CN111915590A - 雾炮车喷雾次数统计方法、系统及存储介质 - Google Patents

雾炮车喷雾次数统计方法、系统及存储介质 Download PDF

Info

Publication number
CN111915590A
CN111915590A CN202010762658.1A CN202010762658A CN111915590A CN 111915590 A CN111915590 A CN 111915590A CN 202010762658 A CN202010762658 A CN 202010762658A CN 111915590 A CN111915590 A CN 111915590A
Authority
CN
China
Prior art keywords
fog gun
gun vehicle
picture quality
picture
evaluation model
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
Application number
CN202010762658.1A
Other languages
English (en)
Other versions
CN111915590B (zh
Inventor
方强
王学锐
何粤城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Biaoqi Wuhan Information Technology Co ltd
Original Assignee
Biaoqi Wuhan Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Biaoqi Wuhan Information Technology Co ltd filed Critical Biaoqi Wuhan Information Technology Co ltd
Priority to CN202010762658.1A priority Critical patent/CN111915590B/zh
Publication of CN111915590A publication Critical patent/CN111915590A/zh
Application granted granted Critical
Publication of CN111915590B publication Critical patent/CN111915590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Abstract

公开了一种雾炮车喷雾次数统计方法、系统及存储介质。所述方法包括以下步骤：调用雾炮车作业区域的摄像头获取视频数据，从所述视频数据中获取每一帧的图片；对每一帧的所述图片进行预处理；构建基于深度学习的图片质量评价模型，并对所述图片质量评价模型进行训练；将预处理后的图片输入到所述图片质量评价模型进行图片质量的评价；根据图片质量的评价判断雾炮车工作状态，图片质量高时代表雾炮车未作业，图片质量低时代表雾炮车正在作业，基于雾炮车工作状态统计出雾炮车的工作时段、非工作时段和工作次数。本公开的方案大大减少人工成本，提高检测的准确度和实时性。

Description

雾炮车喷雾次数统计方法、系统及存储介质
技术领域
本发明涉及一种雾炮车喷雾次数统计方法、系统及存储介质。
背景技术
在生活和工作中，生产性粉尘是人类健康的天敌，是诱发多种疾病的主要原因。许多粉尘是工业和交通运输发展的副产品。烟囱和内燃机排放的废气中含有大量的粉尘。建筑施工会产山大量粉尘。面粉，采石场等的作业也会引起粉尘。为了降低粉尘的排放量，企业和政府采取了许多降尘措施。其中使用雾炮车进行降尘是最为简单、普遍的方法。
为了对降尘作业进行管理，企业和政府会派遣专员实地考察雾炮车是否在作业，人工统计雾炮车的喷雾次数。但是这种方式存在许多明显的缺陷。由于需要降尘的区域和站点非常多，那么派遣的人员数量会非常多，相应的人力和物力成本也会增加。在炎热和寒冷的天气，需要提供额外的防暑和抗寒的物资以保证专员的人身安全。此外，不可能给每一个区域和站点都分配专员，在检查的过程中存在漏检或者错检的现象。
发明内容
本公开提供一种雾炮车喷雾次数统计方法、系统及存储介质。通过检测雾炮车作业区域视频的图像质量来判断雾炮车是否正常工作并统计雾炮车喷雾的次数。本公开可以大大减少人工成本，提高检测的准确度和实时性。
本公开的至少一个实施例提供一种雾炮车喷雾次数统计方法，包括以下步骤：
调用雾炮车作业区域的摄像头获取视频数据，从所述视频数据中获取每一帧的图片；
对每一帧的所述图片进行预处理；
构建基于深度学习的图片质量评价模型，并对所述图片质量评价模型进行训练；
将预处理后的图片输入到所述图片质量评价模型进行图片质量的评价；
根据图片质量的评价判断雾炮车工作状态，基于雾炮车工作状态统计出雾炮车的工作时段、非工作时段和工作次数。
在一些示例中，将代表雾炮车工作状态的值保存在状态列表中，根据状态列表中的值统计出雾炮车的工作时段、非工作时段和工作次数。
在一些示例中，对每一帧的所述图片进行预处理的方法包括：将每一帧的所述图片转化为灰度图，对得到的灰度图片的像素点进行对比度归一化，在归一化后的图像上随机选取不重叠的一个小图像块。
在一些示例中，通过下式(1)计算灰度图片像素点(i,j)的归一化值：
Figure BDA0002613505940000021
Figure BDA0002613505940000022
Figure BDA0002613505940000023
其中I(i,j)为像素点(i,j)的强度值，C为正常数，P和Q则是归一化窗口大小。
在一些示例中，所述图片质量评价模型采样IQA-CNN网络结构。
在一些示例中，在通过所述图片质量评价模型进行图片质量的评估时对得到的每一个特征图进行池化操作，其计算公式如下所示：
Figure BDA0002613505940000024
Figure BDA0002613505940000025
其中
Figure BDA0002613505940000026
表示像素点(i,j)第k个卷积核操作后获得的特征图。
在一些示例中，所述图片质量评价模型的全连接层使用ReLU函数作为激活函数。
本公开的至少一个实施例提供一种雾炮车喷雾次数统计系统，包括：摄像头，采集雾炮车附近的视频；处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为完成所述方法的全部或部分步骤。
本公开的至少一个实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时完成所述方法的全部或部分步骤。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本公开一实施例提供的雾炮车喷雾次数统计方法流程图。
图2为IQA-CNN网络结构图。
图3为本公开一实施例提供的雾炮车喷雾次数统计的算法流程图。
具体实施方式
图1为本公开一实施例提供的雾炮车喷雾次数统计方法，该方法包括：
步骤1，调用雾炮车作业区域的摄像头获取视频数据，从所述视频数据中获取每一帧的图片。本公开可使用OPENCV读取RTSP视频流，将视频逐帧转换成图片。
步骤2，对每一帧的所述图片进行灰度图转换、对比度归一化、图像分块预处理。
步骤2.1，灰度图转换：
为了使所述图片符合后续深度学习模型的输入结构，将每一帧的所述图片转化为灰度图，即将RGB格式的图片转化为GRAY格式，转换的公式如式(1)：
Gray＝R×0.3+G×0.59+B×0.11 (1)
式(1)中，R、G、B分别代表红、绿、蓝三原色的值。
步骤2.2，对比度归一化：
由于图片像素点之间可能存在一定的相关性，为了降低相关性的影响，在进行后续处理前对像素点进行归一化。可通过以下式(2)计算图片像素点(i,j)的归一化值：
Figure BDA0002613505940000031
Figure BDA0002613505940000032
Figure BDA0002613505940000033
其中I(i,j)为图片像素点(i,j)的强度值；C为正常数，其作用是为了防止分母为零；P和Q则是归一化窗口大小，根据经验，较小的窗口可以提高模型的效果。
步骤2.3，图像分块：
在归一化后的图像上随机选取不重叠的一个小图像块，该图像块的大小可为32×32，该步骤主要是为了使图片维度符合后续深度学习模型的输入维度。
步骤3，使用非参考方法对图片的质量进行评估。所谓非参考是指在对图片进行质量评估时不使用先验经验，即无需相关图片或者经验知识就可以获得图片质量评估结果。构建基于深度学习的图片质量评价模型。图2展示了本公开使用的深度学习模型的结构，该深度学习模型运行流程如下：
步骤3.1，根据步骤2.3可以获得一个归一化后的小图像块，将所述小图像块输入到所述图片质量评价模型中作为整个模型运行的第一步。
步骤3.2，所述图片质量评价模型的第一个计算模块为卷积计算模块，本公开所使用IQA-CNN网络结构中包括50个卷积核，卷积核的大小为7×7，卷积时的滑动步长为1，通过该步骤，可以得到50个大小为26×26的特征图。卷积的计算公式如下所示：
Figure BDA0002613505940000041
式(5)中，W为卷积核，X为输入。如果X是一个二维输入的矩阵，而W也是一个二维的矩阵。但是如果X是多维张量，那么W也是一个多维的张量。m和n则表示卷积的位移量。
步骤3.3，对每一个所述特征图进行池化操作以降低特征维度，计算公式如下所示：
Figure BDA0002613505940000042
Figure BDA0002613505940000043
其中
Figure BDA0002613505940000044
表示像素点(i,j)第k个卷积核操作后获得的特征图。经过池化处理后，每个特征图生成了二维的特征向量，u和v表示不同的两个维度。
步骤3.4，所述图片质量评价模型最后两个全连接层中，可使用ReLU函数作为激活函数，其数学表达式如下式所示：
g＝max(0,∑iwiαi) (8)
其中，wi为函数的权重，而αi为前一层的输出，g为ReLU的结果输出。由于ReLU函数具有稀疏性以及非负信号特性，大量的信号被抑制，使得ReLU函数的运行速度比传统的sigmoid函数以及tanh函数要快得多。
步骤4，使用监督学习方法对所述图片质量评价模型进行训练并优化模型的各个参数，该步骤包括训练阶段以及测试阶段。
步骤4.1，训练阶段：
本公开使用的训练样本可来源于TID2013、LIVE、TID2008、TID2013blur、TID2008blur，由于这些数据集中图像的失真可能只是局部且均匀的。所以，使用图像分块技术可以使数据的样本数量增加，满足深度学习模型训练所需。
本公开使用随机梯度下降法(SGD)对目标函数进行迭代以计算出最优的模型参数，同时本公开使用与支持向量回归方法类似的目标函数，具体算法如下式：
Figure BDA0002613505940000051
其中xn表示输入的小图像块，yn表示标准质量分数，f(ω,xn)表示通过权值为ω的网络预测分数函数。
步骤4.2，测试阶段：
首先对给定的测试图片按上述步骤2的方法做相关的预处理，将预处理后对测试图片输入到IQA-CNN模型中，得出每个小图像块的质量分数，最后对所有所述小图像块的质量分数值进行平均即可得到待测试图片的质量分数。
步骤5，使用OPENCV连接雾炮车作业区域的视频路径，获取雾炮车作业区域摄像头的视频数据，通过上述步骤2从所述视频数据得到预处理后小图像块，将所述小图像块输入到所述深度学习模型中计算出所述视频数据每一帧图片的图片质量分数。
步骤6，根据图片质量的评价判断雾炮车工作状态，雾炮车作业时由于受到水汽的干扰图片的质量会较低，雾炮车未作业时图片质量较高。因此，本公开设置阈值来判断雾炮车工作状态，并将雾炮车的工作状态按照1和0保存在状态列表中，1代表雾炮车正在作业，0代表未作业。
步骤7：根据状态列表中的值，统计出雾炮车的工作时段与非工作时段，从而统计出雾炮车在某个时间段的工作次数。具体来说，当状态列表从0转为1且接下来的几个状态均为1则认为雾炮车开始作业；当状态从1转为0且接下来的几个状态均为0则认为雾炮车已经停止作业。
在示例性实施例中，还提供一种雾炮车喷雾次数统计系统，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行存储器中的指令，以完成上述的方法的全部或部分步骤。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由处理器执行以完成上述的方法的全部或部分步骤。例如，所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。

Claims (9)

1.一种雾炮车喷雾次数统计方法，其特征在于，包括以下步骤：
调用雾炮车作业区域的摄像头获取视频数据，从所述视频数据中获取每一帧的图片；
对每一帧的所述图片进行预处理；
构建基于深度学习的图片质量评价模型，并对所述图片质量评价模型进行训练；
将预处理后的图片输入到所述图片质量评价模型进行图片质量的评价；
根据图片质量的评价判断雾炮车工作状态，基于雾炮车工作状态统计出雾炮车的工作时段、非工作时段和工作次数。
2.根据权利要求1所述的雾炮车喷雾次数统计方法，其特征在于，将代表雾炮车工作状态的值保存在状态列表中，根据状态列表中的值统计出雾炮车的工作时段、非工作时段和工作次数。
3.根据权利要求1所述的雾炮车喷雾次数统计方法，其特征在于，对每一帧的所述图片进行预处理的方法包括：将每一帧的所述图片转化为灰度图，对得到的灰度图片的像素点进行对比度归一化，在归一化后的图像上随机选取不重叠的一个小图像块。
4.根据权利要求3所述的雾炮车喷雾次数统计方法，其特征在于，通过下式(1)计算灰度图片像素点(i,j)的归一化值：
Figure FDA0002613505930000011
Figure FDA0002613505930000012
Figure FDA0002613505930000013
其中I(i,j)为像素点(i,j)的强度值，C为正常数，P和Q则是归一化窗口大小。
5.根据权利要求1所述的雾炮车喷雾次数统计方法，其特征在于，所述图片质量评价模型采样IQA-CNN网络结构。
6.根据权利要求5所述的雾炮车喷雾次数统计方法，其特征在于，在通过所述图片质量评价模型进行图片质量的评估时对得到的每一个特征图进行池化操作，其计算公式如下所示：
Figure FDA0002613505930000021
Figure FDA0002613505930000022
其中
Figure FDA0002613505930000023
表示像素点(i,j)第k个卷积核操作后获得的特征图。
7.根据权利要求5所述的雾炮车喷雾次数统计方法，其特征在于，所述图片质量评价模型的全连接层使用ReLU函数作为激活函数。
8.一种雾炮车喷雾次数统计系统，其特征在于，包括：
摄像头，采集雾炮车附近的视频；
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-7任一项所述的方法的步骤。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202010762658.1A 2020-07-31 2020-07-31 雾炮车喷雾次数统计方法、系统及存储介质 Active CN111915590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010762658.1A CN111915590B (zh) 2020-07-31 2020-07-31 雾炮车喷雾次数统计方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010762658.1A CN111915590B (zh) 2020-07-31 2020-07-31 雾炮车喷雾次数统计方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111915590A true CN111915590A (zh) 2020-11-10
CN111915590B CN111915590B (zh) 2022-12-20

Family

ID=73287503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010762658.1A Active CN111915590B (zh) 2020-07-31 2020-07-31 雾炮车喷雾次数统计方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111915590B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1198499A (ja) * 1997-09-19 1999-04-09 Sony Corp 画像符号化装置および画質予測方法
JP2006266718A (ja) * 2005-03-22 2006-10-05 Sumitomo Chemical Co Ltd スプレー噴射状態監視システム及びスプレー噴射状態監視プログラム
JP2017055282A (ja) * 2015-09-10 2017-03-16 富士ゼロックス株式会社 画質管理調整装置及びプログラム
CN106980922A (zh) * 2017-03-03 2017-07-25 国网天津市电力公司 一种基于大数据的输变电设备状态评价方法
CN107610147A (zh) * 2017-08-31 2018-01-19 塔里木大学 一种废弃薄膜加筋风积沙地基处理方法
US20190236393A1 (en) * 2018-01-26 2019-08-01 TuSimple Method of controlling image acquisition and other related tools
JP2019168996A (ja) * 2018-03-23 2019-10-03 日立建機株式会社 作業車両の周囲監視システム
CN110856849A (zh) * 2018-08-24 2020-03-03 东莞中科蓝海智能视觉科技有限公司 一种汽车配件的自动化检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1198499A (ja) * 1997-09-19 1999-04-09 Sony Corp 画像符号化装置および画質予測方法
JP2006266718A (ja) * 2005-03-22 2006-10-05 Sumitomo Chemical Co Ltd スプレー噴射状態監視システム及びスプレー噴射状態監視プログラム
JP2017055282A (ja) * 2015-09-10 2017-03-16 富士ゼロックス株式会社 画質管理調整装置及びプログラム
US20170078496A1 (en) * 2015-09-10 2017-03-16 Fuji Xerox Co., Ltd. Image quality control and adjustment apparatus, image quality control and adjustment method, and non-transitory computer readable medium
CN106980922A (zh) * 2017-03-03 2017-07-25 国网天津市电力公司 一种基于大数据的输变电设备状态评价方法
CN107610147A (zh) * 2017-08-31 2018-01-19 塔里木大学 一种废弃薄膜加筋风积沙地基处理方法
US20190236393A1 (en) * 2018-01-26 2019-08-01 TuSimple Method of controlling image acquisition and other related tools
JP2019168996A (ja) * 2018-03-23 2019-10-03 日立建機株式会社 作業車両の周囲監視システム
CN110856849A (zh) * 2018-08-24 2020-03-03 东莞中科蓝海智能视觉科技有限公司 一种汽车配件的自动化检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LE KANG ET AL: "Convolutional Neural Networks for No-Reference Image Quality Assessment", 《PROCEEDINGS OF 2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2014 (2014-12-31), pages 1733 - 1740 *
王昌: "基于物联网GIS的城市环卫智能化管理研究", 《城市建筑》 *
王昌: "基于物联网GIS的城市环卫智能化管理研究", 《城市建筑》, vol. 16, no. 36, 31 December 2019 (2019-12-31) *

Also Published As

Publication number Publication date
CN111915590B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN107330437B (zh) 基于卷积神经网络目标实时检测模型的特征提取方法
CN108615071B (zh) 模型测试的方法及装置
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
KR102449841B1 (ko) 타겟의 검측 방법 및 장치
CN111680746B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN112241699A (zh) 物体缺陷类别识别方法、装置、计算机设备和存储介质
CN107229929A (zh) 一种基于r‑cnn的车牌定位方法
CN107679475B (zh) 门店监控评价方法、装置及存储介质
RU2009116641A (ru) Устройство и способ для идентификации лицевых областей
CN110287862B (zh) 基于深度学习的防偷拍检测方法
CN110307903B (zh) 一种家禽特定部位无接触温度动态测量的方法
CN112200045A (zh) 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN110516560B (zh) 基于fpga异构深度学习的光学遥感图像目标检测方法
CN111807183A (zh) 基于深度学习的电梯门状态智能检测方法
CN114283469A (zh) 一种基于改进YOLOv4-tiny的轻量型目标检测方法及系统
CN109711407A (zh) 一种车牌识别的方法及相关装置
CN114596266B (zh) 一种基于ConcreteCrackSegNet模型的混凝土裂缝检测方法
CN111935479A (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
CN111882555A (zh) 基于深度学习的网衣检测方法、装置、设备及存储介质
CN115115924A (zh) 基于ir7-ec网络的混凝土图像裂缝类型迅捷智能识别方法
CN117078670B (zh) 一种云相框的生产控制系统
CN111915590B (zh) 雾炮车喷雾次数统计方法、系统及存储介质
KR102430946B1 (ko) 소장 정결도를 진단하는 시스템 및 방법
CN116543001B (zh) 彩色图像边缘检测方法及装置、设备、存储介质
CN115578329A (zh) 屏幕检测方法、装置、计算机设备及可读存储介质

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hou Dongli

Inventor after: Fang Qiang

Inventor after: Wang Xuerui

Inventor after: He Yuecheng

Inventor before: Fang Qiang

Inventor before: Wang Xuerui

Inventor before: He Yuecheng