[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

说明书

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。

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：