[發明專利]基于改進Fast R-CNN的煤塵顆粒圖像識別方法

有效

• 申請號: 202010718963.0
• 申請日: 2020-07-23
• 公開（公告）號: CN112001253B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 王征;李冬艷;李磊;張赫林
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 西安啟誠專利知識產權代理事務所(普通合伙) 61240
• 代理人: 李艷春

1.一種基于改進Fast R-CNN的煤塵顆粒圖像識別方法，其特征在于，該方法包括以下步驟：

步驟一、將煤塵顆粒圖像輸入訓練好的改進Fast R-CNN網絡中；訓練好的改進Fast R-CNN網絡中存儲了訓練樣本的多個煤塵顆粒標定區域；

步驟二、所述改進Fast R-CNN網絡采用VGG網絡的卷積層進行特征提取，得到煤塵顆粒圖像的特征圖；

步驟三、所述改進Fast R-CNN網絡將煤塵顆粒圖像的特征圖中的煤塵顆粒從背景中識別出來；

步驟四、所述改進Fast R-CNN網絡將步驟三識別出煤塵顆粒目標的煤塵顆粒圖像輸入到兩個并列的全連接層，通過線性脊回歸器對煤塵顆粒目標的位置進行精調；

步驟二中所述改進Fast R-CNN網絡采用VGG網絡的卷積層進行特征提取，得到煤塵顆粒圖像的特征圖的具體過程為：

步驟201、經過第一個卷積層對煤塵顆粒圖像進行特征提取，具體過程為：

步驟2011、采用第一個卷積層提取煤塵顆粒圖像的第一層特征；

步驟2012、采用ReLU激活函數對煤塵顆粒圖像的第一層特征進行激活統計；

步驟2013、采用壓縮激發特征模塊對煤塵顆粒圖像的第一層特征進行壓縮激發處理，激勵重要的特征，抑制不重要的特征；

步驟2014、將煤塵顆粒圖像的第一層特征送入池化層，進行最大池化處理；

步驟2015、對煤塵顆粒圖像的第一層特征進行腐蝕和膨脹的開運算操作；

步驟202、經過第二個卷積層對煤塵顆粒圖像進行特征提取，具體過程為：

步驟2021、采用第二個卷積層提取煤塵顆粒圖像的第二層特征；

步驟2022、采用ReLU激活函數對煤塵顆粒圖像的第二層特征進行激活統計；

步驟2023、采用壓縮激發特征模塊對煤塵顆粒圖像的第二層特征進行壓縮激發處理，激勵重要的特征，抑制不重要的特征；

步驟2024、將煤塵顆粒圖像的第二層特征送入池化層，進行最大池化處理；

步驟2025、對煤塵顆粒圖像的第二層特征進行腐蝕和膨脹的開運算操作；

步驟203、經過第三個卷積層對煤塵顆粒圖像進行特征提取，具體過程為：

步驟2031、采用第三個卷積層提取煤塵顆粒圖像的第三層特征；

步驟2032、采用ReLU激活函數對煤塵顆粒圖像的第三層特征進行激活統計；

步驟2033、將煤塵顆粒圖像的第三層特征送入池化層，進行最大池化處理；

步驟2034、對煤塵顆粒圖像的第三層特征進行腐蝕和膨脹的開運算操作；

步驟204、經過第四個卷積層對煤塵顆粒圖像進行特征提取，具體過程為：

步驟2041、采用第四個卷積層提取煤塵顆粒圖像的第四層特征；

步驟2042、采用ReLU激活函數對煤塵顆粒圖像的第四層特征進行激活統計；

步驟2043、將煤塵顆粒圖像的第四層特征送入池化層，進行最大池化處理；

步驟2044、對煤塵顆粒圖像的第四層特征進行腐蝕和膨脹的開運算操作；

步驟205、經過第五個卷積層對煤塵顆粒圖像進行特征提取，具體過程為：

步驟2051、采用第五個卷積層提取煤塵顆粒圖像的第五層特征；

步驟2052、采用ReLU激活函數對煤塵顆粒圖像的第五層特征進行激活統計；

步驟2053、將煤塵顆粒圖像的第五層特征送入池化層，進行最大池化處理；

步驟2054、對煤塵顆粒圖像的第五層特征進行腐蝕和膨脹的開運算操作。

2.按照權利要求1所述的基于改進Fast R-CNN的煤塵顆粒圖像識別方法，其特征在于：步驟2011、步驟2021、步驟2031、步驟2041和步驟2051中進行卷積操作時，采用的卷積計算公式為其中，g(i,j)表示輸入圖像的像素點，i為輸入圖像的像素點g(i,j)的橫坐標，j為輸入圖像的像素點g(i,j)的縱坐標，h(k,l)為卷積核，k為卷積核的高度，l為卷積核的寬度，g(i-k,j-l)為輸入圖像進行卷積映射的像素點，G(i,j)為卷積計算后的輸出圖像。

3.按照權利要求1所述的基于改進Fast R-CNN的煤塵顆粒圖像識別方法，其特征在于：步驟2012、步驟2022、步驟2032、步驟2042和步驟2052中的ReLU激活函數用公式表示為其中，x為輸入圖像的每個像素點。