【技术实现步骤摘要】
一种环检线上的基于神经网络的黑烟检测方法及系统
[0001]本专利技术涉及环检线上的黑烟检测
,具体涉及一种环检线上的基于神经网络的黑烟检测方法及系统。
技术介绍
[0002]目前环检线上的黑烟检测采用的是人工比对车辆排气孔黑烟区域和林格曼黑度卡,费时费力。随着人工智能(AI)技术的普及,人们开始将人工智能(AI)技术应用于环检线上的黑烟检测,即将车辆排气孔黑烟区域的图像输入神经网络模型,利用神经网络模型来进行获得对应的林格曼黑度。但是,一方面,现阶段提取黑烟黑度特征的神经网络模型,多采用编码解码架构,这种架构的神经网络模型有个普遍缺点:缺乏使用深度信息,使得密度特征识别的准确率难以提升。另一方面,环检站中常出现背景杂乱、阴影、反光等不利因素,影响视觉识别的精度。因此,如何提升黑烟检测检测的准确度,已成为环检线上的黑烟检测
一项亟待解决的关键技术问题。
技术实现思路
[0003]本专利技术要解决的技术问题:针对现有技术的上述问题,提供一种环检线上的基于神经网络的黑烟检测方法及系统,本专利技术采用黑烟黑度特征神经网络模型来对黑烟黑度进行识别,进而换算出其林格曼黑度值,能够提高环检线上的黑烟检测的判别准确率,节省人力。
[0004]为了解决上述技术问题,本专利技术采用的技术方案为:
[0005]一种环检线上的基于神经网络的黑烟检测方法,包括:
[0006]S101,采集以车辆烟管位置加设白板作为背景的车辆黑烟图像;
[0007]S102,从车辆黑烟图像中裁剪获取 ...
【技术保护点】
【技术特征摘要】
1.一种环检线上的基于神经网络的黑烟检测方法,其特征在于,包括:S101,采集以车辆烟管位置加设白板作为背景的车辆黑烟图像;S102,从车辆黑烟图像中裁剪获取白板区域黑烟图像;S103,将白板区域黑烟图像输入训练好的神经网络模型得到黑烟密度特征图,该神经网络模型包括依次级联连接的多个编码层、第一卷积层和依次级联连接的多个解码层,第一级编码层的输入端作为神经网络模型的输入端,最后一级编码层通过第一卷积层与第一级解码层相连,最后一级解码层的输出端作为神经网络模型的输出端,该编码层和解码层一一对应,且将每一个编码器输出的特征图通过一特征加强模块进行特征加强后作为对应解码层的输入;S104,根据黑烟密度特征图计算黑烟的林格曼黑度。2.根据权利要求1该的环检线上的基于神经网络的黑烟检测方法,其特征在于,步骤S101之前还包括在车辆烟管位置加设白板,且调整用于采集以车辆烟管位置加设白板作为背景的车辆黑烟图像的摄像头使得摄像头拍摄画面中白板无阴影和反光。3.根据权利要求1该的环检线上的基于神经网络的黑烟检测方法,其特征在于,步骤S102中从车辆黑烟图像中裁剪获取白板区域黑烟图像是指将车辆黑烟图像输入训练好的目标检测网络模型,从而得到白板区域黑烟图像。4.根据权利要求1该的环检线上的基于神经网络的黑烟检测方法,其特征在于,所述特征加强模块包括依次相连的第二卷积层、最大池化层、反卷积层和第三卷积层,输入的白板区域黑烟图像或者编码层特征在输入编码层后,首先通过第二卷积层执行k=3
×
3、p=(1,1)的卷积操作、批量归一化操作BN和ReLU激活参数的激活操作,然后经过最大池化层进行k=2
×
2、s=(2,2)的最大池化编码、批量归一化操作BN和ReLU激活参数的激活操作,再经过反卷积层进行k=2
×
2、s=(2,2)的反卷积操作,最后经第三卷积层执行k=3
×
3、p=(1,1)的卷积操作得到对应的编码层特征,其中k为卷积核大小,s为步长,p为边界扩充。5.根据权利要求4该的环检线上的基于神经网络的黑烟检测方法,其特征在于,该神经网络模型的每一个解码层均包括解码器以及在解码器前端的连接层concat和第四卷积层,该连接层concat用于将来自第一卷积层或者上一个解码层的解码器特征、对应的特征加强模块进行特征加强后的编码器特征进行连接操作,该第四卷积层用于对连接操作得到的特征图执行k=3
×
3、p=(1,1)的卷积操作、批量归一化操作BN和ReLU激活参数的激活操作,其中k为卷积核大小,p为边界扩充。6.根据权利要求4该的环检线上的基...
【专利技术属性】
技术研发人员:王弘越,袁文怡,陈少栓,肖在春,
申请(专利权)人:广州伏羲智能科技有限公司,
类型:发明
国别省市:
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。