基于圖像分割的水炮射流落點(diǎn)檢測

周俊杰，陳 黎+，陳姚節(jié)

(1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430081；2.武漢科技大學(xué) 湖北省智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430081)

0 引 言

在消防領(lǐng)域的戶外以及海上滅火中，高壓水炮主要依賴人員手動操作，而室內(nèi)大空間消防仍處于較低的自動化水平。在水面執(zhí)法和警用防爆領(lǐng)域也主要依賴于人員手動操作或者遠(yuǎn)程遙控。這些方法的局限性在于操作人員危險(xiǎn)系數(shù)高、勞動強(qiáng)度大和工作效率低?？煽康娜詣铀趯τ诩皶r(shí)消滅隱患、避免二次損害具有重要意義。

現(xiàn)階段的水炮自動控制技術(shù)大多數(shù)都依賴于開環(huán)控制，即在知道水炮與目標(biāo)的相對位置時(shí)，通過先驗(yàn)數(shù)據(jù)，計(jì)算水炮理論射流軌跡的參數(shù)，控制水炮打擊目標(biāo)。由于水炮的射擊過程中的反饋信息無法被有效捕捉并提取，從而無法形成有效的閉環(huán)控制。而水炮射擊作為一種流體控制，在大空間應(yīng)用環(huán)境中極易受到風(fēng)向、炮口壓強(qiáng)變化和載體運(yùn)動影響，這些不利因素更加確定了閉環(huán)控制是水炮自動化繞不開的技術(shù)瓶頸。在具體的應(yīng)用場景中，水炮自動控制系統(tǒng)可通過計(jì)算射流落點(diǎn)與打擊對象的坐標(biāo)偏差來修正控制偏差，并最終命中目標(biāo)消除偏差。因此，研究水炮射流的落點(diǎn)檢測有利于推動水炮自動化研究的進(jìn)程。

1 相關(guān)工作

國內(nèi)外對水炮射流落點(diǎn)定位進(jìn)行了一定量的研究，主要可分為通過質(zhì)點(diǎn)運(yùn)動規(guī)律建模和基于圖像射流軌跡識別兩種方法。文獻(xiàn)[1]討論了通過建模射流軌跡的方法定位落點(diǎn)的問題。然而水炮的射流軌跡與現(xiàn)場環(huán)境密切相關(guān)，真實(shí)環(huán)境中的風(fēng)力、氣壓都對水炮射流造成很大的影響，僅用理論模型預(yù)測會存在一定的不確定因素。文獻(xiàn)[2]提出一種不受射流軌跡形態(tài)限制的曲線提取方法，在紅外圖像上利用射流邊緣的高頻特征分析出射流軌跡集合，從而確定射流落點(diǎn)。文獻(xiàn)[3]提出建模射流軌跡的一條三次曲線，單向搜索軌跡上的目標(biāo)點(diǎn)并在射流末端確定一個ROI，最終在ROI區(qū)域進(jìn)行射流落點(diǎn)識別。本文將射流落點(diǎn)檢測問題分為兩個階段來研究。第一階段是基于深度學(xué)習(xí)語義分割算法對圖像中的射流實(shí)例做分割，完整清晰的分割輪廓可以為下一步的分析提供適應(yīng)于各種背景的基礎(chǔ)。第二階段是基于獲取到的輪廓邊緣信息決策出射流落點(diǎn)。本文做出了以下3點(diǎn)貢獻(xiàn)：

(1)收集并制作了射流分割數(shù)據(jù)集SPOUT1323。數(shù)據(jù)集中的圖片采集自戶外和室內(nèi)實(shí)驗(yàn)場地，以及互聯(lián)網(wǎng)資源。SPOUT1323數(shù)據(jù)集共收錄了1323張圖片，并以二值化掩碼標(biāo)注了圖片中的射流實(shí)例，其中1000張圖片作為訓(xùn)練集，100張作為驗(yàn)證集，223張作為測試集。數(shù)據(jù)集中包含了在不同時(shí)間段、不同天氣狀況的場景。

(2)本文提出了一種適應(yīng)于射流分割任務(wù)的輕量級深度學(xué)習(xí)語義分割算法L-Unet。L-Unet參考了Ronneberger等[4]提出的用于生物醫(yī)學(xué)圖像分割的Unet設(shè)計(jì)了輕量級的U型編解碼結(jié)構(gòu)，并引入Chen等[5]提出的ASPP構(gòu)建了濾波器的可變感受野。L-Unet在擁有不錯準(zhǔn)確度的前提下達(dá)到了30 ms的處理速度，ASPP的嵌入使算法應(yīng)對尺度多變的射流擁有更高的魯棒性。

(3)本文提出了作為后處理的輪廓分析方法。輪廓分析是在得到完整的射流輪廓后，對射流實(shí)例輪廓的梯度進(jìn)行分析，在一定先驗(yàn)知識的支撐下決策出射流落點(diǎn)。

2 數(shù)據(jù)集制作

數(shù)據(jù)集的質(zhì)量對深度學(xué)習(xí)算法的表現(xiàn)起著決定性的作用。深度學(xué)習(xí)算法的優(yōu)秀的精確性和魯棒性往往依賴于大規(guī)模數(shù)據(jù)的訓(xùn)練，大規(guī)模的數(shù)據(jù)不僅僅意味著足夠大的數(shù)據(jù)量，更意味著需要足夠復(fù)雜多樣的背景。SPOUT1323數(shù)據(jù)集包含了來自現(xiàn)場采集以及互聯(lián)網(wǎng)資源的1323張射流圖片。在這些圖片中除了常見的射流圖像，還包括大風(fēng)造成射流嚴(yán)重偏向和射流嚴(yán)重霧化圖像。從樣本背景來看，又包含了海上執(zhí)法、室內(nèi)消防和陸地消防，如圖1所示。

圖1 SPOUT1323數(shù)據(jù)集

在水炮射擊過程中，水炮射流是由水炮炮口射出的水形成的柱狀射流。在數(shù)據(jù)集的標(biāo)注過程中，本文使用了 Labelme 工具對射流區(qū)域進(jìn)行了手工提取。在實(shí)際劃分區(qū)域時(shí)會存在許多界限不明顯的區(qū)域。如圖2(a)所示，射流會在射出炮口后霧化成水幕，如圖2(b)中的Ⅱ區(qū)域。而只有當(dāng)射流的主體部分命中后才是有效命中，如圖2(b)中Ⅰ區(qū)域。因此，在標(biāo)定射流分割標(biāo)簽時(shí)，將主體區(qū)域標(biāo)注而忽略水霧區(qū)域。

圖2 數(shù)據(jù)集分割標(biāo)簽

在SPOUT1323數(shù)據(jù)集中，有100張射流輪廓完整的圖片被標(biāo)注了射流落點(diǎn)，如圖3所示。

圖3 射流落點(diǎn)標(biāo)簽

3 本文方法

本文提出一種基于圖像分割的射流落點(diǎn)檢測算法。該方法的總體流程如圖4所示，包含射流分割模型和輪廓分析兩個階段。在第一階段分割出射流的實(shí)體輪廓，在第二階段決策出射流落點(diǎn)。

圖4 本文方法總體流程

3.1 L-Unet編解碼結(jié)構(gòu)

L-Unet在主體框架的構(gòu)建過程中廣泛地參考了經(jīng)典的生物醫(yī)學(xué)圖像分割算法U-net。L-Unet采取編解碼結(jié)構(gòu)布置，編碼器由8層卷積核為3×3的卷積層和4層最大值池化層構(gòu)成，解碼器由4層卷積層以及4層反卷積層構(gòu)成，其結(jié)構(gòu)如圖5所示。為了達(dá)到非線性以及避免過擬合效果，每個卷積層后面都會添加一個relu激活函數(shù)和一個批歸一化層[6]。

圖5 L-Unet結(jié)構(gòu)

編解碼器網(wǎng)絡(luò)結(jié)構(gòu)最早由Long等[7]提出用于通用語義分割任務(wù)。在編碼的過程中，卷積層會將輸入特征中所包含的信息逐層提取，經(jīng)歷了特征由低級細(xì)粒度特征到高級語義特征的學(xué)習(xí)過程。圖像低級特征包括圖像中的邊緣、色彩和亮度等細(xì)粒度特征，這些信息會在低層的卷積層中被學(xué)習(xí)到。圖像的高級語義特征包含目標(biāo)更多的語義層次的信息，比如目標(biāo)的外形等。在Zeiler等[8]的卷積神經(jīng)網(wǎng)絡(luò)特征可視化研究中發(fā)現(xiàn)，當(dāng)卷積層層數(shù)累加時(shí)，低級的細(xì)粒度特征會被逐漸抽象成高層語義信息。高層語義信息的累積有利于對目標(biāo)區(qū)域像素的分類，但多層卷積同時(shí)會導(dǎo)致算法的計(jì)算量巨大，因此在卷積網(wǎng)絡(luò)的設(shè)計(jì)中通常會引入最大值池化操作。L-Unet編碼器包含4個2×2的最大值池化操作，這將會使編碼器輸出特征分辨率相比于輸入圖片下降16倍。本文采用了深度可分離卷積[9]替換普通卷積，這犧牲了極小的計(jì)算精度，但減少了大量計(jì)算參數(shù)與計(jì)算耗時(shí)。

L-Unet的解碼器是將高度抽象化的高層語義特征恢復(fù)到輸入圖片大小。在經(jīng)過編碼器的卷積以及池化后，雖然網(wǎng)絡(luò)提取到了豐富的高層語義信息但存在著細(xì)粒度特征損失且分辨率下降的問題。L-Unet的解碼器由4個卷積核為3×3的卷積層、1層卷積核為1×1的卷積層和4層反卷積構(gòu)成。其中3×3卷積是為了進(jìn)一步獲取精細(xì)的分割結(jié)果，本文的方法是在編碼器和解碼器之間建立4條跳層連接，將編碼器中的低級特征直接恒等映射至解碼器中，3×3卷積對拼接的低級特征與高級特征進(jìn)行融合運(yùn)算。相比于高級特征，低級細(xì)粒度特征在目標(biāo)邊緣分類時(shí)更加有效。L-Unet 算法的最終輸出是使用1×1的卷積層將與原圖尺寸相同、通道數(shù)為64的特征圖降維到單通道，并通過sigmod激活函數(shù)將結(jié)果歸一化為概率圖。

編碼器與解碼器的組合[10,11]在大多數(shù)語義分割公開數(shù)據(jù)集[12,13]上均能取得不錯的分割效果。但公開語義分割數(shù)據(jù)集中的分割對象和SPOUT1323數(shù)據(jù)集中的射流實(shí)例存在很大的差異性。SPOUT1323數(shù)據(jù)集中的射流實(shí)例尺度更加多變，水炮射流直徑、射流實(shí)例在圖像中的占寬比都隨著場景的不同而發(fā)生著變化。同時(shí)，相比于采用Resnet系列[14,15]層數(shù)更深的特征提取網(wǎng)絡(luò)作為編碼器的算法[16,17]，L-Unet的輕量級編碼器網(wǎng)絡(luò)無法為算法提供足夠的感受野來應(yīng)對分割對象的大尺度。為了解決上述缺陷，本文在 L-Unet 的編碼器與解碼器之間引入了Atrous Spatial Pyramid Pooling[18]，下文簡稱ASPP。ASPP的設(shè)計(jì)是為了解決在語義分割任務(wù)中出現(xiàn)的同類目標(biāo)尺度多變而難以精確分割的問題，通過在特征頂部映射圖使用了6和12兩種擴(kuò)張率的空洞卷積生成多尺度感受野。同時(shí)將輸入特征圖全局池化為分辨率為1×1的特征向量，將結(jié)果采用雙線性插值上采樣至輸入特征的大小。所生成的多尺度特征圖拼接并經(jīng)過一個1×1的卷積下降維度后與輸入特征拼接進(jìn)入解碼器，過程如圖6所示，其中C為特征通道數(shù)。

圖6 多尺度特征融合過程

3.2 損失函數(shù)

將射流實(shí)例從圖像中被分割出來是一個像素二分類問題，本文將射流所處區(qū)域像素定義為正樣本，反之則為負(fù)樣本。SPOUT1323數(shù)據(jù)集中正負(fù)樣本的比例接近0.7∶9.3，正負(fù)樣本嚴(yán)重失衡，如果采用常用的平方損失函數(shù)

L(Y,f(x))=(Y-f(x))2

(1)

其中，Y表示樣本真實(shí)標(biāo)簽，f(x) 表示樣本預(yù)測值。當(dāng)數(shù)據(jù)集中的正負(fù)樣本比例差距大，神經(jīng)網(wǎng)絡(luò)就會更加關(guān)注樣本多的類別，導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練過程中陷入損失函數(shù)的局部最小值，從而產(chǎn)生預(yù)測強(qiáng)烈偏向背景的網(wǎng)絡(luò)。因此為了解決正負(fù)樣本不均衡造成的問題，L-Unet使用二分類交叉熵?fù)p失函數(shù)和dice損失函數(shù)[19]相結(jié)合的損失函數(shù)來對網(wǎng)絡(luò)進(jìn)行參數(shù)更新

(2)

(3)

(4)

H(p,q) 為二分類交叉熵?fù)p失函數(shù)，D(p,q) 為dice損失函數(shù)，HD(p,q) 為本文所使用的損失函數(shù)。其中N表示像素點(diǎn)總數(shù)，pi∈P表示樣本預(yù)測值的總和，qi∈Q表示樣本真實(shí)標(biāo)簽的總和。λ和η是平衡二分類交叉熵?fù)p失函數(shù)和dice損失函數(shù)在梯度下降中貢獻(xiàn)的超參系數(shù)。

3.3 輪廓分析

輪廓分析是在獲得取得射流實(shí)例的分割輪廓后決策射流落點(diǎn)的過程。在輪廓分析之前需對L-Unet的輸出概率圖做預(yù)處理，得到標(biāo)準(zhǔn)二值化輪廓圖，如圖7(c)所示。L-Unet 的輸出的概率圖以閾值prethreshold=0.5劃分像素為正例和負(fù)例，得到標(biāo)準(zhǔn)二值化分割圖，如圖7(b)所示。基于canny邊緣檢測算子提取出射流輪廓二值化輪廓圖，完成輪廓分析的預(yù)處理。

圖7 射流邊緣輪廓檢測

射流的輪廓是連續(xù)分布的像素集合 {P|p1,p2,p3,…}.本文的思路是挖掘連續(xù)輪廓點(diǎn)的依賴關(guān)系，即通過設(shè)置一定的采樣觀測點(diǎn)求得射流輪廓局部梯度。通過觀察射流輪廓可以得出射流落點(diǎn)通常處于輪廓梯度變化最劇烈的區(qū)間。因此，對采樣區(qū)間內(nèi)的輪廓梯度進(jìn)行排序，再由射流射擊方位等先驗(yàn)知識篩選出概率最大的射流落點(diǎn)。輪廓分析步驟如下：

(1)均勻采樣，設(shè)定一個采樣間隔，在輪廓像素集合上以間隔d為步長，取觀測點(diǎn)。參數(shù)d取決于輪廓像素集合的密度和輸入圖像大小，參數(shù)設(shè)置過大則會導(dǎo)致局部感受野過大，反之則過小，兩者均不能為射流落點(diǎn)決策提供有效的局部梯度特征。本文定義參數(shù)d為

(5)

其中，Contour_len為輪廓像素集合長度，Object_wid為輪廓區(qū)域?qū)挾?，Image_wid為輸入圖像寬度。

圖8 輪廓分析

(3)夾角排序：窮舉上述輪廓像素，生成由夾角角度數(shù)據(jù)組成的隊(duì)列。并對上述計(jì)算的夾角隊(duì)列按數(shù)值大小進(jìn)行遞增排序，數(shù)值較小處落點(diǎn)所在區(qū)域概率較高。

(4)射流落點(diǎn)決策：水炮由攝像頭的左側(cè)(或右側(cè))向目標(biāo)射擊的情況是可以預(yù)先獲取到的先驗(yàn)知識，因此通過計(jì)算向量夾角中線(如圖8(a)中β射線所示)確定輪廓尖銳處的趨向來選定射擊落點(diǎn)。當(dāng)射流是由鏡頭右側(cè)射向目標(biāo)時(shí)，輪廓向量夾角合理有效區(qū)間應(yīng)為處在第三象限的[-170°,-100°]。當(dāng)射流是由鏡頭左側(cè)射向目標(biāo)時(shí)，輪廓向量夾角合理有效區(qū)間應(yīng)為處在第三象限的[-80°,-10°]。將遞增夾角序列逐次進(jìn)行有效性判斷，首個出現(xiàn)在有效區(qū)間的判定為有效射流落點(diǎn)夾角，取其構(gòu)成向量的中心輪廓點(diǎn)如圖8(a)中e。

(5)射流落點(diǎn)補(bǔ)償：通過上述4個步驟可以初步得出射流落點(diǎn)，但當(dāng)射流擊中目標(biāo)往往會形成浪花干擾分割的結(jié)果，如圖9(a)中的射流會分割為圖9(b)中的二值化圖片。本文采取的方法是在落點(diǎn)相鄰的50個輪廓點(diǎn)搜尋縱坐標(biāo)最低點(diǎn)，并取其橫坐標(biāo)作為射流落點(diǎn)橫坐標(biāo)。如圖9(c)中，A點(diǎn)經(jīng)補(bǔ)償后偏移到B點(diǎn)。

圖9 落點(diǎn)修正過程

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境

硬件設(shè)備：CPU為Intel Core i7-9700k 3.7 GHz，GPU為NVIDIA GeForce RTX 2080 Ti 11 GB，內(nèi)存為DDR4 16 G。軟件環(huán)境：操作系統(tǒng)為windows10-1903，Python3.7，Pytorch1.1.0。

4.2 數(shù)據(jù)增強(qiáng)

SPOUT1323數(shù)據(jù)集中的數(shù)據(jù)主要來源于實(shí)驗(yàn)場地拍攝，所涉及到的實(shí)驗(yàn)場地以及所處的天氣狀況和外界光照強(qiáng)度并不能使L-Unet網(wǎng)絡(luò)的泛化能力達(dá)到很好。因此，在L-Unet網(wǎng)絡(luò)的訓(xùn)練過程中讀取數(shù)據(jù)時(shí)，通過隨機(jī)旋轉(zhuǎn)、鏡像、模糊、光照調(diào)整、尺度調(diào)整以及添加人工噪聲等數(shù)據(jù)增強(qiáng)方法擴(kuò)增訓(xùn)練樣本集，如圖10所示。

圖10 數(shù)據(jù)增強(qiáng)效果

4.3 L-Unet模型

L-Unet模型的訓(xùn)練在上述實(shí)驗(yàn)環(huán)境下完成。模型的訓(xùn)練采取了按批處理的方式，將6張圖片作為一個批次(batch)參與模型參數(shù)優(yōu)化過程?？偣残枰?21個batch完成一個epoch的訓(xùn)練，最終遍歷SPOUT1323數(shù)據(jù)集400個epoch完成訓(xùn)練。訓(xùn)練采用了Adam的參數(shù)優(yōu)化器，學(xué)習(xí)率調(diào)整策略采取的是Poly策略。Poly策略的公式為

(6)

L-Unet是一個典型的語義分割模型，本文在評估L-Unet 性能時(shí)采取了準(zhǔn)確率(accuracy，ACC)、靈敏度(sensitivity，SE)和特異性(specificity，SP)評估模型的分割性能。3個指標(biāo)的計(jì)算公式如下所示

(7)

(8)

(9)

其中，TP為真陽性，指的是正確分類的射流點(diǎn)個數(shù)，TN為真陰性，指的是正確分類的背景像素點(diǎn)個數(shù)，F(xiàn)P為假陽性，指的是誤分成射流像素的個數(shù)，F(xiàn)N為假陰性，指的是誤分成背景像素點(diǎn)個數(shù)。準(zhǔn)確率表示類別預(yù)測正確的像素占圖像像素總數(shù)的比例，從整體上反映了L-Unet模型訓(xùn)練的魯棒性。靈敏度表示了被正確預(yù)測為射流像素占射流像素總數(shù)的比例，反映的是射流像素的漏檢情況。特異性表示被正確預(yù)測為背景的像素占背景像素總數(shù)的比例，反映的是射流像素的誤檢情況。L-Unet模型訓(xùn)練的情況如圖11所示。

圖11 訓(xùn)練損失下降過程

經(jīng)過400個epoch的訓(xùn)練，L-Unet訓(xùn)練損失函數(shù)穩(wěn)定在0.0368結(jié)束訓(xùn)練。本文對Deeplabv3、U-net與本文提出的 L-Unet 算法在分割性能與計(jì)算資源消耗上進(jìn)行了比較。實(shí)驗(yàn)均在704×448的輸入圖片上進(jìn)行測試，實(shí)驗(yàn)結(jié)果見表1。

表1 L-Unet與幾種經(jīng)典分割方法對比

4.4 落點(diǎn)檢測

本文在100張標(biāo)注射流落點(diǎn)的數(shù)據(jù)上進(jìn)行了落點(diǎn)檢測測試。測試集的圖片均采集自實(shí)驗(yàn)場地，而非來自網(wǎng)絡(luò)。這些圖片是從多個角度和多個光照強(qiáng)度段采集，單獨(dú)進(jìn)行測試。相比于來自網(wǎng)絡(luò)的射流圖像，采集實(shí)驗(yàn)場地的圖片拍攝角度更加貼近自動水炮的應(yīng)用需求，且提供更加完整的射流輪廓。落點(diǎn)檢測采取的評價(jià)指標(biāo)是精確率(Precision)，其計(jì)算公式為

(10)

精確率反映的是所有正確預(yù)測的射流落點(diǎn)在所有落點(diǎn)檢測結(jié)果中的比例。其中TP為正確定位的射流落點(diǎn)，F(xiàn)P為定位錯誤的射流落點(diǎn)。本文以算法射流落點(diǎn)檢測結(jié)果與標(biāo)簽結(jié)果間像素的歐式距離作為TP與FP的區(qū)分條件，當(dāng)誤差距離小于閾值threshold=20時(shí)則判定為正確預(yù)測，否則判定為錯誤預(yù)測。

射流落點(diǎn)檢測實(shí)驗(yàn)結(jié)果見表2。

表2 射流落點(diǎn)檢測結(jié)果

對其中幾組典型結(jié)果做分析，每張圖片耗時(shí)約32 ms(包含第一階段分割耗時(shí))。如表3所示的5組實(shí)驗(yàn)：實(shí)驗(yàn)1組展示的是在十分理想的情況下檢測的結(jié)果，實(shí)驗(yàn)環(huán)境中光照充足，射流軌跡清晰且無霧化現(xiàn)象，在第一階段的分割任務(wù)中ACC指標(biāo)達(dá)0.995。良好的分割效果使得第二階段的落點(diǎn)檢測達(dá)到較高精度；實(shí)驗(yàn)2組是在較暗的環(huán)境中進(jìn)行，較暗的光照情況使得一階段的分割效果產(chǎn)生了下滑現(xiàn)象，主要體現(xiàn)在分割結(jié)果中出現(xiàn)了噪點(diǎn)，但并沒有對二階段的落點(diǎn)檢測產(chǎn)生不利影響；實(shí)驗(yàn)3組是射流的末端出現(xiàn)分散的現(xiàn)象。但在SPOUT1323分割數(shù)據(jù)標(biāo)注時(shí)將發(fā)散部分忽略為背景，這一人為設(shè)定在L-Unet訓(xùn)練過程中被模型學(xué)習(xí)到了。因此，3組中的射流發(fā)散沒有對射流主體的分割造成嚴(yán)重干擾；實(shí)驗(yàn)分組4是在室外實(shí)驗(yàn)場地采用大口徑水炮射擊，相比于前幾組實(shí)驗(yàn)產(chǎn)生了霧化干擾，這對分割效果產(chǎn)生了較明顯的干擾；實(shí)驗(yàn)分組5是小口徑水炮散射效果。

表3 實(shí)驗(yàn)效果展示

通過觀察實(shí)驗(yàn)中的分割效果圖和射流落點(diǎn)定位誤差可以看出，射流落點(diǎn)的定位受到一階段射流分割結(jié)果的影響較大，良好的檢測結(jié)果依賴質(zhì)量較高的射流分割結(jié)果。實(shí)驗(yàn)在100張測試數(shù)據(jù)集上取得了95%的精確率，而檢測錯誤的來源主要是來源于霧化嚴(yán)重的射流對象。

5 結(jié)束語

本文提出的水炮射流落點(diǎn)檢測方法最大貢獻(xiàn)之處在于將深度學(xué)習(xí)模型引入到射流軌跡提取任務(wù)。相比于傳統(tǒng)的射流落點(diǎn)檢測方法[3]多是應(yīng)用在背景相對簡單的紅外圖像上，在射流軌跡的提取方式上，采取了深度學(xué)習(xí)方案的 L-Unet 模型對形態(tài)復(fù)雜多變的射流具有較強(qiáng)的魯棒性，這對推動相關(guān)技術(shù)的實(shí)用化具有相當(dāng)意義。在設(shè)計(jì)L-Unet的過程中，本文在性能與耗時(shí)之間尋找到了平衡點(diǎn)。使得模型在分割準(zhǔn)確率達(dá)到0.990的可觀精度前提下，分割單幀圖像僅31 ms。第二階段的輪廓分析高度依賴第一階段的射流實(shí)體分割精度，通過挖掘射流輪廓點(diǎn)的梯度關(guān)系決策出射流落點(diǎn)。本文方法在SPOUT1323數(shù)據(jù)集射流落點(diǎn)檢測數(shù)據(jù)集上得到了95%的精確率，但仍存在著很大的優(yōu)化潛力。下一步的工作應(yīng)將重點(diǎn)放在輪廓分析階段，增強(qiáng)輪廓分析方法對射流分割結(jié)果的抗干擾能力。