用于识别烟气的林格曼黑度的神经网络模型的构建方法技术

本发明专利技术涉及气体检测技术领域，提供一种用于识别烟气的林格曼黑度的神经网络模型的构建方法，通过构建深度学习，加大了网络层级，实现道路上车辆冒黑烟自动识别，并且对车辆以及车辆周围进行针对识别，使识别具有更好的准确性，且对各种环境具有适应性。本发明专利技术通过深度学习算法学习了各种条件下的黑烟情况，深度学习的特性决定了其具有很强的拟合性，适应各种复杂的道路情况，适应更广泛的环境；本发明专利技术通过逐帧分析路面过车视频，通过深度学习后的模型进行自动识别黑烟，准确率与召回率均在0.9以上，对黑烟的识别正确率非常高；本发明专利技术识别的样本上设有标签，可根据深度学习后可自动识别出黑烟林格曼黑度等级与黑烟区域。别出黑烟林格曼黑度等级与黑烟区域。别出黑烟林格曼黑度等级与黑烟区域。

【技术实现步骤摘要】
用于识别烟气的林格曼黑度的神经网络模型的构建方法


[0001]本专利技术涉及气体检测
，特别涉及用于识别烟气的林格曼黑度的神经网络模型的构建方法。

技术介绍

[0002]烟气是气体和烟尘的混合物，是污染居民区大气的主要原因，行驶车辆释放的尾气也是烟气产生的一重要源头，为了减少烟气的产生，需要对车辆进行烟气释放的检测，尤其是黑烟，对排放污染的车辆进行治理。目前车辆检测通过交通卡口或者行驶道路上的独立摄像机对行驶车辆的尾气进行实时监控，识别出污染排放车辆，并将其排烟视频和车牌号记录下来，作为治理依据。在现有技术中通常采用灰度测量黑烟车，但采用灰度图像算法对图像进行前后景的识别，抠出前景图片，对前景图片的尾部区域轮廓进行识别从而判断是否冒黑烟，算法计算的步骤是固定的，难以适应各种复杂的道路情况，只能在某些特定的适应此算法的环境下识别，非特定的环境下识别正确率非常低；当识别错误时，与人的主观观察差别较大，难以大规模的应用。

技术实现思路

[0003]本专利技术提供一种用于识别烟气的林格曼黑度的神经网络模型的构建方法，通过构建深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，所述构建方法包括：（1）以神经元为基础构建神经网络模型，n个卷积层Conv叠加，然后再加上一个池化层，并重复M次，最后叠加k个全连接层FC，神经网络模型的组成模式为：；（2）在神经网络模型训练过程中进行卷积池化计算，卷积的计算公式为；；其中，x[n]为烟气采集样本，y[n]为烟气的识别结果，h[n]为卷积核，k为卷积的次数；（3）神经网络模型中引入激活函数；（4）神经网络模型使用梯度下降算法更新网络参数；（5）通过反向传播算法来更新各层中的网络参数；（6）对烟气采集样本进行归一化处理；（7）通过mAP标准验证检测的精度。2.根据权利要求1所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，所述烟气采集样本上设有标签，所述标签包括黑烟等级与黑烟区域，所述烟气采集样本包括视频样本和图片样本；黑烟等级分别为smoke1、smoke2、smoke3、somke4和somke5；黑烟区域分别为x1，x2，y1和y2。3.根据权利要求1所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，所述池化包括平均池化和最大池化。4.根据权利要求2所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，所述激活函数包括ReLU激活函数、Sigmoid激活函数以及Softmax激活函数；ReLU激活函数用于训练网络中卷积操作之后，将输入的烟气采集样本进行非线性映射，以更好地拟合输入视频的烟气采集样本；将输入小于0的烟气采集样本直接输出0；大于0的烟气采集样本则原值输出；Sigmoid激活函数用于完成二分类任务，将任意大小的神经元转换为[0,1]区间的输出，其导函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
3）；Softmax激活函数用于分类任务时输出各个类别的概率，其值大小位于[0,1]之间，其具体过程为：假设输入为维向量s，并且，表示s个输出层里的个神经元，其中一个分量为，使用Softmax激活函数得到的输出向量为，对于其中的一个分量，其计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
4）。5.根据权利要求1所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，步骤（4）的具体更新网络参数的过程为：假设有m个烟气采集样本，(=1,2,3
…
m)，且预测函数为，则构造损失函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
5）；其中，为烟气采集样本的真实值，由人工标注；为对输入烟气采集样本的预测值；、为网络参数，表示序数，无其他含义；使用梯度下降算法，求损失函数对参数的梯度，并使用如下公式(1
‑
6)更新其参数大小：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1
‑
6)；其中，为学习率；
“‑”
表示的是梯度的反方向。6.根据权利要求5所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征在于，步骤（6）中归一化处理的具体过程为：（61）先求出烟气采集样本的像素数据的均值；假设烟气采集样本的像素数据为维，其中有一个分量，表示第t个像素数据，则均值为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
7）；（62）再求出烟气采集样本的像素数据的方差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
8）；（63）然后对做归一化，得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
9）；
为归一化补偿参数，根据数据差值决定；（64）最后得到模型识别后的结果值：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
10）；其中， 为平移参数；为缩放参数。7.根据权利要求1所述的用于识别烟气的林格曼黑度的神经网络模型的构建方法，其特征...

【专利技术属性】
技术研发人员：丁宗英，杨效，刘钰东，王凡，唐海宇，杨宏杰，
申请(专利权)人：浙江浙大鸣泉科技有限公司，
类型：发明
国别省市：