[发明专利]一种基于深度学习的移动设备液滴滴速的快速测量方法

权利要求书

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；

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。

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：

i∈[1,m]

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。