CN114387273B - 基于计算机图像识别的环境粉尘浓度检测方法及系统 - Google Patents
基于计算机图像识别的环境粉尘浓度检测方法及系统 Download PDFInfo
- Publication number
- CN114387273B CN114387273B CN202210291781.9A CN202210291781A CN114387273B CN 114387273 B CN114387273 B CN 114387273B CN 202210291781 A CN202210291781 A CN 202210291781A CN 114387273 B CN114387273 B CN 114387273B
- Authority
- CN
- China
- Prior art keywords
- image
- working area
- area
- dust concentration
- calculating
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 82
- 230000007613 environmental effect Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000000126 substance Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据识别领域,具体涉及一种基于计算机图像识别的环境粉尘浓度检测方法及系统。该方法具体是计算机图像识别技术在环境粉尘浓度检测上的应用,该方法包括:获取工作区域图像,对图像去噪得到去噪后图像,根据工作区域图像和去噪后图像得到噪声图像,将噪声图像划分为多个区域,分别计算工作区域图像和去噪后图像的颜色分量比、对比度、边缘数和边缘角点数,然后分别计算工作区域图像对应的第一背景复杂度和去噪后图像对应的第二背景复杂度;计算第一背景复杂度和第二背景复杂度差值,根据差值得到粉尘浓度。本发明利用计算机图像识别技术实现了对环境粉尘浓度的检测,解决了现有技术不能准确得到整个工作区域的粉尘浓度的问题。
Description
技术领域
本发明涉及数据识别领域,具体涉及一种基于计算机图像识别的环境粉尘浓度检测方法及系统。
背景技术
计算机图像识别属于数据识别的一种,计算机图像识别可应用于环境粉尘浓度检测。粉尘是企业车间、工厂内常见的污染源,粉尘的存在严重危害工人的身体健康,存在安全隐患,因此,定期测试作业场所环境粉尘浓度,评价作业环境质量非常必要。现有的方法往往通过在待检测区域的中心位置处设置烟雾、粉尘智能传感器的方式来实现对待检测区域粉尘浓度的评估,但利用传感器对粉尘浓度进行评估时,传感器检测得到的粉尘浓度只能够反映检测位置处的粉尘浓度,而待检测区域中各位置处的粉尘浓度可能会不一致,因此现有的方法并不能够准确评估整个待检测区域的粉尘浓度。
发明内容
为了解决现有技术不能准确得到整个工作区域的粉尘浓度的问题,本发明的目的在于提供一种基于计算机图像识别的环境粉尘浓度检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明提供了一种基于计算机图像识别的环境粉尘浓度检测方法,该方法包括以下步骤:
获取工作区域图像,对所述工作区域图像进行去噪处理,得到去噪后图像,根据所述工作区域图像和去噪后图像,得到噪声图像;
根据噪声图像中各像素点的灰度值,将噪声图像划分为多个区域;
计算各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第一背景复杂度;
计算各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数;根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第二背景复杂度;
根据各区域对应的第一背景复杂度和第二背景复杂度,计算各区域对应的背景复杂度差值,根据所述各区域对应的背景复杂度差值,得到工作区域的粉尘浓度。
第二方面,本发明提供了一种基于计算机图像识别的环境粉尘浓度检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的基于计算机图像识别的环境粉尘浓度检测方法。
优选的,所述得到去噪后图像的方法包括:
对所述工作区域图像进行灰度化处理,得到对应的灰度化图像;
采用高斯滤波的方法对所述灰度化图像中各像素点进行处理,得到去噪后图像。
优选的,根据噪声图像中各像素点的灰度值,将噪声图像划分为多个区域的方法包括:
计算噪声图像中各像素点与对应的邻域内的像素点的灰度均值,根据所述灰度均值计算各像素点与对应的邻域内的像素点的灰度方差,判断所述灰度方差是否大于设定方差系数,根据判断结果将噪声图像中的各像素点划分为多个区域;
计算划分后各区域噪声图像的二维图像熵,判断二维图像熵是否小于图像熵阈值,若小于,则该区域划分完毕,得到噪声图像对应的多个区域;若不小于,则调整方差系数,对该区域进行划分,得到噪声图像对应的多个区域。
优选的,所述计算各区域对应的工作区域图像的颜色分量比的方法包括:
采用如下公式计算各区域对应的工作区域图像中各像素点对应的颜色分量比:
根据各区域对应的工作区域图像中各像素点对应的颜色分量比,计算各区域对应的工作区域图像的像素点颜色分量比的均值,将各区域对应的工作区域图像的像素点颜色分量比的均值作为对应区域对应的工作区域图像的颜色分量比。
优选的,采用如下公式计算各区域对应的第一背景复杂度:
优选的,根据所述各区域背景复杂度的差值,得到工作区域的粉尘浓度的方法包括:
采用如下公式计算工作区域的噪声强度:
将工作区域的噪声强度和粉尘浓度进行模拟数据拟合,得到噪声强度与粉尘浓度之间的函数关系,得到工作区域的粉尘浓度。
本发明具有如下有益效果:本发明利用噪声强度表征工作区域的粉尘浓度,噪声强度与粉尘浓度成正比关系,噪声强度越大,表明工作区域的粉尘浓度越大。本发明将工作区域的噪声图像划分为多个区域,使工作区域噪声强度相近的像素点位于同一区域内,通过背景复杂度对划分区域进行评估,利用了各区域的背景复杂度,计算工作区域的噪声强度,根据噪声强度得到整个工作区域的粉尘浓度。本发明利用图像识别技术实现了对环境粉尘浓度的检测,有效提高了计算结果的准确性,解决了现有技术不能准确得到整个工作区域的粉尘浓度的问题。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一个实施例所提供的一种基于计算机图像识别的环境粉尘浓度检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于计算机图像识别的环境粉尘浓度检测方法及系统进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机图像识别的环境粉尘浓度检测方法及系统的具体方案。
基于计算机图像识别的环境粉尘浓度检测方法实施例
为了解决现有技术不能准确得到整个工作区域的粉尘浓度的问题,本实施例提出了基于计算机图像识别的环境粉尘浓度检测方法,如图1所示,本实施例的基于计算机图像识别的环境粉尘浓度检测方法包括以下步骤:
步骤S1,获取工作区域图像,对所述工作区域图像进行去噪处理,得到去噪后图像,根据所述工作区域图像和去噪后图像,得到噪声图像。
本实施例利用监控设备获取工作区域的实时图像,将采集到的图像进行灰度化,对灰度化的图像进行图像去噪。粉尘的存在会影响工作区域图像的清晰程度,粉尘浓度越小,工作区域图像越清晰,粉尘浓度越大,工作区域图像越不清晰,因此本实施例利用噪声强度来表征工作区域的粉尘浓度。
具体来说,采用高斯去噪算法对灰度化的图像进行去噪,本实施例选取3*3大小的高斯核作为滑窗,从工作区域图像的左上角开始向右进行滑动,滑动的步长为1,每次滑动都将滑窗内每个像素点的像素值进行高斯滤波,最终得到去噪后图像。在具体应用中,可根据实际需要选取n*n大小的高斯核作为滑窗,n>2,滑动的步长也可根据实际需要进行设定。本实施例采用高斯去噪算法对图像进行去噪,该技术为公知技术,此处不再赘述。
利用工作区域的原图像减去去噪后图像,得到噪声图像。
步骤S2,根据噪声图像中各像素点的灰度值,将噪声图像划分为多个区域。
本实施例取噪声图像的几何中心点作为初始中心点,计算初始中心点的8邻域内像素点的灰度均值,得到初始中心点的邻域内的灰度方差,设置方差系数,当灰度方差时,则认为初始中心点邻域内的像素点灰度与初始中心点灰度相似,即为同一噪声强度。当灰度方差时,则认为初始中心点邻域内存在异常灰度像素点,去除邻域内极大值点,计算邻域内其他相邻像素点的灰度方差,当灰度方差,即判定其他邻域像素点为同一噪声强度的像素点,如果依旧灰度方差,继续去除邻域内次极值点,计算邻域内其他相邻像素点的灰度方差,不断迭代,直到方差满足要求。如果初始中心点周围不存在灰度相似的邻域像素点,则将初始中心点作为一个孤立像素点单独进行分析。
获取与初始中心点灰度相似的邻域像素点后,选取与8邻域相邻的像素点继续进行8邻域像素点计算灰度方差,重复以上步骤。直到完成整个工作区域图像中所有像素点判断为止。将邻域灰度方差相同的噪声像素点划分为一片区域,最终,得到多个划分区域。
图像的二维图像熵表征图像灰度分布的聚集特性。本实施例利用图像的二维图像熵对划分后的各区域图像进行验证,验证相同噪声强度区域的划分效果。二维图像熵的结果越小,表明划分的效果越好,当前划分后的区域中像素点之间的灰度值相似性越高。本实施例采用如下公式计算划分后各区域噪声图像的二维图像熵:
其中,为图像的二维图像熵,为中心像素点灰度值和邻域灰度均值组成的灰度二元组在划分后区域出现的概率,为图像区域的尺度,为灰度二元组在该区域出现的频数。本实施例设定图像熵阈值,当划分后的图像区域内图像熵值小于图像熵阈值时,则认为当前区域划分完毕;如果大于阈值,则通过调整方差系数,每次调整步长为0.02,也即,当前区域进行重新划分,得到K个区域的噪声图像。
步骤S3,计算各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第一背景复杂度。
粉尘的存在会对图像的背景清晰程度造成影响,粉尘浓度越小,工作区域图像的背景越清晰,粉尘浓度越大,工作区域图像的背景越不清晰。粉尘浓度越小,RGB图像中三个通道的最小分量值越小。具体来说,本实施例将各区域对应的工作区域图像转换成RGB图像,获取RGB图像中各像素点对应的三个通道的分量值,根据各像素点对应的三个通道的分量值计算各像素点的颜色分量比,具体计算公式如下:
其中,为第个区域对应的工作区域图像的第个像素点的颜色分量比,为第个区域中第个像素点的RGB三通道均值系数,为第个像素点的红色通道分量值,为第个像素点的绿色通道分量值,为第个像素点的蓝色通道分量值。本实施例对所得颜色分量比进行归一化处理,使其取值为[0,1]。
根据各区域对应的工作区域图像中各像素点对应的颜色分量比,计算各区域对应的工作区域图像的像素点颜色分量比的均值,将各区域对应的工作区域图像的像素点颜色分量比的均值作为对应区域对应的工作区域图像的颜色分量比。
本实施例采用Canny边缘检测算法获取工作区域图像的边缘数,采用SIFT角点检测算法获取工作区域图像的边缘角点数,采用如下公式计算各区域对应的工作区域图像的对比度:
本实施例根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数、边缘角点数,采用如下公式计算各区域对应的第一背景复杂度:
其中,为第个区域的第一背景复杂度,为第个区域的颜色分量比,为第个区域的对比度,为第个区域的边缘数,为第个区域的边缘角点数,为颜色分量比的权重,为对比度的权重,边缘数的权重,为边缘角点数的权重。本实施例设定,,,,在具体应用中,的取值根据实际需要进行设定。
步骤S4,计算各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数;根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第二背景复杂度。
本实施例将各区域对应的去噪后图像转换成RGB图像,获取RGB图像中三个通道的分量值,根据RGB图像中三个通道的分量值,采用步骤S3的方法,计算各区域对应的去噪后图像的颜色分量比。
同样地,采用步骤S3的方法,计算各区域对应的去噪后图像的对比度、边缘数和边缘角点数;根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数、边缘角点数,计算各区域对应的第二背景复杂度。
步骤S5,根据各区域对应的第一背景复杂度和第二背景复杂度,计算各区域对应的背景复杂度差值,根据所述各区域对应的背景复杂度差值,得到工作区域的粉尘浓度。
第一背景复杂度反映含噪图像的分布情况,第二背景复杂度反映去噪后图像的分布情况,第一背景复杂度与第二背景复杂度的差值反映工作区域的噪声分布情况,差值越大,该区域的噪声强度越大。因此本实施例将各区域对应的第一背景复杂度与第二背景复杂度做差,得到各区域背景复杂度的差值。
噪声强度反映工作区域的粉尘浓度,噪声强度越强,对整个工作区域的粉尘浓度的影响程度越大;且某一区域所占的面积越大,该区域的噪声强度越能反映整个工作区域的噪声图像。本实施例将各区域的面积占比作为该区域的权重,利用划分后各区域的面积与对应的背景复杂度差值进行加权求和,得到整个工作区域的噪声强度评估值,具体计算公式如下:
本实施例利用噪声强度来表征工作区域的粉尘浓度,将噪声强度和粉尘浓度进行模拟数据拟合,得到粉尘浓度与噪声强度之间的函数关系,根据粉尘浓度与噪声强度之间的函数关系,计算工作区域的粉尘浓度。
本实施例利用噪声强度表征工作区域的粉尘浓度,噪声强度与粉尘浓度成正比关系,噪声强度越大,表明工作区域的粉尘浓度越大。本实施例将工作区域的噪声图像划分为多个区域,使工作区域噪声强度相近的像素点位于同一区域内,通过背景复杂度对划分区域进行评估,利用了各区域的背景复杂度,计算工作区域的噪声强度,根据噪声强度得到整个工作区域的粉尘浓度。本实施例利用图像识别技术实现了对环境粉尘浓度的检测,有效提高了计算结果的准确性,解决了现有技术不能准确得到整个工作区域的粉尘浓度的问题。
基于计算机图像识别的环境粉尘浓度检测系统实施例
本实施例基于计算机图像识别的环境粉尘浓度检测系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述所述的基于计算机图像识别的环境粉尘浓度检测方法。
由于基于计算机图像识别的环境粉尘浓度检测方法已经在基于计算机图像识别的环境粉尘浓度检测方法实施例中进行了说明,所以本实施例不再对基于计算机图像识别的环境粉尘浓度检测方法进行赘述。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于计算机图像识别的环境粉尘浓度检测方法,其特征在于,该方法包括以下步骤:
获取工作区域图像,对所述工作区域图像进行去噪处理,得到去噪后图像,根据所述工作区域图像和去噪后图像,得到噪声图像;
根据噪声图像中各像素点的灰度值,将噪声图像划分为多个区域;
计算各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第一背景复杂度;
计算各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数;根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数,计算各区域对应的第二背景复杂度;
根据各区域对应的第一背景复杂度和第二背景复杂度,计算各区域对应的背景复杂度差值,根据所述各区域对应的背景复杂度差值,得到工作区域的粉尘浓度;
所述计算各区域对应的工作区域图像的颜色分量比的方法包括:
采用如下公式计算各区域对应的工作区域图像中各像素点对应的颜色分量比:
根据各区域对应的工作区域图像中各像素点对应的颜色分量比,计算各区域对应的工作区域图像的像素点颜色分量比的均值,将各区域对应的工作区域图像的像素点颜色分量比的均值作为对应区域对应的工作区域图像的颜色分量比。
2.根据权利要求1所述的一种基于计算机图像识别的环境粉尘浓度检测方法,其特征在于,所述得到去噪后图像的方法包括:
对所述工作区域图像进行灰度化处理,得到对应的灰度化图像;
采用高斯滤波的方法对所述灰度化图像中各像素点进行处理,得到去噪后图像。
3.根据权利要求1所述的一种基于计算机图像识别的环境粉尘浓度检测方法,其特征在于,根据噪声图像中各像素点的灰度值,将噪声图像划分为多个区域的方法包括:
计算噪声图像中各像素点与对应的邻域内的像素点的灰度均值,根据所述灰度均值计算各像素点与对应的邻域内的像素点的灰度方差,判断所述灰度方差是否大于设定方差系数,根据判断结果将噪声图像中的各像素点划分为多个区域;
计算划分后各区域噪声图像的二维图像熵,判断二维图像熵是否小于图像熵阈值,若小于,则该区域划分完毕,得到噪声图像对应的多个区域;若不小于,则调整方差系数,对该区域进行划分,得到噪声图像对应的多个区域。
6.一种基于计算机图像识别的环境粉尘浓度检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-5任一项所述的基于计算机图像识别的环境粉尘浓度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210291781.9A CN114387273B (zh) | 2022-03-24 | 2022-03-24 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210291781.9A CN114387273B (zh) | 2022-03-24 | 2022-03-24 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387273A CN114387273A (zh) | 2022-04-22 |
CN114387273B true CN114387273B (zh) | 2022-05-31 |
Family
ID=81206015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210291781.9A Active CN114387273B (zh) | 2022-03-24 | 2022-03-24 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387273B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627140B (zh) * | 2022-05-16 | 2022-08-16 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN115018872B (zh) * | 2022-07-15 | 2022-11-08 | 江苏顺联工程建设有限公司 | 一种用于市政施工的吸尘设备智能控制方法 |
CN115797343B (zh) * | 2023-02-06 | 2023-04-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖环境视频监控方法 |
CN116563799B (zh) * | 2023-07-11 | 2023-09-22 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN116823824B (zh) * | 2023-08-29 | 2023-11-24 | 山东济宁运河煤矿有限责任公司 | 基于机器视觉的井下带式输送机降尘检测系统 |
CN117067859B (zh) * | 2023-10-17 | 2024-01-16 | 深圳市蓝鲸智联科技股份有限公司 | 一种基于视觉的车内环境调节方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891074A (zh) * | 2016-04-12 | 2016-08-24 | 东南大学 | 一种粉尘浓度图像采集装置及采集方法 |
CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
CN107870141A (zh) * | 2017-09-15 | 2018-04-03 | 孔华 | 一种室内高精度测量灰尘浓度的方法 |
CN108550159A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种基于图像三色分割的烟气浓度标识方法 |
CN109190624A (zh) * | 2018-09-29 | 2019-01-11 | 佛山市云米电器科技有限公司 | 基于图像处理的厨房油烟浓度检测方法 |
CN109389604A (zh) * | 2018-09-29 | 2019-02-26 | 佛山市云米电器科技有限公司 | 一种厨房油烟图像检测干扰排除方法 |
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 |
CN113222929A (zh) * | 2021-05-07 | 2021-08-06 | 南京信息职业技术学院 | 一种基于全变分的烟雾浓度检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011071482A (ja) * | 2009-08-28 | 2011-04-07 | Fujifilm Corp | 固体撮像装置,固体撮像装置の製造方法,デジタルスチルカメラ,デジタルビデオカメラ,携帯電話,内視鏡 |
CL2015003778A1 (es) * | 2015-12-30 | 2017-10-13 | Univ Santiago Chile | Sistema y método de comunicación a través de luz visible para túneles subterráneos. |
CN109978896A (zh) * | 2019-04-04 | 2019-07-05 | 辽宁鼎汉奇辉电子系统工程有限公司 | 一种基于图像处理技术的铁路货车车厢烟火监测方法 |
-
2022
- 2022-03-24 CN CN202210291781.9A patent/CN114387273B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891074A (zh) * | 2016-04-12 | 2016-08-24 | 东南大学 | 一种粉尘浓度图像采集装置及采集方法 |
CN106203377A (zh) * | 2016-07-20 | 2016-12-07 | 西安科技大学 | 一种煤粉尘图像识别方法 |
CN107870141A (zh) * | 2017-09-15 | 2018-04-03 | 孔华 | 一种室内高精度测量灰尘浓度的方法 |
CN108550159A (zh) * | 2018-03-08 | 2018-09-18 | 佛山市云米电器科技有限公司 | 一种基于图像三色分割的烟气浓度标识方法 |
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 |
CN109190624A (zh) * | 2018-09-29 | 2019-01-11 | 佛山市云米电器科技有限公司 | 基于图像处理的厨房油烟浓度检测方法 |
CN109389604A (zh) * | 2018-09-29 | 2019-02-26 | 佛山市云米电器科技有限公司 | 一种厨房油烟图像检测干扰排除方法 |
CN113222929A (zh) * | 2021-05-07 | 2021-08-06 | 南京信息职业技术学院 | 一种基于全变分的烟雾浓度检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于图像法的粉尘浓度检测;陈锋等;《环境工程》;20191231;第37卷;第174-178页 * |
基于图像法的粉尘浓度检测设计与研究;陈锋;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20210215(第2期);第1-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114387273A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387273B (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN114418957B (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
US7903880B2 (en) | Image processing apparatus and method for detecting a feature point in an image | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
US11490854B2 (en) | Method and device for analyzing water content of skin by means of skin image | |
CN116168026A (zh) | 基于计算机视觉的水质检测方法及系统 | |
EP2797052B1 (en) | Detecting a saliency region in an image | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Narendra et al. | Study and comparison of various image edge detection techniques used in quality inspection and evaluation of agricultural and food products by computer vision | |
CN103455994A (zh) | 图像模糊度的确定方法和设备 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN115115642A (zh) | 基于图像处理的带钢结疤缺陷检测方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN117314901A (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN114998346B (zh) | 一种防水布质量数据处理、识别方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221227 Address after: No. 001, Huihe Street, Laiwu High tech Zone, Jinan, Shandong 250000 Patentee after: Jinan Gaotou Property Management Service Co.,Ltd. Address before: 271100 No.1 shancai street, high tech Zone, Laiwu District, Jinan City, Shandong Province Patentee before: LAIWU VOCATIONAL AND TECHNICAL College |