CN115359431A - 一种大气环境污染源污染程度评估方法及系统 - Google Patents
一种大气环境污染源污染程度评估方法及系统 Download PDFInfo
- Publication number
- CN115359431A CN115359431A CN202211290349.4A CN202211290349A CN115359431A CN 115359431 A CN115359431 A CN 115359431A CN 202211290349 A CN202211290349 A CN 202211290349A CN 115359431 A CN115359431 A CN 115359431A
- Authority
- CN
- China
- Prior art keywords
- pollution
- image
- smoke
- monitoring
- value
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
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
本发明公开了一种大气环境污染源污染程度评估方法及系统,涉及图像处理技术领域。获得污染监测数据。获得多张污染监测图像。通过多次将多张污染监测图像,输入污染检测网络,判断是否出现污染情况突然变化。若出现污染情况突然变化,记录变化时间。基于多张污染监测图像,得到污染信息。基于污染监测数据、污染信息和变化时间,通过污染检测网络得到污染程度。实时监测结合普通监测数据进行评估。先检测烟雾突变,判断是否控制废气排放。用相邻两张图像中的运动情况判断监测到的是否为烟雾。分别计算污染监测图像的局部污染情况。将突变时间长度作为神经网络其中一个输入得到整体污染程度。结合局部和整体,更加准确的得到评估的污染程度。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种大气环境污染源污染程度评估方法及系统。
背景技术
环境污染问题一直是困扰人类可持续发展的重要问题,尤其是大气污染问题也是突出的问题。因此说,在伴随科技进度的同时,对大气环境污染程度的控制刻不容缓,所以对工厂排放有规定限制;
但是,研究发现由于在监测时,有些工厂会采用间隔时间控制排放的方法来对检测进行干扰,所以为了防止检测评估污染的漏洞问题,需要进行实时检测,并排除间隔排放的影响,来有效的解决目前的污染情况评估漏洞的问题。
发明内容
本发明的目的在于提供了一种大气环境污染源污染程度评估方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种大气环境污染源污染程度评估方法,包括:
获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据;
获得多张污染监测图像;所述污染监测图像为监控设备所拍摄的污染源排放废气的图像;
将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化;
若出现污染情况突然变化,标记变化信息,记录变化时间;
基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值;
基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
可选的,所述将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化,包括:
获得第一污染监测图像;所述第一污染监测图像为多张污染监测图像中的图像;
获得第二污染监测图像;所述第二污染监测图像为多张污染监测图像中距离第一污染监测图像的时间间隔最短且监测时间点在第一污染监测图像之后的图像;
将所述第一污染监测图像和第二污染监测图像,分别输入污染情况突变检测网络,得到第一污染特征图和第二污染特征图;第一污染特征图对应第一污染监测图像;第二污染特征图对应第二污染监测图像;
基于所述第一污染监测图像和第二污染监测图像,将所述第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化。
可选的,所述基于所述第一污染监测图像和第二污染监测图像,将所述第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化,包括:
基于所述第一污染监测图像、第一污染特征图和第二污染特征图,得到第一烟雾区域;所述第一烟雾区域表示烟雾在第一污染监测图像中的位置;
基于所述第二污染监测图像、第一污染特征图和第二污染特征图,得到第二烟雾区域;所述第二烟雾区域表示烟雾在第二污染监测图像中的位置;
基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值;所述废气排放差值表示第一污染监测图像和第二污染监测图像中排放气体的相差程度;
若废气排放差值大于污染变化阈值,出现污染情况突然变化;
若废气排放差值小于或等于污染变化阈值,未出现污染情况突然变化。
可选的,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域得到第一烟雾区域,包括:
获得背景灰度图像;所述背景灰度图像表示监控设备没有烟雾时的灰度图像;
将所述第一污染监测图像,进行灰度化,得到第一污染灰度图像;
将第一污染灰度图像中的值减去背景灰度图像中的值,得到第一污染灰度差图像;
将第一污染灰度差图像中小于灰度阈值的值设为0,得到第一灰度烟雾图像;
基于第一灰度烟雾图像、第一污染监测图像、第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域;
若第一灰度烟雾图像存在烟雾区域,将第一灰度烟雾图像中大于0的区域作为第一烟雾区域。
可选的,所述基于第一灰度烟雾图像、第一污染监测图像、第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第一污染特征区域;所述第一污染特征区域为第一灰度烟雾图像的边界在第一污染特征图中对应的位置;
获得多个污染特征向量;所述污染特征向量表示第一污染特征图中第一污染特征区域所在位置的特征向量;
获得第一污染特征向量;所述第一污染特征向量为多个污染特征向量中其中一个污染特征向量;
获得多个周围污染特征向量;所述周围污染特征向量表示以第一污染特征向量为中心周围8个位置中的污染特征向量;
将第一污染特征向量和多个周围污染特征向量,求取平均值,得到融合特征向量;
基于第二污染特征图、第一污染特征向量和融合特征向量,确认第一灰度烟雾图像是否存在烟雾区域。
可选的,所述基于第二污染特征图、第一污染特征向量和融合特征向量,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第二污染特征向量;所述第二污染特征向量为第二污染特征图中第一污染特征向量对应位置的特征向量;
获得多个检测周围污染特征向量;所述检测周围污染特征向量为第二污染特征向量为中心且不属于烟雾区域的向量;
将第一污染特征向量与检测周围污染特征向量相减,得到周围差向量;多个检测周围污染特征向量对应得到多个周围差向量;一个周围差向量对应一个检测周围污染特征向量;每个周围差向量中有多个向量值;针对每个周围差向量,求取周围差向量中每个向量值的平方,获得平方值,多个向量值对应获得多个平方值;对多个平方值进行求和,得到求和平方值;求取求和平方值的算数平方根,以算数平方根作为周围差值;每个周围差向量对应获得一个周围差值,多个周围差向量对应获得多个周围差值;
若周围差值小于周围差阈值,确认第一灰度烟雾图像存在烟雾区域。
可选的,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值,包括:
将所述第一烟雾区域和第二烟雾区域进行合并,得到合并烟雾区域;所述合并烟雾区域表示同时含有第一污染区域和第二污染区域的区域;
将第一污染监测图像中合并烟雾区域外的RGB值设为0,得到第一背景污染图像;
将第二污染监测图像中合并烟雾区域外的RGB值设为0,得到第二背景污染图像;
将第一背景污染图像,转化为HSV,得到第一HSV背景污染图像;
将第二背景污染图像,转化为HSV,得到第二HSV背景污染图像;
获得颜色差图像;所述颜色差图像为多个背景污染差值的绝对值构成的图像;所述背景污染差值为第一HSV背景污染图像中值减去第二HSV背景污染图像对应位置中值的值;
将颜色差图像转化为RGB,并进行灰度化,得到灰度差图像;
将灰度差图像中的灰度值进行归一化,得到废气排放差值。
可选的,所述基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度,包括:
将污染监测数据和污染信息,输入第一污染检测网络,得到初次评估程度;多个污染信息对应获得多个初次评估程度;
若污染信息为标记变化,在时间结构记录下第一变化时间,将污染信息进行顺移,重复判断标记变化情况,直到污染信息再次为标记变化;
若污染信息再次为标记变化,在时间结构记录下第二变化时间,将污染监测数据和多个污染信息输入污染检测网络,得到多个二次评估程度;
将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度;
将局部污染程度和整体污染程度求平均值后向上取整,得到污染程度。
可选的,所述将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度,包括:
将第二变化时间减去第一变化时间,得到监测时间;所述监测时间为两个变化时间点之间的时间;
将多个污染范围值相加,得到总污染范围值;
将多个污染程度值相加,得到总污染程度值;
将污染监测数据、总污染范围值、总污染程度值和监测时间,输入污染检测网络,得到整体污染程度。
第二方面,本发明实施例提供了一种大气环境污染源污染程度评估系统,包括:
获取模块:获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据;获得多张污染监测图像;所述污染监测图像为监控设备所拍摄的污染源排放废气的图像;
突变监测模块:将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化;
标记模块:若出现污染情况突然变化,标记变化信息,记录变化时间;
污染检测模块:基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值;
污染程度评估模块:基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种大气环境污染源污染程度评估方法和系统,所述方法包括:获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据; 获得多张污染监测图像;所述污染监测图像为监控设备所拍摄的污染源排放废气的图像;将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化;若出现污染情况突然变化,标记变化信息,记录变化时间;基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值;基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
由于工厂会在检测时,控制一段时间的排放量从而达到减少评估程度,这段时间的长短会影响评估程度。所以采用监控设备进行实时监测结合普通监测数据共同进行评估。在本申请实施例的提供的大气环境污染源污染程度评估方法的技术方案中,先检测烟雾突变,从而判断是否控制废气排放量。采用先与背景图像进行分离来检测烟雾,再用相邻两张图像中的运动情况判断监测到的是否为烟雾。在此过程中,分别计算突变之前和突变之后每张污染监测图像的局部污染情况。用记录的突变时间长度作为一个影响因素作为神经网络的输入计算一段时间整体污染程度。本申请实施例结合局部污染情况和整体污染情况,更加准确的得到评估的污染程度。
附图说明
图1是本发明实施例提供的一种大气环境污染源污染程度评估方法流程图;
图2是本发明实施例提供的一种大气环境污染源污染程度评估系统中污染检测网络结构示意图;
图3是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面将结合附图对本发明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做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。
在本发明的描述中,需要说明的是,某些指示的方位或位置关系的词语,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
实施例1
如图1所示,本发明实施例提供了一种大气环境污染源污染程度评估方法,所述方法包括:
S101:获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据。
其中,所述污染监测数据大气环境污染源所检测到的数据。本实施例中的污染数据为排放废气的浓度。本实例中固定时间间隔为1小时。污染数据包括SO2(二氧化硫)浓度、NO2(二氧化氮)浓度、O3(臭氧)浓度、CO(一氧化碳)浓度等;上述污染数据也可以是氢硫化物、氨、颗粒、挥发性有机物等等废气。
S102:获得多张污染监测图像。所述污染监测图像为监控设备所拍摄的污染源排放废气的图像。
其中,所述污染监测图像为实时监测污染源情况的图像。
S103:将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化。
S104:若出现污染情况突然变化,标记变化信息,标记变化并记录变化时间。并将污染监测图像丢弃。
S105:若未出现污染情况突然变化,得到污染信息。所述污染信息包括污染范围值和污染程度值。
其中,将判断是否出现污染情况突然变化过程中得到的第一灰度烟雾图像中区域数量相加,得到污染范围值。将判断是否出现污染情况突然变化过程中得到的第一灰度烟雾图像中灰度值相加,得到污染程度值。
S106:基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
可选的,所述将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化,包括:
获得第一污染监测图像。所述第一污染监测图像为多张污染监测图像中的图像。
获得第二污染监测图像。所述第二污染监测图像为多张污染监测图像中距离第一污染监测图像的时间间隔最短且监测时间点在第一污染监测图像之后的图像。
将所述第一污染监测图像和第二污染监测图像,分别输入污染情况突变检测网络,得到第一污染特征图和第二污染特征图。第一污染特征图对应第一污染监测图像。第二污染特征图对应第二污染监测图像。
其中,本实施例中所述污染情况突变检测网络为YOLOV5网络。在训练时,使用多张烟雾图像与标注的烟雾存在值和烟雾存在区域训练YOLOV5网络。使得在使用时,能够提取图像特征,得到能够表征烟雾存在值和烟雾存在区域的污染特征图。所述YOLOV5网络的输出层数有6层,包括置信度、烟雾存在值、烟雾存在区域的中心点位置和烟雾存在区域的宽高。YOLOV5网络包括切片结构(Focus结构)、跨阶段局部结构(CSP结构),上采样金字塔结构(FPN结构),下采样金字塔结构(PAN结构)。
CSP结构即跨阶段局部结构的输入所述Focus结构的输出。所述FPN结构的输入为所述CSP结构即跨阶段局部结构的输出。所述PAN结构的输入为所述FPN结构的输出。Focus模块在v5中是图片进入backbone前,对图片进行切片操作,把高分辨率的图片(特征图)拆分成多个低分辨率的图片/特征图,即隔列采样+拼接。CSP结构是将原输入分成两个分支,分别进行卷积操作使得通道数减半,然后一个分支进行Bottleneck * N操作,然后concat两个分支,使得BottlenneckCSP的输入与输出是一样的大小,这样是为了让模型学习到更多的特征。FPN结构,特征提取,上采样,特征融合,多尺度特征输出。PAN 结构自底向上进行下采样。
CSP结构即跨阶段局部结构的输入所述Focus结构的输出。所述FPN结构的输入为所述CSP结构即跨阶段局部结构的输出。
在本发明实施例中,将烟雾图像输入切片结构,对烟雾图像进行切片操作,使用隔列采样+拼接的方法把高分辨率的烟雾图像拆分成多个低分辨率的烟雾图像。将多个低分辨率的烟雾图像输入跨阶段局部结构,将多个低分辨率的烟雾图像分成两个分支,分别进行卷积操作使得通道数减半,然后一个分支进行降低参数量操作,然后结合两个分支,为了让模型学习到更多的特征。将学习到更多特征的特征图输入上采样金字塔结构进行上采样,特征融合,得到多尺度特征输出。下采样金字塔结构自底向上进行下采样,使顶层特征包含强烟雾位置信息,使不同尺寸的特征图都包含强烟雾特征信息,保证了对不同尺寸的烟雾图像的准确预测。最终输出第一污染特征图和第二污染特征图。特征图(第一污染特征图和第二污染特征图)表征烟雾存在值、烟雾存在区域的中心点位置和烟雾存在区域的宽高。
基于所述第一污染监测图像和第二污染监测图像,将第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化。
通过上述方法,通过污染情况突变检测网络提取污染监测图像的特征,比较两张污染监测图像特征(第一污染特征图和第二污染特征图)的不同,从而判断是否出现污染情况突然变化。同时要记录下数据便于之后对污染程度的评估。
可选的,所述基于所述第一污染监测图像和第二污染监测图像,将所述第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化,包括:
基于所述第一污染监测图像、第一污染特征图和第二污染特征图,得到第一烟雾区域;所述第一烟雾区域表示烟雾在第一污染监测图像中的位置。
基于所述第二污染监测图像、第一污染特征图和第二污染特征图,得到第二烟雾区域;所述第二烟雾区域表示烟雾在第二污染监测图像中的位置。
其中,所述第二烟雾区域获取方法与第一烟雾获取方法相同。获得背景灰度图像。所述背景灰度图像表示监控设备没有烟雾时的灰度图像。将所述第二污染监测图像,进行灰度化,得到第二污染灰度图像。将第二污染灰度图像中的值减去背景灰度图像中的值,得到第二污染灰度差图像。将第二污染灰度差图像中小于灰度阈值的值设为0,得到第二灰度烟雾图像。基于第二灰度烟雾图像、第二污染监测图像和两张污染特征图,确认是否为烟雾区域。若为烟雾区域,将第二灰度烟雾图像中大于0的区域作为第二烟雾区域。
基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值。所述废气排放差值表示第一污染监测图像和第二污染监测图像中排放气体的相差程度。
若废气排放差值大于污染变化阈值,出现污染情况突然变化。
其中,本实施例中污染变化阈值为20,单位为px。
若废气排放差值小于或等于污染变化阈值,未出现污染情况突然变化。
通过上述方法,由特征图进行检测,找到烟雾所在区域,并且根据两张图像不同的烟雾区域和烟雾区域之间的颜色差值,得到两张图像中烟雾的变化情况,从而判断是否出现污染情况突然变化。
可选的,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域得到第一烟雾区域,包括:
获得背景灰度图像;所述背景图像表示监控设备没有烟雾时的图像。
将所述第一污染监测图像,进行灰度化,得到第一污染灰度图像。
其中,所述背景灰度图像和第一污染灰度图像灰度化所用方法为同一方法。灰度值为0.3 R+ 0.59 G + 0.11B,R为RGB中的R通道,G为RGB中的G通道,B为RGB中的B通道。
将第一污染灰度图像中的值减去背景灰度图像中的值,得到第一污染灰度差图像。
将第一污染灰度差图像中小于灰度阈值的值设为0,得到第一灰度烟雾图像。
其中,本实施例中污染变化阈值为5,单位为px。
基于第一灰度烟雾图像、第一污染监测图像和第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域。
若第一灰度烟雾图像存在烟雾区域,将第一灰度烟雾图像中大于0的区域作为第一烟雾区域。
通过上述方法,按照背景灰度图像和第一污染灰度图像中的区别,大致得到烟雾区域。但是由于两张图片之间出现灰度不同还有可能时光照不同,出现其他遮挡物等原因,所以还需要对烟雾的特性进行进一步检测,进而判断第一灰度烟雾图像存在烟雾区域,即检测到的区域是否真的是烟雾区域。
可选的,所述基于第一灰度烟雾图像、第一污染监测图像、第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第一污染特征区域。所述第一污染特征区域为第一灰度烟雾图像的边界在第一污染特征图中对应的位置。
获得多个污染特征向量。所述污染特征向量表示第一污染特征图中第一污染特征区域所在位置的特征向量。
获得第一污染特征向量。所述第一污染特征向量为多个污染特征向量中其中一个污染特征向量。
获得多个周围污染特征向量。所述周围污染特征向量表示以第一污染特征向量为中心周围8个位置中的污染特征向量。
将第一污染特征向量和多个周围污染特征向量,求取平均值,进行融合,得到融合特征向量。
基于第二污染特征图中第一污染特征向量对应位置的特征向量和融合特征向量,确认是否为烟雾区域,即确认第一灰度烟雾图像是否存在烟雾区域。
通过上述方法,通过由图像得到的区域映射到特征图中,由于烟雾朝四周运动,所以将两张特征图中边界的特征向量来判断是否为烟雾区域。同时由于烟雾与周围位置的烟雾扩散状态密切,所以,使用融合的方法结合周围烟雾的特征。
可选的,所述基于第二污染特征图、第一污染特征向量和融合特征向量,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第二污染特征向量。所述第二污染特征向量第二污染特征图中第一污染特征向量对应位置的特征向量。
获得多个检测周围污染特征向量。所述检测周围污染特征向量为第二污染特征向量为中心且不属于烟雾区域的向量。
将第一污染特征向量与检测周围污染特征向量相减,得到周围差向量。多个检测周围污染特征向量对应得到多个周围差向量。一个周围差向量对应一个检测周围污染特征向量。每个周围差向量中有多个向量值。针对每个周围差向量,求取周围差向量中每个向量值的平方,获得平方值,多个向量值对应获得多个平方值。对多个平方值进行求和,得到求和平方值。求取求和平方值的算数平方根,以算数平方根作为周围差值。每个周围差向量对应获得一个周围差值,多个周围差向量对应获得多个周围差值。若周围差值小于周围差阈值,确认为烟雾区域(确认第一灰度烟雾图像存在烟雾区域)。
其中,本实施例的周围差阈值为3,单位为px。
通过上述方法,由于烟雾的运动状态为向外扩散,所以通过两张图像中烟雾的运动情况来识别状态。由于在短时间,烟雾只往周围扩散,所以以一个烟雾图像为基点,按照另一张图像中对应位置的特征情况,判断运动情况,从而判断是否是烟雾,即判断第一灰度烟雾图像是否存在烟雾区域。
可选的,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值包括:
将所述第一烟雾区域和第二烟雾区域进行合并,得到合并烟雾区域。所述合并烟雾区域表示同时含有第一污染区域和第二污染区域的区域。
将第一污染监测图像中合并烟雾区域外的RGB值设为0,得到第一背景污染图像。
将第二污染监测图像中合并烟雾区域外的RGB值设为0,得到第二背景污染图像。
将第一背景污染图像,转化为HSV,得到第一HSV背景污染图像。
将第二背景污染图像,转化为HSV,得到第二HSV背景污染图像。
其中,使用opencv中的cvCvtColor进行RGB到HSV的转换。
获得颜色差图像。所述颜色差图像为多个背景污染差值的绝对值构成的图像。所述背景污染差值为第一HSV背景污染图像中值减去第二HSV背景污染图像对应位置中值的值。
将颜色差图像转化为RGB,并进行灰度化,得到灰度差图像。
其中,使用opencv中的cvCvtColor进行HSV到RGB的转换。
将灰度差图像中的灰度值进行归一化,得到废气排放差值。
通过上述方法,由于烟雾浓度在图像中的表现形式就是色彩的深浅,所以去除背景因素之后使用灰度值来判断烟雾浓度,从而得到废气排放情况。先将图像hsv三个通道分别求的差值,再灰度化等其他操作,能够使得在色调、饱和度和明度三个方面判断两张图像的差值,从而更加准确的得到废气排放情况。
可选的,所述基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度,包括:
将污染监测数据和污染信息,输入第一污染检测网络,得到初次评估程度。多个污染信息对应获得多个初次评估程度。
其中,一个初次评估程度对应的一个污染信息。多个污染信息是在还没有变化之前,多张污染监测图像得到的污染信息。
若污染信息为标记变化,在时间结构记录下第一变化时间,将污染信息进行顺移,重复判断标记变化情况,直到污染信息再次为标记变化;
若污染信息再次为标记变化,在时间结构记录下第二变化时间,将污染监测数据和多个污染信息输入污染检测网络,得到多个二次评估程度。
其中,一个二次评估程度对应的一个污染信息。多个污染信息是在再次变化之后,多张污染监测图像得到的污染信息。
将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度。
其中,所述污染检测网络结构如图2所示。
将初次评估程度和多个二次评估程度求平均值后向上取整,再与整体污染程度求平均值后向上取整,得到污染程度。
其中,所述污染程度包括轻度、中度和重度。而网络输出对应一个值,并且使用这个值进行之后的求平均等操作,所以对值赋予意义,如输出值为1表示轻度,为2表示中度,为3表示重度。
通过上述方法,先判断每张图像的污染程度,记录下突变的时间,用来控制是否将此时的污染程度,跳过突变时间的变化。由于工厂会在检测时控制一段时间的排放量从而达到减少评估程度,控制的时间即突变时间的长短会影响评估程度。所以在突变过程中,用记录的突变时间长度作为一个影响因素作为神经网络的输入计算一段时间整体的污染程度。结合局部和整体,更加准确的得到评估的污染程度。
可选的,所述将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度,包括:
将第二变化时间减去第一变化时间,得到监测时间;所述监测时间为两个变化时间点之间的时间。
将多个污染范围值相加,得到总污染范围值。
将多个污染程度值相加,得到总污染程度值。
其中,所述总污染范围值和总污染程度值为固定时间长度的值。本实施例中为12小时。
将污染监测数据、总污染范围值、总污染程度值和监测时间,输入污染检测网络,得到整体污染程度。
通过上述方法,由于监测时间有影响,按照时间对污染进行判,将监测时间用来输入控制是否输入,相当于开关。直接测量到的监测数据输入。
通过上述方法,通过污染情况突变检测网络提取污染监测图像的特征对特征图进行检测,找到烟雾所在区域,并且根据两张图像不同的烟雾区域和烟雾区域之间的颜色差值,得到两张图像中烟雾的变化情况,从而判断是否出现污染情况突然变化。同时要记录下数据便于之后对污染程度的评估。
由于两张图片之间出现灰度不同还有可能时光照不同,出现其他遮挡物等原因,所以还需要对烟雾的特性进行进一步检测。由于烟雾朝四周运动,所以通过图像得到的烟雾区域映射到特征图中,将两张特征图中边界的特征向量来判断是否为烟雾区域。
同时由于烟雾与周围位置的烟雾扩散状态密切,所以,使用融合的方法结合周围烟雾的特征。烟雾的运动状态为向外扩散,所以通过两张图像中烟雾的运动情况来识别状态,以一个烟雾图像为基点,按照另一张图像中对应位置的特征情况,判断运动情况,从而判断是否是烟雾。
由于烟雾浓度在图像中的表现形式就是色彩的深浅,所以去除背景因素之后使用灰度值来判断烟雾浓度,先将图像hsv三个通道分别求的差值,再灰度化等其他操作,能够使得在色调、饱和度和明度三个方面判断两张图像的差值,从而更加准确的得到废气排放情况。得到烟雾区域后,对污染程度进行一个评估。先判断每张图像的污染程度,记录下突变的时间,用来控制是否将此时的污染程度,跳过突变时间的变化。由于工厂会在检测时控制一段时间的排放量从而达到减少评估程度,控制的时间即突变时间的长短会影响评估程度。所以在突变过程中,用记录的突变时间长度作为一个影响因素作为神经网络的输入计算一段时间整体的污染程度,并且结合局部和整体,更加准确的得到评估的污染程度。
实施例2
基于上述的一种大气环境污染源污染程度评估方法,本发明实施例还提供了一种大气环境污染源污染程度评估系统,所述系统包括获取模块、突变监测模块、标记模块、污染检测模块和污染程度评估模块。
获取模块用于获得污染监测数据。所述污染监测数据为固定时间间隔测量得到的污染数据。获得多张污染监测图像。所述污染监测图像为监控设备所拍摄的污染源排放废气的图像。
突变监测模块用于将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化。
标记模块用于若出现污染情况突然变化,标记变化信息,记录变化时间。
污染检测模块用于基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值。
污染程度评估模块用于基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
在此关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图3所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种大气环境污染源污染程度评估方法的任一方法的步骤。
其中,在图3中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种大气环境污染源污染程度评估方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。
位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种大气环境污染源污染程度评估方法,其特征在于,包括:
获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据;
获得多张污染监测图像;所述污染监测图像为监控设备所拍摄的污染源排放废气的图像;
将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化;
若出现污染情况突然变化,标记变化信息,记录变化时间;
基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值;
基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
2.根据权利要求1所述的一种大气环境污染源污染程度评估方法,其特征在于,所述将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化,包括:
获得第一污染监测图像;所述第一污染监测图像为多张污染监测图像中的图像;
获得第二污染监测图像;所述第二污染监测图像为多张污染监测图像中距离第一污染监测图像的时间间隔最短且监测时间点在第一污染监测图像之后的图像;
将所述第一污染监测图像和第二污染监测图像,分别输入污染情况突变检测网络,得到第一污染特征图和第二污染特征图;第一污染特征图对应第一污染监测图像;第二污染特征图对应第二污染监测图像;
基于所述第一污染监测图像和第二污染监测图像,将所述第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化。
3.根据权利要求2所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于所述第一污染监测图像和第二污染监测图像,将所述第一污染特征图和第二污染特征图进行比较,判断是否出现污染情况突然变化,包括:
基于所述第一污染监测图像、第一污染特征图和第二污染特征图,得到第一烟雾区域;所述第一烟雾区域表示烟雾在第一污染监测图像中的位置;
基于所述第二污染监测图像、第一污染特征图和第二污染特征图,得到第二烟雾区域;所述第二烟雾区域表示烟雾在第二污染监测图像中的位置;
基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值;所述废气排放差值表示第一污染监测图像和第二污染监测图像中排放气体的相差程度;
若废气排放差值大于污染变化阈值,出现污染情况突然变化;
若废气排放差值小于或等于污染变化阈值,未出现污染情况突然变化。
4.根据权利要求3所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域得到第一烟雾区域,包括:
获得背景灰度图像;所述背景灰度图像表示监控设备没有烟雾时的灰度图像;
将所述第一污染监测图像,进行灰度化,得到第一污染灰度图像;
将第一污染灰度图像中的值减去背景灰度图像中的值,得到第一污染灰度差图像;
将第一污染灰度差图像中小于灰度阈值的值设为0,得到第一灰度烟雾图像;
基于第一灰度烟雾图像、第一污染监测图像、第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域;
若第一灰度烟雾图像存在烟雾区域,将第一灰度烟雾图像中大于0的区域作为第一烟雾区域。
5.根据权利要求4所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于第一灰度烟雾图像、第一污染监测图像、第一污染特征图和第二污染特征图,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第一污染特征区域;所述第一污染特征区域为第一灰度烟雾图像的边界在第一污染特征图中对应的位置;
获得多个污染特征向量;所述污染特征向量表示第一污染特征图中第一污染特征区域所在位置的特征向量;
获得第一污染特征向量;所述第一污染特征向量为多个污染特征向量中其中一个污染特征向量;
获得多个周围污染特征向量;所述周围污染特征向量表示以第一污染特征向量为中心周围8个位置中的污染特征向量;
将第一污染特征向量和多个周围污染特征向量,求取平均值,得到融合特征向量;
基于第二污染特征图、第一污染特征向量和融合特征向量,确认第一灰度烟雾图像是否存在烟雾区域。
6.根据权利要求5所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于第二污染特征图、第一污染特征向量和融合特征向量,确认第一灰度烟雾图像是否存在烟雾区域,包括:
获得第二污染特征向量;所述第二污染特征向量为第二污染特征图中第一污染特征向量对应位置的特征向量;
获得多个检测周围污染特征向量;所述检测周围污染特征向量为第二污染特征向量为中心且不属于烟雾区域的向量;
将第一污染特征向量与检测周围污染特征向量相减,得到周围差向量;多个检测周围污染特征向量对应得到多个周围差向量;一个周围差向量对应一个检测周围污染特征向量;每个周围差向量中有多个向量值;针对每个周围差向量,求取周围差向量中每个向量值的平方,获得平方值,多个向量值对应获得多个平方值;对多个平方值进行求和,得到求和平方值;求取求和平方值的算数平方根,以算数平方根作为周围差值;每个周围差向量对应获得一个周围差值,多个周围差向量对应获得多个周围差值;
若周围差值小于周围差阈值,确认第一灰度烟雾图像存在烟雾区域。
7.根据权利要求3所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于所述第一污染监测图像、第二污染监测图像、第一烟雾区域和第二烟雾区域,得到废气排放差值,包括:
将所述第一烟雾区域和第二烟雾区域进行合并,得到合并烟雾区域;所述合并烟雾区域表示同时含有第一污染区域和第二污染区域的区域;
将第一污染监测图像中合并烟雾区域外的RGB值设为0,得到第一背景污染图像;
将第二污染监测图像中合并烟雾区域外的RGB值设为0,得到第二背景污染图像;
将第一背景污染图像,转化为HSV,得到第一HSV背景污染图像;
将第二背景污染图像,转化为HSV,得到第二HSV背景污染图像;
获得颜色差图像;所述颜色差图像为多个背景污染差值的绝对值构成的图像;所述背景污染差值为第一HSV背景污染图像中值减去第二HSV背景污染图像对应位置中值的值;
将颜色差图像转化为RGB,并进行灰度化,得到灰度差图像;
将灰度差图像中的灰度值进行归一化,得到废气排放差值。
8.根据权利要求6所述的一种大气环境污染源污染程度评估方法,其特征在于,所述基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度,包括:
将污染监测数据和污染信息,输入第一污染检测网络,得到初次评估程度;多个污染信息对应获得多个初次评估程度;
若污染信息为标记变化,在时间结构记录下第一变化时间,将污染信息进行顺移,重复判断标记变化情况,直到污染信息再次为标记变化;
若污染信息再次为标记变化,在时间结构记录下第二变化时间,将污染监测数据和多个污染信息输入污染检测网络,得到多个二次评估程度;
将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度;
将局部污染程度和整体污染程度求平均值后向上取整,得到污染程度。
9.根据权利要求8所述的一种大气环境污染源污染程度评估方法,其特征在于,所述将所述污染监测数据、污染信息、第一变化时间和第二变化时间,输入第二污染检测网络,得到整体污染程度,包括:
将第二变化时间减去第一变化时间,得到监测时间;所述监测时间为两个变化时间点之间的时间;
将多个污染范围值相加,得到总污染范围值;
将多个污染程度值相加,得到总污染程度值;
将污染监测数据、总污染范围值、总污染程度值和监测时间,输入污染检测网络,得到整体污染程度。
10.一种大气环境污染源污染程度评估系统,其特征在于,包括:
获取模块:获得污染监测数据;所述污染监测数据为固定时间间隔测量得到的污染数据;获得多张污染监测图像;所述污染监测图像为监控设备所拍摄的污染源排放废气的图像;
突变监测模块:将多张污染监测图像输入污染情况突变检测网络,判断是否出现污染情况突然变化;
标记模块:若出现污染情况突然变化,标记变化信息,记录变化时间;
污染检测模块:基于多张污染监测图像,得到污染信息;所述污染信息包括污染范围值和污染程度值;
污染程度评估模块:基于所述污染监测数据、污染信息和变化时间,通过污染检测网络,得到污染程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290349.4A CN115359431B (zh) | 2022-10-21 | 2022-10-21 | 一种大气环境污染源污染程度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290349.4A CN115359431B (zh) | 2022-10-21 | 2022-10-21 | 一种大气环境污染源污染程度评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359431A true CN115359431A (zh) | 2022-11-18 |
CN115359431B CN115359431B (zh) | 2023-02-28 |
Family
ID=84008182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211290349.4A Active CN115359431B (zh) | 2022-10-21 | 2022-10-21 | 一种大气环境污染源污染程度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054353A (zh) * | 2023-08-17 | 2023-11-14 | 山西低碳环保产业集团有限公司 | 一种大气污染源区域定位分析方法及系统 |
CN117058549A (zh) * | 2023-08-21 | 2023-11-14 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1988389A1 (de) * | 2007-05-04 | 2008-11-05 | Sick Ag | Überwachung eines Raumbereichs mit Bestimmung des Verschmutzungsgrads einer transparenter Grenzfläche anhand des Bildkontrasts |
RU2397514C1 (ru) * | 2009-06-02 | 2010-08-20 | Федеральное государственное учреждение науки "Государственный научный центр вирусологии и биотехнологии "Вектор" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФГУН ГНЦ ВБ "Вектор" Роспотребнадзора) | Способ построения сети постов мониторинга загрязнения атмосферы и определения характеристик источников ее загрязнения |
CN105915840A (zh) * | 2016-04-05 | 2016-08-31 | 三峡大学 | 一种基于视频信号的工厂烟气排放自动监测的方法 |
CN106454241A (zh) * | 2016-10-13 | 2017-02-22 | 北京师范大学 | 一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法 |
RU2017116218A (ru) * | 2017-05-11 | 2018-11-14 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный университет по землеустройству" | Способ комплексного мониторинга природной среды |
CN109885804A (zh) * | 2019-01-23 | 2019-06-14 | 大连理工大学 | 一种基于监测车的大气污染监测和源辨识方法 |
CN111079848A (zh) * | 2019-12-23 | 2020-04-28 | 哈尔滨理工大学 | 一种基于图像的空气质量等级评估方法 |
CN111950888A (zh) * | 2020-08-07 | 2020-11-17 | 中国电建集团华东勘测设计研究院有限公司 | 河流水生态环境评价方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控系统及存储介质 |
CN114755367A (zh) * | 2022-04-19 | 2022-07-15 | 薛四社 | 一种环保污染监测方法、系统、设备及介质 |
-
2022
- 2022-10-21 CN CN202211290349.4A patent/CN115359431B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1988389A1 (de) * | 2007-05-04 | 2008-11-05 | Sick Ag | Überwachung eines Raumbereichs mit Bestimmung des Verschmutzungsgrads einer transparenter Grenzfläche anhand des Bildkontrasts |
RU2397514C1 (ru) * | 2009-06-02 | 2010-08-20 | Федеральное государственное учреждение науки "Государственный научный центр вирусологии и биотехнологии "Вектор" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФГУН ГНЦ ВБ "Вектор" Роспотребнадзора) | Способ построения сети постов мониторинга загрязнения атмосферы и определения характеристик источников ее загрязнения |
CN105915840A (zh) * | 2016-04-05 | 2016-08-31 | 三峡大学 | 一种基于视频信号的工厂烟气排放自动监测的方法 |
CN106454241A (zh) * | 2016-10-13 | 2017-02-22 | 北京师范大学 | 一种基于监控视频与社交网络数据的灰霾扩散路径绘制与来源确定方法 |
RU2017116218A (ru) * | 2017-05-11 | 2018-11-14 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный университет по землеустройству" | Способ комплексного мониторинга природной среды |
CN109885804A (zh) * | 2019-01-23 | 2019-06-14 | 大连理工大学 | 一种基于监测车的大气污染监测和源辨识方法 |
CN111079848A (zh) * | 2019-12-23 | 2020-04-28 | 哈尔滨理工大学 | 一种基于图像的空气质量等级评估方法 |
CN111950888A (zh) * | 2020-08-07 | 2020-11-17 | 中国电建集团华东勘测设计研究院有限公司 | 河流水生态环境评价方法 |
CN113887412A (zh) * | 2021-09-30 | 2022-01-04 | 中国科学院过程工程研究所 | 污染排放的检测方法、检测终端、监控系统及存储介质 |
CN114755367A (zh) * | 2022-04-19 | 2022-07-15 | 薛四社 | 一种环保污染监测方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
余丹等: "大气污染源在线监测系统工况监测评估与工程实践", 《四川环境》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054353A (zh) * | 2023-08-17 | 2023-11-14 | 山西低碳环保产业集团有限公司 | 一种大气污染源区域定位分析方法及系统 |
CN117054353B (zh) * | 2023-08-17 | 2024-03-19 | 山西低碳环保产业集团有限公司 | 一种大气污染源区域定位分析方法及系统 |
CN117058549A (zh) * | 2023-08-21 | 2023-11-14 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
CN117058549B (zh) * | 2023-08-21 | 2024-02-20 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115359431B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359431B (zh) | 一种大气环境污染源污染程度评估方法及系统 | |
CN111325769B (zh) | 一种目标对象检测方法及装置 | |
CN106839976B (zh) | 一种检测镜头中心的方法及装置 | |
CN109284674A (zh) | 一种确定车道线的方法及装置 | |
JP7124743B2 (ja) | 線状体の異常検出装置及び異常検出方法 | |
JP2012013675A (ja) | 鋼管内部腐食解析装置及び腐食解析方法 | |
CN108982522B (zh) | 用于检测管道缺陷的方法和装置 | |
CN108734684B (zh) | 动态照明场景的图像背景减除 | |
CN112580600A (zh) | 粉尘浓度检测方法、装置、计算机设备和存储介质 | |
JP7481956B2 (ja) | 推論装置、方法、プログラムおよび学習装置 | |
JP4701383B2 (ja) | 視界不良評価方法および視界不良評価装置 | |
CN117437227B (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
CN115423999A (zh) | 一种基于yolo-v5的车辆属性识别方法 | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
US20220222859A1 (en) | Difference detection apparatus, difference detection method, and program | |
JP2009545223A (ja) | イベント検出方法及び上記方法を用いたビデオ監視システム | |
Elmquist et al. | A performance contextualization approach to validating camera models for robot simulation | |
CN110824451A (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN114998194A (zh) | 产品缺陷检测方法、系统和存储介质 | |
CN114002704A (zh) | 一种用于桥梁隧道的激光雷达监测方法、装置以及介质 | |
JP2006287689A (ja) | 画像処理方法、画像処理装置、画像処理プログラム、およびその画像処理装置を含む集積回路 | |
CN117054353B (zh) | 一种大气污染源区域定位分析方法及系统 | |
WO2023119663A1 (ja) | タイヤ検査支援装置及び方法、並びに、コンピュータ可読媒体 | |
US11875578B2 (en) | Determination of traffic light orientation | |
JP4624826B2 (ja) | トロリー線検出装置 |
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 |