[發(fā)明專利]基于圖像處理的機制砂石粉的檢測建模、檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110472418.2
• 申請日: 2021-04-29
• 公開（公告）號: CN113270156B
• 公開（公告）日: 2022-11-15
• 發(fā)明（設(shè)計）人: 張亞剛;袁皓琛;李偉;高堯;田過勤;耿方圓;竇輝;石麗
• 申請（專利權(quán)）人: 甘肅路橋建設(shè)集團有限公司;長安大學(xué)
• 主分類號: G16C60/00
• 分類號: G16C60/00;G06T7/136;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G06T5/50
• 代理公司: 西安恒泰知識產(chǎn)權(quán)代理事務(wù)所 61216
• 代理人: 王芳

1.基于圖像處理的機制砂石粉的檢測建模方法，其特征在于，包括如下步驟：

步驟1：獲取原始機制砂圖像集，對原始機制砂圖像集進行預(yù)處理，得到機制砂圖像集；對每張原始機制砂圖像中的石粉區(qū)域進行標注，獲得標注后的掩膜圖像集；

步驟2：建立卷積神經(jīng)網(wǎng)絡(luò)，所述的卷積神經(jīng)網(wǎng)絡(luò)包括 特征提取層、特征選擇層、特征優(yōu)化層和特征還原層；

所述的特征提取層用于對輸入圖像進行特征提取，輸出多通道特征圖，所述的特征提取層包括多個連續(xù)的標準殘差卷積塊；

所述的特征選擇層用于從多通道特征圖篩選出低通道特征圖，所述的特征選擇層包括多個特征算子，所述的特征算子包括光照強度算子、對比度算子、幾何變化算子和砂粉邊緣細節(jié)算子；

所述的特征優(yōu)化層用于對低通道特征圖進行強化增強并進行特征融合，得到融合的增強特征圖，所述的特征優(yōu)化層包括多個特征提升算子，所述的特征提升算子包括光照強度提升算子、對比度提升算子、隨機幾何變化算子和邊緣細節(jié)提升算子；

所述的特征還原層包括四層反向卷積層和softmax層，所述的反向卷積層用于壓縮融合的增強特征圖的通道數(shù)并提升壓縮增強特征圖的尺寸，所述的softmax層用于生成二值化檢測圖；

步驟3：將機制砂圖像集作為訓(xùn)練集，將標注的掩膜圖像集作為標簽集對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練好的模型作為機制砂石粉檢測模型；

步驟1中所述預(yù)處理包括：以放大20倍的倍數(shù)采集原始機制砂圖像，對原始機制砂圖像依次進行無損放大、強化紋理細節(jié)、濾波和輪廓提取操作；

步驟1中對每張原始機制砂圖像中的石粉區(qū)域進行標注是指將預(yù)處理過的圖像使用掩膜圖像標注軟件，對石粉區(qū)域進行像素級別標注，獲得標注的掩膜圖像；

所述特征提取層采用3個連續(xù)的標準殘差卷積塊，所述多通道特征圖的通道數(shù)為64、128或256。

2.基于圖像處理的機制砂石粉檢測方法，其特征在于，包括如下步驟：

步驟一：獲取待檢測的原始機制砂圖像，對待檢測的原始機制砂圖像進行預(yù)處理，得到待檢測的機制砂圖像；

步驟二：將待檢測的機制砂圖像輸入如權(quán)利要求1所述的基于圖像處理的機制砂石粉的檢測建模方法得到的機制砂石粉檢測模型中，輸出該待檢測的機制砂圖像的二值化檢測圖。

3.基于圖像處理的機制砂石粉檢測系統(tǒng)，其特征在于，包括圖像采集模塊、模型建立模塊、模型訓(xùn)練模塊和檢測模塊；

所述的圖像采集模塊用于獲取原始機制砂圖像集，對原始機制砂圖像集進行預(yù)處理，得到機制砂圖像集；對每張原始機制砂圖像中的石粉區(qū)域進行標注，獲得標注后的掩膜圖像集；

所述的模型建立模塊用于建立卷積神經(jīng)網(wǎng)絡(luò)，所述的卷積神經(jīng)網(wǎng)絡(luò)包括 特征提取層、特征選擇層、特征優(yōu)化層和特征還原層；

所述的特征提取層用于對輸入圖像進行特征提取，輸出多通道特征圖，所述的特征提取層包括多個連續(xù)的標準殘差卷積塊；

所述的特征選擇層用于從多通道特征圖篩選出低通道特征圖，所述的特征選擇層包括多個特征算子，所述的特征算子包括光照強度算子、對比度算子、幾何變化算子和砂粉邊緣細節(jié)算子；

所述的特征優(yōu)化層用于對低通道特征圖進行強化增強并進行特征融合，得到融合的增強特征圖，所述的特征優(yōu)化層包括多個特征提升算子，所述的特征提升算子包括光照強度提升算子、對比度提升算子、隨機幾何變化算子和邊緣細節(jié)提升算子；

所述的特征還原層包括四層反向卷積層和softmax層，所述的反向卷積層用于壓縮融合的增強特征圖的通道數(shù)并提升壓縮增強特征圖的尺寸，所述的softmax層用于生成二值化檢測圖；

所述的模型訓(xùn)練模塊用于將機制砂圖像集作為訓(xùn)練集，將標注的掩膜圖像集作為標簽集對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練好的模型作為機制砂石粉檢測模型；

所述的檢測模塊用于獲取待檢測的原始機制砂圖像，對待檢測的原始機制砂圖像進行預(yù)處理，得到待檢測的機制砂圖像；將待檢測的機制砂圖像輸入 機制砂石粉檢測模型中，輸出該待檢測的機制砂圖像的二值化檢測圖；

所述預(yù)處理包括：以放大20倍的倍數(shù)采集原始機制砂圖像，對原始機制砂圖像依次進行無損放大、強化紋理細節(jié)、濾波和輪廓提取操作；

所述特征提取層采用3個連續(xù)的標準殘差卷積塊，所述多通道特征圖的通道數(shù)為64、128或256。