CN115909220A - 一种实现船舶大气污染智能管控的方法及系统 - Google Patents
一种实现船舶大气污染智能管控的方法及系统 Download PDFInfo
- Publication number
- CN115909220A CN115909220A CN202310021297.9A CN202310021297A CN115909220A CN 115909220 A CN115909220 A CN 115909220A CN 202310021297 A CN202310021297 A CN 202310021297A CN 115909220 A CN115909220 A CN 115909220A
- Authority
- CN
- China
- Prior art keywords
- black smoke
- partition unit
- monitoring video
- target area
- ship
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实现船舶大气污染智能管控的方法及系统,通过从采集的黑烟监测视频帧中提取黑烟目标区域图像;将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;选择相关性超过预定阈值的分区单元作为有效分区单元;根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定次数则向控制中心发出报警提示,可实现船舶大气污染的智能化管控,且降低噪声的影响,提高黑烟浓度等级识别的准确率。
Description
技术领域
本发明涉及船舶大气污染控制技术领域,更具体的说,本发明涉及一种实现船舶大气污染智能管控的方法及系统。
背景技术
船舶对大气会产生很大的污染,通常,船舶的动力系统非常强大,船舶的发动机在运行的时候要燃烧化石燃料,产生大量的黑烟,排入到大气中,造成大气污染,需要对船舶大气污染进行有效控制以降低污染物。
现有的船舶大气污染控制通常是采用传统的林格曼黑度法进行黑烟检测,林格曼黑度法是基于人工比对船舶黑烟区域和林格曼黑度卡,需要林格曼烟气黑度图作为参照辅助,并对观测位置和条件、 观测方法、计算方法、质量保证措施等做了明确的要求,但该方法存在费时费力,主观性强,观测误差大,频次低,即时性差,智能化水平较低的问题。
发明内容
本发明实施例要解决的技术问题是提供一种实现船舶大气污染智能管控的方法及系统,以提高船舶大气污染管控的智能化水平。
本发明实施例更进一步解决的技术问题是提供一种实现船舶大气污染智能管控的方法及系统,可降低噪声的影响,提高黑烟浓度等级识别的准确率。
为解决上述技术问题,本发明采用如下技术方案:
一方面,一种实现船舶大气污染智能管控的方法,其包括如下步骤:
启动船舶黑烟监测,采集船舶黑烟的监测视频;
从采集的黑烟监测视频帧中提取黑烟目标区域图像;
将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;
确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;
选择相关性超过预定阈值的分区单元作为有效分区单元;
根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;
在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定次数则向控制中心发出报警提示。
优选地,将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元之前还包括:
将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值。
其中,可通过电荷耦合器件摄像机采集船舶黑烟的监测视频。
其中,所述黑烟浓度等级可采用0-5级的分类等级。
其中,所述预定安全等级数为4级。
另一方面,一种实现船舶大气污染智能管控的系统,其包括:
船舶黑烟监测视频采集处理模块,用于在启动船舶黑烟监测后,采集船舶黑烟的监测视频;
黑烟目标区域图像提取处理模块,用于从采集的黑烟监测视频帧中提取黑烟目标区域图像;
分割处理模块,用于将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;
相关性处理模块,用于确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;
有效分区单元确定处理模块,用于选择相关性超过预定阈值的分区单元作为有效分区单元;
黑烟浓度等级确定处理模块,用于根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;
报警提示处理模块,用于在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定次数则向控制中心发出报警提示。
优选地,还包括:
背景处理模块,用于将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值。
其中,船舶黑烟监测视频采集处理模块通过电荷耦合器件摄像机采集船舶黑烟的监测视频。
其中,所述黑烟浓度等级采用0-5级的分类等级。
其中,所述预定安全等级数为4级。
与现有技术相比,本发明具有以下有益效果:
本发明的方法及系统中,通过从采集的黑烟监测视频帧中提取黑烟目标区域图像;将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;选择相关性超过预定阈值的分区单元作为有效分区单元;根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定次数则向控制中心发出报警提示,可实现船舶大气污染的智能化管控。
更进一步的,若通过整张黑烟目标区域图像去确定黑烟浓度等级,若黑烟目标区域图像中区域背景变化时,所提取的特征噪声较大(受到无关的背景变化影响),最终会导致最后确定的黑烟浓度等级结果准确率降低,且整张图像采样的时间较长,导致系统耗费大量时间处理,为此,在本发明的方法及系统中,将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;选择相关性超过预定阈值的分区单元作为有效分区单元,根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级,而不是采用整张黑烟目标区域图像去确定黑烟浓度等级,可降低噪声的影响,提高黑烟浓度等级识别的准确率,且丢弃大部分无用或极少作用的冗余图像数据,也可减少系统的数据处理量。
附图说明
图1是本发明一种实现船舶大气污染智能管控的方法的一个具体实施例流程图;
图2是是本发明一种实现船舶大气污染智能管控的方法中选择有效分区单元的一个具体实施例示意图;
图3是本发明一种实现船舶大气污染智能管控的系统的一个具体实施例框图;
图4是本发明一种实现船舶大气污染智能管控的系统的另一个具体实施例框图。
具体实施方式
参考图1,该图是本发明实现船舶大气污染智能管控的方法的一个具体实施例流程图,主要包括如下步骤:
步骤S101,启动船舶黑烟监测,采集船舶黑烟的监测视频,具体实现时,作为一个优选实施例,可通过电荷耦合器件摄像机采集船舶黑烟的监测视频,具体采集时,电荷耦合器件摄像机可按照控制中心的指令定时抓拍采集或者连续采集,由于电荷耦合器件摄像机采集到的监测视频为模拟视频信号,还需要将模拟视频信号转为数字视频信号,这里不再赘述。
在上述步骤采集到的黑烟监测视频是含有很多不必要的数据,例如不是黑烟目标区域的背景图像或者其他事物的图像,为此在步骤S102,从采集的黑烟监测视频帧中提取黑烟目标区域图像,具体实现时,为了便于后续对单帧黑烟监测视频帧的黑烟浓度分级处理,采集到的黑烟监测视频需要进行图像预处理,将黑烟目标区域图像从原始采集的视频帧图像中提取出来,作为可选的实施例,提取方式可以采用例如边缘监测或者阈值分割等图像分割方式,这里不做赘述;
另外,需要说明的,虽然提取出黑烟目标区域图像,但由于受监测环境等影响,需要去除背景对黑烟目标区域图像的亮度影响,作为一个优选的实施例,需要采用背景亮度扣除,即:将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值,具体实现时,可分别选取一个黑烟目标区域视频帧和若干个参考区域视频帧,参考区域视频帧需要和黑烟目标区域视频帧未排放时的亮度相同,然后对黑烟目标区域视频帧和参考区域视频帧分别进行灰度变化,取得灰度均值,按照参考区域视频帧的灰度级别选取不同的背景亮度权值,对加权后的参考区域灰度均值和目标区域像素灰度进行导相映射,对选取的连续的参考区域视频帧导相映射灰度取平均值,按照参考区域视频帧的灰度均值级别不同选取目标区域视频帧的运算权值,按照背景亮度扣除公式计算进行背景亮度扣除,背景亮度扣除后的目标区域视频进行反导相映射,实际中也可以采用其他算法扣除背景亮度,这里不做限定。
步骤S103,将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元,具体实现时,例如可按照8×8的预定像素大小进行分割,实际中也可以采用其他预定像素大小,这里不做限定;
需要说明的,由于整张黑烟目标区域图像中,只有部分区域的图像对于确定黑烟浓度有用,而一部分区域的图像反而会成为噪声,例如黑烟目标区域图像中背景变化的区域,对确定黑烟浓度没有用,反而对提取黑烟浓度特征图像形成噪声,为此,本实施例在步骤S104,确定每个分区单元对比度的均值,根据每个分区单元对比度的均值确定该分区单元与黑烟浓度的相关性,具体实现时,可通过分区单元图像的灰度均方差值计算与黑烟浓度的相关性,但采用分区单元图像的灰度均方差值计算时,各分区单元图像的灰度均方差值应属于正态分布,对于不服从正太分布的灰度均方差值数据计算的相关性结果会有较大误差,导致最终的计算结果准确性较差,且计算比较复杂,实际上黑烟浓度与每个分区单元的对比度的均值相关,黑烟的浓度越高,其图像上的像素点越白,即对比度越高,因此,本实施例中选择分区单元图像的对比度均值建立与黑烟浓度的相关性,即预先建立分区单元图像的对比度均值与黑烟浓度的相关性,作为一个可选的实施例,例如可采用皮尔逊相关系数建立对比度的均值与黑烟浓度的相关性,皮尔逊相关系数就是两个变量协方差除以两个变量标准差乘积,本实施例中两个变量即是对比度均值和黑烟浓度,根据预先采集的对比度均值和黑烟浓度的样本数据可预先确定两者的相关性,因此,本实施例中根据各个分区单元对比度的均值即可确定该分区单元与黑烟浓度的相关性,该相关性的值在0-1之间,越靠近1该分区单元与黑烟浓度的相关性越强,这里不再赘述。
步骤S105,选择相关性超过预定阈值的分区单元作为有效分区单元,具体实现时,通过上述确定的相关性(即相关系数),可预先设置一个阈值,若相关性系数超过该阈值则可以作为有效分区单元,若没有超过预设的阈值,则放弃,视为无效分区单元,例如,分区单元与黑烟浓度的相关性系数范围在0-1之间,相关性系数值超过0.8的即认为该分区单元与黑烟浓度具有强相关性,因此,本实施例中预设的相关性系数值的阈值可以设为0.8,如图2所示,本实施例中排在前9位的分区单元相关性系数值均超过0.8,可作为有效分区单元,这里不再赘述。
步骤S106,根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级,具体实现,与黑烟浓度相关的图像特征众多,例如梯度特征、颜色特征、纹理特征、变换域特征等,根据相关的图像特征即可确定黑烟的浓度等级,本实施例中例如可以纹理特征作为确定黑烟浓度的图像特征,根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级时,首先,仅从有效分区单元提取黑烟浓度特征(例如从有效分区单元提取表征黑烟浓度的纹理特征),其他无效分区单元则丢弃,根据提取的浓度黑烟特征(例如黑烟纹理特征)可通过训练好的神经网络确定该黑烟监测视频帧对应的黑烟浓度等级,具体训练判断黑烟浓度等级的神经网络时,可预先准备好各个黑烟浓度等级的纹理特征的训练集和验证集,根据训练集训练神经网络,训练好后输入验证集验证该神经网络判断黑烟浓度等级的准确率,若准确率超过95%则确认神经网络训练完成,否则,调整神经网络的参数继续进行训练,直到训练得到所需准确率的神经网络,这里不再赘述,作为一个可选的实施例,本步骤中例如将有效分区单元提取的纹理特征输入训练好的神经网络即可确定对应的黑烟浓度等级,由于本步骤中仅以有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级,其他无效的分区单元则丢弃,而不是采用整张黑烟目标区域图像去确定黑烟浓度等级,可降低噪声的影响,提高黑烟浓度等级识别的准确率,且丢弃大部分无用或极少作用的冗余图像数据,也可减少系统的数据处理量。
需要说明的,本实施例中黑烟浓度等级可以采用6级,即0-5的分类等级,与林格曼黑度的6级基本对应,实际实现时也可以采用其他分类等级,这里不做具体限定。
步骤S107,在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定数量则向控制中心发出报警提示,具体实现时,例如可在预定时间,比如半小时内持续处理黑烟监测视频帧,预先设置预定安全等级数为4,若半小时内统计到黑烟浓度等级超过预定安全等级数4的黑烟监测视频帧数目超过预定数量时则向控制中心发出报警提示,报警提示可以声音或者灯光警示,这里不做限定。
参考图3,该图是本发明实现船舶大气污染智能管控的系统的一个具体实施例框图,本实施例实现船舶大气污染智能管控的系统主要包括:船舶黑烟监测视频采集处理模块101、黑烟目标区域图像提取处理模块102、分割处理模块103、相关性处理模块104、有效分区单元确定处理模块105、黑烟浓度等级确定处理模块106和报警提示处理模块107,其中
船舶黑烟监测视频采集处理模块101,主要用于在启动船舶黑烟监测后,采集船舶黑烟的监测视频,具体实现时,作为一个优选实施例,可通过电荷耦合器件摄像机采集船舶黑烟的监测视频,具体采集时,电荷耦合器件摄像机可按照控制中心的指令定时抓拍采集或者连续采集,由于电荷耦合器件摄像机采集到的监测视频为模拟视频信号,还需要将模拟视频信号转为数字视频信号,这里不再赘述;
黑烟目标区域图像提取处理模块102,主要用于从采集的黑烟监测视频帧中提取黑烟目标区域图像,具体实现时,为了便于后续对单帧黑烟监测视频帧的黑烟浓度分级处理,采集到的黑烟监测视频需要进行图像预处理,将黑烟目标区域图像从原始采集的视频帧图像中提取出来,作为可选的实施例,黑烟目标区域图像提取处理模块102提取方式可以采用例如边缘监测或者阈值分割等图像分割方式,这里不做赘述;
另外,需要说明的,虽然提取出黑烟目标区域图像,但由于受监测环境等影响,需要去除背景对黑烟目标区域图像的影响,作为一个优选的实施例,参考图4,本实施例还可包括背景处理模块108,用于将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值;
分割处理模块103,用于将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元,具体实现时,分割处理模块103例如可按照8×8的预定像素大小进行分割,实际中也可以采用其他预定像素大小,这里不做限定;
相关性处理模块104,用于确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性,具体实现时,黑烟浓度等级与每个分区单元的对比度相关,通常,黑烟的浓度越高,其图像上的像素点越白,即对比度越高,因此,本实施例中相关性处理模块104可预先建立对比度均值与黑烟浓度的相关性,作为一个可选的实施例,例如可采用皮尔逊相关系数建立对比度的均值与黑烟浓度的相关性,实际中还可以采用其他方式建立这种相关性,这里不做具体限定,作为优选的实施例,皮尔逊相关系数就是两个变量协方差除以两个变量标准差乘积,本实施例中两个变量即是对比度均值和黑烟浓度,根据预先采集的对比度均值和黑烟浓度的样本数据可预先确定两者的相关性,因此,本实施例中相关性处理模块104根据各个分区单元对比度的均值即可确定该分区单元与黑烟浓度的相关性,该相关性的值在0-1之间,越靠近1该分区单元与黑烟浓度的相关性越强,这里不再赘述;
有效分区单元确定处理模块105,用于选择相关性超过预定阈值的分区单元作为有效分区单元,具体实现时,通过上述确定的相关性(即相关系数),可预先设置一个阈值,若相关系数超过该阈值则可以作为有效分区单元,若没有超过预设的阈值,则可以放弃,视为无效分区单元,例如,相关系数值范围是在0-1之间,相关系数值超过0.8的即认为具有强相关系,因此,本实施例中预设的阈值可以设为0.8,这里不再赘述;
黑烟浓度等级确定处理模块106,用于根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级,具体实现,如前述与黑烟浓度相关的图像特征众多,例如梯度特征、颜色特征、纹理特征、变换域特征等,根据相关的图像特征即可确定黑烟的浓度等级,本实施例中例如可以纹理特征作为确定黑烟浓度的图像特征,黑烟浓度等级确定处理模块106根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级时,首先,仅从有效分区单元提取黑烟浓度特征(即从有效分区单元提取表征黑烟浓度的纹理特征),其他无效分区单元则丢弃,根据提取的浓度黑烟特征(即黑烟纹理特征)可通过训练好的神经网络确定该黑烟监测视频帧对应的黑烟浓度等级,例如,预先准备好各个黑烟浓度等级的纹理特征的训练集和验证集,根据训练集训练神经网络,训练好后输入验证集验证该神经网络判断的准确率,若准确率超过95%则确认神经网络训练完成,否则,调整神经网络的参数继续进行训练,直到训练得到所需准确率的神经网络,这里不再赘述,作为一个可选的实施例,本实施例的黑烟浓度等级确定处理模块106例如将有效分区单元提取的纹理特征输入训练好的神经网络即可确定对应的黑烟浓度等级,由于本实施例的黑烟浓度等级确定处理模块106仅以有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级,其他无效的分区单元则丢弃,而不是采用整张黑烟目标区域图像去确定黑烟浓度等级,可降低噪声的影响,提高黑烟浓度等级识别的准确率,且丢弃大部分无用或极少作用的冗余图像数据,也可减少系统的数据处理量;
报警提示处理模块107,用于在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定数量则向控制中心发出报警提示,具体实现时,例如报警提示处理模块107可在预定时间,比如半小时内持续处理黑烟监测视频帧,预先设置预定安全等级数为4,若半小时内统计到黑烟浓度等级超过预定安全等级数4的黑烟监测视频帧数目超过预定数量时则向控制中心发出报警提示,报警提示可以声音或者灯光警示,这里不做限定。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种实现船舶大气污染智能管控的方法,其特征在于,包括如下步骤:
启动船舶黑烟监测,采集船舶黑烟的监测视频;
从采集的黑烟监测视频帧中提取黑烟目标区域图像;
将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;
确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;
选择相关性超过预定阈值的分区单元作为有效分区单元;
根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;
在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定数量则向控制中心发出报警提示。
2.根据权利要求1所述的方法,其特征在于,将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元之前还包括:
将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值。
3.根据权利要求1所述的方法,其特征在于,通过电荷耦合器件摄像机采集船舶黑烟的监测视频。
4.根据权利要求1所述的方法,其特征在于,所述黑烟浓度等级采用0-5级的分类等级。
5.根据权利要求4所述的方法,其特征在于,所述预定安全等级数为4级。
6.一种实现船舶大气污染智能管控的系统,其特征在于,包括:
船舶黑烟监测视频采集处理模块,用于在启动船舶黑烟监测后,采集船舶黑烟的监测视频;
黑烟目标区域图像提取处理模块,用于从采集的黑烟监测视频帧中提取黑烟目标区域图像;
分割处理模块,用于将提取的黑烟目标区域图像按照预定像素大小分割为不同的分区单元;
相关性处理模块,用于确定每个分区单元对比度的均值,根据每个分区单元对比度的均值计算该分区单元与黑烟浓度的相关性;
有效分区单元确定处理模块,用于选择相关性超过预定阈值的分区单元作为有效分区单元;
黑烟浓度等级确定处理模块,用于根据选择的有效分区单元确定该黑烟监测视频帧对应的黑烟浓度等级;
报警提示处理模块,用于在预定时间内,继续处理下一黑烟监测视频帧,若统计到黑烟浓度等级超过预定安全等级数的黑烟监测视频帧数目超过预定数量则向控制中心发出报警提示。
7.根据权利要求6所述的系统,其特征在于,还包括:
背景处理模块,用于将黑烟目标区域图像的像素亮度值减去参考区域的像素亮度值,所述参考区域的像素亮度值为黑烟目标区域未排放黑烟时的像素亮度值。
8.根据权利要求6所述的系统,其特征在于,船舶黑烟监测视频采集处理模块通过电荷耦合器件摄像机采集船舶黑烟的监测视频。
9.根据权利要求6所述的系统,其特征在于,所述黑烟浓度等级采用0-5级的分类等级。
10.根据权利要求9所述的系统,其特征在于,所述预定安全等级数为4级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021297.9A CN115909220B (zh) | 2023-01-07 | 2023-01-07 | 一种实现船舶大气污染智能管控的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021297.9A CN115909220B (zh) | 2023-01-07 | 2023-01-07 | 一种实现船舶大气污染智能管控的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909220A true CN115909220A (zh) | 2023-04-04 |
CN115909220B CN115909220B (zh) | 2023-05-09 |
Family
ID=85740787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310021297.9A Active CN115909220B (zh) | 2023-01-07 | 2023-01-07 | 一种实现船舶大气污染智能管控的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909220B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090219389A1 (en) * | 2006-09-25 | 2009-09-03 | Siemens Schweiz Ag | Detection of Smoke with a Video Camera |
US20110050894A1 (en) * | 2009-08-27 | 2011-03-03 | Honeywell International Inc. | System and method of target based smoke detection |
CN102156099A (zh) * | 2011-01-17 | 2011-08-17 | 深圳市朗驰欣创科技有限公司 | 一种大气污染物的检测方法及系统 |
CN107220605A (zh) * | 2017-05-19 | 2017-09-29 | 华中科技大学 | 一种基于图像结构相似度的烟雾浓度测量方法和系统 |
CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
CN112037251A (zh) * | 2020-07-30 | 2020-12-04 | 交通运输部天津水运工程科学研究所 | 一种利用智能手机实现海船尾气排放监测的方法 |
CN112819791A (zh) * | 2021-02-03 | 2021-05-18 | 广州市云景信息科技有限公司 | 环检线上的林格曼黑度检测方法、装置、检测仪及黑烟车识别系统 |
CN113505689A (zh) * | 2021-07-09 | 2021-10-15 | 安徽思环科技有限公司 | 一种黑烟车抓拍系统 |
-
2023
- 2023-01-07 CN CN202310021297.9A patent/CN115909220B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090219389A1 (en) * | 2006-09-25 | 2009-09-03 | Siemens Schweiz Ag | Detection of Smoke with a Video Camera |
US20110050894A1 (en) * | 2009-08-27 | 2011-03-03 | Honeywell International Inc. | System and method of target based smoke detection |
CN102156099A (zh) * | 2011-01-17 | 2011-08-17 | 深圳市朗驰欣创科技有限公司 | 一种大气污染物的检测方法及系统 |
CN107220605A (zh) * | 2017-05-19 | 2017-09-29 | 华中科技大学 | 一种基于图像结构相似度的烟雾浓度测量方法和系统 |
CN109035298A (zh) * | 2018-09-05 | 2018-12-18 | 中南大学 | 一种基于黑烟运动特性的黑烟检测与dg计算方法 |
CN112037251A (zh) * | 2020-07-30 | 2020-12-04 | 交通运输部天津水运工程科学研究所 | 一种利用智能手机实现海船尾气排放监测的方法 |
CN112819791A (zh) * | 2021-02-03 | 2021-05-18 | 广州市云景信息科技有限公司 | 环检线上的林格曼黑度检测方法、装置、检测仪及黑烟车识别系统 |
CN113505689A (zh) * | 2021-07-09 | 2021-10-15 | 安徽思环科技有限公司 | 一种黑烟车抓拍系统 |
Non-Patent Citations (3)
Title |
---|
BOLONG ZHOU ET AL.: "Video Fire Smoke Detection Based on Static Features of Smoke", 《COLUMBIA INTERNATIONAL PUBLISHING JOURNAL OF ADVANCED COMPUTING》 * |
李晓斌 等: "船舶排气污染自动识别方法研究", 《新型工业化》 * |
黄子龙 等: "遥感技术在汽车尾气颗粒物监测中的应用研究", 《中国计量》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115909220B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232380A (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN107657209B (zh) | 一种基于手指静脉图像质量的模板图像注册机制 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
CN116758491A (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
CN110599458A (zh) | 基于卷积神经网络的地下管网检测评估云系统 | |
CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN112614109A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
Haoran et al. | Egg crack detection based on support vector machine | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN115909220A (zh) | 一种实现船舶大气污染智能管控的方法及系统 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
CN115330792A (zh) | 一种基于人工智能的污水检测方法及系统 | |
CN111881922A (zh) | 一种基于显著性特征的绝缘子图像识别方法及系统 | |
CN117649387B (zh) | 一种适用于带有表面复杂纹理物体的缺陷检测方法 |
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 |