CN115063427B - 用于新型船舶的污染物排放监控图像处理方法 - Google Patents

用于新型船舶的污染物排放监控图像处理方法 Download PDF

Info

Publication number
CN115063427B
CN115063427B CN202210990207.2A CN202210990207A CN115063427B CN 115063427 B CN115063427 B CN 115063427B CN 202210990207 A CN202210990207 A CN 202210990207A CN 115063427 B CN115063427 B CN 115063427B
Authority
CN
China
Prior art keywords
exhaust gas
band
exhaust
acquisition time
target
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
CN202210990207.2A
Other languages
English (en)
Other versions
CN115063427A (zh
Inventor
方健
齐剑虎
魏璟弢
牛亚斌
冯楠楠
苗苗
刘犇
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.)
Nanjiang Maritime Administration Of People's Republic Of China
CNOOC Tianjin Chemical Research and Design Institute Co Ltd
Original Assignee
Nanjiang Maritime Administration Of People's Republic Of China
CNOOC Tianjin Chemical Research and Design Institute 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 Nanjiang Maritime Administration Of People's Republic Of China, CNOOC Tianjin Chemical Research and Design Institute Co Ltd filed Critical Nanjiang Maritime Administration Of People's Republic Of China
Priority to CN202210990207.2A priority Critical patent/CN115063427B/zh
Publication of CN115063427A publication Critical patent/CN115063427A/zh
Application granted granted Critical
Publication of CN115063427B publication Critical patent/CN115063427B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Remote Sensing (AREA)
  • Immunology (AREA)
  • Combustion & Propulsion (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及用于新型船舶的污染物排放监控图像处理方法，属于数据处理技术领域。该方法包括以下步骤：根据相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量，得到各采集时刻对应的废气带形态变化指标；根据相邻采集时刻对应的废气带图像之间的视角差异指标，得到各采集时刻对应的废气带形态变化指标的置信度；根据废气带形态变化指标和废气带形态变化指标的置信度，得到各采集时刻对应的废气成分数据的可靠程度；根据可靠程度和废气成分数据，对各采集时刻对应的废气成分数据进行筛选，得到目标废气成分数据；根据目标废气成分数据，判断船舶航行过程中的废气排放是否超标。本发明能相对可靠的对船舶废气排放进行监控。

Description

用于新型船舶的污染物排放监控图像处理方法
技术领域
本发明涉及数据处理技术领域，具体涉及用于新型船舶的污染物排放监控图像处理方法。
背景技术
近年来，我国船舶运输量和总吨位增长较快，其中我国约34%的外贸出口货物由海运完成，但是由于船舶尾气排放不能被有效监控，因此难以掌握船舶废气排放的真实情况，进而可能会出现船舶废气排放超标的问题，而船舶废气排放超标会导致一系列的环境问题，因此对船舶废气排放进行可靠的监测至关重要。
现有一般利用无人机搭载传感器或者检测仪，配合实时数据分析软件来对船舶废气进行监测，但是这种监测方式再对船舶废气进行监测时，可能会受到外界偶然因素的影响，如风速出现瞬时突变，进而导致监测设备所监测的所有数据的参考价值可能不同，而如果后续分析时不考虑这种情况，可能会使得最终分析或者估计的结果准确度较低，因此这种对船舶废气排放进行监测的方式可靠性较低。
发明内容
本发明提供用于新型船舶的污染物排放监控图像处理方法，用于解决现有方法不能对船舶废气排放进行可靠监测的问题，所采用的技术方案具体如下：
本发明实施例提供了用于新型船舶的污染物排放监控图像处理方法包括以下步骤：
获取船舶航行废气排放过程中目标监控时间段内各采集时刻对应的废气带图像和各采集时刻对应的废气成分数据；
将所述废气带图像输入到训练好的神经网络中，得到所述废气带图像中的废气带包围框对应的特征参数向量；根据相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量，得到目标监控时间段内各采集时刻对应的废气带形态变化指标；
利用SIFT算法，得到相邻采集时刻对应的废气带图像之间的视角差异指标；根据所述视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度；
根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度；根据所述可靠程度和废气成分数据，对所述各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；根据所述目标废气成分数据，判断船舶航行过程中的废气排放是否超标。
优选的，特征参数向量中的参数包含废气带包围框的中心点横坐标、废气带包围框的中心点纵坐标、废气带包围框的高度以及废气带包围框的宽度。
优选的，对于目标监控时间段内的任一采集时刻，根据如下公式计算得到该目标监控时间段内该采集时刻对应的废气带形态变化指标：
Figure 326031DEST_PATH_IMAGE001
其中，
Figure 571067DEST_PATH_IMAGE002
为第t个采集时刻对应的废气带形态变化指标，
Figure 163854DEST_PATH_IMAGE003
为第t个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值，
Figure 621380DEST_PATH_IMAGE004
为第t-1个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值。
优选的，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度的方法，包括：
对于目标监控时间段内的第t个采集时刻：
利用SIFT算法得到该目标监控时间段内的第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像对应的SIFT点，通过随机一致性检验方法，得到第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像相互匹配后的特征点，从相互匹配后的特征点中选取四对相互匹配的特征点，记为目标特征点对；
计算各目标特征点对中的两个特征点之间的欧式距离的累加和，将各目标特征点对中的两个特征点之间的欧式距离的累加和作为第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标，并将第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标记为第t个采集时刻对应的废气带形态变化指标的置信度。
优选的，根据如下公式计算各采集时刻对应的废气成分数据的可靠程度：
Figure 92811DEST_PATH_IMAGE005
其中，
Figure 728323DEST_PATH_IMAGE006
为目标监控时间段内第t个采集时刻对应的废气成分数据的可靠程度，
Figure 57673DEST_PATH_IMAGE007
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标的置信度，
Figure 833737DEST_PATH_IMAGE002
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标。
优选的，根据所述可靠程度和废气成分数据，对所述各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据的方法，包括：
判断各采集时刻对应的废气成分数据的可靠程度是否小于预设可靠度阈值，若是，则将对应的采集时刻记为目标采集时刻，将对应的废气成分数据记为目标废气成分数据；否则，则将对应的废气成分数据剔除掉。
优选的，废气带图像是由无人机搭载相机采集的，所述废气成分数据是由无人机搭载废气成分检测仪采集的。
有益效果：本发明利用无人机搭载废气成分检测仪采集船舶航行废气排放过程中废气成分数据，利用机载相机采集船舶航行废气排放过程中的废气带图像；并通过对相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量进行分析，得到目标监控时间段内各采集时刻对应的废气带形态变化指标，废气带形态变化指标能够反映废气成分数据的可靠程度；然后基于相邻采集时刻对应的废气带图像之间的视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度，废气带形态变化指标的置信度也能够反映废气成分数据的可靠程度；因此根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度，之后基于各采集时刻对应的废气成分数据的可靠程度，对各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；然后基于各目标废气成分数据，判断船舶航行过程中的废气排放是否超标，本发明能将可靠程度低的废气成分数据筛选出来，只使用可靠程度高的废气成分数据来分析判断船舶航行废气排放过程中的废气排放是否超标，因此能相对准确和可靠的对船舶废气排放进行监控。
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为本发明用于新型船舶的污染物排放监控图像处理方法的流程图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了用于新型船舶的污染物排放监控图像处理方法，详细说明如下：
如图1所示，该用于新型船舶的污染物排放监控图像处理方法，包括以下步骤：
步骤S001，获取船舶航行废气排放过程中目标监控时间段内各采集时刻对应的废气带图像和各采集时刻对应的废气成分数据。
本实施例除了利用无人机搭载废气成分检测仪采集船舶航行废气排放过程中废气成分数据之外，还利用机载相机采集船舶航行废气排放过程中的废气带图像；然后通过对相邻废气带图像进行分析，得到废气排放过程中的废气带形态变化指标以及废气带形态变化指标的置信度；然后基于废气排放过程中的废气带形态变化指标以及废气带形态变化指标的置信度，得到船舶航行废气排放过程中各采集时刻对应的废气成分数据的可靠程度，并基于各采集时刻对应的废气成分数据的可靠程度，对各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；然后基于各目标废气成分数据，判断船舶航行过程中的废气排放是否超标。本实施例提供的监控方法能将参考价值低的废气成分数据筛选出来，只使用参考价值高的废气成分数据来分析判断船舶航行废气排放过程中的废气排放是否超标，因此能相对准确和可靠的对船舶废气排放进行监控。
本实施例设置两架无人机，一架搭载相机，一架搭载废气成分检测仪，所述相机用于拍摄船舶航行废气排放过程中废气带的图像，所述检测仪用于实时获取船舶废气排放过程中各时刻的废气成分数据；所述废气成分数据包括废气中常含有NOx、VOCs等的浓度。
而考虑到成本和工作量的问题，本实施例利用采样的方式对船舶航行过程中的废气排放进行监控，因此本实施例设置在船舶航行过程中间隔一定的时间对船舶航行废气排放过程进行监控，将监控的时间段记为目标监控时间段，所述目标监控时间段的时间长度需要根据实际情况设置，例如可以是3分钟或者10分钟等；因此船舶航行废气排放过程中会对应多个目标监控时间段，相邻目标监控时间段之间的时间间隔也需根据实际情况设定，例如可以设置每隔3个小时就对船舶航行废气排放过程进行监控。
因此本实施例通过上述过程可以得到船舶废气排放过程中目标监控时间段内各采集时刻对应的废气带图像和各采集时刻对应的废气成分数据；所述相邻采集时刻之间的时间长度需要根据实际情况设置；并且设置搭载相机的无人机的飞行方向为船舶航行废气排放时废气带移动的方向，飞行速度和船舶航行速度保持一致，设置搭载检测仪的无人机的飞行方向和飞行速度和搭载相机的无人机保持一致，但是搭载检测仪的无人机需要进入到废气带中进行采集数据，而搭载相机的无人机则不能进入到废气带中，因此搭载相机的无人机和搭载检测仪的无人机与烟囱端口的高度需要根据实际情况设置，例如可以是5到10m之间。
获得船舶航行废气排放时废气带移动的方向的过程为：从数据库中获取目标监控时间段中各采集时刻的风向和风速，根据所述风向和风速，构建得到各采集时刻对应的第一速度向量；获取目标监控时间段内各采集时刻的船舶航行方向和船舶航行速度，根据所述船舶航行方向和船舶航行速度，构建得到各采集时刻对应的第二速度向量；对各采集时刻对应的第一速度向量和对应的第二速度向量进行求和，得到各采集时刻对应的综合向量；将各采集时刻对应的综合向量的方向作为船舶航行废气排放时废气带移动的方向；因此依据船舶航行废气排放时废气带移动的方向可以得到目标监控时间段船舶航行排气时废气带移动的方向。
步骤S002，将所述废气带图像输入到训练好的神经网络中，得到所述废气带图像中的废气带包围框对应的特征参数向量；根据相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量，得到目标监控时间段内各采集时刻对应的废气带形态变化指标。
由于船舶航行过程中排放的废气并不是标准的白色，可能是黑色等其他颜色，并且不同的废气量所导致烟的透明度不同，进而无法通过颜色和纹理准确的分割得到废气带所在区域；因此本实施例通过神经网络得到废气带图像中的废气带包围框和废气带包围框对应的特征参数向量，得到目标监控时间段内各采集时刻对应的废气带形态变化指标；具体过程为：
本实施例将各废气带图像输入训练好的CenterNet网络，由DNN网络输出得到各废气带图像中的废气带包围框对应的特征参数向量，所述特征参数向量中包含废气带包围框的中心点横坐标、废气带包围框的中心点纵坐标、废气带包围框的高度以及废气带包围框的宽度；CenterNet网络的训练过程为：获取训练样本集，所述训练样本集中的各图像中包含不同采集视角、不同采集环境以及不同尺寸的废气带的图像；对训练样本集进行人工标注，其中人工标注的数据包括废气带包围框的中心点横坐标、废气带包围框的中心点纵坐标、废气带包围框的高度以及废气带包围框的宽度，并且标注数据都为进行归一化之后的数据，将训练样本集中的各图像和标注数据输入到CenterNet网络中进行训练，并采用均方差损失函数进行监督；所述CenterNet网络的具体训练过程为公知技术，因此不做详细描述。
由于分析相邻采集时刻废气带包围框对应的特征参数向量之间的差异可以反映废气带的形态变化，而当废气带的形态出现突变时，此时检测仪所采集的废气成分数据的可靠程度较低，即检测仪所采集的废气成分数据的参考价值较低，后续不能基于参考价值较低的废气成分数据去评估或者评判船舶的废气排放是否超标，而本实施例不直接依据检测仪所采集的数据将突变数据或者峰值数据筛选出来，是因为检测仪采集的数据中的一些峰值数据可能本来就是船舶在那个采集时刻的真实的排放数据，因此不能直接将检测仪所采集的数据中的所有突变数据或者峰值数据筛选出来；但是通常情况下当废气带的形态出现突变时，检测仪此时所采集的数据通常都会发生较大的突变，并且废气带的形态突变通常情况下是由于外界风速的瞬时突变等因素导致的，因此当废气带的形态出现突变时检测仪所采集的数据参考价值较低，因此本实施例基于图像分析废气带的形态变化对废气成分数据进行筛选的方式与直接依据检测仪所采集的废气成分数据的变化对废气成分数据进行筛选的方式，相对较可靠。因此本实施例根据目标监控时间段内相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量，得到目标监控时间段内各采集时刻对应的废气带形态变化指标；并且各特征参数向量中的第一个元素均为废气带包围框的中心点横坐标、第二个元素均为废气带包围框的中心点纵坐标、第三个元素均为废气带包围框的高度以及第四个元素均为废气带包围框的宽度；对于目标监控时间段内的第t个采集时刻，根据如下公式计算得到该目标监控时间段内该采集时刻对应的废气带形态变化指标：
Figure 564933DEST_PATH_IMAGE001
其中，
Figure 371346DEST_PATH_IMAGE002
为第t个采集时刻对应的废气带形态变化指标，
Figure 187992DEST_PATH_IMAGE003
为第t个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值，
Figure 439851DEST_PATH_IMAGE004
为第t-1个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值；
Figure 25553DEST_PATH_IMAGE008
越大，表明
Figure 534026DEST_PATH_IMAGE002
越大，
Figure 837968DEST_PATH_IMAGE002
越大，表明第t个采集时刻与第t-1个采集时刻之间的废气带形态变化越大，即第t个采集时刻对应的废气成分数据的参考价值越低。
步骤S003，利用SIFT算法，得到相邻采集时刻对应的废气带图像之间的视角差异指标；根据所述视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度。
由于上述各目标监控时间段内各采集时刻对应的废气带形态变化指标是基于废气带包围框之间的差异计算的，而包围框的变化可能是由于拍摄视角引起的，也可能是废气带形态的变化所导致的，而当拍摄视角差异较大时，原本的废气带包围框之间的差异可能较大也可能较小，所以当拍摄视角差异较大时，得到的废气带形态变化指标的置信度就较低。因此本实施例利用SIFT算法，得到相邻采集时刻对应的废气带图像之间的视角差异指标，然后根据得到相邻采集时刻对应的废气带图像之间的视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度；具体为：
对于目标监控时间段内的第t个采集时刻：利用SIFT算法得到该目标监控时间段内的第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像对应的SIFT点，之后通过随机一致性检验方法，得到第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像相互匹配后的特征点，从相互匹配后的特征点中选取四对相互匹配的特征点，记为目标特征点对，即所述目标特征点对得数量为4；然后计算各目标特征点对中的两个特征点之间的欧式距离的累加和，将各目标特征点对中的两个特征点之间的欧式距离的累加和作为第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标，并将第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标记为第t个采集时刻对应的废气带形态变化指标的置信度。
上述选取四对相互匹配的特征点是因为在图像矫正过程中，要依据四对相互匹配的特征点得到第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像中的透视变换矩阵，以第t个采集时刻对应的废气带图像为标准图像，并根据透视变换矩阵，对第t-1个采集时刻对应的废气带图像进行矫正，矫正后的废气带图像与第t个采集时刻对应的废气带图像为同一拍摄视角；上述矫正过程为现有技术，因此上述选取四对相互匹配的特征点的过程也为公知，因此不再详细描述；而本实施例基于计算矫正后的相邻采集时刻的废气带图像中的废气带包围框得到的目标监控时间段内各采集时刻对应的废气带形态变化指标对废气成分数据进行筛选，是因为图像矫正过程是图像拉伸过程，并不是真实的废气带包围框，因此还是要考虑相邻采集时刻对应的废气带图像之间的视角差异指标，来得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度，作为后续对废气成分数据进行筛选的一个指标。
步骤S004，根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度；根据所述可靠程度和废气成分数据，对所述各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；根据所述目标废气成分数据，判断船舶航行过程中的废气排放是否超标。
本实施例依据废气带形态变化指标和废气带形态变化指标的置信度，对各目标监控时间段内各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；然后依据目标废气成分数据，判断船舶航行过程中的废气排放是否超标；具体过程为：
根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度；根据如下公式计算各采集时刻对应的废气成分数据的可靠程度：
Figure 752572DEST_PATH_IMAGE009
其中，
Figure 474672DEST_PATH_IMAGE006
为目标监控时间段内第t个采集时刻对应的废气成分数据的可靠程度，
Figure 872155DEST_PATH_IMAGE010
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标的置信度，
Figure 918520DEST_PATH_IMAGE002
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标；
Figure 59652DEST_PATH_IMAGE002
越大，表明废气成分数据的可靠程度越低，即表明第t个采集时刻对应的废气成分数据的参考价值小；
Figure 370678DEST_PATH_IMAGE011
越大，表明第t个采集时刻对应的废气带形态变化指标的置信度越低，即
Figure 407905DEST_PATH_IMAGE002
的置信度越低，则
Figure 670127DEST_PATH_IMAGE012
越大，
Figure 880529DEST_PATH_IMAGE006
越大，表明第t个采集时刻对应的废气成分数据的可靠程度越低。
因此通过上述过程可以得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度；判断各采集时刻对应的废气成分数据的可靠程度是否小于预设可靠度阈值，若是，则将对应的采集时刻记为目标采集时刻，将对应的废气成分数据记为目标废气成分数据；否则，则将对应的废气成分数据剔除掉；所述预设可靠度阈值需要根据实际情况设置。
由于当船舶行驶至某一水域时，船载定位模块将船舶位置信息和水域地理信息显示在船舶的显示器中，与此同时，还将通过北斗通讯网络传输至监控中心，船舶PLC柜服务器将接收到的船舶位置信息储存至船舶数据库中，并且可以确定船舶所在水域的船舶废气排放标准；并且无人机和船舶PLC柜服务器之间采用无线传输的方式，进行数据传输，即将检测出的船舶航行废气排放过程中目标监控时间段内各采集时刻的废气成分数据传输至船舶PLC柜服务器中，然后通过分析可以得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度，并对废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；然后根据检测到的目标废气成分数据和该水域的船舶废气排放标准判断该船舶在目标监控时间段内是否出现排放超标现象，若是，则通过预警装置进行警报，提醒工作人员将该船舶作为重点监控对象；并将无人机所拍摄的图像数据和废气成分检测仪的检测结果，进行上传至监控中心，用于保留取证。
本实施例利用无人机搭载废气成分检测仪采集船舶航行废气排放过程中废气成分数据，利用机载相机采集船舶航行废气排放过程中的废气带图像；并通过对相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量进行分析，得到目标监控时间段内各采集时刻对应的废气带形态变化指标，废气带形态变化指标能够反映废气成分数据的可靠程度；然后基于相邻采集时刻对应的废气带图像之间的视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度，废气带形态变化指标的置信度也能够反映废气成分数据的可靠程度；因此根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度，之后基于各采集时刻对应的废气成分数据的可靠程度，对各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；然后基于各目标废气成分数据，判断船舶航行过程中的废气排放是否超标，本实施例能将可靠程度低的废气成分数据筛选出来，只使用可靠程度高的废气成分数据来分析判断船舶航行废气排放过程中的废气排放是否超标，因此能相对准确和可靠的对船舶废气排放进行监控。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种用于新型船舶的污染物排放监控图像处理方法，其特征在于，该方法包括如下步骤：
获取船舶航行废气排放过程中目标监控时间段内各采集时刻对应的废气带图像和各采集时刻对应的废气成分数据；
将所述废气带图像输入到训练好的神经网络中，得到所述废气带图像中的废气带包围框对应的特征参数向量；根据相邻采集时刻的废气带图像中的废气带包围框对应的特征参数向量，得到目标监控时间段内各采集时刻对应的废气带形态变化指标；
利用SIFT算法，得到相邻采集时刻对应的废气带图像之间的视角差异指标；根据所述视角差异指标，得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度；
根据所述废气带形态变化指标和所述废气带形态变化指标的置信度，得到目标监控时间段内各采集时刻对应的废气成分数据的可靠程度；根据所述可靠程度和废气成分数据，对所述各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据；根据所述目标废气成分数据，判断船舶航行过程中的废气排放是否超标。
2.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，所述特征参数向量中的参数包含废气带包围框的中心点横坐标、废气带包围框的中心点纵坐标、废气带包围框的高度以及废气带包围框的宽度。
3.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，对于目标监控时间段内的任一采集时刻，根据如下公式计算得到该目标监控时间段内该采集时刻对应的废气带形态变化指标：
Figure 309536DEST_PATH_IMAGE001
其中，
Figure 111138DEST_PATH_IMAGE002
为第t个采集时刻对应的废气带形态变化指标，
Figure 860658DEST_PATH_IMAGE003
为第t个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值，
Figure 78012DEST_PATH_IMAGE004
为第t-1个采集时刻对应的废气带图像中的废气带包围框对应的特征参数向量中的第i个参数值。
4.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，所述得到目标监控时间段内各采集时刻对应的废气带形态变化指标的置信度的方法，包括：
对于目标监控时间段内的第t个采集时刻：
利用SIFT算法得到该目标监控时间段内的第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像对应的SIFT点，通过随机一致性检验方法，得到第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像相互匹配后的特征点，从相互匹配后的特征点中选取四对相互匹配的特征点，记为目标特征点对；
计算各目标特征点对中的两个特征点之间的欧式距离的累加和，将各目标特征点对中的两个特征点之间的欧式距离的累加和作为第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标，并将第t个采集时刻对应的废气带图像与第t-1个采集时刻对应的废气带图像之间的视角差异指标记为第t个采集时刻对应的废气带形态变化指标的置信度。
5.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，根据如下公式计算各采集时刻对应的废气成分数据的可靠程度：
Figure 363631DEST_PATH_IMAGE005
其中，
Figure 539398DEST_PATH_IMAGE006
为目标监控时间段内第t个采集时刻对应的废气成分数据的可靠程度，
Figure 776213DEST_PATH_IMAGE007
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标的置信度，
Figure 62838DEST_PATH_IMAGE002
为目标监控时间段内第t个采集时刻对应的废气带形态变化指标。
6.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，所述根据所述可靠程度和废气成分数据，对所述各采集时刻对应的废气成分数据进行筛选，得到各目标采集时刻对应的目标废气成分数据的方法，包括：
判断各采集时刻对应的废气成分数据的可靠程度是否小于预设可靠度阈值，若是，则将对应的采集时刻记为目标采集时刻，将对应的废气成分数据记为目标废气成分数据；否则，则将对应的废气成分数据剔除掉。
7.如权利要求1所述的用于新型船舶的污染物排放监控图像处理方法，其特征在于，所述废气带图像是由无人机搭载相机采集的，所述废气成分数据是由无人机搭载废气成分检测仪采集的。
CN202210990207.2A 2022-08-18 2022-08-18 用于新型船舶的污染物排放监控图像处理方法 Active CN115063427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210990207.2A CN115063427B (zh) 2022-08-18 2022-08-18 用于新型船舶的污染物排放监控图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210990207.2A CN115063427B (zh) 2022-08-18 2022-08-18 用于新型船舶的污染物排放监控图像处理方法

Publications (2)

Publication Number Publication Date
CN115063427A CN115063427A (zh) 2022-09-16
CN115063427B true CN115063427B (zh) 2022-11-15

Family

ID=83207283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210990207.2A Active CN115063427B (zh) 2022-08-18 2022-08-18 用于新型船舶的污染物排放监控图像处理方法

Country Status (1)

Country Link
CN (1) CN115063427B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115267094A (zh) * 2022-09-29 2022-11-01 南通迈伦机电科技有限公司 一种废气排放监控检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108490124A (zh) * 2018-03-17 2018-09-04 广东容祺智能科技有限公司 一种基于无人机的气体检测系统与方法
CN108647648A (zh) * 2018-05-14 2018-10-12 电子科技大学 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法
CN109063910A (zh) * 2018-08-02 2018-12-21 浙江海洋大学 一种基于大数据的船舶污染物排放实时监测方法
CN109991371A (zh) * 2019-03-26 2019-07-09 交通运输部天津水运工程科学研究所 一种基于无人机的船舶尾气跟随监测方法
CN111811572A (zh) * 2020-06-12 2020-10-23 江苏奥畋工程科技有限公司 一种基于大数据的船舶废气排放实时监测方法
CN113417725A (zh) * 2021-07-23 2021-09-21 保蓝行(福建)环保技术研究院有限责任公司 一种尾气排放控制系统
CN114279503A (zh) * 2022-01-06 2022-04-05 上海第二工业大学 一种边云协同的自主巡航型水污染排放智能监测小船

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108490124A (zh) * 2018-03-17 2018-09-04 广东容祺智能科技有限公司 一种基于无人机的气体检测系统与方法
CN108647648A (zh) * 2018-05-14 2018-10-12 电子科技大学 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法
CN109063910A (zh) * 2018-08-02 2018-12-21 浙江海洋大学 一种基于大数据的船舶污染物排放实时监测方法
CN109991371A (zh) * 2019-03-26 2019-07-09 交通运输部天津水运工程科学研究所 一种基于无人机的船舶尾气跟随监测方法
CN111811572A (zh) * 2020-06-12 2020-10-23 江苏奥畋工程科技有限公司 一种基于大数据的船舶废气排放实时监测方法
CN113417725A (zh) * 2021-07-23 2021-09-21 保蓝行(福建)环保技术研究院有限责任公司 一种尾气排放控制系统
CN114279503A (zh) * 2022-01-06 2022-04-05 上海第二工业大学 一种边云协同的自主巡航型水污染排放智能监测小船

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Ship fuel sulfur content prediction based on convolutional neural network and ultraviolet camera images";Kai Cao etal.;《ELSEVIER》;20211231;第1-9页 *
"Surveillance of ship emissions and fuel sulfur content based on imaging detection and multi-task deep learning";Kai Cao etal.;《ELSEVIER》;20211231;第1-9页 *

Also Published As

Publication number Publication date
CN115063427A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN108806334A (zh) 一种基于图像的智能船舶身份识别方法
CN112978128B (zh) 基于大数据和图像分析技术的冷链物流运输商品品质监测管理系统
CN115063427B (zh) 用于新型船舶的污染物排放监控图像处理方法
CN115171361B (zh) 一种基于计算机视觉的危险行为智能检测预警方法
CN110796360A (zh) 一种固定型交通检测源多尺度数据融合方法
CN118280054B (zh) 基于无人机图像分析的森林火灾监测预警系统
CN113887324A (zh) 基于卫星遥感数据的火点检测方法
KR101876185B1 (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
CN111931573A (zh) 基于yolo进化深度学习模型的安全帽检测与预警方法
CN100476866C (zh) 点源目标检测的小虚警率的试验估计方法
CN114627286A (zh) 基于PSPNet和改进YOLOv4的地磅人员入侵的检测方法
CN112241691B (zh) 基于无人机巡检与图像特征的渠道冰情智能识别方法
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN117269162A (zh) 一种基于人工智能的水域信息数字化监测系统及方法
CN116310953A (zh) 一种冷源拦截网的浮筒脱网智能检测方法
CN114693579A (zh) 一种物流货仓内监控图像处理系统
CN115100577A (zh) 基于神经网络的能见度识别方法及系统、电子设备、存储介质
WO2020118901A1 (zh) 一种基于深度学习的天线下倾角测量方法
CN112931482B (zh) 一种杆塔驱鸟器
CN115407800B (zh) 一种农产品仓储保鲜库内无人机巡检方法
CN118230510B (zh) 一种基于图像识别的岩石工程地质灾害预警方法
CN117237676B (zh) 一种核电厂基于事件相机对小目标掉落轨迹的处理方法
CN118319262B (zh) 基于红外成像的婴儿体温监控报警测试方法
CN117253176A (zh) 基于视频分析与计算机视觉的安全生产Al智能检测方法

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