[發(fā)明專利]一種毒駕試紙圖像分割模型、定位分割方法及便攜式裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110559673.0
• 申請(qǐng)日: 2021-05-21
• 公開（公告）號(hào): CN113496482B
• 公開（公告）日: 2022-10-04
• 發(fā)明（設(shè)計(jì)）人: 林楠;陳永霞;吳爽;趙博學(xué);許逸楠;劉夢(mèng)迪;張艷青
• 申請(qǐng)（專利權(quán)）人: 鄭州大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/12;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 鄭州德勤知識(shí)產(chǎn)權(quán)代理有限公司 41128
• 代理人: 黃紅梅

1.一種毒駕試紙圖像的定位分割方法，其特征在于：

網(wǎng)絡(luò)模型訓(xùn)練

步驟1：使用攝像設(shè)備對(duì)檢測(cè)試紙進(jìn)行拍攝，得到原始圖像；

步驟2：對(duì)原始圖像的尺寸進(jìn)行篩選，并對(duì)圖像進(jìn)行旋轉(zhuǎn)、加噪聲等操作，擴(kuò)充圖像數(shù)量，從中隨機(jī)選取70%作為訓(xùn)練數(shù)據(jù)集；

步驟3：將訓(xùn)練集圖像進(jìn)行標(biāo)簽操作，使用labelme工具標(biāo)注原始圖像中需要進(jìn)行定位分割的區(qū)域，得到標(biāo)簽圖像，與原始圖像形成圖像對(duì)；

步驟4：構(gòu)建DrugSegNet毒駕試紙圖像分割模型，選用損失函數(shù)，確定網(wǎng)絡(luò)模型；

其中，DrugSegNet毒駕試紙圖像分割模型，采用編碼器-解碼器網(wǎng)絡(luò)架構(gòu)；

在編碼器網(wǎng)絡(luò)部分，首先采用單層卷積提取圖像特征，之后將圖像特征逐漸傳遞至后續(xù)的三個(gè)采用跳層連接的卷積塊ConvBlock，三個(gè)卷積塊ConvBlock都由兩組滑動(dòng)步長(zhǎng)為1的卷積層組合而成；

第一個(gè)卷積塊中一組卷積采用64個(gè)1x1大小的卷積核進(jìn)行特征提取，第二組采用64個(gè)1x3和3x1大小的卷積核進(jìn)行特征提取，之后進(jìn)行特征疊加組合；

第二個(gè)卷積塊中一組卷積采用128個(gè)1x1大小的卷積核進(jìn)行特征提取，第二組采用128個(gè)1x3和3x1大小的卷積核進(jìn)行特征提取，之后進(jìn)行特征疊加組合；

第三個(gè)卷積塊中一組卷積采用256個(gè)1x1大小的卷積核進(jìn)行特征提取，第二組采用256個(gè)1x3和3x1大小的卷積核進(jìn)行特征提取，之后進(jìn)行特征疊加組合；

并且，在第一個(gè)卷積塊后，不進(jìn)行池化操作，在第二和第三個(gè)卷積塊之后采用最大池化層；

在解碼器網(wǎng)絡(luò)部分，包括五個(gè)上采樣組；

第一個(gè)上采樣組由依次連接的零填充層Zero-padding、卷積層Conv和批量標(biāo)準(zhǔn)化層BN組成，包括512個(gè)大小為3x3，滑動(dòng)步長(zhǎng)為1的卷積核；

第二個(gè)上采樣組由依次連接的上采樣層Up-Samping、零填充層Zero-padding、卷積層Conv和批量標(biāo)準(zhǔn)化層BN組成，卷積核的數(shù)量為256，大小為3x3，滑動(dòng)步長(zhǎng)為1；

第三個(gè)上采樣組由依次連接的上采樣層Up-Samping、零填充層Zero-padding、卷積層Conv和批量標(biāo)準(zhǔn)化層BN組成，卷積核的數(shù)量為128，大小為3x3，滑動(dòng)步長(zhǎng)為1；

第四個(gè)上采樣組由依次連接的上采樣層Up-Samping、零填充層Zero-padding、卷積層Conv和批量標(biāo)準(zhǔn)化層BN組成，卷積核的數(shù)量為64，大小為3x3，滑動(dòng)步長(zhǎng)為1；

第五個(gè)上采樣組，采用單獨(dú)卷積操作，卷積核的數(shù)量為2，大小為3x3，滑動(dòng)步長(zhǎng)為1；

在編碼器網(wǎng)絡(luò)部分，所述單層卷積包括依次連接的卷積層Conv、批量標(biāo)準(zhǔn)化層BN、激活層Ac和池化層Max-pooling；

其中，激活層Ac的激活函數(shù)采用修正線性單元Relu，Relu函數(shù)的公式為：；

批量標(biāo)準(zhǔn)化層BN能夠?qū)斎雸D像數(shù)據(jù)進(jìn)行歸一化處理：；

經(jīng)過歸一化后，通過引入β、γ兩個(gè)參數(shù)，再將數(shù)據(jù)送入下一層，即會(huì)對(duì)上層所學(xué)習(xí)到的特征形成重新特征分布：；

步驟5：將原始圖像和標(biāo)簽圖像一起作為輸入，送入網(wǎng)絡(luò)模型，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練；

步驟6：在模型訓(xùn)練完成后，進(jìn)行模型測(cè)試；其中，原始圖像集中剩余的20%作為測(cè)試集，10%作為驗(yàn)證集，測(cè)試該模型對(duì)于圖像中區(qū)域的定位分割效果，最終獲得訓(xùn)練好的網(wǎng)絡(luò)模型；

試紙圖像定位分割

步驟7，將待測(cè)原始圖像作為輸入圖像，輸入已訓(xùn)練好的網(wǎng)絡(luò)模型；

步驟8，網(wǎng)絡(luò)模型進(jìn)行計(jì)算后，輸出該圖像中有效試紙區(qū)域。

2.一種便攜式毒駕識(shí)別裝置，包括攝像頭和圖像識(shí)別裝置，其特征在于：

所述攝像頭用于對(duì)檢測(cè)試紙進(jìn)行拍攝，得到原始圖像；

圖像識(shí)別裝置，用于根據(jù)嵌入的已訓(xùn)練好的權(quán)利要求1所述的DrugSegNet毒駕試紙圖像分割模型，輸出該圖像中有效試紙區(qū)域。