[發(fā)明專利]一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法

有效

• 申請?zhí)枺?/td>: 202011607518.3
• 申請日: 2020-12-30
• 公開（公告）號: CN112651948B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計）人: 利節(jié);廖宏程;羅慶林;王藝凡;高敏;吳凱;王涔丁
• 申請（專利權(quán)）人: 重慶科技學(xué)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/90;G06T5/00;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 重慶敏創(chuàng)專利代理事務(wù)所(普通合伙) 50253
• 代理人: 陳千

1.一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法，其特征在于，包括步驟：

(1)生成高質(zhì)量圖像

S1：收集青蒿素提純車間的第一實時圖像I，收集標(biāo)準(zhǔn)環(huán)境中青蒿素提純過程中的標(biāo)準(zhǔn)實時圖像G；

S2：將所述第一實時圖像I、所述標(biāo)準(zhǔn)實時圖像G和初始噪聲圖像N輸入雙向級聯(lián)迭代生成網(wǎng)絡(luò)，生成高質(zhì)量圖像G’和真實噪聲圖像N’；

(2)顏色分割及識別

S3：采用顏色分割算法對所述高質(zhì)量圖像G’進(jìn)行顏色分割后進(jìn)行標(biāo)簽標(biāo)注，以構(gòu)建訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；所述步驟S3具體包括步驟：

S31：對所述高質(zhì)量圖像G’先后進(jìn)行灰度化、梯度化；

S32：基于分水嶺算法對梯度化后的高質(zhì)量圖像G’進(jìn)行分割和坐標(biāo)標(biāo)注，并利用標(biāo)注結(jié)果對所述高質(zhì)量圖像G’進(jìn)行裁剪；

S33：對提純過程中對應(yīng)開啟閥門和關(guān)閉閥門的裁剪后的單色圖片進(jìn)行標(biāo)簽標(biāo)注；

S34：收集所有標(biāo)簽標(biāo)注后的單色圖片，并將大部分作為訓(xùn)練數(shù)據(jù)集，剩余部分作為測試數(shù)據(jù)集；

S4：采用所述訓(xùn)練數(shù)據(jù)集和所述測試數(shù)據(jù)集對構(gòu)建的細(xì)粒度二分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試；構(gòu)建所述細(xì)粒度二分類網(wǎng)絡(luò)，具體包括步驟：

S41：基于視覺幾何群網(wǎng)絡(luò)架構(gòu)和線性分類器構(gòu)建細(xì)粒度二分類網(wǎng)絡(luò)；

S42：設(shè)計細(xì)粒度二分類網(wǎng)絡(luò)的損失函數(shù)：

其中，X_original表示將一張單色圖片先后經(jīng)過所述視覺幾何群網(wǎng)絡(luò)架構(gòu)和所述線性分類器后得到的特征，X_part表示將該單色圖片 裁剪而成的圖片矩陣先后經(jīng)過所述視覺幾何群網(wǎng)絡(luò)架構(gòu)和所述線性分類器后得到的特征，y表示人工標(biāo)注的該單色圖片的狀態(tài)，softmax表示softmax函數(shù)，γ表示隨機(jī)部分特征占的權(quán)重，dist表示向量之間的距離函數(shù)；

(3)二分類計算

S5：基于所述雙向級聯(lián)迭代生成網(wǎng)絡(luò)、所述顏色分割算法和完成訓(xùn)練、測試的所述細(xì)粒度二分類網(wǎng)絡(luò)，對青蒿素提純過程中的第二實時圖像T進(jìn)行識別與分析，輸出控制閥門開和關(guān)的二分類結(jié)果。

2.如權(quán)利要求1所述的一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法，其特征在于：在所述步驟S2中，所述雙向級聯(lián)迭代生成網(wǎng)絡(luò)包括上網(wǎng)絡(luò)結(jié)構(gòu)和下網(wǎng)絡(luò)結(jié)構(gòu)；所述上網(wǎng)絡(luò)結(jié)構(gòu)包括基于卷積層的第一特征提取網(wǎng)絡(luò)和基于反卷積層的第一圖像生成網(wǎng)絡(luò)，所述下網(wǎng)絡(luò)結(jié)構(gòu)包括基于卷積層的第二特征提取網(wǎng)絡(luò)和基于反卷積層的第二圖像生成網(wǎng)絡(luò)；

所述第一特征提取網(wǎng)絡(luò)和所述第二特征提取網(wǎng)絡(luò)分別用于提取初始噪聲圖像N和第一實時圖像I的特征，所述第一圖像生成網(wǎng)絡(luò)和所述第二圖像生成網(wǎng)絡(luò)分別用于基于所述第一特征提取網(wǎng)絡(luò)和所述第二特征提取網(wǎng)絡(luò)提取的特征生成所述真實噪聲圖像N’和所述高質(zhì)量圖像G’；所述真實噪聲圖像N’和所述高質(zhì)量圖像G’相加得到真實實時圖像I′。

3.如權(quán)利要求2所述的一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法，其特征在于，所述第一實時圖像I與所述真實實時圖像I′之間的損失函數(shù)為：

其中，I′_t表示每次迭代后生成的真實實時圖像，表示每次迭代前第一實時圖像I與迭代后真實實時圖像I′_t之間的損失，α為第一超參數(shù)，n為迭代次數(shù)。

4.如權(quán)利要求2所述的一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法，其特征在于，所述標(biāo)準(zhǔn)實時圖像G與所述高質(zhì)量圖像G’之間的損失函數(shù)為：

其中，G′_t表示每次迭代后生成的高質(zhì)量圖像，表示每次迭代前標(biāo)準(zhǔn)實時圖像G與迭代后圖像G′_t之間的損失，β為第二超參數(shù)，n為迭代次數(shù)。

5.如權(quán)利要求2～4任一項所述的一種基于機(jī)器視覺的青蒿素萃取智能跟蹤與識別方法，其特征在于：在將所述第一實時圖像I、所述標(biāo)準(zhǔn)實時圖像G輸入至所述雙向級聯(lián)迭代生成網(wǎng)絡(luò)前，進(jìn)行切幀處理，并對切幀后的所述第一實時圖像I進(jìn)行高斯濾波。