CN107545281A - 一种基于深度学习的单一有害气体红外图像分类识别方法 - Google Patents
一种基于深度学习的单一有害气体红外图像分类识别方法 Download PDFInfo
- Publication number
- CN107545281A CN107545281A CN201710903647.9A CN201710903647A CN107545281A CN 107545281 A CN107545281 A CN 107545281A CN 201710903647 A CN201710903647 A CN 201710903647A CN 107545281 A CN107545281 A CN 107545281A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- layer
- infrared
- neural networks
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于卷积神经网络的红外有害气体浓度检测的分类和识别方法。本发明首先采集已知浓度的有害气体红外图像样本,对采集到的原始图像进行灰度化,线性转化等预处理,然后将这些带标签的图像样本作为训练集输入卷积神经网络,当损失值高于阀值时,利用梯度下降法调节网络参数,当损失值低于阀值时保存网络参数。然后对未知浓度的红外有害气体图像进行相同的预处理,将这些处理后的未带标签的样本输入之前保存的卷积网络识别其气体的浓度。本发明能比人工特征提取得到更多更具代表性的图像信息,从而提高分类效果。
Description
技术领域
本发明属于红外图像处理技术领域,涉及一种基于深度学习的红外有害气体分类识别方法。
背景技术
随着经济地不断发展,大气污染问题显得日益严重。为了尽早的发现有害气体的排放和及时实施针对性的急救措施,需要正确的了解排放或泄露气体的种类和浓度,这有这样才能尽快尽早地采取针对性的有效措施。
近年来利用红外气体成像技术检测气体污染取得了不错的效果。污染气体的红外图像处理技术也日趋成熟。同时近两年深度学习在普通图像的分类识别的技术领域取得突破性的进展,以ImageNet竞赛的图像分类为例,传统的计算机视觉方法最好的错误率是26.172%,而深度学习的方法,利用卷积神经网络能将错误率能减小到3.57%。由此,相较于传统的气体分类器往往是bp神经网络分类,决策树分类,svm分类手段,卷积神经网络作为图像的分类存在更好的分类识别效果的可能。因此利用深度学习的方法对有害气体分类可行的。
发明内容
为了实现对不同浓度的单一有害气体的分类,本发明提出一种基于深度学习的单一气体分类识别方法,该方法利用大量已知浓度的单一气体红外图像训练卷积神经网络,利用训练好的网络实现对该气体未知浓度的红外图像进行分类识别。
本发明解决技术问题所采取的技术方案是:
本发明包含以下步骤:
步骤(1).实验室完成配气,对不同浓度的有害气体在特定波长的红外光谱下拍摄大量红外图像并对图像加注标签。
步骤(2).对上述红外图像进行预处理。
步骤(3).将训练集数据输入卷积神经网络中,训练网络参数,提取每幅图像的特征向量。
步骤(4).计算提取到的特征向量与标签向量的交叉熵,得到损失值,并与阀值作比较,大于阀值重复步骤(3),小于等于阀值则保存当前网络参数。
步骤(5).利用红外相机拍摄未知浓度的该气体红外图像,对该图像进行步骤(2)的预处理,输入步骤(4)保存的卷积神经网络中完成对该气体浓度的识别。
进一步,所述步骤(2)图像预处理部分包括14bit原始图像转化为8bit无符号整型图像和图像转化为128*128的灰度图。
由于计算机显示只能显示8bit图像,而原始红外图像是14bit图像所以需要先转化为8bit图像。
X(i,j)=(X(i,j)-min(X))/(max(X)-min(X))*255 (1)
上式中X表示单个14bit原始图像样本,X(i,j)表示14bit图像X中第i行第j列像素值,max(X),min(X)分别表示该图像样本中像素的最大值和最小值,这是个线性转化过程,转换过后,X的像素为float型数据,然后再把float型转化为uint8型数据,之后将原尺寸大小的图像转化为统一输入格式的128*128单通道灰度图像。
输入数据为batch_size=n个图像样本,代表第i个训练样本,为输入数据,为第i个样本的标签,然后将作为输入,输入卷积神经网络,输出
步骤(4)所述的卷积神经网络由卷积层,池化层,全连层以及最后的分类器组成,卷积神经网络结构如下:
第一层为卷积层C1:32个5*5的卷积滤波器。
第二层为池化层S1:32个2*2的maxpooling层。
第三层卷积层C2:64个5*5的卷积滤波器。
第四层为池化层S2:64个2*2的maxpooling层。
第五层为全连层F1:1000个神经元。
最后是一个softmax分类器。
上式为卷积网络的损失函数,n为输入样本个数,为第i个样本的标签,为网络输出的预测向量,J为交叉熵损失值,当损失值小于阀值时保存当前网络参数,否则利用梯度下降法更新网络参数。
对未知浓度红外气体图像进行步骤(2)的图像预处理,代表第i个待识别样本,为输入数据,然后将作为输入,输入卷积神经网络,输出完成对待识别样本的浓度分类识别。
本发明的有益效果:利用卷积神经网络做图像分类相较于利用传统人工特征提取+bp网络分类的方法权值参数数量大大减少,从而减少了分类所需的时间,同时深层次的卷积神经网络在每一层,每一个卷积滤波器对原始图像做非线性变换提取特征,这种方法能比人工特征提取得到更多更具代表性的图像信息,从而提高分类效果。
附图说明
图1为本发明气体分类识别方法的流程图。
图2为本发明作为例子所介绍的卷积神经网络结构图。
图3为卷积滤波器示意图。
图4为maxpooling示意图。
具体实施方式
下面结合附图对本发明的实施做进一步说明。
本发明的红外有害气体分类识别方法的大致流程如图1所示。
实验室完成配气,对不同浓度的有害气体在特定波长的红外光谱下拍摄大量红外图像并对图像加注标签。
代表第1类浓度气体的i个带标签样本。
代表第m类浓度气体的j个带标签样本。
这些带标签样本不同类别样本个数可以不同,但是每一类的图像样本数量必须很多,数量越多越不会发成过拟合现象。
步骤(2).对上述红外图像进行预处理,包括14bit原始图像转化为8bit无符号整型图像和图像转化为128*128的灰度图。
由于计算机显示只能显示8bit图像,而原始红外图像是14bit图像所以需要先转化为8bit图像。
X(i,j)=(X(i,j)-min(X))/(max(X)-min(X))*255
上式中X表示单个14bit原始图像样本,X(i,j)表示14bit图像X中第i行第j列像素值,max(X),min(X)分别表示该图像样本中像素的最大值和最小值,这是个线性转化过程,转换过后,X的像素为float型数据,然后再把float型转化为uint8型数据,之后将原尺寸大小的图像转化为统一输入格式的128*128单通道灰度图像。
输入数据为batch_size=n个图像样本,代表第i个训练样本,为输入数据,为第i个样本的标签,然后将作为输入,输入卷积神经网络,输出
步骤(4)所述的卷积神经网络由卷积层,池化层,全连层以及最后的分类器组成,如图2所示的卷积神经网络结构为例:
第一层为卷积层C1:32个5*5的卷积滤波器,步长为1。
第二层为池化层S1:32个池化器,步长为2。
第三层卷积层C2:64个5*5的卷积滤波器,步长为1。
第四层为池化层S2:64个池化器,步长为2。
第五层为全连层F1:1000个神经元。
最后是一个softmax分类器。
具体的卷积层计算过程如图3所示:
上式中dij为输入图像经过该卷积滤波器后第i行和第j列的像素值,xij为输入图像数据中第i行第j列的像素,w为卷积滤波器。
由于步长为1,输入图像的每一个元素为中心都要进行一次卷积运算,边缘处和角落处缺少像素的地方补0。
由于C1层有32个5*5的卷积滤波器,C1层的输出为32个128*128的图像。
具体池化层计算过程下如图4所示:
tij=max{di,j,di,j+1,di+1,j,di+1,j+1} (4)
以上公式4中代表maxpooling过程,及图4所示,在一个2*2的4个像素中最大的数tij表示这4个像素,由于步长为2,数据将有原128*128的图像转化为64*64。
在S1层,对C1层输出的32幅128*128的图像做maxpooling,输出为32个64*64的图像。
C2层,输入为32幅64*64的图像,输出为64幅64*64的图像。
S2层,输入为64幅64*64的图像,输出为64幅32*32的图像。
在F1层中,将S2层的输出展开成64*32*32的特征向量,输入含有1000个神经元的F1层,输出长为1000特征向量。
将上层输出的特征向量输入最后的softmax层,得出所需的特征向量
计算当前网络参数下的交叉熵损失值:
上式为卷积网络的损失函数,n为输入样本个数,为第i个样本的标签,为网络输出的预测向量,J为交叉熵损失值,当损失值小于阀值时保存当前网络参数,否则利用梯度下降法更新网络参数。
对未知浓度红外气体图像进行步骤(2)的图像预处理,代表第i个待识别样本,为输入数据,然后将作为输入,输入卷积神经网络,输出完成对待识别样本的浓度分类识别。
上述实施仅例示性说明本发明的原理及其功效,以及部分设计结构,对于本领域的研究者来说,在不脱离本发明创造构思的前提下,还可做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的单一红外有害气体分类识别方法,其特征在于该方法包括以下步骤:
步骤(1).实验室完成配气,对不同浓度的有害气体在设定波长的红外光谱下拍摄大量红外图像并对图像加注标签;
步骤(2).对上述红外图像进行预处理,包括14bit原始图像转化为uint8型计算机可显示数据和将原尺寸大小的图像转变为128*128的图像,作为输入数据供卷积神经网络训练;
步骤(3).将训练集数据输入卷积神经网络中,训练网络参数,提取每幅图像的特征向量;
步骤(4).计算提取到的特征向量与标签向量的交叉熵,得到损失值,并与阀值作比较,大于阀值重复步骤(3),小于等于阀值则保存当前网络参数;
步骤(5).利用红外相机拍摄未知浓度的该气体红外图像,对该图像进行步骤(2)的预处理,输入步骤(4)保存的卷积神经网络中完成对该气体浓度的识别。
2.根据权利要求书1所述的基于深度学习的单一红外有害气体分类识别方法,其特征在于,所述步骤(2)对原始图像数据做预处理:利用线性转换将14bit原始图像转化为机器可显示的uint8型数据;
X(i,j)=(X(i,j)-min(X))/(max(X)-min(X))*255
上式中X表示单个14bit原始图像样本,X(i,j)表示14bit图像X中第i行第j列像素值,max(X),min(X)分别表示该图像样本中像素的最大值和最小值,这是个线性转化过程,转换过后,X的像素为float型数据,然后再把float型转化为uint8型数据。
3.根据权利要求书1所述的基于深度学习的单一红外有害气体分类识别方法,其特征在于,所述步骤(4),利用大量带标签的不同浓度单一气体红外图像训练卷积神经网络,卷积神经网络由卷积层,池化层,全连层以及最后的分类器组成;
卷积神经网络结构为:
第一层为卷积层C1:32个5*5的卷积滤波器,步长为1;
第二层为池化层S1:32个池化器,步长为2;
第三层卷积层C2:64个5*5的卷积滤波器,步长为1;
第四层为池化层S2:64个池化器,步长为2;
第五层为全连层F1:1000个神经元;
最后是一个softmax分类器;
卷积层计算:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>l</mi>
</mrow>
</msub>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
上式中dij为输入图像经过该卷积滤波器后第i行和第j列的像素值,xij为输入图像数据中第i行第j列的像素,w为卷积滤波器;
由于步长为1,输入图像的每一个元素为中心都要进行一次卷积运算,边缘处和角落处缺少像素的地方补0;
C1层有32个5*5的卷积滤波器,C1层的输出为32个128*128的图像;
在S1层,对C1层输出的32幅128*128的图像做max-pooling处理,输出为32个64*64的图像;
C2层,输入为32幅64*64的图像,输出为64幅64*64的图像;
S2层,输入为64幅64*64的图像,输出为64幅32*32的图像;
在F1层中,将S2层的输出展开成64*32*32的特征向量,输入含有1000个神经元的F1层,输出长为1000特征向量;
将输出的特征向量输入最后的softmax分类器,得出所需的特征向量
计算当前网络参数下的交叉熵损失值:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>n</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Y</mi>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>*</mo>
<mi>ln</mi>
<mo>(</mo>
<msubsup>
<mover>
<mi>Y</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>a</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中n为输入样本个数,为第i个样本的标签,J为交叉熵损失值,当损失值小于阀值时保存当前网络参数,否则利用梯度下降法更新网络参数。
4.根据权利要求书1所述的基于深度学习的单一红外有害气体分类识别方法,其特征在于,所述步骤(5),利用卷积神经网络做红外气体图像浓度的分类识别器;
对未知浓度红外气体图像进行步骤(2)的图像预处理,代表第i个待识别样本,为输入数据,然后将作为输入,输入卷积神经网络,输出完成对待识别样本的浓度分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903647.9A CN107545281B (zh) | 2017-09-29 | 2017-09-29 | 一种基于深度学习的单一有害气体红外图像分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710903647.9A CN107545281B (zh) | 2017-09-29 | 2017-09-29 | 一种基于深度学习的单一有害气体红外图像分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107545281A true CN107545281A (zh) | 2018-01-05 |
CN107545281B CN107545281B (zh) | 2020-09-18 |
Family
ID=60965002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710903647.9A Active CN107545281B (zh) | 2017-09-29 | 2017-09-29 | 一种基于深度学习的单一有害气体红外图像分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545281B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946424A (zh) * | 2019-03-08 | 2019-06-28 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的气体标定分类方法及系统 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN112525348A (zh) * | 2019-09-19 | 2021-03-19 | 杭州海康微影传感科技有限公司 | 工业废气的监测方法、装置及系统 |
CN113077002A (zh) * | 2021-04-09 | 2021-07-06 | 郑州航空工业管理学院 | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793825A (zh) * | 2009-01-14 | 2010-08-04 | 南开大学 | 大气环境污染监测系统及检测方法 |
CN103217397A (zh) * | 2013-01-23 | 2013-07-24 | 山西省电力公司晋城供电分公司 | 基于红外图像处理的sf6气体检测方法 |
CN105447471A (zh) * | 2015-12-04 | 2016-03-30 | 国网技术学院 | 基于红外检测的设备气体泄漏识别方法和装置 |
CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
-
2017
- 2017-09-29 CN CN201710903647.9A patent/CN107545281B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793825A (zh) * | 2009-01-14 | 2010-08-04 | 南开大学 | 大气环境污染监测系统及检测方法 |
CN103217397A (zh) * | 2013-01-23 | 2013-07-24 | 山西省电力公司晋城供电分公司 | 基于红外图像处理的sf6气体检测方法 |
CN105447471A (zh) * | 2015-12-04 | 2016-03-30 | 国网技术学院 | 基于红外检测的设备气体泄漏识别方法和装置 |
CN105913604A (zh) * | 2016-05-18 | 2016-08-31 | 中国计量大学 | 基于无人机的火灾发生测定方法及其装置 |
CN106599797A (zh) * | 2016-11-24 | 2017-04-26 | 北京航空航天大学 | 一种基于局部并行神经网络的红外人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
王攀 等: "《优化与控制中的软计算方法研究》", 31 January 2017 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN109946424A (zh) * | 2019-03-08 | 2019-06-28 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的气体标定分类方法及系统 |
CN112525348A (zh) * | 2019-09-19 | 2021-03-19 | 杭州海康微影传感科技有限公司 | 工业废气的监测方法、装置及系统 |
CN113077002A (zh) * | 2021-04-09 | 2021-07-06 | 郑州航空工业管理学院 | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 |
CN113077002B (zh) * | 2021-04-09 | 2023-07-21 | 郑州航空工业管理学院 | 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107545281B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN107545281A (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN110070008B (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN108229338A (zh) | 一种基于深度卷积特征的视频行为识别方法 | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
CN106980854A (zh) | 车牌号码识别方法、装置、存储介质及处理器 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN106156765A (zh) | 基于计算机视觉的安全检测方法 | |
CN107944369A (zh) | 一种基于级联区域生成网络和增强随机森林的行人检测方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN106960415A (zh) | 一种基于像素递归超分辨率模型恢复图像的方法 | |
CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
CN107808375A (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN106997475A (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
CN112270681B (zh) | 一种黄板害虫深度检测与计数方法与系统 | |
CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN108311411A (zh) | 一种冬虫夏草智能化分拣系统及其使用方法 | |
CN106991428A (zh) | 基于自适应池化模型的害虫图像识别方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |