一种基于Spiking神经网络的无接触液位检测方法技术

本发明专利技术公开了一种基于Spiking神经网络的无接触液位检测方法，涉及图像处理领域，从视频中提取有效静态信息与动态信息；将得到的信息转换为脉冲序列；利用spiking神经元构建多层神经网络；设定spiking神经元参数；将所述脉冲序列作为输入，在液面即将到达容器口时释放脉冲信号；本方法将SNN与图像处理的方法相结合，应用于无接触液位检测，为智能检测设备轻量化、边缘化提供了新思路，同时扩展了基于spiking神经网络的类脑芯片的应用范围。spiking神经网络的类脑芯片的应用范围。spiking神经网络的类脑芯片的应用范围。

【技术实现步骤摘要】
一种基于Spiking神经网络的无接触液位检测方法


[0001]本专利技术涉及图像处理领域，更具体的是涉及一种基于Spiking神经网络的无接触液位检测方法。

技术介绍

[0002]液位检测是通过接触或非接触手段检测液面相对于容器口位置的方法。液体表面通常在静止情况下水平，但存在沸腾或起泡的情况。液位检测方法分为接触式和非接触式两类。尽管接触式方法精度较高，但是该方法要求探测器件与液体相互接触，不符合食品安全相关规定。非接触式方法包括压力、红外、图像、声学等多种方法。
[0003]图像处理是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。
[0004]卷积神经网络(CNN)是一种多层神经网络，擅长处理图像特别是大型图像的相关机器学习问题。卷积网络通过一系列的卷积和池化，从浅层提取局部频繁相似的特征，从深层提取全局抽象的特征。池化过程成功地解决了图像识别中数据量大的问题，实现了降维。通过提取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Spiking神经网络的无接触液位检测方法，其特征在于，包括以下步骤步骤1：将摄像头采集到的视频数据转换为脉冲序列；步骤2：设定spiking神经元参数，利用Spiking神经元构建检测网络；步骤3：将脉冲序列输入Spiking神经网络，得到视频数据的检测结果。2.根据权利要求1所述的一种基于Spiking神经网络的无接触液位检测方法，其特征在于，所述步骤1具体为：步骤11：设定摄像头拍摄的视频分辨率为HxW，帧速率为R帧/秒，视频采样间隔为step秒；步骤12：针对视频中的第t时刻的图片使用边缘提取算法，得到的边缘矩阵E(x,y,t)；步骤13：根据边缘矩阵E，通过阈值编码得到边缘脉冲序列Se(x,y,t)；步骤14：将视频中的第t时刻图片和第t+step时刻图片做帧差，得到帧差矩阵D(x,y,t)；步骤15：利用阈值编码将帧差矩阵编码为液面脉冲序列Sl(x,y,t)。3.根据权利要求2所述的一种基于Spiking神经网络的无接触液位检测方法，其特征在于，所述步骤13中的阈值编码的具体方法为：设置阈值θ，当待编码数据x大于等于阈值θ时，将数据x编码为1，即发放一次脉冲；反之，则编码为0，即不发放脉冲。4.根据权利要求1所述的一种基于Spikin...

【专利技术属性】
技术研发人员：屈鸿，陈一，张司霖，刘汉文，罗笑玲，张马路，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：