一种扬尘降低方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种扬尘降低方法、装置、电子设备及存储介质，该方法包括：使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。在上述方案的实现过程中，通过使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，并对多个连续坐标点对应围成区域的进行降低扬尘处理，不需要施工人员在现场手动参与降尘过程，从而提高了对扬尘浓度进行降低的效率。了对扬尘浓度进行降低的效率。了对扬尘浓度进行降低的效率。

【技术实现步骤摘要】
一种扬尘降低方法、装置、电子设备及存储介质


[0001]本申请涉及深度学习、图像检测和扬尘降低的
，具体而言，涉及一种扬尘降低方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，在建筑工地、煤场、采石场、混凝土搅拌站、垃圾填埋场等等容易产生扬尘的环境中，通常是通过人工地方式来对扬尘浓度进行降低的，具体例如：在建筑工地的围挡上安装喷淋系统，喷淋系统包括很多不同位置安装的喷淋设备，在需要降低扬尘浓度时，建筑工地的施工人员将喷淋系统中的多个喷淋设备手动打开，以使喷淋设备将纯净水以水雾的方式喷洒到扬尘环境中。然而，在具体的实施过程中发现，由于不同位置安装的喷淋设备一旦打开，可能存在喷淋设备向没有扬尘的区域喷洒水雾，或者施工人员忘记关闭喷淋设备等等情况导致水资源浪费，且需要施工人员在现场手动参与降尘过程，因此，目前通过人工地方式来对扬尘浓度进行降低的效率较低。

技术实现思路

[0003]本申请实施例的目的在于提供一种扬尘降低方法、装置、电子设备及存储介质，用于改善对扬尘浓度进行降低的效率较低的问题。
[0004]本申请实施例提供了一种扬尘降低方法，包括：使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。在上述方案的实现过程中，通过使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，并对多个连续坐标点对应围成区域的进行降低扬尘处理，有效地避免了喷淋设备向没有扬尘的区域喷洒水雾，或者施工人员忘记关闭喷淋设备等等情况，且不需要施工人员在现场手动参与降尘过程，从而提高了对扬尘浓度进行降低的效率。
[0005]可选地，在本申请实施例中，神经网络模型包括：特征提取网络和卷积神经网络；使用训练后的神经网络模型对待检测图像进行扬尘检测，包括：使用特征提取网络对待检测图像进行特征提取，获得图像特征；使用卷积神经网络对图像特征进行扬尘检测。在上述方案的实现过程中，通过使用特征提取网络对待检测图像进行特征提取，获得图像特征，并使用卷积神经网络对图像特征进行扬尘检测，从而避免了采用全连接层的标准输出扬尘所在的位置范围时需要穷举每个候选框的问题，从而节约更多的计算资源，提高了扬尘检测的速度。
[0006]可选地，在本申请实施例中，使用卷积神经网络对图像特征进行扬尘检测，包括：使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量；将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确
定为多个连续坐标点。在上述方案的实现过程中，通过使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量，并将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，从而避免了采用全连接层的标准输出扬尘所在的位置范围时需要穷举每个候选框的问题，从而节约更多的计算资源，提高了扬尘检测的速度。
[0007]可选地，在本申请实施例中，根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理，包括：判断扬尘浓度类别是否是预设类别；若是，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。在上述方案的实现过程中，通过在检测出扬尘浓度类别是预设类别(例如高浓度类别)，就向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体，从而级联(又称串联)的方式提高了对扬尘浓度进行降低的效率，此处的级联是指在进行喷淋设备进行降尘处理的同时，也在同时进行扬尘检测过程。
[0008]可选地，在本申请实施例中，在向喷淋设备发送控制信号之后，还包括：判断扬尘浓度类别是预设类别的持续时长是否大于预设时长；若是，则输出喷淋设备的检修信息。在上述方案的实现过程中，通过在扬尘浓度类别是预设类别(例如高浓度类别)的持续时长是否大于预设时长，就输出喷淋设备的检修信息，从而避免了需要人为地观测确定喷淋设备是否在工作并获取检修信息的问题，有效地提高了获得喷淋设备的检修信息的效率。
[0009]可选地，在本申请实施例中，在使用训练后的神经网络模型对待检测图像进行扬尘检测之前，还包括：获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别；以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
[0010]可选地，在本申请实施例中，在对检测神经网络进行训练之前，还包括：获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络。在上述方案的实现过程中，通过获取预训练骨干网络，将预训练骨干网络的输出层修改为卷积神经网络，获得检测神经网络，从而避免了直接从头开始训练神经网络模型的问题，有效地提高了神经网络模型的训练效率。
[0011]本申请实施例还提供了一种扬尘降低装置，包括：图像扬尘检测模块，用于使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和多个连续坐标点对应围成区域的扬尘浓度类别，多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；扬尘降低处理模块，用于根据扬尘浓度类别对多个连续坐标点对应围成区域进行降低扬尘处理。
[0012]可选地，在本申请实施例中，神经网络模型包括：特征提取网络和卷积神经网络；图像扬尘检测模块，包括：图像特征获得模块，用于使用特征提取网络对待检测图像进行特征提取，获得图像特征；特征扬尘检测模块，用于使用卷积神经网络对图像特征进行扬尘检测。
[0013]可选地，在本申请实施例中，特征扬尘检测模块，包括：图像卷积计算模块，用于使用卷积神经网络对图像特征进行卷积计算，获得多个特征向量；特征向量计算模块，用于将多个特征向量中预设位置的特征向量确定为扬尘浓度类别，并将多个特征向量中除预设位置之外的特征向量确定为多个连续坐标点。
[0014]可选地，在本申请实施例中，扬尘降低处理模块，包括：浓度类别判断模块，用于判
断扬尘浓度类别是否是预设类别；控制信号发送模块，用于若扬尘浓度类别是预设类别，则向喷淋设备发送控制信号，以使喷淋设备向多个连续坐标点对应围成区域喷洒液体。
[0015]可选地，在本申请实施例中，扬尘降低装置，还包括：扬尘浓度判断模块，用于判断扬尘浓度类别是预设类别的持续时长是否大于预设时长；检修信息输出模块，用于若扬尘浓度类别是预设类别的持续时长大于预设时长，则输出喷淋设备的检修信息。
[0016]可选地，在本申请实施例中，扬尘降低装置，还包括：图像标签获取模块，用于获取多个样本图像和多个样本标签，样本标签是样本图像中的扬尘所在区域的多个连续坐标点和扬尘浓度类别；神经网络训练模块，用于以多个样本图像为训练数据，以多个样本标签为训练标签，对检测神经网络进行训练，获得神经网络模型。
[0017]可选地，在本申请实施例中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种扬尘降低方法，其特征在于，包括：使用训练后的神经网络模型对待检测图像进行扬尘检测，获得多个连续坐标点和所述多个连续坐标点对应围成区域的扬尘浓度类别，所述多个连续坐标点对应围成区域是识别出的扬尘在空间中的位置范围；根据所述扬尘浓度类别对所述多个连续坐标点对应围成区域进行降低扬尘处理。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：特征提取网络和卷积神经网络；所述使用训练后的神经网络模型对待检测图像进行扬尘检测，包括：使用所述特征提取网络对所述待检测图像进行特征提取，获得图像特征；使用所述卷积神经网络对所述图像特征进行扬尘检测。3.根据权利要求2所述的方法，其特征在于，所述使用所述卷积神经网络对所述图像特征进行扬尘检测，包括：使用所述卷积神经网络对所述图像特征进行卷积计算，获得多个特征向量；将所述多个特征向量中预设位置的特征向量确定为所述扬尘浓度类别，并将所述多个特征向量中除预设位置之外的特征向量确定为所述多个连续坐标点。4.根据权利要求1所述的方法，其特征在于，所述根据所述扬尘浓度类别对所述多个连续坐标点对应围成区域进行降低扬尘处理，包括：判断所述扬尘浓度类别是否是预设类别；若是，则向喷淋设备发送控制信号，以使所述喷淋设备向所述多个连续坐标点对应围成区域喷洒液体。5.根据权利要求4所述的方法，其特征在于，在所述向喷淋设备发送控制信号之后，还包括：判断所述扬尘浓度类别是预设类别的持续时长是否大于预设时长；...

【专利技术属性】
技术研发人员：李玮，黄志龙，周明伟，龚鼎盛，吴晓峰，
申请(专利权)人：成都佳华物链云科技有限公司，
类型：发明
国别省市：