一种气体轮廓识别方法技术

本发明专利技术提供一种气体轮廓的识别方法，将训练数据集中的训练数据输入至神经网络模型中，以形成整体特征图；在预设层的特征图中设置多个第一检测框，并对所有第一检测框进行筛选得到多个候选检测框，随后得到尺寸相同的局部特征图；根据局部特征图并采用神经网络模型中的全连接层处理得到候选检测框的分类误差以及检测误差；对候选检测框进行二值分割处理，以得到分割误差；根据分类误差、检测误差和分割误差计算得到神经网络模型中的损失函数的输出值；循环上述步骤，以采用训练数据集对神经网络模型进行迭代训练，直到损失函数的输出值降低至预设范围内时完成训练。本发明专利技术的有益效果在于：提高气体轮廓识别的准确度。

A method of gas contour recognition

【技术实现步骤摘要】
一种气体轮廓识别方法
本专利技术涉及图像处理
，尤其涉及一种气体轮廓识别方法。
技术介绍
近年来，红外高光谱成像技术高速发展，采用高光谱红外成像技术为工业界气体的现场检测提供了可能，因此红外高光谱成像技术可以直接基于大气中气体目标的红外吸收光谱和背景红外辐射光谱进行探测，不需要提供人工红外光源。这种技术与传统的化学取样方法相比具有很大的优势：实现了对大范围的对气体进行远距离实时监测，并且提高检测效率。由于高光谱红外图像的数据量非常大，如何从海量的数据中分析提取出有用的信息并对检测区域的气体的类别、浓度和范围进行现场级测量是急需解决的问题。因此现有技术中采用opencv库运用图像处理方法针对气体检测的高光谱红外图像进行图像形态学处理或者设定阈值等进行判别。然而由于气体图像多种多样和现场环境复杂多样的问题，导致上述现有技术的判别方法比较粗糙，并且鲁棒性很差，以及检测的准确率不高，从而造成检测过程更加耗时、耗力，以及泛化性不强。
技术实现思路
针对现有技术中存在的上述问题，现提供一种旨在有效提高气体轮廓识别的准确度的本文档来自技高网...

【技术保护点】
1.一种气体轮廓的识别方法，其特征在于，包括一识别模型的构建过程：/n执行所述识别模型的构建过程前，首先采集多个气体样本图像，并对每个所述气体样本图像进行图像特征的标注后形成对应的标注图像，将所述标注图像和对应的所述气体样本图像关联形成训练数据，并最终形成一训练数据集；/n所述识别模型的构建过程具体包括：/n步骤A1，将所述训练数据集中的所述训练数据输入至一神经网络模型中，并于所述神经网络模型的卷积层中提取所述训练数据中的所述气体样本图像的第一图像特征信息形成整体特征图，所述神经网络模型采用mask-rcnn神经网络实现；/n步骤A2，获取形成所述整体特征图的过程中的多个预设层的特征图，并结合...

【技术特征摘要】
1.一种气体轮廓的识别方法，其特征在于，包括一识别模型的构建过程：
执行所述识别模型的构建过程前，首先采集多个气体样本图像，并对每个所述气体样本图像进行图像特征的标注后形成对应的标注图像，将所述标注图像和对应的所述气体样本图像关联形成训练数据，并最终形成一训练数据集；
所述识别模型的构建过程具体包括：
步骤A1，将所述训练数据集中的所述训练数据输入至一神经网络模型中，并于所述神经网络模型的卷积层中提取所述训练数据中的所述气体样本图像的第一图像特征信息形成整体特征图，所述神经网络模型采用mask-rcnn神经网络实现；
步骤A2，获取形成所述整体特征图的过程中的多个预设层的特征图，并结合FPN技术在所述预设层的特征图中设置多个第一检测框，并对所有所述第一检测框进行筛选得到多个候选检测框；
步骤A3，对所有所述候选检测框进行特征提取，以得到尺寸相同的局部特征图；
步骤A4，根据所述局部特征图并采用所述神经网络模型中的全连接层处理得到所述候选检测框的分类误差以及检测误差；
步骤A5，根据所述局部特征图对所述候选检测框进行二值分割处理，以得到分割误差；
步骤A6，根据所述分类误差、所述检测误差和所述分割误差计算得到本次训练时所述神经网络模型中的损失函数的输出值，随后返回所述步骤A1；
循环执行所述步骤A1-A6，以采用所述训练数据集对所述神经网络模型进行迭代训练，直到所述损失函数的输出值降低至一预设范围内时完成训练，随后输出所述神经网络模型作为所述识别模型；
还包括一采用所述识别模型对气体轮廓进行识别的过程：
步骤B1，获取待识别的气体图像；
步骤B2，将待识别的所述气体图像输入至所述识别模型中，以得到待识别的所述气体图像的气体轮廓识别结果。


2.如权利要求1所述的识别方法，其特征在于，所述步骤A2具体包括以下步骤：
步骤A21，获取形成所述整体特征图的过程中的多个所述预设层的特征图，并结合FPN技术在所述预设层的特征图上进行像素点扫描，以在每个所述像素点上设置多个第一检测框；
步骤A22，对所有所述第一检测框进行分类得到作为正样本的第一类检测框，以及作为负样本的第二类检测框；
步骤A23，采用第一预设数量的所述第一类检测框和第二预设数量的所述第二类检测框对所述神经网络模型中的rpn网络模型进行初始分类误差和初始检测误差训练；
步骤A24，将所有所述第一类检测框输入至完成训练的所述rpn网络模型中，以对所有所述第一类检测框进行初次筛选得到多个初始候选检测框；
步骤A25，采用非极大值抑制算法对所有所述初始候选检测框进行再次筛选，以得到多个所述候选检测框。


3.如权利要求1所述的识别方法，其特征在于，所述步骤A1中，以红外相机的视角可见范围内的气体为目标气体进行采集得到所述气体样本图像。


4.如权利要求1所述的识别方法，...

【专利技术属性】
技术研发人员：付泽强，张树峰，
申请(专利权)人：数量级上海信息技术有限公司，
类型：发明
国别省市：上海;31