CN113344982B - 基于数据识别的工地粉尘控制数据处理方法 - Google Patents

基于数据识别的工地粉尘控制数据处理方法 Download PDF

Info

Publication number
CN113344982B
CN113344982B CN202110860734.7A CN202110860734A CN113344982B CN 113344982 B CN113344982 B CN 113344982B CN 202110860734 A CN202110860734 A CN 202110860734A CN 113344982 B CN113344982 B CN 113344982B
Authority
CN
China
Prior art keywords
dust
image
illumination
suppression device
obtaining
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
Application number
CN202110860734.7A
Other languages
English (en)
Other versions
CN113344982A (zh
Inventor
苏春锋
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.)
Nantong Mingren Construction Engineering Co ltd
Original Assignee
Nantong Mingren Construction Engineering 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 Nantong Mingren Construction Engineering Co ltd filed Critical Nantong Mingren Construction Engineering Co ltd
Priority to CN202110860734.7A priority Critical patent/CN113344982B/zh
Publication of CN113344982A publication Critical patent/CN113344982A/zh
Application granted granted Critical
Publication of CN113344982B publication Critical patent/CN113344982B/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D47/00—Separating dispersed particles from gases, air or vapours by liquid as separating agent
    • B01D47/06—Spray cleaning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2247/00—Details relating to the separation of dispersed particles from gases, air or vapours by liquid as separating agent
    • B01D2247/08—Means for controlling the separation process
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Image Analysis (AREA)

Abstract

本发明一种基于数据识别的工地粉尘控制数据处理方法，包括以下步骤：步骤
Figure 100004_DEST_PATH_IMAGE001
：采集施工现场的RGB图像，对RGB图像进行处理得到光照图像和粉尘图像；步骤
Figure 596424DEST_PATH_IMAGE002
：对连续帧的粉尘图像进行分析，并借助深度图像得到粉尘源的位置信息；步骤
Figure 100004_DEST_PATH_IMAGE003
：启动抑尘装置，利用粉尘光照关联特征实时监测粉尘的变化；步骤
Figure 450897DEST_PATH_IMAGE004
：根据步骤
Figure 695934DEST_PATH_IMAGE003
的监测结果，对抑尘装置的转速和方向进行实时反馈调节，保障抑尘效。本发明可通过数据识别和电数据处理技术实现抑尘装置作业过程中抑尘效果的实时监测，对抑尘装置的转速和方向进行实时的反馈调节，保障良好的抑尘效果。

Description

基于数据识别的工地粉尘控制数据处理方法
技术领域
本申请涉及数据识别领域，具体涉及一种基于数据识别的工地粉尘控制数据处理方法。
背景技术
随着诸如计算机大数据和人工智能的发展，已经开发了数据识别和电数据处理技术。特别地，已经开发了诸如人工智能图像识别、深度学习和机器学习的最新技术，自动识别数据并提供与数据有关的信息或提供与数据有关的服务的智能服务被用于各种领域，应用数据识别和电数据处理技术的各种领域，比如工地粉尘控制，现有技术是利用抑尘喷雾装置对粉尘进行抑制，但均是在开启抑尘装置之前，利用采集的工地环境图像与达到抑尘条件的环境图像进行对比，继而分析得出是否要开启抑尘喷雾装置进行抑尘的控制指令，由于抑尘喷雾装置开启后要喷出水雾进行抑尘，现有技术无法区分环境中粉尘和水雾，无法对抑尘过程中数据进行识别和电数据进行处理，就无法实现抑尘装置适时的启停，直接带来的问题是抑尘效果的不理想，以及水电资源的浪费。
发明内容
针对上述问题，本发明提出了一种基于数据识别的工地粉尘控制数据处理方法，该方法包括以下步骤：
步骤S1：采集施工现场的RGB图像，对RGB图像进行处理得到光照图像和粉尘图像；
步骤S2：对连续帧的粉尘图像进行分析，并借助深度图像得到粉尘源的位置信息；
步骤S3：启动抑尘装置，利用粉尘光照关联特征实时监测粉尘的变化；
步骤S4：根据步骤S3的监测结果，对抑尘装置的转速和方向进行实时反馈调节，保障抑尘效果。
有益效果：
（1）利用数据识别和电数据处理技术根据水雾和粉尘对光照的敏感度不同，构建粉尘光照关联特征，利用该特征很好的区分在抑尘装置作业时空气中的粉尘和水雾，实现抑尘装置作业过程中抑尘效果的实时监测，通过实时监测粉尘的变化，继而对抑尘装置的转速和方向进行实时的反馈调节，保障良好的抑尘效果，同时能控制抑尘装置的自动开启和关闭，减少水电资源的浪费。
（2）通过数据识别和电数据处理技术对连续帧的粉尘图像进行分析，并借助深度图像得到粉尘源的位置信息，利用粉尘源的位置控制抑尘装置的作业方向，从源头进行抑尘作业，可以有效的提高抑尘效率，此外，精准的对粉尘的源头进行喷雾抑尘，不仅可以防止粉尘的进一步扩散，同时可以解决大范围喷雾所造成的水资源利用不充分的问题。
附图说明
图1是本发明提供的一种基于数据识别的工地粉尘控制数据处理方法的流程图；
图2是本发明提供的一种基于数据识别的工地粉尘控制数据处理方法中卷积神经网络的结构示意图。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例和附图对本发明展开描述，参见图1。
为了实现本发明所述内容，本发明设计了一种基于数据识别的工地粉尘控制数据处理方法，包括以下步骤：
步骤S1：采集施工现场的RGB图像，对RGB图像进行处理得到光照图像和粉尘图像；
该步骤的目的对施工现场采集到的RGB图像进行拆分，得到反射分量图像、光照图像，并利用反射分量图像得到粉尘图像。该步骤的有益效果为：将RGB图像进行拆分，获得反应单独特征的图像，同时，利用反射分量图像得到粉尘图像去除了光照环境对粉尘特征的影响，有利于后续特征的处理和分析，避免冗余特征的干扰。
需要说明的是，施工场地部署的监控相机位姿固定，且为深度相机可以获得深度图像和RGB图像。深度图像用于后续粉尘源的定位。
首先搭建卷积神经网络，该卷积神经网络为RetinexNet网络的前半部分，目的是将图像P拆分为反射分量图像S和光照图像G，且满足P=S·G。需要说明的是，S为物体本身性质决定的恒定部分，不受外界环境的影响；G为图像中受外界光照影响的部分，为光照图像。
卷积神经网络由两个权值共享的两个分支构成，其具体结构见图2：
在训练阶段，输入两个图片对，分别经过两个权值共享的Encoder-Decoder结构，得到每张图片对应的反射分量图像S和光照图像G。用于训练的图像为低光照和正常光照的图像对，损失函数由重构损失、一致性损失和光照平滑损失三部分构成，具体公式为RetinexNet的公知技术，在此不再赘述。
利用梯度下降法更新网络的参数，完成训练。在使用过程中，仅需要选择一个分支即可，将施工场地采集到的RGB图像送入神经网络，得到反射分量图像S和光照图像G。需要说明的是，在光照图像G中，像素值为1的区域表示无外界光照，不为1的区域为受外界光照影响的区域，像素值反映外界光照强度。
进一步，对连续帧图像的反射分量图像S进行分析获得粉尘图像F。由于图像S中已经排除外界环境的影响，以确保得到准确的粉尘图像。粉尘在空气中处于运动状态，利用背景建模的方法得到图像S的背景图，用采集到的初始帧f与背景图做差得到差值图
Figure DEST_PATH_IMAGE001
，利用最大类间方差法获得阈值，进一步作阈值化操作得到图像
Figure 710888DEST_PATH_IMAGE002
，图中前景区域为运动物体，包括粉尘和其他运动物体。需要说明的是，粉尘的运动是无规则的扩散，且受风的影响较大所以粉尘运动产生的连通域的形状会发生很大变化，所以基于前后帧连通域的形状变化来判断运动物体是否为粉尘。具体的判断方法如下：
a)获得图像
Figure 728523DEST_PATH_IMAGE002
中所有连通域的中心点坐标，进一步按照同样的处理方法获得下一帧图像反射分量图像S对应的
Figure DEST_PATH_IMAGE003
，获得图像
Figure 19827DEST_PATH_IMAGE003
中所有连通域的中心点坐标，利用相邻帧图像的
Figure 552439DEST_PATH_IMAGE002
，
Figure 954602DEST_PATH_IMAGE003
各中心点坐标之间的距离进行连通域的匹配，距离最近的两个连通域为同一运动物体；
b)进一步判断同一运动物体在前后帧图像中连通域形状的变化ΔX。获得前后帧两个连通域的Hu不变矩特征，记为Hu1，Hu2。需要说明的是，Hu不变矩可以反映连通域的几何特征，具有旋转平移不变性，一个连通域的Hu不变矩为1行7列的向量。则连通域形状变化ΔX的计算方法为：
Figure 100002_DEST_PATH_IMAGE004
c)设定连通域形状变化阈值ΔX0，当检测到前后帧中同一运动物体的两个连通域的形状变化超过该阈值时，认为该运动物体为粉尘，否则为其他运动物体，将其他运动物体的连通域删除后得到初始帧图像中的粉尘区域图像，记为
Figure DEST_PATH_IMAGE005
，在图像
Figure 179190DEST_PATH_IMAGE005
中，有粉尘区域的像素值为1，其他区域的像素值为0，将图像
Figure 375816DEST_PATH_IMAGE005
与初始帧f的差值图
Figure 100002_DEST_PATH_IMAGE006
相乘，得到初始帧RGB图像的粉尘图像F，在粉尘图像F中，无粉尘的区域像素值为0，有粉尘的区域的像素值代表粉尘污染的严重程度。
d)需要说明的是，形状变化阈值ΔX0为经验阈值，由施工场地对粉尘控制的要求决定，本发明取值为ΔX0=1。
至此，得到每一帧RGB图像中的粉尘图像F和光照图像G。
步骤S2：对连续帧的粉尘图像进行分析，并借助深度图像得到粉尘源的位置信息；
该步骤的目的对步骤S2获得的粉尘图像进行分析，获得发生粉尘的源头。该步骤的有益效果为：获得粉尘源，利用粉尘源的位置控制抑尘装置的方向，从源头进行抑尘作业。
首先判断施工场地的粉尘量，当粉尘图像F中的灰度值之和超出阈值gF时，认为粉尘量超出指标，此时需要启动抑尘装置，执行步骤S2获得粉尘源，gF取值为
Figure 598987DEST_PATH_IMAGE007
，W，H为粉尘图像F的尺寸信息。
对步骤S2获得的连续帧粉尘图像F进行分析，利用光流法获得粉尘的运动向量，运动向量包括速度大小和速度方向。根据先验可以知道，粉尘的运动为从粉尘源开始朝着远离粉尘源的方向运动，所以沿着粉尘图像中所有速度向量的反方向延长，各延长线汇聚的点即为粉尘源头，考虑到粉尘运动受风力等环境因素的影响较大，用多粉尘源头的平均坐标作为最终的粉尘源头，将其坐标值记为（x0，y0）。
由于深度相机可以获得深度图像，获得粉尘源头（x0，y0）的深度信息，得到粉尘源头在世界坐标的三维坐标（x0，y0，h0）。进一步，由于监控相机的位姿固定，且抑尘装置的位置已知，可以获得粉尘源头与抑尘装置的相对位置
Figure DEST_PATH_IMAGE008
。
工地处在室外环境下，受各种施工机械、环境风力等因素的影响，粉尘数据变化较为复杂，及时的确定粉尘产生的源头，可以在短时间内防止粉尘扩散，避免其弥漫至更大区域，从而避免喷洒更大量的水雾，耗费更多的时间和水电资源，通过数据识别和电数据处理技术对粉尘源进行快速定位，使得抑尘效果得到了显著的提升。
步骤S3：启动抑尘装置，利用粉尘光照关联特征实时监测粉尘的变化；
该步骤的目的示数检测抑尘装置启动过程中粉尘的变化情况，用于步骤S4中的抑尘装置的实时调节。该步骤的有益效果为：创建粉尘光照关联特征，利用该特征值可以很好地区分抑尘装置作业过程中的水雾和粉尘，保障实时调节的准确性。
步骤S2获得粉尘源和抑尘装置的相对位置后，根据
Figure DEST_PATH_IMAGE009
确定方向，根据
Figure 100002_DEST_PATH_IMAGE010
确定抑尘装置转速，以确保水雾可以覆盖粉尘源。为了区分水雾和粉尘，根据水雾和粉尘对光的敏感度不同，本发明根据步骤S1获得同一帧图像P中的光照图像G和粉尘图像之间的关联特征，记为粉尘光照关联特征F&G，获取方法如下：
a)由于粉尘和水雾对光的敏感程度不同，在同等光照环境下，粉尘和水雾在图像中呈现的灰度值是不同的。粉尘光照关联特征F&G反映光照条件与粉尘灰度值的对应关系，利用该对应关系可以很好地区分粉尘和水雾。
b)在抑尘装置开启之前，利用步骤S1获得的采集到的图片P对应的光照图像G和粉尘图像F，根据粉尘图像可以获得图像P中有粉尘的所有位置信息；记录图像P中所有位置处的灰度值，得到{P1，P2，…，Pm}，其中m为出现粉尘的像素点数量；
c)进一步，将光照图像中所有的像素值置为0.5，得到光照图像模板G0.5；并获得各像素点光照强度的变化值，记粉尘位置i的光照强度变化值为|Δgi|。进一步得到光照图像模板G0.5对应的图像P0.5=S·G0.5。计算图像P0.5粉尘位置i处的像素值P0.5i与Pi的灰度值差异|ΔPi|。
d)则粉尘光照关联特征F&G的计算方法为：
Figure 273682DEST_PATH_IMAGE012
该特征反映粉尘灰度值变化与光照条件之间的对应关系。
在抑尘装置开启之后，得到的粉尘图像中检测到的有粉尘区域不仅包含粉尘，还会包含空气中运动的水雾。利用步骤S1的方法对实时采集的RGB图像拆分为光照图像G和粉尘图像F，根据步骤b)-c)的方法得到粉尘图像中有粉尘区域内所有位置j的|Δpi|和|Δgj|，获得粉尘区域内各位置j的|Δpi|和|Δgj|，获得粉尘区域内各位置j的光照关联特征
Figure DEST_PATH_IMAGE013
，当满足
Figure 265909DEST_PATH_IMAGE014
时，认为位置j为粉尘，保留粉尘图像F中该位置的像素值，否则该位置为水雾，将粉尘图像F中该位置的像素值置0。其中δ为允许误差范围，本发明取值为δ=0.5。
至此，得到抑尘装置作业时的粉尘图像Fnew，Fnew中像素值之和gFnew越小则表示抑尘效果越好，将gFnew作为抑尘效果指标。
步骤S4：根根据步骤S3的监测结果，对抑尘装置的转速和方向进行实时反馈调节，保障抑尘效果。
该步骤的目的实现抑尘装置的实时调节。当检测到连续5帧抑尘效果指标gFnew不下降时，利用获得粉尘图像Fnew执行步骤S2获得新的粉尘源，实时调节抑尘装置的风向和转速，抑尘装置为现有技术，此处不再赘述。当gFnew﹤gF时认为此时不需要降尘，关闭抑尘装置。实现抑尘装置的实时反馈调节和自动开启、关闭。
至此，本发明完成。

Claims (6)

1.一种基于数据识别的工地粉尘控制数据处理方法，其特征在于，包括以下步骤；
步骤S1：采集施工现场的RGB图像，对RGB图像进行处理得到光照图像和粉尘图像；对施工现场采集到的RGB图像P进行拆分，得到反射分量图像S、光照图像G，并利用反射分量图像S得到粉尘图像F，其具体方法步骤如下：
1）搭建卷积神经网络，该卷积神经网络为RetinexNet网络的前半部分，用于将图像P拆分为反射分量图像S和光照图像G，且满足P=S·G，S为物体本身性质决定的恒定部分，G为图像中受外界光照影响的部分，为光照图像；
2）进入训练阶段，输入两个图片对，分别经过两个权值共享的Encoder-Decoder结构，得到每张图片对应的反射分量图像S和光照图像G；
3）利用梯度下降法更新网络的参数，完成训练，在使用过程中，仅需要选择一个分支，将施工场地采集到的RGB图像送入神经网络，得到反射分量图像S和光照图像G；
其中，粉尘图像F通过对连续帧图像的反射分量图像S进行分析获得，利用背景建模的方法得到图像S的背景图，用采集到的初始帧f与背景图做差得到差值图
Figure DEST_PATH_IMAGE002_11A
，利用最大类间方差法获得阈值，进一步作阈值化操作得到图像
Figure DEST_PATH_IMAGE004
，图像
Figure DEST_PATH_IMAGE004A
前景区域为运动物体，包括粉尘和其他运动物体，具体的判断方法如下：
a）获得图像
Figure DEST_PATH_IMAGE004AA
中所有连通域的中心点坐标，进一步按照同样的处理方法获得下一帧图像反射分量图像S对应的
Figure DEST_PATH_IMAGE006
，获得图像
Figure DEST_PATH_IMAGE006A
中所有连通域的中心点坐标，利用相邻帧图像的
Figure DEST_PATH_IMAGE004AAA
，
Figure DEST_PATH_IMAGE006AA
各中心点坐标之间的距离进行连通域的匹配，距离最近的两个连通域为同一运动物体；
b）判断同一运动物体在前后帧图像中连通域形状的变化ΔX，获得前后帧两个连通域的Hu不变矩特征，记为Hu1，Hu2，其中，Hu不变矩可以反映连通域的几何特征，具有旋转平移不变性，一个连通域的Hu不变矩为1行7列的向量，则连通域形状变化ΔX的计算方法为：
Figure DEST_PATH_IMAGE008A
c）设定连通域形状变化阈值ΔX0，当检测到前后帧中同一运动物体的两个连通域的形状变化超过该阈值时，认为该运动物体为粉尘，否则为其他运动物体，将其他运动物体的连通域删除后得到初始帧图像中的粉尘区域图像，记为
Figure DEST_PATH_IMAGE010
，在图像
Figure DEST_PATH_IMAGE010A
中，有粉尘区域的像素值为1，其他区域的像素值为0，将图像
Figure DEST_PATH_IMAGE010AA
与初始帧f的差值图
Figure DEST_PATH_IMAGE012
相乘，得到初始帧RGB图像的粉尘图像F，在粉尘图像F中，无粉尘的区域像素值为0，有粉尘的区域的像素值代表粉尘污染的严重程度；
d）形状变化阈值ΔX0为经验阈值，由施工场地对粉尘控制的要求决定，取值为ΔX0=1，至此，得到每一帧RGB图像中的粉尘图像F和光照图像G；
步骤S2：对连续帧的粉尘图像进行分析，并借助深度图像得到粉尘源的位置信息；
步骤S3：启动抑尘装置，利用粉尘光照关联特征实时监测粉尘的变化；
步骤S4：根据步骤S3的监测结果，对抑尘装置的转速和方向进行实时反馈调节，保障抑尘效果。
2.根据权利要求1所述的基于数据识别的工地粉尘控制数据处理方法，其特征在于，所述步骤S2用于对获得的粉尘图像进行分析，获得发生粉尘的源头，首先判断施工场地的粉尘量，当粉尘图像F中的灰度值之和超出阈值gF时，认为粉尘量超出指标，此时需要启动抑尘装置，执行步骤S2获得粉尘源，gF取值为
Figure 229809DEST_PATH_IMAGE013
，W，H为粉尘图像F的尺寸信息，对步骤S1获得的连续帧粉尘图像F进行分析，利用光流法获得粉尘的运动向量，运动向量包括速度大小和速度方向，根据粉尘的运动为从粉尘源开始朝着远离粉尘源的方向运动的规律，将粉尘图像中所有速度向量的反方向延长，各延长线汇聚的点设定为粉尘源头，并用多粉尘源头的平均坐标作为最终的粉尘源头，将其坐标值记为（x0，y0），采用深度相机获得深度图像，继而获得粉尘源头（x0，y0）的深度信息，得到粉尘源头在世界坐标的三维坐标（x0，y0，h0），监控相机的位姿固定，且抑尘装置的位置已知，进而获得粉尘源头与抑尘装置的相对位置
Figure DEST_PATH_IMAGE014
。
3.根据权利要求2所述的基于数据识别的工地粉尘控制数据处理方法，其特征在于，所述步骤S3用于示数检测抑尘装置启动过程中粉尘的变化情况，并用于对步骤S4中的抑尘装置的实时调节，步骤S2获得粉尘源和抑尘装置的相对位置后，根据
Figure 819053DEST_PATH_IMAGE015
确定方向，根据
Figure DEST_PATH_IMAGE016
确定抑尘装置转速，以确保水雾可以覆盖粉尘源，为了区分水雾和粉尘，根据水雾和粉尘对光的敏感度不同，进而根据步骤S1获得同一帧图像P中的光照图像G和粉尘图像之间的关联特征，记为粉尘光照关联特征F&G。
4.根据权利要求3所述的基于数据识别的工地粉尘控制数据处理方法，其特征在于，所述粉尘光照关联特征F&G的获取方法如下：
Ⅰ）根据粉尘和水雾对光的敏感程度不同，在同等光照环境下，粉尘和水雾在图像中呈现的灰度值是不同的，粉尘光照关联特征F&G反映光照条件与粉尘灰度值的对应关系，利用该对应关系区分粉尘和水雾；
Ⅱ）在抑尘装置开启之前，利用步骤S1获得的采集到的图片P对应的光照图像G和粉尘图像F，根据粉尘图像可以获得图像P中有粉尘的所有位置信息，记录图像P中所有位置处的灰度值，得到{P1，P2，…，Pm}，其中m为出现粉尘的像素点数量；
Ⅲ）将光照图像中所有的像素值置为0.5，得到光照图像模板G0.5；并获得各像素点光照强度的变化值，记粉尘位置i的光照强度变化值为|Δgi|，进一步得到光照图像模板G0.5对应的图像P0.5=S·G0.5，计算图像P0.5粉尘位置i处的像素值P0.5i与Pi的灰度值差异|ΔPi|；
Ⅳ）则粉尘光照关联特征F&G的计算方法为：
Figure DEST_PATH_IMAGE018
通过该特征反映粉尘灰度值变化与光照条件之间的对应关系。
5.根据权利要求4所述的基于数据识别的工地粉尘控制数据处理方法，其特征在于，所述抑尘装置开启之后，得到的粉尘图像中检测到的有粉尘区域包含粉尘和空气中运动的水雾，利用步骤S1的方法对实时采集的RGB图像拆分为光照图像G和粉尘图像F，继而得到粉尘图像中有粉尘区域内所有位置j的|Δpi|和|Δgj|，获得粉尘区域内各位置j的光照关联特征
Figure 864370DEST_PATH_IMAGE019
，当满足
Figure DEST_PATH_IMAGE020
时，认为位置j为粉尘，保留粉尘图像F中该位置的像素值，否则该位置为水雾，至此，得到抑尘装置作业时的粉尘图像Fnew，Fnew中像素值之和gFnew，将gFnew作为抑尘效果指标。
6.根据权利要求5所述的基于数据识别的工地粉尘控制数据处理方法，其特征在于，所述步骤S4用于实现抑尘装置的实时调节，当检测到连续5帧抑尘效果指标gFnew不下降时，利用抑尘后获得的粉尘图像Fnew执行步骤S2获得新的粉尘源，实时调节抑尘装置的风向和转速，当gFnew﹤gF时，认为此时不需要降尘，关闭抑尘装置，实现抑尘装置的实时反馈调节和自动开启、关闭。
CN202110860734.7A 2021-07-29 2021-07-29 基于数据识别的工地粉尘控制数据处理方法 Active CN113344982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110860734.7A CN113344982B (zh) 2021-07-29 2021-07-29 基于数据识别的工地粉尘控制数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110860734.7A CN113344982B (zh) 2021-07-29 2021-07-29 基于数据识别的工地粉尘控制数据处理方法

Publications (2)

Publication Number Publication Date
CN113344982A CN113344982A (zh) 2021-09-03
CN113344982B true CN113344982B (zh) 2021-11-19

Family

ID=77480449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110860734.7A Active CN113344982B (zh) 2021-07-29 2021-07-29 基于数据识别的工地粉尘控制数据处理方法

Country Status (1)

Country Link
CN (1) CN113344982B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516108B (zh) * 2021-09-10 2021-12-07 江苏正金建筑装饰工程有限公司 基于数据识别的工地抑尘数据匹配处理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108845536B (zh) * 2018-04-20 2020-11-03 燕山大学 一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法
CN110874823A (zh) * 2018-09-03 2020-03-10 中国矿业大学(北京) 一种基于暗原色先验与同态滤波的矿井雾尘图像增强方法
CN111754638B (zh) * 2020-07-08 2021-02-19 湖南九九智能环保股份有限公司 一种堆场内的自动抑尘降尘系统及堆场内抑尘降尘方法

Also Published As

Publication number Publication date
CN113344982A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN107251096B (zh) 图像捕获装置和方法
CN110021033B (zh) 一种基于金字塔孪生网络的目标跟踪方法
Wu et al. An adaptive self-organizing color segmentation algorithm with application to robust real-time human hand localization
CN112990310A (zh) 服务于电力机器人的人工智能系统及方法
CN110059642B (zh) 人脸图像筛选方法与装置
CN111968048B (zh) 电力巡检少样本图像数据增强方法及系统
CN108171133B (zh) 一种基于特征协方差矩阵的动态手势识别方法
CN104517125B (zh) 高速物体的图像实时跟踪方法与系统
CN111680594A (zh) 一种基于手势识别的增强现实交互方法
CN108229587A (zh) 一种基于飞行器悬停状态的输电杆塔自主扫描方法
CN113344982B (zh) 基于数据识别的工地粉尘控制数据处理方法
CN113516108B (zh) 基于数据识别的工地抑尘数据匹配处理方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN114549557A (zh) 一种人像分割网络训练方法、装置、设备及介质
Yi et al. Detection and localization for lake floating objects based on CA-faster R-CNN
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
Sun et al. Real-time and fast RGB-D based people detection and tracking for service robots
Vidhate et al. Virtual paint application by hand gesture recognition system
CN109977884A (zh) 目标跟随方法和装置
CN106125941B (zh) 多设备切换控制装置及多设备控制系统
CN113673331B (zh) 一种基于多目标跟踪的移动机器人预见性导航方法
WO2023069086A1 (en) System and method for dynamic portrait relighting
JP6995714B2 (ja) 特定装置、特定方法及び特定プログラム
CN112598742A (zh) 一种基于图像和雷达数据的舞台交互系统
Ji et al. Robust rgb-d slam in dynamic environments for autonomous vehicles

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