CN112082915B - 一种即插即用型大气颗粒物浓度检测装置及检测方法 - Google Patents
一种即插即用型大气颗粒物浓度检测装置及检测方法 Download PDFInfo
- Publication number
- CN112082915B CN112082915B CN202010889162.0A CN202010889162A CN112082915B CN 112082915 B CN112082915 B CN 112082915B CN 202010889162 A CN202010889162 A CN 202010889162A CN 112082915 B CN112082915 B CN 112082915B
- Authority
- CN
- China
- Prior art keywords
- gas
- gas production
- pipeline
- production pipeline
- personal
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 119
- 238000003384 imaging method Methods 0.000 claims abstract description 55
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 26
- 230000001502 supplementing effect Effects 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 101100247599 Hordeum vulgare RCAB gene Proteins 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 230000008521 reorganization Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011282 treatment Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 239000013618 particulate matter Substances 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 description 18
- 230000015556 catabolic process Effects 0.000 description 15
- 239000003570 air Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 239000000428 dust Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001125 extrusion Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000008277 atmospheric particulate matter Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- 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
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的大气颗粒物浓度检测装置及检测方法,包括采气装置,气体传动装置,成像装置和测量装置;包括步骤:采气装置实时获取检测现场环境下的现场气体并储存在采气管道中;气体传动装置将采气装置中储存有样本气体的采气管道,旋转至成像设备接口处,并实现在成像器和采气管道中样本气体的排出和吸取;成像设备在摄像机组和补光灯的作用下,对样本气体进行拍照后,并将所拍摄关于样本气体的照片传输到测量装置中;在测量装置中,借助改进后的物体识别算法对上述经过超分辨率算法放大重建出的样本气体照片进行颗粒识别与尺寸检测。解决了现有大气颗粒物浓度检测设备中存在的检测误差大、识别时间成本高、设备成本高的问题。
Description
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技术的大气颗粒物浓度检测装置及检测方法。
背景技术
大气颗粒物是由于地面上的固体物质在自然风力、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。当颗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,都会将颗粒体中的微细颗粒物首先由颗粒体中分离除了而四处飘扬,由于大气流动而引起细微颗粒物的扩散,从而实现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。
为了在一些特定场合下降低大气颗粒物的危害,需要能够实时对空气中颗粒物浓度的信息进行捕捉,现有的大气颗粒物检测体积非常大、设备造价高、测量的效果和精度非常有限,民用程度非常低。
发明内容
本发明的目的是为了在现有技术上另辟蹊径,直观的对所需工作范围内颗粒物的浓度进行实时有效地定量测量,提供一种大气颗粒物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,包括采气装置;气体传动装置;成像装置;测量装置。
大气颗粒物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;
采气装置:将检测现场的空气进行实时、定量的进行收集和储存;
成像装置:将采集到的气体用普通的摄像头进行拍摄,得到当前不同颗粒物浓度空气的照片。
测量装置:将成像装置拍摄的普通相片在该装置下进行了图像高分辨率重建,对所摄图像中的颗粒物数量和尺寸进行了测量统计,最终得出了测量样本气体中颗粒物的浓度。
由上述描述,进一步地阐述各部分功能模块的组成;
采气装置包含活塞、采气管道、开关门结构三个组成零件,该管道的形状呈圆柱体,该圆柱体的体积为V,管道底部安装有能够控制开合的开关“门结构”;管道里面有活塞。
进一步地,所述活塞采用橡胶材质,与采气管道之间零缝隙密闭接触;
进一步地,所述采气管道采用玻璃材质,与活塞和开关门结构之间密闭接触;
进一步地,所述开关门结构的大小尺寸,与成像装置的通气管道壁尺寸完全符合,使其方便与成像管道对接。
进一步地,本发明中活塞的工作流程为:当需要采集气体的时候,在采样通道底部的开关门结构的配合下,活塞的上下运动在采样通道中所形成的空间容积,使得活塞能够采集单位体积的样本气体。
进一步地,所述采气管道在未工作状态下,即未进行测量操作时,采气管道底部的开关门结构关闭,活塞运动到管道底部停止。
进一步地,所述采气管道一旦开始进行测量操作时,采气管道底部的开关门结构打开,采气管道中的活塞开始从底部向管道的顶部运动,随着活塞不断的向顶部运动,采气管道中的容积从0向V靠近。直至采气管道中的活塞到达采气管道顶部并不继续上升后,采气管道底部的开关门结构开始闭合,彻底闭合后,相当于采气通道中储存了体积为V的样本气体。
当采气管道完成集气任务后,接着,气体传动装置开始工作;
气体传动装置包含活塞、传输管道位置检测器和采样通道移动器三大部分。
进一步地,所述气体传动装置开始工作开始工作后,采气管道被其他传动装置带到成像装备前面,待气体传动装置检测到采气管道到达指定位置后,气体传动装置底部的开关门结构打开;
进一步地,采气管道内部的活塞开始从管道顶端向底部运动,采气管道内的有效容积不断变小,在活塞的挤压下,原储存在采气管道中体积为V的样本气体被挤压到成像设备中去,方便成像设备的下一步拍摄工作。
成像设备由摄像机组、补光灯和成像空间区域三个部分构成。
进一步地,所述成像装置的成像空间区域由底部内置的背景颜色及周围的管壁(该管壁为透明玻璃管壁,方便进光)构成,
进一步地,所述摄像机组由多个普通的摄像头组成。
进一步地,所述测量装置的工作流程为:当采气管道的气体通过活塞施加的挤压力,进入到成像空间区域中,待活塞到达采气通道底部后,采气通道底部的开关门结构关闭,样本气体在成像空间区域内自由运动;
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,故在摄像机组四周放置补光灯,进行补光。
进一步地,成像设备内的摄像机组所拍摄的照片传入到测量设备中进行处理。
进一步地,所述传入测量设备中的图像,经过超分辨率图像重建模块进行高分辨率图像重建,得到重建后的高清图像,
进一步的,重建后的高清图像进入物体检测模块中进行检测,在不同的物体检测算法作用下,经过数学统计后,得到了样本气体中不同尺寸种类污染物颗粒的浓度。
附图说明
图1为本发明提供的一种即插即用型大气颗粒物浓度检测方法流程图;
图2为本发明提供的采气装置的示意图;
图3为本发明提供的采气装置中活塞的结构示意图;
图4为本发明提供的采气装置中活塞的工作示意图;
图5为本发明提供的气体传动装置示意图;
图6为本发明提供的成像装置示意图;
图7为本发明提供的检测装置中超分辨率图像重建模块所包含算法的SRResNet网络结构;
图8为本发明提供的检测装置中超分辨率图像重建模块所设计的带有通道注意力机制的即插即用超分辨算法网络结构示意图;
图9为本发明提供的检测装置中物体检测模块所设计的SPP Net的网络结构示意图;
图10为本发明提供的检测装置中物体检测模块所设计的物体检测算法网络结构示意图;
图11为为本发明提供的检测装置中物体检测模块所设计的空洞卷积计算过程示意图;
具体实施方式
本发明的扬尘浓度检测装置,包括采气装置;气体传动装置;成像装置;测量装置。
大气颗粒物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;
采气装置:将检测现场的空气进行实时、定量的进行收集和储存;
成像装置:将采集到的气体用普通的摄像头进行拍摄,得到当前不同颗粒物浓度空气的照片。
测量装置:将成像装置拍摄的普通相片在该装置下进行了图像高分辨率重建,对所摄图像中的颗粒物数量和尺寸进行了测量统计,最终得出了测量样本气体中颗粒物的浓度。
由上述描述,进一步地阐述各部分功能模块的组成;
采气装置包含活塞、采气管道、开关门结构三个组成零件,该管道的形状呈圆柱体,该圆柱体的体积为V,管道底部安装有能够控制开合的开关“门结构”;管道里面有活塞。如图2所示;
进一步地,所述活塞采用橡胶材质,与采气管道之间零缝隙密闭接触,具体如图3所示。;
进一步地,所述采气管道采用玻璃材质,与活塞和开关门结构之间密闭接触;
进一步地,所述开关门结构的大小尺寸,与成像装置的通气管道壁尺寸完全符合,使其方便与成像管道对接。
进一步地,所述活塞的工作示意图如图4所示。
本发明中活塞的工作流程为:当需要采集气体的时候,在采样通道底部的开关门结构的配合下,活塞的上下运动在采样通道中所形成的空间容积,使得活塞能够采集单位体积的样本气体。
进一步地,所述采气管道在未工作状态下,即未进行测量操作时,采气管道底部的开关门结构关闭,活塞运动到管道底部停止。
进一步地,所述采气管道一旦开始进行测量操作时,采气管道底部的开关门结构打开,采气管道中的活塞开始从底部向管道的顶部运动,随着活塞不断的向顶部运动,采气管道中的容积从0向V靠近。直至采气管道中的活塞到达采气管道顶部并不继续上升后,采气管道底部的开关门结构开始闭合,彻底闭合后,相当于采气通道中储存了体积为V的样本气体。
当采气管道完成集气任务后,接着,气体传动装置开始工作;
气体传动装置包含活塞、传输管道位置检测器和采样通道移动器三大部分。
进一步地,所述气体传动装置开始工作开始工作后,如图5所示,采气管道被其他传动装置带到成像装备前面,待气体传动装置检测到采气管道到达指定位置后,气体传动装置底部的开关门结构打开;
进一步地,采气管道内部的活塞开始从管道顶端向底部运动,采气管道内的有效容积不断变小,在活塞的挤压下,原储存在采气管道中体积为V的样本气体被挤压到成像设备中去,方便成像设备的下一步拍摄工作。
成像设备由摄像机组、补光灯和成像空间区域三个部分构成,如图6所示。
进一步地,所述成像装置的成像空间区域由底部内置的背景颜色及周围的管壁(该管壁为透明玻璃管壁,方便进光)构成,
进一步地,所述摄像机组由多个普通的摄像头组成,如图6所示。
进一步地,所述测量装置的工作流程为:当采气管道的气体通过活塞施加的挤压力,进入到成像空间区域中,待活塞到达采气通道底部后,采气通道底部的开关门结构关闭,样本气体在成像空间区域内自由运动;
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,故在摄像机组四周放置补光灯,进行补光,如图6所示。
进一步地,成像设备内的摄像机组所拍摄的照片传入到测量设备中进行处理。
进一步地,所述传入测量设备中的图像,经过超分辨率图像重建模块进行高分辨率图像重建,得到重建后的高清图像。
在硬件设备的工作下,获取到样本气体的照片后,在软件层面,采用超分辨率图像重建算法于物体检测算法相结合的方式进行测量。
如图1所示,本专利采用一种带有注意力机制的深度即插即用超分辨率算法作为超分辨率图像的基础算法,并且将进一步说明如何在其基础上进行即插即用式的扩展。
本专利在超分辨率图像重建部分所用到的退化模型来源于目前超分辨率图像重建领域内两种主流的超分辨率退化模型,第一种为通用退化模型:
其中y为低分辨率(LR)图像,x为高分辨率(HR)图像,k为模糊核,n为一定的噪声水平下的白色高斯噪声(AWGN),为卷积运算,↓s为规模因子s的下采样运算。但由于上述通用退化模型假设存在一个先验的已知模糊核k,当求解该模糊核k时,普遍存在计算过程复杂、受噪声影响较大、对模糊核估计要求较高等缺陷,为了解决这个问题,第二种双三次退化模型出现。
进一步的,第二种双三次退化模型为:
y=x↓s″
针对通用退化模型存在的上述问题,双三次退化模型仅保留一个↓s″双三次下采样操作,从而简化了复杂的图像退化过程,但由于真实图像的退化过程复杂多样,仅保留双三次下采样操作的双三次退化模型在实际应用中受到了极大制约,故本专利在上面两种退化模型基础上,提出了能够综合此两种模型优点的模型。
进一步的,本专利所设计的退化模型为:
本专利所设计的退化模型能够借助现有基于卷积神经网络的各类去模糊方法进行模糊核估计,既降低了通用退化模型中因直接计算模糊核带来的难度,又拓展了双三次退化模型的应用场景,最终实现了对任意模糊内核的估计。
进一步的,为了求解本专利所设计的退化模型,对其进行改写后的数学求解表达为:
其中,用来保证解符合退化过程的数据保真度项,Φ(x)是正则先验项,λ是正则化参数。为了更加高效地处理上式,可采用变量分割技术对其进行等效替换,即引入辅助变量z来代替x↓s。
进一步的,上式可以等价变形为:
s.t.z=x↓s″
进一步的,采用半二次方程分式将上式种的正则项的原始变量进行替换,上式可以等价变形为:
其中,μ是惩罚参数。如果μ足够大,则可使z近似于x↓s″。
进一步的,上式可以拆分为如下两个子公式进行迭代求解:
该式对于模糊核进行更新估计,
该式在模糊图像与清晰图像之间实现连续映射。
本专利所用超分辨率算法在网络结构设计方面,在设计之前,选择的基础网络模型是SRResNet,如图7所示。
本专利所设计的超分辨率算法为带有通道注意力机制的即插即用超分辨率算法,如图8所示,该算法具体可分为4个部分:浅层特征提取部分,深层特征提取部分,上采样部分,损失函数。
本专利所设计的超分辨率算法在浅层特征提取部分的设计上,从图8可以看出,在浅层特征提取部分,本专利使用一个卷积层来提取来自LR图像中的浅层特征F0:
F0=HSF(ILR)
式中,HSF代表卷积操作,然后使用提取的浅层特征F0,来在深层特征提取部分进行深层特征提取。
本专利所设计的超分辨率算法在浅层特征提取部分的设计上,从图8可以看出,在深层特征提取部分,本专利使用包含由N个残差通道注意力块(RCAB)的残差集群(RG)来作为SRResNet结构的基本组成块。
进一步的,当RG作为SRResNet的基本组成块时,第g个RG可以写为:
Fg=Hg(Fg-1)=Hg(Hg-1(…H1(F0)…))
式子中,Hg代表第g个RG的功能函数,Fg-1和Fg是第g个RG的输入量和输出量。
进一步的,为了更好的提高残差通道注意力学习的性能,本专利特地引入了长跳连接:
FDF=F0+WLSCFg=F0+WLSCHg(Hg-1(…H1(F0)…))
WLSC代表最后一个基本组成块的卷积层,为了简化计算过程,省略了偏差项。
进一步的,为了更好的提高残差通道注意力学习的性能,本专利在RG中堆积了b个RCAB块:
Fg,b=Hg,b(Fg,b-1)=Hg,b(Hg,b-1(…Hg,1(Fg-1)…))
Fg,b-1和Fg,b在第g个RG中表示第b个RCAB的输入和输出,Hg,b代表相应的功能函数。
进一步的,为了更好的提高残差通道注意力学习的性能,本专利在RG中所堆叠的这b个RCAB中引入了短跳跃连接:
Fg=Fg-1+WgFg,B=Fg-1+WgHg,B(Hg,B-1(…Hg,1(Fg-1)…))
其中,Wg是第g个RG末端的卷积层。
进一步的,为了更好的提高残差通道注意力学习的性能,本专利提出在上述g个RG(每个RG中包含有b个RCAB)中通过长跳连接和短跳连接相配合的策略,该策略可以描述为:
Fg,b=Fg,b-1+Rg,b(Xg,b)·Xg,b
其中,Rg,b代表通道注意力函数,Fg,b和Fg,b-1作为RCAB的输入和输出,能够通过残差块从输入量中学习到残差量Xg,b。
进一步的,该残差量Xg,b为在RCAB中堆叠的两层卷积层的权重。其数学表达式为:
其中,和/>是在RCAB中堆叠的两个卷积层的权重。
本专利所设计的超分辨率算法在上采样部分的设计上,从图8可以看出,在上采样部分,本专利使用像素重组法(pixelshuffl)来进行上采样操作:
其中是一个周期变换算子,它将一个H×W×C·r2张量的元素重新排列为一个形状为rH×rW×C的张量。x和y是HR空间中输出的像素坐标。当LR空间中的卷积步长为1/r时,像素之间的权重不需要被激活,也不需要计算。在滤波器对图像进行卷积时,根据不同的亚像素位置,周期性激活模态mod(x,r)和mod(y,r)。
本专利所设计的超分辨率算法在损失函数部分的设计上,在损失函数部分,本专利选择使用L1损失函数:
其中,Θ为带有通道注意力机制的即插即用超分辨率算法(DPAM)网络结构的参数集。代表输入到训练网络中的第i个高分辨率图像,/>代表输入到训练网络中的第i个低分辨率图像
本专利在超分辨率图像重建算法中所采用的基础框架为SRResNet,在超分辨率算法中所设计的4个部分的基础算法之上,进一步的,在本专利所涉及的整个超分辨率图像重建算法的网络模型结构,具有很强的即插即用性。
进一步的,本专利所述超分辨率图像重建算法的即插即用性表现在浅层特征提取模块,深层特征提取模块,上采样模块和其他元素的构建等方面。
进一步的,本专利所述超分辨率重建算法在浅层特征提取模块的即插即用型体现为,在具体的浅层特征提取方面,不仅仅只通过一个卷积层来提取特征,还能通过不同深度的VGG网络,残差密集网络等结构来提取低分辨率图像中的浅层信息。
进一步的,本专利所述超分辨率重建算法在深层特征提取模块的即插即用型体现为,在具体的深层特征提取方面,不仅仅只通过包含有若干个RCAB的RG做为基本块来提取特征,还能选择残差密集块,残差块等多个已有网络块结构做为基本块来提取低分辨率图像中的深层特征信息。
进一步的,本专利所述超分辨率重建算法在上采样模块的即插即用型体现为,在具体的深层特征提取方面,不仅仅只通过像素位移法(Pixelshuffl)来进行上采样,还能双三次插值法、双线性插值法、近邻域插值法等方法来进行上采样操作。
进一步的,本专利所述超分辨率重建算法在其他元素的构建方面,无论是激活函数、损失函数,还是优化函数,都可以选择最新的方法在本专利所设计的框架下,来替换掉原有的功能模块,实现了即插即用的效果。
本专利在目标检测算法的选择上,注意到了现有轻量(tiny)YOLO v3算法的可靠性与快速性,故在其基础上进行改进后,得出本专利所设计的目标检测算法。
本专利在基于tiny YOLO v3算法的基础上,对其特征提取层和卷积层两个方面做出了改进,在两个方面的共同配合下,得出了本专利所设计的目标检测算法。
本专利对特征提取层的改进体现在,在原有特征提取层基础上,通过引入空间金字塔池化网络(spatial pyramid pooling,SPP Net)来替换掉原有的网络特征提取层,具体网络结构如图9所示。
进一步,本专利所引入的SPP Net的原因,是由于在目标检测任务中,通常使用卷积层来提取不同大小图像的特征。一方面,传统的图像预处理方法(裁剪或包装)会造成信息丢失和失真;另一方面,卷积神经网络中存在的分类器或全连接层需要一个固定大小的输入。考虑到SPP Net既具有能够生成固定大小的表示,并将输入图像缩放到任何比例,而不考虑大小或比例的优点,还具有对整个图像只需计算一次特征图(feature map),避免了重复卷积造成的浪费和信息冗余的优点。因此,本文引入SPP Net结构对输入图像进行预处理操作。
进一步,本专利所引入的SPP Net的具体工作步骤分为三步,首先将feature map划分为不同大小的块(block),然后从每个block中提取一个feature value(通常使用maximum pooling method)。本文将feature map分为16块、4块和1块,最终输出21维的feature vector。引入SPP网络的改进模型如图9所示
本专利对卷积层的改进体现在,在原有卷积层基础上,通过引入空洞卷积(dilated convolution layer)来替换掉原有的卷积层,具体网络结构如图10所示。
进一步的,本专利引入空洞卷积来对卷积层进行改进的原因体现在两个方面:一方面,在多次比较实验后我们发现,相比较YOLO v3,tiny YOLO v3摒弃了YOLO v3网络中的大量残差块,tiny YOLO v3网络依靠传统的卷积和池化操作来提取图像特征,并需要通过大量卷积层来规划输出图像尺寸,这在一定程度上拖慢了整个网络的效率;另一方面,由于下采样和上采样的同时存在,会导致图像中一些细节信息在卷积过程中不能得到有效保留。考虑到上述两个方面的不足,因此我们选择了空洞卷积层来替代原有的卷积层。
进一步的,本专利引入的空洞卷积的具体工作过程如下:通过在原有卷积核中插入一定数量的空洞,使每个原始权值周围都有一圈值为0的新权值,这一操作不会为神经网络带来新的参数,但却为其扩大了感受野,增加了网络对图像信息的收集能力。其空洞卷积计算过程如图11所示,可以看出,空洞卷积的计算过程与传统卷积无异,只是在卷积核权值的周围包裹了一层0权值点,相当于图像像素值与0权值进行加权求和。
本专利在所述的tiny YOLO v3中所采用的损失函数为:
其中,S2为网格数,一般为7*7,为0或1,代表此单元格内是否有目标,λcoord和λnoobj是超参数,一般设置为5和0.5。(x,y)(w,h)分别为标记窗口的坐标。
本专利所述改进后的tiny YOLO v3算法和改进后的法每秒均可以处理50张以上的照片;
进一步地,由于空气颗粒流动的快速性和随机性,本专利所述摄像机组对着样本气体,以每秒拍20次,连续拍15秒,总计300张图片作为测量样本相片;
进一步地,本专利所述检测装置对这300张图像进行超分辨率图像重建和物体检测。
进一步地,本专利按照上述图像重建和物体检测后的所述拍摄方案,最终得到了样本气体中含有的不同尺寸颗粒物的300张图像。以浓度为N的颗粒物为例,最终结果为n1,n2……n300的300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tiny YOLO v3处理300张样本气体的图像后,每种算法得到了300个检测结果。
进一步地,所述300个颗粒物检测结果中,有150个及大于150个相同的数值nsimilary时,最终k颗粒物的尺寸为N=nsimilary;
进一步地,所述300个检测结果中,没有150或150个以上的相同数值时,在统计出的数据中,按照结果的大小次序进行排序,先去掉q组最大值,后去掉q组最小值,q的大小可以根据实际情况进行手动设置,接着求剩余300-2q个数值的平均值,最终k颗粒物的尺寸为N=naverage;
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:采气装置→气体传动装置→成像器装置→测量装置。
各部分装置具体的工作流程为:
采气装置工作情况下,管道底部的开关门结构打开,采气管道打开,采气管道中活塞的位置快速上升至管道顶部,相当于该采气管道的体积从0变为V;
进一步地,采气管道中采集了体积为V的样本气体,此时管道底部的开关门结构关闭,相当于在管道中储存了体积为V的样本气体;
进一步地,当采气装置完成体积为V的样本气体的采集后,该采气管道在密闭状态下由气体传动装置将整个采气管旋转至成像区域口;
进一步地,当采气管道旋转转递到成像器入口处后,气体传动装置检测到采气管道的位置后,采气管道底部的开关门结构打开,气体传动装置得到开关门结构打开的确认信号后才开始下一步工作,即采气管道中的活塞开始从顶部向底部运动;
进一步地,气体传输装置在进行采气管道内的样本气体传输时,采用的是采气通道中的已有的活塞,其工作原理类似于采气装置工作的逆过程,即,气体传输装置驱动已经位于采气管道顶部的活塞向下快速运动,直至活塞到达管道底部后,停止运动;此时,在活塞压力的驱动下,采气管道内部的样本气体被排出至成像器中;
进一步地,在柱塞到达采气管道底部后,原来位于采气管道底部的开关门结构从打开状态变为闭合状态;
进一步地,成像器装置开始工作,补光灯打开,摄像机组开始工作,在摄像机组拍摄若干组照片后,相机停止工作,照片传输给测量装置进行超分辨率图像重建和颗粒物尺寸与数量的检测等处理。
进一步地,测量装置采用内置的超分辨率图像重建算法和物体检测算法进行处理后,在最终的测量策略下,实现了不同颗粒物浓度的检测。
测量装置工作完成后,整个检测装置内部的各个组成装置其停止工作的先后次序为:成像装置→测量装置→气体传动装置→采气装置。
进一步地,各部分装置具体的工作停止流程为:
成像装置中的相机组停止工作后,补光灯关闭;
进一步地,测量装置的超分辨率图像重建模块和物体检测模块,两个软件模块全部关闭;
进一步地,采气装置中的采气管道底部的开关门结构打开,活塞从采气管道的底部向顶部运动,待活塞到达采气管道顶部位置时,采气管道底部的门结构关闭;
进一步地,气体传动装置将采气管道旋转至起始位置后,停止工作;
进一步地,采气管道底部的开关门结构打开,活塞开始从管道的顶部向底部运动,待活塞到达管道底部时,即排出单位体积V的样本气体后,采气管道底部的开关门结构关闭,采气装置停止工作。
本专利所设计的整套检测装置经过上述停止工作流程后,又恢复到了初始状态。
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,最终可以实现对普通相机组拍摄样本气体图像中不同尺寸目标颗粒物的超分辨率图像重建、检测和数量识别,以此来间接得到空气中不同直径颗粒物浓度的值。
对所公开的实施例的上述说明,仅为了使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种即插即用型大气颗粒物浓度检测方法,其采用的检测装置包括采气装置、气体传动装置、成像装置和测量装置,采气装置包括采集现场环境中的单位体积样本气体的设备,气体传动装置用于将采气管道在采气装置和成像装置之间进行传输移动,成像装置包括用于拍摄气体照片的摄像机组和补光灯,测量装置包括用于图像处理的超分辨率图像重建模块和物体检测模块;超分辨率图像重建模块借助超分辨率算法对成像装置所拍摄的图像进行超分辨率重建;物体检测模块借助物体检测算法对超分辨率图像重建模块所重建出的图像进行颗粒物物体数量及尺寸的检测;其特征在于,该方法包括以下步骤:
步骤S1、检测装置整体未工作时,采气装置整体呈停止状态,采气装置中的采气管道的活塞处于管道底部,采气管道底部的开关门结构关闭;气体传动装置停止工作;摄像机组和补光灯都关闭;测量装置停止工作;物体检测模块和超分辨率图像重建模块都停止工作;
步骤S2、检测装置整体开始工作时,各部分装置的工作先后顺序为:采气装置气体传动装置/>成像装置/>测量装置;
所述采气装置采用活塞结构来进行样本气体的抽样提取,采气管道的外型为空心圆柱体,管道四周密闭,上下面相互贯通;采气管道的管道壁为玻璃材质;采气管道顶部位置有一个活塞,该活塞的运动状态的开关受到采气装置的控制;采气管道的底部位置为一开合门结构,该开合门的工作状态受到采气装置控制;活塞为柔性橡胶材质,活塞与管壁之间紧密接触,没有空隙;采气装置未工作情况下,采气管道关闭,采气管道中活塞的位置滑动至管道底部,管道底部的开关门结构闭合,相当于该采气管道的体积为;
所述气体传动装置实现对采气管道里面气体进行传输和流动操作,当检测到采气装置已经采集到气体后,整个采气管道作为密闭容器进行旋转传递至成像装置入口处的过程,都是由气体传输装置控制;当采气管道旋转转递到成像装置入口处后,采气管道底部开关门结构的打开取决于气体传动装置对采气管道位置的检测位置的确定,当确定采气管道位置到达预先设定好的位置后,气体传动装置得到确认信号后才开始下一步工作,即采气管道底部开关门结构才能打开,否则应采气管道底部开关门结构该保持闭合;
所述成像装置实现对采气管道里面气体颗粒进行拍照操作,成像装置的材质为透明玻璃,在成像装置的顶部有摄像机组和补光灯;
所述成像装置实现对采气管道里面气体颗粒进行拍照操作后,再进入测量装置中的超分辨率图像重建模块和物体检测模块进行图像处理操作;
各部分装置具体的工作流程为:
在采气装置中,采气管道的开关门结构打开,采气管道打开,采气管道中活塞从管道的底部向顶部运动,当活塞到达采气管道顶部时,采气管道底部的开关门结构关闭,即采集到体积为采气管道体积的单位体积样本气体;等到采气装置完成体积为/>的样本气体的采集,该采气管道在密闭状态下由气体传动装置将整个采气管旋转至成像区域口;当采气管道选转至成像区域口时,气体传动装置开始工作,采样管道底部的开关门结构打开,做好单位体积样本气体的流动与传输准备;
气体传动装置将采气装置中的采气管道旋转到成像装置的进气口处,待管道与成像装置的进气口紧密相连后,采气管道底部的开关门结构打开,采气管道中的柱塞从管道顶部向底部运动,排出储存在采气管道中的单位体积的样本气体,待柱塞到达采气管道底部后,采气管道底部的开关门结构关闭;此时,在活塞压力的驱动下,采气管道内部的样本气体被排出至成像装置中;
成像装置对进入的成像装置内的气体中的颗粒,在补光灯的作用下,由摄像机组进行单位时长的拍照处理,得到拍摄后的多幅图像;
测量装置将这多幅图像通过超分辨率图像重建模块和物体检测模块进行处理后,按照一定的统计策略,实现了不同颗粒物浓度的检测;
其中,所述超分辨率图像重建算法,采用的是深度即插即用型先验框架,网络结构采用的基于深度神经网络的超级解析器,从而使得在超分辨率图像重建中,能够进行不同功能模块的拓展和替换,使得超分辨率重建算法能够根据不同的需求进行不断的调整;
所述超分辨率图像重建算法分为4个部分:浅层特征提取部分,深层特征提取部分,上采样部分,损失函数;
在浅层特征提取部分,使用卷积层来提取来自LR图像中的浅层特征:
式中,/>代表/>图像,/>代表卷积操作,然后使用提取的浅层特征,来在深层特征提取部分进行深层特征提取;
在深层特征提取部分,使用包含由个残差通道注意力块/>的残差集群/>作为结构的基本组成块;
当作为/>的基本组成块时,第/>个/>写为:式子中,/>代表第/>个/>的功能函数,/>和是第/>个/>的输入量和输出量;/>代表第/>个/>的功能函数,/>代表第/>个/>的功能函数;引入了长跳连接:
代表长跳连接,代表最后一个基本组成块的卷积层,为了简化计算过程,省略了偏差项;
在中堆积了/>个/>块:/> 和/>在第/>个/>中表示第/>个/>的输入和输出,/>代表在第/>个/>中第/>个的功能函数,/>代表在第/>个/>中第/>个/>的功能函数,/>代表在第个/>中第/>个/>的功能函数;/>的取值为1~/>的自然数;
在中所堆叠的这/>个/>中引入了短跳跃连接,将/>个/>表示为:其中,/>是第/>个/>末端的卷积层;/>表示第/>个/>中第/>个/>的输出,/>代表在第/>个/>中第/>个/>的功能函数,/>代表在第/>个/>中第/>个/>的功能函数;
在上述个/>中通过长跳连接和短跳连接相配合的策略,该策略描述为:
其中,/>代表通道注意力函数,/>和/>作为RCAB的输入和输出,通过残差块从输入量中学习到残差量/>;
该残差量为在RCAB中堆叠的两层卷积层的权重,其数学表达式为:
其中,/>和/>是在/>中堆叠的两个卷积层的权重;上采样部分使用像素重组法来进行上采样操作:其中/>是周期变换算子,它将一个张量的元素重新排列为一个形状为/>的张量,/>和/>是/>空间中输出的像素坐标,当/>空间中的卷积步长为/>时,像素之间的权重不需要被激活,也不需要计算;在滤波器对图像进行卷积时,根据不同的亚像素位置,周期性激活模态和/>;
损失函数为:
其中,/>为带有通道注意力机制的即插即用超分辨率算法DPAM网络结构的参数集;/>代表输入到训练网络中的第i个高分辨率图像,代表输入到训练网络中的第/>个低分辨率图像,/>为通过DPAM超分辨率算法重建出的高分辨率图像;
所述物体检测模块中,采用的是内置的物体检测算法,在进行处理时,具体流程如下:
1)将上述成像装置中摄像机组在不同单位时间内所拍摄到的多幅图像,经过超分辨率图像重建算法所重建出的高分辨率图像,再次用物体检测算法进行处理;得到每张图像中所包含空气不同颗粒物的数量和尺寸;
2)统计策略:去掉物体检测算法统计结果中的排名在前和在后的若干组最大值和最小值后,对剩余的结果求平均值,最后所得出的平均值,作为最后的检测结果;
步骤S4、测量装置工作完成后,整个检测装置内部的各个组成装置其停止工作的先后次序为:成像装置测量装置/>气体传动装置/>采气装置;
各部分装置具体的工作流程为:成像装置中的相机组停止工作后,补光灯关闭;测量装置的超分辨率图像重建模块和物体检测模块关闭;采气装置中的采气管道底部的开关门结构打开,活塞从采气管道的底部向顶部运动,待活塞到达采气管道顶部位置时,采气管道底部的门结构关闭;气体传动装置将采气管道旋转至起始位置后,停止工作;采气管道底部的开关门结构打开,活塞开始从管道的顶部向底部运动,待活塞到达管道底部时,即排出单位体积的样本气体后,采气管道底部的开关门结构关闭,采气装置停止工作;
整套检测装置经过停止工作流程后,又恢复到了初始状态;
所述物体检测算法采用改进的轻量算法,所述改进的轻量算法的改进为:
A1、引入空间金字塔池化网络替换掉原有的网络特征提取层,/>的具体工作步骤为:
A101、将划分为不同大小的块/>;
A102、从每个中提取一个/>;
A103、输出;
A2、引入空洞卷积替换掉原有的卷积层,通过在原有卷积核中插入空洞,使每个原始权值周围都有一圈值为的新权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889162.0A CN112082915B (zh) | 2020-08-28 | 2020-08-28 | 一种即插即用型大气颗粒物浓度检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889162.0A CN112082915B (zh) | 2020-08-28 | 2020-08-28 | 一种即插即用型大气颗粒物浓度检测装置及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112082915A CN112082915A (zh) | 2020-12-15 |
CN112082915B true CN112082915B (zh) | 2024-05-03 |
Family
ID=73728175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010889162.0A Active CN112082915B (zh) | 2020-08-28 | 2020-08-28 | 一种即插即用型大气颗粒物浓度检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112082915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734649A (zh) * | 2021-01-06 | 2021-04-30 | 暨南大学 | 一种基于轻量级神经网络的图像退化方法及退化系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6646676B1 (en) * | 2000-05-17 | 2003-11-11 | Mitsubishi Electric Research Laboratories, Inc. | Networked surveillance and control system |
CN1922894A (zh) * | 2004-02-25 | 2007-02-28 | 诺基亚有限公司 | 形成图像信息的电子装置、该电子装置中的方法以及用于实现该方法的程序产品 |
CN104359811A (zh) * | 2014-10-30 | 2015-02-18 | 哈尔滨幻石科技发展有限公司 | 一种基于压缩空气的pm2.5浓度检测方法 |
CN104502160A (zh) * | 2014-12-19 | 2015-04-08 | 河南中煤电气有限公司 | 一种与机器人配合使用的有害气体采集及检测仪器 |
CN204330540U (zh) * | 2014-11-06 | 2015-05-13 | 北京中科诚毅科技发展有限公司 | 一种带自净化系统的颗粒物质量浓度检测仪 |
CN106157249A (zh) * | 2016-08-01 | 2016-11-23 | 西安电子科技大学 | 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法 |
CN106296586A (zh) * | 2016-08-18 | 2017-01-04 | 电子科技大学 | 基于凸组合方式的多帧低分辨率图像超分辨率重建方法 |
CN109727197A (zh) * | 2019-01-03 | 2019-05-07 | 云南大学 | 一种医学图像超分辨率重建方法 |
CN110084775A (zh) * | 2019-05-09 | 2019-08-02 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
WO2019148739A1 (zh) * | 2018-01-31 | 2019-08-08 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
WO2020118616A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度先验学习的头颈联合成像方法和装置 |
CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
CN111353939A (zh) * | 2020-03-02 | 2020-06-30 | 中国科学院深圳先进技术研究院 | 一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法 |
CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704857B (zh) * | 2017-09-25 | 2020-07-24 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
-
2020
- 2020-08-28 CN CN202010889162.0A patent/CN112082915B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6646676B1 (en) * | 2000-05-17 | 2003-11-11 | Mitsubishi Electric Research Laboratories, Inc. | Networked surveillance and control system |
CN1922894A (zh) * | 2004-02-25 | 2007-02-28 | 诺基亚有限公司 | 形成图像信息的电子装置、该电子装置中的方法以及用于实现该方法的程序产品 |
CN104359811A (zh) * | 2014-10-30 | 2015-02-18 | 哈尔滨幻石科技发展有限公司 | 一种基于压缩空气的pm2.5浓度检测方法 |
CN204330540U (zh) * | 2014-11-06 | 2015-05-13 | 北京中科诚毅科技发展有限公司 | 一种带自净化系统的颗粒物质量浓度检测仪 |
CN104502160A (zh) * | 2014-12-19 | 2015-04-08 | 河南中煤电气有限公司 | 一种与机器人配合使用的有害气体采集及检测仪器 |
CN106157249A (zh) * | 2016-08-01 | 2016-11-23 | 西安电子科技大学 | 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法 |
CN106296586A (zh) * | 2016-08-18 | 2017-01-04 | 电子科技大学 | 基于凸组合方式的多帧低分辨率图像超分辨率重建方法 |
WO2019148739A1 (zh) * | 2018-01-31 | 2019-08-08 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
WO2020118616A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度先验学习的头颈联合成像方法和装置 |
CN109727197A (zh) * | 2019-01-03 | 2019-05-07 | 云南大学 | 一种医学图像超分辨率重建方法 |
CN110084775A (zh) * | 2019-05-09 | 2019-08-02 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110992267A (zh) * | 2019-12-05 | 2020-04-10 | 北京科技大学 | 一种基于DPSR与Lightweight CNN的磨粒识别方法 |
CN111353939A (zh) * | 2020-03-02 | 2020-06-30 | 中国科学院深圳先进技术研究院 | 一种基于多尺度特征表示与权值共享卷积层的图像超分辨率方法 |
CN111307681A (zh) * | 2020-03-11 | 2020-06-19 | 山东诺蓝信息科技有限公司 | 一种扬尘浓度检测装置及扬尘检测方法 |
CN111541894A (zh) * | 2020-04-21 | 2020-08-14 | 电子科技大学 | 一种基于边缘增强残差网络的环路滤波方法 |
Non-Patent Citations (4)
Title |
---|
Measuring molecular motions inside single cells with improved analysis of single-particle trajectories;David J. Rowland等;《Chemical Physics Letters》;20170224;第173-178页 * |
基于多尺度反向投影的图像超分辨率重建算法;熊亚辉;陈东方;王晓峰;;计算机工程(第07期);全文 * |
基于改进残差网络的水下图像重建方法;宋娅菲;谌雨章;沈君凤;曾张帆;;计算机科学(第S1期);全文 * |
基于深度超分辨率重建的监控图像人脸识别;朱海;王国中;范涛;杨露;;电子测量技术(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112082915A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
US9672601B2 (en) | System, method and computer-accessible medium for restoring an image taken through a window | |
CN104778671B (zh) | 一种基于sae和稀疏表示的图像超分辨率方法 | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN110363770B (zh) | 一种边缘引导式红外语义分割模型的训练方法及装置 | |
CN110517203B (zh) | 一种基于参考图像重建的去雾方法 | |
Sen et al. | Practical high dynamic range imaging of everyday scenes: Photographing the world as we see it with our own eyes | |
CN112082915B (zh) | 一种即插即用型大气颗粒物浓度检测装置及检测方法 | |
CN111539888B (zh) | 一种基于金字塔通道特征注意力的神经网络图像去雾方法 | |
CN114332355A (zh) | 一种基于深度学习的弱光多视图几何重建方法 | |
CN110443763A (zh) | 一种基于卷积神经网络的图像阴影去除方法 | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN107734271A (zh) | 高动态范围十亿像素视频生成方法 | |
CN111307681A (zh) | 一种扬尘浓度检测装置及扬尘检测方法 | |
CN112987026A (zh) | 一种基于混合神经网络的事件场合成孔径成像算法 | |
CN115272119A (zh) | 一种图像阴影去除方法、装置、计算机设备和存储介质 | |
EP3167428A1 (en) | Method and apparatus for up-scaling an image | |
CN110111267A (zh) | 一种基于优化算法结合残差网络的单幅图像除雨方法 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
Lv et al. | Low-light image enhancement via deep Retinex decomposition and bilateral learning | |
Peng et al. | Single-image raindrop removal using concurrent channel-spatial attention and long-short skip connections | |
CN115564671B (zh) | 基于长短曝光图像对的自监督图像复原系统 | |
CN116563157A (zh) | 一种基于深度学习的面向空间卫星低照度图像增强方法 | |
CN116597144A (zh) | 一种基于事件相机的图像语义分割方法 |
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 |