CN111415368A - 一种基于深度学习的移动设备液滴滴速的快速测量方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的移动设备液滴滴速的快速测量方法。本发明采集液滴滴落过程的图像构建图像数据集，通过图像预处理、人工标记方法构建液滴图像训练集以及液滴图像测试集；选取二分类神经网络模型，通过液滴图像训练集训练二分类神经网络模型，得到训练后二分类神经网络模型；将智能终端采集的图像通过预处理后得到待测液滴图像，通过训练后二分类神经网络模型预测，若第二次滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测，直至下一次滴落状态预测为滴落状态，计算得到相邻两次均处于滴落状态之间的间隔所用时长，进一步计算当前滴速。本发明测量液滴滴速快速、准确，极大提高液滴滴速的测量效率。

Description

一种基于深度学习的移动设备液滴滴速的快速测量方法

技术领域

本发明涉及神经网络的迁移学习和图像分类领域，具体设计一种基于深度学习的移动设备液滴滴速的快速测量方法。

背景技术

在对某些特殊药物如含钾、升压药等或者特殊人群如老人和儿童进行静脉输液时，或者在某些对反应物滴速具有严格要求的化学反应中，液滴滴速的测量和监控非常重要，尤其是在医院中，静脉输液治疗作为极其常见的医疗手段，人工测量费时费力，会给医务工作者带来很大的负担，使用输液泵价格高昂且移动不便，因此快速、简便、准确的检测滴速成为输液过程中的迫切需求。

随着人工智能浪潮的迭起，神经网络和深度学习应用到了越来越多的领域之中，2012年AlexNet的提出极大的提高了图像分类的准确率，由此掀起了深度学习的热潮，同时迁移学习的概念使得小数据集的分类依旧能有十分不错的表现，基于此，在移动设备如此普及的当下，使用深度学习的方法在移动端进行液滴滴速测量，不仅实现简单、成本低、移动性强，也能进一步提高测量的速度和准确率。

发明内容

本发明的目的是针对现有技术的不足而提供的一种基于深度学习的移动设备液滴滴速的快速测量方法，该方法综合了深度学习和移动设备优点，使得液滴滴速测量的速度、准确率、便携性、移动性得到了提高。

实现本发明目的的具体技术方案是：

一种基于深度学习的移动设备液滴滴速的快速测量方法，该方法包括以下具体步骤：

步骤1：采集处于不同场景、不同光线条件下、不同颜色的液滴滴落过程的图像构建图像数据集，通过人工标记方法将液滴处于未滴落状态的液滴图像标签设置为0，将液滴处于滴落状态的液滴图像标签设置为1，将图像数据集中每幅图像进行裁剪处理、归一化处理得到预处理后图像数据集，将预处理后图像数据集根据比例系数划分为液滴图像训练集、液滴图像测试集；

步骤2：选取二分类神经网络模型，通过液滴图像训练集训练二分类神经网络模型，得到训练后二分类神经网络模型；

步骤3：将智能终端的摄像头对准测量目标，将智能终端的摄像头采集的图像通过步骤1中裁剪处理、归一化处理得到待测液滴图像，将待测液滴图像通过训练后神经网络模型预测，通过智能终端的摄像头采集待测液滴图像，将待测液滴图像通过训练后二分类神经网络模型预测，若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测，直至下一次待测液滴图像的滴落状态预测为滴落状态，计算得到相邻两次待测液滴图像均处于滴落状态之间的间隔所用时长，进一步计算当前滴速；

作为优选，步骤1所述液滴处于未滴落状态，即液滴仍然处于形成过程中，还未与液滴形成处分离；

步骤1所述液滴处于滴落状态，即液滴已经完全形成并滴落且不与任何物体相接触；

步骤1所述裁剪处理为：图像数据集中每幅液滴图像截取图像中心区域一定大小的图像，经过裁剪后图像数据集为I_kk∈[1,m+n]，I_k为液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为液滴图像数据集中液滴图像的数量；

步骤1所述归一化处理为：

其中，

为预处理后液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为预处理后液滴图像数据集中液滴图像的数量；

步骤1所述预处理后液滴图像数据集划分为液滴图像训练集、液滴图像测试集，其中，液滴图像训练集中液滴图像的数量为m，液滴图像测试集中液滴图像的数量为n,q＝m/n,q为步骤1中所述比例系数；

所述液滴图像训练集为：

(x_i,y_i)i∈[1,m]；

其中，x_i为液滴图像训练集中第i个样本即采集的第i幅液滴图像，y_i为液滴图像训练集中第i个样本的标签，m表示液滴图像训练集中样本数量；

所述液滴图像测试集为：

(u_j,v_j)j∈[1,n]；

其中，u_j为液滴图像测试集中第j个样本即采集的第j幅液滴图像，v_j为液滴图像测试集中第j个样本的标签，n表示液滴图像测试集中样本数量；

作为优选，步骤2所述二分类神经网络模型的输入为液滴图像训练集每个样本即液滴图像，输出为通过二分类神经网络模型预测的液滴状态；

所述液滴状态由液滴处于未滴落状态、液滴处于滴落状态构成；

若二分类神经网络模型预测的液滴状态为液滴处于未滴落状态，则二分类神经网络模型输出为0；

若二分类神经网络模型预测的液滴状态为液滴处于滴落状态，则二分类神经网络模型输出为1；

步骤2所述选取二分类神经网络模型为VGG16网络，该网络通过连续的卷积和池化操作对图像的特征进行提取，最后接入全连接层，具体表现为一维向量，表示了图像属于各个类别的概率；

步骤2所述二分类神经网络模型的初始化参数包括：optimizer、learning_rate、epochs、batch_size；

其中，optimizer表示二分类神经网络模型结构中神经元的权重参数和偏置参数，learning_rate表示二分类神经网络模型的学习率，即模型的权重参数的更新幅度，epochs为迭代次数，表示整个训练过程中遍历整个训练集的次数，batch_size为批尺寸，表示在每次遍历整个训练集时，将训练集分批输入模型时，每批液滴图像图像的数目；

步骤2所述通过液滴图像训练集训练二分类神经网络模型为：

将模型的损失函数定义为二进制交叉熵，其表达式为：

其中，m表示样本数量，y_i为液滴图像训练集中第i个样本的标签，h_ω(x_i)表示液滴图像训练集中第i个样本预测为1的概率，(1-h_ω(x_i))表示液滴图像训练集中第i个样本预测为0的概率，从表达式中可以看出，当预测正确的概率越大时，该函数值越小，二进制交叉熵损失函数是凸函数，在求导时能够得到全局最优解，即可以得到最优的权重参数；

以模型的损失函数最小化为优化目标，通过适应性矩估计算法优化求解得到optimizer^*，optimizer^*表示训练后二分类神经网络模型结构中神经元的权重参数和偏置参数；

步骤2所述训练后二分类神经网络模型为通过optimizer^*构建训练后二分类神经网络模型；

作为优选，步骤3所述若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测为：

若第二次输入图像的预测结果为滴落状态则标记此时的帧序号，重复执行下述步骤即：

丢弃后面的R帧即间隔R帧后再开始预测，若输入图像的预测结果为滴落状态则标记此时的帧序号；

通过模型的表现以及液滴滴落的时间特性可以确定该R帧为未滴落状态，R的大小由模型的测试集准确率acc_n、帧速率fps、最大可测滴速v_max决定：

测试集的准确率为：acc_n＝P_n/A_n；

其中，P_n为测试集中通过训练后二分类神经网络模型预测的图像数目，A_n为液滴图像测试集中液滴图像的数量即n，测试集的准确率越高，则说明模型泛化能力越强，在实际情况中表现越好；

步骤3中所述相邻两次待测液滴图像均处于滴落状态之间的间隔期所用时长为：

其中，F_i为第i次输入图像的预测结果为滴落状态时的帧序号，F_i+1为第i+1次输入图像的预测结果为滴落状态时的帧序号，fps为帧速率；

步骤3所述当前滴速为1/t。

本发明的有益效果在于：

准确率高：将测速问题转换为图像的分类问题，使用深度学习中迁移学习的方法，使得小数据集通过训练依旧得到了很高的准确率。

速度快：神经网络模型的预测速度很快，在实施丢帧策略后使得测量的速度进一步提高，基本满足实时性的要求。

移动性强：神经网络模型可移植于移动终端，在当今移动设备广泛普及的情况下，使得测量的移动性、便携性大大提高。

附图说明

图1：为本发明方法流程图。

图2：为液滴状态分类图。

图3：为二分类神经网络模型结构图。

图4：为二分类神经网络模型训练流程图。

图5：为取景框细节图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明的方法流程图。

下面结合图1至图5，介绍本发明的具体实施方式为一种基于深度学习的移动设备液滴滴速的快速测量方法，包括以下具体步骤：

步骤1：采集处于不同场景、不同光线条件下、不同颜色的液滴滴落过程的图像构建图像数据集，通过人工标记方法将液滴处于未滴落状态的液滴图像标签设置为0，将液滴处于滴落状态的液滴图像标签设置为1，将图像数据集中每幅图像进行裁剪处理、归一化处理得到预处理后图像数据集，将预处理后图像数据集根据比例系数划分为液滴图像训练集、液滴图像测试集；

步骤1所述液滴处于未滴落状态，即液滴仍然处于形成过程中，还未与液滴形成处分离；

步骤1所述液滴处于滴落状态，即液滴已经完全形成并滴落且不与任何物体相接触；

上述未滴落状态、滴落状态参见图2，液滴状态分类图。

步骤1所述裁剪处理为：图像数据集中每幅液滴图像截取图像中心区域一定大小的图像，经过裁剪后图像数据集为I_kk∈[1,m+n]，I_k为液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为液滴图像数据集中液滴图像的数量；

步骤1所述归一化处理为：

其中，

为预处理后液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为预处理后液滴图像数据集中液滴图像的数量；

步骤1所述预处理后液滴图像数据集划分为液滴图像训练集、液滴图像测试集，其中，液滴图像训练集中液滴图像的数量为m＝1393，液滴图像测试集中液滴图像的数量为n＝348,q＝m/n为步骤1中所述比例系数；

所述液滴图像训练集为：

(x_i,y_i)i∈[1,m]；

其中，x_i为液滴图像训练集中第i个样本即采集的第i幅液滴图像，y_i为液滴图像训练集中第i个样本的标签，m表示液滴图像训练集中样本数量；

所述液滴图像测试集为：

(u_j,v_j)j∈[1,n]；

其中，u_j为液滴图像测试集中第j个样本即采集的第j幅液滴图像，v_j为液滴图像测试集中第j个样本的标签，n表示液滴图像测试集中样本数量；

步骤2：选取二分类神经网络模型，通过液滴图像训练集训练二分类神经网络模型，得到训练后二分类神经网络模型；

步骤2所述二分类神经网络模型的输入为液滴图像训练集每个样本即液滴图像，输出为通过二分类神经网络模型预测的液滴状态；

所述液滴状态由液滴处于未滴落状态、液滴处于滴落状态构成；

若二分类神经网络模型预测的液滴状态为液滴处于未滴落状态，则二分类神经网络模型输出为0；

若二分类神经网络模型预测的液滴状态为液滴处于滴落状态，则二分类神经网络模型输出为1；

因训练二分类神经网络模型所需要的数据量巨大，而可获得的数据量有限，因此采用深度学习中的迁移学习方法，步骤2所述选取二分类神经网络模型为VGG16网络，该网络通过连续的卷积和池化操作对图像的特征进行提取，最后接入全连接层，具体表现为一维向量，表示了图像属于各个类别的概率，参见图3，为二分类神经网络模型结构图。

本发明选择keras深度学习框架，导入在imagenet数据集上已经训练好的VGG16网络模型结构以及参数，imagenet数据集数据量极大，VGG16网络使用该数据集进行训练，使得训练后的网络具有较强的特征提取能力和泛化程度，冻结VGG16网络模型已经训练好的神经网络层以及其神经元的权重参数和偏置参数，被冻结的网络层的参数不参与训练，即在训练过程中只有新添加的神经网络层的神经元的权重参数和偏置参数进行训练寻优。

所述新添加的神经网络层包括：压平层、全连接层、抛弃层、全连接层，在VGG16网络模型后依次添加。

所述压平层，将多维的输入一维化，用于卷积层到全连接层之间的过渡；

所述全连接层，该层的神经元的数量为128，目的是将前面提取的特征，经过非线性变化，找到特征之间的关联，最后映射到输出空间上，该层的激活函数为relu，即修正线性单元，其作用是增加神经网络层之间的非线性关系，可以节省计算量，缓解过拟合问题，

所述抛弃层，该层会以一定概率使上一层中部分神经元不参与计算，增加网络稀疏性，防止网络过拟合，抛弃概率设置为0.5；

所述全连接层，神经元个数的数量2，对应该网络的类别数，激活函数为softmax，即归一化指数函数，目的使将分类结果以概率的形式展现出来。

步骤2所述二分类神经网络模型的初始化参数包括：optimizer、learning_rate、epochs、batch_size；

通过观察训练集和测试集的准确率和损失曲线，若收敛速度较快但并未达到最佳值，如准确率高于0.95，损失低于0.05，则可适当调小学习率，若收敛速度较慢，则可适当调大学习率；迭代次数通常首先设置的值较大，以获得完整的训练表现，在观察到网络在某次迭代后已经收敛，则可确定合适的迭代次数；批尺寸可预先指定一个值，观察训练曲线表现，若曲线震荡较大，可以适当提高批尺寸。

本发明中learning_rate设置为0.0005，epochs设置为50，batch_size设置为16；

其中，optimizer表示二分类神经网络模型结构中神经元的权重参数和偏置参数，learning_rate表示二分类神经网络模型的学习率，即模型的权重参数的更新幅度，学习率越大，则神经网络模型收敛速度越快，训练时间较短，但可能难以得到最优解，学习率越小，则神经网络模型收敛速度越慢，训练时间较长，通常可以得到最优解，epochs为迭代次数，表示整个训练过程中遍历整个训练集的次数，batch_size为批尺寸，表示在每次遍历整个训练集时，将训练集分批输入模型时，每批液滴图像图像的数目；

步骤2所述通过液滴图像训练集训练二分类神经网络模型为：

将模型的损失函数定义为二进制交叉熵，其表达式为：

其中，m表示样本数量，y_i为液滴图像训练集中第i个样本的标签，h_ω(x_i)表示液滴图像训练集中第i个样本预测为1的概率，(1-h_ω(x_i))表示液滴图像训练集中第i个样本预测为0的概率，从表达式中可以看出，当预测正确的概率越大时，该函数值越小，二进制交叉熵损失函数是凸函数，在求导时能够得到全局最优解，即可以得到最优的权重参数；

以模型的损失函数最小化为优化目标，通过适应性矩估计算法优化求解得到optimizer^*，optimizer^*表示训练后二分类神经网络模型结构中神经元的权重参数和偏置参数；

步骤2所述训练后二分类神经网络模型为通过optimizer^*构建训练后二分类神经网络模型，参见图4为二分类神经网络模型训练流程图。

步骤3：将智能终端的摄像头对准测量目标，将智能终端的摄像头采集的图像通过步骤1中裁剪处理、归一化处理得到待测液滴图像，将待测液滴图像通过训练后神经网络模型预测，通过智能终端的摄像头采集待测液滴图像，将待测液滴图像通过训练后二分类神经网络模型预测，若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测，直至下一次待测液滴图像的滴落状态预测为滴落状态，计算得到相邻两次待测液滴图像均处于滴落状态之间的间隔所用时长，进一步计算当前滴速；

参见图5为取景框细节图，通过步骤3所述裁剪处理、归一化处理得到待测液滴图像的取景框细节图。

步骤3所述若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测为：

通过丢帧实现测量速度的进一步提高，由于模型预测每一帧图像都需要花费时间，而测速所需要关注的是处于滴落状态的帧图像，若第二次输入图像的预测结果为滴落状态则标记此时的帧序号，重复执行下述步骤即：

丢弃后面的R帧即间隔R帧后再开始预测，若输入图像的预测结果为滴落状态则标记此时的帧序号；

通过模型的表现以及液滴滴落的时间特性可以确定该R帧为未滴落状态，R的大小由模型的测试集准确率acc_n、帧速率fps、最大可测滴速v_max决定：

测试集的准确率为：acc_n＝P_n/A_n；

其中，P_n为测试集中通过训练后二分类神经网络模型预测的图像数目，A_n为液滴图像测试集中液滴图像的数量即n，测试集的准确率越高，则说明模型泛化能力越强，在实际情况中表现越好；

步骤3中所述相邻两次待测液滴图像均处于滴落状态之间的间隔期所用时长为：

其中，F_i为第i次输入图像的预测结果为滴落状态时的帧序号，F_i+1为第i+1次输入图像的预测结果为滴落状态时的帧序号，fps为帧速率；

步骤3所述当前滴速为1/t。

在具体实施方式中，训练后模型的测试集准确率达acc_n＝97％，当fps＝30帧/秒，v_max＝3滴/秒时，R可设为10，最终在测量真实滴速为0.5滴/秒的静脉输液场景时，得到t＝2s，1/t＝0.5，与真实情况相符。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于深度学习的移动设备液滴滴速的快速测量方法，其特征在于，包括以下步骤：

步骤1：采集处于不同场景、不同光线条件下、不同颜色的液滴滴落过程的图像构建图像数据集，通过人工标记方法将液滴处于未滴落状态的液滴图像标签设置为0，将液滴处于滴落状态的液滴图像标签设置为1，将图像数据集中每幅图像进行裁剪处理、归一化处理得到预处理后图像数据集，将预处理后图像数据集根据比例系数划分为液滴图像训练集、液滴图像测试集；

步骤2：选取二分类神经网络模型，通过液滴图像训练集训练二分类神经网络模型，得到训练后二分类神经网络模型；

步骤3：将智能终端的摄像头对准测量目标，将智能终端的摄像头采集的图像通过步骤1中裁剪处理、归一化处理得到待测液滴图像，将待测液滴图像通过训练后神经网络模型预测，通过智能终端的摄像头采集待测液滴图像，将待测液滴图像通过训练后二分类神经网络模型预测，若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测，直至下一次待测液滴图像的滴落状态预测为滴落状态，计算得到相邻两次待测液滴图像均处于滴落状态之间的间隔所用时长，进一步计算当前滴速。

2.根据权利要求1所述的基于深度学习的移动设备液滴滴速的快速测量方法，其特征在于：

步骤1所述液滴处于未滴落状态，即液滴仍然处于形成过程中，还未与液滴形成处分离；

步骤1所述液滴处于滴落状态，即液滴已经完全形成并滴落且不与任何物体相接触；

步骤1所述裁剪处理为：图像数据集中每幅液滴图像截取图像中心区域一定大小的图像，经过裁剪后图像数据集为I_k k∈[1,m+n]，I_k为液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为液滴图像数据集中液滴图像的数量；

步骤1所述归一化处理为：

其中，

为预处理后液滴图像数据集中第k个样本即采集的第k幅液滴图像，m+n为预处理后液滴图像数据集中液滴图像的数量；

步骤1所述预处理后液滴图像数据集划分为液滴图像训练集、液滴图像测试集，其中，液滴图像训练集中液滴图像的数量为m，液滴图像测试集中液滴图像的数量为n,q＝m/n,q为步骤1中所述比例系数；

所述液滴图像训练集为：

(x_i,y_i)i∈[1,m]；

其中，x_i为液滴图像训练集中第i个样本即采集的第i幅液滴图像，y_i为液滴图像训练集中第i个样本的标签，m表示液滴图像训练集中样本数量；

所述液滴图像测试集为：

(u_j,v_j)j∈[1,n]；

其中，u_j为液滴图像测试集中第j个样本即采集的第j幅液滴图像，v_j为液滴图像测试集中第j个样本的标签，n表示液滴图像测试集中样本数量。

3.根据权利要求1所述的基于深度学习的移动设备液滴滴速的快速测量方法，其特征在于：

步骤2所述二分类神经网络模型的输入为液滴图像训练集每个样本即液滴图像，输出为通过二分类神经网络模型预测的液滴状态；

所述液滴状态由液滴处于未滴落状态、液滴处于滴落状态构成；

若二分类神经网络模型预测的液滴状态为液滴处于未滴落状态，则二分类神经网络模型输出为0；

若二分类神经网络模型预测的液滴状态为液滴处于滴落状态，则二分类神经网络模型输出为1；

步骤2所述选取二分类神经网络模型为VGG16网络，该网络通过连续的卷积和池化操作对图像的特征进行提取，最后接入全连接层，具体表现为一维向量，表示了图像属于各个类别的概率；

步骤2所述二分类神经网络模型的初始化参数包括：optimizer、learning_rate、epochs、batch_size；

其中，optimizer表示二分类神经网络模型结构中神经元的权重参数和偏置参数，learning_rate表示二分类神经网络模型的学习率，即模型的权重参数的更新幅度，epochs为迭代次数，表示整个训练过程中遍历整个训练集的次数，batch_size为批尺寸，表示在每次遍历整个训练集时，将训练集分批输入模型时，每批液滴图像图像的数目；

步骤2所述通过液滴图像训练集训练二分类神经网络模型为：

将模型的损失函数定义为二进制交叉熵，其表达式为：

其中，m表示样本数量，y_i为液滴图像训练集中第i个样本的标签，h_ω(x_i)表示液滴图像训练集中第i个样本预测为1的概率，(1-h_ω(x_i))表示液滴图像训练集中第i个样本预测为0的概率，从表达式中可以看出，当预测正确的概率越大时，该函数值越小，二进制交叉熵损失函数是凸函数，在求导时能够得到全局最优解，即可以得到最优的权重参数；

以模型的损失函数最小化为优化目标，通过适应性矩估计算法优化求解得到optimizer^*，optimizer^*表示训练后二分类神经网络模型结构中神经元的权重参数和偏置参数；

步骤2所述训练后二分类神经网络模型为通过optimizer^*构建训练后二分类神经网络模型。

4.根据权利要求1所述的基于深度学习的移动设备液滴滴速的快速测量方法，其特征在于：

步骤3所述若第二次待测液滴图像的滴落状态预测为滴落状态则间隔多帧图像后继续通过训练后二分类神经网络模型预测为：

若第二次输入图像的预测结果为滴落状态则标记此时的帧序号，重复执行下述步骤即：

丢弃后面的R帧即间隔R帧后再开始预测，若输入图像的预测结果为滴落状态则标记此时的帧序号；

通过模型的表现以及液滴滴落的时间特性可以确定该R帧为未滴落状态，R的大小由模型的测试集准确率acc_n、帧速率fps、最大可测滴速v_max决定：

测试集的准确率为：acc_n＝P_n/A_n；

其中，P_n为测试集中通过训练后二分类神经网络模型预测的图像数目，A_n为液滴图像测试集中液滴图像的数量即n，测试集的准确率越高，则说明模型泛化能力越强，在实际情况中表现越好；

步骤3中所述相邻两次待测液滴图像均处于滴落状态之间的间隔期所用时长为：

其中，F_i为第i次输入图像的预测结果为滴落状态时的帧序号，F_i+1为第i+1次输入图像的预测结果为滴落状态时的帧序号，fps为帧速率；

步骤3所述当前滴速为1/t。

Images