CN113901869B - 一种基于Spiking神经网络的无接触液位检测方法 - Google Patents
一种基于Spiking神经网络的无接触液位检测方法 Download PDFInfo
- Publication number
- CN113901869B CN113901869B CN202111029361.5A CN202111029361A CN113901869B CN 113901869 B CN113901869 B CN 113901869B CN 202111029361 A CN202111029361 A CN 202111029361A CN 113901869 B CN113901869 B CN 113901869B
- Authority
- CN
- China
- Prior art keywords
- liquid level
- neuron
- edge
- setting
- detection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Spiking神经网络的无接触液位检测方法,涉及图像处理领域,从视频中提取有效静态信息与动态信息;将得到的信息转换为脉冲序列;利用spiking神经元构建多层神经网络;设定spiking神经元参数;将所述脉冲序列作为输入,在液面即将到达容器口时释放脉冲信号;本方法将SNN与图像处理的方法相结合,应用于无接触液位检测,为智能检测设备轻量化、边缘化提供了新思路,同时扩展了基于spiking神经网络的类脑芯片的应用范围。
Description
技术领域
本发明涉及图像处理领域,更具体的是涉及一种基于Spiking神经网络的无接触液位检测方法。
背景技术
液位检测是通过接触或非接触手段检测液面相对于容器口位置的方法。液体表面通常在静止情况下水平,但存在沸腾或起泡的情况。液位检测方法分为接触式和非接触式两类。尽管接触式方法精度较高,但是该方法要求探测器件与液体相互接触,不符合食品安全相关规定。非接触式方法包括压力、红外、图像、声学等多种方法。
图像处理是根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。
卷积神经网络(CNN)是一种多层神经网络,擅长处理图像特别是大型图像的相关机器学习问题。卷积网络通过一系列的卷积和池化,从浅层提取局部频繁相似的特征,从深层提取全局抽象的特征。池化过程成功地解决了图像识别中数据量大的问题,实现了降维。通过提取的全方位的特征,利用全连接层连接分类器,最终完成整个训练。
Spiking神经网络(SNN)作为第三代人工神经网络,通过脉冲序列传输时间与空间信息,高度拟合生物神经网络中神经元的动态信息处理过程。Spiking神经元作为最基础的计算单元,在空间上整合所有突触(权重)传来的脉冲信号,在时间上累计历史信息的影响,具有强大的时空处理能力。同时,得益于SNN特殊的信息传输方式,SNN模型在功耗上远低于常规深度学习模型,十分适用于部署到轻量级边缘计算设备上。
将SNN与图像处理的方法相结合,应用于无接触液位检测,可以汲取CNN提取空间视觉特征的优势,利用SNN提取时序信息的特长和超低功耗的特点。
目前,尚未有将SNN用于无接触液位检测这一领域的先例。
发明内容
本发明的目的在于:为了解决上述技术问题,本发明提供一种基于Spiking神经网络的无接触液位检测方法,在保证准确率与通用性的同时,降低硬件部署成本。
本发明为了实现上述目的具体采用以下技术方案:
一种基于Spiking神经网络的无接触液位检测方法,包括以下步骤
步骤1:将摄像头采集到的视频数据转换为脉冲序列;
步骤2:设定spiking神经元参数,利用Spiking神经元构建检测网络;
步骤3:将脉冲序列输入Spiking神经网络,得到视频数据的检测结果。
作为一种可选的技术方案,所述步骤1具体为:
步骤11:设定摄像头拍摄的视频分辨率为HxW,帧速率为R帧/秒,视频采样间隔为step秒;
步骤12:针对视频中的第t时刻的图片使用边缘提取算法,得到的边缘矩阵E(x,y,t);
步骤13:根据边缘矩阵E,通过阈值编码得到边缘脉冲序列Se(x,y,t);
步骤14:将视频中的第t时刻图片和第t+step时刻图片做帧差,得到帧差矩阵D(x,y,t);
步骤15:利用阈值编码将帧差矩阵编码为液面脉冲序列Sl(x,y,t)。
作为一种可选的技术方案,所述步骤13中的阈值编码的具体方法为:设置阈值θ,当待编码数据x大于等于阈值θ时,将数据x编码为1,即发放一次脉冲;反之,则编码为0,即不发放脉冲。
作为一种可选的技术方案,所述步骤2中检测网络的搭建方法为:
步骤21:设置液面输入神经元,神经元矩阵与液面脉冲序列一一对应;
步骤22:设置边缘输入神经元,神经元矩阵与边缘脉冲序列一一对应,设置边缘神经元抑制半径r;边缘输入神经元抑制半径范围内的液面输入神经元无法产生脉冲信号;
步骤23:选择LIF模型作为液面检测神经元,设置神经元感受野窗口大小为w,阈值,液面检测神经元接收来自液面输入神经元的脉冲序列;
步骤24:选择LIF模型作为边缘检测神经元,设置神经元感受野窗口大小为w,阈值θe,边缘检测神经元接收来自边缘输入神经元的脉冲序列;
步骤25:选择LIF模型作为液位检测神经元,设置神经元阈值,液位检测神经元接收来自液面检测神经元和边缘检测神经元的脉冲序列;
步骤26:设置液位检测神经元点火数量阈值θf,当液位检测神经元点火个数超过θf个时,代表容器即将接满。
作为一种可选的技术方案,所述步骤1中的边缘提取方法主要有Canny边缘检测算法、sobel边缘检测算法、DoG边缘检测算法
本发明的有益效果如下:
1、本发明中将视频像素值转化为脉冲序列,不仅考虑了静置容器与动态液面之间的关系,突出容器与液面之间的区别,而且保证只有液面产生变化时产生脉冲信号,减少了神经网络的总体脉冲数量,降低了计算复杂度。
2、本发明不需要传统神经网络的训练,仅需根据实际情况调整个别参数,便于部署在硬件设备上,无须额外算力投入。
附图说明
图1是本发明的液位检测流程示意图。
图2是本发明的网络层参数示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
实施例1
如图1到2所示,本实施例提供一种基于多层spiking卷积神经网络的图像分类方法,包括以下步骤
步骤1:将摄像头采集到的视频数据转换为脉冲序列;
所述步骤1具体为:
步骤11:通过摄像头拍摄一段视频,分辨率为120x120,帧速率为25帧/秒,长度为10秒,视频采样间隔为0.2秒。则可以得到120x120x50的视频数据;
步骤12:对视频中的除了第一帧以外的每一帧图片使用canny边缘提取算法,得到大小为120x120x49的边缘矩阵E;
步骤13:根据边缘矩阵E,设置阈值θ=0.5编码得到大小为120x120x50,元素只有0或者1的边缘脉冲序列Se;
步骤14:设置step=1,即将视频中的每一帧图片和下一帧图片相减,之后取绝对值,得到大小为120x120x49帧差矩阵D;
步骤15:设置阈值θ=0.5编码得到大小为120x120x49,元素只有0或者1的液面脉冲序列Sl;
至此,我们将原本120x120x50大小,元素为0~1的原始视频转化为120x120x49x2,元素只有0或1的脉冲序列。
步骤2:设定spiking神经元参数,利用Spiking神经元构建检测网络;
进一步的,所述步骤2中检测网络的搭建方法为:
步骤21:如图2所示搭建120x120个液面输入神经元;
步骤22:如图2所示搭建120x120个边缘输入神经元,设置边缘神经元抑制半径r=1。每个边缘输入神经元连向像素空间距离1以内的液面输入神经元权重设置为-1,其它设置为0;
步骤23:如图2所示搭建液面检测神经元,设置神经元感受野窗口大小w=5,阈值,权重为1;在接收到液面输入神经元的脉冲序列后,可以得到116x116大小,元素为0或1的脉冲序列。
步骤24:如图2所示搭建边缘检测神经元,设置神经元感受野窗口大小w=5,阈值;在接收到边缘输入神经元的脉冲序列后,可以得到116x116大小,元素为0或1的脉冲序列。
步骤25:如图2所示搭建液位检测神经元,设置神经元阈值=2,。液位检测神经元接收来自液面检测神经元和边缘检测神经元的脉冲序列。
步骤26:设置液位检测神经元点火数量阈值f=145。当液位检测神经元点火个数超过145个时,代表容器即将接满。
步骤3:将脉冲序列输入Spiking神经网络,得到待识别视频的检测结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于Spiking神经网络的无接触液位检测方法,其特征在于,包括以下步骤
步骤1:将摄像头采集到的视频数据转换为脉冲序列;
步骤2:设定spiking神经元参数,利用Spiking神经元构建检测网络;
步骤3:将脉冲序列输入Spiking神经网络,得到视频数据的检测结果;
所述步骤1具体为:
步骤11:设定摄像头拍摄的视频分辨率为HxW,帧速率为R帧/秒,视频采样间隔为step秒;
步骤12:针对视频中除了第一帧以外的每一帧图片的图片使用边缘提取算法,得到的边缘矩阵E(x,y,t);
步骤13:根据边缘矩阵E,通过阈值编码得到边缘脉冲序列Se(x,y,t);
步骤14:将视频中的每一帧图片和下一帧图片相减,得到帧差矩阵D(x,y,t);
步骤15:利用阈值编码将帧差矩阵编码为液面脉冲序列Sl(x,y,t);
所述步骤13中的阈值编码的具体方法为:设置阈值θ,当待编码数据x大于等于阈值θ时,将数据x编码为1,即发放一次脉冲;反之,则编码为0,即不发放脉冲;
所述步骤2中检测网络的搭建方法为:
步骤21:设置液面输入神经元,神经元矩阵与液面脉冲序列一一对应;
步骤22:设置边缘输入神经元,神经元矩阵与边缘脉冲序列一一对应,设置边缘神经元抑制半径r;边缘输入神经元抑制半径范围内的液面输入神经元无法产生脉冲信号;
步骤23:选择LIF模型作为液面检测神经元,设置神经元感受野窗口大小为w,阈值,液面检测神经元接收来自液面输入神经元的脉冲序列;
步骤24:选择LIF模型作为边缘检测神经元,设置神经元感受野窗口大小为w,阈值θe,边缘检测神经元接收来自边缘输入神经元的脉冲序列;
步骤25:选择LIF模型作为液位检测神经元,设置神经元阈值,液位检测神经元接收来自液面检测神经元和边缘检测神经元的脉冲序列;
步骤26:设置液位检测神经元点火数量阈值θf,当液位检测神经元点火个数超过θf个时,代表容器即将接满。
2.根据权利要求1所述的一种基于Spiking神经网络的无接触液位检测方法,其特征在于,所述步骤1中的边缘提取方法有Canny边缘检测算法、sobel边缘检测算法、DoG边缘检测算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029361.5A CN113901869B (zh) | 2021-09-02 | 2021-09-02 | 一种基于Spiking神经网络的无接触液位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111029361.5A CN113901869B (zh) | 2021-09-02 | 2021-09-02 | 一种基于Spiking神经网络的无接触液位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901869A CN113901869A (zh) | 2022-01-07 |
CN113901869B true CN113901869B (zh) | 2023-04-21 |
Family
ID=79188291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111029361.5A Active CN113901869B (zh) | 2021-09-02 | 2021-09-02 | 一种基于Spiking神经网络的无接触液位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901869B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN105866200A (zh) * | 2016-03-21 | 2016-08-17 | 杭州市红十字会医院 | 一种用于依托泊苷治疗效果评价的装置及方法 |
CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110458903A (zh) * | 2019-07-29 | 2019-11-15 | 北京大学 | 一种编码脉冲序列的图像处理方法 |
CN111639754A (zh) * | 2020-06-05 | 2020-09-08 | 四川大学 | 一种神经网络的构建、训练、识别方法和系统、存储介质 |
CN112682030A (zh) * | 2020-12-29 | 2021-04-20 | 西安长拓电气自动化有限责任公司 | 一种动液面实时监测装置 |
CN113112521A (zh) * | 2021-03-09 | 2021-07-13 | 北京大学 | 一种基于脉冲阵列的运动检测方法 |
CN113204252A (zh) * | 2021-03-19 | 2021-08-03 | 阳春新钢铁有限责任公司 | 一种轧钢旋流池液位实时监测与自动控制系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6761633B2 (ja) * | 2015-12-10 | 2020-09-30 | ローム株式会社 | コントローラノード、センサネットワークシステム、およびその動作方法 |
EP3857457A1 (en) * | 2018-11-20 | 2021-08-04 | DeepMind Technologies Limited | Neural network systems for decomposing video data into layered representations |
-
2021
- 2021-09-02 CN CN202111029361.5A patent/CN113901869B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN105866200A (zh) * | 2016-03-21 | 2016-08-17 | 杭州市红十字会医院 | 一种用于依托泊苷治疗效果评价的装置及方法 |
CN107194426A (zh) * | 2017-05-23 | 2017-09-22 | 电子科技大学 | 一种基于Spiking神经网络的图像识别方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110458903A (zh) * | 2019-07-29 | 2019-11-15 | 北京大学 | 一种编码脉冲序列的图像处理方法 |
CN111639754A (zh) * | 2020-06-05 | 2020-09-08 | 四川大学 | 一种神经网络的构建、训练、识别方法和系统、存储介质 |
CN112682030A (zh) * | 2020-12-29 | 2021-04-20 | 西安长拓电气自动化有限责任公司 | 一种动液面实时监测装置 |
CN113112521A (zh) * | 2021-03-09 | 2021-07-13 | 北京大学 | 一种基于脉冲阵列的运动检测方法 |
CN113204252A (zh) * | 2021-03-19 | 2021-08-03 | 阳春新钢铁有限责任公司 | 一种轧钢旋流池液位实时监测与自动控制系统 |
Non-Patent Citations (7)
Title |
---|
J. Wu 等.Progressive Tandem Learning for Pattern Recognition With Deep Spiking Neural Networks.IEEE Transactions on Pattern Analysis and Machine Intelligence.2021,第44卷(第11期),7824-7840. * |
Kinjal Patel等.A Spiking Neural Network for Image Segmentation.Neural and Evolutionary Computing.2021,1-25. * |
Tan, C等.Spiking Neural Networks: Background, Recent Development and the NeuCube Architecture.Neural Process Lett .2020,第52卷1675–1701 . * |
李嘉贤 等.危险气体罐车液位计算机视觉监控识别报警系统设计.现代电子技术.2016,第39卷(第22期),67-70,75. * |
李邦武.一种基于X射线成像系统的液位检测方法.中国优秀硕士学位论文全文数据库 (信息科技辑).2010,(第(2010)02期),I138-424. * |
王文东.磁共振图像向导的骨活检手术机器人关键技术研究.中国博士学位论文全文数据库 (信息科技辑).2015,(第(2015)07期),I140-107. * |
郭星辰.基于STC12单片机液位测量系统的设计.电子技术与软件工程.2020,(第20期),94-97. * |
Also Published As
Publication number | Publication date |
---|---|
CN113901869A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
US5245672A (en) | Object/anti-object neural network segmentation | |
CN109635744A (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN108985252B (zh) | 改进的脉冲深度神经网络的图像分类方法 | |
CN106407903A (zh) | 基于多尺度卷积神经网络的实时人体异常行为识别方法 | |
Yu et al. | Railway obstacle detection algorithm using neural network | |
CN113139489B (zh) | 基于背景提取和多尺度融合网络的人群计数方法及系统 | |
Bawane et al. | Object and character recognition using spiking neural network | |
Song et al. | Feature extraction and target recognition of moving image sequences | |
Douville | Real-time classification of traffic signs | |
CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
CN112149597A (zh) | 一种基于深度学习的河流表面流速检测方法 | |
Kheder et al. | Transfer learning based traffic light detection and recognition using CNN inception-V3 model | |
CN113901869B (zh) | 一种基于Spiking神经网络的无接触液位检测方法 | |
CN109887004A (zh) | 一种基于tld算法的无人船海域目标跟踪方法 | |
CN113139497A (zh) | 一种水面物体识别的系统、方法及基于5g mec的应用 | |
CN111639609A (zh) | 基于机器视觉与深度学习的金属断口类型智能识别系统 | |
CN117079095A (zh) | 基于深度学习的高空抛物检测方法、系统、介质和设备 | |
Luo et al. | A slight smoke perceptual network | |
CN111639550A (zh) | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 | |
Chakraborty et al. | Bengali handwritten character transformation: basic to compound and compound to basic using convolutional neural network | |
CN116665016B (zh) | 一种基于改进YOLOv5的单帧红外弱小目标检测方法 | |
Xia et al. | Multi-RPN Fusion-Based Sparse PCA-CNN Approach to Object Detection and Recognition for Robot-Aided Visual System | |
Subri et al. | Neural network corner detection of vertex chain code | |
Duan et al. | A Crack Classification Method for Dam Image Based on Double-input Neural Network |
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 |