CN115240105A - 基于图像识别的扬尘监测方法及相关设备 - Google Patents

基于图像识别的扬尘监测方法及相关设备 Download PDF

Info

Publication number
CN115240105A
CN115240105A CN202210811979.5A CN202210811979A CN115240105A CN 115240105 A CN115240105 A CN 115240105A CN 202210811979 A CN202210811979 A CN 202210811979A CN 115240105 A CN115240105 A CN 115240105A
Authority
CN
China
Prior art keywords
value
image
gray level
gray
energy
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
Application number
CN202210811979.5A
Other languages
English (en)
Inventor
徐明轩
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.)
Hunan United Zhiwei Information Technology Co ltd
Original Assignee
Hunan United Zhiwei Information Technology 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 Hunan United Zhiwei Information Technology Co ltd filed Critical Hunan United Zhiwei Information Technology Co ltd
Priority to CN202210811979.5A priority Critical patent/CN115240105A/zh
Publication of CN115240105A publication Critical patent/CN115240105A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于图像识别的扬尘监测方法及相关设备，方法包括获取监控摄像头采集的视频图像；从所述视频图像中分割出以道路为背景的待识别区域图像；对待识别区域图像进行二值化处理获得灰度图像；对灰度图像进行矩阵化处理获得灰度共生矩阵；对灰度共生矩阵进行特征值计算；将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值；若所述差值大于所述预设阈值，则判定所述视频图像中存在扬尘污染。本发明的扬尘监测方法采用了道路作为扬尘识别的背景，这样通过二值化处理可以很容易使扬尘与道路区分开，之后再通过矩阵化处理并提取特征值，将特征值与基准值比较，可以很容易判别出图像中是否存在扬尘。

Description

基于图像识别的扬尘监测方法及相关设备
技术领域
本发明涉及工地环境检测技术领域，尤其涉及一种基于图像识别的扬尘监测方法及相关设备。
背景技术
现有的建筑工地工程扬尘监测手段主要以扬尘颗粒物监测仪为主，设立在工地围挡四周，每隔10-15米一处，其原理为收集一段时间内的施工工地外扩的扬尘颗粒物，通过测重、监测粒径和化学分析等手段计算污染量，但这一方法往往周期过长，每2-3小时更新一次数据，且只能在扬尘扩散至工地外围时才能发现污染，时间上具有极大的滞后性。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的旨在提供一种基于图像识别的扬尘监测方法及相关设备，无需通过颗粒物监测仪，具有更长的监测寿命，更新周期也可以更加灵活。
本发明第一方面提供了一种基于图像识别的扬尘监测方法，所述扬尘监测方法包括：
获取监控摄像头采集的视频图像；
从所述视频图像中分割出以道路为背景的待识别区域图像；
对所述待识别区域图像进行二值化处理获得灰度图像；
对所述灰度图像进行矩阵化处理获得灰度共生矩阵；
对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或两种；
将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；
若所述差值大于所述预设阈值，则判定所述视频图像中存在扬尘污染。
在本发明第一方面一种可选的实施方式中，所述对所述灰度图像进行矩阵化处理获得灰度共生矩阵包括：
获取所述灰度图像的分辨率尺寸；
判断所述分辨率尺寸是否超出预设规格；
若所述分辨率尺寸超出所述预设规格，则基于所述分辨率尺寸将所述灰度图像均分成若干的子灰度图像；
对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵。
在本发明第一方面一种可选的实施方式中，所述对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵包括：
对每张所述子灰度图像进行网格划分；
获取每个网格中对应的灰度值；
保留所有所述网格中所述灰度值为零的所述网格作为边界，并清空所有所述网格中所述灰度值不为零的所述网格的所述灰度值；
确定所述边界的包围区域和外围区域；
对于所述包围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向内一格，所述网格的所述灰度值累加1；
对于所述外围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向外一格，所述网格的所述灰度值累减1；
计算得到所有所述网格的所述灰度值，获得每张所述子灰度图像的所述子灰度共生矩阵。
在本发明第一方面一种可选的实施方式中，所述对所述灰度共生矩阵进行特征值计算包括：
利用能量值计算公式计算得到每个所述子灰度共生矩阵的子能量特征值；
利用逆差矩值计算公式计算得到每个所述子灰度共生矩阵的子逆差矩特征值。
在本发明第一方面一种可选的实施方式中，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值包括：
将所有的所述子能量特征值相加得到所述能量特征值，将所有的子熵特征值相加得到所述熵特征值，以及将所有的子逆差矩特征值相加得到所述逆差矩特征值；
将所述能量特征值和所述能量基准值进行比较，判断所述能量特征值和所述能量基准值之间的第一差值是否大于能量预设阈值；
将所述逆差矩特征值和所述逆差矩基准值进行比较，判断所述逆差矩特征值和所述逆差矩基准值之间的第二差值是否大于逆差矩预设阈值。
在本发明第一方面一种可选的实施方式中，所述若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染包括：
若所述第一差值大于所述能量预设阈值，和/或所述第二差值大于所述逆差矩预设阈值，则判定所述视频图像中存在扬尘污染。
在本发明第一方面一种可选的实施方式中，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值之前包括：
通过所述监控摄像头采集无扬尘条件下的若干的基准图像样本；
从每张所述基准图像样本中分割出以道路为背景的样本区域图像；
对每张所述样本区域图像进行二值化处理获得样本灰度图像；
对每张所述样本灰度图像进行矩阵化处理获得样本灰度共生矩阵；
对每个所述样本灰度共生矩阵进行特征值计算，获得若干的样本能量特征值和若干的样本逆差矩特征值；
计算若干的所述样本能量特征值的均值作为所述能量基准值；
计算若干的所述样本逆差矩特征值的均值作为所述逆差矩基准值。
本发明第二方面提供了一种基于图像识别的扬尘监测装置，所述扬尘监测装置包括：
获取模块，用于获取监控摄像头采集的视频图像；
分割模块，用于从所述视频图像中分割出以道路为背景的待识别区域图像；
灰度处理模块，用于对所述待识别区域图像进行二值化处理获得灰度图像；
矩阵处理模块，用于对所述灰度图像进行矩阵化处理获得灰度共生矩阵；
特征值计算模块，用于对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或多种；
差值计算模块，用于将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；
判定模块，用于若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染。
本发明第三方面提供了一种基于图像识别的扬尘监测设备，所述基于图像识别的扬尘监测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像识别的扬尘监测设备执行如上述任一项所述的基于图像识别的扬尘监测方法。
本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的基于图像识别的扬尘监测方法。
有益效果：本发明提供了一种基于图像识别的扬尘监测方法及相关设备，方法包括获取监控摄像头采集的视频图像；从所述视频图像中分割出以道路为背景的待识别区域图像；对待识别区域图像进行二值化处理获得灰度图像；对灰度图像进行矩阵化处理获得灰度共生矩阵；对灰度共生矩阵进行特征值计算；将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值；若所述差值大于所述预设阈值，则判定所述视频图像中存在扬尘污染。本发明的扬尘监测方法采用了道路作为扬尘识别的背景，这样通过二值化处理可以很容易使扬尘与道路区分开，之后再通过矩阵化处理并提取特征值，将特征值与基准值比较，可以很容易判别出图像中是否存在扬尘。
附图说明
图1为本发明一种基于图像识别的扬尘监测方法的一个实施例示意图；
图2为本发明一种基于图像识别的扬尘监测装置的一个实施例示意图；
图3为本发明一种基于图像识别的扬尘监测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像识别的扬尘监测方法及相关设备。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参阅图1，本发明第一方面提供了一种基于图像识别的扬尘监测方法，所述扬尘监测方法包括：
S100、获取监控摄像头采集的视频图像；在利用图像识别扬尘的技术方案中，最重要的就是要能够将扬尘与图像中的背景区分开，为了更好的区分开，示例性的可以选择道路作为背景，因为在施工工地内，建筑物这些的样貌每天都是变化的，只有道路可以比较稳定的存在，另外道路颜色比较单一，背景区分时处理也比较方便；
S200、从所述视频图像中分割出以道路为背景的待识别区域图像；需要说明的是，本发明监控摄像头优选是固定一个地方的视频图像，并且录像时道路需要占据视频图像中的一定比例，且道路在视频图像中的区域固定，获取到视频图像之后，根据道路到视频图像中的区域位置，每次把视频图像这个位置区域的图像分割出来即可；
S300、对所述待识别区域图像进行二值化处理获得灰度图像；二值化处理的主要目的就是将待识别区域图像中的道路背景与待识别的污染物区分开来，具体来说，是通过最大类间方差法来对所述待识别区域图像进行二值化处理，最大类间方差法是一种自适应形式的一阈值作为区分标准的识别方法，通过不断的调整阈值，背景与待识别污染物的灰度类间方差越大，这两部分也越容易区分开来；
S400、对所述灰度图像进行矩阵化处理获得灰度共生矩阵；基于灰度共生矩阵(GLDM)的统计方法是20世纪70年代提出的，其原理是将图像在其全部范围内的某一数值做成数据化网格形式表现出来，使得图像的数学特征可以更直观的被表现出来。目前也是图像处理领域最多被使用的方法。
具体来说，就是自图像中灰度值为i的某一点(像素)开始计算，远离这一位置的像素上灰度值大小为同一值的概率就是灰度共生矩阵，即全部的可能数值按矩阵形式重新排列在原有像素相对位置上的形式，故称灰度共生矩阵。灰度共生矩阵对角线上的值一般在纹理相对稳定缺乏变化的图像中相较其他图像的值更大；反之，灰度共生矩阵对角线上的值一般在纹理变化复杂且变化较多的图像中相较其他图像的值更小。
S500、对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或两种；本发明通过对存在扬尘的图像和不存在扬尘的图像之间的对比，发现扬尘的图像能量特征值和逆差矩特征值会比不存在扬尘的图像的图像能量特征值和逆差矩特征值要大，所以通过图像能量特征值和逆差矩特征值可以很容易判断出图像中是否存在扬尘污染；
S600、将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；在进行比较时，通过能量和逆差矩来判断图像中是否存在扬尘的标准肯定是不同的，所以对于能量和逆差矩需要设定不同的基准值，同样的由于一些干扰因素以及污染程度区别的存在，能量特征值和能量基准值之间，以及逆差矩基准值和逆差矩基准值需要存在一定的浮动空间；
S700、若所述差值大于所述预设阈值，则判定所述视频图像中存在扬尘污染。本发明的在获得了监测扬尘的特征值之后，只有当特征值满足一定的条件下才会判定视频图像中存在扬尘污染。
在本发明第一方面一种可选的实施方式中，所述对所述灰度图像进行矩阵化处理获得灰度共生矩阵包括：
获取所述灰度图像的分辨率尺寸；
判断所述分辨率尺寸是否超出预设规格；所述预设规格基于矩阵运算所需的运算量来设定；
若所述分辨率尺寸超出所述预设规格，则基于所述分辨率尺寸将所述灰度图像均分成若干的子灰度图像；
对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵。
在本实施例中，在图像完成二值化处理后，需要对图像进行矩阵化处理。矩阵化的基本理念是将完整的图像完全数字矩阵化，但在程序实现的过程中，完整图像完全矩阵化存在着较大的障碍，因为像素分辨率越高，矩阵化出现乱码错误的可能性越大。根据经验，提前将图像按照分辨率尺寸做适宜的分割处理，使其成为一个个待处理的，长宽比例与原图像相同的小图像，则会更加容易处理。
在本发明第一方面一种可选的实施方式中，所述对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵包括：
对每张所述子灰度图像进行网格划分；
获取每个网格中对应的灰度值；
保留所有所述网格中所述灰度值为零的所述网格作为边界，并清空所有所述网格中所述灰度值不为零的所述网格的所述灰度值；
确定所述边界的包围区域和外围区域；
对于所述包围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向内一格，所述网格的所述灰度值累加1；
对于所述外围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向外一格，所述网格的所述灰度值累减1；
计算得到所有所述网格的所述灰度值，获得每张所述子灰度图像的所述子灰度共生矩阵。
在进行图像中图形信息数字化的时候，以网格法为基础的灰度共生矩阵法克服了网格法的传统缺陷，同时计算得以简化，可获取更多的特征值，也就是提取原图像更多的信息，能更全面的反映受污染图像与未污染图像的各项指标性差异。以灰度矩阵网格法提取的特征量，为存在扬尘污染的图像提取了更多元化的样本数据，使得图像污染的识别更加准确可信。
基于灰度矩阵的图像特征值提取方法的特征量均为二值化坐标，此方法将灰度值用以表示图形信息的数字化参数即其各自的特征量。主要的使用步骤如下:
1)矩阵图像标准化，将矩阵图放在一定尺寸的网格内。
2)将网格中白点(区域边界)的网格灰度值都设为0。
3)以每行的推进变化对网格灰度值进行定义并判断网格位置处于边界包围区域的内侧或外侧。对于边界包围区域的内侧的网格，其位置每距边界曲线一单位格，则其灰度值减少“1”；对于边界包围区域的外侧的网格，其位置每靠近边缘曲线一单位格，则其灰度值增加“1”。
在本发明第一方面一种可选的实施方式中，所述对所述灰度共生矩阵进行特征值计算包括：
利用能量值计算公式计算得到每个所述子灰度共生矩阵的子能量特征值；灰度共生矩阵中的能量，也即每个矩阵元素的平方和，如果灰度共生矩阵中的值集中在某一块(比如对连续灰度值图像，值集中在对角线；对结构化的图像，值集中在偏离对角线的位置)，则能量有较大值，若G中的值分布较均匀(如噪声严重的图像)，则能量有较小的值，能量是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则能量值小；相反，如果其中一些值大而其它值小，则能量值大。当共生矩阵中元素集中分布时，此时能量值大。能量值大表明一种较均一和规则变化的纹理模式，灰度共生矩阵能量的计算公式为本领域公知常识，本发明在此不做详细介绍。
利用逆差矩值计算公式计算得到每个所述子灰度共生矩阵的子逆差矩特征值。逆差矩是反映图像纹理的同质性，度量图像纹理局部变化的多少，其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。灰度共生矩阵逆差矩的计算公式为本领域公知常识，本发明在此不做详细介绍。
在本发明第一方面一种可选的实施方式中，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值包括：
将所有的所述子能量特征值相加得到所述能量特征值和将所有的子逆差矩特征值相加得到所述逆差矩特征值；在本实施例中，每个子灰度共生矩阵都会计算得到一个子能量特征值和子逆差矩特征值，为了方便比较，本发明将所有子能量特征值整合成一个能量特征值和将所有子逆差矩特征值整合成一个逆差矩特征值可以较少比较的步骤，另外通过均衡数值还可以提高比较的准确性；
将所述能量特征值和所述能量基准值进行比较，判断所述能量特征值和所述能量基准值之间的第一差值是否大于能量预设阈值；示例性的，所述能量预设阈值为0.02-0.06。
将所述逆差矩特征值和所述逆差矩基准值进行比较，判断所述逆差矩特征值和所述逆差矩基准值之间的第二差值是否大于逆差矩预设阈值。示例性的，所述逆差矩预设阈值为0.1-0.3。
在本发明第一方面一种可选的实施方式中，所述若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染包括：
若所述第一差值大于所述能量预设阈值，和/或所述第二差值大于所述逆差矩预设阈值，则判定所述视频图像中存在扬尘污染。在本实施例中，能量特征值和逆差矩特征值只要满足预设条件即判定存在扬尘污染。
在本发明第一方面一种可选的实施方式中，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值之前包括：
通过所述监控摄像头采集无扬尘条件下的若干的基准图像样本；在另一种情况中，基准图像样本中也可以包括若干低扬尘条件下监控摄像头采集到的图像；
从每张所述基准图像样本中分割出以道路为背景的样本区域图像；处理方法与待识别区域图像的步骤相同；
对每张所述样本区域图像进行二值化处理获得样本灰度图像；步骤与处理待识别区域图像得到灰度图像相同；
对每张所述样本灰度图像进行矩阵化处理获得样本灰度共生矩阵；步骤与处理待识别区域图像得到的灰度图像相同；在该步骤中，也可以对样本灰度图像根据分辨率尺寸进行裁切；
对每个所述样本灰度共生矩阵进行特征值计算，获得若干的样本能量特征值和若干的样本逆差矩特征值；步骤与处理待识别区域图像得到的灰度共生矩阵相同；
计算若干的所述样本能量特征值的均值作为所述能量基准值；步骤与对待识别区域图像得到的灰度共生矩阵进行能量特征值计算相同；
计算若干的所述样本逆差矩特征值的均值作为所述逆差矩基准值。步骤与对待识别区域图像得到的灰度共生矩阵进行逆差矩特征值计算相同。
参见图2，本发明第二方面提供了一种基于图像识别的扬尘监测装置，所述扬尘监测装置包括：
获取模块10，用于获取监控摄像头采集的视频图像；
分割模块20，用于从所述视频图像中分割出以道路为背景的待识别区域图像；
灰度处理模块30，用于对所述待识别区域图像进行二值化处理获得灰度图像；
矩阵处理模块40，用于对所述灰度图像进行矩阵化处理获得灰度共生矩阵；
特征值计算模块50，用于对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或多种；
差值计算模块60，用于将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；
判定模块70，用于若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染。
图3是本发明实施例提供的一种基于图像识别的扬尘监测设备的结构示意图，该基于图像识别的扬尘监测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器90(central processing units，CPU)(例如，一个或一个以上处理器)和存储器100，一个或一个以上存储应用程序或数据的存储介质110(例如一个或一个以上海量存储设备)。其中，存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于图像识别的扬尘监测设备中的一系列指令操作。更进一步地，处理器可以设置为与存储介质通信，在基于图像识别的扬尘监测设备上执行存储介质中的一系列指令操作。
本发明基于图像识别的扬尘监测设备还可以包括一个或一个以上电源120，一个或一个以上有线或无线网络接口130，一个或一个以上输入输出接口140，和/或，一个或一个以上操作系统，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的基于图像识别的扬尘监测设备结构并不构成对本发明基于图像识别的扬尘监测设备的具体限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于图像识别的扬尘监测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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 (10)

1.一种基于图像识别的扬尘监测方法，其特征在于，所述扬尘监测方法包括：
获取监控摄像头采集的视频图像；
从所述视频图像中分割出以道路为背景的待识别区域图像；
对所述待识别区域图像进行二值化处理获得灰度图像；
对所述灰度图像进行矩阵化处理获得灰度共生矩阵；
对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或两种；
将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；
若所述差值大于所述预设阈值，则判定所述视频图像中存在扬尘污染。
2.根据权利要求1所述的扬尘监测方法，其特征在于，所述对所述灰度图像进行矩阵化处理获得灰度共生矩阵包括：
获取所述灰度图像的分辨率尺寸；
判断所述分辨率尺寸是否超出预设规格；
若所述分辨率尺寸超出所述预设规格，则基于所述分辨率尺寸将所述灰度图像均分成若干的子灰度图像；
对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵。
3.根据权利要求2所述的扬尘监测方法，其特征在于，所述对每张所述子灰度图像均进行矩阵化处理获得若干的子灰度共生矩阵包括：
对每张所述子灰度图像进行网格划分；
获取每个网格中对应的灰度值；
保留所有所述网格中所述灰度值为零的所述网格作为边界，并清空所有所述网格中所述灰度值不为零的所述网格的所述灰度值；
确定所述边界的包围区域和外围区域；
对于所述包围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向内一格，所述网格的所述灰度值累加1；
对于所述外围区域的所述网格，以所述边界所在的所述网格的所述灰度值为起始值，所述网格每向外一格，所述网格的所述灰度值累减1；
计算得到所有所述网格的所述灰度值，获得每张所述子灰度图像的所述子灰度共生矩阵。
4.根据权利要求3所述的扬尘监测方法，其特征在于，所述对所述灰度共生矩阵进行特征值计算包括：
利用能量值计算公式计算得到每个所述子灰度共生矩阵的子能量特征值；
利用逆差矩值计算公式计算得到每个所述子灰度共生矩阵的子逆差矩特征值。
5.根据权利要求4所述的扬尘监测方法，其特征在于，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值包括：
将所有的所述子能量特征值相加得到所述能量特征值和将所有的子逆差矩特征值相加得到所述逆差矩特征值；
将所述能量特征值和所述能量基准值进行比较，判断所述能量特征值和所述能量基准值之间的第一差值是否大于能量预设阈值；
将所述逆差矩特征值和所述逆差矩基准值进行比较，判断所述逆差矩特征值和所述逆差矩基准值之间的第二差值是否大于逆差矩预设阈值。
6.根据权利要求5所述的扬尘监测方法，其特征在于，所述若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染包括：
若所述第一差值大于所述能量预设阈值，和/或所述第二差值大于所述逆差矩预设阈值，则判定所述视频图像中存在扬尘污染。
7.根据权利要求1所述的扬尘监测方法，其特征在于，所述将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值之前包括：
通过所述监控摄像头采集无扬尘条件下的若干的基准图像样本；
从每张所述基准图像样本中分割出以道路为背景的样本区域图像；
对每张所述样本区域图像进行二值化处理获得样本灰度图像；
对每张所述样本灰度图像进行矩阵化处理获得样本灰度共生矩阵；
对每个所述样本灰度共生矩阵进行特征值计算，获得若干的样本能量特征值和若干的样本逆差矩特征值；
计算若干的所述样本能量特征值的均值作为所述能量基准值；
计算若干的所述样本逆差矩特征值的均值作为所述逆差矩基准值。
8.一种基于图像识别的扬尘监测装置，其特征在于，所述扬尘监测装置包括：
获取模块，用于获取监控摄像头采集的视频图像；
分割模块，用于从所述视频图像中分割出以道路为背景的待识别区域图像；
灰度处理模块，用于对所述待识别区域图像进行二值化处理获得灰度图像；
矩阵处理模块，用于对所述灰度图像进行矩阵化处理获得灰度共生矩阵；
特征值计算模块，用于对所述灰度共生矩阵进行特征值计算，所述特征值为能量特征值和逆差矩特征值的一种或多种；
差值计算模块，用于将所述特征值与基准值进行比较，判断所述特征值与所述基准值的差值是否大于预设阈值，所述基准值包括能量基准值和逆差矩基准值，所述预设阈值包括能量预设阈值和逆差矩预设阈值；
判定模块，用于若所述差值是否大于所述预设阈值，则判定所述视频图像中存在扬尘污染。
9.一种基于图像识别的扬尘监测设备，其特征在于，所述基于图像识别的扬尘监测设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像识别的扬尘监测设备执行如权利要求1-7中任一项所述的基于图像识别的扬尘监测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于图像识别的扬尘监测方法。
CN202210811979.5A 2022-07-11 2022-07-11 基于图像识别的扬尘监测方法及相关设备 Pending CN115240105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811979.5A CN115240105A (zh) 2022-07-11 2022-07-11 基于图像识别的扬尘监测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811979.5A CN115240105A (zh) 2022-07-11 2022-07-11 基于图像识别的扬尘监测方法及相关设备

Publications (1)

Publication Number Publication Date
CN115240105A true CN115240105A (zh) 2022-10-25

Family

ID=83671589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811979.5A Pending CN115240105A (zh) 2022-07-11 2022-07-11 基于图像识别的扬尘监测方法及相关设备

Country Status (1)

Country Link
CN (1) CN115240105A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496759A (zh) * 2022-11-17 2022-12-20 歌尔股份有限公司 灰尘检测方法和装置、存储介质
CN116563799A (zh) * 2023-07-11 2023-08-08 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
CN116884226A (zh) * 2023-09-07 2023-10-13 山东金宇信息科技集团有限公司 一种用于道路维护的生态监控预警方法、设备及介质
CN117274884A (zh) * 2023-11-21 2023-12-22 赣江新区慧工科技有限公司 一种基于图像识别的施工扬尘污染事件检测方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496759A (zh) * 2022-11-17 2022-12-20 歌尔股份有限公司 灰尘检测方法和装置、存储介质
CN116563799A (zh) * 2023-07-11 2023-08-08 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
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
CN116884226A (zh) * 2023-09-07 2023-10-13 山东金宇信息科技集团有限公司 一种用于道路维护的生态监控预警方法、设备及介质
CN116884226B (zh) * 2023-09-07 2023-11-21 山东金宇信息科技集团有限公司 一种用于道路维护的生态监控预警方法、设备及介质
CN117274884A (zh) * 2023-11-21 2023-12-22 赣江新区慧工科技有限公司 一种基于图像识别的施工扬尘污染事件检测方法及系统
CN117274884B (zh) * 2023-11-21 2024-02-20 赣江新区慧工科技有限公司 一种基于图像识别的施工扬尘污染事件检测方法及系统

Similar Documents

Publication Publication Date Title
CN115240105A (zh) 基于图像识别的扬尘监测方法及相关设备
Jiao et al. Multi-order landscape expansion index: Characterizing urban expansion dynamics
CN110865418B (zh) 污水违规排放监测方法、装置及计算机可读存储介质
CN115308101B (zh) 水质监测管理方法及系统
CN115641327B (zh) 一种基于大数据的建筑工程质量监理和预警系统
CN113658174B (zh) 基于深度学习和图像处理算法的微核组学图像检测方法
CN112200362A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN117094916B (zh) 一种市政桥梁支座视觉检测方法
CN113375582A (zh) 基于模糊神经网络的柔性天线阵面实时监测方法及系统
CN116612103A (zh) 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统
CN117669394B (zh) 一种山区峡谷桥梁长期性能综合评估方法及系统
CN117474918B (zh) 异常检测方法和装置、电子设备以及存储介质
CN111523732A (zh) 一种日本鳀冬季渔场模型筛选预测方法
CN1945353A (zh) 一种气象卫星遥感云图的处理方法
CN117151430B (zh) 一种小流域水土保持治理优先度遥感评估方法
CN114049320A (zh) 一种基于图片相似度的器件缺失ai质检方法与装置
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN111967473A (zh) 基于图像分割和模板匹配的粮库仓储情况监测方法
CN116229419B (zh) 一种行人检测方法及装置
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN115797877A (zh) 一种电力传输设备的智能监控方法、系统及介质
CN114283344A (zh) 一种森林生态水文过程自动实时监测方法及系统
CN110108609B (zh) 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及系统
CN111626256A (zh) 基于扫描电镜图像的高精度硅藻检测识别方法及系统
Hargrove Interpolation of rainfall in Switzerland using a regularized spline with tension

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