基于深度学习的全息粒子检测方法技术

本发明专利技术公开了一种基于深度学习的全息粒子检测方法，包括：采集粒子场全息图；数据增强；标注数据集，并将数据集分成训练数据集、测试数据集和验证数据集；在Keras深度学习框架上，构建Yolo检测模型，设计轻量化的密集连接网络提取粒子特征；将训练数据集输入到所述的深度学习模型进行训练，并用验证数据集验证所训练的网络，最后将训练好网络模型保存；将测试数据集输入到训练好的模型中，输出粒子的种类和空间位置信息。本发明专利技术相比于传统检测方法提高了粒子分类准确率，定位准确率和检测效率，降低了粒子误检率；该粒子检测方法相比于传统方法适用范围更广，在降低成本的同时，提高检测效率和实时性。

【技术实现步骤摘要】
基于深度学习的全息粒子检测方法
本专利技术属于光学测量
，更具体的是涉及一种基于深度学习的全息粒子检测方法。
技术介绍
粒子检测技术在生活中的应用越来越广泛，从工业生产到生活中的水质检测，空气中污染物检测等。这些生活中小粒子与我们自身的健康状态息息相关。传统的液体中微小粒子使用经典的库尔特阻抗法。空气中的小粒子检测则使用光学测量方法，想要识别具体粒子还要使用必须利用IR和UV波长照射粒子，紫外光可以引起荧光，IR可以引起散射，比率可以用于识别粒子。但这些方法和设备不仅计算效率比较低，而且相关设备也比较昂贵、大且笨重，因此不容易被公众得到。迫切需要一种廉价、重量轻和精度高且具有实时性能的粒子检测器。数字全息成像技术可以使用简单的激光器就可实现光路的搭建。数字全息成像技术所得到的图像不仅包含粒子的二维位置信息，而且还包含物体的折射率，动量以及速率、空间位置信息等。可以从一张全息像上得到粒子的种类信息和空间位置信息。但传统的全息重建算法应用场景受限，需要很多先验知识。当处于一个新的检测领域或者检测环境后，还要调试设备和算法参数以适应新的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的全息粒子检测方法，其特征在于，包括：/nS01、采集粒子场全息图；/nS02、图像增强；/nS03、标注数据集，并将数据集分成训练数据集、测试数据集和验证数据集；/nS04、在Keras深度学习框架上，构建Yolo检测模型，设计轻量化的密集连接网络提取粒子特征；/nS05、将训练数据集输入到所述的深度学习模型进行训练，并用验证数据集验证所训练的网络，最后将训练好网络模型保存；/nS06、将测试数据集输入到训练好的模型中，输出粒子的种类和空间位置信息。/n

【技术特征摘要】
1.一种基于深度学习的全息粒子检测方法，其特征在于，包括：
S01、采集粒子场全息图；
S02、图像增强；
S03、标注数据集，并将数据集分成训练数据集、测试数据集和验证数据集；
S04、在Keras深度学习框架上，构建Yolo检测模型，设计轻量化的密集连接网络提取粒子特征；
S05、将训练数据集输入到所述的深度学习模型进行训练，并用验证数据集验证所训练的网络，最后将训练好网络模型保存；
S06、将测试数据集输入到训练好的模型中，输出粒子的种类和空间位置信息。


2.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S01具体包括：
采用喷射装置向粒子场中喷射粒子，每个粒子距离相机位置50～250mm；
采用激光照射粒子，并采用高速相机拍摄粒子场得到全息图。


3.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S02具体包括：
对采集到的图像进行筛选，去除没有粒子，粒子图像模糊，光照不均匀的图像；
使用图像增强算法对筛选后的数据集进行处理，将数据集图片数量扩充为原来数量的二倍。


4.根...

【专利技术属性】
技术研发人员：赵雨强，王荟儒，蔡卫峰，胡浩，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32