CN113496482B - 一种毒驾试纸图像分割模型、定位分割方法及便携式装置 - Google Patents

一种毒驾试纸图像分割模型、定位分割方法及便携式装置 Download PDF

Info

Publication number
CN113496482B
CN113496482B CN202110559673.0A CN202110559673A CN113496482B CN 113496482 B CN113496482 B CN 113496482B CN 202110559673 A CN202110559673 A CN 202110559673A CN 113496482 B CN113496482 B CN 113496482B
Authority
CN
China
Prior art keywords
image
layer
convolution
test paper
model
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.)
Active
Application number
CN202110559673.0A
Other languages
English (en)
Other versions
CN113496482A (zh
Inventor
林楠
陈永霞
吴爽
赵博学
许逸楠
刘梦迪
张艳青
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110559673.0A priority Critical patent/CN113496482B/zh
Publication of CN113496482A publication Critical patent/CN113496482A/zh
Application granted granted Critical
Publication of CN113496482B publication Critical patent/CN113496482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种毒驾试纸图像分割模型、定位分割方法及便携式装置，其中，图像分割模型采用编码器‑解码器网络架构；在编码器网络部分，首先采用单层卷积提取图像特征，之后将图像特征逐渐传递至后续的三个采用跳层连接的卷积块ConvBlock，三个卷积块ConvBlock都由两组滑动步长为1的卷积层组合而成；在解码器网络部分，包括五个上采样组；定位分割方法包括：先进行网络模型训练，而后将待测原始图像作为输入图像，输入已训练好的网络模型，输出该图像中有效试纸区域；便携式装置，包括用于对检测试纸进行拍摄获取原始图像的摄像头和用于根据已训练好的毒驾试纸图像分割模型输出该图像中有效试纸区域的图像识别装置。

Description

一种毒驾试纸图像分割模型、定位分割方法及便携式装置
技术领域
本发明属于图像识别技术领域，具体的说，涉及了一种毒驾试纸图像分割模型、定位分割方法及便携式装置。
背景技术
目前针对驾驶员常用的毒驾检测方式包括实验室相关专业设备精准检测和便携设备道路稽查(如道路酒驾检测)。针对常规道路便携式检查常用试纸作为检测方式。免疫胶体金试纸条法是为提高检测的便捷性而设计的。国内对于机动车驾驶者的毒驾检测主要采用血液检测、尿液检测和唾液检测三种方式。相较于另外两种方式，唾液检测在毒检道路现场更为普遍。唾液检测采用的试纸检测方式，只需将待检测物质与试纸反应区接触即可完成检测，具有成本低、灵敏度高、方便快捷等特点。但是，目前毒驾道路检测中对唾检试纸的常用判断方式为目测法，目测法进行试纸反应色域的识别，会受到环境影响及人眼颜色识别的差异，且检测纸体积较小，其有效试纸显色区域小，仅仅依靠目测，检测结果缺乏准确性。
传统边缘检测算子是对图像进行边缘检测，之后分割出特定目标区域。而针对毒驾检测试纸图像，由于图像中可能存在试纸晕染或者裂缝等情况，导致边缘检测定位存在偏差，如图1，由于图像中存在细微裂缝，在寻找距离中心最远的角点时，角点定位出现错误；
也有采用深度学习方式构建网络模型，有效识别原始毒驾试纸检测图像中试纸区域位置，从而进行后续图像操作。全卷积神经网络FCN，首先是训练比较麻烦，需要训练三次才能得到初步的训练结果，而且得到的结果不精确，对图像的细节不够敏感，这是因为在恢复图像大小的过程中，输入上采样层的标签图太稀疏。其次是对各个像素进行分类，没有考虑像素之间的关系，缺乏空间一致性；U-net网络，虽然对于医学图像分割具有较好的分割结果，但是网络冗余较大，当感受野选取较大的时候定位精度降低，当感受野较小时分类的精度就会降低，导致分类准确度和定位精度不可兼得。
因此，需要提供一种轻量化的同时能够保证模型具有较高识别准确率，且识别不会受试纸晕染以及试纸外壳裂缝等影响，具有较好抗干扰能力的神经网络模型。
发明内容
本发明的目的是针对现有技术的不足，提供一种毒驾试纸图像分割模型、定位分割方法及便携式装置。
为了实现上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种DrugSegNet毒驾试纸图像分割模型，采用编码器-解码器网络架构；
在编码器网络部分，首先采用单层卷积提取图像特征，之后将图像特征逐渐传递至后续的三个采用跳层连接的卷积块ConvBlock，三个卷积块ConvBlock都由两组滑动步长为1的卷积层组合而成；
第一个卷积块中一组卷积采用64个1x1大小的卷积核进行特征提取，第二组采用64个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
第二个卷积块中一组卷积采用128个1x1大小的卷积核进行特征提取，第二组采用128个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
第三个卷积块中一组卷积采用256个1x1大小的卷积核进行特征提取，第二组采用256个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
并且，在第一个卷积块后，不进行池化操作，在第二和第三个卷积块之后采用最大池化层；
在解码器网络部分，包括五个上采样组；
第一个上采样组由依次连接的零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，包括512个大小为3x3，滑动步长为1的卷积核；
第二个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为256，大小为3x3，滑动步长为1；
第三个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为128，大小为3x3，滑动步长为1；
第四个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为64，大小为3x3，滑动步长为1；
第五个上采样组，采用单独卷积操作，卷积核的数量为2，大小为3x3，滑动步长为1。
基于上述，在编码器网络部分，所述单层卷积包括依次连接的卷积层Conv、批量标准化层BN、激活层Ac和池化层Max-pooling；
其中，激活层Ac的激活函数采用修正线性单元Relu，Relu函数的公式为：Relu(x)＝max(x,0)；
批量标准化层BN对输入图像数据进行归一化处理：
Figure GDA0003212258280000031
经过归一化后，通过引入β、γ两个参数，再将数据送入下一层，即会对上层所学习到的特征形成重新特征分布：
Figure GDA0003212258280000032
本发明第二方面提供一种毒驾试纸图像的定位分割方法，包括：
网络模型训练
步骤1：使用摄像设备对检测试纸进行拍摄，得到原始图像；
步骤2：对原始图像的尺寸进行筛选，并对图像进行旋转、加噪声等操作，扩充图像数量，从中随机选取70％作为训练数据集；
步骤3：将训练集图像进行标签操作，使用labelme工具标注原始图像中需要进行定位分割的区域，得到标签图像，与原始图像形成图像对；
步骤4：构建所述的DrugSegNet毒驾试纸图像分割模型，选用损失函数，确定网络模型；
步骤5：将原始图像和标签图像一起作为输入，送入网络模型，进行神经网络模型训练；
步骤6：在模型训练完成后，进行模型测试；其中，原始图像集中剩余的20％作为测试集，10％作为验证集，测试该模型对于图像中区域的定位分割效果，最终获得训练好的网络模型；
试纸图像定位分割
步骤7，将待测原始图像作为输入图像，输入已训练好的网络模型；
步骤8，网络模型进行计算后，输出该图像中有效试纸区域。
本发明第三方面提供了一种便携式毒驾识别装置，包括摄像头和图像识别装置，所述摄像头用于对检测试纸进行拍摄，得到原始图像；图像识别装置，用于根据嵌入的已训练好的所述的DrugSegNet毒驾试纸图像分割模型，输出该图像中有效试纸区域。
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说，本发明具备以下有益效果：
本发明采用深度学习模型替代传统识别方式，使得利用手机、相机等摄像设备结合深度学习等方法，形成一种更加高效便捷的毒驾识别方式。可以使用常规试纸对驾驶人员进行检测，经过手机或相机进行拍摄，同时根据照片自动识别所存在的毒品。该方式大大降低稽查人员的专业性要求，且降低检测成本，能够对自动检测结果进行持久化存储，具有广阔的应用前景。
本发明提出的DrugSegNet毒驾试纸图像分割模型，重新构建编码器-解码器网络架构，采用跳级连接的模型结构有效保留了不同层级的图像特征。能够有效保留低层特征，并结合高层特征，实现毒驾试纸图像的定位分割，准确识别毒驾试纸图像中有效区域。能够有效排除图像中阴影、伪影和试纸晕染污染带来的影响。具有轻量级、检测时间短、准确度高(99.77％)的优点。
附图说明
图1是采用Canny算子对毒驾检测试纸图像进行边缘检测的示意图。
图2是本发明DrugSegNet毒驾试纸图像分割模型对毒驾试纸图像有效区域定位分割过程示意图。
图3是本发明DrugSegNet毒驾试纸图像分割模型示意图。
图4是本发明卷积块ConVBlock内部跳层连接结构示意图。
图5是本发明对比实验中毒驾试纸图像(左)和对应的标注图像(右)的对比图。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
实施例1
现有的分割模型中常用的卷积层主要采用线性方式直接进行逐层卷积，不断提取图像特征，并采用逐层池化的操作进行特征降维，压缩数据和参数量，以此降低训练过程中的过拟合问题。但随着卷积层数的不断增加，随之产生的问题是会逐渐丢失了原有图像中的低层图像特征。
如图1-2所示，本实施例提供了一种DrugSegNet毒驾试纸图像分割模型，采用编码器-解码器网络架构。
在编码器网络部分，编码器网络的结构如表1所示。首先采用单层卷积提取图像特征，将输入的毒驾试纸图像尺寸处理为205x205x64。之后将特征逐渐传递至后续的三个采用跳层连接的卷积块ConVBlock，三个卷积块ConVBlock都由两组滑动步长为1的卷积层组合而成。第一个卷积块中一组卷积采用64个1x1大小的卷积核进行特征提取，第二组采用64个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合。第二个卷积块中一组卷积采用128个1x1大小的卷积核进行特征提取，第二组采用128个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合。第三个卷积块中一组卷积采用256个1x1大小的卷积核进行特征提取，第二组采用256个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合。并且，在第一个卷积块后，不进行池化操作，在第二和第三个卷积块之后采用最大池化层，能够更好的保留图像的低层特征，保证图像的纹理和内容信息会不随着池化操作而被忽略。
本发明在编码器部分采用跳层连接的方式，由于在采样过程中随着网络深度的增加会逐渐削弱或丢失低层特征，低层特征虽然只包含简单的语义信息，但纹理信息更加丰富。跳层连接则是将低层的特征提取出来后，对其进行标准化处理，然后对该层提取的特征值进行标准化处理，之后将两次标准化处理的结果进行叠加合成，送入后一层网络。这样的网络结构使得各层的纹理特征能够更好的保留，保证了编码器的特征提取的能力。
表1 DrugSegNet毒驾试纸图像分割模型的编码器网络结构
Figure GDA0003212258280000061
Figure GDA0003212258280000071
具体的，分割模型中的激活函数采用修正线性单元Relu，Relu函数的公式如公式1.1。与常用的Sigmod激活函数相比，Relu具有稀疏性。它的作用是如果函数计算出的值效阈0，那么就让它等于0，否则就保持原本的值不变，即让输出值进行强制修正，使得训练后的网络完全具备适度的稀疏性，能够有效减少参数之间相互依存的关系，减少过拟合问题的发生。同时，采用Relu激活函数，在训练过程中梯度下降的收敛速度更快且更容易趋于稳定，不容易发生梯度消失和梯度爆炸的情况。
Relu(x)＝max(x,0) (1.1)
分割模型在每次卷积操作后加入了批量标准化层，为了解决在训练过程中，中间层的参数变化导致梯度消失等问题，能够加快训练速度。由于深度神经网络采用梯度传播的方式，进行参数迭代传播。因此当分割模型的前几层网络参数发生细小变化时，按照梯度传播的方向，其后续层数接收到的参数会被累计改变放大。而批量标准化层的加入，就是为了避免类似情况的发生，在网络的每一层输入的时候，插入一个批量标准化层进行归一化处理，将数据归一值均差为0、方差为1，然后再进入网络的下一层。批量标准化层的加入能够允许选择更大的初始学习率，使得训练速度有效提高，并且能够改善网络的梯度，减少参数对初始化的依赖，提高分割模型的泛化能力。使用批量标准化层还能够随机打乱训练数据进行模型训练，避免在训练过程中，某个样本数据被经常使用。
首先，对输入图像数据进行归一化处理，如公式1.2：
Figure GDA0003212258280000072
经过归一化后，通过引入β、γ两个参数，再将数据送入下一层，即会对上层所学习到的特征形成重新特征分布：
Figure GDA0003212258280000081
解码的过程相对与编码器来说是反卷积的过程，即进行了上采样操作，能够在进行最大池化操作的步骤中计算池化索引进行非线性的上采样，来恢复每个像素所对应与原图的位置信息。
解码器网络的结构如表2所示，包括五个上采样组；
第一个上采样组由零填充层、卷积层和批量标准化层组成，共有512个大小为3x3，滑动步长为1的卷积核，输出特征图的维度为26x26x512。在第二个上采样组中，依次进行最近邻插值上采样、零填充、卷积和批量标准化操作，卷积核的数量为256，大小为3x3，滑动步长为1，得到特征图尺寸为52x52x256。在第三个上采样组中，同样依次进行最近邻插值上采样、零填充、卷积和批量标准化操作，卷积核的数量为128，大小为3x3，滑动步长为1，得到特征图尺寸为104x104x128。第四个上采样组中的卷积核的数量为64，大小为3x3，滑动步长为1，得到特征图尺寸为208x208x64。第五个上采样组，采用单独卷积操作，卷积核的数量为2，大小为3x3，滑动步长为1，得到特征图尺寸为208x208x2，最终输出结果还原为与原始输入图像相同的尺寸。最终得到毒驾试纸图像的定位分割图像。
表2 DrugSegNet毒驾试纸图像分割模型的解码器网络
Figure GDA0003212258280000082
Figure GDA0003212258280000091
实验对比和结果分析
为了验证DrugSegNet模型对于真实毒驾试纸图像分割的定位分割效果，实验采用真实场景采集的毒驾试纸图像进行验证，并与U-Net、Seg-Net等经典分割模型进行对比，衡量其分割性能。
实验数据
毒驾试纸图像数据集是收集得到的数据集。目前该数据集包括247张毒驾试纸图像，并通过手动标注，获得对应的247张分割区域标注图。毒驾试纸图像尺寸大小为1920x2560的三维图像，标注图像的为1920x2560的单通道图像，毒驾试纸图像和对应的标注图像如图5所示。
为保证模型的有效训练结果，将毒驾试纸图像数据集划分和处理为训练集、测试集和验证集，具体划分如表3所示。
表3毒驾试纸图像数据划分与处理
Figure GDA0003212258280000092
训练参数
实验在具有48G显存的Nvidia TITAN RTX GPU，Intel(R)Xeon(R)Silver 4216CPU和124G主内存的Linux服务器上进行，实验基于Python 3.6和TensorFlow实现，使用Adma梯度下降优化器，其中动量参数β1＝0.9,β2＝0.999，初始学习率设置为0.0001，损失函数使用交叉熵函数，训练轮数为50。
对比试验
由于DrugSegNetd是针对便携式毒驾试纸识别设备的模型，因此该模型在计算能力和存储能力等要求低于常用的分割网络，因此通过模型参数、分割准确率等方面进行对比。由于该模型分割针对逐个像素点，因此可以得到完整图像的分割准确率，计算公式为：
Figure GDA0003212258280000101
分割准确率具体参数对比如表4所示。
表4 DrugSegNet与不同分割模型的对比结果
Figure GDA0003212258280000102
实施例2
本实施例提供一种毒驾试纸图像的定位分割方法，包括：
网络模型训练
步骤1：使用摄像设备对检测试纸进行拍摄，得到原始图像；
步骤2：对原始图像的尺寸进行筛选，并对图像进行旋转、加噪声等操作，扩充图像数量，从中随机选取70％作为训练数据集；
步骤3：将训练集图像进行标签操作，使用labelme工具标注原始图像中需要进行定位分割的区域，得到标签图像，与原始图像形成图像对；
步骤4：构建实施例1所述的DrugSegNet毒驾试纸图像分割模型，选用损失函数，确定网络模型；
步骤5：将原始图像和标签图像一起作为输入，送入网络模型，进行神经网络模型训练；
步骤6：在模型训练完成后，进行模型测试；其中，原始图像集中剩余的20％作为测试集，10％作为验证集，测试该模型对于图像中区域的定位分割效果，最终获得训练好的网络模型；
试纸图像定位分割
步骤7，将待测原始图像作为输入图像，输入已训练好的网络模型；
步骤8，网络模型进行计算后，输出该图像中有效试纸区域。
实施例3
对于毒驾试纸图像分割，其应用设备通常针对于便携式嵌入式设备，此类设备的存储空间和计算能力都收到限制。现有的由神经网络构建的编码器-解码器网络往往需要较大的存储空间和较高的计算能力，无法兼顾识别准确率和设备硬件需求，因此无法直接适用于毒驾试纸图像分割。而实施例1所述的DrugSegNet毒驾试纸图像分割模型可以在训练好后嵌入便携式设备，形成拍照检测一体的毒驾检测模式。
本实施例提供一种嵌入实施例1所述的DrugSegNet毒驾试纸图像分割模型的便携式毒驾识别装置，包括摄像头和图像识别装置，所述摄像头用于对检测试纸进行拍摄，得到原始图像；图像识别装置，用于根据嵌入的已训练好的实施例1所述的DrugSegNet毒驾试纸图像分割模型，输出该图像中有效试纸区域。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (2)

1.一种毒驾试纸图像的定位分割方法，其特征在于：
网络模型训练
步骤1：使用摄像设备对检测试纸进行拍摄，得到原始图像；
步骤2：对原始图像的尺寸进行筛选，并对图像进行旋转、加噪声等操作，扩充图像数量，从中随机选取70%作为训练数据集；
步骤3：将训练集图像进行标签操作，使用labelme工具标注原始图像中需要进行定位分割的区域，得到标签图像，与原始图像形成图像对；
步骤4：构建DrugSegNet毒驾试纸图像分割模型，选用损失函数，确定网络模型；
其中，DrugSegNet毒驾试纸图像分割模型，采用编码器-解码器网络架构；
在编码器网络部分，首先采用单层卷积提取图像特征，之后将图像特征逐渐传递至后续的三个采用跳层连接的卷积块ConvBlock，三个卷积块ConvBlock都由两组滑动步长为1的卷积层组合而成；
第一个卷积块中一组卷积采用64个1x1大小的卷积核进行特征提取，第二组采用64个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
第二个卷积块中一组卷积采用128个1x1大小的卷积核进行特征提取，第二组采用128个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
第三个卷积块中一组卷积采用256个1x1大小的卷积核进行特征提取，第二组采用256个1x3和3x1大小的卷积核进行特征提取，之后进行特征叠加组合；
并且，在第一个卷积块后，不进行池化操作，在第二和第三个卷积块之后采用最大池化层；
在解码器网络部分，包括五个上采样组；
第一个上采样组由依次连接的零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，包括512个大小为3x3，滑动步长为1的卷积核；
第二个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为256，大小为3x3，滑动步长为1；
第三个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为128，大小为3x3，滑动步长为1；
第四个上采样组由依次连接的上采样层Up-Samping、零填充层Zero-padding、卷积层Conv和批量标准化层BN组成，卷积核的数量为64，大小为3x3，滑动步长为1；
第五个上采样组，采用单独卷积操作，卷积核的数量为2，大小为3x3，滑动步长为1；
在编码器网络部分，所述单层卷积包括依次连接的卷积层Conv、批量标准化层BN、激活层Ac和池化层Max-pooling；
其中，激活层Ac的激活函数采用修正线性单元Relu，Relu函数的公式为：
Figure DEST_PATH_IMAGE001
；
批量标准化层BN能够对输入图像数据进行归一化处理：
Figure 735913DEST_PATH_IMAGE002
；
经过归一化后，通过引入β、γ两个参数，再将数据送入下一层，即会对上层所学习到的特征形成重新特征分布：
Figure DEST_PATH_IMAGE003
；
步骤5：将原始图像和标签图像一起作为输入，送入网络模型，进行神经网络模型训练；
步骤6：在模型训练完成后，进行模型测试；其中，原始图像集中剩余的20%作为测试集，10%作为验证集，测试该模型对于图像中区域的定位分割效果，最终获得训练好的网络模型；
试纸图像定位分割
步骤7，将待测原始图像作为输入图像，输入已训练好的网络模型；
步骤8，网络模型进行计算后，输出该图像中有效试纸区域。
2.一种便携式毒驾识别装置，包括摄像头和图像识别装置，其特征在于：
所述摄像头用于对检测试纸进行拍摄，得到原始图像；
图像识别装置，用于根据嵌入的已训练好的权利要求1所述的DrugSegNet毒驾试纸图像分割模型，输出该图像中有效试纸区域。
CN202110559673.0A 2021-05-21 2021-05-21 一种毒驾试纸图像分割模型、定位分割方法及便携式装置 Active CN113496482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110559673.0A CN113496482B (zh) 2021-05-21 2021-05-21 一种毒驾试纸图像分割模型、定位分割方法及便携式装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110559673.0A CN113496482B (zh) 2021-05-21 2021-05-21 一种毒驾试纸图像分割模型、定位分割方法及便携式装置

Publications (2)

Publication Number Publication Date
CN113496482A CN113496482A (zh) 2021-10-12
CN113496482B true CN113496482B (zh) 2022-10-04

Family

ID=77997774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110559673.0A Active CN113496482B (zh) 2021-05-21 2021-05-21 一种毒驾试纸图像分割模型、定位分割方法及便携式装置

Country Status (1)

Country Link
CN (1) CN113496482B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111407245A (zh) * 2020-03-19 2020-07-14 南京昊眼晶睛智能科技有限公司 一种基于摄像头的非接触式心率、体温测量方法
CN111612008A (zh) * 2020-05-21 2020-09-01 苏州大学 基于卷积网络的图像分割方法
WO2020228279A1 (zh) * 2019-05-10 2020-11-19 平安科技（深圳）有限公司 图像手掌区域提取方法及装置
WO2021022752A1 (zh) * 2019-08-07 2021-02-11 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN112767423A (zh) * 2021-02-05 2021-05-07 吉林师范大学 一种基于改进SegNet的遥感图像建筑物分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020228279A1 (zh) * 2019-05-10 2020-11-19 平安科技（深圳）有限公司 图像手掌区域提取方法及装置
WO2021022752A1 (zh) * 2019-08-07 2021-02-11 深圳先进技术研究院 一种多模态三维医学影像融合方法、系统及电子设备
CN111160276A (zh) * 2019-12-31 2020-05-15 重庆大学 基于遥感影像的u型空洞全卷积分割网络识别模型
CN111407245A (zh) * 2020-03-19 2020-07-14 南京昊眼晶睛智能科技有限公司 一种基于摄像头的非接触式心率、体温测量方法
CN111612008A (zh) * 2020-05-21 2020-09-01 苏州大学 基于卷积网络的图像分割方法
CN112767423A (zh) * 2021-02-05 2021-05-07 吉林师范大学 一种基于改进SegNet的遥感图像建筑物分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Brain Tumor Segmentation from MRI Images using Hybrid Convolutional Neural Networks;Dinthisrang Daimary等;《Procedia Computer Science》;20200416;第167卷;第2419-2428页 *
U-Segnet: Fully Convolutional Neural Network Based Automated Brain Tissue Segmentation Tool;Pulkit Kumar等;《2018 25th IEEE International Conference on Image Processing (ICIP)》;20180906;第3503-3507页 *
基于改进 SegNet算法的车道线检测方法;邓天民等;《科学技术与工程》;20201231;第20卷(第36期);第14989-14993页 *
基于改进SegNet的眼底图像血管分割;孟娴静等;《计算机工程与设计》;20201130;第41卷(第11期);第3148-3153页 *

Also Published As

Publication number Publication date
CN113496482A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
CN111104898B (zh) 基于目标语义和注意力机制的图像场景分类方法及装置
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN108229561B (zh) 一种基于深度学习的颗粒产品缺陷检测方法
CN111798416B (zh) 基于病理图像与深度学习的肾小球智能检测方法及系统
CN111639629B (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN115294038A (zh) 一种基于联合优化与混合注意力特征融合的缺陷检测方法
CN116363123B (zh) 对循环肿瘤细胞检测的荧光显微成像系统及其方法
CN114862838A (zh) 基于无监督学习的缺陷检测方法及设备
CN110659601B (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN111862079A (zh) 基于影像组学的高级别浆液性卵巢癌复发风险预测系统
WO2022127814A1 (zh) 一种图像的显著性物体检测方法、装置、设备及存储介质
CN115909006A (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN111985314A (zh) 一种基于ViBe与改进LBP的烟雾检测方法
US20210312620A1 (en) Generating annotation data of tissue images
CN114972202A (zh) 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法
CN114549959A (zh) 基于目标检测模型的红外弱小目标实时检测方法和系统
CN114241344A (zh) 一种基于深度学习的植物叶片病虫害严重程度评估方法
CN113496482B (zh) 一种毒驾试纸图像分割模型、定位分割方法及便携式装置
CN113781468A (zh) 一种基于轻量级卷积神经网络的舌图像分割方法
CN116843974A (zh) 基于残差神经网络的乳腺癌病理图像分类方法
CN112800952B (zh) 一种基于改进ssd算法的海洋生物识别方法及系统
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN113160261A (zh) 一种用于oct图像角膜层分割的边界增强卷积神经网络
CN110570417A (zh) 肺结节分类方法、装置及图像处理设备

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
GR01 Patent grant
GR01 Patent grant