[发明专利]基于深度学习的全息粒子检测方法

权利要求书

1.一种基于深度学习的全息粒子检测方法，其特征在于，包括：

S01、采集粒子场全息图；

S02、图像增强；

S03、标注数据集，并将数据集分成训练数据集、测试数据集和验证数据集；

S04、在Keras深度学习框架上，构建Yolo检测模型，设计轻量化的密集连接网络提取粒子特征；

S05、将训练数据集输入到所述的深度学习模型进行训练，并用验证数据集验证所训练的网络，最后将训练好网络模型保存；

S06、将测试数据集输入到训练好的模型中，输出粒子的种类和空间位置信息。

2.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S01具体包括：

采用喷射装置向粒子场中喷射粒子，每个粒子距离相机位置50～250mm；

采用激光照射粒子，并采用高速相机拍摄粒子场得到全息图。

3.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S02具体包括：

对采集到的图像进行筛选，去除没有粒子，粒子图像模糊，光照不均匀的图像；

使用图像增强算法对筛选后的数据集进行处理，将数据集图片数量扩充为原来数量的二倍。

4.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S03具体包括：

采用聚焦评价函数算法，算出全息图中每个粒子的三维空间位置，并采用标注软件对每张图像进行类别和三维空间位置的标记；

将标注好的数据集分成训练数据集，验证数据集和测试数据集，三个数据集的数量比例为7:2:1。

5.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S04中，设计轻量级的密集连接网络来提取例子特征，具体包括：

采用密集连接网络Densenet模块构建密集连接网络单元，将不同分辨率的特征图进行融合；

采用U-Net网络结构，其中编码器和解码器由密集连接单元构成，并将具有低级语义信息的特征图和具有高级语义信息的特征图进行融合。

6.根据权利要求1所述的基于深度学习的全息粒子检测方法，其特征在于，所述的步骤S05具体包括：

设置所述的改进的Yolo检测模型的超参数，采用多任务损失函数为目标函数进行训练；

每次训练结束后计算目标函数值，并用验证集验证所训练的网络模型，得到相应的目标函数值和网络模型准确率，当网络模型的目标函数值最低，准确率最高时停止训练，并保存模型。