基于YOLOv7和干涉成像技术的粒子形态识别方法技术

本发明专利技术公开了基于YOLOv7和干涉成像技术的粒子形态识别方法。本发明专利技术利用干涉粒子成像系统获取混合粒子场干涉离焦像制作数据集；将标注后的干涉离焦像划分为训练集、验证集和测试集；之后进行网络改进，将协同注意力模块加入到网络中以提高检测准确率；调整超参数，利用标注好的数据集进行训练和测试，训练200epochs后获取最优权重，最终实现对混合粒子场形态识别功能。本发明专利技术可以实现混合粒子场粒子形态的高精度识别，为云粒子场信息的获取提供技术支持。提供技术支持。提供技术支持。

【技术实现步骤摘要】
基于YOLOv7和干涉成像技术的粒子形态识别方法


[0001]本专利技术属于图像处理领域，特别涉及一种基于YOLOv7和干涉成像技术的粒子形态识别方法。

技术介绍

[0002]云和降水是水循环中的重要环节，在地球水循环发挥着重要的作用。云中液滴和冰晶可以相互转化，按照云粒子的微结构特征，将云分为冰云、水云和二者的混合物。云粒子的形态、尺寸等信息的获取是云微物理测量的关键。云粒子的形态判别对于云场中含水量或者含冰量信息的获取具有关键作用，这有利于人们更加精确地预测天气来规避气象灾害，并且对于揭示云的形成和发展过程、人工降雨等方面有巨大帮助。目前常用的粒子信息获取方式为干涉粒子成像(Interferometric Particle Imaging，IPI)技术。
[0003]干涉粒子成像是由1986年等人首次提出的基于颗粒散射光分布的测量方法。该方法通过Mie散射理论研究粒子直径与其散射光分布之间的关系，采用光强探测器接收粒子的散射光，进而获取粒子尺寸信息。IPI技术具有测量范围广、精度高、非接触等优点，适合进行云微物理测量。近年来，干涉粒子成像技术在粒子尺寸和形状测量、形态识别等方面有了广泛的应用。利用干涉粒子成像技术实现球形粒子判别方法中，专利CN105866013A提出《基于两幅激光干涉成像离焦干涉图的球形粒子判别方法》，该方法研究了透明球形粒子和透明椭球粒子的偏振特性，提出当偏振光照射粒子时，球形粒子具有保持偏振光的特性，而偏振光经过椭球粒子后其偏振态发生改变。建立了双接收系统，一路接收系统直接成像，在另一路接收系统前加入偏振器件，记录粒子场干涉离焦信息。加入偏振器件后在CCD2上只能看到椭球粒子的干涉离焦像。通过不同偏振态下干涉离焦像可实现球形和椭球形粒子的形态判别。但是该方法必须使用偏振器件，并且过程相对繁琐，不利于云粒子场信息的实时获取。
[0004]越来越多的学科领域开始与深度学习相结合。YOLO(You Only Look Once)系列是深度学习中经典的One
‑
Stage目标检测网络，相对于一些Two
‑
Stage网络(如R
‑
CNN系列)，它有着更高的性能与更低的检测时延。YOLOv7在2022年被Chien
‑
Yao Wang和Alexey Bochkovskiy提出，相对于YOLOv5的主要创新有：第一，在训练时采用多种“Free”训练技巧，提高了检测效果。“Free”意味着仅在训练过程中起作用，不增加推理过程的时间消耗。第二，有着更加高效的特征提取网络ELAN。第三，模型重参数化和标签分配策略。第四，模型缩放。但目前，现有技术中还没有使用YOLOv7对粒子进行形态判别的实例。使用该方法的难点在于：第一，数据集获取困难。实现对混合粒子场的形态识别，必须制作大量实验数据。由于球形粒子和粗糙粒子必须在同一像面内，制作时需要稀释球形粒子以及离散地放置粗糙粒子，放置在载玻片上获取离焦像。第二，网络参数和网络结构。需要调整网络超参数如学习率、余弦退火超参数、学习率动量等。其次是网络结构的更改，使网络有更强的泛化能力和检测效果。第三，粒子的重叠。在粒子数量较多时会发生重叠，因此会相对应地影响形态识别结果。

技术实现思路

[0005]本专利技术的专利技术目的是克服上述现有技术的中存在的不足，提供一种基于YOLOv7和干涉成像技术的粒子形态识别方法，实现高精度的粒子形态识别功能，为云粒子场的测量提供技术保证。
[0006]本专利技术采用的技术方案是：基于YOLOv7和干涉成像技术的粒子形态识别方法，按照下述步骤进行：
[0007]步骤1：搭建干涉粒子成像系统，获取混合粒子干涉离焦像。干涉粒子成像系统包括：激光器、物镜和针孔组成的空间滤波器、准直透镜、平凸柱面透镜和平凹柱面透镜组成的透镜组、载玻片、成像镜头和CCD相机；沿水平方向自左向右依次设置532nm激光器1、由物镜2和针孔3组成的空间滤波器、准直透镜4、由平凸柱面透镜5和平凹柱面透镜6组成的透镜组、含有聚苯乙烯球形粒子和沙粒的载玻片7，下方依次设置成像透镜8和CCD相机9；使用该系统获取混合粒子场干涉离焦像数据集；将沙粒和稀释过的聚苯乙烯球形粒子放置在载波片上，经过片状激光束照射，在CCD端获取混合粒子场干涉离焦像数据集；
[0008]步骤2：标注和划分数据集。使用LabelImg软件对步骤1得到的混合粒子场干涉离焦像数据集进行标注，标注内容包括粒子种类和粒子位置信息，标签格式为YOLO(txt文件格式)。标注完成后将混合粒子场干涉离焦像数据集以7：1：2比例划分为训练集、验证集和测试集；
[0009]步骤3：网络结构改进：第一，将3个协同注意力(Coordinate Attention，CA)模块增加到YOLOv7网络。具体位置为：YOLOv7网络Head部分，位于网络第75层、第88层和第101层ELAN特征提取网络的后方。第二，将原始YOLOv7网络中的特征融合模块替换为快速空间金字塔池化(Spatial Pyramid Pooling
–
Fast，SPPF)模块，减少了参数量和计算量，加快了粒子形态检测速度；
[0010]步骤4：网络训练，获取最优权重。利用步骤2中完成标注的数据集以及步骤3中改进的网络进行训练，超参数设置如下：初始学习率设置为0.009，学习率动量设置为0.935，权重衰减系数设置为0.0004，余弦退火参数设置为0.1，边界框损失权重系数设置为0.05，Anchor缩放阈值设置为4.0，IoU训练阈值设置为0.2；将步骤2中划分的训练集输入网络训练200epochs，获得最优权重。
[0011]所述激光器1发出波长为532nm的平行偏振光，最大输出功率为3W。
[0012]采用分辨率为2448
×
2048，像元尺寸为3.45um的CCD相机作为接收器件。
[0013]待测粒子为45um的聚苯乙烯球形粒子和沙粒，将其放置在载玻片上。
[0014]本专利技术具有如下技术效果：
[0015]第一，实时处理。输入混合粒子场干涉离焦像，直接对目标及进行位置和类别标定。与传统图像处理方法相比，该方法具有较高的实时性。
[0016]第二，精确度高。重叠的发生影响着形态识别的准确性，该技术能一定程度上克服重叠对形态识别效果造成的影响。
[0017]第三，泛化能力强。干涉条纹圆大小的改变、条纹频率的改变以及沙粒尺寸的变化都无法对形态识别的准确性产生影响。模型具有很强的泛化能力，可以应用到实际的场景中。
[0018]本专利技术通过YOLOv7和干涉成像技术对粒子进行形态识别，为云粒子场信息的获取
提供技术支持。
附图说明
[0019]图1为本专利技术的粒子形态判别方法流程图；
[0020]图2为干涉粒子成像系统结构示意图；
[0021]图3为粒子形态识别结果。
具体实施方式
[0022]下面将结合附图对本专利技术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YOLOv7和干涉成像技术的粒子形态识别方法，其特征在于，该方法包括以下步骤：步骤1：搭建干涉粒子成像系统，获取混合粒子干涉离焦像；干涉粒子成像系统包括：激光器、由物镜和针孔组成的空间滤波器、准直透镜、由平凸柱面透镜和平凹柱面透镜组成的透镜组、载玻片、成像镜头和CCD相机；沿水平方向自左向右依次设置532nm激光器、由物镜和针孔组成的空间滤波器、准直透镜、由平凸柱面透镜和平凹柱面透镜组成的透镜组、载玻片，载玻片下方依次设置成像透镜和CCD相机；使用该系统获取混合粒子场干涉离焦像数据集：将沙粒和稀释过的聚苯乙烯球形粒子作为待测粒子放置在载波片上，经过片状激光束照射，在CCD端获取混合粒子场干涉离焦像数据集；步骤2：标注和划分数据集；使用LabelImg软件对步骤1得到的混合粒子场干涉离焦像数据集进行标注：标注内容包括粒子种类和粒子位置信息；标注完成后将混合粒子场干涉离焦像数据集以7：1：2比例划分为训练集、验证集和测试集；步骤3：网络结构改进；第一，将3个协同注意力模块CA增加到YOLOv7网络，具体位置为：YOLOv7网络Head部分，位于网络第75层、第88层和第101层ELAN特征提取网络的后方；第二...

【专利技术属性】
技术研发人员：孙金露，武宇航，邱岳，苗长云，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：