[發(fā)明專利]一種基于AA R2Unet和HMM的香煙濾棒計(jì)數(shù)方法

在審

• 申請?zhí)枺?/td>: 202010741400.3
• 申請日: 2020-07-29
• 公開（公告）號: CN111882543A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 張堃;韓宇;姜朋朋;朱翊晗;馮文宇;殷佳煒;華亮;李文俊;鮑毅
• 申請（專利權(quán)）人: 南通大學(xué);杭州博拉哲科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/143;G06N3/08;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于AA R2Unet和HMM的香煙濾棒計(jì)數(shù)方法，本發(fā)明利用U?net網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，準(zhǔn)確識別濾棒目標(biāo)和背景。因此，根據(jù)識別出的二值化圖像，提出了濾棒分布特征的結(jié)構(gòu)單元填充和圓切線搜索策略，實(shí)驗(yàn)結(jié)果表明，該算法在檢測精度和檢測范圍上都取得了很大的進(jìn)步。

技術(shù)領(lǐng)域

本發(fā)明涉及香煙濾棒計(jì)數(shù)技術(shù)領(lǐng)域，具體為一種基于AA R2Unet和HMM的香煙濾棒計(jì)數(shù)方法。

背景技術(shù)

工業(yè)現(xiàn)場常常需要對復(fù)雜環(huán)境下密集小目標(biāo)進(jìn)行精確識別。實(shí)際生產(chǎn)中對于批量識別還是采用精度較低的隨機(jī)抽樣人工識別保證質(zhì)量規(guī)格一致。批量密集目標(biāo)識別，常常會(huì)遇到目標(biāo)間粘連、目標(biāo)與背景對比度低、目標(biāo)遭到陰影遮擋、相機(jī)視場畸變等問題。這些問題嚴(yán)重影響圖像識別精度，且現(xiàn)在主流識別方法都不能很好的解決。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于AA R2Unet和HMM的香煙濾棒計(jì)數(shù)方法，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于AA R2Unet和HMM的香煙濾棒計(jì)數(shù)方法，包括以下步驟：

A、建立AA R2Unet網(wǎng)絡(luò)對采集的濾棒圖片進(jìn)行目標(biāo)分割，獲取僅包含濾棒目標(biāo)的圖像；

B、基于HMM的優(yōu)化搜索算法；

C、采用結(jié)構(gòu)元填充的方法對濾棒目標(biāo)進(jìn)行計(jì)數(shù)。

優(yōu)選的，所述步驟A中，在Unet中加入了R2模塊與Attention Augment模塊；其中，Unet結(jié)構(gòu)總體呈對稱的U型結(jié)構(gòu)，在設(shè)計(jì)時(shí)共包含12個(gè)單元(F1-F12),其中左側(cè)F1-F6為收縮路徑，主要用于特征的提取；右側(cè)F6-F12為擴(kuò)張路徑，用于細(xì)節(jié)的恢復(fù)實(shí)現(xiàn)精準(zhǔn)預(yù)測；R2模塊主要包括了殘差學(xué)習(xí)單元(Residual learning unit)和遞歸卷積(Recurrentconvolution)。圖3中的遞歸卷積表示在t＝0,t＝1,t＝2時(shí)刻以前一層的輸出作為輸入進(jìn)行卷積并將結(jié)果相加。

優(yōu)選的，所述Attention Augment本質(zhì)為通過查詢得到一系列鍵-值對的映射；首先，通過對輸入大小為(w,h,c_in)的特征圖進(jìn)行1×1卷積輸出QKV矩陣，其大小為(w,h,2*d_k+d_v)，其中w、h、2*d_k+d_V分別表示了矩陣的寬、長與深度；再從深度通道上對QKV矩陣進(jìn)行分割，得到Q(Query)、K(Key)、V(Value)三個(gè)矩陣其深度通道大小分別為d_k、d_k、d_v。接著，采用了多頭注意力機(jī)制(Multi-Head Attention)的結(jié)構(gòu)，將Q、K、V三個(gè)矩陣分別從深度通道上分割為N個(gè)相等的矩陣進(jìn)行后續(xù)的計(jì)算，這種多頭注意力機(jī)制將原本單一的attention計(jì)算，擴(kuò)展為較小且并行獨(dú)立的多個(gè)計(jì)算，使得模型可以在不同的子空間內(nèi)學(xué)習(xí)特征信息。