(10)申請(qǐng)公布號(hào)CN120219230A(71)申請(qǐng)人中國礦業(yè)大學(xué)號(hào)(74)專利代理機(jī)構(gòu)西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)61223GO6N(54)發(fā)明名稱一種基于雙通道特征的圖像氣泡噪聲去除方法及系統(tǒng)本發(fā)明為一種基于雙通道特征的圖像氣泡噪聲去除方法及系統(tǒng)，涉及圖像處理技術(shù)領(lǐng)域，構(gòu)建改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，其中的雙通道包括用于提取與圖像識(shí)別相關(guān)的顏色特征的第一通道，用于提取氣泡干擾特征的第二通道；用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提取的特征處理單元；獲取沒有干擾且?guī)в袧舛葮?biāo)注的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，對(duì)改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；獲取待處理的圖像輸入至訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過卷積掩碼等處理，去除氣泡噪聲，并通過卷積后展開為向量形式，利用最后構(gòu)建基于CNN的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，包括第一構(gòu)建基于CNN的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，包括第一特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像圖顏色特征，所述第二通道用于提取氣泡干擾特征；所述特征處理單元包括的顏色特征進(jìn)行疊加后再提??；所述掩碼模塊用于理，全連接層用于處理掩碼后的特征展開，并輸獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)21.一種基于雙通道特征的圖像氣泡噪聲去除方法，其特征在于，包括以下步驟：構(gòu)建基于CNN的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，包括第一通道、第二通道、多個(gè)依次連接的特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像識(shí)別相關(guān)的顏色特征，所述第二通道用于提取圖像的氣泡干擾特征；所述特征處理單元包括四個(gè)卷積層和特征疊加提取模塊，所述特征疊加提取模塊用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提取；所述掩碼模塊用于對(duì)特征處理單元的輸出進(jìn)行掩碼處理，全連接層用于處理掩碼后的特征展開，并輸出目標(biāo)識(shí)別結(jié)果；獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。2.如權(quán)利要求1所述的基于雙通道特征的圖像氣泡噪聲去除方法，其特征在于，每個(gè)所述特征處理單元中每一層卷積層的卷積核被用于氣泡干擾特征提取和圖像識(shí)別相關(guān)的顏色特征提取。3.如權(quán)利要求1所述的基于雙通道特征的圖像氣泡噪聲去除方法，其特征在于，所述獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果，包括以下步將待處理的圖像輸入所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型中，獲得與圖像識(shí)別相關(guān)的顏色特征和氣泡干擾特征；將所述與圖像識(shí)別相關(guān)的顏色特征和提取氣泡干擾特征輸入多個(gè)依次連接所述特征每個(gè)所述特征處理單元中，利用四個(gè)卷積層對(duì)輸入依次進(jìn)行卷積處理，采用濾波器對(duì)卷積后的輸入提取特征，獲得再提取的卷積輸入特征，將所述再提取的卷積輸入特征通過元素相加，獲得疊加特征后再提取特征，獲得中間加強(qiáng)氣泡干擾特征；根據(jù)所述中間加強(qiáng)氣泡干擾特征，生成與所述氣泡干擾特征大小相同的低值矩陣；將生成的低值矩陣覆蓋至所述氣泡干擾特征，進(jìn)行掩碼處理，獲得掩碼后的特征，所述掩碼后的特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加特征處理，去除氣泡噪聲，獲得去除氣泡噪聲結(jié)果；利用全連接層將所述去除氣泡噪聲結(jié)果展開為向量形式，并將所述全連接層的輸出節(jié)點(diǎn)設(shè)為1,輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。4.一種基于雙通道特征的圖像氣泡噪聲去除方法的系統(tǒng)，其特征在于，包括：依次連接的特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像識(shí)別相關(guān)的顏色特征，所述第二通道用于提取氣泡干擾特征；所述特征處理單元包括四個(gè)卷積層和特征疊加提取模塊，所述特征疊加提取模塊用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提?。凰鲅诖a模塊用于對(duì)特征處理單元的輸出進(jìn)行掩碼處理，全連接層用于處理掩碼后的特征展開，并輸出目標(biāo)識(shí)別結(jié)果；模型訓(xùn)練模塊，用于獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述3改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；氣泡噪聲去除模塊，獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。5.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述權(quán)利要求1～3任一項(xiàng)所述的方法。6.一種計(jì)算機(jī)設(shè)備，其特征在于，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述權(quán)利要求1～3任一所述的方4技術(shù)領(lǐng)域[0001]本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于雙通道特征的圖像氣泡噪聲去除方法及系統(tǒng)。背景技術(shù)[0002]現(xiàn)有的圖像識(shí)別技術(shù)在處理受到特定干擾的圖片時(shí)候，往往會(huì)出現(xiàn)識(shí)別精度下降的問題，比如在工業(yè)檢測、醫(yī)學(xué)圖像處理和日常視覺識(shí)別任務(wù)中，圖像上出現(xiàn)的干擾如氣泡、反光、水漬等會(huì)影響分類模型對(duì)圖像目標(biāo)[0003]圖像處理中常規(guī)使用的卷積神經(jīng)網(wǎng)絡(luò)CNN大多在沒有噪聲干擾的條件下進(jìn)行訓(xùn)練，未能充分考慮干擾物體對(duì)模型特征提取的影響，從而導(dǎo)致在干擾環(huán)境下模型的表現(xiàn)不穩(wěn)定，即使加入帶有干擾的圖片進(jìn)行訓(xùn)練，模型仍無法充分提取干擾和非干擾的有效信息，同時(shí)后續(xù)未加入正確處理干擾信息的方法，因此利用這種混合訓(xùn)練的辦法一定程度上增加了模型的精度，但是在陌生數(shù)據(jù)集上精度仍然非常的糟糕。[0004]比如，在微藻培養(yǎng)過程中，氣泡對(duì)濃度監(jiān)測具有顯著的干擾作用，氣泡的產(chǎn)生主要與曝氣、攪拌等過程密切相關(guān)。這些氣泡在培養(yǎng)液中隨機(jī)分布并不斷生成和破裂，氣泡的反射和折射效應(yīng)會(huì)產(chǎn)生不均勻的亮度區(qū)域，破壞圖像中的顏色一致性，增加了圖像的噪聲，使得基于顏色和亮度的特征提取更加困難。其次，氣泡會(huì)導(dǎo)致圖像中的局部動(dòng)態(tài)變化，從而影響模型的預(yù)測精度。[0005]近年來有研究者提出了一些緩解氣泡干擾的方法，通過圖像濾波和去噪技術(shù)減少氣泡對(duì)圖像特征的干擾，但此類算法通常用于主題較為明顯，適合用于特征信息顏色通道較為豐富的圖像，若將其應(yīng)用于顏色較為均勻，氣泡顏色不明顯的圖像目標(biāo)識(shí)別中，模型的準(zhǔn)確性以及魯棒性較差。發(fā)明內(nèi)容[0006]為了克服上述現(xiàn)有技術(shù)中對(duì)顏色較為均勻，氣泡顏色不明顯的圖像目標(biāo)識(shí)別中，模型的準(zhǔn)確性以及魯棒性較差的缺點(diǎn)，本發(fā)明的主要目的在于提供一種基于雙通道特征的圖像氣泡噪聲去除方法及系統(tǒng)。[0007]為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案，一種基于雙通道特征的圖像氣泡噪構(gòu)建基于CNN的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，包括第一通道、第二通道、多個(gè)依次連接的特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像識(shí)別相關(guān)的顏色特征，所述第二通道用于提取氣泡干擾特征；所述特征處理單元包括四個(gè)卷積層和特征疊加提取模塊，所述特征疊加提取模塊用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提??；所述掩碼模塊用于對(duì)特征處理單元的輸出進(jìn)行掩碼處理，全連接層用于處理掩碼后的特征展開，并輸出目標(biāo)識(shí)別結(jié)果；獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和5含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。[0008]優(yōu)選地，每個(gè)所述特征處理單元中每一層卷積層的卷積核被用于氣泡干擾特征提取和圖像識(shí)別相關(guān)的顏色特征提取。[0009]優(yōu)選地，所述獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目將待處理的圖像輸入所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型中，獲得與圖像識(shí)別相關(guān)的顏色特征和氣泡干擾特征；將所述與圖像識(shí)別相關(guān)的顏色特征和提取氣泡干擾特征輸入多個(gè)依次連接所述每個(gè)所述特征處理單元中，利用四個(gè)卷積層對(duì)輸入依次進(jìn)行卷積處理，采用濾波器對(duì)卷積后的輸入提取特征，獲得再提取的卷積輸入特征，將所述再提取的卷積輸入特征通過元素相加，獲得疊加特征后再提取特征，獲得中間加強(qiáng)氣泡干擾特征；根據(jù)所述中間加強(qiáng)氣泡干擾特征，生成與所述氣泡干擾特征大小相同的低值矩將生成的低值矩陣覆蓋至所述氣泡干擾特征，進(jìn)行掩碼處理，獲得掩碼后的特征，所述掩碼后的特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加特征處理，去除氣泡噪聲，獲得去除氣泡噪聲結(jié)果；利用全連接層將所述去除氣泡噪聲結(jié)果展開為向量形式，并將所述全連接層的輸出節(jié)點(diǎn)設(shè)為1,輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。[0010]一種基于雙通道特征的圖像氣泡噪聲去除方法多個(gè)依次連接的特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像識(shí)別相關(guān)的顏色特征，所述第二通道用于提取氣泡干擾特征；所述特征處理單元包括四個(gè)卷積層和特征疊加提取模塊，所述特征疊加提取模塊用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提取；所述掩碼模塊用于對(duì)特征處理單元的輸出進(jìn)行掩碼處理，全連接層用于處理掩碼后的特征展開，并輸出目標(biāo)識(shí)別結(jié)果；模型訓(xùn)練模塊，用于獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；氣泡噪聲去除模塊，獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。[0011]與現(xiàn)有技術(shù)相比較，本發(fā)明的有益1.本發(fā)明雙通道輸入允許同時(shí)處理無干擾圖像和含氣泡干擾圖像，分別提取出純凈的顏色特征和氣泡干擾特征。利用對(duì)雙通道輸入數(shù)據(jù)進(jìn)行特征圖重疊，通過疊加兩個(gè)通道的特征圖，神經(jīng)網(wǎng)絡(luò)能夠更好地識(shí)別和區(qū)分氣泡噪聲和待識(shí)別目標(biāo)本身。利用低值矩陣對(duì)氣泡干擾特征進(jìn)行掩碼處理，降低干擾區(qū)域的權(quán)重，從而在后續(xù)處理中減少氣泡噪聲的影響。提高在干擾環(huán)境中在線監(jiān)測精度的方法，可以有效提升在陌生復(fù)雜環(huán)境下的擬合精6[0012]2.本發(fā)明采用對(duì)卷積后的特征進(jìn)行特征疊加再提取，從而一定程度上解決對(duì)原始圖像與帶干擾圖像對(duì)應(yīng)像素點(diǎn)要求高度一致的問題。只需要兩張圖片屬于同一種濃度下即可，降低數(shù)據(jù)采集和標(biāo)注的復(fù)雜性。通過將卷積核劃分為兩部分，可以更精確地提取氣泡干擾特征和顏色特征。最終輸出層進(jìn)行回歸操作，可以精細(xì)調(diào)整預(yù)測結(jié)果，以獲得更高質(zhì)量地去除氣泡噪聲圖像。[0013]3.本發(fā)明針對(duì)以機(jī)器視覺為主的濃度擬合模型，通過處理圖像從而提高擬合精[0014]4.本發(fā)明可以有效提升部分卷積對(duì)不屬于主體特征的區(qū)域的敏感性，確保對(duì)主體特征的有效提取和模型的精度。附圖說明[0015]此處所說明的附圖用來提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申請(qǐng)的示意性實(shí)施例及其說明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。[0016]圖1是本發(fā)明實(shí)施例中原始圖片以及可視化模型對(duì)原始圖片關(guān)注程度的熱力圖；其中，圖1a為原始圖片的熱力圖，圖1b為基礎(chǔ)模型對(duì)原始圖片關(guān)注程度的熱力圖，圖1c為引入注意力機(jī)制后的模型對(duì)原始圖片關(guān)注程度的熱力圖，圖1d為本發(fā)明的模型對(duì)原始圖片關(guān)注程度的熱力圖；圖2是本發(fā)明實(shí)施例中原始圖片以及模型架構(gòu)中所述初始層和四個(gè)池化層處理之后的可視化模型關(guān)注程度熱力圖；其中，圖2a為原始圖片的熱力圖，圖2b為初始層處理后的熱力圖，圖2c為第一池化層處理后的熱力圖，圖2d為第二池化層處理后的熱力圖，圖2e為第三池化層處理后的熱力圖，圖2f為第四池化層處理后的熱力圖；圖3是本發(fā)明流程結(jié)構(gòu)示意圖。具體實(shí)施方式[0017]在微藻培養(yǎng)過程中，氣泡對(duì)濃度監(jiān)測具有顯著的干擾作用，氣泡的產(chǎn)生主要與曝氣、攪拌等過程密切相關(guān)。這些氣泡在培養(yǎng)液中隨機(jī)分布并不斷生成和破裂，氣泡的反射和折射效應(yīng)會(huì)產(chǎn)生不均勻的亮度區(qū)域，破壞圖像中的顏色一致性，增加了圖像的噪聲，使得基于顏色和亮度的特征提取更加困難。其次，氣泡會(huì)導(dǎo)致圖像中的局部動(dòng)態(tài)變化，從而影響模型的預(yù)測精度。[0018]近年來有研究者提出了一些緩解氣泡干擾的方法，通過圖像濾波和去噪技術(shù)減少氣泡對(duì)圖像特征的干擾，但此類算法通常用于主題較為明顯，特征信息顏色通道較為豐富的圖像，將其應(yīng)用于顏色較為均勻，氣泡顏色不明顯的微藻溶液濃度識(shí)別中，模型的魯棒性仍然需要進(jìn)一步的優(yōu)化和評(píng)估。[0019]這種混合訓(xùn)練的辦法一定程度上增加了模型的精度，但是在陌生數(shù)據(jù)集上精度仍然非常的糟糕，特別的，在微藻培養(yǎng)過程中，氣泡對(duì)濃度監(jiān)測具有顯著的干擾作用，氣泡的產(chǎn)生主要與曝氣、攪拌等過程密切相關(guān)。這些氣泡在培養(yǎng)液中隨機(jī)分布并不斷生成和破裂，氣泡的反射和折射效應(yīng)會(huì)產(chǎn)生不均勻的亮度區(qū)域，破壞圖像中的顏色一致性，增加了圖像的噪聲，使得基于顏色和亮度的特征提取更加困難。其次，氣泡會(huì)導(dǎo)致圖像中的局部動(dòng)態(tài)變7化，從而影響模型的預(yù)測精度，近年來有研究者提出了一些緩解氣泡干擾的方法，通過圖像濾波和去噪技術(shù)減少氣泡對(duì)圖像特征的干擾，但此類算法通常用于主題較為明顯，特征信息顏色通道較為豐富的圖像，將其應(yīng)用于顏色較為均勻，氣泡顏色不明顯的微藻溶液濃度識(shí)別中，模型的魯棒性仍然需要進(jìn)一步的優(yōu)化和評(píng)估。[0020]現(xiàn)有技術(shù)具體表現(xiàn)如下：(1)基于卷積神經(jīng)網(wǎng)絡(luò)算法的微藻識(shí)別及生物量預(yù)測：文章闡述了卷積神經(jīng)網(wǎng)絡(luò)在擬合微藻溶液濃度的可行性，但是沒有考慮氣泡干擾，氣泡的引入會(huì)對(duì)模型的特征提取產(chǎn)生巨大的干擾，導(dǎo)致識(shí)別準(zhǔn)確率下降。[0021](2)基于大數(shù)據(jù)的微藻濃度預(yù)測方法及系統(tǒng)：該專利提出了一種基于歷史采樣和環(huán)境數(shù)據(jù)來建立預(yù)測模型的方法，但是這種利用數(shù)據(jù)構(gòu)建預(yù)測模型的方法需要大量的數(shù)據(jù)支持，并且對(duì)于某些特定培養(yǎng)環(huán)境來說，參數(shù)測量需要大量傳感器的支撐，而借助機(jī)器視覺進(jìn)行預(yù)測對(duì)數(shù)據(jù)量的要求不高并且容易獲取。[0022](3)一種氣液反應(yīng)器中氣泡流的氣泡識(shí)別圖像處理方法：該專利提出一種利用背景差分法進(jìn)行陰影監(jiān)測并補(bǔ)償識(shí)別氣泡的方法，但是這種方法需要背景和帶有氣泡的圖片進(jìn)行差分，容易受到原始圖像像素點(diǎn)匹配不一致的影響，導(dǎo)致精度的下降，且對(duì)背景和氣泡的對(duì)比度有一定的要求。Denoising:現(xiàn)有的大多數(shù)的去噪主要針對(duì)在目標(biāo)檢測和物體識(shí)別應(yīng)用下的噪聲去除，這些模型所檢測的數(shù)據(jù)源目標(biāo)主體一般色彩比較豐富，但是在微藻濃度預(yù)測領(lǐng)域，被檢測的目標(biāo)主體顏色較為均勻且比較單一，且引入的氣泡會(huì)隨著藻液濃度的變化而產(chǎn)生不同的顏色狀態(tài)，因此引入外加的去噪模塊去除氣泡的效果并不明顯。為了克服上述問題，本發(fā)明提出一種基于雙通道特征的圖像氣泡噪聲去除方法，參閱圖3,具體包括：構(gòu)建基于CNN的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，包括第一通道、第二通道、多個(gè)依次連接的特征處理單元、掩碼模塊和全連接層；所述第一通道用于提取與圖像識(shí)別相關(guān)的顏色特征，所述第二通道用于提取氣泡干擾特征；所述特征處理單元包括四個(gè)卷積層和特征疊加提取模塊，所述特征疊加提取模塊用于將氣泡干擾特征和與圖像識(shí)別相關(guān)的顏色特征進(jìn)行疊加后再提??；所述掩碼模塊用于對(duì)特征處理單元的輸出進(jìn)行掩碼處理，全連接層用于處理掩碼獲取沒有干擾且?guī)в袠?biāo)注信息的圖片和部分帶有氣泡的圖片，作為無干擾圖像和含氣泡干擾圖像，構(gòu)建訓(xùn)練集，分別輸入至第一通道和第二通道中，對(duì)所述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型；獲取待處理的圖像輸入訓(xùn)練后的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的目標(biāo)識(shí)別結(jié)果。[0024]下面結(jié)合附圖和實(shí)施方式對(duì)本發(fā)明作進(jìn)一步說明。[0025]實(shí)施例1:本實(shí)施例以微藻圖片為例。為了克服現(xiàn)有技術(shù)中的缺點(diǎn)，提出一種基于雙通道特征圖重疊進(jìn)行掩碼處理去除均勻顏色圖像中氣泡噪聲的方法，具體內(nèi)容如下所示：1.數(shù)據(jù)集構(gòu)建：將采集到的沒有干擾且?guī)в袧舛葮?biāo)注的微藻濃度和部分帶有氣泡的微藻圖片分別放在兩個(gè)不同的文件夾中。并將文件夾進(jìn)行備注。[0026]2.模型輸入通道設(shè)計(jì)：修改所采用的神經(jīng)網(wǎng)絡(luò)模型的輸入層結(jié)構(gòu)，將單通道輸入8擴(kuò)展為雙通道輸入。上述兩類數(shù)據(jù)，無干擾圖像和含氣泡干擾圖像，分別通過不同的輸入通道輸入模型，以實(shí)現(xiàn)數(shù)據(jù)源的有效區(qū)分。[0027]3.特征提取模塊優(yōu)化：在模型的無干擾圖像和含氣泡干擾圖像初始卷積層之后，添加一個(gè)特征圖疊加與提取模塊。用于提取氣泡干擾特征和微藻濃度相關(guān)的顏色特征，實(shí)現(xiàn)從特征圖中分別提取氣泡和濃度特征。[0028]隨著模型在接觸到真實(shí)干擾和背景之后，會(huì)進(jìn)行訓(xùn)練，從而使得模型架構(gòu)中的卷積核對(duì)于顏色特征和氣泡干擾特征有一定的識(shí)別性。[0029]4.引入掩碼操作：在特征提取模塊之后，加入掩碼操作，對(duì)提取到的氣泡干擾特征進(jìn)行掩蔽處理，降低其在模型預(yù)測過程中的權(quán)重影響。有效減少氣泡干擾對(duì)濃度預(yù)測精度的負(fù)面影響。[0030]5.模型結(jié)構(gòu)調(diào)整與優(yōu)化：在模型結(jié)構(gòu)中，每隔四個(gè)卷積層插入一個(gè)特征提取和掩碼模塊作為特征處理單元，持續(xù)對(duì)氣泡干擾進(jìn)行抑制。同時(shí)，將模型的最終輸出層的節(jié)點(diǎn)數(shù)設(shè)定為1,將模型從分類模型轉(zhuǎn)換為回歸模型，以實(shí)現(xiàn)對(duì)微藻濃度的精確擬合和連續(xù)數(shù)值預(yù)[0031]6.模型訓(xùn)練與泛化能力提升：對(duì)改進(jìn)后的模型進(jìn)行訓(xùn)練，使其在不降低常規(guī)工況下濃度預(yù)測精度的前提下，顯著提升對(duì)含氣泡干擾工況的泛化能力和預(yù)測準(zhǔn)確性。[0032]表1基礎(chǔ)模型以及兩種改進(jìn)方法在兩種陌生數(shù)據(jù)集上的表現(xiàn)基礎(chǔ)模型[0033]實(shí)現(xiàn)的有益效果：(1)將基礎(chǔ)模型以及現(xiàn)有的文獻(xiàn)中提到的注意力機(jī)制和本發(fā)明提出的方法添加至基礎(chǔ)模型形成的兩種模型在兩種陌生的數(shù)據(jù)集上進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如表1所示，兩種陌生數(shù)據(jù)集包括：a數(shù)據(jù)集為模型訓(xùn)練中接觸到的濃度帶有氣泡的圖片，b數(shù)據(jù)集為模型訓(xùn)練中未接觸到的濃度帶有氣泡的照片，從對(duì)模型的各個(gè)評(píng)估參數(shù)來看，無論模型是否對(duì)陌生數(shù)據(jù)集出現(xiàn)的濃度梯度有過學(xué)習(xí)，特征圖疊加并進(jìn)行掩碼處理都表現(xiàn)出更高的預(yù)測精度。[0034](2)模型對(duì)原始圖片區(qū)域關(guān)注度可視化后的熱力圖如圖1所示，其中，圖1a為原始圖片的熱力圖，圖1b為基礎(chǔ)模型對(duì)原始圖片關(guān)注程度的熱力圖，圖1c為引入注意力機(jī)制后的模型對(duì)原始圖片關(guān)注程度的熱力圖，圖1d為本發(fā)明的模型對(duì)原始圖片關(guān)注程度的熱力圖。通過對(duì)比原始圖片和各個(gè)模型的熱力圖，可以看出，掩碼處理的模型對(duì)于非氣泡區(qū)域，即包含更多濃度信息的區(qū)域都有更高的關(guān)注度，這也是模型有更高精度的原因。[0035](3)繪制出模型架構(gòu)中所述初始層和四個(gè)池化層處理之后的可視化模型關(guān)注程度為第一池化層處理后的熱力圖，圖2d為第二池化層處理后的熱力圖，圖2e為第三池化層處理后的熱力圖，圖2f為第四池化層處理后的熱力圖?？梢钥闯觯S著層數(shù)的加深，氣泡區(qū)域的關(guān)注度逐漸降低，掩碼模塊起到作用。9[0036]實(shí)施例2:基于雙通道特征圖重疊進(jìn)行掩碼處理去除均勻顏色圖像中氣泡噪聲的微藻濃度預(yù)測方法，具體包括以下步驟首先是數(shù)據(jù)集構(gòu)建，包括無干擾圖像集和含氣泡干擾圖像集：采集1000張無氣泡干擾的微藻濃度圖像，每張圖像均帶有準(zhǔn)確的濃度標(biāo)注，范圍從0.1g/L至1.0g/L,間隔0.1g/L。[0037]采集500張含有不同數(shù)量和大小氣泡的微藻濃度圖像，同樣帶有濃度標(biāo)注，覆蓋相同的濃度范圍。[0038]修改神經(jīng)網(wǎng)絡(luò)模型輸入層，將單通道輸入擴(kuò)展為雙通道輸入；無干擾圖像通過通道A輸入，含氣泡干擾圖像通過通道B輸入。[0039]在初始卷積層后添加特征圖疊加與提取模塊，用于從特征圖中分別提取氣泡干擾特征和微藻濃度相關(guān)顏色特征。[0040]在特征提取模塊后加入掩碼操作。對(duì)提取到的氣泡干擾特征進(jìn)行掩蔽處理，降低其權(quán)重至原始的10%。[0041]模型中每隔四個(gè)卷積層插入一個(gè)特征提取和掩碼模塊作為特征處理單元。將最終輸出層節(jié)點(diǎn)設(shè)定為1,轉(zhuǎn)換為回歸模型。使用無干擾圖像集和含氣泡干擾圖像集共同訓(xùn)練模型。訓(xùn)練過程中，無干擾圖像和含氣泡干擾圖像的比例為2:1。采用交叉驗(yàn)證和早停策略防止過擬合。訓(xùn)練周期為100epochs,學(xué)習(xí)率初始為0.001,每20epochs衰減一半。[0042]常規(guī)工況下濃度預(yù)測精度：在無干擾圖像集上，模型預(yù)測濃度的平均絕對(duì)誤差為0.02g/L,準(zhǔn)確率達(dá)到95%。[0043]含氣泡干擾工況泛化能力：在含氣泡干擾圖像集上，模型預(yù)測濃度的平均絕對(duì)誤差為0.04g/L,準(zhǔn)確率提升至90%,相比未采用雙通道特征圖重疊掩碼處理的模型提升了15個(gè)百分點(diǎn)。[0044]模型整體性能：綜合兩個(gè)數(shù)據(jù)集，模型的整體預(yù)測準(zhǔn)確率達(dá)到92%,滿足微藻濃度實(shí)時(shí)監(jiān)測的需求。[0045]通過上述實(shí)施例，可以看出所提出的方法有效減少了氣泡干擾對(duì)微藻濃度預(yù)測的影響，提升了模型在復(fù)雜工況下的泛化能力和預(yù)測準(zhǔn)確性。[0046]實(shí)施例3:基于雙通道特征圖重疊進(jìn)行掩碼處理去除均勻顏色圖像中氣泡噪聲的方法，具體包括以下內(nèi)容：收