CN107452011A - 一种实时的烟尘颗粒在线监测系统 - Google Patents
一种实时的烟尘颗粒在线监测系统 Download PDFInfo
- Publication number
- CN107452011A CN107452011A CN201710687051.XA CN201710687051A CN107452011A CN 107452011 A CN107452011 A CN 107452011A CN 201710687051 A CN201710687051 A CN 201710687051A CN 107452011 A CN107452011 A CN 107452011A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- msubsup
- image
- particle
- 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
- 239000004071 soot Substances 0.000 title claims abstract description 68
- 239000008187 granular material Substances 0.000 title claims abstract description 43
- 239000000428 dust Substances 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003500 flue dust Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
一种实时的烟尘颗粒在线监测系统，包括图像采集模块、微处理器模块和自动预警模块，所述图像采集模块用于采集烟道内的烟尘图像，所述微处理器模块用于对采集得到的烟尘图像进行处理和分析，所述自动预警模块用于在判断烟尘颗粒浓度超出安全阈值范围时进行预警。本发明的有益效果为：采用数字图像处理技术将粒子群优化算法应用于烟尘颗粒在线监测系统中，并采用了改进的基于粒子群优化算法的最大熵阈值的图像分割方法，有效地提高了最大熵图像分割的计算速度，同时也提高了系统的监测精度。
Description
技术领域
本发明创造涉及在线监测领域，具体涉及一种实时的烟尘颗粒在线监测系统。
背景技术
随着人类对烟尘污染危害性的认识的深入，人们对各污染源排放的烟尘的浓度和粒径提出了更高的要求，各国政府也相应制定了各种排放标准和法规，然而随着工业的高速发展，烟尘颗粒被排到大气后由于其质量较大，会在周围地区形成明显的颗粒飘落，从而对环境造成不利的影响，因此，研制出一种烟尘颗粒在线监测系统，实时了解烟尘颗粒的排放量，对于预防和降低烟尘颗粒的排放量，以及对我国大气污染控制事业有着深远的影响，具有极其重要的意义。
本发明采用图像处理技术对烟尘颗粒进行在线监测，在图像处理中提出基于粒子群优化算法的最大熵阈值的图像分割方法，不仅提高了图像的分割速度，而且能够准确的将烟尘颗粒从背景图像中提取出来，提高了监测系统的准确性，实现了烟尘颗粒的实时在线监测，以便改变生产工艺，减少烟尘排放量。
发明内容
针对上述问题，本发明旨在提供一种实时的烟尘颗粒在线监测系统。
本发明创造的目的通过以下技术方案实现：
一种实时的烟尘颗粒在线监测系统，包括图像采集模块、微处理器模块和自动预警模块，所述图像采集模块用于采集烟道内的烟尘图像，所述微处理器模块用于对采集得到的烟尘图像进行处理和分析，所述自动预警模块用于在判断烟尘颗粒超出安全阈值范围时进行预警。
本发明创造的有益效果：本系统采用数字图像处理技术将粒子群优化算法应用于烟尘颗粒在线监测系统中，并采用了改进的基于粒子群优化算法的最大熵阈值的图像分割方法，有效地提高了最大熵图像分割的计算速度，同时也提高了系统的监测精度。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
图2是本发明图像采集模块的结构示意图；
图3是本发明微处理器模块的结构示意图。
附图标记：
图像采集模块1；微处理器模块2；自动预警模块3；图像传感器单元11；照明单元12；采集控制单元21；图像处理单元22；烟尘颗粒识别单元23。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2和图3，本实施例的一种实时的烟尘颗粒在线监测系统，包括图像采集模块1、微处理器模块2和自动预警模块3，所述图像采集模块1用于采集烟道内的烟尘图像，所述微处理器模块2用于对采集得到的烟尘图像进行处理和分析，所述自动预警模块3用于在判断烟尘颗粒浓度超出安全阈值范围时进行预警。
优选地，所述图像采集模块1安装在能反映排入大气中的烟尘颗粒情况的烟道中。
优选地，所述图像采集模块1包括图像传感器单元11和照明单元12，所述图像传感器单元11用于采集烟道内的烟尘图像，所述照明单元12用于在图像传感器采集烟尘图像时进行照明。
本优选实施例采用数字图像处理技术将粒子群优化算法应用于烟尘颗粒在线监测系统中，并采用了改进的基于粒子群优化算法的最大熵阈值的图像分割方法，有效地提高了最大熵图像分割的计算速度，同时也提高了系统的监测精度。
优选地，所述微处理器模块2包括采集控制单元21、图像处理单元22和烟尘颗粒识别单元23，所述采集控制单元21用于控制图像采集模块1的图像传感器单元11和照明单元12进行烟尘图像的采集，所述图像处理单元22用于分割所述烟尘图像，从而得到图像中的烟尘颗粒区域和背景区域，所述烟尘颗粒识别单元23用于根据烟尘图像的分割结果进行烟尘颗粒识别，从而判断烟道内的烟尘颗粒浓度。
本优选实施例构成了本系统的微处理器模块，通过采集控制单元有效的控制图像采集模块的工作，并对采集得到的烟尘图像进行有效的图像分割和烟尘颗粒识别，从而判断烟尘颗粒浓度，实现了烟尘颗粒的实时在线监测。
优选地，所述图像处理单元22采用多阈值分割法对所述烟尘图像进行分割，从而得到图像中的烟尘颗粒区域和背景区域，具体包括：
(1)对烟尘图像进行滤波处理，从而去除烟尘图像中的噪声干扰；
(2)采用改进的粒子群优化算法确定烟尘图像分割的多阈值组合，具体为：
a.对粒子群优化算法中的速度和位置更新公式进行改进，定义第i个粒子表示为一个d维的向量xi＝(xi1,xi2,…,xid),则粒子群的位置和速度更新公式为：
xid(k+1)＝xid(k)+vid(k+1)*Tk
式中，xid(k+1)为粒子i的第d维在k+1次迭代时的位置，xid(k)为粒子i的第d维在k次迭代时的位置，Tk为粒子飞行所用的时间，Tmax为粒子飞行的最长时间，k为粒子的当前迭代次数，kmax为粒子的最大迭代次数，c1、c2和c3是学习因子，vid(k)是粒子i的第d维的速度，pid(k)是粒子i的第d维的最优位置，pw(k)是粒子i的第d维的最差位置，pgd(k)是全体粒子的第d维的最优解，r1、r2和r3是0到1之间的随机数；
是粒子群算法中的惯性权重因子，则采用的计算公式为：
式中，w0是惯性权重的初值，是第k次迭代时第i个粒子的进化速度因子，sk是第k次迭代时种群的聚集程度因子，a和b分别是进化速度因子和聚集程度因子的权重，且a+b＝1；
进化速度因子的计算公式为：
式中，表示第k次迭代中第i个粒子的历史最好适应度，表示第k-1次迭代中第i个粒子的历史最好适应度；
聚集程度因子sk的计算公式为：
式中，fi是粒子i的适应度，是第k次迭代时粒子的平均适应度，n是粒子群中粒子的个数；
(3)采用改进的粒子群算法寻找分割图像的最佳阈值组合[t1,t2,…,tc]，定义图像分割的适应度函数h为：
……
式中，Pi为灰度级i的像素点的概率，q0为分割阈值(0,t1)范围内的像素点总数，q1为分割阈值(t1,t2)范围内的像素点总数，qc-1为分割阈值(tc-1,tc)范围内的像素点总数,di为灰度级为i的像素点数。
本优选实施例在粒子的速度和位置更新公式中，设置成随着粒子离最优位置越近粒子的飞行时间线性减小，避免了粒子由于飞行时间过长错过最优位置导致振荡现象的产生，此外，在更新公式中加入粒子最差位置的参数，使得粒子在更新过程中尽量远离最差位置，很大程度上提高了算法的搜索效率；在惯性权重因子的计算过程中，使得惯性权重随着进化速度因子和聚集程度因子的变化而变化，避免了粒子群优化算法容易陷入局部最优以及收敛速度迅速减小等缺点；采用了改进的基于粒子群优化算法的最大熵阈值的图像分割方法，有效地提高了最大熵图像分割的计算速度，同时也提高了系统的监测精度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种实时的烟尘颗粒在线监测系统，其特征是，包括图像采集模块、微处理器模块和自动预警模块，所述图像采集模块用于采集烟道内的烟尘图像，所述微处理器模块用于对采集得到的烟尘图像进行处理和分析，所述自动预警模块用于在判断烟尘颗粒浓度超出安全阈值范围时进行预警。
2.根据权利要求1所述的一种实时的烟尘颗粒在线监测系统，其特征是，所述图像采集模块安装在能反映排入大气中的烟尘颗粒情况的烟道中。
3.根据权利要求2所述的一种实时的烟尘颗粒在线监测系统，其特征是，所述图像采集模块包括图像传感器单元和照明单元，所述图像传感器单元用于采集烟道内的烟尘图像，所述照明单元用于在图像传感器采集烟尘图像时进行照明。
4.根据权利要求3所述的一种实时的烟尘颗粒在线监测系统，其特征是，所述微处理器模块包括采集控制单元、图像处理单元和烟尘颗粒识别单元，所述采集控制单元用于控制图像采集模块的图像传感器单元和照明单元进行烟尘图像的采集，所述图像处理单元用于分割所述烟尘图像，从而得到图像中的烟尘颗粒区域和背景区域，所述烟尘颗粒识别单元用于根据烟尘图像的分割结果进行烟尘颗粒识别，从而判断烟道内的烟尘颗粒浓度。
5.根据权利要求4所述的一种实时的烟尘颗粒在线监测系统，其特征是，所述图像处理单元采用多阈值分割法对所述烟尘图像进行分割，从而得到图像中的烟尘颗粒区域和背景区域，具体包括：
(1)对烟尘图像进行滤波处理，从而去除烟尘图像中的噪声干扰；
(2)采用改进的粒子群优化算法确定烟尘图像分割的多阈值组合，具体为：
a.对粒子群优化算法中的速度和位置更新公式进行改进，定义第i个粒子表示为一个d维的向量xi＝(xi1,xi2,…,xid),则粒子群的位置和速度更新公式为：
xid(k+1)＝xid(k)+vid(k+1)*Tk
<mrow>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>k</mi>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>3</mn>
</msub>
<msub>
<mi>r</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>w</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中，xid(k+1)为粒子i的第d维在k+1次迭代时的位置，xid(k)为粒子i的第d维在k次迭代时的位置，Tk为粒子飞行所用的时间，Tmax为粒子飞行的最长时间，k为粒子的当前迭代次数，kmax为粒子的最大迭代次数，c1、c2和c3是学习因子，vid(k)是粒子i的第d维的速度，pid(k)是粒子i的第d维的最优位置，pw(k)是粒子i的第d维的最差位置，pgd(k)是全体粒子的第d维的最优解，r1、r2和r3是0到1之间的随机数；
是粒子群算法中的惯性权重因子，则采用的计算公式为：
<mrow>
<msubsup>
<mi>w</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>bs</mi>
<mi>k</mi>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
式中，w0是惯性权重的初值，是第k次迭代时第i个粒子的进化速度因子，sk是第k次迭代时种群的聚集程度因子，a和b分别是进化速度因子和聚集程度因子的权重，且a+b＝1；
进化速度因子的计算公式为：
<mrow>
<msubsup>
<mi>h</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mi>min</mi>
<mo>{</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mrow>
<mi>max</mi>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mfrac>
<mo>|</mo>
</mrow>
式中，表示第k次迭代中第i个粒子的历史最好适应度，表示第k-1次迭代中第i个粒子的历史最好适应度；
聚集程度因子sk的计算公式为：
<mrow>
<msup>
<mi>s</mi>
<mi>k</mi>
</msup>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>f</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mi>n</mi>
</mfrac>
</msqrt>
</mrow>
式中，fi是粒子i的适应度，是第k次迭代时粒子的平均适应度，n是粒子群中粒子的个数；
(3)采用改进的粒子群算法寻找分割图像的最佳阈值组合[t1,t2,…,tc]，定义图像分割的适应度函数h为：
<mrow>
<mi>h</mi>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
</mfrac>
<mi>ln</mi>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</mrow>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
</mfrac>
<mi>ln</mi>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>t</mi>
<mi>c</mi>
</msub>
</munderover>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mi>ln</mi>
<mfrac>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<msub>
<mi>q</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</msubsup>
<msub>
<mi>d</mi>
<mi>o</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</mrow>
<msub>
<mi>t</mi>
<mn>2</mn>
</msub>
</msubsup>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>......</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>c</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>t</mi>
<mi>c</mi>
</msub>
</msubsup>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</mrow>
式中，Pi为灰度级i的像素点的概率，q0为分割阈值(0,t1)范围内的像素点总数，q1为分割阈值(t1,t2)范围内的像素点总数，qc-1为分割阈值(tc-1,tc)范围内的像素点总数,di为灰度级为i的像素点数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710687051.XA CN107452011A (zh) | 2017-08-11 | 2017-08-11 | 一种实时的烟尘颗粒在线监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710687051.XA CN107452011A (zh) | 2017-08-11 | 2017-08-11 | 一种实时的烟尘颗粒在线监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107452011A true CN107452011A (zh) | 2017-12-08 |
Family
ID=60491020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710687051.XA Pending CN107452011A (zh) | 2017-08-11 | 2017-08-11 | 一种实时的烟尘颗粒在线监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107452011A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489317A (zh) * | 2020-05-12 | 2020-08-04 | 江西天境精藏科技有限公司 | 一种骨灰盒智能存放系统 |
| CN114034614A (zh) * | 2021-11-16 | 2022-02-11 | 中国矿业大学 | 一种粉尘浓度均匀性检测装置及控制系统 |
| CN117514315A (zh) * | 2023-11-10 | 2024-02-06 | 新疆鼎飞益机械设备有限公司 | 一种矿井智能除尘方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
| CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
| CN105116733A (zh) * | 2015-09-25 | 2015-12-02 | 闽江学院 | 改良型粒子群寻优神经网络超声波电机控制系统及其方法 |
| US20160307424A1 (en) * | 2015-02-19 | 2016-10-20 | Smoke Detective, Llc | Smoke Detection System and Method Using a Camera |
| CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
| CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
-
2017
- 2017-08-11 CN CN201710687051.XA patent/CN107452011A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778538A (zh) * | 2012-07-06 | 2012-11-14 | 广东电网公司电力科学研究院 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
| CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
| US20160307424A1 (en) * | 2015-02-19 | 2016-10-20 | Smoke Detective, Llc | Smoke Detection System and Method Using a Camera |
| CN105116733A (zh) * | 2015-09-25 | 2015-12-02 | 闽江学院 | 改良型粒子群寻优神经网络超声波电机控制系统及其方法 |
| CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
| CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘伟华: "基于机器视觉的煤尘在线检测系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 张索峰,李平: "基于改进粒子群算法的PID参数整定", 《工业仪表与自动化装置》 * |
| 李万程: "基于改进粒子群优化算法的图像去噪和图像分割研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489317A (zh) * | 2020-05-12 | 2020-08-04 | 江西天境精藏科技有限公司 | 一种骨灰盒智能存放系统 |
| CN111489317B (zh) * | 2020-05-12 | 2021-09-14 | 江西天境精藏科技有限公司 | 一种骨灰盒智能存放系统 |
| CN114034614A (zh) * | 2021-11-16 | 2022-02-11 | 中国矿业大学 | 一种粉尘浓度均匀性检测装置及控制系统 |
| CN114034614B (zh) * | 2021-11-16 | 2022-07-29 | 中国矿业大学 | 一种粉尘浓度均匀性检测装置及控制系统 |
| CN117514315A (zh) * | 2023-11-10 | 2024-02-06 | 新疆鼎飞益机械设备有限公司 | 一种矿井智能除尘方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107452011A (zh) | 一种实时的烟尘颗粒在线监测系统 | |
| CN111077869B (zh) | 一种大数据智能控制布袋除尘器优化控制方法及系统 | |
| CN107248252A (zh) | 一种高效的森林火灾探测系统 | |
| CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
| CN101655907A (zh) | 机车司机行车状态监控智能报警系统 | |
| CN108288055A (zh) | 基于深度网络与分级测试的电力机车受电弓及电弧检测方法 | |
| CN109876569B (zh) | 一种布袋除尘器净化气体指标在线检测装置、系统及方法 | |
| CN109346103A (zh) | 一种用于公路隧道交通事件的音频检测方法 | |
| CN111666944A (zh) | 一种红外弱小目标检测方法及装置 | |
| CN112528277A (zh) | 一种基于循环神经网络的混合入侵检测方法 | |
| CN109598303A (zh) | 一种基于城市场景的垃圾检测方法 | |
| CN117195498A (zh) | 一种基于数字孪生的智慧城市信息展示方法及系统 | |
| CN113553985A (zh) | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 | |
| CN112591333A (zh) | 基于人工智能的自动垃圾分类装置及方法 | |
| CN114291081B (zh) | 一种基于人工智能算法的车辆碰撞检测方法 | |
| CN109376903B (zh) | 一种基于博弈神经网络的pm2.5浓度值预测方法 | |
| CN102123062A (zh) | 基于树突细胞算法的网络数据异常检测方法 | |
| CN105654494B (zh) | 视频图像中烟雾检测方法 | |
| CN110956611A (zh) | 一种集成卷积神经网络的烟雾检测方法 | |
| Haohao et al. | Domestic garbage target detection based on improved YOLOv5 algorithm | |
| CN201600783U (zh) | 机车司机行车状态监控智能报警装置 | |
| Zhuang et al. | Bee colony flow monitoring system based on SSD algorithm | |
| Sharma et al. | Efficient air pollutants prediction using ANFIS trained by modified PSO algorithm | |
| TWI700593B (zh) | 應用飛行載具之汙染源搜尋系統及其方法 | |
| CN111881932A (zh) | 一种军用飞机的FasterRCNN目标检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |