网络模型中， 能够得到天线在 设定频段的 反射系数。 2.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， 样本集中90％的样本数据作为训练数据， 其 他样本数据作为测试 数据。 3.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， N＝2401， 设定频 段为5.5GH z‑6.5GHz。 4.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， 步骤2 ‑1中， 调整天线俯视图的分辨 率至60×80。 5.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， 步骤3 ‑2中形状描述子的计算过程为： 以长度为 1的单位线 段去贴合形状的轮廓， 水平方 向向右编码为0， 每逆时针旋转45 °编码+1， 得到8方向遍历的编码 0‑7； 按照编码规则依次首 尾相连贴合所有的轮廓， 得到一串数字链码作为该 形状轮廓的形状描述子 。 6.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， 步骤3 ‑3的具体过程为： 计算所有训练样本的形状描述子个数的平均值， 对每个训练样 本的形状描述子都和平均值进行对比， 若该样本形状描述子个数小于平均值， 则缩短单位权　利　要　求　书 1/2 页 2 CN 113033099 B 2线段的长度， 否则， 增加单位线段的长度， 最 终使得每个训练样本的形状描述子个数等于平 均值， 完成形状描述子个数归一 化。 7.根据权利要求1所述的基于计算机视觉的天线形状的神经网络建模方法， 其特征在 于， 步骤四中， 神经网络满足如下四个条件之一停止训练： a)对样本进行第10 0次重复训练； b)目标函数梯度不再 下降； c)与前一训练样本的训练误差不超过0.0 0004； d)连续六次训练误差不降反升 。权　利　要　求　书 2/2 页 3 CN 113033099 B 3