申请/专利权人：西安交通大学

申请日：2022-05-20

公开（公告）日：2024-06-28

公开（公告）号：CN114913092B

主分类号：G06T5/00

分类号：G06T5/00;G06T5/50;G06T5/92;G06T7/13;G06N3/0464;G06N3/0455;G06N3/0475;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：本发明公开了一种在线铁谱反射光图像增强方法及系统，以在线铁谱反射光图像中磨粒的轮廓标记为基础，串联融合基于SqueezeNet‑Unet磨粒位置预测网络和ResNeXt‑CycleGAN图像转换网络构建在线铁谱反射光图像增强模型；确定基于SqueezeNet‑Unet的磨粒位置预测网络的损失函数，结合SSIM损失和L1损失优化ResNeXt‑CycleGAN图像转换网络的循环一致性损失函数，通过加权融合方式设计在线铁谱反射光图像增强模型的整体损失函数；以图像增强模型的整体损失函数作为优化目标，依次采用在线铁谱反射光原始图像和传统算法增强图像、原始图像和离线铁谱图像作为图像增强模型训练样本集，优化在线铁谱反射光图像增强模型，实现在线铁谱反射光图像中磨粒特征的增强。

主权项：1.一种在线铁谱反射光图像增强方法，其特征在于，包括以下步骤：S1、以在线铁谱反射光图像中磨粒的轮廓标记为基础，融合Unet架构和SqueezeNet网络构建基于SqueezeNet-Unet的磨粒位置预测网络，具体为：S101、标记在线铁谱反射光图像中的磨粒轮廓，构建磨粒位置标记图；S102、以Unet网络架构为基础，采用结合short-cut的SqueezeNet网络构建SqueezeNet-Unet磨粒位置预测网络的编码器；S103、采用双三次插值对特征图进行上采样，构建步骤S102得到的SqueezeNet-Unet磨粒位置预测网络的解码器；S104、采用Sigmoid激活函数作为步骤S102得到的SqueezeNet-Unet磨粒位置预测网络输出层，将输出层的输入图像转化为磨粒位置的概率图，实现反射光图像中磨粒的自动定位；S2、基于CycleGAN架构构建ResNeXt-CycleGAN图像转换网络，串联融合步骤S1构建的基于SqueezeNet-Unet磨粒位置预测网络和ResNeXt-CycleGAN图像转换网络构建在线铁谱反射光图像增强模型，在线铁谱反射光图像增强模型具体为：基于CycleGAN架构构建ResNeXt-CycleGAN图像转换网络，串联融合步骤S1构建的基于SqueezeNet-Unet磨粒位置预测网络和ResNeXt-CycleGAN图像转换网络构建在线铁谱反射光图像增强模型；串联方式为加权融合基于SqueezeNet-Unet磨粒位置预测网络的输出以及在线铁谱反射光原始图像作为ResNeXt-CycleGAN图像转换网络的输入；ResNeXt-CycleGAN图像转换网络的生成器输入层采用一个Conv-GN-ReLU块，输入层将输入图像的通道数调整为特征提取部分的输入通道数，使用两个Conv-GN-ReLU块构建编码器；采用ResNeXt构建特征转换层；采用两个Deconv-GN-ReLU块构建解码器，使用一个Conv-GN-TanH块作为网络输出层；采用Pix2pix网络中的PatchGAN结构作为ResNeXt-CycleGAN图像转换网络的判别器；加入dropout层，使用FC-Sigmoid作为判别器输出层，输出图像的判别概率；S3、确定步骤S1构建的基于SqueezeNet-Unet的磨粒位置预测网络的损失函数，结合SSIM损失和L1损失优化步骤S2构建的ResNeXt-CycleGAN图像转换网络的循环一致性损失函数，通过加权融合方式设计在线铁谱反射光图像增强模型的整体损失函数，通过通过加权融合方式设计图像增强模型的整体损失函数具体为：采用Focalloss损失作为基于SqueezeNet-Unet的磨粒位置预测网络的损失函数；采用交叉熵损失作为ResNeXt-CycleGAN图像转换网络的对抗损失函数；使用SSIM损失以匹配基于ResNeXt-CycleGAN的在线铁谱反射光图像增强模型的循环一致重建图像和原始图像的亮度、对比度信息，结合SSIM损失LSSIM和L1损失LL1作为ResNeXt-CycleGAN图像转换网络的循环一致性损失函数；基于SqueezeNet-Unet的磨粒位置预测网络的Focalloss损失LFocal_loss和基于ResNeXt-CycleGAN图像转换网络的对抗损失LGAN和循环一致性损失函数，通过加权求和方式获得在线铁谱反射光图像增强模型的整体损失函数；S4、以步骤S3得到的图像增强模型的整体损失函数作为优化目标，依次采用在线铁谱反射光原始图像和传统算法增强图像、原始图像和离线铁谱图像作为图像增强模型训练样本集，优化步骤S2构建的在线铁谱反射光图像增强模型，实现在线铁谱反射光图像中磨粒特征的增强，具体为：S401，获取透射光图像和反射光图像，利用色彩恢复法增强反射光图像，叠加透射光图像和反射光增强图像以获得图像增强模型训练所需的初步样本；S402，将采用离线铁谱获取的高质量图像作为最终样本；S403，将基于SqueezeNet-Unet的磨粒位置预测网络在ImageNet数据集上进行训练以获取网络参数，迁移所获参数作为SqueezeNet-Unet编码器的预训练参数；S404，以反射光原始图像和步骤S401获得的初步样本为训练样本，使用Adam算法对在线铁谱反射光图像增强模型进行训练；S405，在步骤S404初步训练的在线铁谱反射光图像增强模型基础上，以反射光原始图像和步骤S402得到的最终样本为训练样本，采用SGD算法对在线铁谱反射光图像增强模型进行优化训练，实现在线铁谱反射光图像增强模型的训练，实现在线铁谱反射光图像增强模型的构建，对在线铁谱反射光图像进行增强。

全文数据：

权利要求：

百度查询： 西安交通大学 一种在线铁谱反射光图像增强方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD