[發明專利]基于邊緣計算的水下鬼成像系統及深度學習圖像重建方法

有效

• 申請號: 202110594841.X
• 申請日: 2021-05-28
• 公開（公告）號: CN113192154B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 吳衡;楊鵬;陳梅云;羅劭娟;吳文昊;趙瑞通;鄧健峰;徐利民
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/13;G06T5/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉曉娟

1.一種基于邊緣計算的水下鬼成像系統，其特征在于，包括：光源、光調制裝置、投影透鏡、會聚透鏡、光強探測器、邊緣計算模塊和云計算中心；

所述邊緣計算模塊的第一端與光調制裝置連接，用于向所述光調制裝置發送散斑，所述散斑為：傅里葉正弦散斑；

所述光源：用于向所述光調制裝置的有效調制區域發射光線；

所述光調制裝置：用于通過散斑對光線進行調制并對調制后的光線進行反射，使得反射的光線沿著所述投影透鏡的光軸通過投影透鏡后，射向水體中的目標物；

所述會聚透鏡：用于會聚經所述目標物反射的光線；

所述光強探測器：用于對會聚后的光線的光強度信息進行采集；

所述邊緣計算模塊的第二端與所述光強探測器連接，用于控制所述光強探測器采集光強度信息，并根據所述光強度信息通過深度學習圖像重建算法獲取目標物的圖像；

所述云計算中心與所述邊緣計算模塊通信連接；

所述云計算中心：用于當所述目標物的圖像的像素尺寸大于預置尺寸時根據所述光強度信息通過深度學習圖像重建算法獲取目標物的圖像。

2.根據權利要求1所述的基于邊緣計算的水下鬼成像系統，其特征在于，還包括：云儲存平臺；所述云儲存平臺分別與云計算中心和所述邊緣計算模塊通信連接；

所述云儲存平臺用于：存儲所述目標物的圖像。

3.根據權利要求2所述的基于邊緣計算的水下鬼成像系統，其特征在于，還包括：顯示終端，所述顯示終端與所述云儲存平臺通信連接；

所述顯示終端用于：接收所述云儲存平臺發送的所述目標物的圖像，并對所述目標物的圖像進行顯示。

4.根據權利要求1所述的基于邊緣計算的水下鬼成像系統，其特征在于，所述會聚透鏡安裝在所述光強探測器的正前方，使得所述會聚透鏡的焦點處于所述光強探測器的有效探測區域中心。

5.一種深度學習圖像重建方法，應用于如權利要求1至4任一項所述的基于邊緣計算的水下鬼成像系統，其特征在于，包括：

將散斑序列加載到光調制裝置上對光線進行調制，并將調制后的光線通過投影透鏡射向目標物，所述散斑為：傅里葉正弦散斑；

對被會聚透鏡會聚至光強探測器的光線進行光強度探測，得到光強度序列；

通過數據集對神經網絡模型進行訓練，在對神經網絡模型進行訓練的過程中，加入張噪聲級圖，其中第張噪聲級圖的像素值均為，，是在范圍內隨機生成，并用ADAM函數對損失函數進行優化，直至訓練達到預置次數，得到訓練后的神經網絡模型參數；

將所述光強度序列輸入到訓練后的神經網絡模型中，輸出目標物的圖像；

其中，所述神經網絡模型表示為：

；

上式表示利用隱函數在一維光場強序列和輸出目標物的圖像之間建立映射關系，表示神經網絡模型參數，表示第個用于訓練的原始目標物圖像，是對應目標物圖像的一維光場強度序列，為一維光場強度序列。

6.根據權利要求5所述的深度學習圖像重建方法，其特征在于，所述數據集的制作過程為：

取張像素尺寸為的不同灰度圖像作為原始目標物圖像，對于第張原始目標物圖像，通過計算得到一維光場強度序列；

式中，表示第個光場強度值，，是測量總數。

7.根據權利要求5所述的深度學習圖像重建方法，其特征在于，所述神經網絡模型參數表示為：

式中，表示2-范數，是正則化參數，表示第個用于訓練的原始目標物圖像，是對應目標物圖像的一維光場強度序列，為原始目標物圖像的數據集中數據總量，為損失函數，為優化后的所述神經網絡模型參數。

8.根據權利要求5所述的深度學習圖像重建方法，其特征在于，所述損失函數表示為：

；

式中，表示第個用于訓練的原始目標物圖像，是對應目標物圖像的一維光場強度序列，為原始目標物圖像的數據集中數據總量。