一种毒驾试纸图像分割模型、定位分割方法及便携式装置制造方法及图纸

本发明专利技术提供了一种毒驾试纸图像分割模型、定位分割方法及便携式装置，其中，图像分割模型采用编码器

【技术实现步骤摘要】
一种毒驾试纸图像分割模型、定位分割方法及便携式装置


[0001]本专利技术属于图像识别
，具体的说，涉及了一种毒驾试纸图像分割模型、定位分割方法及便携式装置。

技术介绍

[0002]目前针对驾驶员常用的毒驾检测方式包括实验室相关专业设备精准检测和便携设备道路稽查(如道路酒驾检测)。针对常规道路便携式检查常用试纸作为检测方式。免疫胶体金试纸条法是为提高检测的便捷性而设计的。国内对于机动车驾驶者的毒驾检测主要采用血液检测、尿液检测和唾液检测三种方式。相较于另外两种方式，唾液检测在毒检道路现场更为普遍。唾液检测采用的试纸检测方式，只需将待检测物质与试纸反应区接触即可完成检测，具有成本低、灵敏度高、方便快捷等特点。但是，目前毒驾道路检测中对唾检试纸的常用判断方式为目测法，目测法进行试纸反应色域的识别，会受到环境影响及人眼颜色识别的差异，且检测纸体积较小，其有效试纸显色区域小，仅仅依靠目测，检测结果缺乏准确性。
[0003]传统边缘检测算子是对图像进行边缘检测，之后分割出特定目标区域。而针对毒驾检测试纸图像，由于图像中可能存在试纸晕染或者裂缝等情况，导致边缘检测定位存在偏差，如图1，由于图像中存在细微裂缝，在寻找距离中心最远的角点时，角点定位出现错误；
[0004]也有采用深度学习方式构建网络模型，有效识别原始毒驾试纸检测图像中试纸区域位置，从而进行后续图像操作。全卷积神经网络FCN，首先是训练比较麻烦，需要训练三次才能得到初步的训练结果，而且得到的结果不精确，对图像的细节不够敏感，这是因为在恢复图像大小的过程中，输入上采样层的标签图太稀疏。其次是对各个像素进行分类，没有考虑像素之间的关系，缺乏空间一致性；U
‑
net网络，虽然对于医学图像分割具有较好的分割结果，但是网络冗余较大，当感受野选取较大的时候定位精度降低，当感受野较小时分类的精度就会降低，导致分类准确度和定位精度不可兼得。
[0005]因此，需要提供一种轻量化的同时能够保证模型具有较高识别准确率，且识别不会受试纸晕染以及试纸外壳裂缝等影响，具有较好抗干扰能力的神经网络模型。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供一种毒驾试纸图像分割模型、定位分割方法及便携式装置。
[0007]为了实现上述目的，本专利技术所采用的技术方案是：
[0008]本专利技术第一方面提供了一种DrugSegNet毒驾试纸图像分割模型，采用编码器
‑
解码器网络架构；
[0009]在编码器网络部分，首先采用单层卷积提取图像特征，之后将图像特征逐渐传递至后续的三个采用跳层连接的卷积块ConvBlock，三个卷积块 ConvBlock都由两组滑动步
长为1的卷积层组合而成；
[0010]第一个卷积块中一组卷积采用64个1x1大小的卷积核进行特征提取，第二组采用64个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
[0011]第二个卷积块中一组卷积采用128个1x1大小的卷积核进行特征提取，第二组采用128个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
[0012]第三个卷积块中一组卷积采用256个1x1大小的卷积核进行特征提取，第二组采用256个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
[0013]并且，在第一个卷积块后，不进行池化操作，在第二和第三个卷积块之后采用最大池化层；
[0014]在解码器网络部分，包括五个上采样组；
[0015]第一个上采样组由依次连接的零填充层Zero
‑
padding、卷积层Conv和批量标准化层BN组成，包括512个大小为3x3，滑动步长为1的卷积核；
[0016]第二个上采样组由依次连接的上采样层Up
‑
Samping、零填充层 Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为256，大小为3x3，滑动步长为1；
[0017]第三个上采样组由依次连接的上采样层Up
‑
Samping、零填充层 Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为128，大小为3x3，滑动步长为1；
[0018]第四个上采样组由依次连接的上采样层Up
‑
Samping、零填充层 Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为64，大小为3x3，滑动步长为1；
[0019]第五个上采样组，采用单独卷积操作，卷积核的数量为2，大小为3x3，滑动步长为1。
[0020]基于上述，在编码器网络部分，所述单层卷积包括依次连接的卷积层 Conv、批量标准化层BN、激活层Ac和池化层Max
‑
pooling；
[0021]其中，激活层Ac的激活函数采用修正线性单元Relu，Relu函数的公式为：Relu(x)＝max(x,0)；
[0022]批量标准化层BN对输入图像数据进行归一化处理：
[0023]经过归一化后，通过引入β、γ两个参数，再将数据送入下一层，即会对上层所学习到的特征形成重新特征分布：
[0024]本专利技术第二方面提供一种毒驾试纸图像的定位分割方法，包括：
[0025]网络模型训练
[0026]步骤1：使用摄像设备对检测试纸进行拍摄，得到原始图像；
[0027]步骤2：对原始图像的尺寸进行筛选，并对图像进行旋转、加噪声等操作，扩充图像数量，从中随机选取70％作为训练数据集；
[0028]步骤3：将训练集图像进行标签操作，使用labelme工具标注原始图像中需要进行定位分割的区域，得到标签图像，与原始图像形成图像对；
[0029]步骤4：构建所述的DrugSegNet毒驾试纸图像分割模型，选用损失函数，确定网络模型；
[0030]步骤5：将原始图像和标签图像一起作为输入，送入网络模型，进行神经网络模型训练；
[0031]步骤6：在模型训练完成后，进行模型测试；其中，原始图像集中剩余的 20％作为测试集，10％作为验证集，测试该模型对于图像中区域的定位分割效果，最终获得训练好的网络模型；
[0032]试纸图像定位分割
[0033]步骤7，将待测原始图像作为输入图像，输入已训练好的网络模型；
[0034]步骤8，网络模型进行计算后，输出该图像中有效试纸区域。
[0035]本专利技术第三方面提供了一种便携式毒驾识别装置，包括摄像头和图像识别装置，所述摄像头用于对检测试纸进行拍摄，得到原始图像；图像识别装置，用于根据嵌入的已训练好的所述的DrugSegNet毒驾试纸图像分割模型，输出该图像中有效试纸区域。
[0036]本专利技术相对现有技术具有突出的实质性特点和显著进步，具体的说，本专利技术具备以下有益效果：...

【技术保护点】

【技术特征摘要】
1.一种DrugSegNet毒驾试纸图像分割模型，其特征在于：采用编码器
‑
解码器网络架构；在编码器网络部分，首先采用单层卷积提取图像特征，之后将图像特征逐渐传递至后续的三个采用跳层连接的卷积块ConvBlock，三个卷积块ConvBlock都由两组滑动步长为1的卷积层组合而成；第一个卷积块中一组卷积采用64个1x1大小的卷积核进行特征提取，第二组采用64个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；第二个卷积块中一组卷积采用128个1x1大小的卷积核进行特征提取，第二组采用128个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；第三个卷积块中一组卷积采用256个1x1大小的卷积核进行特征提取，第二组采用256个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；并且，在第一个卷积块后，不进行池化操作，在第二和第三个卷积块之后采用最大池化层；在解码器网络部分，包括五个上采样组；第一个上采样组由依次连接的零填充层Zero
‑
padding、卷积层Conv和批量标准化层BN组成，包括512个大小为3x3，滑动步长为1的卷积核；第二个上采样组由依次连接的上采样层Up
‑
Samping、零填充层Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为256，大小为3x3，滑动步长为1；第三个上采样组由依次连接的上采样层Up
‑
Samping、零填充层Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为128，大小为3x3，滑动步长为1；第四个上采样组由依次连接的上采样层Up
‑
Samping、零填充层Zero
‑
padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为64，大小为3x3，滑动步长为1；第...

【专利技术属性】
技术研发人员：林楠，陈永霞，吴爽，赵博学，许逸楠，刘梦迪，张艳青，
申请(专利权)人：郑州大学，
类型：发明
国别省市：