【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...
【技术保护点】
1.一种气体轮廓识别方法，其特征在于，/n包括一识别模型的构建过程：/n步骤A1，构建一卷积神经网络；/n步骤A2，于所述卷积神经网络的每个卷积层之后均构建一数据处理层，所述数据处理层用于在向对应层输入数据前进行归一化处理；/n步骤A3，对所述卷积神经网络中的每个池化层进行卷积运算，并且对多个预设的所述池化层进行反卷积运算，以构建所述全卷积神经网络；/n步骤A4，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类型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步骤A5，采用所述训练数据集对所述全卷积...
【技术特征摘要】
1.一种气体轮廓识别方法，其特征在于，
包括一识别模型的构建过程：
步骤A1，构建一卷积神经网络；
步骤A2，于所述卷积神经网络的每个卷积层之后均构建一数据处理层，所述数据处理层用于在向对应层输入数据前进行归一化处理；
步骤A3，对所述卷积神经网络中的每个池化层进行卷积运算，并且对多个预设的所述池化层进行反卷积运算，以构建所述全卷积神经网络；
步骤A4，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类型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；
步骤A5，采用所述训练数据集对所述全卷积神经网络模型进行训练，最终训练得到所述识别模型；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，采用所述识别模型对所述气体图像进行识别，输出所述气体图像的气体轮廓识别结果。
2.如权利要求1所述的气体轮廓识别方法，其特征在于，在执行所述步骤A1之后，首先执行下述步骤：
步骤A11，将所述卷积神经网络中的分类层删除；
步骤A12，将所述卷积神经网络中的全连接层转化为所述卷积层，随后转向所述步骤A2。
3.如权利要求2所述的气体轮廓识别方法，其特征在于，所述步骤A12包括以下步骤：
步骤A121，于每层所述全连接层中增加与所述全连接层的输入数据的尺寸相同的卷积核；
步骤A122，对每层所述全连接层的输入数据，分别采用对应的所述卷积核进行卷积运算，以将所述全连接层转化为所述卷积层，随后转向所述步骤A2。
4.如权利要求1所述的气体轮廓识别方法，其特征在于，于所述步骤A5包括：通过添加正则化项计算所述全卷积神经网络的损失函数。
5.如权利要求4所述的气体轮廓识别方法，其特征在于，所述步骤A5具体包括以下步骤：
步骤A51，采用一标准数据集对所述全卷积神经网络模型进行训练，以得到具有初始的权重参数的初始权重网络模型；
步骤A52，将所述训练数据集输入至所述初始权重网络模型中；
步骤A53，通过不断迭代训练将所述初始权重网络模型的所述损失函数的输出值降低至一预设数值范围内，从而形成具有最优的所述权重参数的所述识别模型。
...
【专利技术属性】
技术研发人员：付泽强，马玉宇，郭靖宜，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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。