CN116843692A - 基于人工智能的再生活性炭状态检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于人工智能的再生活性炭状态检测方法，包括：采集活性炭的若干活性炭灰度图像；对活性炭灰度图像进行神经网络训练得到若干活性炭区域；根据活性炭区域得到异常参考度数；根据异常参考度数得到初始异常程度；根据每个活性炭区域的柱状方向得到参考像素点列；根据初始异常程度得到初始发霉程度；根据参考像素点列得到发霉参考像素点列；根据发霉参考像素点列以及初始发霉程度得到发霉程度；根据发霉程度得到增强系数；从而进行活性炭状态检测。本发明更加有效地区分了反光区域与发霉区域，提高了活性炭状态检测的准确性。

Description

基于人工智能的再生活性炭状态检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于人工智能的再生活性炭状态检测方法。

背景技术

再生活性炭是指经过再生处理后可以重复使用的活性炭；由于活性炭是一种具有高度孔隙结构和吸附能力的材料，所以被广泛应用于农业、工业、交通以及国防等各个领域，并随着社会发展和人民生活水平的提高，其需求量也逐年上升；而在活性炭再生处理的过程中，活性炭可能因自身存储条件不当而发霉，由于发霉的活性炭会大幅降低吸附能力，所以需要对活性炭进行状态检测；而对活性炭进行状态检测的过程中，需要对活性炭采集图像，增强活性炭图像中的相关区域，从而方便后续对活性炭进行状态检测。

传统方法通过对活性炭图像进行直方图均衡化，从而获取增强图像；但是由于活性炭的反光区域与发霉区域都属于高亮状态，传统的直方图均衡化无法根据活性炭图像的特征将活性炭的反光区域与发霉区域有效区分，进而导致增强后图像仍无法区分两区域，从而影响活性炭状态检测的准确性。

发明内容

本发明提供基于人工智能的再生活性炭状态检测方法，以解决现有的问题：活性炭的反光区域与发霉区域都属于高亮状态，直方图均衡化无法根据活性炭图像的特征将活性炭的反光区域与发霉区域有效区分，进而导致增强后图像仍无法区分两区域，从而影响活性炭状态检测的准确性。

本发明的基于人工智能的再生活性炭状态检测方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的再生活性炭状态检测方法，该方法包括以下步骤：

采集活性炭的若干活性炭灰度图像；

对活性炭灰度图像进行神经网络训练得到每张活性炭灰度图像的若干活性炭区域，所述活性炭区域包含一个柱状方向；根据活性炭区域内像素点的灰度值差异得到每个活性炭区域内每个像素点的异常参考度数；根据异常参考度数得到每个活性炭区域内每个像素点的初始异常程度；

根据每个活性炭区域的柱状方向得到若干参考像素点列；根据初始异常程度得到每列参考像素点列的初始发霉程度；根据参考像素点列得到每列参考像素点列的若干发霉参考像素点列；根据发霉参考像素点列以及初始发霉程度得到每列参考像素点列的发霉程度；

根据发霉程度得到每列参考像素点列的增强系数；根据增强系数得到增强后的活性炭灰度图像，根据增强后的活性炭灰度图像进行活性炭状态检测。

优选的，所述根据活性炭区域内像素点的灰度值差异得到每个活性炭区域内每个像素点的异常参考度数，包括的具体方法为：

将任意一个活性炭区域的任意一个像素点记为目标像素点，获取第一活性炭参考线段与第二活性炭参考线段；

将第一活性炭参考线段与第二活性炭参考线段所构成的夹角的度数记为目标像素点的异常参考度数；

获取每个活性炭区域内每个像素点的异常参考度数。

优选的，所述获取第一活性炭参考线段与第二活性炭参考线段，包括的具体方法为：

在目标像素点的八邻域中，将与目标像素点灰度值差异最大的像素点记为目标像素点的第一活性炭像素点，将第一活性炭像素点与目标像素点的灰度值的差值绝对值记为目标像素点的第一局部绝对值，将第一活性炭像素点与目标像素点的连线线段记为第一活性炭参考线段；将与目标像素点灰度值差异最小的像素点记为目标像素点的第二活性炭像素点，将第二活性炭像素点与目标像素点的灰度值的差值绝对值记为目标像素点的第二局部绝对值，将第二活性炭像素点与目标像素点的连线线段记为第二活性炭参考线段。

优选的，所述根据异常参考度数得到每个活性炭区域内每个像素点的初始异常程度，包括的具体方法为：

对于任意一个活性炭区域的任意一个像素点，式中，表示像素点的初始异常程度；/>表示像素点的灰度值；/>表示像素点的第一局部绝对值；/>表示像素点的第二局部绝对值；/>表示超参数；/>表示像素点的异常参考度数/>的正弦值。

优选的，所述根据每个活性炭区域的柱状方向得到若干参考像素点列，包括的具体方法为：

将任意一个活性炭区域记为目标活性炭区域，将处于目标活性炭区域边缘的像素点记为活性炭边缘像素点，利用sobel算子获取目标活性炭区域边缘内每个活性炭边缘像素点的梯度大小以及方向，将梯度大小最小的活性炭边缘像素点的梯度方向记为目标活性炭区域的柱状方向；

在目标活性炭区域内，将沿目标活性炭区域的柱状方向的每一列像素点记为参考像素点列。

优选的，所述根据初始异常程度得到每列参考像素点列的初始发霉程度，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列，式中，表示目标参考像素点列的初始发霉程度；/>表示目标参考像素点列包含的像素点数量；/>表示在目标参考像素点列中，初始异常程度最高的像素点的序号；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示取最大值；/>表示取最小值；

获取每列参考像素点列的初始发霉程度。

优选的，所述根据参考像素点列得到每列参考像素点列的若干发霉参考像素点列，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列；将目标参考像素点列之前一半预设参考像素点列数量个数的参考像素点列与目标参考像素点列之后一半预设参考像素点列数量个数的参考像素点列共同记为目标参考像素点列的发霉参考像素点列；

获取每列参考像素点列的若干发霉参考像素点列。

优选的，所述根据发霉参考像素点列以及初始发霉程度得到每列参考像素点列的发霉程度，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列，式中，表示目标参考像素点列的发霉程度；/>表示目标参考像素点列的发霉参考像素点列的数量；/>表示目标参考像素点列的初始发霉程度；/>表示目标参考像素点列的第/>个发霉参考像素点列的初始发霉程度；/>表示将/>输入标准高斯函数后得到的值；

获取每列参考像素点列的发霉程度。

优选的，所述根据发霉程度得到每列参考像素点列的增强系数，包括的具体方法为：

将每个活性炭区域的每列参考像素点列的发霉程度进行线性归一化，将归一化后的每列参考像素点列的发霉程度记为每列参考像素点列的增强系数。

优选的，所述根据增强后的活性炭灰度图像进行活性炭状态检测，包括的具体方法为：

根据每个参考像素点列中每个像素点增强后的灰度值构建若干增强后的活性炭灰度图像，将任意一张增强后的活性炭灰度图像记为最终增强后的活性炭灰度图像，在最终增强后的活性炭灰度图像中，进行聚类K-means聚类得到若干聚类簇，将所有像素点的灰度值的均值最大的聚类簇记为发霉聚类簇，将发霉聚类簇内的每个像素点记为疑似发霉像素点，将所有疑似发霉像素点的灰度值进行线性归一化处理，将每个有疑似发霉像素点的灰度值记为疑似灰度值；

将任意一个包含疑似发霉像素点的活性炭区域记为最终活性炭区域，若最终活性炭区域存在发霉像素点的疑似灰度值大于等于预设疑似灰度阈值的情况，将最终活性炭区域的活性炭状态记为发霉状态；若最终活性炭区域不存在发霉像素点的疑似灰度值大于等于疑似灰度阈值的情况，将最终活性炭区域的活性炭状态记为正常状态。

本发明的技术方案的有益效果是：通过训练神经网络获取若干活性炭区域，根据活性炭区域得到像素点的异常参考度数，根据异常参考度数得到初始异常程度，根据初始异常程度得到初始发霉程度，根据初始发霉程度得到发霉程度，根据发霉程度得到参考像素点列的增强系数，根据增强系数进行图像增强，从进行活性炭状态检测；相较于现有技术直方图均衡化无法根据活性炭图像的特征将活性炭的反光区域与发霉区域有效区分，从而进行不同程度的图像增强；更加有效地区分了反光区域与发霉区域，实现更加准确的自适应图像增强，提高了活性炭状态检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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为本发明基于人工智能的再生活性炭状态检测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的再生活性炭状态检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的再生活性炭状态检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的再生活性炭状态检测方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集活性炭的若干活性炭灰度图像。

需要说明的是，传统方法通过对活性炭图像进行直方图均衡化，从而获取增强图像；但是由于活性炭的反光区域与发霉区域都属于高亮状态，传统的直方图均衡化无法根据活性炭图像的特征将活性炭的反光区域与发霉区域有效区分，进而导致增强后图像仍无法区分两区域，从而影响活性炭状态检测的准确性；为了解决这一问题，本实施例提出了基于人工智能的再生活性炭状态检测方法。

具体的，为了实现本实施例提出的基于人工智能的再生活性炭状态检测方法，首先需要采集活性炭灰度图像，具体过程为：本实施例并不针对某一种活性炭，以柱状活性炭为例进行叙述；将工业相机固定在传送带中心的上方处，启动传送带，预设传送带的传输速度为0.2m/s，使用工业相机每隔2秒拍摄一次传送带上活性炭的图像，记为活性炭图像，共采集5分钟；获取若干活性炭图像，将每张活性炭图像进行灰度化处理得到若干灰度图像，记为活性炭灰度图像；其中灰度化处理是公知技术，本实施不进行叙述。

至此，通过上述方法得到若干活性炭灰度图像。

步骤S002：对活性炭灰度图像进行神经网络训练得到每张活性炭灰度图像的若干活性炭区域，所述活性炭区域包含一个柱状方向；根据活性炭区域内像素点的灰度值差异得到每个活性炭区域内每个像素点的异常参考度数；根据异常参考度数得到每个活性炭区域内每个像素点的初始异常程度。

需要说明的是，正常的柱状活性炭表面呈现黑色，发霉的柱状活性炭的发霉表面呈现白色，且向四周扩散；而由于柱状活性炭规律的纹理分布特征，导致柱状活性炭的反光区域沿着纹理延伸方向的进行分布，多呈类似柱状的反光区域。

具体的，以任意一张活性炭灰度图像为例，对该活性炭灰度图像通过神经网络进行活性炭区域划分，神经网络采用DNN神经网络，网络结构采用Encoder-Decoder网络结构，损失函数采用交叉熵损失函数，获取大量活性炭灰度图像作为训练集，对训练集中每张活性炭灰度图像人工标注不同的活性炭区域，通过训练集对神经网络进行训练，将该活性炭灰度图像输入训练完成的神经网络中，输出得到该活性炭灰度图像的若干活性炭区域；其中神经网络进行区域划分是公知技术，本实施例不进行叙述。另外需要说明的是，神经网络划分的活性炭区域是不同柱状活性炭所占的图像区域。

进一步的，以任意一个活性炭区域的任意一个像素点为例，在该像素点的八邻域中，将与该像素点灰度值差异最大的像素点记为该像素点的第一活性炭像素点，将第一活性炭像素点与该像素点的灰度值的差值绝对值记为该像素点的第一局部绝对值，将第一活性炭像素点与该像素点的连线线段记为第一活性炭参考线段；将与该像素点灰度值差异最小的像素点记为该像素点的第二活性炭像素点，将第二活性炭像素点与该像素点的灰度值的差值绝对值记为该像素点的第二局部绝对值，将第二活性炭像素点与该像素点的连线线段记为第二活性炭参考线段；将第一活性炭参考线段与第二活性炭参考线段所构成的夹角的度数记为该像素点的异常参考度数，其中夹角的度数为大于0°小于等于180°；根据该像素点的八邻域内的灰度值差异以及异常参考度数得到该像素点的初始异常程度；其中该像素点的初始异常程度的计算方法为：

式中，表示该像素点的初始异常程度；/>表示该像素点的灰度值；/>表示该像素点的第一局部绝对值；/>表示该像素点的第二局部绝对值；/>表示超参数，本实施例预设，用于防止分母为0；/>表示该像素点的异常参考度数/>的正弦值。其中若该像素点的最大最小灰度差值绝对值，即第一局部绝对值与第二局部绝对值的比值越大，同时线段夹角越趋近于90°，呈现灰度变化的扩散趋势越明显，反映该像素点越有可能是属于发霉的像素点，则初始异常程度越大。获取该活性炭区域中所有像素点的初始异常程度；获取所有活性炭区域中所有像素点的初始异常程度。需要说明的是，由于发霉区域较亮，导致发霉区域的像素点的灰度值较大；而在发霉区域中呈环状向外依次向外扩散。

至此，通过上述方法得到获取所有活性炭区域中所有像素点的初始异常程度。

步骤S003：根据每个活性炭区域的柱状方向得到若干参考像素点列；根据初始异常程度得到每列参考像素点列的初始发霉程度；根据参考像素点列得到每列参考像素点列的若干发霉参考像素点列；根据发霉参考像素点列以及初始发霉程度得到每列参考像素点列的发霉程度。

需要说明的是，在获取每个像素点的初始异常程度的过程中，由于环境光照所引起的反光区域影响，导致每个像素点的初始异常程度在一定程度上受到了反光区域的干扰影响，初始异常程度并不能直接确定发霉区域的像素点；因此需要在初始异常程度的基础上进一步确定属于发霉区域的像素点；而由于反光区域是类似柱状的区域，该区域在与柱状方向垂直的两侧方向上的亮度是逐渐减弱，灰度值逐渐降低；若这两侧方向上属于反光区域的像素点越多，说明这两侧方向上的初始异常程度分布越规律，在两侧方向上呈现逐渐降低的趋势；若这两侧方向上属于发霉区域的像素点越多，说明这两侧方向上的初始异常程度分布越混乱，在两侧方向上呈现上升或下降的趋势；所以可以获取若干参考像素点列，通过分析每列参考像素点列的初始异常程度分布得到每列参考像素点列的初始发霉程度。

进一步需要说明的是，由于柱状活性炭上可能存在部分缺陷纹理，导致不同参考像素点列上相邻像素点的初始异常程度产生波动，从而导致单条参考像素点列上异常程度的增大；但由于柱状活性炭的纹理线条大多沿着柱状方向，会使临近的多条参考像素点列的发霉程度数值近似，所以可以根据临近多条参考像素点列的发霉程度的近似性进行分析，从而确定每条参考像素点列的发霉程度。

具体的，以任意一个活性炭区域为例，将处于该活性炭区域边缘的像素点记为活性炭边缘像素点，利用sobel算子获取每个活性炭边缘像素点的梯度大小以及方向，将梯度大小最小的活性炭边缘像素点的梯度方向记为该活性炭区域的柱状方向；将沿该活性炭区域的柱状方向的每一列像素点记为参考像素点列；以任意一列参考像素点列为例，根据该参考像素点列的初始异常程度分布得到该参考像素点列的初始发霉程度；其中每列参考像素点列包含的像素点数量不一致，每个活性炭区域仅包含一个柱状方向，像素点梯度大小以及方向的获取是sobel算子的公知内容，本实施例不进行叙述；该参考像素点列的初始发霉程度的计算方法为：

式中，表示该参考像素点列的初始发霉程度；/>表示该参考像素点列包含的像素点数量；/>表示在该参考像素点列中，初始异常程度最高的像素点的序号；/>表示在该参考像素点列中，第/>个像素点的初始异常程度；/>表示在该参考像素点列中，第/>个像素点的初始异常程度；/>表示在该参考像素点列中，第个像素点的初始异常程度；/>表示在该参考像素点列中，第/>个像素点的初始异常程度；/>表示取最大值；/>表示取最小值；表示在该参考像素点列中，初始异常程度最高的像素点左侧的初始异常程度的分布情况；/>表示在该参考像素点列中，初始异常程度最高的像素点右侧的初始异常程度的分布情况。其中若该参考像素点列的初始发霉程度越大，说明该参考像素点列的初始异常程度分布越不规律，反映该参考像素点列中包含的属于反光区域的像素点越少，属于发霉区域的像素点越多。获取该活性炭区域的所有参考像素点列的初始发霉程度；获取所有活性炭区域的所有参考像素点列的初始发霉程度。

进一步的，以任意一个活性炭区域的任意一列参考像素点列为例，预设一个参考像素点列数量，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中可根据具体实施情况而定；将该参考像素点列之前/>个参考像素点列与该参考像素点列之后/>个参考像素点列共同记为该参考像素点列的发霉参考像素点列，其中之前和之后为图像中参考像素点列的位置关系，其中之前为左或上的位置关系，之后为右或下的位置关系，本实施例不进行具体限定，若之前与之后获取的发霉参考像素点列的数量不足，以实际获取的数量为准；根据该参考像素点列的发霉参考像素点列得到该参考像素点列的发霉程度；其中该参考像素点列的发霉参考像素点列不包含该参考像素点列本身；该参考像素点列的发霉程度的计算方法为：

式中，表示该参考像素点列的发霉程度；/>表示该参考像素点列的发霉参考像素点列的数量；/>表示该参考像素点列的初始发霉程度；/>表示该参考像素点列的第/>个发霉参考像素点列的初始发霉程度；/>表示将/>输入标准高斯函数后得到的值。其中该参考像素点列的发霉程度越高，说明该参考像素点列越能准确表示所含属于发霉区域的像素点数量，反映该参考像素点列的增强程度越高；标准高斯函数是公知技术，本实施例不进行叙述。获取该活性炭区域的所有参考像素点列的发霉程度；获取所有活性炭区域的所有参考像素点列的发霉程度。

至此，通过上述方法得到获取所有活性炭区域的所有参考像素点列的发霉程度。

步骤S004：根据发霉程度得到每列参考像素点列的增强系数；根据增强系数得到增强后的活性炭灰度图像，根据增强后的活性炭灰度图像进行活性炭状态检测。

具体的，将所有活性炭区域的所有参考像素点列的发霉程度进行线性归一化处理，将处理后的每列参考像素点列的发霉程度记为每列参考像素点列的增强系数。

进一步的，以任意一列参考像素点列的任意一个像素点为例，根据该参考像素点列的增强系数得到该参考像素点列中该像素点增强后的灰度值；其中该参考像素点列中该像素点增强后的灰度值的计算方法为：

式中，表示该像素点增强后的灰度值；/>表示该像素点所属参考像素点列的增强系数；/>表示超参数，本实施例预设/>；/>表示该像素点增强前的灰度值。获取该参考像素点列中每个像素点增强后的灰度值；获取每个参考像素点列中每个像素点增强后的灰度值。

进一步的，根据每个参考像素点列中每个像素点增强后的灰度值构建若干增强后的活性炭灰度图像，活性炭灰度图像中除活性炭区域之外的像素点的灰度值保持不变，得到增强后的活性炭灰度图像，以任意一张增强后的活性炭灰度图像为例，在该增强后的活性炭灰度图像中，进行聚类K-means聚类得到若干聚类簇，将聚类簇中所有像素点的灰度值的均值最大的聚类簇记为发霉聚类簇，将发霉聚类簇内的每个像素点记为疑似发霉像素点，将所有疑似发霉像素点的灰度值进行线性归一化处理，将每个疑似发霉像素点归一化后的灰度值记为疑似灰度值。

进一步的，本实施例预设一个疑似灰度阈值X，其中本实施例以X=0.7为例进行叙述，本实施例不进行具体限定，其中X可根据具体实施情况而定；以任意一个包含疑似发霉像素点的活性炭区域为例，若该活性炭区域存在疑似发霉像素点的疑似灰度值大于等于疑似灰度阈值X的情况，则将该活性炭区域的活性炭状态记为发霉状态；若该活性炭区域不存在该疑似发霉像素点的疑似灰度值大于等于疑似灰度阈值X的情况，则将该活性炭区域的活性炭状态记为正常状态；其中K-means聚类是公知技术，需要预设分类数量K=2，本实施例不进行叙述，距离度量采用像素点的灰度值之间的差值绝对值。

至此，本实施例完成。

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.基于人工智能的再生活性炭状态检测方法，其特征在于，该方法包括以下步骤：

采集活性炭的若干活性炭灰度图像；

对活性炭灰度图像进行神经网络训练得到每张活性炭灰度图像的若干活性炭区域，所述活性炭区域包含一个柱状方向；根据活性炭区域内像素点的灰度值差异得到每个活性炭区域内每个像素点的异常参考度数；根据异常参考度数得到每个活性炭区域内每个像素点的初始异常程度；

根据每个活性炭区域的柱状方向得到若干参考像素点列；根据初始异常程度得到每列参考像素点列的初始发霉程度；根据参考像素点列得到每列参考像素点列的若干发霉参考像素点列；根据发霉参考像素点列以及初始发霉程度得到每列参考像素点列的发霉程度；

根据发霉程度得到每列参考像素点列的增强系数；根据增强系数得到增强后的活性炭灰度图像，根据增强后的活性炭灰度图像进行活性炭状态检测。

2.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据活性炭区域内像素点的灰度值差异得到每个活性炭区域内每个像素点的异常参考度数，包括的具体方法为：

将任意一个活性炭区域的任意一个像素点记为目标像素点，获取第一活性炭参考线段与第二活性炭参考线段；

将第一活性炭参考线段与第二活性炭参考线段所构成的夹角的度数记为目标像素点的异常参考度数；

获取每个活性炭区域内每个像素点的异常参考度数。

3.根据权利要求2所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述获取第一活性炭参考线段与第二活性炭参考线段，包括的具体方法为：

在目标像素点的八邻域中，将与目标像素点灰度值差异最大的像素点记为目标像素点的第一活性炭像素点，将第一活性炭像素点与目标像素点的灰度值的差值绝对值记为目标像素点的第一局部绝对值，将第一活性炭像素点与目标像素点的连线线段记为第一活性炭参考线段；将与目标像素点灰度值差异最小的像素点记为目标像素点的第二活性炭像素点，将第二活性炭像素点与目标像素点的灰度值的差值绝对值记为目标像素点的第二局部绝对值，将第二活性炭像素点与目标像素点的连线线段记为第二活性炭参考线段。

4.根据权利要求3所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据异常参考度数得到每个活性炭区域内每个像素点的初始异常程度，包括的具体方法为：

对于任意一个活性炭区域的任意一个像素点，式中，表示像素点的初始异常程度；/>表示像素点的灰度值；/>表示像素点的第一局部绝对值；/>表示像素点的第二局部绝对值；/>表示超参数；/>表示像素点的异常参考度数/>的正弦值。

5.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据每个活性炭区域的柱状方向得到若干参考像素点列，包括的具体方法为：

将任意一个活性炭区域记为目标活性炭区域，将处于目标活性炭区域边缘的像素点记为活性炭边缘像素点，利用sobel算子 获取目标活性炭区域边缘内每个活性炭边缘像素点的梯度大小以及方向，将梯度大小最小的活性炭边缘像素点的梯度方向记为目标活性炭区域的柱状方向；

在目标活性炭区域内，将沿目标活性炭区域的柱状方向的每一列像素点记为参考像素点列。

6.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据初始异常程度得到每列参考像素点列的初始发霉程度，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列，式中，表示目标参考像素点列的初始发霉程度；/>表示目标参考像素点列包含的像素点数量；/>表示在目标参考像素点列中，初始异常程度最高的像素点的序号；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示在目标参考像素点列中，第/>个像素点的初始异常程度；表示在目标参考像素点列中，第/>个像素点的初始异常程度；/>表示取最大值；/>表示取最小值；

获取每列参考像素点列的初始发霉程度。

7.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据参考像素点列得到每列参考像素点列的若干发霉参考像素点列，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列；将目标参考像素点列之前一半预设参考像素点列数量个数的参考像素点列与目标参考像素点列之后一半预设参考像素点列数量个数的参考像素点列共同记为目标参考像素点列的发霉参考像素点列；

获取每列参考像素点列的若干发霉参考像素点列。

8.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据发霉参考像素点列以及初始发霉程度得到每列参考像素点列的发霉程度，包括的具体方法为：

将任意一列参考像素点列记为目标参考像素点列，式中，表示目标参考像素点列的发霉程度；/>表示目标参考像素点列的发霉参考像素点列的数量；/>表示目标参考像素点列的初始发霉程度；/>表示目标参考像素点列的第/>个发霉参考像素点列的初始发霉程度；表示将/>输入标准高斯函数后得到的值；

获取每列参考像素点列的发霉程度。

9.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据发霉程度得到每列参考像素点列的增强系数，包括的具体方法为：

将每个活性炭区域的每列参考像素点列的发霉程度进行线性归一化，将归一化后的每列参考像素点列的发霉程度记为每列参考像素点列的增强系数。

10.根据权利要求1所述基于人工智能的再生活性炭状态检测方法，其特征在于，所述根据增强后的活性炭灰度图像进行活性炭状态检测，包括的具体方法为：

根据每个参考像素点列中每个像素点增强后的灰度值构建若干增强后的活性炭灰度图像，将任意一张增强后的活性炭灰度图像记为最终增强后的活性炭灰度图像，在最终增强后的活性炭灰度图像中，进行聚类K-means聚类得到若干聚类簇，将所有像素点的灰度值的均值最大的聚类簇记为发霉聚类簇，将发霉聚类簇内的每个像素点记为疑似发霉像素点，将所有疑似发霉像素点的灰度值进行线性归一化处理，将每个有疑似发霉像素点的灰度值记为疑似灰度值；

将任意一个包含疑似发霉像素点的活性炭区域记为最终活性炭区域，若最终活性炭区域存在发霉像素点的疑似灰度值大于等于预设疑似灰度阈值的情况，将最终活性炭区域的活性炭状态记为发霉状态；若最终活性炭区域不存在发霉像素点的疑似灰度值大于等于疑似灰度阈值的情况，将最终活性炭区域的活性炭状态记为正常状态。