基于深度学习的全息粒子检测方法

本发明属于光学测量技术领域，更具体的是涉及一种基于深度学习的全息粒子检测方法。

背景技术：

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环境。

技术实现要素：

为了解决上述问题，本发明提出一种基于深度学习的全息粒子检测方法，可快速分辨粒子种类和粒子所在的三维空间位置。

为了实现上述目的，本发明所采用的技术方案如下：一种基于深度学习的全息粒子检测方法，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。

与现有技术相比，本发明的显著优点为：本发明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。

附图说明

图1为本发明实施例提供的基于深度学习的全息粒子检测方法流程示意图。

图2为本发明实施例提供的全息图采集装置示意图。

图3为本发明实施例提供的轻量化特征提取单元示意图。

图4为本发明实施例提供的轻量化密集连接网络结构示意图。

具体实施方式

如图1所示，一种基于深度学习的全息粒子检测方法，具体包含：

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。

可选的，所述的步骤s01中采集粒子场全息图，具体包括：

(1.1)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；

(1.2)使用激光器搭建数字全息光路图，通过激光照射粒子场，打在粒子上的激光发生了衍射，没有打到粒子上的激光继续向后传播，衍射光和未衍射光在相机成像平面上发生干涉，产生全息图，采用高速相机记录得到全息图作为数据集。

可选的，所述的步骤s02图像增强具体包括：

(2.1)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；

(2.2)使用图像增强算法对筛选后的数据集进行处理，具体包括：图像的几何变换，仿射变换，图像归一化，随机调整亮度和对比度，随机添加噪声等，将数据集图片数量扩充为原来数量的二倍。

可选的，所述的步骤s03具体包括：

(3.1)采用聚焦评价函数算法和阈值分割算法，计算出全息图中每个粒子的三维空间位置，并采用标注软件对每张图像的粒子进行粒子类别和三维空间位置的标记；

(3.2)将标注好的数据集分成训练数据集，验证数据集和测试数据集，三个数据集的数量比例为7:2:1。

可选的，所述的步骤s04中，设计轻量级的密集连接网络来提取例子特征，具体包括：

(4.1)采用密集连接网络densenet模块构建密集连接网络单元，将不同分辨率的特征图进行融合；

(4.2)采用u-net网络结构，其中编码器和解码器由密集连接单元构成，并将具有低级语义信息的特征图和具有高级语义信息的特征图进行融合。

可选的，所述的步骤s05具体包括：

(5.1)设置所述的改进的yolo检测模型的超参数，采用多任务损失函数为目标函数进行训练；

(5.2)每次训练结束后计算目标函数值，并用验证集验证所训练的网络模型，得到相应的目标函数值和网络模型准确率，当网络模型的目标函数值最低，准确率最高时停止训练，并保存模型。

为说明本发明的具体流程，以下将结合附图做详细的说明。以下实施例仅用于更加清楚的说明本发明的技术方案，而不能用来限制本发明的保护范围。

实施例

图1为本发明实施例提供的一种基于深度学习的全息粒子检测方法流程示意图，如图1所示，该方法具体包含以下步骤：

s01、采集粒子场全息图；如图2所示，具体包括：

(1.1)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约50～250mm；

(1.2)激光器发出激光，通过透镜进行扩束，并通过随机粒子场，打在粒子上的激光发生了衍射形成物光，没有打到粒子上的激光继续向后传播形成参考光，物光和参考光照射光在相机成像平面上发生干涉，产生全息图，采用高速相机记录得到全息图作为数据集。

s02、图像增强，具体包括：

(2.1)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；

(2.2)使用图像增强算法对筛选后的数据集进行处理，具体包括：图像的几何变换，仿射变换，图像归一化，随机调整亮度和对比度，随机添加噪声等，将数据集图片数量扩充为原来数量的二倍。

本实施例中采用python语言编程，将数据集图像随机旋转30°、60°、90°、120°、150°、180°形成新的图像；将数据集图像以左右对称的中轴线为中心进行镜像变换；将数据集图像在rgb颜色空间下，对每个像素的(r、g、b)分量值乘以比例系数k，本实施例选择k为0.5和2，分别对数据集图像亮度调整为原来1/2和2倍；随机在数据集图像上添加高斯噪声和椒盐噪声。上述变换分别对数据集原始图像进行操作，转换后的图像与数据集原始图像合并构成新的数据集图像，总量为原数据集图像的二倍。

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；具体包括：

(3.1)采用聚焦评价函数算法和阈值分割算法，计算出全息图中每个粒子的三维空间位置，并采用标注软件对每张图像的粒子进行粒子类别和三维空间位置的标记；

本实施例中采用labelimg标注软件，将所要标注的粒子用矩形框住，并得到其二维位置信息，标注粒子类别，在本实施例中，采用四种花粉代替粒子，标注每个粒子类别和粒子的二维信息，标注完成之后，将标注文件转换为文本格式，并依据二维位置信息和类别将其对应的三维信息写入，得到三维空间位置标记信息和粒子类别文本。

(3.2)将标注好的数据集分成训练数据集，验证数据集和测试数据集，三个数据集的数量比例为7:2:1。

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；如图3和图4所示，具体包括：

(4.1)采用密集连接网络densenet模块构建密集连接网络单元，如图3所示，每一层的输入都是该层之前所有层的输出，每层中间通过归一化层(bn)、relu激活层(relu)和卷积层(conv)连接,单元最后通过transitionlayer层和bn-relu-dense层输入到下一个密集连接单元。每个单元内会将不同分辨率的特征图进行融合，使得粒子信息可以重复利用；

(4.2)采用u-net网络结构，其中编码器和解码器由密集连接单元构成，如图4所示，输入图像包括四种花粉粒子，通过编码器进行特征提取，每个编码器由dense_block组成，每个dense_block是一个密集连接网络单元，每个单元又通过跳跃连接层相连接，以提高粒子信息的传递效率和利用率。解码器与编码器相反，每个解码器都会将输入的图像进行恢复，最后恢复到与原始输入具有相同分辨率的图像。编码器和解码器通过跳跃连接结构相连接(skip_connection),将具有低级语义信息的特征图和具有高级语义信息的特征图进行融合。网络最后将每张图像上粒子用矩形框标出，并输出相应的类别信息和空间位置坐标的文件。

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；具体包括：

(5.1)设置所述的改进的yolo检测模型的超参数，采用多任务损失函数为目标函数进行训练；

(5.2)每次训练结束后计算目标函数值，并用验证集验证所训练的网络模型，得到相应的目标函数值和网络模型准确率，当网络模型的目标函数值最低，准确率最高时停止训练，并保存模型。

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。

最后应说明的是：以上实施例仅以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离发明格式实例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。