一种基于AA R2Unet和HMM的香烟滤棒计数方法技术

本发明专利技术公开了一种基于AA R2Unet和HMM的香烟滤棒计数方法，本发明专利技术利用U‑net网络模型进行训练，准确识别滤棒目标和背景。因此，根据识别出的二值化图像，提出了滤棒分布特征的结构单元填充和圆切线搜索策略，实验结果表明，该算法在检测精度和检测范围上都取得了很大的进步。

【技术实现步骤摘要】
一种基于AAR2Unet和HMM的香烟滤棒计数方法
本专利技术涉及香烟滤棒计数
，具体为一种基于AAR2Unet和HMM的香烟滤棒计数方法。
技术介绍
工业现场常常需要对复杂环境下密集小目标进行精确识别。实际生产中对于批量识别还是采用精度较低的随机抽样人工识别保证质量规格一致。批量密集目标识别，常常会遇到目标间粘连、目标与背景对比度低、目标遭到阴影遮挡、相机视场畸变等问题。这些问题严重影响图像识别精度，且现在主流识别方法都不能很好的解决。
技术实现思路
本专利技术的目的在于提供一种基于AAR2Unet和HMM的香烟滤棒计数方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于AAR2Unet和HMM的香烟滤棒计数方法，包括以下步骤：A、建立AAR2Unet网络对采集的滤棒图片进行目标分割，获取仅包含滤棒目标的图像；B、基于HMM的优化搜索算法；C、采用结构元填充的方法对滤棒目标进行计数。优选的，所述步骤A中，在Unet中加入了R2模块与Atte本文档来自技高网...

【技术保护点】
1.一种基于AA R2Unet和HMM的香烟滤棒计数方法，其特征在于：包括以下步骤：/nA、建立AA R2Unet网络对采集的滤棒图片进行目标分割，获取仅包含滤棒目标的图像；/nB、基于HMM的优化搜索算法；/nC、采用结构元填充的方法对滤棒目标进行计数。/n

【技术特征摘要】
1.一种基于AAR2Unet和HMM的香烟滤棒计数方法，其特征在于：包括以下步骤：
A、建立AAR2Unet网络对采集的滤棒图片进行目标分割，获取仅包含滤棒目标的图像；
B、基于HMM的优化搜索算法；
C、采用结构元填充的方法对滤棒目标进行计数。


2.根据权利要求1所述的一种基于AAR2Unet和HMM的香烟滤棒计数方法，其特征在于：所述步骤A中，在Unet中加入了R2模块与AttentionAugment模块；其中，Unet结构总体呈对称的U型结构，在设计时共包含12个单元(F1-F12),其中左侧F1-F6为收缩路径，主要用于特征的提取；右侧F6-F12为扩张路径，用于细节的恢复实现精准预测；R2模块主要包括了残差学习单元(Residuallearningunit)和递归卷积(Recurrentconvolution)。图3中的递归卷积表示在t＝0,t＝1,t＝2时刻以前一层的输出作为输入进行卷积并将结果相加。


3.根据权利要求2所述的一种基于AAR2Unet和HMM的香烟滤棒计数方法，其特征在于：所述AttentionAugment本质为通过查询得到一系列键-值对的映射；首先，通过对输入大小为(w,h,cin)的特征图进行1×1卷积输出QKV矩阵，其大小为(w,h,2*dk+dv)，其中w、h、2*dk+dV分别表示了矩阵的宽、长与深度；再从深度通道上对QKV矩阵进行分割，得到Q(Query)、K(Key)、V(Value)三个矩阵其深度通道大小分别为dk、dk、dv。接着，采用了多头注意力机制(Multi-HeadAttention)的结构，将Q、K、V三个矩阵分别从深度通道上分割为N个相等的矩阵进行后续的计算，这种多头注意力机制将原本单一的attention计算，扩展为较小且并行独立的多个计算，使得模型可以在不同的子空间内学习特征信息。


4.根据权利要求3所述的一种基于AAR2Unet和HMM的香烟滤棒计数方法，其特征在于：对于分割好的Q、K、V矩阵在进行扁平化处理生成Flat_Q、Flat_K、Flat_V三个矩阵，即对Q、K、V保持深度通道不变，从长宽方向对其进行压缩到1维，其中前两个矩阵的大小为(w*h,dk)，后一个矩阵大小为(w*h,dv)；接着，AttentionAugment保存了原先Self-Attention的做法使用Flat_Q、Flat_K两矩阵进行矩阵乘法运算，计算出权重矩阵，且在此基础上添加了相对位置嵌入的计算，通过对Q矩阵进行长宽两方向的权重计算得到特征图上每个点的相对位置信息，防止特征位置的变换而降低模型的最终效果；长宽两方向的相关位置信息分别通过Q矩阵与权重矩阵H和W内积得到，记为Sh和Sw，其中权重矩阵H和W通过模型的训练得出，大小为(wh,wh,1)。然后，将得到的三个矩阵相加并乘以尺度系数以防止计算结果过大；随后用softmax函数进行处理，即得到了最终的特征权重矩阵；最后，将该权重矩阵与V矩阵相乘并将结果reshape到原始长宽大小，再进行1×1的卷积操作，即可得到最终的注意力特征矩阵O；将注意力特征矩阵O和正常的卷积过程按深度方向进行拼接(concat)即可得到AttentionAugment的结果；注意力特征矩阵O的计算公式如下：





5.根...

【专利技术属性】
技术研发人员：张堃，韩宇，姜朋朋，朱翊晗，冯文宇，殷佳炜，华亮，李文俊，鲍毅，
申请(专利权)人：南通大学，杭州博拉哲科技有限公司，
类型：发明
国别省市：江苏;32