一种基于图像识别的烟雾浓度量化方法技术

本发明专利技术提供了一种基于图像识别的烟雾浓度量化方法，通过获得的待检测类型烟雾的各浓度烟雾图片，作为基于图像识别烟雾浓度的机器学习的带标签样本数据，通过自动标注程序和图片规格化，获得大量的针对待检测类型烟雾的带标签训练集，通过对有标签样本数据集采用有监督学习方法，获得针对待检测类型烟雾的具有工程应用精度级别的CNN神经网络模型；实现基于图像识别烟雾浓度的定量化分析。针对实际拍摄的烟雾图片，通过烟雾区域的自动识别和裁切获得目标检测图片，进入烟雾浓度的定量化分析，实现检测过程的自动化。本发明专利技术具有智能化、高效性和自动化识别等特征，通过有针对性的模型训练可实现针对各种类型烟雾图片的定量化描述。

A quantitative method of smoke concentration based on image recognition

【技术实现步骤摘要】
一种基于图像识别的烟雾浓度量化方法
本专利技术涉及烟雾浓度识别
，具体地，涉及一种智能化的基于图像识别的烟雾浓度量化方法，该烟雾浓度量化方法基于图像识别和机器学习算法实现。
技术介绍
烟雾原意是空气中的煤烟与自然雾混合的产物，现泛指因工业生产排放的固体粉尘凝结后生成的雾状物，或由碳氢化合物和氮氧化物经光化学反应生成的二次污染物等多种污染物的混合体形成的烟雾。随着工业崛起和城市建设的快速发展，烟雾事件随处可见，当初的“伦敦烟雾事件”、“洛杉矶光化学烟雾”等已不再是特例。城市高层、地下建筑以及大型综合性建筑日益增多，火灾隐患也大大增加，火灾的数量及其造成的损失呈逐年上升趋势。火灾不仅会造成财产损失，还会产生含有害气体的烟雾。烟雾浓度过高会直接威胁到人身安全，对烟雾及其浓度检测技术的研究成为必要问题被提出来。在火灾烟雾控制、性能化设计、人员疏散，材料安全评估，火羽流、燃烧诊断以及火灾探测等研究中，都需要对烟雾浓度进行准确的测量。传统工业废气浓度测量最普遍的方法是林格曼烟气浓度图。按照白底上黑色条格占总面积的百分数分成0～5的林格本文档来自技高网...

【技术保护点】
1.一种基于图像识别的烟雾浓度量化方法，其特征在于，包括：/nS1，输入视频序列或图片；/nS2，对S1中输入的视频序列或图片提取运动区域：如果提取到运动区域，则执行S3，如果没有提取到运动区域，则判断为无烟雾；/nS3，对S2中得到的运动区域提取烟雾疑似区域：如果提取到疑似区域，则执行S4，如果没有提取到疑似区域，则判断为无烟雾；/nS4，通过形态学对S3中得到的烟雾疑似区域变换形成连通域；/nS5，将S4中得到的连通域分割为若干个子块；/nS6，将S5中得到的若干个子块输入至经过标准样本集训练获得的分类模型，该分类模型中将烟雾浓度作为数据标签，得到每一个子块的分类结果；其中，所述分类模型根...

【技术特征摘要】
1.一种基于图像识别的烟雾浓度量化方法，其特征在于，包括：
S1，输入视频序列或图片；
S2，对S1中输入的视频序列或图片提取运动区域：如果提取到运动区域，则执行S3，如果没有提取到运动区域，则判断为无烟雾；
S3，对S2中得到的运动区域提取烟雾疑似区域：如果提取到疑似区域，则执行S4，如果没有提取到疑似区域，则判断为无烟雾；
S4，通过形态学对S3中得到的烟雾疑似区域变换形成连通域；
S5，将S4中得到的连通域分割为若干个子块；
S6，将S5中得到的若干个子块输入至经过标准样本集训练获得的分类模型，该分类模型中将烟雾浓度作为数据标签，得到每一个子块的分类结果；其中，所述分类模型根据烟雾浓度的检测在工业领域的应用精度的要求，设置烟雾浓度的分类阈值和分类数量；
S7，设置一阈值，若S6中得到的子块分类结果中，被判别为烟雾的结果超过该阈值，则执行S8，同时将该连通域判定为烟雾区域，如果没有超过该阈值，则判断为无烟雾；
S8，将组成S7中判定为烟雾区域的若干个子块输入至回归模型进行图像特征提取以及烟雾浓度预测，其中：所述回归模型由回归神经网络与贝叶斯线性模型组成，所述回归神经网络通过图像特征提取，对判定为烟雾区域的若干个子块进行初级数据标签分类，确定烟雾浓度预测值，并将提取的图像特征向量作为烟雾位置信息；所述贝叶斯线性模型考虑先验数据的分类，在所述回归神经网络的分类结果基础上，提升烟雾浓度数据标签分类的精度；
S9，对S8中得到的各子块的烟雾浓度预测值取平均值，并将该平均值作为烟雾区域浓度值信息。


2.根据权利要求1所述的基于图像识别的烟雾浓度量化方法，其特征在于，所述S2中，对输入的视频序列或图片提取运动区域，包括：
S21，视频读取：按帧读取视频或图片，得到每一帧图像；
S22，图像预处理：对S21中得到的每一帧图像进行高斯滤波处理，得到灰度化图像；
S23，对S22中得到的灰度化图像使用高斯混合模型将运动物体分离，检测得到运动区域。


3.根据权利要求1所述的基于图像识别的烟雾浓度量化方法，其特征在于，所述S3中，采用HSV模型对得到的运动区域提取烟雾疑似区域，其中，采用经验阈值对图像进行分割，包括：
前景形态学变换：先对前景通过一次形态学开运算进行去噪处理，再通过一次形态学闭运算使相近区域连通，从而形成前景连通域；
将经过前景形态学变换的图像由RGB空间转换为HSV空间；
将烟雾疑似区域的H、S、V三分量所满足的区间经验阈值分别设为[30,150]、[0,70]、[150,260]，提取所述经验阈值范围内的像素。


4.根据权利要求1所述的基于图像识别的烟雾浓度量化方法，其特征在于，所述S4中，通过形态学对S3中得到的烟雾疑似区域变换形成连通域，包括：
烟雾疑似区域形态学变换：先通过闭运算使S3中提取的烟雾疑似区域连通，再运用开运算去噪，形成烟雾疑似区域连通域。


5.根据权利要求1所述的基于图像识别的烟雾浓度量化方法，其特征在于，所述S5中，分割得到的每一个子块的像素尺寸为32×24，若尺寸不足，则通过仿射变换使尺寸满足要求。


6.根据权利要求1所述的基于图像识别的烟雾浓度量化方法，其特征在于，所述S6中，采用的分类模型为二分类卷积神经网络模型，包含输入层Input、卷积层C1、卷积层C2、卷积层C3、池化层S1、池化层S2、池化层S3、全连接层以及输出层，优化方法为Adam优化器；
其中：
所述输入层Input，输入数据为32x24像素大小的图片，含RGB三通道；
所述卷积层C1，卷积核大小为5x5，步长为1，特征图个数为32，激活函数为RELU：f(x)＝max(0,x)，卷积核权重初始值由零均值、方差为0.1的正态分布生成，偏置为0.1；
所述池化层S1，核的大小为2x2，步长为2，采用最大池化，进行padding填充；
所述卷积层C2，卷积核大小为5x5，步长为1，...

【专利技术属性】
技术研发人员：王春江，赵金城，刘伟，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31