[发明专利]一种基于机器视觉的青蒿素萃取智能跟踪与识别方法

权利要求书

1.一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，其特征在于，包括步骤：

(1)生成高质量图像

S1：收集青蒿素提纯车间的第一实时图像I，收集标准环境中青蒿素提纯过程中的标准实时图像G；

S2：将所述第一实时图像I、所述标准实时图像G和初始噪声图像N输入双向级联迭代生成网络，生成高质量图像G’和真实噪声图像N’；

(2)颜色分割及识别

S3：采用颜色分割算法对所述高质量图像G’进行颜色分割后进行标签标注，以构建训练数据集和测试数据集；所述步骤S3具体包括步骤：

S31：对所述高质量图像G’先后进行灰度化、梯度化；

S32：基于分水岭算法对梯度化后的高质量图像G’进行分割和坐标标注，并利用标注结果对所述高质量图像G’进行裁剪；

S33：对提纯过程中对应开启阀门和关闭阀门的裁剪后的单色图片进行标签标注；

S34：收集所有标签标注后的单色图片，并将大部分作为训练数据集，剩余部分作为测试数据集；

S4：采用所述训练数据集和所述测试数据集对构建的细粒度二分类网络进行训练和测试；构建所述细粒度二分类网络，具体包括步骤：

S41：基于视觉几何群网络架构和线性分类器构建细粒度二分类网络；

S42：设计细粒度二分类网络的损失函数：

其中，X_original表示将一张单色图片先后经过所述视觉几何群网络架构和所述线性分类器后得到的特征，X_part表示将该单色图片 裁剪而成的图片矩阵先后经过所述视觉几何群网络架构和所述线性分类器后得到的特征，y表示人工标注的该单色图片的状态，softmax表示softmax函数，γ表示随机部分特征占的权重，dist表示向量之间的距离函数；

(3)二分类计算

S5：基于所述双向级联迭代生成网络、所述颜色分割算法和完成训练、测试的所述细粒度二分类网络，对青蒿素提纯过程中的第二实时图像T进行识别与分析，输出控制阀门开和关的二分类结果。

2.如权利要求1所述的一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，其特征在于：在所述步骤S2中，所述双向级联迭代生成网络包括上网络结构和下网络结构；所述上网络结构包括基于卷积层的第一特征提取网络和基于反卷积层的第一图像生成网络，所述下网络结构包括基于卷积层的第二特征提取网络和基于反卷积层的第二图像生成网络；

所述第一特征提取网络和所述第二特征提取网络分别用于提取初始噪声图像N和第一实时图像I的特征，所述第一图像生成网络和所述第二图像生成网络分别用于基于所述第一特征提取网络和所述第二特征提取网络提取的特征生成所述真实噪声图像N’和所述高质量图像G’；所述真实噪声图像N’和所述高质量图像G’相加得到真实实时图像I′。

3.如权利要求2所述的一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，其特征在于，所述第一实时图像I与所述真实实时图像I′之间的损失函数为：

其中，I′_t表示每次迭代后生成的真实实时图像，表示每次迭代前第一实时图像I与迭代后真实实时图像I′_t之间的损失，α为第一超参数，n为迭代次数。

4.如权利要求2所述的一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，其特征在于，所述标准实时图像G与所述高质量图像G’之间的损失函数为：

其中，G′_t表示每次迭代后生成的高质量图像，表示每次迭代前标准实时图像G与迭代后图像G′_t之间的损失，β为第二超参数，n为迭代次数。

5.如权利要求2～4任一项所述的一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，其特征在于：在将所述第一实时图像I、所述标准实时图像G输入至所述双向级联迭代生成网络前，进行切帧处理，并对切帧后的所述第一实时图像I进行高斯滤波。