[发明专利]一种基于深度学习网络的矿山图像粉尘去除方法及系统

权利要求书

1.一种基于深度学习网络的矿山图像粉尘去除方法，其特征在于，步骤包括：

S1、对矿山图像进行多尺度特征提取，获取所述矿山图像的高级图像特征、结构特征和低级图像特征；

S2、对所述高级图像特征、结构特征和低级图像特征进行修复处理，去除所述矿山图像的粉尘信息；所述S2中修复处理的过程包括：对所述矿山图像的高级图像特征、结构特征和低级图像特征进行特征修复处理，产生6个残差模块，每个残差模块由3个相同残差块组成，通过残差进行修复处理获得去除所述矿山图像的粉尘信息；

S3、将所述高级图像特征、结构特征、低级图像特征和所述矿山图像的粉尘信息进行融合处理，获取融合特征，将所述融合特征进行图像恢复处理，获得去除粉尘图像；所述S3中获取去除粉尘图像中的图像恢复处理包括：采用转置卷积、残差和特征融合进行图像恢复；

S4、将所述去除粉尘图像进行分块区域处理，获得粉尘概率，进行数据处理获得端到端网络的损失值，判断损失值是否符合要求，否，则要返回S1；是则获取去除粉尘成功的矿山图像；所述S4中分块区域处理的过程包括：将去粉尘图像进行图像缩放，将缩放后的图像进行粉尘概率估计模型推理，获得8×8的图像分块区域粉尘概率；构建粉尘概率估计模型包括：

S41、通过不成对的方式对矿山图像进行训练，判断所述矿山图像中有无粉尘存在的概率，输出为0-1的概率，对矿山图像进行分块标注，获得64个小区域图像的粉尘概率，获得粉尘概率值；

S42、选定损失函数为均方误差损失函数（MSE），将预测的64个图像块的粉尘概率值作为训练过程损失函数的输入，

式中，表示样本i的标记的粉尘概率，表示算法模型推理样本i得出的粉尘概率,n为64；

S43、重复S41-S42，直至loss值收敛，此时粉尘概率估计模型训练成功。

2.根据权利要求1所述的基于深度学习网络的矿山图像粉尘去除方法的去除系统，其特征在于，包括：

多尺度特征提取模块，由卷积和RCF模块组成，用于对矿山图像进行多尺度特征提取，获取所述矿山图像的高级图像特征、结构特征和低级图像特征；

修复处理模块，由多个残差模块组成，用于对所述高级图像特征、结构特征和低级图像特征进行修复处理，获得去除所述矿山图像的粉尘信息；

融合恢复模块，由TSF模块和卷积组成，用于将所述高级图像特征、结构特征和低级图像特征和所述矿山图像的粉尘信息进行融合处理，获取融合特征，将所述融合特征进行图像恢复处理，获得去除粉尘图像；

输出模块，用于将所述去除粉尘图像进行分块区域处理，获得粉尘概率，进行数据处理获得端到端网络的损失值，判断损失值是否符合要求，若符合要求，则获取去除粉尘成功的矿山图像；

所述RCF模块包括残差模块、卷积层和特征融合模块，其中：所述残差模块由3个连续的相同残差块构成，4组残差块的通道数依次为16、32、64和128；卷积层用于下采样，减少一半的特征通道数量，其输入通道数与同组RCF模块中残差块通道数相同，输出通道数是输入通道数的2倍，卷积核大小为3×3，步长为2；卷积层提取矿山图像在不同尺度下的特征，所述RCF模块将所述不同尺度下的特征进行特征融合；特征融合模块则通过组合得到的特征来获取互补信息，卷积核数量与RCF模块中卷积层输出通道数相同；

所述TSF模块包括转置卷积模块、特征增强模块和特征融合模块，其中：所述转置卷积模块用于上采样，将增加一倍的特征通道数量，4组转置卷积的输入通道数依次为256、128、64和32，输出通道数是输入通道数的一半，卷积核大小为3×3，步长为2；所述特征增强模块由3个连续的相同残差块构成，残差块的通道数与同TSF模块中转置卷积的输出通道数相同；特征融合模块则通过组合得到的特征来获取互补信息，卷积核数量与同TSF模块中残差模块的通道数相同。