CN115586307A - 厨房油烟在线监测系统及方法 - Google Patents

厨房油烟在线监测系统及方法 Download PDF

Info

Publication number
CN115586307A
CN115586307A CN202211299199.3A CN202211299199A CN115586307A CN 115586307 A CN115586307 A CN 115586307A CN 202211299199 A CN202211299199 A CN 202211299199A CN 115586307 A CN115586307 A CN 115586307A
Authority
CN
China
Prior art keywords
data
oil smoke
point
detected
characteristic
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
CN202211299199.3A
Other languages
English (en)
Other versions
CN115586307B (zh
Inventor
黄国保
曾卫新
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.)
Jiangxi Jiangnan Kitchen Industry Co ltd
Original Assignee
Jiangxi Jiangnan Kitchen Industry 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 Jiangxi Jiangnan Kitchen Industry Co ltd filed Critical Jiangxi Jiangnan Kitchen Industry Co ltd
Priority to CN202211299199.3A priority Critical patent/CN115586307B/zh
Publication of CN115586307A publication Critical patent/CN115586307A/zh
Application granted granted Critical
Publication of CN115586307B publication Critical patent/CN115586307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
    • G06V10/70—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
    • G06V20/50—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)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明提出一种厨房油烟在线监测系统及方法，该方法包括：获取待检测油烟点区域的油烟监测数据；对油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得油烟监测数据的单点特征数据；对油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得油烟监测数据的相近点特征数据；根据油烟监测数据的单点特征数据和油烟监测数据的相近点特征数据；根据油烟监测数据的特征数据，判断待检测油烟点区域是否为油烟点超标区域，采用本方法及系统提高了油烟点检测的准确度，同时结合深度学习算法，是油烟对检测设备的疲劳损害交底，增强了设备的使用年限，降低人工维护成本。

Description

厨房油烟在线监测系统及方法
技术领域
本申请涉及厨房技术领域，尤其涉及一种厨房油烟在线监测系统及方法。
背景技术
厨房油烟中含有300多种有害物质，厨房油烟已经成为了危害家庭主妇身体健康的一个主要的因素，因此有必要对厨房油烟的实时状况进行监测。
在传统的厨房油烟检测系统中，通常采用的是基于电路和传感器的油烟监测设备，此种设备通常较为传统，一般设置在厨房某个监测点进行单点监测。然而，此种传统的检测设备，无法对数据进行分析以确定，特别对于一些大型的烹饪场所，无法了解各油烟监测点的实时情况，不利于动态监测以及预防一些危害的发生。
发明内容
为解决上述现有问题，本申请提出一种厨房油烟在线监测方法，其中，所述方法包括如下步骤：
获取待检测油烟点区域的油烟监测数据；
对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据；
对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据；
根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据；
根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
作为其中一个优选实施例，所述对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据所述方法包括如下步骤：
利用卷积神经网络中的尺寸为预设大小的卷积核，对所述油烟监测数据中至少一个待检测油烟点的数据特征进行卷积运算，获得所述油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值；
根据所述油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值，获得所述油烟监测数据的单点特征数据。
作为其中一个优选实施例，对油烟监测数据中至少一个待检测油烟点的数据特征进行卷积运算的公式表示为：
Figure BDA0003902911400000021
其中，ζi表示第i个待检测油烟点经卷积操作后的输出特征，
Figure BDA0003902911400000022
为输入的第i个待检测油烟点的数据特征，S为卷积核尺寸，Cin为输入的特征图像的通道数，Ω为滑动窗口，
Figure BDA0003902911400000023
为滑动窗口Ω从输入的数据特征
Figure BDA0003902911400000024
中提取的张量在(q，p，z)处的像素，
Figure BDA0003902911400000025
为第k个卷积核在(q，p)处的像素，ni为第i个待检测油烟点对应的第n组数据特征。
作为其中一个优选实施例，所述对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据的方法包括如下步骤：
利用卷积神经网络中的尺寸大于预设大小的卷积核，对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行卷积运算，获得所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征的相近点卷积值；
根据所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征的相近点卷积值，获得所述油烟监测数据的相近点特征数据。
作为其中一个优选实施例，所述根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据的方法包括如下步骤：
将所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据进行特征关联运算，获得所述油烟监测数据的第一特征数据；
对所述第一特征数据进行特征提取，获得所述第一特征数据的特征信息；
将所述第一特征数据的特征信息确定为所述油烟监测数据的特征数据。
作为其中一个优选实施例，所述对第一特征数据进行特征提取，获得所述第一特征数据的特征信息的方法包括如下步骤：
对所述第一特征数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述第一特征数据的单点特征数据；
对所述第一特征数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述第一特征数据的相近点特征数据；
根据所述第一特征数据的单点特征数据和所述第一特征数据的相近点特征数据，获得所述第一特征数据的特征信息。
作为其中一个优选实施例，所述第一特征数据的特征信息包含油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度值；
油烟监测数据的油烟浓度表示为：
Figure BDA0003902911400000031
其中，cl表示第一特征数据的特征信息中的油烟浓度，
Figure BDA0003902911400000032
表示单点特征数据中的油烟浓度，
Figure BDA0003902911400000033
表示相近点特征数据中的油烟浓度，ε表示油烟浓度项的校正系数；
油烟监测数据的颗粒物浓度表示为：
Figure BDA0003902911400000041
其中，cPM表示第一特征数据的特征信息中的颗粒物浓度，
Figure BDA0003902911400000042
表示单点特征数据中的颗粒物浓度，
Figure BDA0003902911400000043
表示相近点特征数据中的颗粒物浓度，
Figure BDA0003902911400000044
表示颗粒物浓度项的校正系数；
油烟监测数据的非甲烷总烃浓度表示为：
Figure BDA0003902911400000045
其中，cCNHM表示第一特征数据的特征信息中的非甲烷总烃浓度，
Figure BDA0003902911400000046
表示单点特征数据中的非甲烷总烃浓度，
Figure BDA0003902911400000047
表示相近点特征数据中的非甲烷总烃浓度，γ表示非甲烷总烃浓度项的校正系数。
作为其中一个优选实施例，油烟监测数据的可见度表示为：
Figure BDA0003902911400000048
其中，D表示第一特征数据的特征信息中的可见度，D1表示单点特征数据中的可见度，D2表示相近点特征数据中的可见度，η表示可见度项的校正系数；
油烟监测数据的温度表示为：
Figure BDA0003902911400000049
其中，T表示第一特征数据的特征信息中的温度值，T1表示单点特征数据中的温度值，T2表示相近点特征数据中的温度值。
作为其中一个优选实施例，所述根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域的方法包括如下步骤：
将所述油烟监测数据的特征数据与指定的分类阈值进行对比；
如果所述油烟监测数据的特征数据大于或者等于所述指定的分类阈值，则确定所述待检测油烟点区域为油烟点区域；
如果所述油烟监测数据的特征数据小于所述指定的分类阈值，则确定所述待检测油烟点区域为非油烟点区域。
本发明还提出一种厨房油烟在线监测系统，其中，所述系统包括：
监测数据获取单元，用于获取待检测油烟点区域的油烟监测数据；
单点特征获得单元，用于对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据；
相近点特征获取单元，用于对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据；
特征数据获得单元，用于根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据；
判断单元，用于根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
从以上技术方案可以看出，本发明具有以下优点：
通过本发明提出的一种厨房油烟在线监测方法，综合考虑了待检测油烟点区域的油烟监测数据的单点特征数据和待检测油烟点区域的油烟监测数据的邻近点特征数据，进而根据单点特征数据和邻近点特征数据，获得油烟监测数据的特征数据，从而提高了油烟点检测的准确度，进而能够对各监测点油烟情况进行清楚掌握。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请提供的一种实施例的流程示意图；
图2为本申请提供的另一种实施例的流程示意图；
图3为本申请提供的又一种实施例的流程示意图；
图4为本申请提供的一种实施例的系统结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本申请第一实施例提出一种厨房油烟在线监测方法。请参阅图1，该图为本申请第一实施例的流程图。以下结合图1对本申请第一实施例进行详细说明。所述方法包括如下步骤：
步骤S101、获取待检测油烟点区域的油烟监测数据。
在本发明中，油烟监测数据是一种高光谱数据图像，存在RGB三个通道，主要包括油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度数据等多个波段的通道数据。具体的，本发明中待检测油烟点区域的油烟监测数据，具体包括：待检测油烟点区域的油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度。
步骤S102、对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据。
具体的，对油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得油烟监测数据的单点特征数据的方法包括如下步骤：
S1021、利用卷积神经网络中的尺寸为预设大小的卷积核，对油烟监测数据中至少一个待检测油烟点的数据特征进行卷积运算，获得油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值。
具体的，在本步骤中，进行卷积计算的公式表示为：
Figure BDA0003902911400000071
其中，ξi表示第i个待检测油烟点经卷积操作后的输出特征，
Figure BDA0003902911400000072
为输入的第i个待检测油烟点的数据特征，S为卷积核尺寸，Cin为输入的特征图像的通道数，Ω为滑动窗口，
Figure BDA0003902911400000073
为滑动窗口Ω从输入的数据特征
Figure BDA0003902911400000074
中提取的张量在(q，p，z)处的像素，
Figure BDA0003902911400000075
为第k个卷积核在(q，p)处的像素，ni为第i个待检测油烟点对应的第n组数据特征。
S1022、根据油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值，获得油烟监测数据的单点特征数据。
其中，卷积神经网络中的尺寸为预设大小的卷积核，常常用来对于油烟监测数据中的待检测油烟点的数据特征进行特征处理。例如，输入的是256×256×42的数据，利用预设大小的卷积核进行卷积计算后，获得256×256×128的处理后数据。如上所述，由于在步骤S1021中计算得到了第i个待检测油烟点经卷积操作后的输出特征ζi。其中，第i个待检测油烟点经卷积操作后的输出特征ζi，即为油烟监测数据的单点特征数据。
步骤S103、对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据。
具体的，对油烟监测数据中其中一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得油烟监测数据的相近点特征数据的方法具体包括如下步骤：
S1031、利用卷积神经网络中的尺寸大于预设大小的卷积核，对油烟监测数据中的相近待检测油烟点的数据特征进行卷积运算，获得油烟监测数据中相近待检测油烟点的数据特征的相近点卷积值。
在本步骤中，进行卷积运算的公式与上述步骤S1021中的原理相同，在此不再赘述。
S1032、根据油烟监测数据中相近待检测油烟点的数据特征的相近点卷积值，获得油烟监测数据的相近点特征数据。
在此需要说明的是，本实施例中所指的相近待检测油烟点，是相对于上一个已检测油烟点而言的。可以理解的，设置当前检测油烟点与相近待检测油烟点，是为了得到更为准确的检测数据，便于后续进一步处理得到精准的特征数据。本步骤中，卷积神经网络中的尺寸大于预设大小的卷积核可以为3×3的卷积核，5×5的卷积核或者7×7的卷积核。预设大小的卷积核用于对油烟监测数据中的其中一待检测油烟点的数据特征进行特征提取，获得油烟监测数据的单点特征数据。3×3的卷积核用于对相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据。
在进行3×3卷积之前，先采用输出通道为16或32的预设大小卷积核的卷积进行降维并提高网络模型的非线性。这里，所有卷积都采用为1的步长，对3×3卷积核卷积出来的结果填充到和原始输入一样的大小。逐点提取的特征和在邻域点提取的特征被连接，作为下一个网络模块的输入。
步骤S104、根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据。
例如，该卷积神经网络模型的网络模块1和网络模块2可以是两个网络模块A的堆叠，也可以是两个网络模块B的堆叠，也可以是两个网络模块C的堆叠。以两个网络模块B的堆叠为例，针对卷积神经网络模型的工作流程进行说明。具体如下：
输入为256×256×42的检测数据，其中256×256是数据宽高，42表示的为通道数，具体包含了包括可见度以及温度等多个波段所组成的通道数。首先，先进入一个输入通道数为42，输出通道数为128，卷积核为预设大小的卷积层，该卷积层接一个网络模块B，其输出作为第一个模块B的输入，第一个模块B接第二个模块B，其输出作为第二个模块B的输入。第二个基础模块B后再接一个输出通道数为128，卷积核为预设大小的卷积层，最后再接入一个输出通道为2，卷积核为预设大小的卷积层作为最终的点粒度分类层来判定输入的数据某个具体的检测点是否为油烟点。
根据油烟监测数据的单点特征数据和油烟监测数据的相近点特征数据，获得油烟监测数据的特征数据的方法具体包括如下步骤：
S1041、将油烟监测数据的单点特征数据和油烟监测数据的相近点特征数据进行特征关联运算，获得油烟监测数据的第一特征数据。
S1042、对所述第一特征数据进行特征提取，获得所述第一特征数据的特征信息。
在本实施例中，步骤S1042具体包括：
S1042a、对所述第一特征数据中至少一个待检测油烟点的数据特征进行特征提取，获得第一特征数据的单点特征数据。
S1042b、对所述第一特征数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得第一特征数据的相近点特征数据。
在本步骤中，需要判断所选取的相近待检测油烟点是否为当前待检测油烟点的相近点。具体的，获取目标特征图像(高光谱数据图像)中当前待检测油烟点的中心坐标(x1，y1)以及相近待检测油烟点的中心坐标(x2，y2)
然后，根据当前待检测油烟点的中心坐标(x1，y1)以及相近待检测油烟点的中心坐标(x2，y2)计算当前待检测油烟点与相近待检测油烟点之间的距离d。通过将距离d与预设距离值d0进行比较，以确定所选取的相近待检测油烟点是否为符合要求的相近点，从而避免由于相近点选取错误导致后续的数据计算错误。具体的，在本步骤中，需要d≤d0方可判断相近待检测油烟点为符合要求的相近点。
S1042c、根据第一特征数据的单点特征数据和第一特征数据的相近点特征数据，获得第一特征数据的特征信息。
其中，对于单点特征数据与相近点特征数据而言，均包含油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度数值。
具体的，计算得到的第一特征数据的特征信息(油烟监测数据的特征数据)中，最后作为油烟监测数据的油烟浓度表示为：
Figure BDA0003902911400000101
其中，cl表示第一特征数据的特征信息中的油烟浓度，
Figure BDA0003902911400000102
表示单点特征数据中的油烟浓度，
Figure BDA0003902911400000103
表示相近点特征数据中的油烟浓度，ε表示油烟浓度项的校正系数。
进一步的，在计算得到的第一特征数据的特征信息中，最后作为油烟监测数据的颗粒物浓度表示为：
Figure BDA0003902911400000104
其中，cPM表示第一特征数据的特征信息中的颗粒物浓度，
Figure BDA0003902911400000105
表示单点特征数据中的颗粒物浓度，
Figure BDA0003902911400000106
表示相近点特征数据中的颗粒物浓度，
Figure BDA0003902911400000107
表示颗粒物浓度项的校正系数。
进一步的，在计算得到的第一特征数据的特征信息中，最后作为油烟监测数据的非甲烷总烃浓度表示为：
Figure BDA0003902911400000108
其中，cCNHM表示第一特征数据的特征信息中的非甲烷总烃浓度，
Figure BDA0003902911400000109
表示单点特征数据中的非甲烷总烃浓度，
Figure BDA00039029114000001010
表示相近点特征数据中的非甲烷总烃浓度，γ表示非甲烷总烃浓度项的校正系数。
进一步的，在计算得到的第一特征数据的特征信息中，最后作为油烟监测数据的可见度表示为：
Figure BDA00039029114000001011
其中，D表示第一特征数据的特征信息中的可见度，D1表示单点特征数据中的可见度，D2表示相近点特征数据中的可见度，η表示可见度项的校正系数。
进一步的，在计算得到的第一特征数据的特征信息中，最后作为油烟监测数据的温度表示为：
Figure BDA0003902911400000111
其中，T表示第一特征数据的特征信息中的温度值，T1表示单点特征数据中的温度值，T2表示相近点特征数据中的温度值。
S1043、将所述第一特征数据的特征信息确定为所述油烟监测数据的特征数据。
步骤S105、根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
在步骤S105中，根据油烟监测数据的特征数据，判断待检测油烟点区域是否为油烟点超标区域的方法包括如下步骤：
S1051、将监控数据的特征数据与指定的分类阈值进行对比。
S1052、如果监控数据的特征数据大于或者等于所述指定的分类阈值，则确定所述待检测油烟点区域为油烟点区域。
S1053、如果监控数据的特征数据小于所述指定的分类阈值，则确定所述待检测油烟点区域为非油烟点区域。
作为另一优选实施例，请参阅图2，本发明还提出一种卷积神经网络模型的生成方法，包括：
步骤S201：获取油烟点样本数据。
由于大部分点都是非油烟点，油烟点只占很少的一部分，训练数据及其不平衡。因此需要在训练数据集中先把油烟点样本数据单独抽取出来。
步骤S202：根据所述油烟点样本数据，获得第一训练数据，所述第一训练数据包括油烟点样本数据和非油烟点样本数据，所述第一训练数据包括的油烟点样本数据的数量与所述第一训练数据包括的非油烟点样本数据的数量之间的比例为指定比例。
例如，在训练过程中，对每组训练数据，随机选取200个检测点撒向随机的位置来平衡油烟点数据和非油烟点数据。
步骤S203：根据所述第一训练数据，生成卷积神经网络模型，所述卷积神经网络模型用于根据待检测油烟点区域的油烟监测数据获得所述待检测油烟点区域是否为油烟点超标区域的结果。
根据所述第一训练数据，对网络模型进行训练，生成卷积神经网络模型。
作为另一优选实施例，本发明还提出一种厨房油烟在线监测方法，请参阅图3。由于本实施例与本申请的第一实施例相似，因此仅做简要说明。所述油烟在线监测方法包括如下步骤：
步骤S301：获取待检测区域的油烟监测数据。
其中，所述待检测区域，可以为待检测油烟点区域，也可以为待检测正常区域。
步骤S302：对所述油烟监测数据中至少一个目标的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据。
其中，所述目标可以为待检测油烟点，也可以为待检测正常点。
步骤S303：对所述油烟监测数据中所述至少一个目标的相近待检测目标的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据。
步骤S304：根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据。
步骤S305：根据所述油烟监测数据的特征数据，判断所述待检测区域为目标油烟点区域或目标正常点区域。
在步骤S305中，为了判断待检测区域为目标油烟点区域或目标正常点区域。通过上述所监测到的油烟监测数据的特征数据(包含油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度)，计算得到一个对应的油烟状态得分值，进而来判断待检测区域为目标油烟点区域或目标正常点区域。具体的，在本步骤中，油烟状态得分值的计算公式表示为：
Figure BDA0003902911400000131
其中，S表示根据油烟监测数据的特征数据计算得到的油烟状态得分值，ω1、ω2、ω3、ω4及ω5分别表示油烟浓度项、颗粒物浓度项、非甲烷总烃浓度项、可见度项以及温度项对应的权重比例，Sl、SPM、SCNHM、SD及ST分别表示油烟浓度项、颗粒物浓度项、非甲烷总烃浓度项、可见度项以及温度项对应的基础分值，
Figure BDA0003902911400000132
表示油烟浓度项的基准油烟浓度值，
Figure BDA0003902911400000133
表示颗粒物浓度项的基准颗粒物浓度值，
Figure BDA0003902911400000134
表示非甲烷总烃浓度项的基准非甲烷总烃浓度值，D0表示可见度项的基准可见度值，T0表示温度项的基准温度值。
进一步的，在计算得到了目标区域对应的油烟状态得分值之后，将目标区域对应的油烟状态得分值与预设油烟得分阈值进行比较。当目标区域对应的油烟状态得分值小于预设油烟得分阈值，则判定目标区域为目标正常点区域；当目标区域对应的油烟状态得分值大于预设油烟得分阈值，则判定目标区域为目标油烟点区域。
请参阅图4，本发明提出一种厨房油烟在线监测系统，其中，所述系统包括：
监测数据获取单元401，用于获取待检测油烟点区域的油烟监测数据；
单点特征获得单元402，用于对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据；
相近点特征获取单元403，用于对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据；
特征数据获得单元404，用于根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据；
判断单元405，用于根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种厨房油烟在线监测方法，其特征在于，所述方法包括如下步骤：
获取待检测油烟点区域的油烟监测数据；
对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，
获得所述油烟监测数据的单点特征数据；
对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据；
根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据；
根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
2.根据权利要求1所述的厨房油烟在线监测方法，其特征在于，所述对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据的方法包括如下步骤：
利用卷积神经网络中的尺寸为预设大小的卷积核，对所述油烟监测数据中至少一个待检测油烟点的数据特征进行卷积运算，获得所述油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值；
根据所述油烟监测数据中至少一个待检测油烟点的数据特征的单点卷积值，获得所述油烟监测数据的单点特征数据。
3.根据权利要求1所述的厨房油烟在线监测方法，其特征在于，对油烟监测数据中至少一个待检测油烟点的数据特征进行卷积运算的公式表示为：
Figure FDA0003902911390000011
其中，ξi表示第i个待检测油烟点经卷积操作后的输出特征，
Figure FDA0003902911390000012
为输入的第i个待检测油烟点的数据特征，S为卷积核尺寸，Cin为输入的特征图像的通道数，Ω为滑动窗口，
Figure FDA0003902911390000013
为滑动窗口Ω从输入的数据特征
Figure FDA0003902911390000014
中提取的张量在(q，p，z)处的像素，
Figure FDA0003902911390000021
为第k个卷积核在(q，p)处的像素，ni为第i个待检测油烟点对应的第n组数据特征。
4.根据权利要求3所述的厨房油烟在线监测方法，其特征在于，所述对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据的方法包括如下步骤：
利用卷积神经网络中的尺寸大于预设大小的卷积核，对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行卷积运算，获得所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征的相近点卷积值；
根据所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征的相近点卷积值，获得所述油烟监测数据的相近点特征数据。
5.根据权利要求4所述的厨房油烟在线监测方法，其特征在于，所述根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据的方法包括如下步骤：
将所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据进行特征关联运算，获得所述油烟监测数据的第一特征数据；
对所述第一特征数据进行特征提取，获得所述第一特征数据的特征信息；
将所述第一特征数据的特征信息确定为所述油烟监测数据的特征数据。
6.根据权利要求5所述的厨房油烟在线监测方法，其特征在于，所述对第一特征数据进行特征提取，获得所述第一特征数据的特征信息的方法包括如下步骤：
对所述第一特征数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述第一特征数据的单点特征数据；
对所述第一特征数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述第一特征数据的相近点特征数据；
根据所述第一特征数据的单点特征数据和所述第一特征数据的相近点特征数据，获得所述第一特征数据的特征信息。
7.根据权利要求6所述的厨房油烟在线监测方法，其特征在于，所述第一特征数据的特征信息包含油烟浓度、颗粒物浓度、非甲烷总烃浓度、可见度以及温度值：
油烟监测数据的油烟浓度表示为：
Figure FDA0003902911390000031
其中，cl表示第一特征数据的特征信息中的油烟浓度，
Figure FDA0003902911390000032
表示单点特征数据中的油烟浓度，
Figure FDA0003902911390000033
表示相近点特征数据中的油烟浓度，ε表示油烟浓度项的校正系数；
油烟监测数据的颗粒物浓度表示为：
Figure FDA0003902911390000034
其中，cPM表示第一特征数据的特征信息中的颗粒物浓度，
Figure FDA0003902911390000035
表示单点特征数据中的颗粒物浓度，
Figure FDA0003902911390000036
表示相近点特征数据中的颗粒物浓度，
Figure FDA0003902911390000037
表示颗粒物浓度项的校正系数；
油烟监测数据的非甲烷总烃浓度表示为：
Figure FDA0003902911390000038
其中，cCNHM表示第一特征数据的特征信息中的非甲烷总烃浓度，
Figure FDA0003902911390000039
表示单点特征数据中的非甲烷总烃浓度，
Figure FDA00039029113900000310
表示相近点特征数据中的非甲烷总烃浓度，γ表示非甲烷总烃浓度项的校正系数。
8.根据权利要求7所述的厨房油烟在线监测方法，其特征在于，油烟监测数据的可见度表示为：
Figure FDA0003902911390000041
其中，D表示第一特征数据的特征信息中的可见度，D1表示单点特征数据中的可见度，D2表示相近点特征数据中的可见度，η表示可见度项的校正系数；
油烟监测数据的温度表示为：
Figure FDA0003902911390000042
其中，T表示第一特征数据的特征信息中的温度值，T1表示单点特征数据中的温度值，T2表示相近点特征数据中的温度值。
9.根据权利要求8所述的厨房油烟在线监测方法，其特征在于，所述根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域的方法包括如下步骤：
将所述油烟监测数据的特征数据与指定的分类阈值进行对比；
若所述油烟监测数据的特征数据大于或者等于所述指定的分类阈值，则确定所述待检测油烟点区域为油烟点区域；
若所述油烟监测数据的特征数据小于所述指定的分类阈值，则确定所述待检测油烟点区域为非油烟点区域。
10.一种厨房油烟在线监测系统，其特征在于，所述系统包括：
监测数据获取单元，用于获取待检测油烟点区域的油烟监测数据；
单点特征获得单元，用于对所述油烟监测数据中至少一个待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的单点特征数据；
相近点特征获取单元，用于对所述油烟监测数据中所述至少一个待检测油烟点的相近待检测油烟点的数据特征进行特征提取，获得所述油烟监测数据的相近点特征数据；
特征数据获得单元，用于根据所述油烟监测数据的单点特征数据和所述油烟监测数据的相近点特征数据，获得所述油烟监测数据的特征数据；
判断单元，用于根据所述油烟监测数据的特征数据，判断所述待检测油烟点区域是否为油烟点超标区域。
CN202211299199.3A 2022-10-21 2022-10-21 厨房油烟在线监测系统及方法 Active CN115586307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211299199.3A CN115586307B (zh) 2022-10-21 2022-10-21 厨房油烟在线监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211299199.3A CN115586307B (zh) 2022-10-21 2022-10-21 厨房油烟在线监测系统及方法

Publications (2)

Publication Number Publication Date
CN115586307A true CN115586307A (zh) 2023-01-10
CN115586307B CN115586307B (zh) 2023-11-07

Family

ID=84781766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211299199.3A Active CN115586307B (zh) 2022-10-21 2022-10-21 厨房油烟在线监测系统及方法

Country Status (1)

Country Link
CN (1) CN115586307B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109884049A (zh) * 2018-12-29 2019-06-14 佛山市云米电器科技有限公司 一种能够检测厨房油烟的有害物质检测装置
DE102018207785A1 (de) * 2018-05-17 2019-11-21 Wilhelm Bruckbauer Verfahren und Testsystem zur Bestimmung der Effektivität einer Dunstabzugsvorrichtung
CN112395924A (zh) * 2019-08-16 2021-02-23 阿里巴巴集团控股有限公司 一种遥感监测方法及装置
CN113409318A (zh) * 2021-08-19 2021-09-17 江苏乐尔环境科技股份有限公司 一种基于图像处理的厨房油烟检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018207785A1 (de) * 2018-05-17 2019-11-21 Wilhelm Bruckbauer Verfahren und Testsystem zur Bestimmung der Effektivität einer Dunstabzugsvorrichtung
CN109884049A (zh) * 2018-12-29 2019-06-14 佛山市云米电器科技有限公司 一种能够检测厨房油烟的有害物质检测装置
CN112395924A (zh) * 2019-08-16 2021-02-23 阿里巴巴集团控股有限公司 一种遥感监测方法及装置
CN113409318A (zh) * 2021-08-19 2021-09-17 江苏乐尔环境科技股份有限公司 一种基于图像处理的厨房油烟检测方法

Also Published As

Publication number Publication date
CN115586307B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
JP2019035626A (ja) タイヤ画像の認識方法及びタイヤ画像の認識装置
JP4356716B2 (ja) 異常監視装置
CN108052980B (zh) 基于图像的空气质量等级检测方法
JP2012026982A (ja) 検査装置
CN103903008A (zh) 一种基于图像识别输电线路的雾等级的方法以及系统
CN110751642A (zh) 一种绝缘子裂缝检测方法和系统
JP7298176B2 (ja) 欠点検査装置および学習済みモデル
CN116805204B (zh) 一种智慧厂务监控方法及系统
CN111758117A (zh) 检查系统、识别系统以及学习数据生成装置
WO2019176988A1 (ja) 検査システム、識別システム、及び識別器評価装置
CN116952785B (zh) 基于图像数据的电子烟油变质检测方法
CN114972280B (zh) 精细坐标注意力模块及其在表面缺陷检测中的应用
CN111079744B (zh) 适用于复杂光照环境的车辆车牌智能识别方法及装置
CN105913429A (zh) 智能终端用户视觉感知响应时延指标的计算方法
Mir et al. Machine learning-based evaluation of the damage caused by cracks on concrete structures
KR102158100B1 (ko) 이상 감지를 이용한 모니터링 자동화 방법 및 장치
JP5405245B2 (ja) 画像検査方法及び画像検査装置
CN114943681A (zh) 异常检测方法及异常检测装置
CN115586307A (zh) 厨房油烟在线监测系统及方法
CN117474918A (zh) 异常检测方法和装置、电子设备以及存储介质
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
JP2019075078A (ja) 工事現場画像判定装置及び工事現場画像判定プログラム
CN110086860B (zh) 一种物联网大数据环境下的数据异常检测方法及装置
JP2008040684A (ja) 信号識別装置の学習方法
CN110634124A (zh) 一种区域检测的方法及设备

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