[发明专利]一种乳状液液滴识别系统、方法、计算机设备及存储介质

说明书

本发明属于乳状液液滴识别领域，涉及一种乳状液液滴识别方法，包括以下步骤：获取乳状液原始图像，对乳状液原始图像进行预处理，得到乳状液序列图像；对乳状液序列图像进行处理，生成掩膜图像；将得到的掩膜图像以及乳状液序列图像共同作为乳状液图像数据集，将乳状液图像数据集输入UNet神经网络进行多轮训练，获得最优权重参数，得到训练好的的乳状液液滴识别模型；使用训练好的乳状液液滴识别模型对待识别的乳状液图片进行识别，输出乳状液显微图片液滴识别结果图。本发明提出的乳状液液滴识别方法基于UNet网络结构，提高乳状液液滴的识别精度，且具有较强的泛化能力，实现了乳状液液滴的自动识别。

技术领域

本发明属于乳状液液滴识别领域，涉及一种乳状液液滴识别系统、方法、计算机设备及存储介质。

背景技术

观测乳状液粒径大小及其分布是分析乳状液稳定性的前提条件，对掌握乳状液微观特征、指导溶液乳化和破乳过程非常重要。乳状液粒径研究的第一步是要能够准确的识别出乳状液液滴。显微镜下拍摄的乳状液图片容易受到设备的干扰，产生噪声，且背景复杂，识别困难。

现有的识别乳状液液滴的方法主要有两种：一种为使用全局阈值二值化算法识别乳状液液滴。基本思路是首先找到图像中所有像素的最大值和最小值，取中点作为阈值。将图像中低于某个阈值的像素设置为黑色，其他设置为白色。但是如果图像过拟合或者欠曝光，图像可能会全黑或者全白，无法进行乳状液的液滴识别。

第二种方法是对乳状液液滴进行边缘检测，边缘检测的目的是找到图像中亮度变化剧烈的像素点构成的集合，这些集合往往就是目标的轮廓，但在实际中对乳状液显微图检测时，边缘的变化并没有预想中的简单明显，并且算法的过程较为复杂，对初始图像的要求较高，算法鲁棒性较差，对不同类型的乳状液识别时，有着不同的成功率，算法推广性不强。

发明内容

本发明提供了一种乳状液液滴识别系统、方法、计算机设备及存储介质，解决了现有乳状液液滴识别难、精度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种乳状液液滴识别方法，包括以下步骤：

步骤1、获取乳状液原始图像，对乳状液原始图像进行预处理，得到乳状液序列图像；

步骤2、对乳状液序列图像进行处理，生成掩膜图像；

步骤3、将得到的掩膜图像以及步骤1得到的乳状液序列图像共同作为乳状液图像数据集，将乳状液图像数据集输入UNet神经网络进行多轮训练，获得最优权重参数，得到训练好的的乳状液液滴识别模型；

步骤4、使用训练好的乳状液液滴识别模型对待识别的乳状液图片进行识别，输出乳状液显微图片液滴识别结果图。

进一步，步骤1中，用显微镜获取不同类型的乳状液原始图像。

进一步，步骤1中，所述预处理用于对乳状液原始图像进行数据扩充，数据扩充的方式为水平翻转、垂直翻转、随机剪裁、旋转或加噪声。

进一步，步骤2中，使用Lableme软件标注乳状液序列图像，将乳状液液滴区域标注名设置为target，生成与乳状液序列图像对应的json文件；

使用json文件和步骤1得到的乳状液序列图像生成掩膜图像。

进一步，步骤3中，UNet神经网络包含5个下采样层和5个上采样层，最后一个下采样层和第一个上采样层连接，前四个下采样层和后四个上采样层之间存在跳跃连接链，最后一个上采样层连接全连接层输出识别结果。

进一步，步骤3中，UNet神经网络所使用的激活函数为Relu函数。