CN113516120A - 扬尘检测方法、图像处理方法、装置、设备及系统 - Google Patents
扬尘检测方法、图像处理方法、装置、设备及系统 Download PDFInfo
- Publication number
- CN113516120A CN113516120A CN202011481004.8A CN202011481004A CN113516120A CN 113516120 A CN113516120 A CN 113516120A CN 202011481004 A CN202011481004 A CN 202011481004A CN 113516120 A CN113516120 A CN 113516120A
- Authority
- CN
- China
- Prior art keywords
- image
- dust
- event
- detection area
- analyzed
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种扬尘检测方法、图像处理方法、装置、设备及系统。方法包括:获取与检测区域相对应的待分析图像;提取待分析图像的图像特征;确定用于标识图像中出现扬尘事件的标准特征;基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。本实施例提供的技术方案,通过获得检测区域的待分析图像,而后对待分析图像进行分析处理,具体结合扬尘的静态特征和动态特征对扬尘事件进行识别,即可识别出检测区域是否发生扬尘事件,其扬尘检测过程并不依赖于检测部署点周边的环境,这样不仅具有视场大、部署方便、硬件监控复用、成本低廉、响应速度快等优点,尤其在空旷的场景中具有明显优势,而且也保证了对扬尘事件进行检测的精确度。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种扬尘检测方法、图像处理方法、装置、设备及系统。
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,其是环境空气中总悬浮颗粒物的重要组成部分。其中,建筑工地、拆迁工地、挖采矿区及其他工程作业区域是产生扬尘的高发地域,也是构成PM2.5的主要污染源,因此,对其进行实时在线监测有利于实现扬尘污染的有效防控。
目前市面上常见的扬尘监测设备主要是采用β射线法、光散射法等监测原理,然而,在实际扬尘监测的过程中,还存在一些潜在的问题:(1)检测精度易受环境因素影响;(2)设备的部署点要求较高;(3)测量距离有限;(4)可能存在监管漏洞。
发明内容
本发明实施例提供了一种扬尘检测方法、图像处理方法、装置、设备及系统,能够快速、准确地识别出检测区域是否出现扬尘事件,有利于提高扬尘事件的监测效率,降低其他因素对检测结果的干扰程度,从而可以有效地避免扬尘事件的扩大化、并可以对扬尘事件进行及时纠正。
第一方面,本发明实施例提供了一种扬尘检测方法,包括:
获取与检测区域相对应的待分析图像;
提取所述待分析图像的图像特征;
确定用于标识图像中出现扬尘事件的标准特征;
基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
第二方面,本发明实施例提供了一种扬尘检测装置,包括:
第一获取模块,用于获取与检测区域相对应的待分析图像;
第一提取模块,用于提取所述待分析图像的图像特征;
第一确定模块,用于确定用于标识图像中出现扬尘事件的标准特征;
第一检测模块,用于基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
第三方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的扬尘检测方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面中的扬尘检测方法。
第五方面,本发明实施例提供了一种扬尘检测系统,包括:
图像采集器,用于对检测区域进行检测,获得与所述检测区域相对应的待分析图像,并将所述待分析图像发送至扬尘检测装置;
扬尘检测器,与所述图像采集器通信连接,用于接收所述图像采集器所发送的待分析图像,提取所述待分析图像的图像特征,确定用于标识图像中出现扬尘事件的标准特征,基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
第六方面,本发明实施例提供了一种图像处理方法,包括:
获取与检测区域相对应的待分析图像,所述检测区域的范围大于或等于预设范围阈值;
提取所述待分析图像的图像特征;
确定用于标识图像中出现异常事件的标准特征;
基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
第七方面,本发明实施例提供了一种图像处理装置,包括:
第二获取模块,用于获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值;
第二提取模块,用于提取所述待分析图像的图像特征;
第二确定模块,用于确定用于标识图像中出现异常事件的标准特征;
第二检测模块,用于基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
第八方面,本发明实施例提供了一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第六方面中的图像处理方法。
第九方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第六方面中的图像处理方法。
本实施例提供的扬尘检测方法、图像处理方法、装置、设备及系统,由于图像采集器并不处于扬尘环境中,而是对有可能发生扬尘事件的检测区域进行拍摄操作,而后对所获得的待分析图像进行分析处理,具体基于扬尘本质特征进行扬尘检测分析,即可识别出检测区域是否发生扬尘事件,其扬尘检测过程并不依赖于检测部署点周边的环境,这样不仅具有视场大、部署方便、硬件监控复用、成本低廉、响应速度快等优点,尤其在空旷的场景中有明显优势,而且也保证了对扬尘事件进行检测的精确度,使得该方法的适用范围更广,此外,运用图像识别技术进行的扬尘污染源识别与分析,从而方便监管人员对检测区域进行快速排查和精准管控,有效地提高了扬尘检测的质量和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种扬尘检测方法的场景示意图;
图2为本发明实施例提供的一种扬尘检测方法的流程示意图;
图3为本发明实施例提供的另一种扬尘检测方法的流程示意图;
图4为本发明实施例提供的又一种扬尘检测方法的流程示意图;
图5为本发明实施例提供的另一种扬尘检测方法的流程示意图;
图6为本发明应用实施例提供的一种扬尘检测方法的示意图;
图7为本发明应用实施例提供的扬尘特征的示意图;
图8为本发明应用实施例提供的基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件的示意图;
图9为本发明应用实施例提供的检测区域中发生扬尘事件的示意图一;
图10为本发明应用实施例提供的检测区域中发生扬尘事件的示意图二;
图11为本发明实施例提供的一种图像处理方法的流程示意图;
图12为本发明实施例提供的一种扬尘检测装置的结构示意图;
图13为与图12所示实施例提供的扬尘检测装置对应的电子设备的结构示意图;
图14为本发明实施例提供的一种扬尘检测系统的结构示意图;
图15为本发明实施例提供的一种图像处理装置的结构示意图;
图16为与图15所示实施例提供的图像处理装置对应的电子设备的结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
为了便于理解本申请的技术方案,下面对现有技术进行简要说明:
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,其是环境空气中总悬浮颗粒物的重要组成部分。其中,建筑工地、拆迁工地、挖采矿区及其他工程作业区域是产生扬尘的高发地域,也是构成PM2.5的主要污染源,因此,对其进行实时在线监测有利于实现扬尘污染的有效防控。
鉴于长期以来建筑工地、拆迁工地、挖采矿区及其他工程作业区域等未封闭场所的扬尘污染的严重现状,为了能够对扬尘污染的严重程度进行有效监管和控制,可以在潜在扬尘区域部署监测系统,监控扬尘污染的实时状况,以实现对未封闭场所的扬尘污染情况进行强有力的监管。
其中,在对扬尘污染进行监管的过程中,只有精确监测各工地扬尘污染的实时状况,结合气象及视频证据锁定污染源,才能有效的严控扬尘污染。目前市面上常见的扬尘监测方法主要采用重量法、微量震荡天平法、β射线法、光散射法等监测原理,其主要利用相关的微机电系统(Micro-Electro-Mechanical System,MEMS)芯片对大气中的扬尘颗粒密度进行监测。具体的,重量法是非在线监测方法,适用场景较少。微量震荡天平法虽然检测数据准确、灵敏度高,也可用于在线连续监测,但因其体积大,价格较高,无法大面积应用。而光散射法、β射线法虽然具有实时性强、自动化程度高、成本低等优点,但是还存在如下潜在问题:
(1)检测精度易受环境因素影响。
其中,光散射法、β射线法容易受到多种环境因素的影响,多种环境因素可以包括颗粒物形状、粒径分布、化学组份和环境湿度等等,而且光学镜片易受到颗粒物污染,从而降低了扬尘检测的准确性和稳定性。
(2)检测点位要求高。
在进行扬尘检测的过程中,需要配置多个传感器,例如:光线灵敏度传感器、浓度传感器等等,基于传感器本身的安装要求,传感器所对应的监测点位选址有明确的技术要求,否则可能导致监测结果不准确。例如:监测设备的采样口距离任何反射面应大于3.5m,放置高度应距离地面3-15米;若放置在屋顶,采样口应距平台1.5米,以避免平台扬尘的影响。
(3)测量距离有限。
每100亩的检测区域至少需部署1-2个监测点位,对于开放矿区等占地面积较大的检测区域而言,监测成本与监测效果之间难以平衡。另外,扬尘监测仪选配的视频监控单元主要是用来溯源、取证,需要监管人员一一排查,无法实现主动预警,当监控点位增多时,排查难度急剧增加。
(4)可能存在监管漏洞。
因为光散射法、β射线法对安装条件要求高,施工单位可能会采用遮罩、吹风设备等物理方式来干扰监测结果。
(5)无法定位污染源的具体位置。
光散射法、β射线法可以监测大气中的颗粒浓度,当监测设备触发报警时,空气指标已然超标,属于事后监测。即使在报警时对现场进行截图取证,污染源处扬尘可能已经散开到空气部分,无法精准定位追踪,从而不利于扬尘事件的监管整改。
为了解决上述技术问题,本实施例提供了一种扬尘检测方法、装置、设备及系统,其中,上述扬尘检测方法的执行主体为扬尘检测装置,该扬尘检测装置通信连接有图像采集器,如图1所示,针对一检测区域中的多个检测部分,检测区域中可以设置有一个或多个图像采集器,每个图像采集器用于采集与每个检测部分相对应的待分析图像,并将待分析图像发送至扬尘检测装置。
需要注意的是,该图像采集器可以是指具有图像采集和图像传输功能的设备,可选的,图像采集器可以为以下任意之一:相机、摄像机、具有拍摄功能的手机或者其他终端设备等等。
扬尘检测装置,可以是指具有图像处理能力的设备,具体实现时,其可以实现为电子设备、服务器等等,其中,服务器通常是指利用网络进行信息规划的服务器。在物理实现上,扬尘检测装置可以是任何能够提供计算服务,响应服务请求,并进行处理的设备,例如,可以是常规服务器、云服务器、云主机、虚拟中心等。扬尘检测装置的构成主要包括处理器、硬盘、内存、系统总线等和通用的计算机架构类似。
具体的,扬尘检测装置可以接收图像采集器所发送的待分析图像,并对待分析图像进行特征提取操作,从而可以获得待分析图像的图像特征。为了能够准确地进行扬尘识别操作,则可以确定用于标识图像中出现扬尘事件的标准特征,而后基于图像特征和标准特征来识别检测区域中是否发生扬尘事件,从而实现了对检测区域是否发生扬尘事件进行准确的识别操作。
本实施例提供的扬尘检测方法、装置、设备及系统,由于图像采集器并不处于扬尘环境中,而是对有可能发生扬尘事件的检测区域进行拍摄操作,而后对所获得的待分析图像进行分析处理,具体基于扬尘本质特征进行扬尘检测分析,即可识别出检测区域是否发生扬尘事件,其扬尘检测过程并不依赖于检测部署点周边的环境,这样不仅具有视场大、部署方便、硬件监控复用、成本低廉、响应速度快等优点,尤其在空旷的场景中有明显优势,而且也保证了对扬尘事件进行检测的精确度,使得该方法的适用范围更广,此外,运用图像识别技术进行的扬尘污染源识别与分析,从而方便监管人员对检测区域进行快速排查和精准管控,有效地提高了扬尘检测的质量和效率。
下面结合附图,对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种扬尘检测方法的场景示意图;图2为本发明实施例提供的一种扬尘检测方法的流程示意图;参考附图1-图2所示,本实施例提供了一种扬尘检测方法,该方法的执行主体可以为扬尘检测装置,可以理解的是,该扬尘检测装置可以实现为软件、或者软件和硬件的组合。具体的,该扬尘检测方法可以包括:
步骤S201:获取与检测区域相对应的待分析图像。
步骤S202:提取待分析图像的图像特征。
步骤S203:确定用于标识图像中出现扬尘事件的标准特征。
步骤S204:基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。
下面针对上述各个步骤进行详细阐述:
步骤S201:获取与检测区域相对应的待分析图像。
其中,待分析图像是指需要对检测区域是否发生扬尘事件进行识别、与检测区域相对应的图像,可以理解的是,检测区域可以包括以下至少之一:施工区域、矿山区域等需要进行扬尘检测操作的区域,待分析图像的个数可以为一个或多个,在待分析图像的个数为多个时,多个待分析图像可以构成一图像序列,从而可以实现对图像序列进行分析处理,并可以基于对图像序列进行分析识别的结果来确定检测区域是否发生扬尘事件。
可以理解的是,所获得的待分析图像可以对应有不同的图像质量(图像清晰度),为了能够保证对扬尘事件进行检测的质量和效率。获取与检测区域相对应的待分析图像可以包括:获取与检测区域相对应的原始图像,确定原始图像的图像质量,在图像质量小于预设质量阈值时,则可以忽略上述的原始图像;在图像质量大于或等于预设质量阈值时,则可以将原始图像确定为与检测区域相对应的待分析图像。
此外,本实施例对于获取与检测区域相对应的待分析图像的具体实现方式不做限定,本领域技术人员可以根据具体的应用需求和设计需求进行设置,在一些实例中,获取与检测区域相对应的待分析图像可以包括:通过用于检测检测区域的图像采集装置,获得与检测区域相对应的至少一个待分析图像。
具体的,图像采集装置可以与扬尘检测装置通信连接,图像采集装置用于对检测区域进行图像采集,在图像采集装置实时拍摄获得待处理图像之后,扬尘检测装置可以通过图像采集装置可以主动或者被动的获得待处理图像,从而稳定、有效地获取到与检测区域相对应的待处理图像。
步骤S202:提取待分析图像的图像特征。
在获取到待分析图像之后,则可以对待分析图像进行特征提取操作,以获得待分析图像的图像特征,可以理解的是,在待分析图像的数量可以为一个或多个,在一些实例中,在待分析图像的数量为一个时;提取待分析图像的图像特征可以包括:利用卷积神经网络对待分析图像进行分析处理,获得待分析图像的静态图像特征,静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征。
具体的,几何形状特征可以包括以下至少之一:长宽比、圆形度、不规则度等等,可以理解的是,静态图像特征不仅可以包括上述的技术特征,本领域技术人员还可以根据具体的应用需求和设计需求对静态图像特征进行设置,例如:静态图像特征可以包括以下至少之一:光谱信息、区域结构、几何特征,其中,光谱信息可以包括以下至少之一:颜色信息、亮度信息、透明度特征等等;区域结构可以包括以下至少之一:纹理特征、重心高度系数等等。
在另一些实例中,待分析图像的数量可以为多个;提取待分析图像的图像特征可以包括:利用卷积神经网络对多个待分析图像进行分析处理,获得与多个待分析图像的静态图像特征和动态图像特征,静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征,动态图像特征包括以下至少之一:像素点运动特征、像素点移动速度。
其中,在待分析图像的个数为多个时,所提取的待分析图像的图像特征不仅可以包括静态图像特征,还可以包括动态图像特征,可以理解的是,动态图像特征不仅可以包括上述的像素点运动特征和像素点移动速度,还可以包括其他的特征,具体的,动态图像特征可以包括以下至少之一:整体运动特征、随机运动特征,上述的整体运动特征可以包括以下至少之一:面积变化特征、整体移动特征、相似度特征等等,随机运动特征可以包括以下至少之一:频闪特征、形体变化特征等等。
步骤S203:确定用于标识图像中出现扬尘事件的标准特征。
为了能够准确地识别出检测区域是否发生扬尘事件,则可以确定用于标识图像中出现扬尘事件的标准特征,该标准特征可以包括以下至少之一:标准静态特征、标准动态特征;其中,标准静态特征包括以下至少之一:标准几何形状特征、标准颜色特征、标准透明度特征,标准动态特征包括以下至少之一:标准像素点运动特征、标准像素点移动速度。可以理解的是,标准特征不仅可以包括上述所限定的技术特征,本领域技术人员还可以根据具体的应用场景和应用需求对标准特征进行限定,在此不再赘述。
另外,本实施例对于确定用于标识图像中出现扬尘事件的标准特征的具体实现方式不做限定,例如:用于标识图像中出现扬尘事件的标准特征可以存储在预设区域中,通过访问预设区域即可获取到用于标识图像中出现扬尘事件的标准特征,当然的,本领域技术人员也可以采用其他的方式来确定用于标识图像中出现扬尘事件的标准特征,只要能够保证对标准特征进行确定的准确可靠性即可,在此不再赘述。
步骤S204:基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。
其中,在获取到图像特征和标准特征之后,则可以对图像特征和标准特征进行分析处理,以识别出检测区域中是否发生扬尘事件。具体的,在图像特征包括静态图像特征时,基于图像特征和标准特征,识别检测区域中是否发生扬尘事件可以包括:在静态图像特征与标准特征相匹配时,则确定检测区域中发生扬尘事件;或者,在静态图像特征与标准特征不匹配时,则确定检测区域中未发生扬尘事件。
具体的,图像特征仅包括静态图像特征时,则可以将静态图像特征与标准特征中的标准静态特征进行分析匹配,在静态图像特征与标准特征中的标准静态特征相匹配时,则可以确定此时的待分析图像中的静态图像特征满足已发生扬尘事件的特征,进而可以确定该检测区域中已发生扬尘事件,需要说明的是,静态图像特征与标准特征中的标准静态特征相匹配可以包括:静态图像特征与标准特征中的标准静态特征完全相同,或者,静态图像特征与标准特征中的标准静态特征之间的相似度大于或等于预设阈值。在静态图像特征与标准特征不匹配时,则可以确定此时的待分析图像中的静态图像特征不满足已发生扬尘事件的特征,进而可以确定该检测区域中未发生扬尘事件。
在另一些实例中,在图像特征包括静态图像特征和动态图像特征时,基于图像特征和标准特征,识别检测区域中是否发生扬尘事件可以包括:在静态图像特征与标准特征相匹配、且动态图像特征与标准特征相匹配时,则确定检测区域中发生扬尘事件;或者,在静态图像特征与标准特征不匹配,或者,动态图像特征与标准特征不匹配时,则确定检测区域中未发生扬尘事件。
具体的,在图像特征包括静态图像特征和动态图像特征时,则可以将静态图像特征与标准特征中所包括的标准静态特征、以及动态图像特征与标准特征中所包括的标准动态特征进行分析匹配。在静态图像特征与标准特征中所包括的标准静态特征相匹配、且动态图像特征与标准特征中所包括的标准动态特征相匹配时,则可以确定此时的待分析图像中的图像特征满足已发生扬尘事件的条件,进而可以确定该检测区域中已发生扬尘事件。在静态图像特征与标准特征中所包括的标准静态特征不匹配,或者,动态图像特征与标准特征中所包括的标准动态特征不匹配时,则可以确定此时的待分析图像中的图像特征不满足已发生扬尘事件的条件,进而可以确定该检测区域中未发生扬尘事件。
本实施例提供的扬尘检测方法,通过获取与检测区域相对应的待分析图像,并提取待分析图像的图像特征,确定用于标识图像中出现扬尘事件的标准特征,而后基于图像特征和标准特征识别检测区域中是否发生扬尘事件,从而实现了通过对待分析图像进行分析处理即可识别检测区域中是否发生扬尘事件,该扬尘检测过程并不依赖于检测部署点周边的环境,这样不仅克服了传统人工监测污染源效率偏低、范围有限的不足,而且弥补了对检测区域进行扬尘事件主动监测的空白,同时具有视场大、部署方便、硬件监控复用、成本低廉、响应速度快等优点,尤其在空旷的场景中有明显优势,使得该方法的适用范围更广,此外,运用图像识别技术进行的扬尘污染源识别与分析,从而方便监管人员对检测区域进行快速排查和精准管控,同时该方法对扬尘事件的检测操作具有预判性,进一步提高了扬尘检测的质量和效率。
图3为本发明实施例提供的另一种扬尘检测方法的流程示意图;在上述实施例的基础上,继续参考附图3所示,在待分析图像的数量为多个时,在获取与检测区域相对应的待分析图像之后,本实施例中的方法还可以包括:
步骤S301:确定用于实现扬尘检测操作的设备计算资源。
步骤S302:基于设备计算资源,确定与多个待分析图像相对应的图像处理顺序。
其中,设备计算资源即为扬尘检测装置的中央处理单元(Central ProcessingUnit,简称CPU)资源,可以理解的是,扬尘检测装置可以包括一个或多个CPU,或者,一个CPU中有多个核(即多核CPU),在扬尘检测装置有多个CPU或者一个多核CPU时,则说明扬尘检测装置可以同时执行多个扬尘检测任务,在扬尘检测装置有一个CPU时,则说明扬尘检测装置可以同时执行一个扬尘检测任务。因此,为了能够保证扬尘检测操作的质量和效率,则可以确定用于实现扬尘检测操作的设备计算资源,具体的,可以通过获取扬尘检测装置的CPU配置数据来确定用于实现扬尘检测操作的设备计算资源。在确定设备计算资源之后,则可以对设备计算资源进行分析处理,以确定与多个待分析图像相对应的图像处理顺序。
在获取到上述与多个待分析图像相对应的图像处理顺序之后,则可以基于上述的图像处理顺序控制扬尘检测装置对多个待分析图像进行扬尘检测,从而有效地提高了扬尘检测的质量和效率。
举例来说,在多个待分析图像包括:图像1、图像2、图像3、图像4、图像5和图像6时,为了提高对上述多个待分析图像进行扬尘检测的质量和效率,则可以确定用于实现扬尘检测操作的设备计算资源,在设备计算资源能够同时进行处理的图像数量为3个时,则可以基于设备计算资源对上述多个待分析图像进行排序,确定与多个待分析图像相对应的图像处理顺序,例如,图像处理顺序可以包括第一处理次序和第二处理次序,第一处理次序所对应的多个待分析图像可以包括:图像1、图像2和图像3;第二处理次序所对应的多个待分析图像可以包括:图像4、图像5和图像6。而后则可以基于上述图像处理顺序对多个待分析图像进行扬尘检测操作,从而有效地提高了对多个待分析图像进行分析的质量和效率。
图4为本发明实施例提供的又一种扬尘检测方法的流程示意图;在上述实施例的基础上,参考附图4所示,在确定检测区域中发生扬尘事件之后,本实施例中的方法还可以包括:
步骤S401:获取扬尘事件的中心点。
步骤S402:根据中心点,确定扬尘事件的边缘信息。
步骤S403:基于边缘信息,确定扬尘事件在待分析图像中的扬尘事件位置和扬尘事件大小。
其中,在确定检测区域中发生扬尘事件之后,则可以利用预设的图像算法对待分析图像进行分析处理,以获取扬尘事件的中心点,而后可以对扬尘事件的中心点进行分析处理,以确定扬尘事件的边缘信息,具体的,获取扬尘事件的中心点以及确定扬尘事件的边缘信息可以采用现有技术中的实现方式来实现,在此不再赘述。
在确定扬尘事件的边缘信息之后,则可以对边缘信息进行分析处理,以确定扬尘事件在待分析图像中所包括的扬尘事件位置和扬尘事件大小,具体的,可以直接将扬尘事件的中心点确定为待分析图像中的扬尘事件位置,扬尘事件大小与待分析图像中扬尘事件所覆盖的区域范围大小相关,用于标识扬尘事件的严重程度。
本实施例中,通过获取扬尘事件的中心点,而后根据中心点确定扬尘事件的边缘信息,并基于边缘信息确定扬尘事件在待分析图像中的扬尘事件位置和扬尘事件大小,从而有效地实现了对扬尘事件在待分析图像中的扬尘事件位置和扬尘事件大小进行准确、有效地检测操作,而后可以基于扬尘事件位置和扬尘事件大小对检测区域中发生的扬尘事件的严重程度进行评估,从而便于基于扬尘事件位置和扬尘事件大小对扬尘事件进行监管和控制操作,进一步提高了该方法的实用性。
在一些实例中,在确定检测区域中发生扬尘事件之后,本实施例中的方法还可以包括:通过标注框对待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示。
具体的,在确定检测区域中发生扬尘事件之后,为了方便让用户及时查看并获知到检测区域中所发生扬尘事件的具体位置和覆盖区域,则可以通过标注框对待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示,从而使得用户可以通过突出显示的标注框快速、准确地获知到检测区域中扬尘事件的具体位置和严重程度,进一步提高了该方法使用的灵活可靠性。
在另一些实例中,在确定检测区域中发生扬尘事件之后,本实施例中的方法还可以包括:生成与扬尘事件相对应的告警信息,以通过告警信息向用户提示检测区域发生扬尘事件。
具体的,在确定检测区域中发生扬尘事件之后,为了方便让用户及时对检测区域中所发生的扬尘事件进行管理和控制,则可以生成与扬尘事件相对应的告警信息,该告警信息可以包括声音告警信息、灯光告警信息、信息告警信息等等,声音告警信息可以通过蜂鸣器的鸣叫使用户快速了解到检测区域中已发生扬尘事件,灯光告警信息可以通过指示灯的闪亮使用户快速了解到检测区域中已发生扬尘事件,信息告警信息可以通过在预设显示界面内上显示告警信息、或者向维护人员的预留通讯方式发送信息进行告警指示,这样有效地实现了通过告警信息可以向用户提示检测区域已发生扬尘事件,使得用户基于告警信息获知到检测区域发生扬尘事件之后,可以快速、及时地对扬尘事件进行管理和控制,进一步提高了该方法的实用性。
图5为本发明实施例提供的另一种扬尘检测方法的流程示意图;在上述任意一个实施例的基础上,继续参考附图5所示,在识别检测区域中是否发生扬尘事件之后,本实施例中的方法还可以包括:
步骤S501:在预设时间段内,统计检测区域发生扬尘事件的频率信息。
步骤S502:基于频率信息,确定对检测区域进行扬尘监管的监管等级。
其中,在利用扬尘检测装置对不同的检测区域进行扬尘事件检测时,不同的检测区域可以对应有不同严重程度的扬尘事件,为了方便对发生较为严重程度的扬尘事件的检测区域进行有效管理和控制,则可以在预设时间段内,统计检测区域发生扬尘事件的频率信息。具体的,预设时间段可以是预先配置的用于对检测区域发生扬尘事件的频率信息进行统计的周期,本实施例对于预设时间段的具体时间长短不做限定,本领域技术人员可以根据具体的应用需求和设计需求进行设置,例如:预设时间段可以为预先配置的5天、7天、9天、10天或者15天等等。
在预设时间段内,则可以统计检测区域发生扬尘事件的频率信息,具体的,可以先确定检测区域在预设时间段内发生扬尘事件的次数信息,而后将次数信息与预设时间段的比值确定为检测区域发生扬尘事件的频率信息,从而实现了对检测区域发生扬尘事件的频率信息进行统计操作。
在获取到频率信息之后,则可以对频率信息进行分析处理,以基于分析处理结果确定对检测区域进行扬尘监管的监管等级,具体的,基于频率信息,确定对检测区域进行扬尘监管的监管等级可以包括:在频率信息大于或等于预设阈值时,则确定对检测区域进行扬尘监管的监管等级为第一等级;在频率信息小于预设阈值时,则确定对检测区域进行扬尘监管的监管等级为第二等级,其中,第二等级的监管力度小于第一等级的监管力度。
具体的,预先设置有用于对频率信息进行分析处理的预设阈值,该预设阈值即为用于标识检测区域中已发生较为严重程度的扬尘事件的最低频率限值,在获取到频率信息之后,则可以将频率信息与预设阈值进行分析比较,在频率信息大于或等于预设阈值时,则说明在预设时间段内,检测区域中发生扬尘事件的频率较为频繁,即检测区域为发生扬尘事件较为频繁的重点区域,因此,为了能够实现对扬尘事件进行准确、有效地监管操作,则可以确定对检测区域进行扬尘监管的监管等级为第一等级。
在频率信息小于预设阈值时,则说明在预设时间段内,检测区域中发生扬尘事件的频率较低,即检测区域中不经常发生扬尘事件,因此,为了能够实现对扬尘事件进行准确、有效地监管操作,则可以确定对检测区域进行扬尘监管的监管等级为第二等级,其中,第二等级的监管力度小于第一等级的监管力度。需要注意的是,第一等级可以对应有更为精确、要求更高的监管设备,以实现较高等级的监管操作;第二等级可以对应有普通精确、要求一般的监管设备,以实现一般等级的监管操作。
本实施例中,通过在预设时间段内统计检测区域发生扬尘事件的频率信息,而后基于频率信息来确定对检测区域进行扬尘监管的监管等级,从而有效地实现了对发生不同严重程度的检测区域进行不同程度的监管操作,进一步提高了该方法使用的灵活可靠性。
具体应用时,参考附图6所示,本应用实施例基于人工智能的视频分析技术,提供了一种识别率和检测稳定性均较高的扬尘检测方法,该方法可以针对检测区域是否发生扬尘事件进行自动识别,并且还可以定位扬尘事件的具体位置和覆盖范围,在获取到上述识别结果之后,还可以基于识别结果进行及时报警。这样极大地弥补了现有的扬尘监测方法所存在的不完善、人工日常巡检的不及时性的缺陷,进而提高扬尘事件的监测效率以及对扬尘事件及时进行干预的效果,有利于避免扬尘事件的扩大化,并及时对监测区域所发生的扬尘事件进行管理和改正。具体的,该扬尘检测方法可以包括如下步骤:
步骤1:针对潜在的扬尘区域部署监控摄像头,通过监控摄像头获取与扬尘区域相对应的视频流。
由于扬尘事件是一个间接持续而非连续事件,例如:单次扬尘事件的持续时间可能只有几分钟,此时,人为巡检的监测方式可行度不高,因此,采用视频流的监控方法,可以在扬尘事件发生初期有效定位扬尘事件的污染源,并且还适用于一个比较大的监控视场,进而提高了该方法的适用范围。
步骤2:监控摄像头通信连接有计算服务器,用于通过监控摄像头获取与扬尘区域相对应的视频流,并对视频流进行分析处理,以识别扬尘区域中是否发生扬尘事件。
其中,视频流中包括多帧图像,为了能够提高扬尘检测的质量和效率,则可以对视频流进行编码解码处理,以提取视频流中的关键帧,所获得的关键帧的数量可以为一个或多个。
步骤3:获取计算服务器的计算资源,基于计算资源对所获得的关键帧进行调度,获得关键帧的图像处理顺序,基于图像处理顺序对关键帧进行扬尘识别操作。
其中,当检测到该图片/码流中存在扬尘事件时,可以返回扬尘事件发生的状态、扬尘事件的坐标位置以及扬尘事件在图像中的占比大小,其中,坐标位置用于标识扬尘事件在图像中的具体位置,在获取到占比大小之后,可以基于占比大小对扬尘事件的严重程度进行估计,此外,并可以利用标识框对扬尘事件进行标识,以使得用户可以快速锁定扬尘事件的坐标位置以及占比大小等信息,如图9-图10所示。
在进行扬尘事件检测时,由于扬尘事件是典型的非刚性不规则目标,形态变化多端,仅依靠图片特征识别难度较大,因此,可以基于视频分析的机器视觉技术来实现扬尘检测操作。具体的,扬尘事件既有颜色、纹理、形状等静态特征,又有飘动、湍流等动态特征,静态特征可以细分为光谱信息、区域结构、几何特征,动态特征可以细分为整体运动、随机运动等等特征,如图7所示。
基于上述陈述内容,在获取到关键帧图像之后,则可以基于视频的扬尘智能识别技术,融合空间静态特征和动态时域特征进行端到端的定位、识别扬尘操作,如图8所示。具体的,在获取到关键帧图像之后,可以利用预先训练的卷积神经网络中的空间特征第一提取模块对关键帧图像进行分析处理,以提取空间静态特征;通过光流方法从视频中提取光流图,而后利用卷积神经网络中的时域特征第一提取模块来提取关键帧图像中所存在的动态动态特征。
最终,基于空间静态特征、动态时域特征融合来进行扬尘检测操作,从而可以识别出检测区域中是否发生扬尘事件,在确定检测区域发生扬尘事件之后,可以确定扬尘事件在图像中的具体位置和占比大小,这样极大的提高了扬尘事件检测的准确性。
步骤4:根据扬尘识别结果,执行相应操作。
在获取到扬尘识别结果之后,通过数字大屏对扬尘识别结果进行展示;和/或,可以针对扬尘事件进行告警信息的推送;和/或,可以针对扬尘事件进行频率统计分析,以实现针对不同严重程度的扬尘区域进行不同程度的督促整改操作。
在另一些实例中,该检测方法可以结合现有技术中的基于β射线法、光散射法等MEMS传感器方法同时进行扬尘检测操作,具体实现时,在基于β射线法、光散射法等MEMS传感器方法识别出某一检测区域已发生扬尘事件,而本实施例中的方法并未识别出检测区域已发生扬尘事件时,则可以以基于β射线法、光散射法等MEMS传感器方法所对应的检测结果为准。在本实施例中的方法识别出检测区域发生扬尘事件,基于β射线法、光散射法等MEMS传感器方法未识别出某一检测区域已发生扬尘事件,则可以以本实施例中方法所识别的检测结果为准,这样可以实现更可靠、有效、全面的监测结果,弥补现有系统的不足。
需要注意的是,本实施例提供的基于视觉方案的扬尘检测方法,由于监控摄像头可以监测大范围的潜在扬尘区域,因此,通过调整监控摄像头可以实现灵活调整监控视场的大小,这样可以实现在与检测区域距离较远时,依然可以识别出检测区域中是否发生扬尘事件,并且可以定位扬尘污染源具体位置,此外,在对用于实现扬尘检测方法的检测装置进行部署时,主要保证监控摄像头的视场能够监控到潜在区域即可,部署高度、周边墙体环境等没有特殊要求,从而有效地降低了对监控设备的部署要求,同时也降低了施工方对监测设备进行物理干扰的可能性。
总结来说,本应用实施例提供的基于计算机视觉的扬尘自动监测方法,是一种主动式的扬尘监测方法,具有一定的预判性,并且不依赖于监测设备部署点周边的环境,适用范围更广;另外,该方法具有视场大,部署方便、硬件监控复用、成本低廉、响应速度快等优点,尤其在空旷的场景中有明显优势。此外,运用图像识别技术进行的扬尘污染源识别与分析操作,有效地克服了传统人工监测污染源效率偏低、范围有限的不足,弥补了对扬尘污染源进行主动监测的空白,提高了扬尘污染源监测的效率和效果。此外,在环境中产生的扬尘等异常事件,该算法可以通过对监控视频的实时分析,自动识别扬尘异常事件并及时报警,极大地弥补现有监测方法所存在的不完善、人工日常巡检的不及时性,这样有利于提高扬尘事件的监测效率以及干预效果,避免扬尘事件的扩大化,并可以对扬尘事件进行及时纠正,从而有效地提高了扬尘检测的质量和效果,进一步提高了该方法的实用性。
图11为本发明实施例提供的一种图像处理方法的流程示意图;参考附图11所示,本实施例提供了一种图像处理方法,该方法的执行主体可以为图像处理装置,可以理解的是,该图像处理装置可以实现为软件、或者软件和硬件的组合。具体的,该图像处理方法可以包括:
步骤S1101:获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值。
步骤S1102:提取所述待分析图像的图像特征。
步骤S1103:确定用于标识图像中出现异常事件的标准特征。
步骤S1104:基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
在一些实例中,所述异常事件可以包括以下至少之一:龙卷风事件、雾霾事件、滑坡事件、泥石流事件、沙尘暴事件、扬尘事件、森林火灾事件。
其中,检测区域是指可能发生异常事件的面积比较大的区域,该检测区域的面积可以大于或等于预设面积阈值,可以理解的是,在不同的应用场景中,预设面积阈值可以为不同的数值,例如:预设面积阈值可以为50亩、100亩或者200亩等等。在不同的应用场景中,检测区域可以包括以下至少之一:施工区域、山地区域、森林覆盖区域等等。可以理解的是,在上述面积比较大的检测区域中,可能会发生不同的异常事件,因此,为了能够降低环境污染和环境安全,则可以对上述的检测区域进行异常事件的检测操作,异常事件可以包括以下至少之一:龙卷风事件、雾霾事件、滑坡事件、泥石流事件、沙尘暴事件、扬尘事件、森林火灾事件。可以理解的是,异常事件并不限定与上述所描述的事件,本领域技术人员还可以根据具体的应用需求和设计需求对异常事件进行定义,例如:异常事件可以包括暴雪事件、雷暴事件、火山爆发事件等等。
除了上述区别之外,本实施例中上述步骤S1101-步骤S1104的具体实现过程和实现效果与上述图2所对应实施例的具体实现过程和实现效果相类似,具体可参考上述陈述内容,在此不再赘述。
此外,本实施例中的方法还可以包括上述图1-图10所示实施例的相关技术方案的实现过程,本实施例未详细描述的部分,可参考对图1-图10所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图10所示实施例中的描述,在此不再赘述。
本实施例提供的图像处理方法,通过获取与检测区域相对应的待分析图像,提取所述待分析图像的图像特征,并确定用于标识图像中出现异常事件的标准特征,而后基于所述图像特征和标准特征识别所述检测区域中是否发生异常事件,从而有效地实现了对检测区域是否发生异常事件进行准确、有效地的检测操作,从而便于基于检测结果对环境污染进行有效的管理、控制或者采用及时、有效地防护措施,进一步保证了环境安全,提高了该方法的实用性。
图12为本发明实施例提供的一种扬尘检测装置的结构示意图;参考附图12所示,本实施例提供了一种扬尘检测装置,该扬尘检测装置可以执行上述图2所示的扬尘检测方法。具体的,该扬尘检测装置可以包括:
第一获取模块11,用于获取与检测区域相对应的待分析图像;
第一提取模块12,用于提取待分析图像的图像特征;
第一确定模块13,用于确定用于标识图像中出现扬尘事件的标准特征;
第一检测模块14,用于基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。
在一些实例中,标准特征包括以下至少之一:标准静态特征、标准动态特征;其中,标准静态特征包括以下至少之一:标准几何形状特征、标准颜色特征、标准透明度特征,标准动态特征包括以下至少之一:标准像素点运动特征、标准像素点移动速度。
在一些实例中,在第一获取模块11获取与检测区域相对应的待分析图像时,该第一获取模块11用于执行:通过用于检测检测区域的图像采集装置,获得与检测区域相对应的至少一个待分析图像。
在一些实例中,待分析图像的数量为一个;在第一提取模块12提取待分析图像的图像特征时,该第一提取模块12用于执行:利用卷积神经网络对待分析图像进行分析处理,获得待分析图像的静态图像特征,静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征。
在一些实例中,在第一检测模块14基于图像特征和标准特征,识别检测区域中是否发生扬尘事件时,该第一检测模块14用于执行:在静态图像特征与标准特征相匹配时,则确定检测区域中发生扬尘事件;或者,在静态图像特征与标准特征不匹配时,则确定检测区域中未发生扬尘事件。
在一些实例中,待分析图像的数量为多个;在第一提取模块12提取待分析图像的图像特征时,该第一提取模块12用于执行:利用卷积神经网络对多个待分析图像进行分析处理,获得与多个待分析图像的静态图像特征和动态图像特征,静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征,动态图像特征包括以下至少之一:像素点运动特征、像素点移动速度。
在一些实例中,在第一检测模块14基于图像特征和标准特征,识别检测区域中是否发生扬尘事件时,该第一检测模块14用于执行:在静态图像特征与标准特征相匹配、且动态图像特征与标准特征相匹配时,则确定检测区域中发生扬尘事件;或者,在静态图像特征与标准特征不匹配,或者,动态图像特征与标准特征不匹配时,则确定检测区域中未发生扬尘事件。
在一些实例中,在待分析图像的数量为多个时,在获取与检测区域相对应的待分析图像之后,本实施例中的第一确定模块13用于执行:确定用于实现扬尘检测操作的设备计算资源;基于设备计算资源,确定与多个待分析图像相对应的图像处理顺序。
在一些实例中,在确定检测区域中发生扬尘事件之后,本实施例中国的第一获取模块11和第一确定模块13用于执行以下步骤:
第一获取模块11,用于获取扬尘事件的中心点;
第一确定模块13,用于根据中心点,确定扬尘事件的边缘信息;基于边缘信息,确定扬尘事件在待分析图像中的扬尘事件位置和扬尘事件大小。
在一些实例中,在确定检测区域中发生扬尘事件之后,本实施例中的第一确定模块13用于执行:通过标注框对待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示。
在一些实例中,在确定检测区域中发生扬尘事件之后,本实施例中的第一确定模块13用于执行:生成与扬尘事件相对应的告警信息,以通过告警信息向用户提示检测区域发生扬尘事件。
在一些实例中,在识别检测区域中是否发生扬尘事件之后,本实施例中的第一确定模块13用于执行:在预设时间段内,统计检测区域发生扬尘事件的频率信息;基于频率信息,确定对检测区域进行扬尘监管的监管等级。
在一些实例中,在第一确定模块13基于频率信息,确定对检测区域进行扬尘监管的监管等级时,该第一确定模块13用于执行:在频率信息大于或等于预设阈值时,则确定对检测区域进行扬尘监管的监管等级为第一等级;在频率信息小于预设阈值时,则确定对检测区域进行扬尘监管的监管等级为第二等级,其中,第二等级的监管力度小于第一等级的监管力度。
在一些实例中,在一些实例中,检测区域包括以下至少之一:施工区域、矿山区域。
图12所示装置可以执行图1-图10所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图10所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图10所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图12所示扬尘检测装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图13所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,第一存储器22用于存储相对应电子设备执行上述图1-图10所示实施例中提供的扬尘检测方法的程序,第一处理器21被配置为用于执行第一存储器22中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第一处理器21执行时能够实现如下步骤:
获取与检测区域相对应的待分析图像;
提取待分析图像的图像特征;
确定用于标识图像中出现扬尘事件的标准特征;
基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。
进一步的,第一处理器21还用于执行前述图1-图10所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图1-图10所示方法实施例中扬尘检测方法所涉及的程序。
图14为本发明实施例提供的一种扬尘检测系统的结构示意图,参考附图14所示,本实施例提供了一种扬尘检测系统,该扬尘检测系统可以执行上述扬尘检测方法,具体的,该扬尘检测系统可以包括:
图像采集器31,用于对检测区域进行检测,获得与检测区域相对应的待分析图像,并将待分析图像发送至扬尘检测装置32;
扬尘检测器32,与图像采集器31通信连接,用于接收图像采集器31所发送的待分析图像,提取待分析图像的图像特征,确定用于标识图像中出现扬尘事件的标准特征,基于图像特征和标准特征,识别检测区域中是否发生扬尘事件。
在一些实例中,扬尘检测器32,还用于在确定检测区域中发生扬尘事件之后,获取扬尘事件的中心点;根据中心点,确定扬尘事件的边缘信息;基于边缘信息,确定扬尘事件在待分析图像中的扬尘事件位置和扬尘事件大小。
在一些实例中,该系统还可以包括:
显示器33,与扬尘检测器32通信连接,用于在确定检测区域中发生扬尘事件之后,通过标注框对待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示。
在一些实例中,该系统还可以包括:与扬尘检测器32通信连接的告警装置34;
扬尘检测器32,还用于在确定检测区域中发生扬尘事件之后,生成与扬尘事件相对应的告警信息,并将告警信息发送至告警装置;
告警装置34,用于接收告警信息,并通过告警信息向用户提示检测区域发生扬尘事件。
图14所示扬尘检测系统的具体实现过程和实现效果与上述图1-图10所示实施例的方法的具体实现过程和实现效果相类似,本实施例未详细描述的部分,可参考对图1-图10所示实施例的相关说明,在此不再赘述。
图15为本发明实施例提供的一种图像处理装置的结构示意图;参考附图15所示,本实施例提供了一种图像处理装置,该图像处理装置可以执行上述图11所示的图像处理方法,具体的,图像处理装置可以包括:
第二获取模块41,用于获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值;
第二提取模块42,用于提取所述待分析图像的图像特征;
第二确定模块43,用于确定用于标识图像中出现异常事件的标准特征;
第二检测模块44,用于基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
在一些实例中,所述异常事件包括以下至少之一:龙卷风事件、雾霾事件、滑坡事件、泥石流事件、沙尘暴事件、扬尘事件、森林火灾事件。
图15所示装置可以执行图11所示实施例的方法,本实施例未详细描述的部分,可参考对图11所示实施例的相关说明。该技术方案的执行过程和技术效果参见图11所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图15所示图像处理装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图16所示,该电子设备可以包括:第二处理器51和第二存储器52。其中,第二存储器52用于存储相对应电子设备执行上述图11所示实施例中提供的图像处理方法的程序,第二处理器51被配置为用于执行第二存储器52中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第二处理器51执行时能够实现如下步骤:
获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值;
提取所述待分析图像的图像特征;
确定用于标识图像中出现异常事件的标准特征;
基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
进一步的,第二处理器51还用于执行前述图11所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第二通信接口53,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图11所示方法实施例中图像处理方法所涉及的程序。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是: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 (24)
1.一种扬尘检测方法,其特征在于,包括:
获取与检测区域相对应的待分析图像;
提取所述待分析图像的图像特征;
确定用于标识图像中出现扬尘事件的标准特征;
基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
2.根据权利要求1所述的方法,其特征在于,所述标准特征包括以下至少之一:标准静态特征、标准动态特征;
其中,所述标准静态特征包括以下至少之一:标准几何形状特征、标准颜色特征、标准透明度特征,所述标准动态特征包括以下至少之一:标准像素点运动特征、标准像素点移动速度。
3.根据权利要求1所述的方法,其特征在于,获取与检测区域相对应的待分析图像,包括:
通过用于检测所述检测区域的图像采集装置,获得与所述检测区域相对应的至少一个待分析图像。
4.根据权利要求3所述的方法,其特征在于,所述待分析图像的数量为一个;提取所述待分析图像的图像特征,包括:
利用卷积神经网络对所述待分析图像进行分析处理,获得所述待分析图像的静态图像特征,所述静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征。
5.根据权利要求4所述的方法,其特征在于,基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件,包括:
在所述静态图像特征与所述标准特征相匹配时,则确定所述检测区域中发生扬尘事件;或者,
在所述静态图像特征与所述标准特征不匹配时,则确定所述检测区域中未发生扬尘事件。
6.根据权利要求3所述的方法,其特征在于,所述待分析图像的数量为多个;提取所述待分析图像的图像特征,包括:
利用卷积神经网络对多个待分析图像进行分析处理,获得与多个待分析图像的静态图像特征和动态图像特征,所述静态图像特征包括以下至少之一:几何形状特征、颜色特征、透明度特征,所述动态图像特征包括以下至少之一:像素点运动特征、像素点移动速度。
7.根据权利要求6所述的方法,其特征在于,基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件,包括:
在所述静态图像特征与所述标准特征相匹配、且所述动态图像特征与所述标准特征相匹配时,则确定所述检测区域中发生扬尘事件;或者,
在所述静态图像特征与所述标准特征不匹配,或者,所述动态图像特征与所述标准特征不匹配时,则确定所述检测区域中未发生扬尘事件。
8.根据权利要求1所述的方法,其特征在于,在所述待分析图像的数量为多个时,在获取与检测区域相对应的待分析图像之后,所述方法还包括:
确定用于实现扬尘检测操作的设备计算资源;
基于所述设备计算资源,确定与多个所述待分析图像相对应的图像处理顺序。
9.根据权利要求5或7所述的方法,其特征在于,在确定所述检测区域中发生扬尘事件之后,所述方法还包括:
获取所述扬尘事件的中心点;
根据所述中心点,确定所述扬尘事件的边缘信息;
基于所述边缘信息,确定所述扬尘事件在所述待分析图像中的扬尘事件位置和扬尘事件大小。
10.根据权利要求9所述的方法,其特征在于,在确定所述检测区域中发生扬尘事件之后,所述方法还包括:
通过标注框对所述待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示。
11.根据权利要求5或7所述的方法,其特征在于,在确定所述检测区域中发生扬尘事件之后,所述方法还包括:
生成与所述扬尘事件相对应的告警信息,以通过所述告警信息向用户提示所述检测区域发生扬尘事件。
12.根据权利要求1-8中任意一项所述的方法,其特征在于,在识别所述检测区域中是否发生扬尘事件之后,所述方法还包括:
在预设时间段内,统计所述检测区域发生扬尘事件的频率信息;
基于所述频率信息,确定对所述检测区域进行扬尘监管的监管等级。
13.根据权利要求12所述的方法,其特征在于,基于所述频率信息,确定对所述检测区域进行扬尘监管的监管等级,包括:
在所述频率信息大于或等于预设阈值时,则确定对所述检测区域进行扬尘监管的监管等级为第一等级;
在所述频率信息小于预设阈值时,则确定对所述检测区域进行扬尘监管的监管等级为第二等级,其中,所述第二等级的监管力度小于第一等级的监管力度。
14.根据权利要求1-8中任意一项所述的方法,其特征在于,所述检测区域包括以下至少之一:施工区域、矿山区域。
15.一种扬尘检测装置,其特征在于,包括:
第一获取模块,用于获取与检测区域相对应的待分析图像;
第一提取模块,用于提取所述待分析图像的图像特征;
第一确定模块,用于确定用于标识图像中出现扬尘事件的标准特征;
第一检测模块,用于基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
16.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-14中任意一项所述的扬尘检测方法。
17.一种扬尘检测系统,其特征在于,包括:
图像采集器,用于对检测区域进行检测,获得与所述检测区域相对应的待分析图像,并将所述待分析图像发送至扬尘检测装置;
扬尘检测器,与所述图像采集器通信连接,用于接收所述图像采集器所发送的待分析图像,提取所述待分析图像的图像特征,确定用于标识图像中出现扬尘事件的标准特征,基于所述图像特征和标准特征,识别所述检测区域中是否发生扬尘事件。
18.根据权利要求17所述的系统,其特征在于,
所述扬尘检测器,还用于在确定所述检测区域中发生扬尘事件之后,获取所述扬尘事件的中心点;根据所述中心点,确定所述扬尘事件的边缘信息;基于所述边缘信息,确定所述扬尘事件在所述待分析图像中的扬尘事件位置和扬尘事件大小。
19.根据权利要求18所述的系统,其特征在于,所述系统还包括:
显示器,与所述扬尘检测器通信连接,用于在确定所述检测区域中发生扬尘事件之后,通过标注框对所述待分析图像中的扬尘事件位置和扬尘事件大小进行突出显示。
20.根据权利要求17-19中任意一项所述的系统,其特征在于,所述系统还包括:与所述扬尘检测器通信连接的告警装置;
所述扬尘检测器,还用于在确定所述检测区域中发生扬尘事件之后,生成与所述扬尘事件相对应的告警信息,并将所述告警信息发送至所述告警装置;
所述告警装置,用于接收所述告警信息,并通过所述告警信息向用户提示所述检测区域发生扬尘事件。
21.一种图像处理方法,其特征在于,包括:
获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值;
提取所述待分析图像的图像特征;
确定用于标识图像中出现异常事件的标准特征;
基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
22.根据权利要求21所述的方法,其特征在于,所述异常事件包括以下至少之一:
龙卷风事件、雾霾事件、滑坡事件、泥石流事件、沙尘暴事件、扬尘事件、森林火灾事件。
23.一种图像处理装置,其特征在于,包括:
第二获取模块,用于获取与检测区域相对应的待分析图像,所述检测区域的面积大于或等于预设面积阈值;
第二提取模块,用于提取所述待分析图像的图像特征;
第二确定模块,用于确定用于标识图像中出现异常事件的标准特征;
第二检测模块,用于基于所述图像特征和标准特征,识别所述检测区域中是否发生异常事件。
24.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求21-22中任意一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481004.8A CN113516120A (zh) | 2020-12-15 | 2020-12-15 | 扬尘检测方法、图像处理方法、装置、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481004.8A CN113516120A (zh) | 2020-12-15 | 2020-12-15 | 扬尘检测方法、图像处理方法、装置、设备及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516120A true CN113516120A (zh) | 2021-10-19 |
Family
ID=78060830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011481004.8A Pending CN113516120A (zh) | 2020-12-15 | 2020-12-15 | 扬尘检测方法、图像处理方法、装置、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516120A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066892A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市明源云科技有限公司 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-12-15 CN CN202011481004.8A patent/CN113516120A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066892A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市明源云科技有限公司 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10677771B2 (en) | Detecting gas leaks using unmanned aerial vehicles | |
US10032267B2 (en) | Automating the assessment of damage to infrastructure assets | |
CN109325520B (zh) | 一种石油泄漏的检查方法、装置及系统 | |
CN110807429A (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
US11893538B1 (en) | Intelligent system and method for assessing structural damage using aerial imagery | |
CN111488799B (zh) | 一种基于图像识别的坠落物识别方法及系统 | |
US20160148383A1 (en) | Estimating rainfall precipitation amounts by applying computer vision in cameras | |
CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN111178424A (zh) | 一种石油化工生产现场安全合规性实时检测系统及方法 | |
CN112784821A (zh) | 基于YOLOv5的工地行为安全检测识别方法及系统 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN112381041A (zh) | 一种用于输电线路的树木识别方法、装置及终端设备 | |
Zhang et al. | Implementing remote-sensing methodologies for construction research: An unoccupied airborne system perspective | |
CN117314157A (zh) | 一种矿山边坡稳定性的安全评估方法、装置、介质及设备 | |
CN115410354A (zh) | 工业厂区的安全预警方法、装置和安全预警系统 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
Liu et al. | Framework for automated UAV-based inspection of external building façades | |
CN113516120A (zh) | 扬尘检测方法、图像处理方法、装置、设备及系统 | |
CN114384534A (zh) | 一种无人机巡线的树障生长预测分析方法 | |
CN211529214U (zh) | 一种管线巡检装置 | |
CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
Zheng et al. | Forest farm fire drone monitoring system based on deep learning and unmanned aerial vehicle imagery | |
CN112184903A (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN115862296A (zh) | 铁路施工工地的火灾风险预警方法、系统、设备及介质 | |
US11900470B1 (en) | Systems and methods for acquiring insurance related informatics |
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 |