[发明专利]基于深度学习的全息粒子检测方法

说明书

本发明公开了一种基于深度学习的全息粒子检测方法，包括：采集粒子场全息图；数据增强；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；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；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；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。本发明相比于传统检测方法提高了粒子分类准确率，定位准确率和检测效率，降低了粒子误检率；该粒子检测方法相比于传统方法适用范围更广，在降低成本的同时，提高检测效率和实时性。

技术领域

本发明属于光学测量技术领域，更具体的是涉及一种基于深度学习的全息粒子检测方法。

背景技术

粒子检测技术在生活中的应用越来越广泛，从工业生产到生活中的水质检测，空气中污染物检测等。这些生活中小粒子与我们自身的健康状态息息相关。传统的液体中微小粒子使用经典的库尔特阻抗法。空气中的小粒子检测则使用光学测量方法，想要识别具体粒子还要使用必须利用IR和UV波长照射粒子，紫外光可以引起荧光，IR可以引起散射，比率可以用于识别粒子。但这些方法和设备不仅计算效率比较低，而且相关设备也比较昂贵、大且笨重，因此不容易被公众得到。

迫切需要一种廉价、重量轻和精度高且具有实时性能的粒子检测器。数字全息成像技术可以使用简单的激光器就可实现光路的搭建。数字全息成像技术所得到的图像不仅包含粒子的二维位置信息，而且还包含物体的折射率，动量以及速率、空间位置信息等。可以从一张全息像上得到粒子的种类信息和空间位置信息。但传统的全息重建算法应用场景受限，需要很多先验知识。当处于一个新的检测领域或者检测环境后，还要调试设备和算法参数以适应新的环境。

发明内容

为了解决上述问题，本发明提出一种基于深度学习的全息粒子检测方法，可快速分辨粒子种类和粒子所在的三维空间位置。

为了实现上述目的，本发明所采用的技术方案如下：一种基于深度学习的全息粒子检测方法，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。

与现有技术相比，本发明的显著优点为：本发明相比于传统检测方法提高了粒子分类准确率，定位准确率和检测效率，降低了粒子误检率；该粒子检测方法相比于传统方法适用范围更广，在降低成本的同时，提高检测效率和实时性。

附图说明

图1为本发明实施例提供的基于深度学习的全息粒子检测方法流程示意图。

图2为本发明实施例提供的全息图采集装置示意图。

图3为本发明实施例提供的轻量化特征提取单元示意图。

图4为本发明实施例提供的轻量化密集连接网络结构示意图。

具体实施方式

如图1所示，一种基于深度学习的全息粒子检测方法，具体包含：

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；