[发明专利]一种基于Mobile-Unet网络的通风孔识别与定位方法

权利要求书

1.一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于，它包括以下步骤：

S100：图像预处理；

S200：标签制作；

S300：图像裁剪；

S400：图像增强；

S500：网络模型设计；

将处理后的图像数据输入到Mobile-Unet网络模型，该网络模型主体包括四个编码器和四个解码器，编码器与解码器之间均有对应的跨层连接；

S501：使用MobileNet的特征提取模块替换Unet网络的编码部分，进行四次下采样，三次上采样，每一次堆叠多层深度可分离卷积，并将每次运行后得到的特征Fi保存下来；

S502：在解码器中将下一层上采样的结果与本层提取的特征依次连接起来，连接过程中两侧的特征尺寸保持一致；

S503：进行卷积降维处理，通风孔的识别问题最终可简化为2分类问题，因此解码器最终输出为2个尺寸减半的特征图，通过softmax函数估计每个像素点属于某一类的概率，实现对每一个像素点的分类，最后将输出的结果扩充到原始图像的大小；

S600：通风孔识别与定位；

采用训练好的Mobile-Unet网络模型对测试图像进行识别，获得每个像素点的类别，统计通风孔识别结果，当其大于某一设定值时，判定即将进入孔上方。

2.根据权利要求1所述一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于：步骤S100中所用数据集来自检测机器人作业时的底部摄像头所拍摄，包括通风孔图像和背景图像，覆盖转子铜排进入到退出的全过程；利用matlab代码将各类型的通风孔图像进行0-255的图像归一化处理，并将所存在的异常值进行检查与去除。

3.根据权利要求2所述一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于：步骤S200标签制作的方法为：用掩膜技术制作原始图像的标签，使用标注软件将通风孔像素值设置为1，而非通风孔像素值设置为0。

4.根据权利要求3所述一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于：步骤S300中图像裁剪的方法为：利用python代码将不同种类的通风孔图像及其所对应的通风孔标签随机裁剪成同一像素的通风孔图像，按比例划分成训练集、验证集、测试集。

5.根据权利要求4所述一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于：步骤S400中图像增强的方法为：利用代码，将训练集中所有通风孔图像遍历一次，随机地对读入的训练集图像数据进行水平翻转、垂直翻转、旋转、放缩、模糊滤波、调整亮度及gamma变换等操作，将其增广，和背景图像一起打乱顺序后作为训练集。

6.根据权利要求1-5中任一项所述一种基于Mobile-Unet网络的通风孔识别与定位方法，其特征在于：步骤S501中下采样的方法为：

第一次下采样：将输入大小16ax16ax3的图像，经过零填充、标准卷积、归一化、激活后等操作后，再经过1层核大小为3x3，步长为2的深度可分离卷积，输出大小变为8ax8axb，同时经过1层核大小为3x3，步长为1的深度可分离卷积层，提取该层的特征F1；

第二次下采样：将输入大小8ax8axb的参数，经过1层核大小为3x3，步长为2的深度可分离卷积层，输出大小变为4ax4ax2b，用作下次采样和后续全连接使用，同时经过2层核大小为3x3，步长为1的深度可分离卷积层，提取该层的特征F2；

第三次下采样：将输入大小4ax4ax2b的参数，经过1层核大小为3x3，步长为2的深度可分离卷积层，输出大小变为2ax2ax4b，用作下次采样和后续全连接使用，同时经过2层核大小为3x3，步长为1的深度可分离卷积层，提取该层的特征F3；

第四次下采样：将输入大小2ax2ax4b的参数，经过1层核大小为3x3，步长为2的深度可分离卷积层，输出大小变为axax8b，图像尺寸变成axa，通道数增加到8b，同时经过6层核大小为3x3，步长为1的深度可分离卷积层，提取该层的特征F4。