CN112213244B - 基于机器学习的机动车尾气林格曼黑度测量装置及方法 - Google Patents
基于机器学习的机动车尾气林格曼黑度测量装置及方法 Download PDFInfo
- Publication number
- CN112213244B CN112213244B CN202011163205.3A CN202011163205A CN112213244B CN 112213244 B CN112213244 B CN 112213244B CN 202011163205 A CN202011163205 A CN 202011163205A CN 112213244 B CN112213244 B CN 112213244B
- Authority
- CN
- China
- Prior art keywords
- tail gas
- motor vehicle
- frame
- blackness
- infrared
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 69
- 238000003860 storage Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 19
- 239000000779 smoke Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003331 infrared imaging Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- G01N15/06—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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
Abstract
本发明公开了一种基于机器学习的机动车尾气林格曼黑度测量装置及方法，装置包括照明光源，红外双目成像单元、可移动存储单元接口、数据处理单元、显示单元、固定三脚架，所述数据处理单元还包括图像处理模块和等级判定模块。同时本发明还公开了一种基于机器学习的机动车尾气林格曼黑度测量方法通过红外双目成像单元获取红外和可见光视频，以红外视频为主，可见光视频为辅，分别对红外视频和可见光视频均进行帧间差分和滤波运算，将除机动车尾气之外的其他背景去除，对去除背景的机动车尾气图像进行特征提取以及线性建模，利用机器学习的方法对机动车尾气图片进行黑度判定。具有高精度，高效率，智能化，结构简单，操作方便等优点。
Description
技术领域
本发明涉及环境测量检测技术领域，具体涉及一种基于机器学习的机动车尾气林格曼黑度测量装置及方法。
背景技术
随着交通运输技术的发展给人类生活带来了诸多便利，但也带来了威胁人类健康的尾气污染。尤其机动车样式多、分布广和流动快的特点更是加剧了环境的污染，其中以柴油车排放影响最严重。柴油发动机主要应用于工程机械、农业机械、林业机械、发电机组、空气压缩机等。大量柴油机械在工农业中的应用使得执法部门对发动机尾气的检测需求越来越高。但是，目前对机动车尾气的检测主要还是基于人工检测，不仅耗费人力而且检测精度和准确度也不准，存在比较大的问题，具体如下：
不透光烟度计法可以检测机动车低浓度的颗粒物排放，实现尾气烟度的连续测量，但该方法取样复杂，检测时效率低；林格曼测烟仪法是一种使用林格曼黑度作为标准进行烟度测量的方法。该方法将烟雾的透光率与标准黑度板进行对比，再进行信号转换显示等级，其缺点是精度低且对背景要求高，同时需半自动化近距离测量，长期检测对检测人员身体影响很大；现有的遥测法，由于缺乏图像的红外特征，利用图像技术中的帧间差分法无法进行精确分割，特别是夜间分割效果更差。因此现有遥测法会导致环境噪声大，等级判定精度不高等缺点。
发明内容
本发明提出的一种基于机器学习的机动车尾气林格曼黑度测量装置及方法，实现非道路柴油车尾气的高精度高效率全自动化检测，有效反应非道路柴油车的尾气污染情况并减少人力成本。
为实现上述目的，本发明采用了以下技术方案：
一种基于机器学习的机动车尾气林格曼黑度测量装置，包括照明光源，红外双目成像单元、可移动存储单元、数据处理单元、固定三脚架，所述数据处理单元还包括图像处理模块和等级判定模块；
所述照明光源为环绕于红外双目成像单元四周的环状光源，用于夜间测量时主动发出可见光照射机动车尾气；
所述红外双目成像单元，用于同时拍摄机动车尾气的可见光波段图像和红外波段图像，被安装在在固定三脚架上，将成像视野调整到机动车排出的尾气范围，连续拍摄机动车尾气从无烟气到有烟气整个排放状态，并将拍摄到的视频存储到可移动存储单元上，通过可移动存储单元接口中的存储介质传输到数据处理单元中。
进一步的，所述存储介质是USB存储器、SD卡或硬盘。
进一步的，所述可移动存储单元接口，用于临时存储并传送拍摄的可见光尾气视频和红外尾气视频；
红外双目成像单元和图像处理单元上的可移动存储单元接口通过存储介质连接，进行数据传输，将拍摄的视频拷贝到图像处理单元中。
进一步的，还包括显示单元；
所述数据处理单元，用于提取视频中无烟帧X和有烟帧Y，并利用图像处理中的帧间差分法，分别对可见光和红外视频中无烟帧和有烟帧进行作差，得到尾气的目标Z1和Z2，融合Z1和Z2相交的尾气范围得到Z3，基于Z3和机器学习算法计算得到林格曼黑度等级，并将Z3传输到显示单元上。
另一方面，本发明还公开一种基于机器学习的机动车尾气林格曼黑度测量方法，基于上述基于机器学习的机动车尾气林格曼黑度测量装置，包括以下步骤：
a.将红外双目成像单元固定在固定三脚架上，并调整红外双目成像单元的水平和俯仰角使得成像区域包含机动车排放的所有尾气范围；
b.打开红外双目成像单元快门，同时启动机动车开始启动产生尾气，拍摄尾气从无到有的连续状态，通过可移动存储单元传输给数据处理单元，如果夜间拍摄则需打开照明光源；
c.利用数据处理单元中图像处理模块对传输来的视频进行处理，利用帧间差分法得到无烟帧和有烟帧并作差，将得到的结果传输给等级判定模块；
d.重复步骤b和步骤c，直到等级判定模块得到定量的处理好的尾气图片；
e.利用数据处理单元中的等级判定模块对处理好的尾气进行林格曼黑度等级判定，利用图像处理模块传来的处理好的尾气图片，基于这些图片分为训练集和测试集，建立线性回归模型并拟合参数优化等级判定模块；
f.步骤b和步骤c，将新得到的尾气图片传入到优化后的等级判定模块，最终得到尾气的林格曼黑度等级。
进一步的，
步骤c中所述利用帧间差分法的步骤是：
c1.读取可移动存储单元中的机动车尾气红外成像视频ZZ1和可见光视频ZZ2；
c2.利用数据处理单元中的图像处理模块处理步骤c1中读取的视频ZZ1和ZZ2，将ZZ1和ZZ2中的第一帧和最后一帧分别作为机动车尾气的无烟帧X1、X2和有烟帧Y1、Y2，ZZ2中的最后一帧Y2也为模板帧；
c3.利用数据处理单元中的图像处理模块对无烟帧X和有烟帧Y进行作差、二值化以及中值滤波，得到机动车尾气区域的二值化分割图Z1和Z2，融合Z1和Z2相交的机动车尾气范围得到Z3；
c4.利用数据处理单元中的图像处理模块对Z3与可见光视频ZZ2中的模板帧Y2进行与运算，得到去除背景后的可见光机动车尾气分割图Z4，将Z4传送到显示单元和等级判定模块中。
进一步的，步骤e中所述林格曼黑度等级判定方法步骤为：
e1.利用数据处理单元中的等级判定模块对图像处理模块中传来的n张可见光尾气分割图进行特征提取，每张图片提取m维与机动车尾气灰度值以及像素之间关系相关的特征，得到n*m维特征向量；
e2.将步骤e1中得到的n*m维向量按照3:1的比例随机分成训练集和测试集，训练集为(3n/4)*m维向量，测试集为(n/4)*m维向量；
e3.建立m元线性模型，利用步骤e2中得到的训练集对模型进行迭代训练，最终得到m元线性模型的m个线性元参数；
e4.利用步骤e2中得到的测试集对模型进行测试验证，确定模型的正确性与稳定性；
输入k*m维向量，经过m元线性模型计算得到k个林格曼黑度等级。
由上述技术方案可知，本发明的基于机器学习的机动车尾气林格曼黑度测量装置和测量方法，通过红外双目成像单元获取红外和可见光视频，以红外视频为主，可见光视频为辅，对视频进行帧间差分和滤波运算，将机动车尾气背景去除。对去除背景的机动车尾气图像进行特征提取以及线性建模，利用机器学习的方法对机动车尾气图片进行黑度判定。具有结构简单，操作方便，高精度，高效率，智能化等优点。
与现有技术相比，本发明具有以下有益效果：
1.等级判定精度高：本发明通过所述线性回归算法能够预测尾气的灰度值，再将灰度值转换成相应黑度等级，由于能预测到具体的灰度值，因此大大提升了等级判定的精度。
2.准确性高误判率低：本发明同时引入红外和可见光摄像头，能够更准确的实现高温尾气区域的定位与分割，并基于大量的尾气数据学习模型的参数，比直接根据读取灰度值判定以及现场执法中的人眼判别得到的结果更加准确。
3.适用范围广：本发明由于引入红外摄像头，能够适用于不同光照条件和复杂背景，特别适合光照度低的情景以及夜晚执法。
3.检测效率高：本发明主要是基于算法实现尾气分割和林格曼黑度等级，通过计算机的智能识别和高效计算得到机动车排放尾气的车林格曼黑度等级，不仅节省人力成本，同时极大的提高了检测效率。
4.测量可靠性和稳定性强：本发明利用图像算法和机器学习算法识别尾气林格曼黑度，不会受到人工因素干扰，仅跟尾气数据集本身和模型收敛程度有关，因此具有较高的可靠性和稳定性。
5.非接触式检测：本发明主要基于图像技术进行遥感检测，无需执法人员接触黑烟，对人体损伤小。
6.本发明检测装置属于便携式装置，体积小、重量轻并且价格便宜，非常适合现场执法应用。
附图说明
图1是本发明装置的结构示意图；
图2是本发明从图像采集到林格曼黑度等级判定的整体架构流程示意图；
图3是本发明针对可见光视频基于计算机视觉的视频目标分割算法流程示意图；
图4是本发明针对红外光视频基于计算机视觉的视频目标分割算法流程示意图；
图5是本发明基于线性回归的林格曼黑度等级判定算法流程示意图；
图6是线性回归模型训练效果图；
图7是测试等级判定结果与正确结果的准确率对比图；
图8是本发明装置现场应用示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的基于机器学习的机动车尾气林格曼黑度测量装置，包括照明光源1，红外双目成像单元2、可移动存储单元3、数据处理单元4、固定三脚架6，所述数据处理单元4还包括图像处理模块41和等级判定模块42；
所述照明光源1为环绕于红外双目成像单元2四周的环状光源，用于夜间测量时主动发出可见光照射机动车尾气，可提高可见光成像的质量。
所述红外双目成像单元2，用于同时拍摄机动车尾气的可见光波段图像和红外波段图像，被安装在在固定三脚架6上，将成像视野调整到机动车排出的尾气范围，连续拍摄机动车尾气从无烟气到有烟气整个排放状态，并将拍摄到的视频存储到可移动存储单元3上，通过可移动存储单元接口3中的存储介质传输到数据处理单元4中。
所述固定三脚架6，用于固定红外成像单元，防止拍摄画面抖动。
其中，所述存储介质是USB存储器或SD卡等。
所述可移动存储单元接口3，用于临时存储并传送拍摄的可见光尾气视频和红外尾气视频；红外双目成像单元2和图像处理单元上41的可移动存储单元接口通过存储介质连接，进行数据传输，将拍摄的视频拷贝到图像处理单元4中。
还包括显示单元5；所述数据处理单元4，用于提取视频中无烟帧X和有烟帧Y，并利用图像处理中的帧间差分法，分别对可见光和红外视频中无烟帧和有烟帧进行作差，得到尾气的目标Z1和Z2，融合Z1和Z2相交的尾气范围得到Z3，基于Z3和机器学习算法计算得到林格曼黑度等级，并将Z3传输到显示单元5上；所述显示单元5，用于显示识别到的机动车尾气，即所述的图片Z3；其中融合Z1和Z2两张图片的算法具体为基于二值图像中的与运算，得到两张图片中的相交区域。
其中，本发明实施例的基于机器学习的机动车尾气林格曼黑度测量方法，包括以下步骤：
a.将红外双目成像单元2固定在固定三脚架6上，并调整红外双目成像单元2的水平和俯仰角使得成像区域包含机动车排放的所有尾气范围；
b.打开红外双目成像单元2快门，同时启动机动车开始启动产生尾气，拍摄尾气从无到有的连续状态，通过可移动存储单元3传输给数据处理单元4，如果夜间拍摄则需打开照明光源1；
c.利用数据处理单元4中图像处理模块41对传输来的视频进行处理，利用帧间差分法得到无烟帧和有烟帧并作差，将得到的结果传输给等级判定模块42；
d.重复步骤b和步骤c，直到等级判定模块42得到定量的处理好的尾气图片；
e.利用数据处理单元4中的等级判定模块42对处理好的尾气进行林格曼黑度等级判定，利用图像处理模块传来的处理好的尾气图片，基于这些图片分为训练集和测试集，建立线性回归模型并拟合参数优化等级判定模块42；
f.步骤b和步骤c，将新得到的尾气图片传入到优化后的等级判定模块42，最终得到尾气的林格曼黑度等级。
其中，步骤c中所述利用帧间差分法的步骤是：
c1.读取可移动存储单元3中的机动车尾气红外成像视频ZZ1和可见光视频ZZ2；
c2.利用数据处理单元4中的图像处理模块41处理步骤c1中读取的视频ZZ1和ZZ2，将ZZ1和ZZ2中的第一帧和最后一帧分别作为机动车尾气的无烟帧X1、X2和有烟帧Y1、Y2，ZZ2中的最后一帧Y2也为模板帧；
c3.利用数据处理单元4中的图像处理模块41对无烟帧X和有烟帧Y进行作差、二值化以及中值滤波，得到机动车尾气区域的二值化分割图Z1和Z2，融合Z1和Z2相交的机动车尾气范围得到Z3；
c4.利用数据处理单元4中的图像处理模块41对Z 3与可见光视频ZZ 2中的模板帧Y 2进行与运算，得到去除背景后的可见光机动车尾气分割图Z 4，将Z 4传送到显示单元5和等级判定模块42中。
步骤e中所述林格曼黑度等级判定方法步骤为：
e1.利用数据处理单元4中的等级判定模块42对图像处理模块41中传来的n张可见光尾气分割图进行特征提取，每张图片提取m维与机动车尾气灰度值以及像素之间关系相关的特征，得到n*m维特征向量；
e2.将步骤e1中得到的n*m维向量按照3:1的比例随机分成训练集和测试集，训练集为(3n/4)*m维向量，测试集为(n/4)*m维向量；
e3.建立m元线性模型，利用步骤e2中得到的训练集对模型进行迭代训练，最终得到m元线性模型的m个线性元参数；
e4.利用步骤e2中得到的测试集对模型进行测试验证，确定模型的正确性与稳定性；
e5.输入k*m维向量，经过m元线性模型计算得到k个林格曼黑度等级。
具体的说，本发明所述的可见光视频和红外视频都是基于同一个被固定的摄像源但两者帧率和尺寸都不一样，设计了插值尺寸匹配法和帧率匹配方法使双目摄像头采集的两种视频都使用于同一运动目标分割算法；
参见图2，3，4，5，本发明的实施例提供了一种基于视频分割和线性回归的柴油车尾气林格曼黑度等级判定算法，其中包括图像采集模块、运动目标分割模块、目标特征提取模块和林格曼黑度等级判定模块以及各模块之间的承接关系，图3,4,5给出了尾气分割算法和黑度等级判定算法的算法流程图。
图像采集过程为：首先，在拍摄之前的准备：搭好燃烧排气平台，在排气口中间部位制作挡板用以控制烟雾的有无，待燃料、平台和拍摄条件就绪之后开始燃烧产生烟雾；其次，关于烟雾采集，待烟雾能持续不间断冒出时加上挡板，开始拍摄采集视频，在拍摄开始之后撤掉挡板完成视频采集，每个视频长度在5s左右最佳，多次拍摄采集更多样本；最后，视频的保存：将摄像源的存储卡中多次拍摄的视频转入计算机中方便处理。
运动目标分割流程参见图3和图4，首先，用计算机读入已经采集到的视频并分别读出视频开始帧和结束帧分别代表无烟帧和有烟帧；其次，利用帧间差分法进行作差并二值化操作得到初始的尾气区域模板；最后，利用形态学方法对帧间差分法得到的结果进行滤波并与原图进行与运算得到尾气原图区域。
林格曼黑度等级判定过程参见图5，首先，准备数据集，对分割后的尾气图像进行图像增强并统计需要的每个特征分量的特征值；然后，对数据集按一定比例进行分开，例如75％和25％，其中数据集占比较多的一部分用来训练模型，剩下的用做测试集来判断模型参数是否可行；其次，利用训练得到的模型结果对测试集进行测试，输出测试样本原结果与模型输出结果的对比图以及林格曼黑度等级判定准确率；最后，多次对数据集随机分类并训练和测试模型，观察实验结果是否稳定，若分类准确率较稳定则证明本发明林格曼黑度等级判定算法可行。
图8是本发明装置现场应用示意图，由上可知，本发明的基于机器学习的机动车尾气林格曼黑度测量装置和测量方法，通过红外双目成像单元获取红外和可见光视频，以红外视频为主，可见光视频为辅，对视频进行帧间差分和滤波运算，将机动车尾气背景去除。对去除背景的机动车尾气图像进行特征提取以及线性建模，利用机器学习的方法对机动车尾气图片进行黑度判定。具有结构简单，操作方便，高精度，高效率，智能化等优点。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种基于机器学习的机动车尾气林格曼黑度测量装置，其特征在于，包括照明光源(1)，红外双目成像单元(2)、可移动存储单元(3)、数据处理单元(4)、固定三脚架(6)，所述数据处理单元(4)还包括图像处理模块(41)和等级判定模块(42)；
所述照明光源(1)为环绕于红外双目成像单元(2)四周的环状光源，用于补光；
所述红外双目成像单元(2)，用于同时拍摄机动车尾气的可见光波段图像和红外波段图像，被安装在在固定三脚架(6)上，用于连续拍摄机动车尾气从无烟气到有烟气的整个排放状态，并将拍摄到的视频存储到可移动存储单元(3)上，通过可移动存储单元接口(3)中的存储介质传输到数据处理单元(4)中；
还包括显示单元(5)；
所述数据处理单元(4)，用于提取视频中无烟帧X和有烟帧Y，并利用图像处理中的帧间差分法，分别对可见光和红外视频中无烟帧和有烟帧进行作差，得到尾气目标Z1和Z2，融合Z1和Z2相交的尾气范围得到Z3，基于Z3和机器学习算法计算得到林格曼黑度等级，并将Z3传输到显示单元(5)上；
还包括一种基于机器学习的机动车尾气林格曼黑度测量方法，基于所述的基于机器学习的机动车尾气林格曼黑度测量装置，包括以下步骤：
a.将红外双目成像单元(2)固定在固定三脚架(6)上，并调整红外双目成像单元(2)的水平和俯仰角使得成像区域包含机动车排放的所有尾气范围；
b.先打开红外双目成像单元(2)后，再启动机动车开始启动产生尾气，拍摄尾气从无到有的连续状态，通过可移动存储单元(3)传输给数据处理单元(4)，如果夜间拍摄则需打开照明光源(1)；
c.利用数据处理单元(4)中图像处理模块(41)对传输来的视频进行处理，利用帧间差分法得到无烟帧和有烟帧并作差，将得到的结果传输给等级判定模块(42)；
d.重复步骤b和步骤c，直到等级判定模块(42)得到定量的处理好的尾气图片；
e.利用数据处理单元(4)中的等级判定模块(42)对处理好的尾气进行林格曼黑度等级判定，利用图像处理模块传来的处理好的尾气图片，基于这些图片分为训练集和测试集，建立线性回归模型并拟合参数优化等级判定模块(42)；
f.步骤b和步骤c，将新得到的尾气图片传入到优化后的等级判定模块(42)，最终得到尾气的林格曼黑度等级；
所述步骤c中所述利用帧间差分法的步骤是：
c1.读取可移动存储单元(3)中的机动车尾气红外成像视频ZZ1和可见光视频ZZ2；
c2.利用数据处理单元(4)中的图像处理模块(41)处理步骤c1中读取的视频ZZ1和ZZ2，将ZZ1和ZZ2中的第一帧和最后一帧分别作为机动车尾气的无烟帧X1、X2和有烟帧Y1、Y2，ZZ2中的最后一帧Y2也为模板帧；
c3.利用数据处理单元(4)中的图像处理模块(41)对无烟帧X和有烟帧Y进行作差、二值化以及中值滤波，得到机动车尾气区域的二值化分割图Z1和Z2，融合Z1和Z2相交的机动车尾气范围得到Z3；
c4.利用数据处理单元(4)中的图像处理模块(41)对Z3与可见光视频ZZ2中的模板帧Y2进行与运算，得到去除背景后的可见光机动车尾气分割图Z4，将Z4传送到显示单元(5)和等级判定模块(42)中；
步骤e中所述林格曼黑度等级判定方法步骤为：
e1.利用数据处理单元(4)中的等级判定模块(42)对图像处理模块(41)中传来的n张可见光尾气分割图进行特征提取，每张图片提取m维与机动车尾气灰度值以及像素之间关系相关的特征，得到n*m维特征向量；
e2.将步骤e1中得到的n*m维向量按照3:1的比例随机分成训练集和测试集，训练集为(3n/4)*m维向量，测试集为(n/4)*m维向量；
e3.建立m元线性模型，利用步骤e2中得到的训练集对模型进行迭代训练，最终得到m元线性模型的m个线性元参数；
e4.利用步骤e2中得到的测试集对模型进行测试验证，确定模型的正确性与稳定性；
输入k*m维向量，经过m元线性模型计算得到k个林格曼黑度等级。
2.根据权利要求1所述的基于机器学习的机动车尾气林格曼黑度测量装置，其特征在于：所述可移动存储单元(3)接口，用于临时存储并传送拍摄的可见光尾气视频和红外尾气视频；
红外双目成像单元(2)和图像处理单元上(41)的可移动存储单元(3)接口通过存储介质连接，进行数据传输，将拍摄的视频传输到图像处理单元(4)中。
3.根据权利要求1所述的基于机器学习的机动车尾气林格曼黑度测量装置，其特征在于：所述存储介质是USB存储器、SD卡或硬盘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011163205.3A CN112213244B (zh) | 2020-10-27 | 2020-10-27 | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011163205.3A CN112213244B (zh) | 2020-10-27 | 2020-10-27 | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112213244A CN112213244A (zh) | 2021-01-12 |
| CN112213244B true CN112213244B (zh) | 2023-10-10 |
Family
ID=74056926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011163205.3A Active CN112213244B (zh) | 2020-10-27 | 2020-10-27 | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112213244B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116127616B (zh) * | 2023-04-19 | 2023-06-27 | 中汽研汽车检验中心(昆明)有限公司 | 一种柴油车道路氮氧化物尾气排放实时监控方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102456142A (zh) * | 2010-11-02 | 2012-05-16 | 上海宝信软件股份有限公司 | 一种基于计算机视觉的烟气黑度分析方法 |
| CN103808723A (zh) * | 2014-02-27 | 2014-05-21 | 中国科学技术大学 | 一种柴油车烟气黑度自动检测装置 |
| CN105761275A (zh) * | 2015-11-03 | 2016-07-13 | 天津艾思科尔科技有限公司 | 带有双目视觉结构的消防预警飞行器 |
| CN106023199A (zh) * | 2016-05-19 | 2016-10-12 | 重庆扬讯软件技术有限公司 | 一种基于图像分析技术的烟气黑度智能检测方法 |
| CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
| CN108007573A (zh) * | 2017-12-04 | 2018-05-08 | 佛山市南海区环境保护监测站（佛山市南海区机动车排气污染管理所） | 一种机动车尾气黑度分析系统及方法 |
| CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
| CN108776090A (zh) * | 2018-02-28 | 2018-11-09 | 中国地质大学（武汉） | 一种基于机器视觉的柴油车排放黑烟浓度测量方法及系统 |
| CN109911550A (zh) * | 2019-04-17 | 2019-06-21 | 华夏天信（北京）智能低碳技术研究院有限公司 | 基于红外热成像与可见光视频分析的刮板运输机保护装置 |
| CN110660222A (zh) * | 2019-11-01 | 2020-01-07 | 河北工业大学 | 一种智能环保道路黑烟车辆电子抓拍系统 |
| CN110910378A (zh) * | 2019-11-29 | 2020-03-24 | 南通大学 | 一种基于深度融合网络的双模态图像能见度检测方法 |
| CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
| CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
| CN111462451A (zh) * | 2019-11-01 | 2020-07-28 | 武汉纺织大学 | 基于视频信息的秸秆焚烧检测报警系统 |
-
2020
- 2020-10-27 CN CN202011163205.3A patent/CN112213244B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102456142A (zh) * | 2010-11-02 | 2012-05-16 | 上海宝信软件股份有限公司 | 一种基于计算机视觉的烟气黑度分析方法 |
| CN103808723A (zh) * | 2014-02-27 | 2014-05-21 | 中国科学技术大学 | 一种柴油车烟气黑度自动检测装置 |
| CN105761275A (zh) * | 2015-11-03 | 2016-07-13 | 天津艾思科尔科技有限公司 | 带有双目视觉结构的消防预警飞行器 |
| CN106023199A (zh) * | 2016-05-19 | 2016-10-12 | 重庆扬讯软件技术有限公司 | 一种基于图像分析技术的烟气黑度智能检测方法 |
| CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
| CN108007573A (zh) * | 2017-12-04 | 2018-05-08 | 佛山市南海区环境保护监测站（佛山市南海区机动车排气污染管理所） | 一种机动车尾气黑度分析系统及方法 |
| CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
| CN108776090A (zh) * | 2018-02-28 | 2018-11-09 | 中国地质大学（武汉） | 一种基于机器视觉的柴油车排放黑烟浓度测量方法及系统 |
| CN109911550A (zh) * | 2019-04-17 | 2019-06-21 | 华夏天信（北京）智能低碳技术研究院有限公司 | 基于红外热成像与可见光视频分析的刮板运输机保护装置 |
| CN110660222A (zh) * | 2019-11-01 | 2020-01-07 | 河北工业大学 | 一种智能环保道路黑烟车辆电子抓拍系统 |
| CN111462451A (zh) * | 2019-11-01 | 2020-07-28 | 武汉纺织大学 | 基于视频信息的秸秆焚烧检测报警系统 |
| CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
| CN110910378A (zh) * | 2019-11-29 | 2020-03-24 | 南通大学 | 一种基于深度融合网络的双模态图像能见度检测方法 |
| CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| 基于BP的烟气林格曼黑度级测量研究;包信宗等;《聊城大学学报（自然科学版）》;20090630;第22卷(第2期);全文 * |
| 基于可见光/红外图像的夜间道路场景语义分割;吴骏逸;谷小婧;顾幸生;;华东理工大学学报(自然科学版)(02);全文 * |
| 基于可见光与红外图像特征融合的目标跟踪;闫钧华;陈少华;许俊峰;储林臻;;中国惯性技术学报(04);全文 * |
| 基于深度学习的红外与可见光决策级融合跟踪;唐聪;凌永顺;杨华;杨星;同武勤;;激光与光电子学进展(07);全文 * |
| 基于红外和可见光融合的目标跟踪;王凯;韦宏利;陈超波;曹凯;;计算机系统应用(01);全文 * |
| 基于远红外热影像融合机器学习及专家领域特征的夜间道路障碍物侦测;陈禀翰;陈柏全;陈志铿;陈永耀;;同济大学学报(自然科学版)(S1);全文 * |
| 面向鲁棒视觉监控的热红外与可见光视频融合运动目标检测;张笙;李郁峰;严云洋;徐铭蔚;熊平;唐遵烈;;红外技术(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112213244A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
| CN108537122A (zh) | 包含气象参数的图像融合采集系统及图像存储方法 | |
| CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
| CN113609907B (zh) | 一种多光谱数据的获取方法、装置及设备 | |
| CN112213244B (zh) | 基于机器学习的机动车尾气林格曼黑度测量装置及方法 | |
| CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
| CN115409814A (zh) | 一种基于融合图像的光伏组件热斑检测方法及系统 | |
| CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
| CN114170565A (zh) | 一种基于无人机航拍的图像对比方法、装置及终端设备 | |
| CN117215316B (zh) | 基于协同控制与深度学习的驾驶环境感知的方法和系统 | |
| CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
| CN117095246A (zh) | 基于偏振成像的深度学习指针仪表读数识别方法 | |
| CN116206221B (zh) | 一种水体耀斑检测方法和系统 | |
| CN114119713A (zh) | 一种基于人工智能与无人机遥感的林地空秃检测方法 | |
| Chidburee et al. | Toward 3D reconstruction of damaged vehicles for investigating traffic accidents in Thailand using a photogrammetric approach. | |
| CN113963230A (zh) | 一种基于深度学习的车位检测方法 | |
| CN110910379B (zh) | 一种残缺检测方法及装置 | |
| CN113344987A (zh) | 复杂背景下电力设备的红外与可见光图像配准方法及系统 | |
| CN112766068A (zh) | 一种基于网格化标注的车辆检测方法及系统 | |
| CN111504912A (zh) | 一种基于图像识别的空气污染观测系统及方法 | |
| CN110868586A (zh) | 一种摄像头缺陷自动化检测方法 | |
| CN112488991A (zh) | 一种基于r2cnn++算法的绝缘子自爆缺陷检测方法 | |
| CN114266837A (zh) | 一种道路标识检测方法、装置、设备及计算机存储介质 | |
| CN113628255B (zh) | 一种三光融合无损检测图像配准算法 | |
| CN111523492B (zh) | 一种黑烟车的检测方法 |
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 |