[发明专利]基于深度残差网络的密集架通道异物存在性判别方法

权利要求书

1.一种基于深度残差网络的密集架通道异物存在性判别方法，其特征在于，包括以下步骤：

步骤(1)构建密集架通道图像数据集；

步骤(2)构建深度残差网络模型；1)构建网络输入层，用于进行密集架通道图像的浅层特征提取；2)引入多尺度注意力融合模块，得到特征图不同尺度和不同区域间的信息变化，并且使网络聚焦于异物的关键特征；3)采用改进的Res2Net残差单元构建残差主干网络，进一步提取特征图中高阶的异物特征，提高模型判别准确率；4)经过输出层，将异物特征进行特征分类匹配，得到异物存在性判别结果；

步骤(3)训练深度残差网络模型；得到测试准确率最高的一组模型参数；

步骤(4)模型的导出和调用；首先，将步骤(3)中得到的模型参数重新导入深度残差网络模型并保存成字典文件；其次，将字典文件转化为ONNX通用的模型框架；再次，在C++工程里调用内存中的ONNX模型参数，对实时采集的密集架通道图像进行运算；最后，输出异物存在性判别结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤(2)中的多尺度注意力融合模块是首先经过三个并行的特征图处理通道，每个通道包括一个空洞卷积层和一个SE注意力机制模块，其中空洞卷积层的输入通道数为32，输出通道数为32，卷积核尺寸为3×3，步长为1，空洞率分别为1、2、5，均采用批量正则化和ReLU线性激活；其次，将三个通道得到的特征图按通道维度进行拼接，得到一个96通道特征图；再次，利用1×1卷积将步骤(2.1)中特征提取模块输出特征图的通道扩张为96，并使其与上述拼接后的96通道特征图逐元素相加；最后，经过一个ReLU线性激活层；

所述改进的Res2Net残差单元是首先经过卷积核尺寸为1×1、步长为1、输出通道数为H的卷积层1，并将输出的特征图x按通道维度平均分为3份，为x₁、x₂、x₃；其中，x₁直接输出为y₁；x₂经过卷积核尺寸为3×3、步长为Q、输出通道数为H/3的卷积层2，再经过批归一化层和ReLU激活层输出为y₂；x₃与y₂逐元素相加后，经过卷积核尺寸为3×3、步长为1、输出通道数为H/3的卷积层3，再经过批归一化层和ReLU激活层输出为y₃；然后，将y₁、y₂、y₃按通道维度进行拼接，拼接后的输出记为F(x)，对F(x)和卷积层1的输出x分别赋以1.2、0.8的权重，再逐元素相加；最后，经过卷积核尺寸为1×1、步长为1、输出通道数为I的卷积层4和一个ReLU线性激活层。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中的网络输入层是首先经过卷积核尺寸为3×3、步长为2、输出通道数为32的卷积层1；然后，依次经过两个相同的卷积层2和3，卷积核尺寸为3×3、步长为1、输出通道数为32；最后，经过池化核尺寸为3×3、步长为2的最大池化层；以上卷积层均采用批量正则化和ReLU线性激活；

所述的残差主干网络是由11个改进的Res2Net残差单元组成；首先，接一个改变特征图大小的残差单元，该残差单元中H为48、Q为2、I为64，其后接入三个增加网络深度的残差单元，该残差单元中H为48、Q为1、I为128；其次，接一个改变特征图大小的残差单元，该残差单元中H为96、Q为2、I为128，其后接入两个增加网络深度的残差单元，该残差单元中H为96、Q为1、I为128；再次，接一个改变特征图大小的残差单元，该残差单元中H为128、Q为2、I为256，其后接入一个增加网络深度的残差单元，该残差单元中H为128、Q为1、I为256；最后，接一个改变特征图大小的残差单元，该残差单元中H为256、Q为2、I为512，其后接入一个增加网络深度的残差单元，该残差单元中H为256、Q为1、I为512；

所述的网络输出层是首先经过自适应平均池化层，输出一个长度为通道数的特征向量；然后，经过长度为2的全连接层；最后，送入Softmax分类器中得到异物存在性判别结果。

4.根据权利要求1所述的方法，其特征在于，所述步骤(1)中构建密集架通道图像数据集具体如采集方法如下：

密集架通道无异物图像采集；首先，分别在密集架库房内的m种不同类型光源下，变更密集架的通道宽度，采集m种不同类型光源下、不同密集架通道宽度的无异物图像；其次，将采集的无异物图像放入文件夹名称为“无异物”的目录中，文件夹名称作为标签；

密集架通道有异物图像采集；首先，分别在密集架库房内的m种不同类型光源下，变更密集架的通道宽度，同时分别向通道内置入n种不同种类异物，采集m种不同类型光源下、不同密集架通道宽度、n种不同异物类型的有异物图像；其次，将采集的有异物图像放入文件夹名称为“有异物”的目录中，文件夹名称作为标签。