买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及人工智能领域，具体是指基于人工智能的微塑料智能识别定位和尺寸计算系统，包括数据采集模块、数据预处理模块、特征提取模块、智能识别模块、定位与分割模块、尺寸计算模块和结果展示与输出模块，本方案提出使用基于SVMD和SO‑SloEn的S‑RNS特征提取方法对预处理后的数据进行特征提取，提高了微塑料颗粒的识别和定位准确性；使用KPE‑YOLOv5算法确定微塑料颗粒的边界和形状，对微塑料颗粒进行准确的边界框定位和形状分割，从而实现对微塑料颗粒的精准识别，保持较高准确率的同时实现实时或接近实时的处理，提升了基于人工智能的微塑料智能识别定位和尺寸计算系统的工作效率，减小误差，提升准确性。

主权项：1.基于人工智能的微塑料智能识别定位和尺寸计算系统，其特征在于：包括数据采集模块、数据预处理模块、特征提取模块、智能识别模块、定位与分割模块、尺寸计算模块和结果展示与输出模块，具体包括以下内容：所述数据采集模块收集需要检测的样本，使用摄像头从需要检测的样本中采集图像和视频数据，并进行标注；所述数据预处理模块对采集到的图像和视频数据进行预处理，包括去噪、灰度化、增强对比度，得到预处理后的数据；所述特征提取模块从预处理后的数据中提取与微塑料相关的特征，通过使用基于SVMD和SO-SloEn的S-RNS特征提取方法对预处理后的数据进行特征提取，得到特征提取后的数据；所述智能识别模块利用机器学习训练微塑料识别模型，使用微塑料识别模型对特征提取模块中提取的特征进行分类，识别图像中是否存在微塑料颗粒，得到识别结果；所述定位与分割模块根据识别结果，通过KPE-YOLOv5算法确定微塑料颗粒的边界和形状，得到定位结果；所述尺寸计算模块根据微塑料颗粒的边界和形状，利用图像处理技术计算微塑料颗粒的直径、面积和周长，得到微塑料颗粒的尺寸结果；所述结果展示与输出模块将识别结果、定位结果和尺寸结果以可视化的形式展示，并输出到数据库中；特征提取模块从预处理后的图像中提取与微塑料相关的特征，具体包括以下步骤：步骤S1：边界提取，使用Canny边缘检测算法提取微塑料颗粒的边界；步骤S2：SVMD特征提取，使用SVMD方法对微塑料颗粒的边界上的数据点进行描述，通过找到最大化边界与数据之间的距离的超平面来描述数据，提取微塑料颗粒的形状特征；步骤S2，具体包括以下步骤：步骤S21：数据点选择，在微塑料颗粒的边界上均匀的选择一组数据点；步骤S22：数据点转换，将选定的数据点表示为特征向量的形式，每个数据点表示为一个多维向量，包含了该数据点在图像坐标系中的位置信息；步骤S23：构建SVDD模型，使用SVDD方法构建一个能够描述边界上数据点分布的SVDD模型，通过找到能够包围边界上数据点的最小球或最小超球体来描述数据的分布情况；步骤S24：形状特征提取，使用SVDD模型提取微塑料颗粒边界的几何形状信息，包括边界的形状、尺寸和曲率；步骤S25：超平面参数提取，从SVDD模型中提取超平面的参数，包括法向量和截距，结合微塑料颗粒边界的几何形状信息，得到微塑料颗粒的形状特征；步骤S3：SO-SloEn特征提取，使用SO-SloEn方法对微塑料颗粒的边界内部数据进行描述，在边界内部捕获纹理分布和结构信息，提取微塑料颗粒的纹理特征；步骤S3，具体包括以下步骤：步骤S31：边界内部数据选择，使用均匀采样的方法从微塑料颗粒的边界内部选择一组数据点，作为边界内部数据点，描述微塑料颗粒的纹理特征；步骤S32：数据表示，将选定的边界内部数据点表示为特征向量的形式，每个数据点表示为一个包含纹理信息的多维向量，纹理信息包括灰度值和颜色；步骤S33：构建SO-SloEn模型，使用选定的边界内部数据点构建SO-SloEn模型，将SO-SloEn模型的目标设定为捕获数据点内部的纹理分布和结构信息，同时基于能量函数衡量数据点之间的关联程度和结构特征；步骤S33，具体包括以下步骤：步骤S331：初始化，设置SO-SloEn阈值的初始化范围；步骤S332：设置参数，初始化SO-SloEn的参数，包括个体、种群大小，最大迭代次数；步骤S333：计算适应度，计算每个个体的适应度函数，所用公式如下： ;其中，为第个个体的适应度函数，是错误分类样本的数量，是正确分类样本的数量；步骤S334：寻找最优个体，在种群中找到适应度最优的个体；步骤S335：输出结果，当达到最大迭代次数时候，完成优化过程并输出最佳；步骤S34：纹理分布和结构信息提取，使用SO-SloEn模型提取微塑料颗粒的纹理分布和结构信息；步骤S35：纹理特征提取，使用局部二值模式算法描述微塑料颗粒边界内部的纹理信息，提取出纹理特征；步骤S4：颜色特征提取，使用颜色空间转换方法提取微塑料颗粒的颜色特征；步骤S5：特征融合，使用特征加权的方法将提取的微塑料颗粒的形状特征、纹理特征和颜色特征进行融合，得到多方面信息的特征向量；在定位与分割模块通过KPE-YOLOv5算法确定微塑料颗粒的边界和形状，具体包括以下步骤：步骤K1：数据准备，搜集包含微塑料颗粒的图像数据集，并进行标注，包括微塑料颗粒的边界框和关键点位置，得到标注后的图像数据集；步骤K2：模型选择，选择YOLOv5模型作为基础架构，使用K-means++聚类算法优化anchorbox，将scSE注意力模块集成到主干网络中，并增加浅层网络的预测特征层，构建定位模型；步骤K2，具体包括以下内容：K-means++聚类算法优化anchorbox：从标注后的图像数据集中选择一个随机样本点作为第一个初始化的聚类中心，同时每个点成为下一个簇质心的可能性通过计算每个样本点之间的最短距离来确定，所用公式如下： ;其中，为图像数据集中的样本点，为样本的索引，为图像数据集中的所有样本点，表示每个样本点到最近的聚类中心距离的平方，为样本被选为下一个簇质心的概率，为样本点总数；选择最高的点作为下一个聚类中心，重复计算直至选出k个聚类中心，对于在数据集中的每个样本点，计算每个样本点到K个聚类中心的距离，并将样本点分配给距离最小的聚类中心对应的类，更新聚类中心，直至聚类中心的位置不再发生变化；scSE注意力模块：包括空间压缩通道激励sSE模块和通道压缩空间激励cSE模块，在主干网络的第三层添加scSE注意力模块；其中，cSE模块从通道角度引入注意力机制，从优化通道维度开始对每个通道的特征进行加权，输入特征图，特征图为，包含了个通道，每个通道对应一个特征图，通过全局池化层将特征图全局嵌入到向量中，保持通道数量不变，将特征图从的空间维度转换为1×1的向量，所用公式如下： ;其中，表示全局池化后向量中的第K个值，表示特征图的高度乘宽度，为特征图垂直方向和水平方向的像素索引，为特征图中第个通道在图像中位于像素位置处的特征值，向量通过包括权重和的全连接层进行处理，依次经过ReLU激活函数和sigmoid归一化处理，得到第i个通道的特征重要度，的计算值所用公式如下： ;其中，表示经过全连接层、ReLU激活函数和Sigmoid归一化处理后得到的特征重要度向量，为sigmoid函数，为ReLU函数，和是全连接层的权重函数，表示经过全连接层处理前的向量；预测特征层：添加小目标检测层对较浅的特征图进行检测；步骤K3：目标检测和关键点估计，对于特征提取模块中特征提取后的数据，利用KPE-YOLOv5算法进行目标检测和关键点估计，确定微塑料颗粒的边界框和关键点位置；步骤K4：关键点连接与形状识别，对检测到的关键点进行拼接，识别微塑料颗粒的形状，进一步提取微塑料颗粒的具体特征；步骤K5：后处理与输出，对检测到的微塑料颗粒的边界框和关键点位置进行后处理，去除重复检测和优化边界框，最终输出确定的微塑料颗粒的边界和形状信息；步骤K6：评估与调优，根据实际需求对算法进行评估和调优，提高微塑料颗粒边界和形状识别的准确性和性能。

全文数据：

权利要求：

百度查询： 厦门海荭兴仪器股份有限公司 基于人工智能的微塑料智能识别定位和尺寸计算系统