CN111914854A - 一种基于神经网络的喷雾特征提取方法、设备及存储介质 - Google Patents

一种基于神经网络的喷雾特征提取方法、设备及存储介质 Download PDF

Info

Publication number
CN111914854A
CN111914854A CN202010706710.1A CN202010706710A CN111914854A CN 111914854 A CN111914854 A CN 111914854A CN 202010706710 A CN202010706710 A CN 202010706710A CN 111914854 A CN111914854 A CN 111914854A
Authority
CN
China
Prior art keywords
spray
image
neural network
condition information
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010706710.1A
Other languages
English (en)
Inventor
马玉霖
张博文
李治龙
邓俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010706710.1A priority Critical patent/CN111914854A/zh
Publication of CN111914854A publication Critical patent/CN111914854A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明涉及一种基于神经网络的喷雾特征提取方法、设备及存储介质，其中方法包括：步骤一为卷积神经网络的训练，步骤二读取模型，输入喷雾图像。其中步骤一先获取喷雾图像，再结合工况信息与喷雾图像形成新的复合矩阵，获取喷雾特征标签，输入新图像矩阵和标签到神经网络中，得到特定神经网络下的结构权重。步骤二读取上述步骤一的模型，获得喷雾图像，并将喷雾图像与工况信息复合成新的图像矩阵，输入新的复合喷雾图像到模型中，获取喷雾特征。本发明创造性的提出了一种喷雾图像与工况信息复合成新图像矩阵的方法，此方法很好的突出了喷雾的工况对于喷雾的影响，特征提取结果与工况联系更加紧密，可信度高，误差小。

Description

一种基于神经网络的喷雾特征提取方法、设备及存储介质
技术领域
本发明涉及喷雾和计算机技术领域，尤其是涉及一种基于神经网络的喷雾特征提取方法、设备及存储介质。
背景技术
喷雾学已经成为了国际性的研究领域。因为其应用范围广，其可以应用到喷雾燃烧，清洗传感器，清洗玻璃，从火箭喷雾，汽车喷雾到居家生活中的喷雾，喷雾的应用之广远远超出人们的想象。所以研究喷雾特征极其重要，喷雾特征包括喷雾面积，喷雾贯穿距，喷雾锥角等。
现在对于喷雾特征的提取，没有统一的方法，没有方便的工具。而且要依靠高精度的工具如高速摄像机，马尔文粒径观测仪等。所以如何方便快速的提取喷雾特征是当前一大问题。而当今计算机视觉技术蓬勃发展，尤其以神经网络为代表的图像处理技术十分成熟。将神经网络和喷雾学结合是当前大趋势。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的喷雾特征提取方法、设备及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种基于神经网络的喷雾特征提取方法，该方法包括以下步骤：
步骤1：获取用于训练神经网络以得到对应模型的喷雾图像；
步骤2：将喷雾图像与工况信息复合成图像矩阵并获取对应用于训练神经网络以得到对应模型的喷雾标签；
步骤3：将图像矩阵和对应的喷雾标签输入至神经网络中并训练，得到对应的模型；
步骤4：读取模型，获取实际待特征提取的喷雾图像；
步骤5：将实际待特征提取的喷雾图像及对应工况信息复合成基于实际待特征提取的喷雾图像的图像矩阵；
步骤6：将基于实际待特征提取的喷雾图像的图像矩阵输入至模型中，输出得到实际对应喷雾特征结果。
进一步地，所述的步骤2中的工况信息包括喷雾的压力和温度。
进一步地，所述的步骤2中将喷雾图像与工况信息复合成图像矩阵的过程所采用的方法为图像插值和扩充方法。
进一步地，所述的步骤5中将实际待特征提取的喷雾图像及对应工况信息复合成基于实际待特征提取的喷雾图像的图像矩阵的过程所采用的方法为图像插值和扩充方法。
进一步地，所述的步骤3中的神经网络采用VGG网络。
进一步地，所述的图像插值和扩充方法具体包括：在原图像对应的图像矩阵中的每一列或每一行之间添加等数目的对应工况信息以将得到的图像矩阵扩充为原图像对应的图像矩阵的两倍。
进一步地，所述的步骤2中的喷雾标签包括一种或多种喷雾特征。
进一步地，所述的步骤1中的喷雾图像为灰度图格式的喷雾图像。
本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于神经网络的喷雾特征提取方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于神经网络的喷雾特征提取方法的步骤。
与现有技术相比，本发明具有以下优点：
(1)本发明方法中，步骤一获取喷雾图像，将喷雾图像与工况信息复合成新的图像矩阵，获取喷雾标签，输入新的图像矩阵和对应的喷雾特征标签到神经网络中，得到模型。步骤二读取步骤一中的模型，获取喷雾图像，将喷雾图像与喷雾工况信息进行复合形成新的复合矩阵，输入新的复合喷雾图像到模型中，最后得到喷雾特征，将喷雾工况信息与喷雾结合，使得喷雾特征的提取更加准确。
(2)本发明方法中，喷雾图像与工况信息复合新矩阵的方法采用图像扩充与插值技术，在原图像的每一列或者每一行后加一列或者一行工况信息，最后将图像扩充到原来的两倍。使得工况信息占据总信息的百分之五十，使得神经网络训练结果更加可靠，和喷雾工况信息结合更加紧密。
(3)本发明方法中，喷雾特征标签，可以是一种或者多个喷雾特征，适用性强，可以迁移到不同喷雾工况应用中。
附图说明
图1为本发明实施例的基于神经网络的喷雾特征提取方法的流程图；
图2为本发明实施例的喷雾图像与喷雾工况信息复合矩阵过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明的提供了一种基于神经网络的喷雾特征提取方法。该方法包含两个步骤，步骤一训练模型，所述步骤一包括获取喷雾图像，将喷雾图像和工况信息进行复合形成新的复合矩阵，获取喷雾特征标签，将该复合矩阵和对应的喷雾特征标签输入到神经网络中训练，得到模型。步骤二读取步骤一中的模型，获取喷雾图像和对应的喷雾工况信息，同步骤一中的复合方法，将该图像和对应的喷雾工况信息进行复合，形成新的图像复合矩阵，将该新的图像矩阵输入到读取的模型中，进而得出喷雾的特征。
所述的喷雾图像和喷雾工况信息复合方法，采用的图像插值和扩充技术，在图像的每一行或者每一列后面插入等数目的喷雾工况信息，进而得到新的喷雾图像矩阵。该矩阵为原来的两倍，且喷雾信息和喷雾工况信息各占百分之五十。进而突出了喷雾工况信息对于喷雾的影响。
优选的，如果工况信息的变量为一个，那么插入的喷雾工况信息为单一的。在原图像的每一行或者每一列后插入该信息即可。
进一步的，如果工况信息的变量为多个，将多个信息组合成序列，该序列的大小和图像的行数或者列数大小相同。若以行为作为插入方式，则该喷雾工况组合信息序列大小和行的大小一致，若以列作为插入方式，则该喷雾工况组合信息序列大小和列的大小保持一致。
所述的喷雾特征标签，为对应的喷雾特征值。
优选的如果喷雾特征为多个，则将喷雾特征组合为一个序列，喷雾特征序列的大小应该保持一致。
将新的喷雾图像和对应的喷雾特征标签输入到神经网络中训练，进而得到训练模型。
优选的，该神经网络为卷积神经网络。
步骤二读取模型后，获取喷雾图像，并将该喷雾图像和喷雾工况信息进行复合形成新的复合矩阵，输入到该模型中，进而得到喷雾特征。所述的该复合方法同步骤一中的复合方法。
具体实施例
本发明一种基于神经网络的喷雾特征提取方法，其流程图如图1所示分两步骤。步骤一为训练模型。先获取喷雾图像和对应的工况信息。在本实例中，喷雾图像大小为400*400，图像为灰度图，即图像的通道数为1，工况信息为喷雾的压力和温度。
将喷雾图像与喷雾工况信息复合形成新图像矩阵，该复合方法采用图像的插值和扩充方法。本实例中以列作为插入对象。将压力和温度组合为一个序列。在本实例中压力为2位数字，温度为3位数字，将压力放到前面，温度放到后面，组合为5位数字。因为喷雾的列的大小为400，所以循环该5位数字80次，组合为一个长度为400的喷雾工况信息序列。
将上述的序列插入到原图像的每一列后，即在原图像的第一列后插入该序列，第二列后插入该序列，以此类推。如图2所示，从而将喷雾图像和喷雾工况信息复合成为新图像矩阵。
获取该喷雾图像的特征标签，在本实例中，喷雾的特征为喷雾贯穿距和喷雾面积。其中喷雾面积为3位数字，喷雾贯穿距为3位数字，将喷雾面积放前，喷雾贯穿距放到后，组合为一个6位数字的喷雾特征标签。
将若干新的复合喷雾图像和对应喷雾特征标签输入到神经网络中，在本实例中神经网络采用的是VGG网络，该网络被广泛应用于图像的特征提取中，并且在迁移应用中表现极佳，故采用该网络。最后得到训练模型。
步骤二读取训练模型，该训练模型即为步骤一中的训练模型，输入想要得到的喷雾特征的喷雾图像。并且获得该喷雾图像的喷雾工况信息，也就是该喷雾对应的压力和温度。按照步骤一中的复合方法，将该喷雾图像和喷雾工况信息进行复合，形成新的复合矩阵。
将该复合矩阵输入到模型中，得到喷雾特征。此喷雾特征为喷雾面积和喷雾贯穿距的组合序列。其中，按照步骤一所述的喷雾特征信息序列组合方式，取得前三位数字为喷雾面积特征，取得后三位数字为喷雾贯穿距特征。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络的喷雾特征提取方法，其特征在于，该方法包括以下步骤：
步骤1：获取用于训练神经网络以得到对应模型的喷雾图像；
步骤2：将喷雾图像与工况信息复合成图像矩阵并获取对应用于训练神经网络以得到对应模型的喷雾标签；
步骤3：将图像矩阵和对应的喷雾标签输入至神经网络中并训练，得到对应的模型；
步骤4：读取模型，获取实际待特征提取的喷雾图像；
步骤5：将实际待特征提取的喷雾图像及对应工况信息复合成基于实际待特征提取的喷雾图像的图像矩阵；
步骤6：将基于实际待特征提取的喷雾图像的图像矩阵输入至模型中，输出得到实际对应喷雾特征结果。
2.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤2中的工况信息包括喷雾的压力和温度。
3.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤2中将喷雾图像与工况信息复合成图像矩阵的过程所采用的方法为图像插值和扩充方法。
4.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤5中将实际待特征提取的喷雾图像及对应工况信息复合成基于实际待特征提取的喷雾图像的图像矩阵的过程所采用的方法为图像插值和扩充方法。
5.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤3中的神经网络采用VGG网络。
6.根据权利要求3或4所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的图像插值和扩充方法具体包括：在原图像对应的图像矩阵中的每一列或每一行之间添加等数目的对应工况信息以将得到的图像矩阵扩充为原图像对应的图像矩阵的两倍。
7.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤2中的喷雾标签包括一种或多种喷雾特征。
8.根据权利要求1所述的一种基于神经网络的喷雾特征提取方法，其特征在于，所述的步骤1中的喷雾图像为灰度图格式的喷雾图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5以及7和8中任一项所述的基于神经网络的喷雾特征提取方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5以及7和8中任一项所述的基于神经网络的喷雾特征提取方法的步骤。
CN202010706710.1A 2020-07-21 2020-07-21 一种基于神经网络的喷雾特征提取方法、设备及存储介质 Pending CN111914854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706710.1A CN111914854A (zh) 2020-07-21 2020-07-21 一种基于神经网络的喷雾特征提取方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706710.1A CN111914854A (zh) 2020-07-21 2020-07-21 一种基于神经网络的喷雾特征提取方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111914854A true CN111914854A (zh) 2020-11-10

Family

ID=73280571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706710.1A Pending CN111914854A (zh) 2020-07-21 2020-07-21 一种基于神经网络的喷雾特征提取方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111914854A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109544524A (zh) * 2018-11-15 2019-03-29 中共中央办公厅电子科技学院 一种基于注意力机制的多属性图像美学评价系统
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network
CN110288665A (zh) * 2019-05-13 2019-09-27 中国科学院西安光学精密机械研究所 基于卷积神经网络的图像描述方法、计算机可读存储介质、电子设备
CN110660041A (zh) * 2019-08-06 2020-01-07 上海孚典智能科技有限公司 基于深度神经网络的肺部退行性疾病判别技术
CN110659631A (zh) * 2018-06-30 2020-01-07 华为技术有限公司 车牌识别方法和终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190220746A1 (en) * 2017-08-29 2019-07-18 Boe Technology Group Co., Ltd. Image processing method, image processing device, and training method of neural network
CN110659631A (zh) * 2018-06-30 2020-01-07 华为技术有限公司 车牌识别方法和终端设备
CN109544524A (zh) * 2018-11-15 2019-03-29 中共中央办公厅电子科技学院 一种基于注意力机制的多属性图像美学评价系统
CN110288665A (zh) * 2019-05-13 2019-09-27 中国科学院西安光学精密机械研究所 基于卷积神经网络的图像描述方法、计算机可读存储介质、电子设备
CN110660041A (zh) * 2019-08-06 2020-01-07 上海孚典智能科技有限公司 基于深度神经网络的肺部退行性疾病判别技术

Similar Documents

Publication Publication Date Title
CN107609217B (zh) 碰撞校核数据的处理方法及装置
US20200342294A1 (en) Neural network accelerating apparatus and operating method thereof
CN109284700B (zh) 图像中多个人脸检测的方法、存储介质、设备及系统
CN112435343A (zh) 点云数据处理方法和装置、电子设备及存储介质
CN111242840A (zh) 手写体字符生成方法、装置、计算机设备和存储介质
CN111899191A (zh) 一种文本图像修复方法、装置及存储介质
CN114022748A (zh) 目标识别方法、装置、设备及存储介质
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质
CN111914854A (zh) 一种基于神经网络的喷雾特征提取方法、设备及存储介质
CN111460074B (zh) 一种轨迹碰撞分析方法、装置及电子设备
CN112598611A (zh) 一种凸字体银行卡号图像的合成方法、识别方法及装置
CN112529897A (zh) 一种图像检测方法、装置、计算机设备及存储介质
CN115984949A (zh) 一种带有注意力机制的低质量人脸图像识别方法及设备
CN106354516B (zh) 追踪设备的方法及装置
CN111198661B (zh) 存储设备写入操作过程的还原方法、装置和设备
CN111783976B (zh) 一种基于窗口梯度更新的神经网络训练过程中间值存储压缩方法和装置
CN110929786B (zh) 一种数据增广方法及电子设备
CN114155471A (zh) 设计图纸与实物的核验方法、装置、计算机设备和系统
CN111079643B (zh) 基于神经网络的人脸检测方法、装置和电子设备
CN109978863B (zh) 基于x射线图像的目标检测方法及计算机设备
CN112365510A (zh) 图像处理方法、装置、设备及存储介质
CN107016316A (zh) 一种条形码的识别方法和装置
CN112906808A (zh) 基于卷积神经网络的图像分类方法、系统、装置及介质
CN111046012B (zh) 巡检日志的抽取方法、装置、存储介质和电子设备
CN116975517B (zh) 部分加权随机选取策略的稀疏恢复方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201110