CN115760819A - 一种挥发性有机物测量方法、计算设备及存储介质 - Google Patents

一种挥发性有机物测量方法、计算设备及存储介质 Download PDF

Info

Publication number
CN115760819A
CN115760819A CN202211497214.5A CN202211497214A CN115760819A CN 115760819 A CN115760819 A CN 115760819A CN 202211497214 A CN202211497214 A CN 202211497214A CN 115760819 A CN115760819 A CN 115760819A
Authority
CN
China
Prior art keywords
image
neural network
layer
linear
volatile organic
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
CN202211497214.5A
Other languages
English (en)
Other versions
CN115760819B (zh
Inventor
杨德志
秦云松
王延敦
王晓佳
杨俊�
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.)
Beijing Zhonghua High Tech Environmental Management Co ltd
Original Assignee
Beijing Zhonghua High Tech Environmental Management 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 Beijing Zhonghua High Tech Environmental Management Co ltd filed Critical Beijing Zhonghua High Tech Environmental Management Co ltd
Priority to CN202211497214.5A priority Critical patent/CN115760819B/zh
Publication of CN115760819A publication Critical patent/CN115760819A/zh
Application granted granted Critical
Publication of CN115760819B publication Critical patent/CN115760819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本说明书公开一种挥发性有机物测量方法、计算设备及存储介质，该方法包括：在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列；对图像序列进行特征提取，获得图像序列的图像运动特征；将图像运动特征输入预先训练好的神经网络模型，得到该模型输出的被测非道路移动源在该图像序列内的运行工况，所述运行工况包括待机、行进、作业；根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量。

Description

一种挥发性有机物测量方法、计算设备及存储介质
技术领域
本发明涉及环境科学中的机器视觉技术、图像处理技术领域，具体而言，涉及一种挥发性有机物测量方法、计算设备及存储介质。
背景技术
研究表明，移动源是我国城市区域大气污染的重要贡献来源。移动源又分为道路移动源和非道路移动源，其挥发性有机物VOC排放量大、成分复杂，是形成臭氧和细颗粒物PM 2.5污染的重要前体物。采用非接触式遥测法对VOC进行检测是快捷、方便的VOC测量方法，由于车辆尾气排放被认为是城市地区人为VOC的主要排放源，因此针对道路移动源的检测方法研究要远多于非道路移动源检测方法。相比机动车，非道路移动源VOC排放特征研究受关注较少，我国相比国外在相关测试工作上起步更晚，2010年后才有公开报道相关研究；现有工作缺乏本地化数据，很可能带来非道路源VOC整体排放水平严重低估。为此，有必要对非道路移动源，即主要是工程机械装备的VOC测量方法展开研究，适应新时代我国对大气环境保护的迫切需求。
因此，亟待研究一种挥发性有机物测量方法，以对非道路移动源的挥发性有机物进行准确分析和测量。
发明内容
本说明书提供一种挥发性有机物测量方法、计算设备及存储介质，用以克服相关技术中存在的至少一个技术问题。
根据本说明书实施例的第一方面，提供一种挥发性有机物测量方法，包括：在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列；对所述图像序列进行特征提取，获得图像序列的图像运动特征；将所述图像运动特征输入预先训练好的神经网络模型，得到该神经网络模型输出的被测非道路移动源在该图像序列内的运行工况，所述运行工况包括待机、行进、作业；根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量。
可选的，所述的在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列的步骤，包括：
在预设的采集时间内以相同采集频率获取被测非道路移动源的前方图像
Figure 644947DEST_PATH_IMAGE001
、后方图像
Figure 179703DEST_PATH_IMAGE002
、左侧方图像
Figure 854398DEST_PATH_IMAGE003
以及右侧方图像
Figure 564733DEST_PATH_IMAGE004
，以预设数目的所述图像组成图像序列，其中n为图像序列中包含的序列数；
对获取的图像进行去噪、均衡化的预处理。
可选的，所述对所述图像序列进行特征提取，获得图像序列的图像运动特征的步骤，包括：
对每一图像序列的每一方位的第一张图像
Figure 401102DEST_PATH_IMAGE005
、
Figure 971891DEST_PATH_IMAGE006
、
Figure 840489DEST_PATH_IMAGE007
、
Figure 811856DEST_PATH_IMAGE008
，根据以下公式提取所述第一张图像中的空间特征：
空间特征的行模板为：
Figure 396290DEST_PATH_IMAGE009
空间特征的列模板为：
Figure 187529DEST_PATH_IMAGE010
空间特征的对角模板为：
Figure 764DEST_PATH_IMAGE011
Figure 888955DEST_PATH_IMAGE012
其中，
Figure 395022DEST_PATH_IMAGE013
、
Figure 204715DEST_PATH_IMAGE014
、
Figure 545610DEST_PATH_IMAGE015
为三个由空间特征模板和图像
Figure 22728DEST_PATH_IMAGE016
运算得到的矩阵；
将
Figure 371801DEST_PATH_IMAGE017
、
Figure 386899DEST_PATH_IMAGE018
、
Figure 745199DEST_PATH_IMAGE019
代入下式：
Figure 404719DEST_PATH_IMAGE020
其中，
Figure 455852DEST_PATH_IMAGE021
表示像素坐标，
Figure 302454DEST_PATH_IMAGE022
为
Figure 464445DEST_PATH_IMAGE023
的第一空间特征；
将
Figure 536394DEST_PATH_IMAGE024
缩小为该图像原尺寸的一半，公式如下：
Figure 273275DEST_PATH_IMAGE025
其中，
Figure 13698DEST_PATH_IMAGE026
表示像素坐标，
Figure 979380DEST_PATH_IMAGE027
为
Figure 613492DEST_PATH_IMAGE028
尺寸缩小为一半后的图像；
根据
Figure 740848DEST_PATH_IMAGE029
按照以下公式计算：
Figure 562043DEST_PATH_IMAGE030
其中，
Figure 924891DEST_PATH_IMAGE031
、
Figure 164242DEST_PATH_IMAGE032
、
Figure 541845DEST_PATH_IMAGE033
为三个由空间特征模板和图像
Figure 69910DEST_PATH_IMAGE034
运算得到的矩阵，式中
Figure 564345DEST_PATH_IMAGE035
即为
Figure 517258DEST_PATH_IMAGE036
；
Figure 501263DEST_PATH_IMAGE037
其中，
Figure 782203DEST_PATH_IMAGE038
表示像素坐标，
Figure 611487DEST_PATH_IMAGE039
为
Figure 825431DEST_PATH_IMAGE040
的第二空间特征；
将
Figure 652442DEST_PATH_IMAGE041
缩小为该图像原尺寸的一半，公式如下：
Figure 935524DEST_PATH_IMAGE042
其中，
Figure 319232DEST_PATH_IMAGE038
表示像素坐标，
Figure 981158DEST_PATH_IMAGE043
为
Figure 166020DEST_PATH_IMAGE044
尺寸缩小为一半后的图像；
根据
Figure 687131DEST_PATH_IMAGE045
按照以下公式计算：
Figure 395236DEST_PATH_IMAGE046
其中，
Figure 787035DEST_PATH_IMAGE047
、
Figure 283744DEST_PATH_IMAGE048
、
Figure 823310DEST_PATH_IMAGE049
为三个由空间特征模板和图像
Figure 532509DEST_PATH_IMAGE050
运算得到的矩阵，式中
Figure 44393DEST_PATH_IMAGE051
即为
Figure 712003DEST_PATH_IMAGE052
；
Figure 66761DEST_PATH_IMAGE053
其中，
Figure 251755DEST_PATH_IMAGE054
表示像素坐标，
Figure 70675DEST_PATH_IMAGE055
为
Figure 659919DEST_PATH_IMAGE028
的第三空间特征；
根据所述第一空间特征、所述第二空间特征、所述第三空间特征以及图像
Figure 236394DEST_PATH_IMAGE056
，根据下式计算得到特征点像素子集
Figure 287396DEST_PATH_IMAGE057
：
Figure 773872DEST_PATH_IMAGE058
其中，像素坐标
Figure 127493DEST_PATH_IMAGE059
，第一空间特征
Figure 50318DEST_PATH_IMAGE060
、第二空间特征
Figure 780377DEST_PATH_IMAGE061
、第三空间特征
Figure 855780DEST_PATH_IMAGE062
，
Figure 645882DEST_PATH_IMAGE063
为预设的阈值参数，特征点像素
Figure 50144DEST_PATH_IMAGE064
，
Figure 318314DEST_PATH_IMAGE065
为特征点像素子集；
根据图像
Figure 248224DEST_PATH_IMAGE066
的特征点像素子集
Figure 209227DEST_PATH_IMAGE057
以及图像
Figure 372224DEST_PATH_IMAGE067
，按照以下步骤，得到图像
Figure 53872DEST_PATH_IMAGE068
的特征点像素子集
Figure 228501DEST_PATH_IMAGE069
：
对
Figure 219460DEST_PATH_IMAGE070
中每个特征点像素周围的
Figure 745119DEST_PATH_IMAGE071
邻域，根据该邻域中心在图像
Figure 230458DEST_PATH_IMAGE072
中对应的像素坐标按照下式：
Figure 446545DEST_PATH_IMAGE073
其中，
Figure 890296DEST_PATH_IMAGE038
为
Figure 496727DEST_PATH_IMAGE074
在图像
Figure 910390DEST_PATH_IMAGE075
中的像素坐标，
Figure 669399DEST_PATH_IMAGE076
为
Figure 143106DEST_PATH_IMAGE077
在图像
Figure 236832DEST_PATH_IMAGE072
中的像素坐标，
Figure 188608DEST_PATH_IMAGE078
、
Figure 333281DEST_PATH_IMAGE079
为图像
Figure 977889DEST_PATH_IMAGE080
、图像
Figure 558912DEST_PATH_IMAGE081
中的一对对应像素点，
Figure 314379DEST_PATH_IMAGE082
~
Figure 782400DEST_PATH_IMAGE083
为基本矩阵的参数；
利用RANSAC算法计算基本矩阵的参数，并根据式（13）验证特征点像素对，去除不符合求得的式（13）的异常特征点像素对，将图像
Figure 988123DEST_PATH_IMAGE084
中与
Figure 666229DEST_PATH_IMAGE085
中的特征点像素相对应的所有像素集合组成的集合作为
Figure 225386DEST_PATH_IMAGE086
；
对
Figure 79072DEST_PATH_IMAGE087
中每个特征点像素周围的
Figure 664818DEST_PATH_IMAGE088
邻域，根据图像
Figure 220433DEST_PATH_IMAGE089
以相同的方法得到
Figure 724226DEST_PATH_IMAGE090
；依次得到
Figure 744004DEST_PATH_IMAGE091
~
Figure 511103DEST_PATH_IMAGE092
；
根据
Figure 85172DEST_PATH_IMAGE093
中每个特征点像素
Figure 923815DEST_PATH_IMAGE094
及其在
Figure 142307DEST_PATH_IMAGE095
中对应的特征点像素
Figure 126313DEST_PATH_IMAGE096
，按照下式计算：
Figure 531886DEST_PATH_IMAGE097
将
Figure 377482DEST_PATH_IMAGE098
按最近原则映射到0、
Figure 43956DEST_PATH_IMAGE099
、…、
Figure 543070DEST_PATH_IMAGE100
、…、
Figure 423825DEST_PATH_IMAGE101
、
Figure 666587DEST_PATH_IMAGE102
的八个角度，得到向量
Figure 249884DEST_PATH_IMAGE103
，其中向量
Figure 60845DEST_PATH_IMAGE104
为八维向量，向量的每个维度表示映射到对应角度的特征点像素对数；
根据相同方法获得向量
Figure 831224DEST_PATH_IMAGE105
~
Figure 487464DEST_PATH_IMAGE106
；
对
Figure 269476DEST_PATH_IMAGE107
、
Figure 235026DEST_PATH_IMAGE108
、
Figure 977855DEST_PATH_IMAGE109
按照上述方法得到对应的
Figure 562420DEST_PATH_IMAGE110
、
Figure 57992DEST_PATH_IMAGE111
…、
Figure 69810DEST_PATH_IMAGE112
；
Figure 34355DEST_PATH_IMAGE113
、
Figure 422611DEST_PATH_IMAGE114
、…、
Figure 766831DEST_PATH_IMAGE115
；
Figure 621654DEST_PATH_IMAGE116
、
Figure 322763DEST_PATH_IMAGE117
、…、
Figure 249130DEST_PATH_IMAGE118
；
得到所述图像序列的图像运动特征M，
Figure 204448DEST_PATH_IMAGE119
Figure 823648DEST_PATH_IMAGE120
Figure 12053DEST_PATH_IMAGE121
Figure 742112DEST_PATH_IMAGE122
Figure 551936DEST_PATH_IMAGE123
Figure 342037DEST_PATH_IMAGE121
Figure 17738DEST_PATH_IMAGE124
Figure 161275DEST_PATH_IMAGE125
Figure 950239DEST_PATH_IMAGE121
Figure 301455DEST_PATH_IMAGE126
Figure 74239DEST_PATH_IMAGE127
Figure 21466DEST_PATH_IMAGE121
Figure 196096DEST_PATH_IMAGE128
其中，
Figure 187054DEST_PATH_IMAGE129
表示向量
Figure 853659DEST_PATH_IMAGE130
的第1维，对应于式（14）中
Figure 463632DEST_PATH_IMAGE131
的映射角度。
可选的，所述神经网络模型通过以下步骤获得，包括：
根据图像序列的图像运动特征及所述图像运动特征对应的运行工况生成训练样本集，其中，所述训练样本集包含多个训练样本组，每个所述训练样本组包含一个图像序列的图像运动特征以及该图像序列对应的运行工况，所述运行工况包括待机、行进、作业；
通过所述训练样本集对神经网络进行训练，得到所述神经网络模型，所述神经网络模型用来根据输入的图像运动特征输出对应的运行工况。
可选的，所述神经网络模型包括多个隐藏层，每一隐藏层包括非线性部分和线性部分。
可选的，所述神经网络每一隐藏层的非线性部分定义为如下非线性函数
Figure 617402DEST_PATH_IMAGE132
：
Figure 654628DEST_PATH_IMAGE133
其中，
Figure 277370DEST_PATH_IMAGE134
为非线性参数，通过设置
Figure 691034DEST_PATH_IMAGE134
来适应不同类型的样本数据。
可选的，所述神经网络的隐藏层逐层定义如下：
第一层隐藏层定义如下：
Figure 699310DEST_PATH_IMAGE135
其中，
Figure 313962DEST_PATH_IMAGE136
表示输入的图像运动特征的第
Figure 283055DEST_PATH_IMAGE137
维，神经网络的第一层
Figure 365324DEST_PATH_IMAGE138
为向量，该向量维数与输入的图像运动特征
Figure 369052DEST_PATH_IMAGE139
的维数相同，
Figure 889026DEST_PATH_IMAGE140
为
Figure 735628DEST_PATH_IMAGE141
的维数，
Figure 491095DEST_PATH_IMAGE142
为
Figure 224695DEST_PATH_IMAGE143
与
Figure 40205DEST_PATH_IMAGE144
之间的线性权值，
Figure 374103DEST_PATH_IMAGE145
为第一层隐藏层的线性偏置，
Figure 667681DEST_PATH_IMAGE146
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 255788DEST_PATH_IMAGE147
、
Figure 242199DEST_PATH_IMAGE148
；
第二层隐藏层定义如下：
Figure 797814DEST_PATH_IMAGE149
其中，神经网络的第二层
Figure 832766DEST_PATH_IMAGE150
为36维向量，
Figure 790227DEST_PATH_IMAGE151
为
Figure 822905DEST_PATH_IMAGE152
的维数，
Figure 741182DEST_PATH_IMAGE153
表示第一层中与第二层对应的元素，第二层的1个元素对应于第一层中的连续8个元素，
Figure 501197DEST_PATH_IMAGE154
表示第一层中8个元素各自与第二层的1个元素之间的线性权值，
Figure 454109DEST_PATH_IMAGE155
表示第二层的线性偏置，
Figure 657688DEST_PATH_IMAGE156
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 797683DEST_PATH_IMAGE154
、
Figure 626967DEST_PATH_IMAGE157
；
第三层隐藏层定义如下：
Figure 168807DEST_PATH_IMAGE158
其中，神经网络的第三层
Figure 808867DEST_PATH_IMAGE159
为3维向量，
Figure 170578DEST_PATH_IMAGE160
为
Figure 272395DEST_PATH_IMAGE161
的维数，
Figure 75266DEST_PATH_IMAGE162
表示
Figure 745282DEST_PATH_IMAGE163
与
Figure 2081DEST_PATH_IMAGE164
之间的线性权值，
Figure 782955DEST_PATH_IMAGE165
表示第三层的线性偏置，
Figure 174753DEST_PATH_IMAGE166
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 281249DEST_PATH_IMAGE167
、
Figure 7766DEST_PATH_IMAGE168
；
神经网络的输出定义如下：
Figure 592331DEST_PATH_IMAGE169
其中，e表示自然指数函数，输出
Figure 838635DEST_PATH_IMAGE170
为3维向量，每一个维度分别表示待机、行进、作业的运行工况；
在训练神经网络模型时，利用以下代价函数求解模型参数：
Figure 240667DEST_PATH_IMAGE171
其中，
Figure 798687DEST_PATH_IMAGE172
表示训练样本的运行工况真值，
Figure 186943DEST_PATH_IMAGE173
表示训练样本输入运动特征根据模型计算的输出值，参数0<κ<1用于抑制噪声；
代入所有训练样本，通过BP算法求取式(20)的最优解，得到神经网络模型隐藏层的待训练的参数，根据训练后神经网络模型对输入图像运动特征进行识别，取输出
Figure 553333DEST_PATH_IMAGE174
在3个维度的最大值为对应于输入的运行工况。
可选的，所述的根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量的步骤，包括：
按照下式计算各个运行工况的运行时间：
Figure 860687DEST_PATH_IMAGE175
其中，
Figure 437162DEST_PATH_IMAGE176
、
Figure 238896DEST_PATH_IMAGE177
、
Figure 584426DEST_PATH_IMAGE178
依次对应于待机、行进、作业的运行工况，
Figure 328260DEST_PATH_IMAGE179
表示运行工况为
Figure 126452DEST_PATH_IMAGE180
的图像序列所对应的持续时间，
Figure 466298DEST_PATH_IMAGE181
、
Figure 666335DEST_PATH_IMAGE182
、
Figure 581070DEST_PATH_IMAGE183
依次为待机工况、行进工况、作业工况的运行时间；
按照下式计算在该采集时间内被测非道路移动源的挥发性有机物排放量总量：
Figure 600979DEST_PATH_IMAGE184
其中，
Figure 10094DEST_PATH_IMAGE185
为预设的待机工况的单位时间挥发性有机物排放量，
Figure 454851DEST_PATH_IMAGE186
为预设的行进工况的单位时间挥发性有机物排放量，
Figure 150275DEST_PATH_IMAGE187
为预设的作业工况的单位时间挥发性有机物排放量，
Figure 798425DEST_PATH_IMAGE188
、
Figure 870286DEST_PATH_IMAGE189
、
Figure 903970DEST_PATH_IMAGE190
依次为待机工况、行进工况、作业工况的运行时间，
Figure 35874DEST_PATH_IMAGE191
为该采集时间内被测非道路移动源的挥发性有机物排放量总量。
根据本说明书实施例的第二方面，提供一种计算设备，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算设备执行所述的挥发性有机物测量方法的步骤。
根据本说明书实施例的第三方面，提供一种存储介质，其存储有所述的计算设备中所使用的计算机程序，该计算机程序被处理器执行时实现所述的挥发性有机物测量方法的步骤。
本说明书实施例的有益效果如下：
本说明书实施例，提供一种挥发性有机物测量方法、计算设备及存储介质，其中该方法，通过被测装备周围的四个方位的摄像机获取图像，根据图像进行特征分析，进而分析装备的运行工况，根据运行工况计算VOC气体的排放量，实现对非道路移动源工程机械装备挥发性有机物的自动、实时、动态、无接触检测。测量设备直接安装于被测装备上，可以无人工干预完成对单台设备的检测，实现了非道路移动源工程机械装备挥发性有机物的自动、精细化测量，具有实时动态巡检、自动巡检、非接触遥测等诸多功能特点，克服了传统接触式传感器测量区域受限、需人工手持、工作量大、危害人身安全的缺点。
本说明书实施例的创新点包括：
1、本说明书中，提出一种基于图像的工程机械装备运行工况识别方法，在工程机械装备上装配摄像机，拍摄工程机械装备周围环境图像，对图像进行分析，进而推断判别工程机械装备的运行工况，是本说明书实施例的创新点之一。
2、本说明书中，一种图像运动特征提取方法，获取每幅图像的特征点像素子集，使生成的运动特征更稳定，根据相邻图像特征点像素的运动轨迹生成反应工程机械装备周围运行情况的运动特征，进一步分析并获得工程机械装备运行工况，是本说明书实施例的创新点之一。
3、本说明书中，提出一种基于神经网络模型对图像运动特征和工程机械装备运行工况进行建模的方法。模型的输入是图像运动特征，输出是运行工况；实现根据图像运动特征判别工程机械装备的运行工况，模型的结构、建立、训练过程是本说明书实施例的创新点之一。
附图说明
为了更清楚地说明本说明书实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，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他的附图。
图1为本说明书一实施例提供的一种挥发性有机物测量方法的流程示意图；
图2为本说明书一实施例提供的被测非道路移动源图像采集的示意图；
图3为本说明书一实施例提供的一种计算设备的结构示意图；
图4为本说明书一实施例提供的一种存储介质的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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。基于本发明中的实施例，本领域普通技术人员在没有付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。
需要说明的是，本说明书实施例及附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书实施例公开了一种挥发性有机物测量方法、计算设备及存储介质，以下分别进行详细说明。
图1为本说明书一实施例提供的一种挥发性有机物测量方法的流程示意图。如图1所示，一种挥发性有机物测量方法，包括：
S110、在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列。
具体的，所述的S110、在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列的步骤，包括：
S112、在预设的采集时间内以相同采集频率获取被测非道路移动源的前方图像
Figure 905741DEST_PATH_IMAGE192
、后方图像
Figure 781293DEST_PATH_IMAGE193
、左侧方图像
Figure 206501DEST_PATH_IMAGE194
以及右侧方图像
Figure 243728DEST_PATH_IMAGE195
，以预设数目的所述图像组成图像序列，其中n为图像序列中包含的序列数。
S114、对获取的图像进行去噪、均衡化的预处理。
为满足前述配置，需在工程机械装备适当位置处，如前部驾驶舱、尾部、两侧，安装装配四台摄像机，分别拍摄工程机械装备周围前方、后方、侧方图像，用于实施图像采集。
图2为本说明书一实施例提供的被测非道路移动源图像采集的示意图。如图2所示，01-工程机械装备车体、02-前方摄像机、03-后方摄像机、04-左方摄像机以及05-右方摄像机。四台摄像机以同样的采集速率、同时采集四方图像，每次采集到四张图像，经过去噪、均衡化等预处理后，获得用于分析的图像。02-前方摄像机获得图像
Figure 866470DEST_PATH_IMAGE196
，03-后方摄像机获得图像
Figure 280134DEST_PATH_IMAGE197
，04-左方摄像机获得图像
Figure 288410DEST_PATH_IMAGE198
，05-右方摄像机获得图像
Figure 637483DEST_PATH_IMAGE199
。
在被测工程机械装备上装配摄像机，拍摄工程机械装备周围环境图像，对图像进行分析，进而推断判别工程机械装备的运行工况。
前方、后方、侧方左右两侧采集的图像分别记为
Figure 606576DEST_PATH_IMAGE200
、
Figure 948564DEST_PATH_IMAGE201
、
Figure 686713DEST_PATH_IMAGE202
、
Figure 206687DEST_PATH_IMAGE203
。
每台摄像机连续采集的一张图像表示为
Figure 928656DEST_PATH_IMAGE204
、
Figure 808756DEST_PATH_IMAGE205
、
Figure 339094DEST_PATH_IMAGE206
、
Figure 544817DEST_PATH_IMAGE207
，n表示图像序列中的序数，以采集10张图像为例，则
Figure 363868DEST_PATH_IMAGE208
。
当每台摄像机连续采集到一定数量的图像后，例如每台摄像机采集到10张图像，将这些图像组成图像序列，用于实施图像运动特征分析。
S120、对所述图像序列进行特征提取，获得图像序列的图像运动特征。
具体的，所述S120、对所述图像序列进行特征提取，获得图像序列的图像运动特征的步骤，包括：
S122、对每一图像序列的每一方位的第一张图像
Figure 923025DEST_PATH_IMAGE040
、
Figure 760400DEST_PATH_IMAGE209
、
Figure 746811DEST_PATH_IMAGE210
、
Figure 53158DEST_PATH_IMAGE211
，根据以下公式提取所述第一张图像中的空间特征：
空间特征的行模板为：
Figure 416007DEST_PATH_IMAGE212
空间特征的列模板为：
Figure 107888DEST_PATH_IMAGE213
空间特征的对角模板为：
Figure 265200DEST_PATH_IMAGE214
Figure 793264DEST_PATH_IMAGE215
其中，
Figure 694224DEST_PATH_IMAGE216
、
Figure 771770DEST_PATH_IMAGE217
、
Figure 975350DEST_PATH_IMAGE218
为三个由空间特征模板和图像
Figure 115344DEST_PATH_IMAGE219
运算得到的矩阵。
上式中，*代表卷积符号，×表示矩阵乘积，右上角的T符号表示矩阵转置。
将
Figure 938769DEST_PATH_IMAGE220
、
Figure 480609DEST_PATH_IMAGE221
、
Figure 855090DEST_PATH_IMAGE222
代入下式：
Figure 482380DEST_PATH_IMAGE223
其中，
Figure 849777DEST_PATH_IMAGE224
表示像素坐标，
Figure 652647DEST_PATH_IMAGE225
为
Figure 322663DEST_PATH_IMAGE226
的第一空间特征。
双竖线表示取绝对值。
将
Figure 296304DEST_PATH_IMAGE226
缩小为该图像原尺寸的一半，公式如下：
Figure 342758DEST_PATH_IMAGE227
其中，
Figure 734556DEST_PATH_IMAGE228
表示像素坐标，
Figure 575473DEST_PATH_IMAGE229
为
Figure 301989DEST_PATH_IMAGE230
尺寸缩小为一半后的图像。
根据
Figure 886554DEST_PATH_IMAGE231
按照以下公式计算：
Figure 132859DEST_PATH_IMAGE232
其中，
Figure 144678DEST_PATH_IMAGE233
、
Figure 624069DEST_PATH_IMAGE234
、
Figure 622112DEST_PATH_IMAGE235
为三个由空间特征模板和图像
Figure 113136DEST_PATH_IMAGE236
运算得到的矩阵，式中
Figure 420490DEST_PATH_IMAGE237
即为
Figure 996965DEST_PATH_IMAGE238
。
Figure 798699DEST_PATH_IMAGE239
其中，
Figure 144229DEST_PATH_IMAGE240
表示像素坐标，
Figure 622484DEST_PATH_IMAGE241
为
Figure 561621DEST_PATH_IMAGE230
的第二空间特征。
将
Figure 291680DEST_PATH_IMAGE242
缩小为该图像原尺寸的一半，公式如下：
Figure 350772DEST_PATH_IMAGE243
其中，
Figure 271366DEST_PATH_IMAGE228
表示像素坐标，
Figure 274963DEST_PATH_IMAGE244
为
Figure 74292DEST_PATH_IMAGE245
尺寸缩小为一半后的图像。
根据
Figure 50207DEST_PATH_IMAGE246
按照以下公式计算：
Figure 620997DEST_PATH_IMAGE247
其中，
Figure 659360DEST_PATH_IMAGE248
、
Figure 855855DEST_PATH_IMAGE249
、
Figure 764905DEST_PATH_IMAGE250
为三个由空间特征模板和图像
Figure 37755DEST_PATH_IMAGE251
运算得到的矩阵，式中
Figure 156889DEST_PATH_IMAGE252
即为
Figure 32441DEST_PATH_IMAGE052
。
Figure 671364DEST_PATH_IMAGE053
其中，
Figure 239749DEST_PATH_IMAGE253
表示像素坐标，
Figure 846180DEST_PATH_IMAGE254
为
Figure 259843DEST_PATH_IMAGE255
的第三空间特征。
根据所述第一空间特征、所述第二空间特征、所述第三空间特征以及图像
Figure 18852DEST_PATH_IMAGE219
，根据下式计算得到特征点像素子集
Figure 900350DEST_PATH_IMAGE256
：
Figure 869443DEST_PATH_IMAGE058
其中，像素坐标
Figure 962164DEST_PATH_IMAGE257
，第一空间特征
Figure 700313DEST_PATH_IMAGE258
、第二空间特征
Figure 469554DEST_PATH_IMAGE259
、第三空间特征
Figure 925943DEST_PATH_IMAGE260
，
Figure 556776DEST_PATH_IMAGE261
为预设的阈值参数，特征点像素
Figure 415011DEST_PATH_IMAGE262
，
Figure 355154DEST_PATH_IMAGE085
为特征点像素子集。
Figure 298839DEST_PATH_IMAGE263
为阈值参数根据经验设置，可取
Figure 733362DEST_PATH_IMAGE264
。
Figure 446104DEST_PATH_IMAGE265
是
Figure 822727DEST_PATH_IMAGE266
的特征点像素子集，
Figure 863495DEST_PATH_IMAGE267
中每一个像素
Figure 960764DEST_PATH_IMAGE268
其像素坐标是
Figure 918225DEST_PATH_IMAGE269
，称为一个特征点像素，同时也存在于
Figure 341116DEST_PATH_IMAGE270
中。
S124、根据图像
Figure 603601DEST_PATH_IMAGE271
的特征点像素子集
Figure 504561DEST_PATH_IMAGE272
以及图像
Figure 582107DEST_PATH_IMAGE273
，按照以下步骤，得到图像
Figure 910321DEST_PATH_IMAGE274
的特征点像素子集
Figure 925681DEST_PATH_IMAGE275
：
S1242、对
Figure 364753DEST_PATH_IMAGE276
中每个特征点像素周围的
Figure 31226DEST_PATH_IMAGE277
邻域，根据该邻域中心在图像
Figure 671286DEST_PATH_IMAGE072
中对应的像素坐标按照下式：
Figure 298577DEST_PATH_IMAGE278
其中，
Figure 665973DEST_PATH_IMAGE021
为
Figure 62319DEST_PATH_IMAGE279
在图像
Figure 873280DEST_PATH_IMAGE280
中的像素坐标，
Figure 987867DEST_PATH_IMAGE281
为
Figure 164814DEST_PATH_IMAGE282
在图像
Figure 556612DEST_PATH_IMAGE283
中的像素坐标，
Figure 397529DEST_PATH_IMAGE284
、
Figure 124045DEST_PATH_IMAGE285
为图像
Figure 708610DEST_PATH_IMAGE266
、图像
Figure 220494DEST_PATH_IMAGE286
中的一对对应像素点，
Figure 232313DEST_PATH_IMAGE287
~
Figure 446125DEST_PATH_IMAGE288
为基本矩阵的参数。
S1244、利用RANSAC算法计算基本矩阵的参数，并根据式（13）验证特征点像素对，去除不符合求得的式（13）的异常特征点像素对，将图像
Figure 709747DEST_PATH_IMAGE289
中与
Figure 935192DEST_PATH_IMAGE256
中的特征点像素相对应的所有像素集合组成的集合作为
Figure 773704DEST_PATH_IMAGE290
。
S1246、对
Figure 84600DEST_PATH_IMAGE291
中每个特征点像素周围的
Figure 886334DEST_PATH_IMAGE292
邻域，根据图像
Figure 231864DEST_PATH_IMAGE293
以相同的方法得到
Figure 975698DEST_PATH_IMAGE294
；依次得到
Figure 649256DEST_PATH_IMAGE295
~
Figure 644894DEST_PATH_IMAGE296
。
上述方法获得特征点像素子集由对应图像中具备边缘性质或角点性质的像素组成，这样的像素具备更高的独特性，可以生成稳定的运动特征。
上述方法获得特征点像素提取于局部邻域附近最为显著的图像尺度，这样可以进一步提高运动特征的稳定性。
S1262、根据
Figure 969565DEST_PATH_IMAGE297
中每个特征点像素
Figure 494087DEST_PATH_IMAGE298
及其在
Figure 920521DEST_PATH_IMAGE095
中对应的特征点像素
Figure 313325DEST_PATH_IMAGE299
，按照下式计算：
Figure 102289DEST_PATH_IMAGE300
将
Figure 204237DEST_PATH_IMAGE301
按最近原则映射到0、
Figure 242601DEST_PATH_IMAGE302
、…、
Figure 173516DEST_PATH_IMAGE100
、…、
Figure 82566DEST_PATH_IMAGE303
、
Figure 89837DEST_PATH_IMAGE304
的八个角度，得到向量
Figure 349917DEST_PATH_IMAGE305
，其中向量
Figure 78664DEST_PATH_IMAGE306
为八维向量，向量的每个维度表示映射到对应角度的特征点像素对数。
S1264、根据相同方法获得向量
Figure 107800DEST_PATH_IMAGE307
~
Figure 285972DEST_PATH_IMAGE308
。
S128、对
Figure 157981DEST_PATH_IMAGE309
、
Figure 571645DEST_PATH_IMAGE310
、
Figure 330654DEST_PATH_IMAGE311
按照上述方法得到对应的
Figure 804361DEST_PATH_IMAGE312
、
Figure 163667DEST_PATH_IMAGE313
…、
Figure 115442DEST_PATH_IMAGE314
；
Figure 994536DEST_PATH_IMAGE315
、
Figure 29357DEST_PATH_IMAGE316
、…、
Figure 485746DEST_PATH_IMAGE317
；
Figure 116579DEST_PATH_IMAGE318
、
Figure 709234DEST_PATH_IMAGE319
、…、
Figure 649377DEST_PATH_IMAGE320
；
得到所述图像序列的图像运动特征M，
Figure 858642DEST_PATH_IMAGE321
Figure 293165DEST_PATH_IMAGE322
Figure 5907DEST_PATH_IMAGE323
Figure 851372DEST_PATH_IMAGE324
Figure 282353DEST_PATH_IMAGE325
Figure 254988DEST_PATH_IMAGE323
Figure 87815DEST_PATH_IMAGE326
Figure 369761DEST_PATH_IMAGE327
Figure 163404DEST_PATH_IMAGE323
Figure 64364DEST_PATH_IMAGE328
Figure 876331DEST_PATH_IMAGE329
Figure 204544DEST_PATH_IMAGE323
Figure 219905DEST_PATH_IMAGE330
其中，
Figure 924556DEST_PATH_IMAGE331
表示向量
Figure 596889DEST_PATH_IMAGE332
的第1维，对应于式（14）中
Figure 236949DEST_PATH_IMAGE333
的映射角度。
图像运动特征为一个4×(n-1)×8维的高维向量。工程机械装备在不同运行工况下，如待机、行进、作业，其能耗不同，故VOC排放量不同；通过摄像机采集工程机械装备，可以判别其实时的运行工况；通过计算不同工况的运行时间，可以估算工程机械装备在一定运行环境下的VOC总排放量。
采用神经网络模型对图像运动特征和工程机械装备运行工况进行建模。模型的输入是图像运动特征，输出是运行工况；隐藏层中若干参数根据样本训练获得。
S130、将所述图像运动特征输入预先训练好的神经网络模型，得到该神经网络模型输出的被测非道路移动源在该图像序列内的运行工况，所述运行工况包括待机、行进、作业。
具体的，所述神经网络模型通过以下步骤获得，包括：
S132、根据图像序列的图像运动特征及所述图像运动特征对应的运行工况生成训练样本集，其中，所述训练样本集包含多个训练样本组，每个所述训练样本组包含一个图像序列的图像运动特征以及该图像序列对应的运行工况，所述运行工况包括待机、行进、作业。
S134、通过所述训练样本集对神经网络进行训练，得到所述神经网络模型，所述神经网络模型用来根据输入的图像运动特征输出对应的运行工况。
具体的，所述神经网络模型包括多个隐藏层，每一隐藏层包括非线性部分和线性部分。
进一步的，所述神经网络每一隐藏层的非线性部分定义为如下非线性函数
Figure 864239DEST_PATH_IMAGE334
：
Figure 762794DEST_PATH_IMAGE335
其中，
Figure 300085DEST_PATH_IMAGE336
为非线性参数，通过设置
Figure 360314DEST_PATH_IMAGE337
来适应不同类型的样本数据。根据实验数据优选δ=0.03，可以防止模型在训练样本集合上过拟合。
进一步的，所述神经网络的隐藏层逐层定义如下：
第一层隐藏层定义如下：
Figure 474901DEST_PATH_IMAGE338
其中，
Figure 131141DEST_PATH_IMAGE339
表示输入的图像运动特征的第
Figure 913152DEST_PATH_IMAGE340
维，神经网络的第一层
Figure 878703DEST_PATH_IMAGE341
为向量，该向量维数与输入的图像运动特征
Figure 480586DEST_PATH_IMAGE342
的维数相同，
Figure 940517DEST_PATH_IMAGE343
为
Figure 311456DEST_PATH_IMAGE344
的维数，
Figure 713487DEST_PATH_IMAGE345
为
Figure 412453DEST_PATH_IMAGE346
与
Figure 800709DEST_PATH_IMAGE347
之间的线性权值，
Figure 150788DEST_PATH_IMAGE348
为第一层隐藏层的线性偏置，
Figure 333507DEST_PATH_IMAGE349
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 785348DEST_PATH_IMAGE350
、
Figure 711716DEST_PATH_IMAGE351
。
第二层隐藏层定义如下：
Figure 181880DEST_PATH_IMAGE352
其中，神经网络的第二层
Figure 801081DEST_PATH_IMAGE353
为36维向量，
Figure 474639DEST_PATH_IMAGE140
为
Figure 594910DEST_PATH_IMAGE152
的维数，
Figure 529368DEST_PATH_IMAGE354
表示第一层中与第二层对应的元素，第二层的1个元素对应于第一层中的连续8个元素，
Figure 194836DEST_PATH_IMAGE355
表示第一层中8个元素各自与第二层的1个元素之间的线性权值，
Figure 480324DEST_PATH_IMAGE356
表示第二层的线性偏置，
Figure 890706DEST_PATH_IMAGE349
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 210829DEST_PATH_IMAGE357
、
Figure 47198DEST_PATH_IMAGE157
。
第三层隐藏层定义如下：
Figure 554402DEST_PATH_IMAGE358
其中，神经网络的第三层
Figure 750897DEST_PATH_IMAGE359
为3维向量，
Figure 66472DEST_PATH_IMAGE140
为
Figure 932797DEST_PATH_IMAGE360
的维数，
Figure 317511DEST_PATH_IMAGE361
表示
Figure 927484DEST_PATH_IMAGE362
与
Figure 831986DEST_PATH_IMAGE363
之间的线性权值，
Figure 134791DEST_PATH_IMAGE364
表示第三层的线性偏置，
Figure 6801DEST_PATH_IMAGE166
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 420465DEST_PATH_IMAGE167
、
Figure 179474DEST_PATH_IMAGE365
。
神经网络的输出定义如下：
Figure 653180DEST_PATH_IMAGE366
其中，e表示自然指数函数，输出
Figure 12486DEST_PATH_IMAGE367
为3维向量，每一个维度分别表示待机、行进、作业的运行工况。
训练上述模型时，按提取图像运动特征的步骤准备三种不同运行工况下采集的图像序列，按步骤1.2获取图像运动特征，以图像运动特征、对应的运行工况作为训练样本，并作为神经网络的输入、输出训练神经网络模型；训练时，将模型输出3维向量的对应维度置为1，其它两个维度置为0。
在训练神经网络模型时，利用以下代价函数求解模型参数：
Figure 839628DEST_PATH_IMAGE368
其中，
Figure 843356DEST_PATH_IMAGE172
表示训练样本的运行工况真值，
Figure 347019DEST_PATH_IMAGE173
表示训练样本输入运动特征根据模型计算的输出值，参数0<κ<1用于抑制噪声。
作为优选值取
Figure 803408DEST_PATH_IMAGE369
。
代入所有训练样本，通过BP算法求取式(20)的最优解，得到神经网络模型隐藏层的待训练的参数，根据训练后神经网络模型对输入图像运动特征进行识别，取输出
Figure 699820DEST_PATH_IMAGE174
在3个维度的最大值为对应于输入的运行工况。
根据训练后神经网络模型对输入图像运动特征进行识别，取输出
Figure 558054DEST_PATH_IMAGE370
的3个维度的最大值，为对应于输入的运行工况。
S140、根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量。
具体的，所述的S140、根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量的步骤，包括：
S142、按照下式计算各个运行工况的运行时间：
Figure 498197DEST_PATH_IMAGE371
其中，
Figure 441882DEST_PATH_IMAGE372
、
Figure 610827DEST_PATH_IMAGE373
、
Figure 323568DEST_PATH_IMAGE374
依次对应于待机、行进、作业的运行工况，
Figure 700191DEST_PATH_IMAGE375
表示运行工况为
Figure 6539DEST_PATH_IMAGE376
的图像序列所对应的持续时间，
Figure 103808DEST_PATH_IMAGE377
、
Figure 801549DEST_PATH_IMAGE378
、
Figure 958861DEST_PATH_IMAGE379
依次为待机工况、行进工况、作业工况的运行时间。
S144、按照下式计算在该采集时间内被测非道路移动源的挥发性有机物排放量总量：
Figure 18083DEST_PATH_IMAGE380
其中，
Figure 653464DEST_PATH_IMAGE381
为预设的待机工况的单位时间挥发性有机物排放量，
Figure 465431DEST_PATH_IMAGE382
为预设的行进工况的单位时间挥发性有机物排放量，
Figure 793644DEST_PATH_IMAGE383
为预设的作业工况的单位时间挥发性有机物排放量，
Figure 809005DEST_PATH_IMAGE384
、
Figure 513656DEST_PATH_IMAGE385
、
Figure 180129DEST_PATH_IMAGE386
依次为待机工况、行进工况、作业工况的运行时间，
Figure 679244DEST_PATH_IMAGE387
为该采集时间内被测非道路移动源的挥发性有机物排放量总量。
表1给出了本说明书方法现场试验数据与业界标准测试方法的测量结果和差异值，如下所示。
表1本说明书方法现场试验数据与业界标准测试方法的测量结果和差异值
Figure 447480DEST_PATH_IMAGE388
从表1结果表明本说明书的方法测量值与标准值相比误差低，可以满足应用需求。
图3为本说明书一实施例提供的一种计算设备的结构示意图。如图3所示，一种计算设备300，包括存储设备310以及处理器320，所述存储设备310用于存储计算机程序，所述处理器320运行所述计算机程序以使所述计算设备300执行所述的挥发性有机物测量方法的步骤。
图4为本说明书一实施例提供的一种存储介质的结构示意图。如图4所示，一种存储介质400，其存储有所述的计算设备中所使用的计算机程序410，该计算机程序410被处理器执行时实现所述的挥发性有机物测量方法的步骤。
综上所述，本说明书实施例提供一种挥发性有机物测量方法、计算设备及存储介质，提出一种基于图像分析的非道路移动源工程机械装备挥发性有机物测量方法，采用数字图像为数据源，综合图像数据特征，进行图像处理分析，检测拍摄区域内工程机械装备的运行工况，根据运行工况计算VOC气体的排放量，实现对非道路移动源工程机械装备挥发性有机物的自动、实时、动态、无接触检测。测量设备直接安装于被测装备上，可以无人工干预完成对单台设备的检测，实现了非道路移动源工程机械装备挥发性有机物的自动、精细化测量。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：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实施例技术方案的精神和范围。

Claims (10)

1.一种挥发性有机物测量方法，其特征在于，包括：
在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列；
对所述图像序列进行特征提取，获得图像序列的图像运动特征；
将所述图像运动特征输入预先训练好的神经网络模型，得到该神经网络模型输出的被测非道路移动源在该图像序列内的运行工况，所述运行工况包括待机、行进、作业；
根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量。
2.根据权利要求1所述的方法，其特征在于，所述的在预设的采集时间内以相同采集频率获取被测非道路移动源的前方、后方、左侧方以及右侧方的四个方位的图像，以预设数目的所述图像组成图像序列的步骤，包括：
在预设的采集时间内以相同采集频率获取被测非道路移动源的前方图像
Figure 512554DEST_PATH_IMAGE001
、后方图像
Figure 91346DEST_PATH_IMAGE002
、左侧方图像
Figure 339925DEST_PATH_IMAGE003
以及右侧方图像
Figure 63030DEST_PATH_IMAGE004
，以预设数目的所述图像组成图像序列，其中n为图像序列中包含的序列数；
对获取的图像进行去噪、均衡化的预处理。
3.根据权利要求2所述的方法，其特征在于，所述对所述图像序列进行特征提取，获得图像序列的图像运动特征的步骤，包括：
对每一图像序列的每一方位的第一张图像
Figure 470878DEST_PATH_IMAGE005
、
Figure 762182DEST_PATH_IMAGE006
、
Figure 357112DEST_PATH_IMAGE007
、
Figure 87170DEST_PATH_IMAGE008
，根据以下公式提取所述第一张图像中的空间特征：
空间特征的行模板为：
Figure 411841DEST_PATH_IMAGE009
空间特征的列模板为：
Figure 874046DEST_PATH_IMAGE010
空间特征的对角模板为：
Figure 956272DEST_PATH_IMAGE011
Figure 286759DEST_PATH_IMAGE012
其中，
Figure 278986DEST_PATH_IMAGE013
、
Figure 302306DEST_PATH_IMAGE014
、
Figure 12773DEST_PATH_IMAGE015
为三个由空间特征模板和图像
Figure 615792DEST_PATH_IMAGE016
运算得到的矩阵；
将
Figure 993684DEST_PATH_IMAGE017
、
Figure 391167DEST_PATH_IMAGE018
、
Figure 713564DEST_PATH_IMAGE015
代入下式：
Figure 917012DEST_PATH_IMAGE019
其中，
Figure 883831DEST_PATH_IMAGE020
表示像素坐标，
Figure 248954DEST_PATH_IMAGE021
为
Figure 402855DEST_PATH_IMAGE022
的第一空间特征；
将
Figure 607397DEST_PATH_IMAGE005
缩小为该图像原尺寸的一半，公式如下：
Figure 553356DEST_PATH_IMAGE023
其中，
Figure 964746DEST_PATH_IMAGE024
表示像素坐标，
Figure 996156DEST_PATH_IMAGE025
为
Figure 620035DEST_PATH_IMAGE026
尺寸缩小为一半后的图像；
根据
Figure 420501DEST_PATH_IMAGE027
按照以下公式计算：
Figure 861846DEST_PATH_IMAGE028
其中，
Figure 255919DEST_PATH_IMAGE029
、
Figure 73702DEST_PATH_IMAGE030
、
Figure 463095DEST_PATH_IMAGE031
为三个由空间特征模板和图像
Figure 216287DEST_PATH_IMAGE032
运算得到的矩阵，式中
Figure 956710DEST_PATH_IMAGE033
即为
Figure 453551DEST_PATH_IMAGE034
；
Figure 697450DEST_PATH_IMAGE035
其中，
Figure 215019DEST_PATH_IMAGE036
表示像素坐标，
Figure 708317DEST_PATH_IMAGE037
为
Figure 743269DEST_PATH_IMAGE038
的第二空间特征；
将
Figure 372834DEST_PATH_IMAGE039
缩小为该图像原尺寸的一半，公式如下：
Figure 202250DEST_PATH_IMAGE040
其中，
Figure 182844DEST_PATH_IMAGE041
表示像素坐标，
Figure 21487DEST_PATH_IMAGE042
为
Figure 239979DEST_PATH_IMAGE043
尺寸缩小为一半后的图像；
根据
Figure 630509DEST_PATH_IMAGE044
按照以下公式计算：
Figure 708186DEST_PATH_IMAGE045
其中，
Figure 209575DEST_PATH_IMAGE046
、
Figure 689098DEST_PATH_IMAGE047
、
Figure 256388DEST_PATH_IMAGE048
为三个由空间特征模板和图像
Figure 821362DEST_PATH_IMAGE049
运算得到的矩阵，式中
Figure 860862DEST_PATH_IMAGE050
即为
Figure 319525DEST_PATH_IMAGE051
；
Figure 927224DEST_PATH_IMAGE052
其中，
Figure 104127DEST_PATH_IMAGE053
表示像素坐标，
Figure 557106DEST_PATH_IMAGE054
为
Figure 135854DEST_PATH_IMAGE055
的第三空间特征；
根据所述第一空间特征、所述第二空间特征、所述第三空间特征以及图像
Figure 976771DEST_PATH_IMAGE056
，根据下式计算得到特征点像素子集
Figure 640971DEST_PATH_IMAGE057
：
Figure 163219DEST_PATH_IMAGE058
其中，像素坐标
Figure 596475DEST_PATH_IMAGE059
，第一空间特征
Figure 405031DEST_PATH_IMAGE060
、第二空间特征
Figure 166313DEST_PATH_IMAGE061
、第三空间特征
Figure 616886DEST_PATH_IMAGE062
，
Figure 780014DEST_PATH_IMAGE063
为预设的阈值参数，特征点像素
Figure 759472DEST_PATH_IMAGE064
，
Figure 273629DEST_PATH_IMAGE065
为特征点像素子集；
根据图像
Figure 262314DEST_PATH_IMAGE066
的特征点像素子集
Figure 279949DEST_PATH_IMAGE067
以及图像
Figure 961466DEST_PATH_IMAGE068
，按照以下步骤，得到图像
Figure 697341DEST_PATH_IMAGE069
的特征点像素子集
Figure 224137DEST_PATH_IMAGE070
：
对
Figure 220912DEST_PATH_IMAGE071
中每个特征点像素周围的
Figure 11013DEST_PATH_IMAGE072
邻域，根据该邻域中心在图像
Figure 110817DEST_PATH_IMAGE073
中对应的像素坐标按照下式：
Figure 316670DEST_PATH_IMAGE074
其中，
Figure 433531DEST_PATH_IMAGE075
为
Figure 332217DEST_PATH_IMAGE076
在图像
Figure 636159DEST_PATH_IMAGE016
中的像素坐标，
Figure 770337DEST_PATH_IMAGE077
为
Figure 882650DEST_PATH_IMAGE078
在图像
Figure 545712DEST_PATH_IMAGE079
中的像素坐标，
Figure 743475DEST_PATH_IMAGE080
、
Figure 415765DEST_PATH_IMAGE081
为图像
Figure 382584DEST_PATH_IMAGE082
、图像
Figure 482127DEST_PATH_IMAGE083
中的一对对应像素点，
Figure 167186DEST_PATH_IMAGE084
~
Figure 643167DEST_PATH_IMAGE085
为基本矩阵的参数；
利用RANSAC算法计算基本矩阵的参数，并根据式（13）验证特征点像素对，去除不符合求得的式（13）的异常特征点像素对，将图像
Figure 323547DEST_PATH_IMAGE083
中与
Figure 734937DEST_PATH_IMAGE067
中的特征点像素相对应的所有像素集合组成的集合作为
Figure 766347DEST_PATH_IMAGE086
；
对
Figure 655805DEST_PATH_IMAGE087
中每个特征点像素周围的
Figure 721850DEST_PATH_IMAGE088
邻域，根据图像
Figure 772983DEST_PATH_IMAGE089
以相同的方法得到
Figure 291689DEST_PATH_IMAGE090
；依次得到
Figure 984838DEST_PATH_IMAGE091
~
Figure 905390DEST_PATH_IMAGE092
；
根据
Figure 517637DEST_PATH_IMAGE093
中每个特征点像素
Figure 399005DEST_PATH_IMAGE094
及其在
Figure 754900DEST_PATH_IMAGE067
中对应的特征点像素
Figure 405324DEST_PATH_IMAGE095
，按照下式计算：
Figure 188473DEST_PATH_IMAGE096
将
Figure 557137DEST_PATH_IMAGE097
按最近原则映射到0、
Figure 457003DEST_PATH_IMAGE098
、…、
Figure 86568DEST_PATH_IMAGE099
、…、
Figure 181563DEST_PATH_IMAGE100
、
Figure 162157DEST_PATH_IMAGE101
的八个角度，得到向量
Figure 469641DEST_PATH_IMAGE102
，其中向量
Figure 953712DEST_PATH_IMAGE103
为八维向量，向量的每个维度表示映射到对应角度的特征点像素对数；
根据相同方法获得向量
Figure 609822DEST_PATH_IMAGE104
~
Figure 140029DEST_PATH_IMAGE105
；
对
Figure 110259DEST_PATH_IMAGE106
、
Figure 448837DEST_PATH_IMAGE107
、
Figure 885634DEST_PATH_IMAGE108
按照上述方法得到对应的
Figure 778504DEST_PATH_IMAGE109
、
Figure 552425DEST_PATH_IMAGE110
…、
Figure 276667DEST_PATH_IMAGE111
；
Figure 884366DEST_PATH_IMAGE112
、
Figure 795690DEST_PATH_IMAGE113
、…、
Figure 514247DEST_PATH_IMAGE114
；
Figure 92996DEST_PATH_IMAGE115
、
Figure 871596DEST_PATH_IMAGE116
、…、
Figure 270217DEST_PATH_IMAGE117
；
得到所述图像序列的图像运动特征M，
Figure 58044DEST_PATH_IMAGE118
Figure 219861DEST_PATH_IMAGE119
Figure 293996DEST_PATH_IMAGE120
Figure 117596DEST_PATH_IMAGE121
Figure 302589DEST_PATH_IMAGE122
Figure 465717DEST_PATH_IMAGE123
Figure 710754DEST_PATH_IMAGE124
Figure 287229DEST_PATH_IMAGE125
Figure 275913DEST_PATH_IMAGE123
Figure 293548DEST_PATH_IMAGE126
Figure 709486DEST_PATH_IMAGE127
Figure 569995DEST_PATH_IMAGE123
Figure 972157DEST_PATH_IMAGE128
其中，
Figure 234511DEST_PATH_IMAGE129
表示向量
Figure 962296DEST_PATH_IMAGE130
的第1维，对应于式（14）中
Figure 778942DEST_PATH_IMAGE131
的映射角度。
4.根据权利要求3所述的方法，其特征在于，所述神经网络模型通过以下步骤获得，包括：
根据图像序列的图像运动特征及所述图像运动特征对应的运行工况生成训练样本集，其中，所述训练样本集包含多个训练样本组，每个所述训练样本组包含一个图像序列的图像运动特征以及该图像序列对应的运行工况，所述运行工况包括待机、行进、作业；
通过所述训练样本集对神经网络进行训练，得到所述神经网络模型，所述神经网络模型用来根据输入的图像运动特征输出对应的运行工况。
5.根据权利要求4所述的方法，其特征在于，所述神经网络模型包括多个隐藏层，每一隐藏层包括非线性部分和线性部分。
6.根据权利要求5所述的方法，其特征在于，所述神经网络每一隐藏层的非线性部分定义为如下非线性函数
Figure 843850DEST_PATH_IMAGE132
：
Figure 836077DEST_PATH_IMAGE133
其中，
Figure 593817DEST_PATH_IMAGE134
为非线性参数，通过设置
Figure 304284DEST_PATH_IMAGE135
来适应不同类型的样本数据。
7.根据权利要求6所述的方法，其特征在于，所述神经网络的隐藏层逐层定义如下：
第一层隐藏层定义如下：
Figure 172883DEST_PATH_IMAGE136
其中，
Figure 878671DEST_PATH_IMAGE137
表示输入的图像运动特征的第
Figure 807313DEST_PATH_IMAGE138
维，神经网络的第一层
Figure 473917DEST_PATH_IMAGE139
为向量，该向量维数与输入的图像运动特征
Figure 152066DEST_PATH_IMAGE140
的维数相同，
Figure 243519DEST_PATH_IMAGE141
为
Figure 218428DEST_PATH_IMAGE142
的维数，
Figure 28122DEST_PATH_IMAGE143
为
Figure 113889DEST_PATH_IMAGE144
与
Figure 59848DEST_PATH_IMAGE142
之间的线性权值，
Figure 205659DEST_PATH_IMAGE145
为第一层隐藏层的线性偏置，
Figure 237069DEST_PATH_IMAGE146
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 251161DEST_PATH_IMAGE147
、
Figure 926993DEST_PATH_IMAGE148
；
第二层隐藏层定义如下：
Figure 633918DEST_PATH_IMAGE149
其中，神经网络的第二层
Figure 27990DEST_PATH_IMAGE150
为36维向量，
Figure 580194DEST_PATH_IMAGE151
为
Figure 641691DEST_PATH_IMAGE152
的维数，
Figure 253938DEST_PATH_IMAGE153
表示第一层中与第二层对应的元素，第二层的1个元素对应于第一层中的连续8个元素，
Figure 869727DEST_PATH_IMAGE154
表示第一层中8个元素各自与第二层的1个元素之间的线性权值，
Figure 960043DEST_PATH_IMAGE155
表示第二层的线性偏置，
Figure 735101DEST_PATH_IMAGE146
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 659195DEST_PATH_IMAGE156
、
Figure 152493DEST_PATH_IMAGE155
；
第三层隐藏层定义如下：
Figure 780921DEST_PATH_IMAGE157
其中，神经网络的第三层
Figure 285851DEST_PATH_IMAGE158
为3维向量，
Figure 239901DEST_PATH_IMAGE159
为
Figure 954916DEST_PATH_IMAGE160
的维数，
Figure 793559DEST_PATH_IMAGE161
表示
Figure 543209DEST_PATH_IMAGE162
与
Figure 809105DEST_PATH_IMAGE163
之间的线性权值，
Figure 763415DEST_PATH_IMAGE164
表示第三层的线性偏置，
Figure 140170DEST_PATH_IMAGE146
为式（15）定义的非线性函数，待训练的参数为线性参数
Figure 744327DEST_PATH_IMAGE165
、
Figure 181124DEST_PATH_IMAGE166
；
神经网络的输出定义如下：
Figure 870732DEST_PATH_IMAGE167
其中，e表示自然指数函数，输出
Figure 910232DEST_PATH_IMAGE168
为3维向量，每一个维度分别表示待机、行进、作业的运行工况；
在训练神经网络模型时，利用以下代价函数求解模型参数：
Figure 509840DEST_PATH_IMAGE169
其中，
Figure 242173DEST_PATH_IMAGE170
表示训练样本的运行工况真值，
Figure 28863DEST_PATH_IMAGE171
表示训练样本输入运动特征根据模型计算的输出值，参数0<κ<1用于抑制噪声；
代入所有训练样本，通过BP算法求取式(20)的最优解，得到神经网络模型隐藏层的待训练的参数，根据训练后神经网络模型对输入图像运动特征进行识别，取输出
Figure 872055DEST_PATH_IMAGE172
在3个维度的最大值为对应于输入的运行工况。
8.根据权利要求7所述的方法，其特征在于，所述的根据三种运行工况对应的图像序列的个数以及对应的采集频率，得到采集时间内每一运行工况的运行时间，并结合预设的每一工况下单位时间内被测非道路移动源的挥发性有机物的排放量，得到在该采集时间内被测非道路移动源的挥发性有机物排放总量的步骤，包括：
按照下式计算各个运行工况的运行时间：
Figure 326170DEST_PATH_IMAGE173
其中，
Figure 229404DEST_PATH_IMAGE174
、
Figure 503390DEST_PATH_IMAGE175
、
Figure 884693DEST_PATH_IMAGE176
依次对应于待机、行进、作业的运行工况，
Figure 317948DEST_PATH_IMAGE177
表示运行工况为
Figure 267450DEST_PATH_IMAGE178
的图像序列所对应的持续时间，
Figure 418945DEST_PATH_IMAGE179
、
Figure 213726DEST_PATH_IMAGE180
、
Figure 501488DEST_PATH_IMAGE181
依次为待机工况、行进工况、作业工况的运行时间；
按照下式计算在该采集时间内被测非道路移动源的挥发性有机物排放量总量：
Figure 746524DEST_PATH_IMAGE182
其中，
Figure 995103DEST_PATH_IMAGE183
为预设的待机工况的单位时间挥发性有机物排放量，
Figure 718209DEST_PATH_IMAGE184
为预设的行进工况的单位时间挥发性有机物排放量，
Figure 860477DEST_PATH_IMAGE185
为预设的作业工况的单位时间挥发性有机物排放量，
Figure 151781DEST_PATH_IMAGE179
、
Figure 12290DEST_PATH_IMAGE186
、
Figure 273507DEST_PATH_IMAGE187
依次为待机工况、行进工况、作业工况的运行时间，
Figure 411227DEST_PATH_IMAGE188
为该采集时间内被测非道路移动源的挥发性有机物排放量总量。
9.一种计算设备，其特征在于，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算设备执行权利要求1-8中任一项所述的方法的步骤。
10.一种存储介质，其特征在于，其存储有权利要求9所述的计算设备中所使用的计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
CN202211497214.5A 2022-11-28 2022-11-28 一种挥发性有机物测量方法、计算设备及存储介质 Active CN115760819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211497214.5A CN115760819B (zh) 2022-11-28 2022-11-28 一种挥发性有机物测量方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211497214.5A CN115760819B (zh) 2022-11-28 2022-11-28 一种挥发性有机物测量方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN115760819A true CN115760819A (zh) 2023-03-07
CN115760819B CN115760819B (zh) 2023-11-24

Family

ID=85338884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211497214.5A Active CN115760819B (zh) 2022-11-28 2022-11-28 一种挥发性有机物测量方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN115760819B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107031623A (zh) * 2017-03-16 2017-08-11 浙江零跑科技有限公司 一种基于车载盲区相机的道路预警方法
CN108090092A (zh) * 2016-11-23 2018-05-29 中国移动通信有限公司研究院 一种数据处理方法及其系统
CN108335490A (zh) * 2018-03-26 2018-07-27 南京新远见智能科技有限公司 一种手持式尾气黑烟智能识别视频监测系统及方法
CN108537145A (zh) * 2018-03-21 2018-09-14 东北电力大学 基于时空骨骼特征及深度信念网络的人体行为识别方法
CN109410248A (zh) * 2018-10-23 2019-03-01 湖南科技大学 一种基于r-K算法的浮选泡沫运动特征提取方法
CN109803175A (zh) * 2019-03-12 2019-05-24 京东方科技集团股份有限公司 视频处理方法及装置、设备、存储介质
CN211553853U (zh) * 2020-02-10 2020-09-22 山东中环高科环保科技开发有限公司 一种机动车尾气排放监测设备
CN111814548A (zh) * 2020-06-03 2020-10-23 中铁第四勘察设计院集团有限公司 一种异常行为检测方法和装置
CN112034800A (zh) * 2020-08-30 2020-12-04 上海市环境科学研究院 挥发性有机污染物无组织排放量计算方法、系统、介质及终端
CN112288224A (zh) * 2020-09-24 2021-01-29 武汉理工大学 一种基于远程监控数据的排放计算方法
CN112767645A (zh) * 2021-02-02 2021-05-07 南京恩博科技有限公司 一种烟雾识别方法及装置、电子设备
CN113029571A (zh) * 2021-03-31 2021-06-25 徐州徐工挖掘机械有限公司 一种液压挖掘机排放污染物测试系统与方法
CN113963291A (zh) * 2021-09-29 2022-01-21 湖南大学 基于视频图像质量的燃煤工况识别方法及其模型建模方法
CN114758422A (zh) * 2022-06-15 2022-07-15 清华大学 施工机械设备动作实时智能识别方法及装置
CN115312137A (zh) * 2022-08-05 2022-11-08 重庆知行数联智能科技有限责任公司 一种挥发性有机物排放量预测方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090092A (zh) * 2016-11-23 2018-05-29 中国移动通信有限公司研究院 一种数据处理方法及其系统
CN107031623A (zh) * 2017-03-16 2017-08-11 浙江零跑科技有限公司 一种基于车载盲区相机的道路预警方法
CN108537145A (zh) * 2018-03-21 2018-09-14 东北电力大学 基于时空骨骼特征及深度信念网络的人体行为识别方法
CN108335490A (zh) * 2018-03-26 2018-07-27 南京新远见智能科技有限公司 一种手持式尾气黑烟智能识别视频监测系统及方法
CN109410248A (zh) * 2018-10-23 2019-03-01 湖南科技大学 一种基于r-K算法的浮选泡沫运动特征提取方法
CN109803175A (zh) * 2019-03-12 2019-05-24 京东方科技集团股份有限公司 视频处理方法及装置、设备、存储介质
CN211553853U (zh) * 2020-02-10 2020-09-22 山东中环高科环保科技开发有限公司 一种机动车尾气排放监测设备
CN111814548A (zh) * 2020-06-03 2020-10-23 中铁第四勘察设计院集团有限公司 一种异常行为检测方法和装置
CN112034800A (zh) * 2020-08-30 2020-12-04 上海市环境科学研究院 挥发性有机污染物无组织排放量计算方法、系统、介质及终端
CN112288224A (zh) * 2020-09-24 2021-01-29 武汉理工大学 一种基于远程监控数据的排放计算方法
CN112767645A (zh) * 2021-02-02 2021-05-07 南京恩博科技有限公司 一种烟雾识别方法及装置、电子设备
CN113029571A (zh) * 2021-03-31 2021-06-25 徐州徐工挖掘机械有限公司 一种液压挖掘机排放污染物测试系统与方法
CN113963291A (zh) * 2021-09-29 2022-01-21 湖南大学 基于视频图像质量的燃煤工况识别方法及其模型建模方法
CN114758422A (zh) * 2022-06-15 2022-07-15 清华大学 施工机械设备动作实时智能识别方法及装置
CN115312137A (zh) * 2022-08-05 2022-11-08 重庆知行数联智能科技有限责任公司 一种挥发性有机物排放量预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIAA BADAWI ET AL.: "Computationally Efficient Spatio-Temporal Dynamic Texture Recognition for Volatile Organic Compound (VOC) Leakage Detection in Industrial Plants", 《IEEE JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 *
吴晶晶: "挥发性有机化合物(VOCs)源强核算方法的研究", 《节能与环保》, pages 44 - 45 *

Also Published As

Publication number Publication date
CN115760819B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN108682008B (zh) 一种白细胞图像清晰度评价方法及装置
CN108520274A (zh) 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN107808383B (zh) 一种强海杂波下sar图像目标快速检测方法
CN110992363B (zh) 一种基于生成对抗网络的三维漏磁检测缺陷重构方法
CN115294117B (zh) Led灯珠的缺陷检测方法及相关装置
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN111105405A (zh) 基于自适应深度学习的新能源锂电池表面缺陷检测方法
CN112200163B (zh) 水下底栖生物检测方法及系统
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN109165603B (zh) 一种舰船检测方法及装置
CN111062960A (zh) 基于散乱点云的飞机蒙皮对缝特征线提取方法
CN113920538A (zh) 目标检测方法、装置、设备、存储介质及计算机程序产品
CN116152697A (zh) 一种混凝土结构裂缝的三维模型测量方法及相关装置
CN114972339A (zh) 用于推土机结构件生产异常检测的数据增强系统
CN117783051A (zh) 一种基于多传感器数据融合的甲烷气体泄漏检测方法
CN112991159A (zh) 人脸光照质量评估方法、系统、服务器与计算机可读介质
CN115760819A (zh) 一种挥发性有机物测量方法、计算设备及存储介质
CN116416234A (zh) 一种轨道机车表面缺陷检测方法及系统
CN116342649A (zh) 一种复杂场景下低分辨率图像中进行特定目标物体跟踪的方法、装置与设备
CN115690001A (zh) 一种用于检测钢管焊接数字射线图像中缺陷的方法
CN113657214B (zh) 一种基于Mask RCNN的建筑损伤评估方法
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置
CN113034432B (zh) 一种产品缺陷检测方法、系统、装置及存储介质
CN114638822A (zh) 一种利用光学手段的汽车盖板表面质量检测方法及系统
CN110411380B (zh) 基于小波包纹理分析的非接触式表面粗糙度测量方法

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