CN106023199B - 一种基于图像分析技术的烟气黑度智能检测方法 - Google Patents
一种基于图像分析技术的烟气黑度智能检测方法 Download PDFInfo
- Publication number
- CN106023199B CN106023199B CN201610335080.5A CN201610335080A CN106023199B CN 106023199 B CN106023199 B CN 106023199B CN 201610335080 A CN201610335080 A CN 201610335080A CN 106023199 B CN106023199 B CN 106023199B
- Authority
- CN
- China
- Prior art keywords
- image
- flue gas
- blackness
- sequence
- smoke
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像分析技术的烟气黑度智能检测方法,其包括下列步骤:采集视频实时图像,对排口进行自动定位,动态检测与背景建模,对天空背景进行分析,判断是否排烟,若否,发出未排烟信号,若是发出排烟信号并对烟气形态分析;判断是否满足黑度检测条件,若否,发出当前不适合进行黑度检测信号;若是,进行黑度与颜色分析,输出黑度等级与颜色。本发明综合视频图像分析技术与人工智能手段对烟气排口进行实时视频分析,自动定位烟气排口,检测排口是否排烟;对烟气视频的天空背景与烟气形态进行分析,判断是否满足进行黑度检测的条件,在满足条件的情况下搜索计算黑度的最佳区域进行黑度计算。
Description
技术领域
本发明涉及一种烟气的检测方法。
背景技术
烟气黑度的测定一般是根据林格曼烟气黑度图测定的,目前具体的方法有人眼观测法,望远镜法,以及远程图像对比的方法。其中人眼观测法,望远镜法需要检测人员在现场进行,行政成本过高。也有远程图像对比的方法,但也需要人盯着视频,这些传统方式不但耗费了大量的人力物力,其结果有很大的人为因素。目前随着物联网技术的兴起与智慧环保的需要很多重要的排污口都安装了视频监控设备。
发明内容
本发明的目的是提供一种基于图像分析技术的烟气黑度智能检测方法。
通过该方法对废气排口的视频图像进行实时图像分析可以达到以下效果:①一旦有可见气体从排口溢出,立即发出有烟气排放的信号;②若有烟气排放,检测当前的环境是否适合烟气黑度分析;③若适合进行烟气黑度检测,则进行图像分析返回实时黑度值与颜色值。
一种基于图像分析技术的烟气黑度智能检测方法,其特征在于:所述方法包括下列步骤:
一种基于图像分析技术的烟气黑度智能检测方法,其特征在于:所述方法包括下列步骤:
采集视频实时图像,对排口进行自动定位,动态检测与背景建模,对天空背景进行分析,判断是否排烟,若否,发出未排烟信号,若是发出排烟信号并对烟气形态分析;判断是否满足黑度检测条件,若否,发出当前不适合进行黑度检测信号;若是,进行黑度与颜色分析,输出黑度等级与颜色。
所述对排口进行自动定位的方法包括如下步骤:
(1)获取等距图像序列
每隔一定时间获取一帧图像,并对图像进行灰度化,然后进行直方图均衡化,保存到图像序列中,设保存的图像序列为:
{Pt}N(t=1,2,...,N)
其中N表示序列的长度,即有图像的数量,t表示时间;Pt表示t时刻的图像;
(2)提取图像序列的边缘
对于序列中的图像Pt进行如下处理:
①通过高通滤波器加强图像的边缘,得到图像Ht,通过低通滤波器模糊图像的边缘Lt,
将高通滤波图像Ht与低通滤波图像Lt进行差分并对结果取绝对值,然后二值化处理得到边缘图像B′t;
②对图像Pt进行拉普拉斯变换,并进行二值化,得到边缘图像B″t;
③将B′t与B″t进行或运算得到图像的边缘Bt,即:
B′t or B″t=Bt
对序列{Pt}N(t=1,2,...,N)中的所有图像进行边缘提取之后得到边缘图像序列
{Bt}N(t=1,2,...,N)
(3)利用hough标准变换计算烟囱的方向
寻找烟囱位置方法如下:
对序列{Bt}N中的图像Bt通过hough标准变换计算出图像中的疑似烟囱边界的所有直线,设定投票值为图像高度的四分之一,保留倾斜度在90±5°之间的直线并绘制在图像Vt中,直线的像素值为255,背景像素值为0;于是得到关于直线的图像序列
{Vt}N(t=1,2,...,N)
(4)获取烟囱两侧的直线
对序列{Vt}N进行统计,设序列{Vt}N中(i,j)处像素为255的数量为n,设定阈值T,构造直线图像,进行如下计算:
得到图像Tc,图像Tc中,距离最小的两直线即为烟囱的两侧的直线,记为图像Tk;
(5)对图像序列{Bt}N,利用累计概率hough变换识别出序列中所有图像的直线段,如某位置处的直线在序列中超过一定比例,则视为有效的直线并保存在图像Tp中;图像Tk与图像Tp的公共位置即为烟囱两侧的竖线段,并将此保存到图像Tout中,排口位置两侧直线段用像素255标记,其余位置用的像素用0标记;
(6)图像Tout的两直线顶端位置即为排口位置。
所述判断是否排烟的步骤为:
(1)烟气背景建模
①设当前图像为F,背景图像为B,前景图像为S,采用滑动平均计算背景更新背景,公式如下:
B=αF+(1-α)B
其中α表示更新率;在通过当前图像与背景图像进行差分运算并取绝对值获取运动前景,即:
S=|F-B|
②对运动前景S进行二值化,再提取轮廓,滤掉异常轮廓,异常轮廓就是轮廓面积较小者;获取轮廓对应在当前图像F对应的图像与掩码,设轮廓序列图像为
{Ct}m(t=1,2,...,m),
掩码图像序列为
{Mt}m(t=1,2,...,m),
其中m表示有效轮廓的数量,t表示轮廓序号;
③计算轮廓图像在掩码区域内的彩色直方图,即计算Ct在掩码区域Mt下的直方图,得到直方图序列
{Ht}m(t=1,2,...,m)
④计算直方图序列{Ht}m在当前图像F中的反向投影,并将投影图二值化,此时二值化的图像包含了运动区域与烟雾区域,设此图像为S′;
(2)剔除包含运动区域与烟雾区域图像中非烟雾区域
①通过大量烟气监控视频,通过人为干预,分别提取视频中关于烟气与云朵的子图像,并选取其他任意图像作为学习的负样本;
②计算样本图像的颜色特征,选取的特征包含颜色矩与直方图,颜色矩的计算方式如下:将图像的颜色空间转换为HSV颜色模式,然后分离图像的三个通道,分别计算H、S、V通道的的一阶矩,即平均值a、颜色二阶矩,即方差v和颜色三阶矩,即偏斜度s,并设为
(Ha,Hv,Hs,Sa,Sv,Ss,Va,Vv,VS)
直方图计算方式如下,计算H通道的直方图将直方图的箱子数设定为16,并归一化处理,得到如下向量
(Z1,Z2,...,Z16)
因此对于图片的颜色特征一共有25维,即
(Ha,Hv,Hs,Sa,Sv,Ss,Va,Vv,Vs,Z1,Z2,...,Z16)
计算所有烟气图像的颜色特征,标签标记为1,计算所有云朵图像与其他图像的特征,标签标记为-1;一部分样本作为训练集,剩下的样本作为测试集;
③利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试;若测试准确率超过一定阈值,则说明训练模型可用于识别,否则改变训练的参数或者调整样本重新训练,直至满足要求;
④对包含了运动区域与烟雾区域的图像S′进行区域分割,并获取对应在当前视频图像的区域的图像序列,设为
{Dt}n(t=1,2,...,n)
其中n表示区域的数量,Dt表示图像中的运动目标或者疑似烟雾区域;
计算Dt的颜色特征,并带入训练模型中进行判断,若结果为1,则表示Dt为烟气区域,否则为非烟气区域;并将所有烟气区域的图像叠加到烟气图像P中;
(3)排烟判定
通过(2)检测出了烟气区域,若烟气区域与排烟口有交集,则说明排口正在排烟,发出排烟信号。
烟气形态分析的步骤如下:
(1)若排烟口在排烟,保留连续的烟气图像P,生成烟气序列图像
{Pt}K(t=1,2,...,K)
其中t表示连续标号,K表示图像数量,当有新的图像加入时,离当前时间最远的图像将被删除,序列的长度始终为K;
(2)对序列中的所有图片进行与运算,即提取序列的图片的公共区域,得到图像C;烟气区域部分的边线与图像边界有两个交点,为了快速计算把两交点与排口的连线做为边线,但有可能整幅图像都被烟气弥漫,这时无边线;
在有边线的情况下计算烟气偏移度与发散度;
其中,边线:就是经过排口并且与烟气边沿的最接近的直线,有两条或者零条;
中线:两边线之间的中位线;
参考线:无风情况下烟气的中位线;
烟气偏移度:指中线与参考线的夹角;
发散度:指边线的夹角。
对天空背景进行分析的步骤如下:
(1)搜集样本资料,即通过大量的监控摄像头,在人为干预的情况下,获取天空晴朗的天空背景图像、雨天天空背景图像、雪天天空背景图像、雾天天空背景图像、以及阴天天空背景图像;再获取除以上五种情况以外的图像若干张;
(2)计算上述图像的颜色特征,不同类别图像给定不同的标签,晴朗的天空背景标签为0,雨天天空背景的标签为1,雪天天空背景的标签为2,雾天天空背景的标签为3,阴天天空背景的标签为4,其他图像标签为-1;
(3)利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试;若测试准确率超过一定阈值,则说明训练模型可用于识别,否则改变训练的参数重新训练,直至满足要求;
(4)对当前的图片进行区域分割,将不同的区域进行特征计算,并调用训练模型,得到结果就是天气背景情况。
进行黑度与颜色分析的步骤如下:
根据观测不同烟气视频,发现在烟气偏移度小于45°,发散度小于100°时,能满足观测要求,若通过天空背景分析,若在非雨雪雾天的情况下适宜进行黑度观测,则计算黑度;黑度计算方式如下:
(1)对于烟气图像P,匹配对应的实时图像,分离出烟气区域,计算烟气区域中颜色最深的点,即与黑色RGB=(0,0,0)的颜色距离最小的点,并将该点的RGB值转化为灰度值;
(2)通过烟气颜色最深处的灰度值与林格曼黑度等级灰度进行比较,最接近黑度等级的值即为黑度等级,若通过天气背景分析获取的阴天背景,则将黑度等级减去0.25或者0.5,并输出黑度,计算烟气区域的RGB平均值并输出。
本发明综合视频图像分析技术与人工智能手段对烟气排口进行实时视频分析,自动定位烟气排口,检测排口是否排烟;对烟气视频的天空背景与烟气形态进行分析,判断是否满足进行黑度检测的条件,在满足条件的情况下搜索计算黑度的最佳区域进行黑度计算。
说明书附图
图1为本发明的流程图;
图2为废气排口监控视频示意图;
图3为废气排口烟气形态分析示意图。
具体实施方式
下面结合附图和具体实施对本发明做进一步的说明。
1.烟气排口自动定位
受天气光照与可能排烟等因素的影响,仅仅通过一张图像进行排烟口定位不太准确,因此需要提取多张图像进行统计。本发明首先对排烟口进行定位,排烟口位于烟囱的顶端区域(监控示意图见图2),因此只需要对图像中烟囱进行识别定位即可.具体步骤如下:
(1)获取等距图像序列
每隔一秒钟获取一帧图像,并对图像进行灰度化,然后在进行直方图均衡化,然后保存到图像序列中,设保存的图像序列为:
{Pt}N(t=1,2,...,N)
其中N表示序列的长度,即有图像的数量,t表示时间。Pt表示t时刻的图像。
(2)提取图像序列的边缘
对于序列中的图像Pt进行如下处理:
①通过高通滤波器加强图像的边缘,得到图像Ht,通过多次(本发明采用二次)低通滤波器模糊图像的边缘Lt.其中常见高通滤波器的卷积核,有
Butterworth滤波器等。
低通滤波有高斯滤波与均值滤波等,这里采用均值滤波,其3×3卷积核的形式为
将高通滤波图像Ht与低通滤波图像Lt进行差分并对结果取绝对值,然后二值化处理得到边缘图像B′t;
②再对图像Pt进行拉普拉斯变换,并进行二值化,得到边缘图像B″t;
③将B′t与B″t进行或运算得到图像的边缘Bt,即:
B′t or B″t=Bt
对序列{Pt}N(t=1,2,...,N)中的所有图像进行边缘提取之后得到边缘图像序列
{Bt}N(t=1,2,...,N)
(3)利用hough标准变换计算烟囱的方向
通过废气监控视频的图像不难发现,烟囱的边缘有两条明显的直线。寻找烟囱位置方法如下:
对序列{Bt}N中的图像Bt通过hough标准变换计算出图像中的疑似烟囱边界的所有直线,设定投票值为图像高度的四分之一,保留倾斜度在90±5°之间的直线并绘制在图像Vt中,直线的像素值为255,背景像素值为0;于是得到关于直线的图像序列
{Vt}N(t=1,2,...,N)
(4)获取烟囱两侧的直线
对序列{Vt}N进行统计,设序列{Vt}中(i,j)处像素为255的数量为n,设定阈值T,构造直线图像,进行如下计算:
得到图像Tc,图像Tc中,距离最小的两直线即为烟囱的两侧的直线,记为图像Tk.
(5)对图像序列{Bt}N,利用累计概率hough变换识别出序列中所有图像的直线段,如某位置处的直线在序列中超过一定比例(本方法设定为0.5),则视为有效的直线并保存在图像Tp中。图像Tk与图像Tp的公共位置即为烟囱两侧的竖线段,并将此保存到图像Tout中,排口位置两侧直线段用像素255标记,其余位置用的像素用0标记。
(6)图像Tout的两直线顶端位置即为排口位置.
注:在实际处理过程中,不会实时进行排口的识别,一般设定为每天识别一次。
2.排烟(气)口处可见烟气是否排放监测
(1)烟气背景建模
当排烟比较稳定时,通过常规的背景建模技术(如混合高斯背景建模、码本建模、中值建模、滑动平均背景建模等手段)只能获取烟雾边缘区域,烟雾中心区域常常就是适合黑度分析的区域,因此本发明采用一种新计算手段,能获取较为完整的烟雾区域。
具体方法如下:
①设当前图像为F,背景图像为B,前景图像为S,采用滑动平均计算背景更新背景,公式如下:
B=αF+(1-α)B
其中α表示更新率;在通过当前图像与背景图像进行差分运算并取绝对值获取运动前景,即:
S=|F-B|
②对运动前景S进行二值化,再提取轮廓,滤掉异常轮廓,所谓异常轮廓就是轮廓面积较小者。获取轮廓对应在当前图像F对应的图像与掩码,设轮廓序列图像为
{Ct}m(t=1,2,...,m),
掩码图像序列为
{Mt}m(t=1,2,...,m),
其中m表示有效轮廓的数量,t表示轮廓序号.
③计算轮廓图像在掩码区域内的彩色直方图(三通道),即计算Ct在掩码区域Mt下的直方图,得到直方图序列
{Ht}m(t=1,2,...,m)
④计算直方图序列{Ht}m在当前图像F中的反向投影,并将投影图二值化,此时二值化的图像包含了运动区域与烟雾区域,设此图像为S′.
(2)剔除包含运动区域与烟雾区域图像中非烟雾区域
在包含运动区域与烟雾区域的图像中,最可能的情况是包括了天空运动的云朵与烟气,这里用机器学习的方法进行云朵与烟气的识别,具体过程如下:
①通过大量烟气监控视频,通过人为干预,分别提取视频中关于烟气与云朵的子图像(注:子图像就是图像中的一部分,烟气的子图像只含有烟气,云朵子图像只含云朵,为了便于机器学习,图像的数量要足够大,本方法中,分别获取了4000张关于云朵与烟气的图像),并选取其他任意图像(同样需要图像数量多,本方法从网络上获取的随机图像,1000张)学习的负样本;
②计算样本图像的颜色特征,这里选取的特征包含颜色矩与直方图,颜色矩的计算方式如下:将图像的颜色空间转换为HSV颜色模式,然后分离图像的三个通道,分别计算H、S、V通道的的一阶矩(平均值a)、颜色二阶矩(方差v)和颜色三阶矩(偏斜度s),并设为
(Ha,Hv,Hs,Sa,Sv,Ss,Va,Vv,Vs)
直方图计算方式如下,计算H通道的直方图将直方图的箱子数设定为16,并归一化处理,得到如下向量
(Z1,Z2,...,Z16)
因此对于图片的颜色特征一共有25维,即
(Ha,Hv,Hs,Sa,Sv,Ss,Va,Vv,Vs,Z1,Z2,...,Z16)
计算所有烟气图像的颜色特征,标签标记为1,计算所有云朵图像与其他图像的特征,标签标记为-1;一部分样本作为训练集(标签为1的样本数量为3000,标签为-1的样本的为5000),剩下的样本作为测试集;
③利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试。若测试准确率超过一定阈值(本方法设定为0.9),则说明训练模型可用于识别,否则改变训练的参数重新训练,直至满足要求。(注:这里用到训练使用了LIBSVM,该库是台湾大学林智仁教授提供的开源项目)
④对包含了运动区域与烟雾区域的图像S′进行区域分割,并获取对应在当前视频图像的区域的图像序列,设为
{Dt}n(t=1,2,...,n)
其中n表示区域的数量,Dt表示图像中的运动目标或者疑似烟雾区域。
计算Dt的颜色特征,并带入训练模型中进行判断,若结果为1,则表示Dt为烟气区域,否则为非烟气区域;并将所有烟气区域的图像叠加到烟气图像P中。
(3)排烟判定
通过(2)检测出了烟气区域,若烟气区域与排烟口有交集,则说明排口正在排烟,发出排烟信号。
3.烟气形态分析
根据中华人民共和国环境行业保护标准《固定污染源排放烟气黑度的测定-林格曼烟气黑度图法》,在进行烟气黑度测试时若风速大于4.5m/s时不宜进行黑度观测。因此在进行黑度检测时,风速应该小于4.5m/s;若排烟位置附近有远程风速测定设备,则直接调用其数据即可,否则进行烟气形态分析。
在无风或者微风时,受烟气密度的的影响,烟气会缓慢上升并呈扇形发散(如图2与图3所示)。为了更好说明烟气在视频图像中形态特征,做进行如下定义:
边线:就是经过排口并且与烟气边沿的最接近的直线,一般情况有两条或者零条;
中线:两边线之间的中位线;
参考线:就是无风情况下烟气的中位线,一般情况就是穿越排口的铅垂线;
烟气偏移度:指中线与参考线的夹角;
发散度:指边线的夹角。
烟气受气流的形态会发生改变,会偏向气流流动的方向。在无风时,烟气垂直上升,用垂直方向作为烟气偏移的参考线,参考线的位置就是铅垂线穿越排口正中央的线,如图3所示。现在用偏移度来衡量烟气的形态,偏移度的计算如下:
(1)若排烟口在排烟,保留连续的烟气图像P,生成烟气序列图像
{Pt}K(t=1,2,...,K)
其中t表示连续标号,K表示图像数量,当有新的图像加入时,离当前时间最远的图像将被删除,序列的长度始终为K(在本发明中K取值为10)
(2)对序列中的所有图片进行与运算,即提取序列的图片的公共区域,得到图像C(如图3所示的阴影部分);阴影部分的边线与图像边界有两个交点,为了快速计算把两交点与排口的连线做为边线,有可能整幅图像都被烟气弥漫,这时无边线。
在有边线的情况下计算烟气偏移度与发散度。
4.天气情况分析
根据中华人民共和国环境行业保护标准《固定污染源排放烟气黑度的测定-林格曼烟气黑度图法》,观测烟气适宜在比较均匀的天空照明下进行,雨雪天,雾天不宜观测,若在阴天情况下观测,要根据经验取偏低的级数,实际处理中减去0.25或者0.5,采用支持向量机对天空背景进行分析,分析过程如下:
(1)搜集样本资料,即通过大量的监控摄像头,在人为干预的下,获取天空晴朗的天空背景图像、雨天天空背景图像、雪天天空背景图像、雾天天空背景图像、以及阴天天空背景图像;再获取其他的图像若干张。(注:进行机器学习,样本数量要足够大,本方法中,每类选取了图片2000张)
(2)根据方案第二步中<排烟(气)口处可见烟气是否排放监测>的方式,计算上述图像的颜色特征,不同类别图像给定不同的标签,晴朗的天空背景标签为0,雨天天空背景的标签为1,雪天天空背景的标签为2,雾天天空背景的标签为3,阴天天空背景的标签为4,其他图像标签为-1;
(3)利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试。若测试准确率超过一定阈值(本方法设定为0.9),则说明训练模型可用于识别,否则改变训练的参数重新训练,直至满足要求。(注:这里用到训练使用了LIBSVM,该库是台湾大学林智仁教授提供的开源项目)
(4)对当前的图片进行区域分割,将不同的区域进行特征计算,并调用训练模型,得到结果就是天气背景情况。
本方法在进行处理中,每隔30分钟计算一次天气背景。
5.烟气黑度实时监测
根据观测不同烟气视频,发现在烟气偏移度小于45°,发散度小于100°时,能满足观测要求。若通过天空背景分析,若在非雨雪雾天的情况下适宜进行黑度观测,则计算黑度;黑度计算方式如下:
(1)对于烟气图像P,匹配对应的实时图像,分离出烟气区域,计算烟气区域中颜色最深的点,即与黑色RGB=(0,0,0)的颜色距离最小的点,并将该点的RGB值转化为灰度值。
(2)林格曼黑度图灰度化,林格曼黑度图有0~5个等级,其中0等级与5等级代表全白与全黑。其余4个等级时根据黑色条格占整会面积的百分数确定的,林格曼1级黑色条格的面积为20%,林格曼2级黑色条格的面积为40%,林格曼3级黑色条格的面积为60%林格曼4级黑色条格的面积为80%,当人眼与林格曼黑度图的距离超过一定值时,林格曼黑度图的线条融合在一起,变成了灰度图,通过换算,0~5等级的灰度值分别为255,255,204,153,102,51,0。
通过烟气颜色最深处的灰度值与林格曼黑度等级灰度进行比较,最接近黑度等级的值即为黑度等级,若通过天气背景分析获取的阴天背景,则将黑度等级减去0.25或者0.5,并输出黑度,计算烟气区域的RGB平均值并输出。
Claims (5)
1.一种基于图像分析技术的烟气黑度智能检测方法,其特征在于:所述方法包括下列步骤:
采集视频实时图像,对排口进行自动定位,动态检测与背景建模,对天空背景进行分析,判断是否排烟,若否,发出未排烟信号,若是发出排烟信号并对烟气形态分析;判断是否满足黑度检测条件,若否,发出当前不适合进行黑度检测信号;若是,进行黑度与颜色分析,输出黑度等级与颜色;
所述对排口进行自动定位的方法包括如下步骤:
(1)获取等距图像序列
每隔一定时间获取一帧图像,并对图像进行灰度化,然后进行直方图均衡化,保存到图像序列中,设保存的图像序列为:
{Pt}N,t=1,2,...,N
其中N表示序列的长度,即有图像的数量,t表示时间;Pt表示t时刻的图像;
(2)提取图像序列的边缘
对于序列中的图像Pt进行如下处理:
①通过高通滤波器加强图像的边缘,得到图像Ht,通过低通滤波器模糊图像的边缘Lt,
将高通滤波图像Ht与低通滤波图像Lt进行差分并对结果取绝对值,然后二值化处理得到边缘图像B′t;
②对图像Pt进行拉普拉斯变换,并进行二值化,得到边缘图像B″t;
③将B′t与B″t进行或运算得到图像的边缘Bt,即:
B′t or B″t=Bt
对序列{Pt}N,t=1,2,...,N中的所有图像进行边缘提取之后得到边缘图像序列
{Bt}N,t=1,2,...,N
(3)利用hough标准变换计算烟囱的方向
寻找烟囱位置方法如下:
对序列{Bt}N中的图像Bt通过hough标准变换计算出图像中的疑似烟囱边界的所有直线,设定投票值为图像高度的四分之一,保留倾斜度在90±5°之间的直线并绘制在图像Vt中,直线的像素值为255,背景像素值为0;于是得到关于直线的图像序列
{Vt}N,t=1,2,...,N
(4)获取烟囱两侧的直线
对序列{Vt}N进行统计,设序列{Vt}N中(i,j)处像素为255的数量为n,设定阈值T,构造直线图像,进行如下计算:
得到图像Tc,图像Tc中,距离最小的两直线即为烟囱的两侧的直线,记为图像Tk;
(5)对图像序列{Bt}N,利用累计概率hough变换识别出序列中所有图像的直线段,如某位置处的直线在序列中超过一定比例,则视为有效的直线并保存在图像Tp中;图像Tk与图像Tp的公共位置即为烟囱两侧的竖线段,并将此保存到图像Tout中,排口位置两侧直线段用像素255标记,其余位置用的像素用0标记;
(6)图像Tout的两直线顶端位置即为排口位置。
2.如权利要求1所述的基于图像分析技术的烟气黑度智能检测方法,其特征在于:所述判断是否排烟的步骤为:
(1)烟气背景建模
①设当前图像为F,背景图像为B,前景图像为S,采用滑动平均计算背景更新背景,公式如下:
B=αF+(1-α)B
其中α表示更新率;在通过当前图像与背景图像进行差分运算并取绝对值获取运动前景,即:
S=|F-B|
②对运动前景S进行二值化,再提取轮廓,滤掉异常轮廓,异常轮廓就是轮廓面积较小者;获取轮廓对应在当前图像F对应的图像与掩码,设轮廓序列图像为
{Ct}m,t=1,2,...,m
掩码图像序列为
{Mt}m,t=1,2,...,m,
其中m表示有效轮廓的数量,t表示轮廓序号;
③计算轮廓图像在掩码区域内的彩色直方图,即计算Ct在掩码区域Mt下的直方图,得到直方图序列
{Ht}m,t=1,2,...,m
④计算直方图序列{Ht}m在当前图像F中的反向投影,并将投影图二值化,此时二值化的图像包含了运动区域与烟雾区域,设此图像为S′;
(2)剔除包含运动区域与烟雾区域图像中非烟雾区域
①通过大量烟气监控视频,通过人为干预,分别提取视频中关于烟气与云朵的子图像,并选取其他任意图像作为学习的负样本;
②计算样本图像的颜色特征,选取的特征包含颜色矩与直方图,颜色矩的计算方式如下:将图像的颜色空间转换为HSV颜色模式,然后分离图像的三个通道,分别计算H、S、V通道的一阶矩,即平均值a、颜色二阶矩,即方差v和颜色三阶矩,即偏斜度s,并设为(Ha,Hv,Hs,Sa,Sv,Ss,Va,Vv,Vs)
直方图计算方式如下,计算H通道的直方图将直方图的箱子数设定为16,并归一化处理,得到如下向量
(Z1,Z2,...,Z16)
因此对于图片的颜色特征一共有25维,即
(Ha,Hv,HS,Sa,Sv,SS,Va,Vv,VS,Z1,Z2,...,Z16)
计算所有烟气图像的颜色特征,标签标记为1,计算所有云朵图像与其他图像的特征,标签标记为-1;一部分样本作为训练集,剩下的样本作为测试集;
③利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试;若测试准确率超过一定阈值,则说明训练模型可用于识别,否则改变训练的参数或者调整样本重新训练,直至满足要求;
④对包含了运动区域与烟雾区域的图像S′进行区域分割,并获取对应在当前视频图像的区域的图像序列,设为
{Dt}n,t=1,2,...,m
其中n表示区域的数量,Dt表示图像中的运动目标或者疑似烟雾区域;
计算Dt的颜色特征,并带入训练模型中进行判断,若结果为1,则表示Dt为烟气区域,否则为非烟气区域;并将所有烟气区域的图像叠加到烟气图像P中;
(3)排烟判定
通过(2)检测出了烟气区域,若烟气区域与排烟口有交集,则说明排口正在排烟,发出排烟信号。
3.如权利要求1所述的基于图像分析技术的烟气黑度智能检测方法,其特征在于:烟气形态分析的步骤如下:
(1)若排烟口在排烟,保留连续的烟气图像P,生成烟气序列图像
{Pt}K,t=1,2,...,K
其中t表示连续标号,K表示图像数量,当有新的图像加入时,离当前时间最远的图像将被删除,序列的长度始终为K;
(2)对序列中的所有图片进行与运算,即提取序列的图片的公共区域,得到图像C;烟气区域部分的边线与图像边界有两个交点,为了快速计算把两交点与排口的连线做为边线,但有可能整幅图像都被烟气弥漫,这时无边线;
在有边线的情况下计算烟气偏移度与发散度;
其中,边线:就是经过排口并且与烟气边沿的最接近的直线,有两条或者零条;
中线:两边线之间的中位线;
参考线:无风情况下烟气的中位线;
烟气偏移度:指中线与参考线的夹角;
发散度:指边线的夹角。
4.如权利要求1所述的基于图像分析技术的烟气黑度智能检测方法,其特征在于:对天空背景进行分析的步骤如下:
(1)搜集样本资料,即通过大量的监控摄像头,在人为干预的情况下,获取天空晴朗的天空背景图像、雨天天空背景图像、雪天天空背景图像、雾天天空背景图像、以及阴天天空背景图像;再获取除以上五种情况以外的图像若干张;
(2)计算上述图像的颜色特征,不同类别图像给定不同的标签,晴朗的天空背景标签为0,雨天天空背景的标签为1,雪天天空背景的标签为2,雾天天空背景的标签为3,阴天天空背景的标签为4,其他图像标签为-1;
(3)利用支持向量机对训练集进行训练,得到训练模型,然后利用测试集对模型进行测试;若测试准确率超过一定阈值,则说明训练模型可用于识别,否则改变训练的参数重新训练,直至满足要求;
(4)对当前的图片进行区域分割,将不同的区域进行特征计算,并调用训练模型,得到结果就是天气背景情况。
5.如权利要求1所述的基于图像分析技术的烟气黑度智能检测方法,其特征在于:进行黑度与颜色分析的步骤如下:
根据观测不同烟气视频,发现在烟气偏移度小于45°,发散度小于100°时,能满足观测要求,若通过天空背景分析,若在非雨雪雾天的情况下适宜进行黑度观测,则计算黑度;黑度计算方式如下:
(1)对于烟气图像P,匹配对应的实时图像,分离出烟气区域,计算烟气区域中颜色最深的点,即与黑色RGB=(0,0,0)的颜色距离最小的点,并将该点的RGB值转化为灰度值;
(2)通过烟气颜色最深处的灰度值与林格曼黑度等级灰度进行比较,最接近黑度等级的值即为黑度等级,若通过天气背景分析获取的阴天背景,则将黑度等级减去0.25或者0.5,并输出黑度,计算烟气区域的RGB平均值并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335080.5A CN106023199B (zh) | 2016-05-19 | 2016-05-19 | 一种基于图像分析技术的烟气黑度智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610335080.5A CN106023199B (zh) | 2016-05-19 | 2016-05-19 | 一种基于图像分析技术的烟气黑度智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023199A CN106023199A (zh) | 2016-10-12 |
CN106023199B true CN106023199B (zh) | 2019-02-01 |
Family
ID=57095071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610335080.5A Expired - Fee Related CN106023199B (zh) | 2016-05-19 | 2016-05-19 | 一种基于图像分析技术的烟气黑度智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023199B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416777B (zh) * | 2018-03-16 | 2019-05-10 | 佛山市合能物联软件开发有限公司 | 车辆尾气黑度值计算方法及系统 |
CN108872031B (zh) * | 2018-09-17 | 2019-12-13 | 中国科学院武汉物理与数学研究所 | 机动车烟气黑度测量装置及方法 |
CN110135492B (zh) * | 2019-05-13 | 2020-12-22 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及系统 |
CN112213244B (zh) * | 2020-10-27 | 2023-10-10 | 中国科学院合肥物质科学研究院 | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 |
CN113096103A (zh) * | 2021-04-15 | 2021-07-09 | 北京工业大学 | 一种面向放空火炬的烟气智能影像感知方法 |
CN116188510B (zh) * | 2023-04-25 | 2023-07-07 | 安徽皖欣环境科技有限公司 | 一种基于多传感器的企业排放数据采集系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153722A (en) * | 1991-01-14 | 1992-10-06 | Donmar Ltd. | Fire detection system |
CN1943824A (zh) * | 2006-09-08 | 2007-04-11 | 浙江工业大学 | 基于全方位视觉传感器的自动消防灭火装置 |
CN101373553A (zh) * | 2008-10-23 | 2009-02-25 | 浙江理工大学 | 一种在动态场景中能免疫误报的早期烟雾视频检测方法 |
CN103714363A (zh) * | 2013-12-23 | 2014-04-09 | 南京新远见智能科技有限公司 | 一种机动车尾气烟度视频识别系统 |
-
2016
- 2016-05-19 CN CN201610335080.5A patent/CN106023199B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5153722A (en) * | 1991-01-14 | 1992-10-06 | Donmar Ltd. | Fire detection system |
CN1943824A (zh) * | 2006-09-08 | 2007-04-11 | 浙江工业大学 | 基于全方位视觉传感器的自动消防灭火装置 |
CN101373553A (zh) * | 2008-10-23 | 2009-02-25 | 浙江理工大学 | 一种在动态场景中能免疫误报的早期烟雾视频检测方法 |
CN103714363A (zh) * | 2013-12-23 | 2014-04-09 | 南京新远见智能科技有限公司 | 一种机动车尾气烟度视频识别系统 |
Non-Patent Citations (3)
Title |
---|
《TRANSMISSION LINE EXTRACTION AND RECOGNITION FROM NATURAL COMPLEX BACKGROUND》;WEIGUO TONG等;《Proceedings of the Eighth International Conference on Machine Learning and Cybernetics》;20090715;第2473-2477页 |
《基于林格曼黑度的烟囱排放自动监测分析系统的研究与实现》;桂柏林;《中国优秀硕士论文全文数据库》;20111215(第S2期);第4.1节,第4.1.1节第4段,第5.3.1节第1段,第5.3.1节第8段 |
《计算机图像识别的烟气自动监测》;张晓春;《环境监测管理与技术》;20031031;第15卷(第5期);第26-28页 |
Also Published As
Publication number | Publication date |
---|---|
CN106023199A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN112052797B (zh) | 基于MaskRCNN的视频火灾识别方法及系统 | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
CN105844295B (zh) | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
CN105675623B (zh) | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
CN111126136A (zh) | 一种基于图像识别的烟雾浓度量化方法 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN103198467B (zh) | 图像处理装置以及图像处理方法 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN105894015B (zh) | 一种道闸状态分析方法和系统 | |
CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN112149543A (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN109472261A (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 401121 Chongqing City, the western part of the open road, Yubei District, No. 4, No. 3, floor 1, No. 106, No. 2 Applicant after: CHONGQING UPSOFT TECHNOLOGY CO.,LTD. Address before: 401121 Chongqing City, the western part of the open road, Yubei District, No. 4, No. 3, floor 1, No. 106, No. 2 Applicant before: CHONGQING UPSOFT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |