[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

说明书

本发明涉及青蒿素提纯技术领域，具体公开了一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，结合青蒿素提纯过程中的视频数据(第一实时图像I和标准实时图像G)，设计高质量数据生成模型(双向级联迭代生成网络)，生成基于去噪数据(真实噪声图像N’)的高质量提纯数据(高质量图像G’)，利用有效的颜色分割算法对数据进行分割，设计有效的颜色识别模型(细粒度二分类网络)对高质量数据进行分类，使边缘计算设备根据颜色识别结果对安全阀开关进行操作，实现青蒿素气纯智能化识别与跟踪，实现对青蒿素提纯过程的无人化监控。本发明可逐步替代现有人工操作，降低安全生产风险，提高产品收率，降低生产成本。

技术领域

本发明涉及青蒿素提纯技术领域，尤其涉及一种基于机器视觉的青蒿素萃取智能跟踪与识别方法。

背景技术

青蒿素是一种新型抗疟药，是目前世界上公认的最有效治疗脑型疟疾和抗氯喹恶性疟疾的药物。它具有低毒、高效、速效的特点，已成为世界卫生组织推荐的治疗疟疾的首选方法，在国际市场上供不应求，应用及经济前景十分看好。目前获取青蒿素的途径主要是直接从青蒿中提取，研究表明，青蒿的叶片和花表面的腺毛是青蒿素的主要合成和储存部位，青蒿的不同部位、不同时期的青蒿素含量不同，也与产地和生长环境相关。目前，青蒿药用成分提取率低是造成资源浪费的重大原因。未来，青蒿素及其副产物不仅应用于人类健康，还可辐射到生物农药、兽药等更多领域。但目前青蒿素生产车间因安全要求级别高，无法人工进入设备，又无法在线跟踪提净效果。

发明内容

本发明提供一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，解决的技术问题在于：如何对青蒿素的提纯过程进行在线跟踪。

为解决以上技术问题，本发明提供一种基于机器视觉的青蒿素萃取智能跟踪与识别方法，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；

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；

(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。

进一步地，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的数据，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′。

进一步地，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。