一种高速运动滤棒爆珠检测与定位方法技术

本发明专利技术公开了一种高速运动滤棒爆珠检测与定位方法，首先采集高速运动滤棒爆珠图像，对图像进行预处理，利用边缘检测方法得到目标的初步像素点区域，再使用聚类算法得到前景类和背景类区域，与之前得到的目标区域进行交集运算确定目标的准确像素点区域，然后对图像进行标注，合理生成样本训练集、验证集与测试集，搭建包含SPP结构和SE模块的深度卷积神经网络，完成对不同尺寸特征图的融合，赋予每个通道自适应权重，实现对目标的准确检测和定位，本发明专利技术的方法结合边缘检测和图像聚类两种方式，准确定位目标区域，去除干扰且方便标注，根据不同的样本种类调节获取目标区域方法及网络结构，在样本的训练后可较高地保证检测率，实现目标的准确定位。实现目标的准确定位。实现目标的准确定位。

【技术实现步骤摘要】
一种高速运动滤棒爆珠检测与定位方法


[0001]本专利技术属于目标检测
，具体涉及一种高速运动滤棒爆珠检测与定位方法。

技术介绍

[0002]目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别或位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。在目标检测中普通物体的检测算法研究已经较为成熟，而高速运动物体的目标检测方法由于其成像拖影和难以标注的特点，其人为提取特征准确性较低，给常规图像识别方法带来困难，成为目标检测领域中亟待需攻克的一个难题。
[0003]传统目标检测的算法主要是基于图像的处理。虽然传统目标检测算法在特定场景下有着不错的性能，但是其检测速度、检测精度和泛化能力都不能达到现代目标检测的要求。因此基于深度学习的目标检测算法成为目标检测的主流算法。近年来，目标检测算法已从最开始应用广泛的二阶段网络拓展到一阶段网络，其中各具有代表性的RCNN和YOLO系列的网络对于目标检测的发展起到了举足轻重的作用，为高速物体的检测与定位提供有效的算法和方向。
[0004]文献“Chen Z,Wang R,Zhang Z,et al.Background
‑
Foreground Interaction for Moving Object Detection in Dynamic Scenes.Information Sciences,2019，4972”提出一种支持长期背景和短期前景交互的新机制，交互包括权重传递以及长期背景和短期前景模型之间的融合。这种交互式方法提高了运动目标检测的检测效果，防止了模型中的死锁和退化。但没有考虑目标的移动速度，只适用于特定的物体运动场景。
[0005]文献“Wan W,Tang S,Zhang H.Moving object detection based on high
‑
speed video sequence images，2019IEEE 8th Joint International Information Technology and Artificial Intelligence Conference(ITAIC)，Chongqing，China，2019，906
‑
910”研究了基于高速视频序列图像的运动目标检测问题，提出一种结合背景减法和帧差的改进混合检测方法，并利用阈值面积去噪和形态学滤波对移动物体进行后处理。该方法能够有效地检测高速视频序列图像中的运动物体。但没有进行数据的清洗与预处理，使得不能提取到更有效的目标特征，目标的表达能力没有充分利用。

技术实现思路

[0006]为解决上述技术问题，本专利技术提出了一种高速运动滤棒爆珠检测与定位方法。
[0007]本专利技术采用的技术方案为：一种高速运动滤棒爆珠检测与定位方法，具体步骤如下：
[0008]S1、采集高速运动滤棒爆珠图像；
[0009]S2、对步骤S1采集的高速运动滤棒爆珠图像进行预处理；
[0010]S3、对步骤S2得到的图像进行边缘检测，得到目标的初步像素点区域；
[0011]S4、对步骤S1采集的图像进行聚类，与步骤S3结果进行结合，得到目标的准确像素点区域；
[0012]S5、对步骤S4处理后的图像进行标注，合理生成样本训练集、验证集与测试集；
[0013]S6、结合空间金字塔池化结构(Spatial Pyramid Pooling，SPP)和压缩激励模块(Squeeze
‑
and
‑
Excitation，SE)，构建深度卷积神经网络；
[0014]S7、训练深度神经网络。
[0015]进一步地，所述步骤S1中，利用高速相机采集高速运动的滤棒爆珠RGB图像。
[0016]进一步地，所述步骤S2中，对步骤S1收集的RGB图像利用最大值方法进行灰度化。
[0017]进一步地，所述步骤S3中，利用S2步骤得到的灰度图和Sobel算子进行边缘检测，分离出灰度值变化较大的像素点，进而确定边缘得到目标初步的像素点区域，具体步骤如下：
[0018]Sobel边缘检测算子的表达式如下：
[0019][0020]Sobel边缘检测算子由两个3
×
3卷积因子Gu和Gv组成，分别用于横向和纵向的梯度计算。将其与灰度值图像作平面卷积，即可分别得出横向及纵向的灰度差分近似值，其计算表达式如下：
[0021][0022]其中，f(x,y)表示在图像(x,y)点处的灰度值，Gx(x,y)和Gy(x,y)分别表示在图像(x,y)点处横向和纵向的灰度梯度值。图像的每一个像素的横向与纵向灰度梯度值通过以下公式结合，来计算该点灰度变化的总值：
[0023][0024]若某点梯度G大于某一阈值，则认为该点为边缘点，利用Sobel边缘检测算子对全部的点求灰度梯度总值后，根据阈值即可得到全部的边缘点位置，从而得到初步的目标和背景区域。
[0025]进一步地，所述步骤S4中，对步骤S1采集的高速运动滤棒爆珠图像使用迭代自组织聚类算法(Iterative Self
‑
organizing Data Analysis Techniques Algorithm，ISODATA)进行聚类，得到的聚类结果分为前景类和背景类，再与步骤S3得到的目标区域进行交集运算，得到目标的准确像素点区域。
[0026]进一步地，所述步骤S5中，对步骤S4得到的图像进行标注，按照合理的比例构建训
练集、验证集与测试集，用于训练和性能测试。
[0027]进一步地，所述步骤S6中，所述的深度卷积神经网络，主要由卷积层构成，且引入SPP结构和SE模块，输入图像经过若干卷积层提取特征后，输入到SPP模块进行不同尺寸特征图的融合，而后经过SE模块，将特征图的每一个通道赋予自适应的权重，再经过卷积层得到最后的特征图及输出。
[0028]进一步地，所述步骤S7中，将步骤S5得到的训练集输入步骤S6构建的深度卷积神经网络进行前向传播，计算代价函数值，使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新，迭代进行前后向传播，直至代价函数收敛，具体步骤如下：
[0029]S71、前向传播，
[0030]以表示第l层(l≥2)第t个特征图，若第l层为卷积层，则：
[0031][0032]其中，表示连接第s个输入特征图和第t个输出特征图的卷积核，表示偏置项，σ(
·
)表示非线性激活函数，符号“*”表示卷积运算。
[0033]若第l层为最大池化层，则：
[0034][0035]其中，表示第l层(l≥2)第t个特征图中表示(x
′
,y
′
)位置的坐标值，r1、r2表示池化窗口的大小，u、v表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速运动滤棒爆珠检测与定位方法，具体步骤如下：S1、采集高速运动滤棒爆珠图像；S2、对步骤S1采集的高速运动滤棒爆珠图像进行预处理；S3、对步骤S2得到的图像进行边缘检测，得到目标的初步像素点区域；S4、对步骤S1采集的图像进行聚类，与步骤S3结果进行结合，得到目标的准确像素点区域；S5、对步骤S4处理后的图像进行标注，合理生成样本训练集、验证集与测试集；S6、结合SPP结构和SE模块，构建深度卷积神经网络；S7、训练深度神经网络。2.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S1中，利用高速相机采集高速运动的滤棒爆珠RGB图像。3.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S2中，对步骤S1收集的RGB图像利用最大值法进行灰度化。4.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S3中，利用S2步骤得到的灰度图和Sobel算子进行边缘检测，分离出灰度值变化较大的像素点，进而确定边缘得到目标的初步像素点区域。5.根据权利要求4所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S3中，具体步骤如下：Sobel边缘检测算子的表达式如下：Sobel边缘检测算子由两个3
×
3卷积因子Gu和Gv组成，分别用于横向和纵向的梯度计算，将其与灰度值图像作平面卷积，分别得出横向及纵向的灰度差分近似值，表达式如下：其中，f(x,y)表示在图像(x,y)点处的灰度值，Gx(x,y)和Gy(x,y)分别表示在图像(x,y)点处横向和纵向的灰度梯度值，图像的每一个像素的横向与纵向灰度梯度值通过下式结合，来计算该点灰度变化的总值：若某点梯度G大于某一阈值，则认为该点为边缘点，利用Sobel边缘检测算子对全部的点求灰度梯度总值后，根据阈值得到全部的边缘点位置，从而得到初步的目标和背景区域。6.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步
骤S4中，具体步骤如下：对步骤S1采集的高速运动滤棒爆珠图像使用ISODATA算法进行聚类，得到的聚类结果分为前景类和背景类，再与步骤S3得到的目标区域进行交集运算，得到目标的准确像素点区域。7.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S5中，对步骤S4得到的图像进行标注，构建训练集、验证集与测试集，用于训练和性能测试；与/或；所述步骤S6中，输入图像经过若干卷积层提取特征后，输入到SPP模块进行不同尺寸特征图的融合，而后经过SE模块，将特征图的每一个通道赋予自适应的权重，再经过卷积层得到最后的特征图及输出。8.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法，其特征在于，所述步骤S7中，具体步骤如下：将步骤S5得到的训练集输入步骤S6构建的深度卷积神经网络进行前向传播，计算代价函数值，使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更新，迭代进行前后向传播，直至代价函数收敛。9.根据权利要求8所述的一种高速运动滤棒爆珠检测与...

【专利技术属性】
技术研发人员：包毅，黄钰林，陶栩，刘泽林，柏焱炜，裴季方，屈建峰，张寅，霍伟博，吕浩然，杨建宇，
申请(专利权)人：四川三联新材料有限公司，
类型：发明
国别省市：