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方案

本发明专利技术公开了一种环检线上的基于神经网络的黑烟检测方法及系统，本发明专利技术包括采集以车辆烟管位置加设白板作为背景的车辆黑烟图像；从车辆黑烟图像中裁剪获取白板区域黑烟图像；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并根据黑烟密度特征图计算黑烟的林格曼黑度，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，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。本发明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。节省人力。节省人力。

【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白板区域黑烟图像；
[0008]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；
[0009]S104，根据黑烟密度特征图计算黑烟的林格曼黑度。
[0010]可选地，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。
[0011]可选地，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。
[0012]可选地，该训练好的目标检测网络模型为YOLOv4目标检测网络。
[0013]可选地，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。
[0014]可选地，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。
[0015]可选地，该神经网络模型的第一卷积层用于执行k＝1、s＝1的卷积操作，其中k为卷积核大小，s为步长。
[0016]可选地，该神经网络模型在训练时所采用的损失函数的函数表达式为：
[0017]D
f
＝β
a
P
a
+β
b
P
b
+β
c
P
c
,
[0018]上式中，D
f
为损失函数，β
a
、β
b
和β
c
为权重参数，P
a
为黑烟密度特征图与黑烟黑度特征真实图之间的均方误差，P
b
为黑烟单独提取图像与黑烟单独提取真实图之间的均方误差，P
c
为背景图像与背景真实图之间的均方误差，该黑烟单独提取图像和背景图像由白板区域黑烟图像通过前景提取得到，且有：
[0019][0020][0021][0022]上式中，N为训练样本数量，w为图像宽度，h为图像高度，为第m个训练样本得到的黑烟密度特征图中坐标(i,j)的像素值，为第m个训练样本对应的黑烟黑度特征真实图中坐标(i,j)的像素值，为第m个训练样本得到的背景图像中坐标(i,j)的像素值，为第m个训练样本对应的黑烟单独提取真实图中坐标(i,j)的像素值，为第m个训练样本得到的黑烟密度特征图中坐标(i,j)的像素值，为第m个训练样本对应的背景真实图中坐标(i,j)的像素值。
[0023]可选地，步骤S104中根据黑烟密度特征图计算黑烟的林格曼黑度包括：
[0024]S201，确定黑烟密度特征图中像素数值超过预设阈值T的像素集合S；
[0025]S202，对像素集合S根据下式计算黑烟密度特征图的黑烟级别得分x；
[0026][0027]上式中，N
s
为S中的像素个数，S为黑烟密度特征图中像素数值超过预设阈值T的像素集合，ρ(i,j)为像素坐标(i,j)处的黑烟密度值；
[0028]S203，根据黑烟级别得分x、林格曼黑度的映射关系确定黑烟的林格曼黑度。
[0029]此外，本专利技术还提供一种环检线上的基于神经网络的黑烟检测系统，包括相互连接的微处理器和存储器，该微处理器被配置以执行该环检线上的基于神经网络的黑烟检测方法。
[0030]此外，本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序用于被微处理器配置以执行该环检线上的基于神经网络的黑烟检测方法。
[0031]和现有技术相比，本专利技术主要具有下述优点：
[0032]1、在环检站场景中于车辆烟管位置加设白板以采集车辆黑烟图像，隔绝复杂背景造成的影响，以最直接的方式，提高识别精度。
[0033]2、本专利技术通过重构编码解码的架构，增加特征增强模块，将每一层的编码特征通过特征加强模块后叠加融合进对应的解码层，使得解码层融合了不同层次的特征，进而提高了黑烟黑度提取的精度。
附图本文档来自技高网...

【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：