CN111307681A

CN111307681A - 一种扬尘浓度检测装置及扬尘检测方法

Info

Publication number: CN111307681A
Application number: CN202010168408.5A
Authority: CN
Inventors: 潘红光; 车昕; 马论论; 樊永森; 王利平; 孙大明
Original assignee: Shandong Nuolan Information Technology Co ltd
Current assignee: Shandong Nuolan Information Technology Co ltd
Priority date: 2020-03-11
Filing date: 2020-03-11
Publication date: 2020-06-19

Abstract

本发明涉及一种基于深度学习的扬尘浓度检测装置及扬尘检测方法，属于空气质量检测计术领域，解决了现有扬尘浓度检测成本高、识别时间长且测量效果较差的问题。一种基于深度学习的扬尘浓度检测装置及扬尘检测方法，包括集气装置；气体传输装置；进纸装置；测量装置。包含以下步骤：集气装置获取检测现场环境下所采集到的实时样本气体；气体传输装置对样本气体通过负压机进行内部传输；进纸装置对拍摄所用到的背景纸拍摄完成后进行自动替换，测量装置对样本气体进行拍照后，通过人工神经网络进行物体检测。本发明能够有效检测扬尘颗粒物的尺寸大小，借助目标检测的深度学习算法进行不同颗粒物的识别与检测，能够实时准确检测到扬尘中不同颗粒物浓度大小。

Description

一种扬尘浓度检测装置及扬尘检测方法

技术领域

本发明主要涉及空气质量检测领域，具体而言，涉及一种基于深度学习测量技术的扬尘检测装置及扬尘检测方法。

背景技术

扬尘是由于地面上的尘土在风力、人为带动及其他带动飞扬而进入大气的开放性污染源，是环境空气中总悬浮颗粒物的重要组成部分。当粉粒体在输送及加工过程中受到诱导空气流、室内通风造成的流动空气及设备运动部件转动生成的气流，都会将粉粒体中的微细粉尘首先由粉粒体中分离而飞扬，然后由于室内空气流动而引起粉尘的扩散，从而完成了从粉尘产生到扩散的过程。扬尘能够使空气污浊，影响环境，对人体也会造成支气管炎、肺癌等危害。

为了降低特定场合扬尘的危害，需要能够实时对大气中扬尘浓度进行检测，现有的扬尘检测体积庞大、成本高昂、测量的效果和精度十分有限，民用程度较低。

发明内容

本发明的目的是为了解决现有技术上另辟蹊径，能够直观的对测试区域中扬尘的浓度进行定量测量，提供一种扬尘检测装置和检测方法。

为了实现上述目的，本发明采用的技术方案是：一种扬尘浓度检测装置，包括集气装置；气体传输装置；进纸装置；测量装置。

扬尘检测装置各部分均可自由拆卸，装置各组成部分的目的如下所述；

集气装置：将检测现场的空气按照实时、定量的标准进行采集；

气体传输装置：将集气装置里面所采集到的空气，对其施加“负压”，使其能够传输到测量装置内；

进纸装置：每次测量装置测量结束后，为了减少由于气体颗粒在背景纸上面的残留，所造成的测量误差，能够将测量装置中所用到的背景纸，进行自动替换。

测量装置：将采集的气体用高倍率的相机进行拍摄，得到尺寸轮廓明显，高质量的像片。

由上述描述，进一步地阐述各部分功能模块的组成；

进纸装置包含放纸轮、卡纸板和紧固头三个组成零件。放纸轮为带有与纸张摩擦系数为μ₁(该摩擦系数可以在安装中，后期人为的根据纸张来调整与摩擦片接触的紧密程度，进行合理调整)的软轮，如图 2所示；

进一步地，所述背景纸张颜色为白色或其他色的普通纸张；

进一步地，所述卡纸板为带有摩擦片的空心板，用来将纸放入板子中心，方便后续与成像装置间的配合，如图3所示；

进一步地，所述卡纸板空心区域的大小尺寸，与拍照时候的通气管道壁尺寸完全符合，使其方便与成像管道对接。

进纸装置的原理为：利用放纸轮与纸张之间的摩擦力大于纸张与纸张之间的摩擦力这个特性，当放纸轮在转动时，就会带动起与其接触的这一张纸摆脱底下纸对它的摩擦、吸引和粘附力，使其沿着放纸轮旋转的方向运动。最终背景纸进入卡纸板中，实现后续与成像装置的完美契合。

紧固头是为了使背景纸更好的与卡纸板之间没有间隙，没有距离，从而让成像区域与背景纸之间达到更好的密封性，降低由于空气流动引起的误差。

进一步地，所述紧固头考虑到成本耐用性及密封性，紧固头的材质为带有橡胶包裹的钢材，具体如图4所示。

进一步地，所述紧固头的工作示意图如图5，6所示。

本发明中紧固头的工作流程为：当背景纸张通过进纸装置进入到卡纸板上后，紧固头上面的动力装置(电动机)开始工作，使紧固头缓慢下降，直至将背景纸压入卡纸板中间的空心区域内停止，最终使纸张与卡纸板间的缝隙达到严丝合缝。

气体传输装置包含气体进气管道、传输管道和负压机三大部分。

进一步地，所述气体传输装置为了避免在拆卸安装中存在的气密性问题，特采用如图7所示的卡槽结构进行进气管道间的固定；卡槽上为若干带有球形橡胶的玻璃管，其剖面图如图8所示。

进气管道的设计如下图9所示，该圆柱体的体积为V，左右两侧和管道上侧(减小颗粒因为重力的因素所造成的堆积误差)安装有能够控制开合的“门结构”；

进一步地，所述进气管道在未工作状态下，即未进行测量操作时，进气管道左右的快门1，2打开，上侧的快门3关闭。该进气管道左右两侧是畅通无阻的，气体可以自由流动。

进一步地，所述进气管道一旦开始进行测量操作时，进气管道两侧的“快门”1、2关闭，进气管道就可以收集到固定体积V的样本气体。

当进气管道完成集气任务后，接着，负压机开始工作；

进一步地，所述进气管道在负压机开始工作后，如图10所示，进气管道上侧的“快门”3打开；

进一步地，负压机将进气管道中的气体“吸入”成像管道内。方便测量装置的下一步测量工作。

测量装置由摄像区域、成像区域和图像处理模块三个部分构成。

进一步地，所述测量装置的成像区域由放纸机所放置的背景纸及周围的管壁(该管壁为透明玻璃管壁，方便进光)构成，如图11所示。

摄像区域为具有高成像倍率的相机和补光灯组成，如图12所示。

进一步地，所述测量装置的工作流程为：当进气管道的气体通过负压机施加的吸引力，进入到成像区域时，进气口关闭，气体在狭小的空间内自由运动；

进一步地，所述摄像区域内放置高倍率相机用以拍摄成像；

进一步地，考虑到所述摄像区域光线明暗对成像效果的影响，故在镜头四周放置补光灯，进行补光，如图13所示。

进一步地，摄像区域内的高倍率相机所拍摄的照片传入图像处理模块；

进一步地，所述传入图像处理模块的高清气体颗粒物照片，由图像处理模块内内置的SSD算法和SAPD算法进行处理后，再显示出不同污染物颗粒的浓度。

具体实施方式

本专利采用SSD(single shot multibox detector)算法与SAPD (soft anchor-point object dectection)算法相结合的方式进行测量

在SSD算法中，采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。

本专利所用到的改进后SSD算法的网络结构如图14所示，利用了多尺度的特征图实现检测的目标。

本专利采用VGG16做基础模型，分别将VGG16的全连接层fc6和 fc7转换成3×3卷积层conv6和1×1卷积层conv7，同时将池化层pool5 由原来的2×2-s2变成3×3-s1。

进一步地，所述的这些变化，为了在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，conv6采用扩展卷积或带孔卷积，

进一步地，使用扩张率参数，来表示扩张的大小。

进一步地，Conv6采用3×3大小但扩张率为6的扩展卷积，然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做微调。

本专利所用到的VGG16中的conv4_3层将作为用于检测的第一个特征图。

进一步地，所述conv4-3层特征图大小是38×38，但是该层比较靠前，其基准较大，所以在其后面增加了一个L2归一化层以消除和后面检测层间的差异矛盾。

进一步地，所述L2归一化层和传统批归一化层不同，L2归一化层仅仅是对每个像素点在通道维度做归一化，而批归一化层是在[批尺寸，宽度，高度]三个维度上做归一化。

进一步地，所述L2归一化层在完成归一化操作后，会设置一个可训练的放缩变量γ，以此实现对未来归一化尺度的放缩操作。

本专利中，在图像处理模块中，在高倍率相机拍摄照片进行算法处理前，模型的训练集图片准备如下所示：

进一步地，所述训练集图像的采集方法为：首先采用滤膜称重法，将不同颗粒物直径大小的图片在滤膜称重法下，得到其准确结果后，用专利所示的成像装置拍摄该颗粒物的图像，即得到某浓度下该颗粒物的成像照片；

进一步地，按照所述滤膜称重法和成像装置组合反复重复进行多次实验后，得到同一直径颗粒物不同浓度时的照片，和不同直径颗粒物在不同浓度时候的照片若干组；

进一步地，所述得到的若干组已知的不同浓度颗粒的照片，进行数据扩充后，将所有照片随机打乱，按照3∶1的比例分为训练集和验证集图片；

进一步地，将训练集中的图片放入图像处理模块内置的SSD算法和SAPD算法进行训练；

进一步地，所述按照3∶1的比例划分后，所得到的验证集图像，用来检验训练模型的准确性。

本专利中，在图像处理模块中，在高倍率相机拍摄照片进行算法处理前，模型的训练过程如下所示：

在训练过程中，先确定训练图片中的真实目标与哪个先验框来进行匹配，与之匹配的先验框所对应的边界框将负责预测该目标的种类。

本专利所用到的SSD先验框与真实目标的匹配原则主要有两点；

进一步地，所述原则一为：对于图片中每个真实目标，找到与其IOU(intersection-over-union，表示网络预测框与标注框的重合程度)最大的先验框，该先验框与其匹配，这样，可以保证每个真实目标一定与某个先验框匹配。

进一步地，所述与真实目标匹配的先验框称为正样本；

进一步地，若一个先验框没有与任何真实目标进行匹配，那么该先验框只能与背景匹配，就是负样本。

进一步地，在所述原则一中，若一个图片中真实目标是非常少的，而先验框却很多，如果仅按第一个原则匹配，很多先验框会是负样本，正负样本极其不平衡，所以需要第二个原则。

进一步地，所述原则二为：对于剩余的未匹配先验框，若某个真实目标的IOU大于某个阈值(一般是0.5)，那么该先验框也与这个真实目标进行匹配，即某个真实目标可能与多个先验框匹配；

进一步地，所述原则二中一个先验框不能匹配多个目标，因为一个先验框只能匹配一个真实目标。

进一步地，所述原则二中先验框与真实目标间，如果多个真实目标与某个先验框IOU大于阈值，那么先验框只与IOU最大的那个先验框进行匹配。

本专利所述SSD算法先验框与真实目标的两个匹配原则中，第二个原则一定在满足第一个原则之后进行。

本专利所述SSD算法先验框与真实目标的关系中，尽管一个真实目标可以与多个先验框匹配，但是真实目标相对先验框还是太少了，所以负样本相对正样本会很多。

进一步地，所述正负样本两者间的关系中，为了保证正负样本尽量平衡，SSD模型采用了难例挖掘，就是对负样本进行抽样；

进一步地，所述对负样本进行抽样时，按照置信度误差(预测背景的置信度越小，误差越大)进行降序排列；

进一步地，对负样本进行降序排列时，选取置信度误差较大的，排名在总数据的前k个数据作为训练的负样本；

进一步地，所述正负样本的选取比例上，尽量保证正负样本比例接近1∶3。

本专利所用到的改进后的SSD算法的损失函数定义为位置误差与置信度误差的加权和，即就是：

其中N是先验框的正样本数量。这里

为一个指示参数，当

时表示第i个先验框与第j个真实目标匹配，并且真实目标的类别为p。c 为类别置信度预测值。l为先验框的所对应边界框的位置预测值，而g是真实目标的位置参数。

本专利所用到的改进后的SSD算法的损失函数中，组成损失函数的位置误差采用smooth_L1损失，定义如下：

本专利所用到的改进后的SSD算法的损失函数中，组成损失函数的置信度误差，其采用softmax损失，定义如下：

本专利所用到的改进后的SSD算法在进行预测时，预测过程如下所示：

本专利的预测过程比较简单，对于每个预测框，首先根据类别置信度确定其类别(置信度最大者)与置信度值，并过滤掉属于背景的预测框。

进一步地，所述预测过程中，根据置信度阈值(如0.5)过滤掉阈值较低的预测框。

进一步地，所述预测过程中，对于留下的预测框进行解码，根据先验框得到其真实的位置参数(解码后一般还需要做修剪，防止预测框位置超出图片)。

进一步地，所述预测过程中，解码之后，一般需要根据置信度进行降序排列，然后仅保留排名在前k(如400)个预测框。

进一步地，所述预测过程中，解码完成之后，使用非极大值抑制算法，过滤掉那些重叠度较大的预测框。

进一步地，所述预测过程中，重叠度较大的预测框被过滤掉后，最终剩余的预测框就是检测结果。

本专利所用的改进后的SAPD算法的网络结构如图14所示，整个网络是一个包含骨干网络的特征金字塔，每个金字塔等级后接一个检测核心区域的全卷积结构。

本专利所用到的改进后的SAPD算法中特征金字塔的级别表示为P_l，其分辨率为输入图像W×H的

其中S_l是特征图的步长，S_l＝2^l，l 的典型范围为3-7。

本专利所用到的改进后的SAPD算法中，检测核心区域包含分类子网络和定位子网络，它们均包含5个3×3卷积层。

进一步地，所述检测核心区域内包含的分类子网络在每个锚点位置处预测目标属于G个类别的概率。

进一步地，所述检测核心区域内包含的定位子网络为每个正锚点预测类别无关的目标框。

本专利使用改进后的SAPD算法，涉及到了锚点检测器，在解释锚点检测器之前，先给出如下定义：

本专利使用改进后的SAPD算法涉及到锚点，一个锚点

是金字塔特征图P_l上位置(i，j)处的像素点，其中i＝0，1，…，W/S_l-1， j＝0，1，...，H/S_l-1。

进一步地，所述锚点中，每个锚点

在原图上都有其对应的图像空间位置

其中

本专利使用改进后的SAPD算法涉及到有效框，B_v对应原图上某个目标实例的真实框，B＝(c，x，y，w，h)，定义有效框B_v为B的中心收缩框，其中ε是收缩系数。

进一步地，所述锚点

是正样本，即当且仅当目标的真实框B 被分配到特征层级P{l}上，且图像空间位置

在内，否则这个锚点就是负样本。

进一步地，对于正锚点，它的类别标签目标是c，定位标签目标 d＝(d^l，d^t，d^r，d^b)，计算公式为：

其中，z是标准化因子。

进一步地，对于负锚点，它们的类别目标是背景(c＝0)，定位目标是空的，因此它们不需要被学习。

进一步地，所述锚点中，对于每个锚点

我们都有了对应的类别

和定位目标

图15展示了一个金字塔级别上的分类目标和定位目标可视化的样子。

本专利所用到改进后的SAPD算法，其损失函数的定义如下所述：

本专利给出改进后的SAPD算法，按照所述锚点和检测框的定义后，网络会为每个锚点生成K维的类别输出

和4维的定位输出

进一步地，所述正负锚点的类别不平衡，为了克服正负锚点类别极度不平衡问题，本专利使用Focal损失用来训练分类子网络。使用 IOU损失用来定位子网络。

进一步地，每个锚点的损失

可以使用下面的公式来计算：

其中，p⁺和p^-分别是正负锚点的集合。整个网络的损失是所有锚点损失之和除以正锚点的数量，如公式所示：

本专利为了解决注意是偏差问题，提出一个软权重方案；

进一步地，所述软权重方案的基本思想为，每一个锚点

赋以权重

进一步地，所述锚点中，对于每一个正锚点，该权重大小取决于其图像空间位置到对应实例中心的距离，距离越大，权重越低。

进一步地，所述锚点权重方案中，远离目标中心的锚点被抑制，注意力会更集中于接近目标中心的锚点。

进一步地，所述软权重方案中对于负锚点，所有的权重都被设置为1，维持不变。

进一步地，所述软权重方案中，软权重锚点示意图如图16所示。

根据本专利的软权重方案思路，可以有多种设计选择，只要权重是锚点与目标中心距离的单调递减函数就行。

进一步地，按照所述软权重方案设计原则，本专利提出了如下的广义中心度函数：

其中，

控制递减幅度，权重ω_lij范围为0-1，该公式保证了目标边界处锚点权重为0，目标中心处的锚点权重为1。

本专利所述改进后的SSD算法和改进后的SAPD算法每秒均可以处理20张以上的照片；

进一步地，考虑到空气颗粒流动的不确定性，本专利中的高倍率相机对着样本气体，以每秒拍10次，连续拍10秒，总计100张图片作为测量样本相片；

进一步地，所述检测装置对这100张图像中所摄不同尺寸的颗粒物进行检测。

进一步地，按照所述拍摄方案，最终得到了样本气体中含有的不同尺寸颗粒物的100张图像。以浓度为N的颗粒物为例，最终结果为 n₁，n₂……n₁₀₀的100个不同数值。

本专利采取的计数策略如下所述；

如上述计数策略所述，当改进后的SSD算法和改进后的SAPD算法同时处理100张样本气体的图像后，每种算法得到了100个检测结果，两种算法共计得到200个检测结果。

进一步地，所述200个检测结果中，有100个及大于100个相同的数值n_similary时，最终k颗粒物的尺寸为N＝n_similary；

进一步地，所述200个检测结果中，没有100或100个以上的相同数值时，在统计出的数据中，先去掉最大值，后去掉最小值，接着求剩余数值的平均值，最终k颗粒物的尺寸为N＝n_average；

本专利所述检测装置整体开始工作时，各部分装置的工作先后顺序为：集气装置→进纸装置→气体传输装置→测量装置。

各部分装置具体的工作流程为：

集气装置的左右门结构关闭，即采集到体积为V的样本气体；

进一步地，进制装置的放纸轮开始工作，在放纸轮的带动下，背景纸被放置到了卡纸板上。

进一步地，紧固头开始工作，逐步向卡纸板扩展运动，等到紧固头完全紧压住背景纸进入卡纸板后不能继续进行扩展运动时，紧固头停止工作，此时背景纸在紧固头和卡纸板的共同作用下，与后续拍摄区域零距离接触；

进一步地，气体传输装置的负压机开始工作，同时集气装置顶部的门结构和传输装置的出气口的门装置打开，便于样本气体在负压机的工作下传入测量区域，待负压机工作一段时间后，达到停止工作条件后，即内外气压平衡后，集气装置顶部的门结构和传输管道的出气口门结构关闭，将样本气体传输到拍摄区域后气体传输装置停止工作。

进一步地，测量装置开始工作，补光灯打开，高倍率相机开始工作，拍摄若干组照片后，照片传输给图像处理模块进行颗粒物检测等处理，同时相机停止工作。

进一步地，图像处理模块采用内置的SSD算法和SAPD算法进行处理后，在最终的测量策略下，实现了不同颗粒物浓度的检测。

检测装置工作完成以后，各部分装置停止工作先后顺序为：测量装置→气体传输装置→进纸装置→集气装置。

进一步地，各部分装置具体的工作流程为：测量装置中的相机停止工作后，补光灯关闭；

进一步地，气体传输装置中的负压机2开始工作，传输通道的出气口门结构打开，在负压机2的工作下，拍摄区域内的样本气体开始往外传输。待拍摄区域内的样本气体被抽取干净后，即达到负压机2停止工作的条件时，传输通道的门结构关闭，负压机2停止工作；

进一步地，进纸装置中的紧固头呈收缩状态，开始远离卡板纸上的背景纸，待收缩到设置的收缩距离后停止收缩，紧固头停止工作。放纸轮开始工作，拍摄后粘附有扬尘颗粒物的背景纸被放纸轮带动，在摩擦力的作用下滑动离开卡纸板，卡纸板处于初始状态，接着放纸轮停止工作，进纸装置停止工作；

进一步地，集气装置的左右两个门结构由上述的关闭状态转为常开状态，空气又可以在集气装置中自由流动后，集气装置停止工作；整套检测装置经过停止工作流程后，又恢复到了未工作状态。

本专利所述整套检测装置的各个组成部分都可以进行拆卸和组装，便于清洁、维护和替换。

本专利按照上述步骤进行后，最终可以实现对拍摄样本气体图像中不同尺寸目标颗粒物的检测和数量识别，以此来间接得到空气中某直径颗粒物浓度的值。

附图说明

图1为本发明提供的基于深度学习的一种扬尘浓度检测方法流程图；

图2为本发明提供的放纸轮工作示意图；

图3为本发明提供的卡纸板结构图；

图4为本发明提供的紧固头结构图；

图5为本发明提供的紧固头工作示意图1；

图6为本发明提供的紧固头工作示意图2；

图7为本发明提供的卡槽剖面图；

图8为本发明提供的卡槽组装示意图；

图9为本发明提供的进气管道示意图；

图10为本发明提供的负压机工作示意图；

图11为本发明提供的成像管道示意图；

图12为本发明提供的摄像区域图；

图13为本发明提供的成像工作示意图；

图14为本发明提供的SSD模型示意图；

图15为本发明提供的SAPD模型框图；

图16为本发明提供的软权重锚点示意图。

Claims

1.一种扬尘浓度检测装置，其特征在于，包括：

集气装置，主要包括采集单位体积气体的气体进气管道；

气体传输装置，主要包括可实现反复多次拆卸仍可以保持气密性的传输管道和能够控制管道中气体流动的负压机；

进纸装置，主要包括能够单页滑动纸张的放纸轮、限定背景纸摆放位置的卡纸板和实现背景纸与卡纸板无缝隙接触的紧固头；

测量装置：主要包括用于拍摄气体照片的高倍率相机和实现物体检测的图像处理模块。

2.根据权利要求1所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，所述集气装置采用门结构来进行样本气体的抽样提取，具体流程如下：

1)进气管道的体积为已知的单位体积V；

2)进气管道的左、右位置和管道顶部位置均有能够控制开闭的门结构；

3)正常情况下进气管道左右位置的两个门结构常开，顶部位置的门结构常闭，气体能够正常穿过进气管道，自由流动；

4)检测系统工作时，进气管道左右两个位置的门结构关闭，顶部位置的门结构继续保持关闭状态，实现对检测现场实时气体进行采集，得到单位体积的气体作为后续测量时候的气体样本。

5)等到负压机开始工作时，进气管道顶部位置的门结构打开，实现样本气体的流动与传输。

3.根据权利要求1或2所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，所述气体传输装置可以拆卸组装，能够灵活的进行样本气体的传输，具体流程为：

1)传输管道的出气口设置门结构；

2)气体传输装置采用负压机，在负压机1工作的时候，通过压缩气体，使工作区域的大气压强低于正常大气压强；

3)进气管道的顶部位置的门结构打开，进气管道的大气压强远远大于工作区的大气压强，在大气压强的作用下，进气管道中储存的样本气体能够快速传输到工作区域中；

4)当两个区域的大气压强平衡时，即样本气体全部传输到工作区域后，等传输装置的工作完成，通过定时顺序关闭的方式，实现进气管道顶部的门结构的闭合，传输管道出气口门结构的关闭；负压机工作状态的关闭。

4.根据权利要求1和3，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，所述进纸装置能够克服或减小测量过程中，由于气体颗粒在测量区域内的累积所造成的测量误差。具体流程为：

1)进纸装置的放纸轮和卡纸板上面的摩擦片配合，能够施加给所放入纸张的的摩擦系数大于纸张直接相互作用的摩擦系数，当放纸轮滚动时，能够使与轮子接触的这一张纸间所产生的滑动摩擦力大于其与下层纸张间的静摩擦力，实现纸张间的分离与单层纸的运动；

2)进纸装置的卡纸板，上面含有4张摩擦片，并且中间空心区域的边缘设计成阶梯状，实现了与紧固头的对接；方便为了克服后续组装的气密性问题，设置了卡槽结构；

3)紧固头对准卡纸板的空心区域，当放纸轮放纸进卡纸板后，紧固头开始工作；紧固头在电机的带动下进行扩张运动；直至紧固头完全与卡纸板贴合，并且背景纸、卡纸板和紧固头三者之间没用空隙为止。

5.根据权利要求1，2和3，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，所述测量装置中的高倍率相机能够对样本气体拍摄多组照片，图像处理模块能够将拍摄的照片采用改进后的SSD和改进后SAPD算法进行处理后得出最终结果。具体流程为：

1)当换纸装置将背景纸替换后，气体传输装置将样本气体传输至工作区域，即成像区域后，气体的出气口门结构关闭，摄像区域的补光灯打开，高倍率相机开始拍照；

2)拍照结束后，摄像区域的补光灯关闭，气体传输管道的门结构打开，负压机2工作，工作区域中的样本气体在大气压强作用下被抽离出去；

3)图像处理模块开始工作，利用改进后的SSD和改进后的SAPD算法将拍摄所得到的若干组高清相片进行处理后，检测得到气体中不同直径颗粒物的数量，两种算法根据计量策略，最终得到的结果根据换算后得到该颗粒物的浓度；

4)计量策略为：当两种算法共同处理照片结果中，如果相同数量结果占总数的一半时，最终的输出结果就是该值；如果没有相同结果值占总结果数量的一半以上时，则按照测量出的数值进行排序后，去掉最大最小值后，求平均值。

6.根据权利要求5，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，图像处理模块能够将拍摄的照片采用改进后的SSD算法进行处理后得出最终结果。过程如下：

1)采用VGG16做基础模型，然后在VGG16的基础上新增了卷积层来获得更多用于检测的特征图；

2)将VGG16的全连接层fc6和fc7转换成3×3卷积层conv6和1×1卷积层conv7，同时将池化层pool5由原来的2×2-s2变成3×3-s1，为了配合这种变化，conv6采用扩展卷积或带孔卷积，其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率参数，来表示扩张的大小。

3)Conv6采用3×3大小但扩张率为6的扩展卷积，然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做微调。其中VGG16中的conv4_3层将作为用于检测的第一个特征图。

4)conv4_3层特征图大小是38×38，但是该层比较靠前，其基准较大，所以在其后面增加了一个L2归一化层以保证和后面的检测层差异不是很大，这个和批归一化层不太一样，其仅仅是对每个像素点在通道维度做归一化，而批归一化层是在[批尺寸，宽度，高度]三个维度上做归一化。归一化后一般设置一个可训练的放缩变量γ。

7.根据权利要求5，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，图像处理模块能够将拍摄的照片采用改进后的SAPD算法进行处理后得出最终结果。过程如下：

1)改进SAPD算法的整个网络是一个包含骨干网络的特征金字塔，每个金字塔等级后接一个检测核心区域的全卷积结构。

2)一个锚点

是金字塔特征图Pl上位置(i，j)处的像素点，其中i＝0，1，…，W/S_l-1，j＝0，1，…，H/S_l-1。每个

在原图上都有其对应的图像空间位置

其中

B_v对应原图上某个目标实例的真实框，B＝(c，x，y，w，h)，有效框B_v为B的中心收缩框，其中ε是收缩系数。

3)SAPD算法整个网络是一个包含骨干网络的特征金字塔，每个金字塔等级后接一个检测核心区域的全卷积结构。特征金字塔的级别表示为P_l，其分辨率为输入图像W×H的

其中S_l是特征图的步长，S_l＝2^l，l的典型范围为3-7。检测核心区域包含分类子网络和定位子网络，它们均包含5个3×3卷积层。分类子网络在每个锚点位置处预测目标属于G个类别的概率。定位子网络为每个正锚点预测类别无关的目标框。

4)特征网络会为每个锚点生成K维的类别输出

和4维的定位输出

为了克服正负锚点类别极度不平衡问题，使用Focal损失用来训练分类子网络。使用IOU损失用来定位子网络。使用中心损失来进行误差修正。因此，每个锚点的损失

可以使用下面的公式来计算：

8.根据权利要求1，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，整个装置的工作流程如下所述：

1)检测装置整体未工作时，集气装置整体呈停止状态，集气装置两端的门结构呈常开状态，集气装置顶端的门结构呈常闭状态；进纸装置整体呈停止状态，卡纸板上未放置背景纸，紧固头呈收缩状态；气体传输装置整体呈停止状态，负压机停止工作，气体传输出口门结构呈关闭状态；测量装置整体呈停止状态，高倍率相机处于关闭状态，补光灯处于关闭状态。

2)检测装置整体开始工作时，各部分装置的工作先后顺序为：集气装置→进纸装置→气体传输装置→测量装置。

3)各部分装置具体的工作流程为：集气装置的左右门结构关闭，即采集到体积为V的样本气体；进制装置的放纸轮开始工作，在放纸轮的带动下，背景纸被放置到了卡纸板上。接着紧固头开始工作，逐步向卡纸板扩展运动，等到紧固头完全紧压住背景纸进入卡纸板后不能继续进行扩展运动时，紧固头停止工作，此时背景纸在紧固头和卡纸板的共同作用下，与后续拍摄区域零距离接触；气体传输装置的负压机开始工作，同时集气装置顶部的门结构和传输装置的出气口的门装置打开，便于样本气体在负压机的工作下传入测量区域，待负压机工作一段时间后，达到停止工作条件后，即内外气压平衡后，集气装置顶部的门结构和传输管道的出气口门结构关闭，将样本气体传输到拍摄区域后气体传输装置停止工作。测量装置开始工作，补光灯打开，高倍率相机开始工作，拍摄若干组照片后，照片传输给图像处理模块进行颗粒物检测等处理，同时相机停止工作。图像处理模块采用内置的SSD算法和SAPD算法进行处理后，在最终的测量策略下(权利要求5中的4))，实现了不同颗粒物浓度的检测。

4)检测装置工作完成以后，各部分装置停止工作先后顺序为：测量装置→气体传输装置→进纸装置→集气装置。

5)各部分装置具体的工作流程为：测量装置中的相机停止工作后，补光灯关闭；气体传输装置中的负压机2开始工作，传输通道的出气口门结构打开，在负压机2的工作下，拍摄区域内的样本气体开始往外传输。待拍摄区域内的样本气体被抽取干净后，即达到负压机2停止工作的条件时，传输通道的门结构关闭，负压机2停止工作；进纸装置中的紧固头呈收缩状态，开始远离卡板纸上的背景纸，待收缩到设置的收缩距离后停止收缩，紧固头停止工作。放纸轮开始工作，拍摄后粘附有扬尘颗粒物的背景纸被放纸轮带动，在摩擦力的作用下滑动离开卡纸板，卡纸板处于初始状态，接着放纸轮停止工作，进纸装置停止工作；集气装置的左右两个门结构由上述的关闭状态转为常开状态，空气又可以在集气装置中自由流动后，集气装置停止工作；整套检测装置经过停止工作流程后，又恢复到了未工作状态。

9.根据权利要求1，所述基于深度学习的一种扬尘浓度检测装置及扬尘检测方法，其特征在于，整套检测装置的各个组成部分都可以进行拆卸和组装，便于清洁、维护和替换。