基于深度卷积神经网络的火炬烟雾图像的超分辨率方法技术

本发明专利技术公开了基于深度卷积神经网络的火炬烟雾图像的超分辨率方法，该方法基于深度卷积神经网络的端到端的有监督学习。放空火炬是石油化工等产业中必不可少的安全保障设施。在典型的放空火炬系统中，燃烧不充分时产生的烟雾不仅会严重污染空气，而且会造成严重事故。针对放空火炬系统的烟雾图像分辨率低的问题，本发明专利技术设计了一个深度学习网络结构，并通过对烟雾图像进行端到端的学习低分辨率到高分辨率映射方式实现了烟雾图像的超分辨率恢复。通过实验对比，本方法针对烟雾区域的超分辨结果更优。本发明专利技术填补了针对放空火炬图像的烟雾区域图像的超分辨算法这一工程领域的空白，促进了放空火炬系统的安全环保燃烧。

【技术实现步骤摘要】
基于深度卷积神经网络的火炬烟雾图像的超分辨率方法
本专利技术涉及火炬烟雾图像处理领域，具体涉及一种基于深度卷积神经网络的火炬烟雾图像的超分辨率方法。
技术介绍
随着石化装置的标准化发展和天然气处理厂的逐步增加，火炬系统是其不可或缺的配套设施。在该系统中，烟雾是燃料燃烧不充分时产生的多种聚合物和固体碳颗粒的宏观形式，会对大气造成严重污染，甚至发生更严重的事故。所以确保火炬燃烧质量是火炬系统的首要任务。一般来说，为了满足生产过程和环境保护的要求，放空火炬的结构非常高，并且传统的传感器不能长期靠近火炬头，以避免高温对传感器造成损害。因此远程采集的火炬烟雾图像分辨率较低，这造成火炬不充分燃烧产生的烟雾的准确检测成为火炬系统的难题。将图像从模糊图像转换为清晰图像的方法之一就是从低分辨率到高分辨率的超分辨率处理。单幅图像的超分辨率是计算机视觉中的经典问题。最新的单幅图像的超分辨率技术方法大多是基于自然图像的结构特征进行设计的。对现阶段超分辨率方法进行简述：基于非局部自回归模式的图像插值方法可以有效地重建边缘结构并抑制锯齿伪影，实现更好的图像插值结果本文档来自技高网...

【技术保护点】
1.一种火炬烟雾图像的超分辨率方法，其特征在于，利用深度卷积神经网络，基于端到端的学习来得到火炬烟雾图像低分辨率到高分辨率的映射关系，提高火炬烟雾图像的分辨率。/n

【技术特征摘要】
1.一种火炬烟雾图像的超分辨率方法，其特征在于，利用深度卷积神经网络，基于端到端的学习来得到火炬烟雾图像低分辨率到高分辨率的映射关系，提高火炬烟雾图像的分辨率。


2.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，包括以下步骤：
步骤1：获得的火炬烟雾图像作为训练样本，对训练样本进行预处理；
步骤2：搭建卷积神经网络模型；
步骤3：设定网络的训练参数、损失函数和优化器；
步骤4：利用训练样本对模型进行训练，通过设定性能评估函数，保留最优模型作为最后实际应用的模型。


3.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤2中，使用基于Tensorflow的Keras深度学习库搭建卷积神经网络模型。


4.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1具体包括：
步骤1.1：将烟雾图像通过裁剪得到内容全为烟雾的图像；
步骤1.2：将裁剪后的图像转换为YCbCr色域，并只提取出Y通道得到训练所需的单通道图像；
步骤1.3：设定超分辨上采样的倍数S，先通过Bicubic算法将图像下采样为原来的1/S，再通过Bicubic算法上采样S倍得到，最终得到模型的输入I，原图为模型输出的参照图，设定为O；通过设定不同的S可以训练出不同的放大尺寸的模型；
步骤1.4：对图像进行归一化处理。


5.根据权利要求4所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.1中，裁剪得到的图像的尺寸为96mm*96mm。


6.根据权利要求4所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.3中，将S设定为2、3、4和8...

【专利技术属性】
技术研发人员：张杰东，孙晓英，鲍磊，于安峰，党文义，顾锞，
申请(专利权)人：中国石油化工股份有限公司，中国石油化工股份有限公司青岛安全工程研究院，
类型：发明
国别省市：北京;11