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；超分辨率稀疏混合估计器提供了一种通过线性估计器的自适应混合方法获得的一类非线性逆估计器；对图像统计的研究表明图像补丁可以很好地表示为稀疏线性组合来自适当选择的字典的元素。受到这种观察的启发，一些论文在低分辨率输入的每个小块寻找稀疏表示，然后使用这种表示的系数来生成高分辨率输出。考虑到内容可能在不同的图像或单个图像中的不同补丁之间不同，其他人认为从示例图像补丁的预先收集的数据集中学习各种基本集合，然后对于给定的补丁来处理，自适应地选择基本图像来表征局部稀疏域等。然而，上述方法都是针对自然图像的特征提出来的，而在火炬燃烧图像中注重的仅仅是烟雾图像的超分辨效果，进而专用于烟雾图像的超分辨率算法是解决这一工程问题的关键。增加图像分辨率的最常用技术之一是图像像素的插值。虽然易于实现，但这种方法在视觉质量上仍然存在许多缺陷，例如许多细节(如尖锐边缘)不能得到自然地复原。但卷积神经网络可以通过提取图像的特征信息来弥补细节信息缺失。基本的深度卷积神经网络可以划分为3个性能模块：图像特征的提取和表征，非线性映射和超分辨率图像的重建。
技术实现思路
针对火炬系统的燃烧图像的分辨率低而带来的对烟雾识别和分析造成巨大困难的工程问题，本专利技术设计了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，通过针对烟雾图像的超分辨率重构的映射学习，得到了比传统的超分辨率算法更优的结果。本专利技术采用以下的技术方案：一种火炬烟雾图像的超分辨率方法，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。优选地，该方法包括以下步骤：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。优选地，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。优选地，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。优选地，步骤1.1中，裁剪得到的图像的尺寸为96mm*96mm。优选地，步骤1.3中，将S设定为2、3、4和8，分别得到超分辨率放大尺寸为2、3、4和8的模型。优选地，步骤1.4中，采用的归一化处理的公式为：其中，xn为归一化后像素值，xr为当前像素值，xmin为图像像素最小值，xmax为图像像素最大值。优选地，步骤3中训练参数为：训练集为1600张预处理后的烟雾图像，验证集为其它1600张预处理后的烟雾图像，测试集为100张预处理后的烟雾图像，训练集以每批次32幅图进行权值更新，验证集的批次为100幅图进行模型性能评定，总样本循环300次结束。优选地，步骤3中损失函数为：损失函数使用keras内置的均方误差函数MSE，公式为：其中m,n分别为图像的长和宽的像素个数，P(i,j)为模型预测的超分辨图中索引位置为(i,j)的像素值，O(i,j)为原始高清图中索引位置为(i,j)的像素值。优选地，步骤3中优化器为：使用Adam优化器，实现方式为keras内置实现的Adam函数，学习率设定为0.0003。优选地，步骤4具体包括：性能评估函数：采用的模型性能评估函数为峰值信噪比PSNR，公式为：其中，MAX为图像中像素的最大值，PSNR的值越大，模型输出的图像质量越好，模型也就越优。本专利技术具有的有益效果是：本专利技术提供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，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。附图说明图1训练样本例图。图2为基于卷积神经网络的超分辨率模型示意图。图3为基于卷积神经网络的超分辨率模型的详细参数。具体实施方式下面结合附图和具体实施例对本专利技术的具体实施方式做进一步说明：结合图1至图3，该方法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。基于深度卷积神经网络的火炬烟雾图像的超分辨率方法，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：使用基于Tensorflow的Keras深度学习库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。本方法的原理是：根据卷积神经网络对可以有效的学习提取与学习目标有用的图像特征的性质设计了基于卷积神经网络的超分辨率模型，模型的设计原理可细分为以下四块：简单特征图的提取：由于在超分辨率重建的过程中，注重边缘等简单特征，所以第一层的卷积核个数应该尽可能多以便更多的提取出重建所需要的简单特征。第一层通过64个卷积核大小为3*3的本文档来自技高网...

【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