CN115578553A - 一种基于时序图像序列的甲醛的快速检测方法 - Google Patents

一种基于时序图像序列的甲醛的快速检测方法 Download PDF

Info

Publication number
CN115578553A
CN115578553A CN202211465434.XA CN202211465434A CN115578553A CN 115578553 A CN115578553 A CN 115578553A CN 202211465434 A CN202211465434 A CN 202211465434A CN 115578553 A CN115578553 A CN 115578553A
Authority
CN
China
Prior art keywords
image
formaldehyde
neural network
sequence
image sequence
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
Application number
CN202211465434.XA
Other languages
English (en)
Other versions
CN115578553B (zh
Inventor
郭芳
董亮
程远
袁英杰
李洪磊
刘军委
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.)
HENAN ZHIWEI BIOLOGICAL ENGINEERING CO LTD
Original Assignee
HENAN ZHIWEI BIOLOGICAL ENGINEERING 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 HENAN ZHIWEI BIOLOGICAL ENGINEERING CO LTD filed Critical HENAN ZHIWEI BIOLOGICAL ENGINEERING CO LTD
Priority to CN202211465434.XA priority Critical patent/CN115578553B/zh
Publication of CN115578553A publication Critical patent/CN115578553A/zh
Application granted granted Critical
Publication of CN115578553B publication Critical patent/CN115578553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

Abstract

一种基于时序图像序列的甲醛的快速检测方法，利用连续的时序图像序列帧捕捉变色过程，能够克服单帧图像中出现的噪声，提高检测精度；特别是设计了专用的基于颜色特征和神经网络模型的检测方法，能够基于样本自动完成对模型的训练，拜托对比色卡的依赖，实施对甲醛含量的便捷、自动化检测。

Description

一种基于时序图像序列的甲醛的快速检测方法
技术领域
本发明属于有害物分析检测应用领域，特别地，涉及一种甲醛的快速采样及便捷检测方法。
背景技术
甲醛是一种无色刺激性气体，具有较高的毒性。甲醛是国家明文规定的禁止在食品中使用的，在食品中不得检出, 但由于少量的甲醛能起到抑菌作用，有些不法商人为了牟取经济利益，在某些食品的加工过程中仍然使用甲醛作为添加剂，不少食品中都不同程度检出了甲醛的存在。因此，有必要提出一种快速便捷的针对食品中甲醛的检测方法。
对食品中甲醛含量测定的方法有很多，包括分光光度法、色谱法、质谱法、电化学法、荧光法和催化动力学法等。部分专业检测方法工作程序复杂，检测费用较高，不利于在食品行业的大规模推广。随着技术的进步，基于分光光度与图像检测的方法以其便捷性、高效性、高度的自动化程度越来越受到关注和应用。
分光光度法测定原理是甲醛由于缺乏发色团，只有通过甲醛与某种化合物反应，进而产生某种带有颜色的或发荧光的衍生物质，在特定波长下进行测定，通过衍生物质产生的量间接测量甲醛含量。例如乙酰丙酮法在过量铵盐存在下，甲醛与乙酰丙酮通过水浴反应生成黄色化合物，冷却后利用分光光度计在414 nm 的波长下测定其吸光度，定量测定甲醛含量。甲醛和酚试剂反应生成嗪，该物质在酸性的条件下可以还原高价铁离子，生成稳定的化合物，其溶液呈现蓝绿色，检测波长645 nm。AHMT 法指甲醛和AHMT在碱性的条件下缩合并在高锰酸钾或高碘酸的作用下发生氧化反应生成紫红色化合物，在波长550 nm 下测定其吸光度。品红- 亚硫酸法将浓硫酸缓慢的加入样品中，当加入适当的品红-亚硫酸试剂后，该试剂会与甲醛发生化学反应而生成蓝紫色的物质，然后在波长570 nm 下进行吸光度测定。
通过肉眼观察对比上述分光光度法测试色度结果，可以判定甲醛浓度。然而在大规模检测中，肉眼判定效率较低，人力需求成本高。为了解决上述问题，现有技术通常采用以光学摄像机为基础的自动化检测方法，对分光光度法甲醛与检测试剂反应后的颜色特征进行自动检测。具体包括利用对单幅图像的RGB颜色与标准比色卡的比对来判定甲醛浓度。然而比色卡的标准色差值是给定的离散数值，其对比空间有限，针对不同试剂需要定制不同的比色卡，降低了适用性和使用便利程度；另一方面，单幅图像采集容易受到环境干扰，造成检测噪声，降低检测精度。与此类似，现有技术中大多数采用静态图像的色彩对比来实现甲醛的检测，检测精度较低、易被干扰。
现有技术中也有使用神经网络进行色彩识别检测的，但同样针对静态图像的色彩对比。即识别变色后的试剂图像属于那种颜色类别。
发明内容
为解决上述一个或多个问题，本发明提出一种基于动态时序图像序列的甲醛与检测试剂反应过程中色度及色度变化的采集方法，利用连续的时序图像序列帧捕捉变色过程，能够克服单帧图像中出现的噪声，提高检测精度；特别是设计了专用的基于颜色特征和神经网络模型的检测方法，能够基于样本自动完成对模型的训练，摆脱对比色卡的依赖，实施对甲醛含量的便捷、自动化检测。
基于时序图像序列的甲醛的快速检测方法，
检测过程开始时，通过控制时钟设定摄像机采样图像的周期，摄像机在每个周期末自动采集图像，获得n个采样图像构成的时序图像序列；
根据时序图像序列的矫正r、g、b值计算其色调值h；其中矫正r、g、b值的计算方法包括：
Figure 100002_DEST_PATH_IMAGE001
其中*表示卷积符号，
Figure 457882DEST_PATH_IMAGE002
分别表示矫正前图像的三个分量，
Figure 968498DEST_PATH_IMAGE003
、
Figure 951497DEST_PATH_IMAGE004
、
Figure 612286DEST_PATH_IMAGE005
分别为三个分量经过高斯非线性滤波后的值，
Figure 754554DEST_PATH_IMAGE006
为高斯滤波器的卷积核；
Figure 842596DEST_PATH_IMAGE007
为线性拉伸参数、
Figure 578471DEST_PATH_IMAGE008
为线性偏移参数；
将色调通道
Figure 105267DEST_PATH_IMAGE009
按金字塔表达方式形成若干子集：
Figure 39725DEST_PATH_IMAGE010
Figure 100002_DEST_PATH_IMAGE011
其中，
Figure 501930DEST_PATH_IMAGE012
分别是图像沿x,y两个正交方向上的像素数，
Figure 584156DEST_PATH_IMAGE014
表示金字塔的层数，
Figure 586747DEST_PATH_IMAGE015
表示某个金字塔子图中的像素坐标，
Figure 313394DEST_PATH_IMAGE016
表示某一层金字塔图像中在x,y两个正交方向上 的子图序数，
Figure 339644DEST_PATH_IMAGE017
称为原图像
Figure 846849DEST_PATH_IMAGE018
的金字塔表达，是原图像的一个子集；
对每个子集，取其中位数值，记为
Figure 325234DEST_PATH_IMAGE019
，组成图像变 换域的颜色特征；
以图像变换域的颜色特征
Figure 234285DEST_PATH_IMAGE020
作为神经网络模型的输入，输出取值在-1到+1，趋 近于-1表示甲醛达标，趋近于1表示甲醛超标；
其中神经网络包括两个隐藏层和一个输出层，第一隐藏层用于对子图中所含空间信息建模；第二隐藏层用于对子图中所含时序信息建模；在第一隐藏层中，使用对角矩阵对神经网络进行约束。
准备甲醛达标、超标两种情形下的检测过程所采样的时序图像序列，根据生成的颜色特征作为上述神经网络模型的训练样本输入，相应的，训练时输出的真值分别置为-1、1，对上述神经网络模型实施训练
所述训练采用BP算法。
神经网络模型设置在现场处理器或服务器中。
采集端与服务器通过通讯链路进行数据通讯，传递数据。
在采集端设置前端处理器，用于采集、处理得到图像变换域的颜色特征。
通讯链路将图像变换域的颜色特征
Figure 897347DEST_PATH_IMAGE019
发送至服务 器。
所述前端处理器为CPU、DSP或ARM。
通讯链路为4G、5G、wifi、光纤。
一种基于时序图像序列的甲醛的快速检测系统，包括采集端、通讯链路和服务器，用于实施所述的方法。
本发明发明点及技术效果：
1、利用摄像机周期采样甲醛与检测试剂反应过程中的图像，捕捉反应过程中一定时点的颜色和颜色的变化过程的时序时序图像序列，并据此在后续步骤中确定甲醛的含量，降低了单幅图像噪声对检测精度的影响。
2、对时序时序图像序列进行专门优化的矫正计算，能够保证检测精度。
3、将图像转换到色调通道，将原色调通道的图像映射到金字塔表达的变换域中，使颜色特征不断细化，与传统基于颜色直方图的统计方法相比，将颜色与空间信息相关联，结合相邻采样图像之间的时序信息，能够更好的去除样本中所含噪声，提高检测性能。
4、根据输入的颜色特征的特点，专门设计了神经网络模型，优化了激活函数和网络结构，特别是增加了对角矩阵的网络约束，从而能够实现轻量网络结构提高检测准确度、降低检测时长的效果。
具体实施方式
步骤1：甲醛与检测试剂反应过程中颜色及颜色变化的采集
利用摄像机周期采样甲醛与检测试剂反应过程中的图像，捕捉反应过程中一定时点的颜色和颜色的变化过程，并据此在后续步骤中确定甲醛的含量。
现有方法中，利用对单幅图像的RGB颜色检测来判定甲醛浓度，单幅图像采集容易受到环境干扰，造成检测噪声，降低检测精度。
为了解决上述方法，本发明提出两方面改进的检测方法。
一是通过捕捉多幅图像，实现对反应过程中一定时点的颜色和颜色的变化过程的检测，从而降低单幅图像噪声对检测精度的影响。
二是（步骤2中详述）提出一种基于变换域的颜色特征，相比传统的基于颜色直方图的统计特征，能够更好的区分噪声与信号，提高检测精度。
检测过程开始时，通过控制时钟设定摄像机采样图像的周期，摄像机在每个周期末自动采集图像，直至检测过程结束；获得若干采样图像。
采样图像周期根据检测过程的时长按照经验设定，常规情况下检测过程约持续数分钟，由于采集过多的图像会增加计算量，通常优选选择采样周期为10-30秒。
假设检测过程中总共采样到N张图像。记为：
Figure 891848DEST_PATH_IMAGE021
自动采集图像过程中，无需人工干预。采集到的图像存储在计算机存储器上，供后面步骤使用。
步骤2：基于变换域的提取图像中颜色特征的实施方法
根据步骤1采集到的检测过程中的N张图像计算图像中颜色特征。
所述基于变换域的图像中颜色特征，根据ISO标准RGB图像空间的三基色
Figure 173925DEST_PATH_IMAGE022
计算得到。
Figure 265377DEST_PATH_IMAGE022
分别表示RGB图像空间的红色、绿色、蓝色通道。
由RGB图像空间计算图像的色调如下：
Figure DEST_PATH_IMAGE023
其中arccos表示反余弦三角函数，mod表示取模运算，
Figure 505866DEST_PATH_IMAGE024
为圆周率。h表示图像的 色调，其取值范围为
Figure 49980DEST_PATH_IMAGE025
。
Figure 198064DEST_PATH_IMAGE026
表示通道中一个像素的坐标。
根据图像的色调，可以获得与颜色（波长）相关的信息。甲醛与检测试剂反应过程中，试剂的颜色会根据甲醛的浓度发生变化，故摄像机捕捉到的光波长会发生变化，体现在图像的色调发生变化。
对于整幅图像，其中含有图像采集环境中存在的环境噪声，例如光反射、遮挡等，故先对图像进行非线性矫正，降低上述环境噪声带来的影响。矫正计算方法如下：
Figure 753811DEST_PATH_IMAGE027
其中ln表示自然对数函数，*表示卷积符号，
Figure 994561DEST_PATH_IMAGE002
分别表示矫正前图像的三 个分量，
Figure 698075DEST_PATH_IMAGE003
、
Figure 181009DEST_PATH_IMAGE004
、
Figure 919158DEST_PATH_IMAGE005
分别为三个分量经过高斯非线性滤波后的值，
Figure 626083DEST_PATH_IMAGE006
为高斯 滤波器的卷积核。高斯滤波用于估计环境中光强度，通过相减去除环境光强影响，抑制环境 光噪声。根据现有数字摄像机拍摄分辨率和本发明应用场景，经实验优选
Figure 20155DEST_PATH_IMAGE028
。
Figure 837938DEST_PATH_IMAGE007
为线性 拉伸参数、
Figure 368277DEST_PATH_IMAGE008
为线性偏移参数：
Figure 73251DEST_PATH_IMAGE029
其中，max表示取三者的最大值，min表示取三者的最小值，
Figure 954620DEST_PATH_IMAGE030
，
Figure 310515DEST_PATH_IMAGE031
，
Figure 960939DEST_PATH_IMAGE032
。 参数255指调整后的每个通道灰阶为256阶（255+1），
Figure 416191DEST_PATH_IMAGE033
亦以此为基准。线性拉伸参数
Figure 643910DEST_PATH_IMAGE007
用于使颜色的亮度更加分散，提高颜色特征的线性可分性；线性偏移参数
Figure 475600DEST_PATH_IMAGE008
用于归一化调 整亮度的整体水平，使不同数据样本的亮度水平更加接近。引入以上参数可以提高检测的 精度。
根据式3计算参数
Figure 980530DEST_PATH_IMAGE007
、
Figure 606684DEST_PATH_IMAGE008
的值，再根据式2计算矫正后图像的三个分量
Figure 321699DEST_PATH_IMAGE022
代入 式1计算色调。
对步骤1中采样的每张图像
Figure 957080DEST_PATH_IMAGE021
按照前述步骤计算得到与每张图像对应的色调通道：
Figure 316517DEST_PATH_IMAGE034
以其中一个色调通道
Figure 441468DEST_PATH_IMAGE009
为例，按下列金字塔表达方法形成若干子 集：
Figure 315883DEST_PATH_IMAGE010
Figure 692637DEST_PATH_IMAGE011
其中，
Figure 968898DEST_PATH_IMAGE012
分别是图像沿x,y两个正交方向上的像素数，
Figure 264750DEST_PATH_IMAGE014
表示金字塔的层数，
Figure 626461DEST_PATH_IMAGE015
表示某个金字塔子图中的像素坐标，
Figure 806907DEST_PATH_IMAGE016
表示某一层金字塔图像中在x,y两个正交方向上 的子图序数，
Figure 999991DEST_PATH_IMAGE017
称为原图像
Figure 404427DEST_PATH_IMAGE018
的金字塔表达，是原图像的一个子集；所有的金字塔 表达的并集等于原图像。
根据金字塔的层数不同，将原色调通道逐层四分为若干子集，即金字塔表达。对每 个子集，取其中位数值，记为
Figure 191118DEST_PATH_IMAGE020
。可知中位数值的个数为
Figure 706413DEST_PATH_IMAGE035
与金字塔的层数 有关；金字塔层数越大，则获得的中位数值越多。将原色调通道的图像映射到金字塔表达的 变换域中，使颜色特征不断细化，与传统基于颜色直方图的统计方法相比，将颜色与空间信 息相关联，结合相邻采样图像之间的时序信息，能够更好的去除样本中所含噪声，提高检测 性能。
上述所有中位数值
Figure 19582DEST_PATH_IMAGE019
组成图像变换域的颜色特 征。金字塔层数根据实验优选为
Figure 594920DEST_PATH_IMAGE036
。
步骤3：基于变换域颜色特征，建立神经网络模型进行检测
根据变换域颜色特征中所包含的颜色、空间、时序信息，建立自动检测模型，对甲醛检测过程中反映出的颜色变化实施检测，进而推论甲醛含量是否超标或达标。
根据步骤2所得图像变换域的颜色特征，表示为
Figure 868907DEST_PATH_IMAGE019
。 其中包含三个维度，即维度n为采样图像的次序含有时序信息，维度
Figure 187893DEST_PATH_IMAGE016
是图像金字塔表达 中子图的相对顺序，含有空间信息。
采用神经网络模型对图像变换域的颜色特征实施建模。所述神经网络模型，为一 逻辑上具备层次结构的映射模型，由确定的一组输入、确定的一组输出和预先定义的隐藏 层组成，输入经隐藏层映射后，得到输出。本发明以图像变换域的颜色特征
Figure 624078DEST_PATH_IMAGE020
作为神经 网络模型的输入。输出为一标量，取值在-1到+1，趋近于-1表示甲醛达标，趋近于1表示甲醛 超标。
神经网络的第一个隐藏层用于对子图中所含空间信息建模。其表达如下：
Figure 308000DEST_PATH_IMAGE037
其中，
Figure 866020DEST_PATH_IMAGE038
为输入各维度的下标，
Figure 51014DEST_PATH_IMAGE039
为第一个隐藏层各维度下标；
Figure 10880DEST_PATH_IMAGE040
表示当 n为定值时，将矩阵
Figure 865703DEST_PATH_IMAGE020
按行、列展开为一个向量；例如，当n=1时，
Figure 176599DEST_PATH_IMAGE020
为一矩阵，含有
Figure 899704DEST_PATH_IMAGE041
个元素，故
Figure 917339DEST_PATH_IMAGE040
为包含
Figure 270960DEST_PATH_IMAGE042
个元素的向量，相应的
Figure 928206DEST_PATH_IMAGE043
为包含
Figure 392685DEST_PATH_IMAGE042
个元素的向量。
Figure 999247DEST_PATH_IMAGE044
均为参数矩阵，
Figure 523769DEST_PATH_IMAGE045
是线性偏移量，用于定义输入与第一个隐藏层各元素之间的相对应 关系；
Figure 605995DEST_PATH_IMAGE046
、
Figure 811848DEST_PATH_IMAGE047
为单位正交方阵，
Figure 600813DEST_PATH_IMAGE047
是
Figure 358553DEST_PATH_IMAGE046
的逆矩阵，其维数为
Figure 803441DEST_PATH_IMAGE048
。
Figure 609723DEST_PATH_IMAGE049
取秩为
Figure 581090DEST_PATH_IMAGE050
的对角阵， 即：
Figure 181836DEST_PATH_IMAGE051
Figure 379599DEST_PATH_IMAGE052
,…,
Figure 789239DEST_PATH_IMAGE053
为
Figure 552796DEST_PATH_IMAGE050
个正数。
可知矩阵
Figure 262126DEST_PATH_IMAGE046
中的有效参数为
Figure 71819DEST_PATH_IMAGE054
个，即前
Figure 219903DEST_PATH_IMAGE050
列。故隐藏层一对应的线性参数为
Figure 775650DEST_PATH_IMAGE055
个，即相当于对网络进行了优化约束，相比于经典全连接神经网络中线性参 数为
Figure 983777DEST_PATH_IMAGE048
个，由于
Figure 749608DEST_PATH_IMAGE050
远小于
Figure 435804DEST_PATH_IMAGE056
，故本发明方法建立的用于对子图中所含空间信息建模的 第一个隐藏层大大减少了线性参数数量，降低了模型复杂度，提高了计算效率。
函数
Figure 377215DEST_PATH_IMAGE057
表示激活函数，定义如下：
Figure 552982DEST_PATH_IMAGE058
激活函数用于使模型非线性化，以便可以处理非线性数据样本。上式中
Figure 743792DEST_PATH_IMAGE059
表示自 然指数函数，
Figure 436941DEST_PATH_IMAGE060
为偏置参数用于使模型对正负样本产生更高的区分度，提高自动检测精度， 优选
Figure 91913DEST_PATH_IMAGE061
。
神经网络的第二个隐藏层用于对子图中所含时序信息建模。其表达如下：
Figure 641843DEST_PATH_IMAGE062
其中，
Figure 257633DEST_PATH_IMAGE063
是长度为N的向量，
Figure 285631DEST_PATH_IMAGE064
表示卷积运算符，
Figure 60689DEST_PATH_IMAGE063
与
Figure 719204DEST_PATH_IMAGE065
在时间维度上的向量卷 积后得到第二个隐藏层上对应元素的值
Figure 884606DEST_PATH_IMAGE066
。
Figure 778613DEST_PATH_IMAGE067
是线性偏移量，
Figure 283543DEST_PATH_IMAGE057
为式7的激活函数。
神经网络的输出层定义如下：
Figure 175276DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE069
是定义第三层与输出层之间的线性全连接函数，
Figure 155870DEST_PATH_IMAGE070
、
Figure 463355DEST_PATH_IMAGE071
为线性偏移量，
Figure 885109DEST_PATH_IMAGE057
为式7的激活函数。输出
Figure 278569DEST_PATH_IMAGE072
表示与输入对应的检测过程中甲醛是否超标，约定
Figure 90667DEST_PATH_IMAGE072
趋近于-1表 示甲醛达标，
Figure 529738DEST_PATH_IMAGE072
趋近于1表示甲醛超标。
准备甲醛达标、超标两种情形下的检测过程所采样的时序图像序列，根据步骤2所 述生成颜色特征作为上述神经网络模型的训练样本输入，相应的，训练时输出的真值分别 置为-1、1.采用BP算法对上述神经网络模型实施训练，确定参数
Figure 868316DEST_PATH_IMAGE044
、
Figure 305113DEST_PATH_IMAGE063
、
Figure 666825DEST_PATH_IMAGE069
、
Figure 440746DEST_PATH_IMAGE045
、
Figure 837092DEST_PATH_IMAGE067
、
Figure 179211DEST_PATH_IMAGE070
、
Figure 356115DEST_PATH_IMAGE071
的值，完成训练。
训练完成后，利用步骤1所述采集方法采集图像，并根据步骤2所述生成颜色特征， 作为输入通过上述神经网络模型得出估计值
Figure 871410DEST_PATH_IMAGE072
，若
Figure 59946DEST_PATH_IMAGE073
判定甲醛超标，否则判定甲醛达 标。
本发明提出一种甲醛的快速采样及便捷检测方法，通过采样甲醛检测过程中的时序图像序列，生成颜色特征，并采用神经网络模型实施自动检测，实现了对甲醛检测的便捷、自动化检测。下面给出了本发明方法的检测正确率，实验结果表明本发明方法可以实现较高的自动检测正确率，为甲醛的快速采样及自动化便捷检测提供了有效手段。
Figure 963180DEST_PATH_IMAGE075
所述神经网络模型设置在现场处理器或服务器中。
若神经网络模型设置在服务器中，则采集端与服务器通过通讯链路进行数据通讯，传递数据。
在采集端也可以设置前端处理器，用于实施上述步骤1和步骤2，从而只需要将图 像变换域的颜色特征
Figure 299483DEST_PATH_IMAGE019
发送至服务器，可以极大地降低数 据的发送量，并不需要像通常检测系统一样需要采集端发送大量图像至服务器。特别是，本 发明方案与传统方案还不一样，在采集时会产生大量时序图像（传统方案只产生1-2个图 像），因此该问题就更加突出。而采用本发明分立设置的系统架构则可以完美解决该问题。
所述前端处理器为CPU、DSP或ARM。
通讯链路为4G、5G、wifi、光纤。
以上实施例只是对于发明详细方案的描述，不构成对发明的具体限定。实施例中提到的技术问题和技术效果均是通过发明实施例方案能够解决的问题，也是本发明的发明点所在。

Claims (10)

1.一种基于时序图像序列的甲醛的快速检测方法，其特征在于：
检测过程开始时，通过控制时钟设定摄像机采样图像的周期，摄像机在每个周期末自动采集图像，获得n个采样图像构成的图像序列；
根据图像序列的矫正r、g、b值计算其色调值h；其中矫正r、g、b值的计算方法包括：
Figure DEST_PATH_IMAGE001
其中*表示卷积符号，
Figure 888439DEST_PATH_IMAGE002
分别表示矫正前图像的三个分量，
Figure 805580DEST_PATH_IMAGE003
、
Figure 585317DEST_PATH_IMAGE004
、
Figure 980526DEST_PATH_IMAGE005
分别为三个分量经过高斯非线性滤波后的值，
Figure 732582DEST_PATH_IMAGE006
为高斯滤波器的卷积核；
Figure 555044DEST_PATH_IMAGE007
为线性 拉伸参数、
Figure 759760DEST_PATH_IMAGE008
为线性偏移参数；
将色调通道
Figure 958661DEST_PATH_IMAGE009
按金字塔表达方式形成若干子集：
Figure 627539DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
其中，
Figure 60051DEST_PATH_IMAGE012
分别是图像沿x,y两个正交方向上的像素数，
Figure DEST_PATH_IMAGE013
表示金字塔的层数，
Figure 752064DEST_PATH_IMAGE014
表示 某个金字塔子图中的像素坐标，
Figure 489075DEST_PATH_IMAGE015
表示某一层金字塔图像中在x,y两个正交方向上的子 图序数，
Figure 12461DEST_PATH_IMAGE016
称为原图像
Figure 442305DEST_PATH_IMAGE017
的金字塔表达，是原图像的一个子集；
对每个子集，取其中位数值，记为
Figure 356034DEST_PATH_IMAGE018
，组成图像变换域 的颜色特征；
以图像变换域的颜色特征
Figure 631158DEST_PATH_IMAGE019
作为神经网络模型的输入，输出取值在-1到+1，趋近 于-1表示甲醛达标，趋近于1表示甲醛超标；
其中神经网络包括两个隐藏层和一个输出层，第一隐藏层用于对子图中所含空间信息建模；第二隐藏层用于对子图中所含时序信息建模；在第一隐藏层中，使用对角矩阵对神经网络进行约束。
2.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：准备甲醛达标、超标两种情形下的检测过程所采样的图像序列，根据生成的颜色特征作为上述神经网络模型的训练样本输入，相应的，训练时输出的真值分别置为-1、1，对上述神经网络模型实施训练。
3.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：所述训练采用BP算法。
4.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：神经网络模型设置在现场处理器或服务器中。
5.如权利要求4所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：采集端与服务器通过通讯链路进行数据通讯，传递数据。
6.如权利要求5所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：在采集端设置前端处理器，用于采集、处理得到图像变换域的颜色特征。
7.如权利要求5所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：通 讯链路将图像变换域的颜色特征
Figure 477891DEST_PATH_IMAGE018
发送至服务器。
8.如权利要求6所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：所述前端处理器为CPU、DSP或ARM。
9.如权利要求5所述的一种基于时序图像序列的甲醛的快速检测方法，其特征在于：通讯链路为4G、5G、wifi、光纤。
10.一种基于图像序列的甲醛的快速检测系统，其特征在于：包括采集端、通讯链路和服务器，用于实施如权利要求1-9所述的一种基于时序图像序列的甲醛的快速检测方法。
CN202211465434.XA 2022-11-22 2022-11-22 一种基于时序图像序列的甲醛的快速检测方法 Active CN115578553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211465434.XA CN115578553B (zh) 2022-11-22 2022-11-22 一种基于时序图像序列的甲醛的快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211465434.XA CN115578553B (zh) 2022-11-22 2022-11-22 一种基于时序图像序列的甲醛的快速检测方法

Publications (2)

Publication Number Publication Date
CN115578553A true CN115578553A (zh) 2023-01-06
CN115578553B CN115578553B (zh) 2023-04-07

Family

ID=84589455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211465434.XA Active CN115578553B (zh) 2022-11-22 2022-11-22 一种基于时序图像序列的甲醛的快速检测方法

Country Status (1)

Country Link
CN (1) CN115578553B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004040314A1 (en) * 2002-10-31 2004-05-13 Chemometec A/S A method for assessment of particles
US20070211315A1 (en) * 2006-03-09 2007-09-13 Nec Electronics Corporation Apparatus, method, and program product for color correction
CN105678231A (zh) * 2015-12-30 2016-06-15 中通服公众信息产业股份有限公司 一种基于稀疏编码和神经网络的行人图片检测方法
CN106530263A (zh) * 2016-10-19 2017-03-22 天津大学 一种适应于医学影像的单曝光高动态范围图像生成方法
CN107748165A (zh) * 2017-11-15 2018-03-02 江苏大学 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法
CN110322438A (zh) * 2019-06-26 2019-10-11 杭州上池科技有限公司 结核分枝杆菌自动检测模型的训练方法及自动检测系统
CN110874599A (zh) * 2019-11-15 2020-03-10 江苏蓝河智能科技有限公司 一种基于图像识别的舰船检测方法
CN112184627A (zh) * 2020-09-03 2021-01-05 华南农业大学 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN112418130A (zh) * 2020-11-30 2021-02-26 华南农业大学 一种基于bp神经网络的香蕉成熟度检测方法及装置
WO2021227877A1 (zh) * 2020-05-13 2021-11-18 中兴通讯股份有限公司 图像超分辨率处理方法、装置、设备及存储介质
US20220044374A1 (en) * 2019-12-17 2022-02-10 Dalian University Of Technology Infrared and visible light fusion method

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004040314A1 (en) * 2002-10-31 2004-05-13 Chemometec A/S A method for assessment of particles
US20070211315A1 (en) * 2006-03-09 2007-09-13 Nec Electronics Corporation Apparatus, method, and program product for color correction
CN105678231A (zh) * 2015-12-30 2016-06-15 中通服公众信息产业股份有限公司 一种基于稀疏编码和神经网络的行人图片检测方法
CN106530263A (zh) * 2016-10-19 2017-03-22 天津大学 一种适应于医学影像的单曝光高动态范围图像生成方法
CN107748165A (zh) * 2017-11-15 2018-03-02 江苏大学 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法
CN110322438A (zh) * 2019-06-26 2019-10-11 杭州上池科技有限公司 结核分枝杆菌自动检测模型的训练方法及自动检测系统
CN110874599A (zh) * 2019-11-15 2020-03-10 江苏蓝河智能科技有限公司 一种基于图像识别的舰船检测方法
US20220044374A1 (en) * 2019-12-17 2022-02-10 Dalian University Of Technology Infrared and visible light fusion method
WO2021227877A1 (zh) * 2020-05-13 2021-11-18 中兴通讯股份有限公司 图像超分辨率处理方法、装置、设备及存储介质
CN112184627A (zh) * 2020-09-03 2021-01-05 华南农业大学 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN112418130A (zh) * 2020-11-30 2021-02-26 华南农业大学 一种基于bp神经网络的香蕉成熟度检测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GRAVE, J.A 等: "A tone-mapping operator for road visibility experiments(Article)" *
王文豪 等: "基于HSV空间改进的多尺度显著性检测" *
王诣 等: "人工神经网络和图像处理技术在叶绿素含量检测中的应用" *
胡雄心 等: "RGB空间甲醛色差甄别系统的研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN116681992B (zh) * 2023-07-29 2023-10-20 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法

Also Published As

Publication number Publication date
CN115578553B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US8855412B2 (en) Systems, methods, and apparatus for image processing, for color classification, and for skin color detection
CN109345601B (zh) 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法
CN115578553B (zh) 一种基于时序图像序列的甲醛的快速检测方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN112200807B (zh) 一种视频质量诊断方法与系统
CN109886146B (zh) 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
Mamatov et al. Methods for improving contrast of agricultural images
CN108601509A (zh) 图像处理装置、图像处理方法以及程序
CN109856133B (zh) 一种利用多种光照强度、多种色彩照明的试纸检测方法
CN117291851A (zh) 一种基于低秩分解和稀疏表示的多曝光图像融合方法
CN116188510B (zh) 一种基于多传感器的企业排放数据采集系统
CN110929740A (zh) 一种基于lgbm模型的舌质舌苔分离方法
JP2006067423A (ja) 画像品質定量評価方法及びその装置
Di et al. The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature
CN115512136A (zh) 试纸色差识别方法和装置、电子设备及存储介质
CN111795941A (zh) 一种水华期藻类群落结构高光谱识别方法
CN112001288B (zh) 一种单幅多光谱遥感图像深灰色飞机快速检测方法
CN112203072A (zh) 一种基于深度学习的航拍图像水体提取方法与系统
CN110675366B (zh) 基于窄带led光源估计相机光谱灵敏度的方法
CN117451012B (zh) 一种无人机航摄测量方法及系统
CN118015459A (zh) 一种伪装目标的识别方法、装置、设备及介质
CN117252789B (zh) 高分辨率遥感影像阴影重建方法、装置及电子设备
CN115690502B (zh) 一种近岸及内陆水体水波纹消除方法、系统及可读存储介质
DIVYA DETERMINATION OF SOIL PH VALUE
CN116883997B (zh) 一种基于图像识别的噬菌斑计数方法及系统

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