CN105424598A - 一种基于图像识别的机动车尾气检测方法 - Google Patents
一种基于图像识别的机动车尾气检测方法 Download PDFInfo
- Publication number
- CN105424598A CN105424598A CN201510807675.1A CN201510807675A CN105424598A CN 105424598 A CN105424598 A CN 105424598A CN 201510807675 A CN201510807675 A CN 201510807675A CN 105424598 A CN105424598 A CN 105424598A
- Authority
- CN
- China
- Prior art keywords
- image
- image recognition
- cell lattice
- motor
- measured cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及环境检测技术领域,特别是涉及一种基于图像识别的机动车尾气检测方法。步骤1:拍摄待测区域的卫星云图,所述卫星云图包括待测区域的尾气晕染图像,步骤2:对尾气晕染图像进行灰度化处理,生成灰度化图像,步骤3:对灰度化图像进行行列划分,依据像素大小划分为n个待测单元格,步骤4:对n个待测单元格的灰度值范围进行归一化处理,获得各待测单元格的灰度值特征值,步骤5:根据n个待测单元格的灰度值特征值构造BP神经网络模型,并对BP神经网络进行网络训练,步骤6:把训练完成的n各待测单元格的灰度值特征值输入BP神经网络进行识别,并与汽车尾气晕染图像数据库进行对比,完成最终尾气污染值的识别。本发明能够准确测试大面积尾气。
Description
技术领域
本发明涉及环境检测技术领域,特别是涉及一种基于图像识别的机动车尾气检测方法。
背景技术
随着社会经济的快速发展与人民生活水平的提高,机动车的数量逐年增加,机动车尾气对城市大气环境的负面影响也越来越大,主要表现有引发人类呼吸系统疾病,地表臭氧含量过高,城市热岛效应加重以及生产光化学烟雾等。因此,对机动车尾气污染物浓度进行检测的重要性日趋显现。
目前,国内外对机动车尾气检测的最常用方法有:无负荷测试方法(包括怠速法、怠速/高怠速法、双怠速法和自由加速测试法)、稳态测试方法、瞬态测试方法和远距离遥感检测方法。
前三种方法都是在特定地点进行,并且检测时间过长,对于快速筛选城市高污染排放车辆先得无能为力。远距离遥感检测方法利用红外激光技术和非分散红外分析法(Non-DispersiveInfra-Red,NDIR)技术,可以在道路上完成机动车尾气污染成分的快速检测。该方法的基本原理是在道路两边分别放置光源发射器和接收器,或将发射器与接收器放在道路的同一侧,光反射器在道路的另一侧,然后将检测光束穿过排放的尾气气团,然后对通过检测光束的车辆进行尾气排放测量,并将测量结果与同步摄像记录的车辆牌照号相对应,因此来准确获取该机动车的尾气污染物浓度。
但是现有技术中采用远距离遥感检测方法来进行汽车尾气检测的方法,大多是检测某种车型或者某个区域的汽车尾气排放量,而在实际使用过程中,对于大面积大领域的机动车尾气排放量的测量,由于设备布局的限制,以及各检测结点可能发生的设备故障等因素,导致整个测试的失败。
发明内容
为了解决上述技术问题,本发明所要解决的技术问题是提供一种全新的基于图像识别的机动车尾气检测方法,利用图像识别技术结合现有的卫星云图技术,对待测区域的汽车尾气云团进行列划分,然后通过进行逐行逐列扫描进行灰度值转换,并通过BP神经网络训练,最终获得大面积区域的各小区块的尾气排放量值。
本发明所采用的技术方案是,一种基于图像识别的机动车尾气检测方法,包括以下步骤:
步骤1:拍摄待测区域的卫星云图,所述卫星云图包括待测区域的尾气晕染图像,
步骤2:对尾气晕染图像进行灰度化处理,生成灰度化图像,
步骤3:对灰度化图像进行列划分,依据像素大小划分为n个待测单元格,
步骤4:对n个待测单元格的灰度值范围进行归一化处理,获得各待测单元格的灰度值特征值,
步骤5:根据n个待测单元格的灰度值特征值构造BP神经网络模型,并对BP神经网络进行网络训练,
步骤6:把训练完成的n各待测单元格的灰度值特征值输入BP神经网络进行识别,并与汽车尾气晕染图像数据库进行对比,完成最终尾气污染值的识别。
进一步的,每一待测单元格的像素大小为m×w,所述m的范围为150-200kb,所述w的范围为250-300kb。
进一步的,所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。
进一步的,对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算,计算公式如下:(i,j)=0.40R(i,j)+0.46G(i,j)+0.14B(i,j))。
进一步的,步骤3中,对尾气晕染图像采用水平投影和垂直投影相结合的进行划分,先通过水平投影,通过由下向上扫描,划分出n行,再通过垂直投影,通过由左向右扫描划分出n列,最终形成n个待测单元格。
进一步的,步骤6具体包括以下步骤:
步骤61:根据输入向量的元素量确定输入层的神经元数量;
步骤62:根据输入层和输出层的神经元数量确定BP神经网络中间层神经元数量,其中,BP神经网络中间层的神经元传递函数采用S型正切函数;
步骤63:根据输出向量的元素量确定输出层的神经元数量,其中,输出层神经元传递函数采用S型对数函数。
本发明通过采用上述技术方案,与现有技术相比,具有如下优点:
本发明利用图像识别技术结合现有的卫星云图技术,对待测区域的汽车尾气云团进行列划分,然后通过进行逐行逐列扫描进行灰度值转换,并通过BP神经网络训练,最终获得大面积区域的各小区块的尾气排放量值。
具体实施方式
作为一个具体的实施例,一种基于图像识别的机动车尾气检测方法,包括以下步骤:
步骤1:拍摄待测区域的卫星云图,所述卫星云图包括待测区域的尾气晕染图像,所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。
步骤2:对尾气晕染图像进行灰度化处理,生成灰度化图像,对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算,计算公式如下:(i,j)=0.40R(i,j)+0.46G(i,j)+0.14B(i,j))。
步骤3:对灰度化图像进行列划分,依据像素大小划分为n个待测单元格,每一待测单元格的像素大小为m×w,所述m的范围为150-200kb,所述w的范围为250-300kb。对尾气晕染图像采用水平投影和垂直投影相结合的进行划分,先通过水平投影,通过由下向上扫描,划分出n行,再通过垂直投影,通过由左向右扫描划分出n列,最终形成n个待测单元格。
步骤4:对n个待测单元格的灰度值范围进行归一化处理,获得各待测单元格的灰度值特征值,
步骤5:根据n个待测单元格的灰度值特征值构造BP神经网络模型,并对BP神经网络进行网络训练,
步骤6:把训练完成的n各待测单元格的灰度值特征值输入BP神经网络进行识别,并与汽车尾气晕染图像数据库进行对比,完成最终尾气污染值的识别。
步骤6具体包括以下步骤:
步骤61:根据输入向量的元素量确定输入层的神经元数量;
步骤62:根据输入层和输出层的神经元数量确定BP神经网络中间层神经元数量,其中,BP神经网络中间层的神经元传递函数采用S型正切函数;
步骤63:根据输出向量的元素量确定输出层的神经元数量,其中,输出层神经元传递函数采用S型对数函数。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (6)
1.一种基于图像识别的机动车尾气检测方法,其特征在于:包括以下步骤:
步骤1:拍摄待测区域的卫星云图,所述卫星云图包括待测区域的尾气晕染图像,
步骤2:对尾气晕染图像进行灰度化处理,生成灰度化图像,
步骤3:对灰度化图像进行列划分,依据像素大小划分为n个待测单元格,
步骤4:对n个待测单元格的灰度值范围进行归一化处理,获得各待测单元格的灰度值特征值,
步骤5:根据n个待测单元格的灰度值特征值构造BP神经网络模型,并对BP神经网络进行网络训练,
步骤6:把训练完成的n各待测单元格的灰度值特征值输入BP神经网络进行识别,并与汽车尾气晕染图像数据库进行对比,完成最终尾气污染值的识别。
2.根据权利要求1一种基于图像识别的机动车尾气检测方法,其特征在于:每一待测单元格的像素大小为m×w,所述m的范围为150-200kb,所述w的范围为250-300kb。
3.根据权利要求1一种基于图像识别的机动车尾气检测方法,其特征在于:所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。
4.根据权利要求1一种基于图像识别的机动车尾气检测方法,其特征在于:对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算,计算公式如下:(i,j)=0.40R(i,j)+0.46G(i,j)+0.14B(i,j))。
5.根据权利要求1一种基于图像识别的机动车尾气检测方法,其特征在于:步骤3中,对尾气晕染图像采用水平投影和垂直投影相结合的进行划分,先通过水平投影,通过由下向上扫描,划分出n行,再通过垂直投影,通过由左向右扫描划分出n列,最终形成n个待测单元格。
6.根据权利要求1一种基于图像识别的机动车尾气检测方法,其特征在于:
步骤6具体包括以下步骤:
步骤61:根据输入向量的元素量确定输入层的神经元数量;
步骤62:根据输入层和输出层的神经元数量确定BP神经网络中间层神经元数量,其中,BP神经网络中间层的神经元传递函数采用S型正切函数;
步骤63:根据输出向量的元素量确定输出层的神经元数量,其中,输出层神经元传递函数采用S型对数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510807675.1A CN105424598A (zh) | 2014-11-29 | 2015-11-19 | 一种基于图像识别的机动车尾气检测方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410704307X | 2014-11-29 | ||
CN201410704307 | 2014-11-29 | ||
CN201510807675.1A CN105424598A (zh) | 2014-11-29 | 2015-11-19 | 一种基于图像识别的机动车尾气检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105424598A true CN105424598A (zh) | 2016-03-23 |
Family
ID=55502950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510807675.1A Pending CN105424598A (zh) | 2014-11-29 | 2015-11-19 | 一种基于图像识别的机动车尾气检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105424598A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097479A (zh) * | 2016-05-30 | 2016-11-09 | 北京奇虎科技有限公司 | 行车信息的记录方法和装置 |
CN108133295A (zh) * | 2018-01-11 | 2018-06-08 | 安徽优思天成智能科技有限公司 | 一种针对目标路段的机动车尾气浓度连续时间预测方法 |
CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
CN109109787A (zh) * | 2018-07-24 | 2019-01-01 | 辽宁工业大学 | 一种汽车行驶故障监测方法 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
CN111079756A (zh) * | 2018-10-19 | 2020-04-28 | 杭州萤石软件有限公司 | 一种单据图像中的表格提取与重建方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811872A (zh) * | 2006-02-05 | 2006-08-02 | 李建明 | 一种安装在出租车上的信息显示系统 |
CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
CN202404031U (zh) * | 2012-01-23 | 2012-08-29 | 黑龙江大学 | 面粉湿面筋自动检测装置 |
CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
CN103808723A (zh) * | 2014-02-27 | 2014-05-21 | 中国科学技术大学 | 一种柴油车烟气黑度自动检测装置 |
-
2015
- 2015-11-19 CN CN201510807675.1A patent/CN105424598A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1811872A (zh) * | 2006-02-05 | 2006-08-02 | 李建明 | 一种安装在出租车上的信息显示系统 |
CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
CN202404031U (zh) * | 2012-01-23 | 2012-08-29 | 黑龙江大学 | 面粉湿面筋自动检测装置 |
CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
CN103808723A (zh) * | 2014-02-27 | 2014-05-21 | 中国科学技术大学 | 一种柴油车烟气黑度自动检测装置 |
Non-Patent Citations (2)
Title |
---|
YONGDUSCI的个人博客: "卫星遥感诊断分析:北京市区PM2.5及空气污染的主要成因", 《博客,HTTP://BLOG.SCIENCENET.CN/BLOG-1151100-775170.HTML》 * |
新浪汽车: "卫星图像显示北京汽车尾气污染居世界之最,新浪汽车", 《新浪汽车,HTTP://AUTO.SINA.COM.CN/NEWS/2005-10-29/1109147436.SHTML》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097479A (zh) * | 2016-05-30 | 2016-11-09 | 北京奇虎科技有限公司 | 行车信息的记录方法和装置 |
CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
CN108197731B (zh) * | 2017-12-26 | 2022-01-11 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
CN108133295A (zh) * | 2018-01-11 | 2018-06-08 | 安徽优思天成智能科技有限公司 | 一种针对目标路段的机动车尾气浓度连续时间预测方法 |
CN108133295B (zh) * | 2018-01-11 | 2020-07-07 | 安徽优思天成智能科技有限公司 | 一种针对目标路段的机动车尾气浓度连续时间预测方法 |
CN109109787A (zh) * | 2018-07-24 | 2019-01-01 | 辽宁工业大学 | 一种汽车行驶故障监测方法 |
CN111079756A (zh) * | 2018-10-19 | 2020-04-28 | 杭州萤石软件有限公司 | 一种单据图像中的表格提取与重建方法和设备 |
CN111079756B (zh) * | 2018-10-19 | 2023-09-19 | 杭州萤石软件有限公司 | 一种单据图像中的表格提取与重建方法和设备 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN110147731B (zh) * | 2019-04-16 | 2021-09-14 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
CN110175638B (zh) * | 2019-05-13 | 2021-04-30 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105424598A (zh) | 一种基于图像识别的机动车尾气检测方法 | |
CN102208019B (zh) | 基于车载摄像机的车辆变道检测方法 | |
CN112880751B (zh) | 基于走航监测的空气污染状况获取方法 | |
CN111598843B (zh) | 基于深度学习的电力变压器呼吸器目标缺陷检测方法 | |
CN102999664B (zh) | 一种室内污染源位置识别方法 | |
CN106446307B (zh) | 基于气溶胶地基数据的aod垂直订正效果评价方法及系统 | |
CN105303030B (zh) | 一种富营养化湖泊藻类高斯垂向分布结构参数的modis遥感估算方法 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN101614675B (zh) | 能见度测量系统及方法 | |
CN113933258B (zh) | 基于走航监测的VOCs污染物溯源方法、终端及系统 | |
CN114089330B (zh) | 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法 | |
CN110738354A (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN103942786B (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN115359295A (zh) | 一种解耦知识蒸馏金具目标检测方法及系统 | |
CN114002381A (zh) | 一种大气污染溯源扩散分析方法及装置 | |
CN111289991B (zh) | 一种基于多场景的激光测距方法及装置 | |
CN110059544B (zh) | 一种基于道路场景的行人检测方法和系统 | |
CN112699748A (zh) | 基于yolo及rgb图像的人车距离估计方法 | |
Li et al. | Road Damage Evaluation via Stereo Camera and Deep Learning Neural Network | |
CN106558086B (zh) | 一种林木应力波断层成像的速度误差校正方法 | |
CN113989774A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
CN107491712A (zh) | 一种基于rgb‑d图像的人体识别方法 | |
CN116773745B (zh) | 工业园区的污染气体排放源定位方法、装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160323 |