一種新型揚塵識別方法及系統技術方案

本發明專利技術公開了一種新型揚塵識別方法及系統，方法包括采集有揚塵的圖像和無揚塵的圖像作為訓練樣本，對訓練樣本進行預處理，搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并將預處理后的訓練樣本輸入至所述訓練模型進行訓練，得到揚塵識別模型，實時采集待檢測位置的圖像，將待檢測位置的圖像輸入至所述揚塵識別模型中進行識別，揚塵識別模型輸出識別結果，從而實現揚塵的識別；通過搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并通過對訓練模型進行訓練得到揚塵識別模型，然后通過揚塵識別模型對待檢測位置的圖像進行揚塵識別，能夠降低計算量，從而提高識別的效率，此外，還能夠大大降低對于設備的要求，從而提高應用場景的適應性。應用場景的適應性。應用場景的適應性。

【技術實現步驟摘要】
一種新型揚塵識別方法及系統


[0001]本專利技術涉及揚塵識別
，尤其涉及一種新型揚塵識別方法及系統。

技術介紹

[0002]近年來，隨著社會的發展和建設，大量的揚塵也隨之產生，而高濃度的揚塵環境對于人體的呼吸系統是存在危害的，為了保證人體呼吸系統的健康，需要對揚塵進行監測和識別，現有技術對揚塵進行識別主要是基于卷積神經網絡實現的，通過對揚塵目標類別的自動化提取，能夠替代大量的人工提取調整的工作，提高了識別的效率，降低人力成本，然而，通過卷積神經網絡實現揚塵識別的方式雖然能夠在一定程度上提高識別的效率，但是計算量也會大大增加，導致對于設備的要求也越來越高。

技術實現思路

[0003]有鑒于此，本專利技術提出一種新型揚塵識別方法及系統，可以解決現有揚塵識別方式所存在的計算量大和設備要求高的缺陷。
[0004]本專利技術的技術方案是這樣實現的：
[0005]一種新型揚塵識別方法，具體包括以下步驟：
[0006]步驟S1，采集有揚塵的圖像和無揚塵的圖像作為訓練樣本；
[0007]步驟S2，對訓練樣本進行預處理；
[0008]步驟S3，搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并將預處理后的訓練樣本輸入至所述訓練模型進行訓練，得到揚塵識別模型；
[0009]步驟S4，實時采集待檢測位置的圖像；
[0010]步驟S5，將待檢測位置的圖像輸入至所述揚塵識別模型中進行識別，揚塵識別模型輸出識別結果，從而實現揚塵的識別。
[0011]作為所述新型揚塵識別方法的進一步可選方案，所述步驟S2具體包括以下步驟：
[0012]步驟S21，對訓練樣本進行圖像分割，得到圖像分割后的訓練樣本；
[0013]步驟S22，對圖像分割后的訓練樣本進行數據增強，從而實現訓練樣本的預處理。
[0014]作為所述新型揚塵識別方法的進一步可選方案，所述基于深度可分離卷積網絡和殘差網絡的訓練模型具體包括深度卷積濾波層、逐點卷積濾波層、殘差模型層、平均池化層、全連接層和輸出層。
[0015]作為所述新型揚塵識別方法的進一步可選方案，所述殘差模型層包括四個殘差模型。
[0016]作為所述新型揚塵識別方法的進一步可選方案，所述殘差模型包括由1X1卷積核組成的第一線路、由一個3
×
3卷積核組成的第二線路和由兩個3
×
3卷積核組成的第三線路。
[0017]一種新型揚塵識別系統，所述系統包括：
[0018]采集模塊，用于采集有揚塵的圖像和無揚塵的圖像作為訓練樣本；
[0019]處理模塊，用于對訓練樣本進行預處理；
[0020]搭建模塊，用于搭建基于深度可分離卷積網絡和殘差網絡的訓練模型；
[0021]訓練模塊，用于將預處理后的訓練樣本輸入至所述訓練模型進行訓練，得到揚塵識別模型；
[0022]實時采集模塊，用于實時采集待檢測位置的圖像；
[0023]識別模塊，用于將待檢測位置的圖像輸入至所述揚塵識別模型中進行識別，揚塵識別模型輸出識別結果，從而實現揚塵的識別。
[0024]作為所述新型揚塵識別系統的進一步可選方案，所述處理模塊包括：
[0025]圖像分割模塊，用于對訓練樣本進行圖像分割，得到圖像分割后的訓練樣本；
[0026]圖像增強模塊，用于對圖像分割后的訓練樣本進行數據增強。
[0027]作為所述新型揚塵識別系統的進一步可選方案，所述基于深度可分離卷積網絡和殘差網絡的訓練模型具體包括深度卷積濾波層、逐點卷積濾波層、殘差模型層、平均池化層、全連接層和輸出層。
[0028]作為所述新型揚塵識別系統的進一步可選方案，所述所述殘差模型層包括四個殘差模型。
[0029]作為所述新型揚塵識別系統的進一步可選方案，所述殘差模型包括由1X1卷積核組成的第一線路、由一個3
×
3卷積核組成的第二線路和由兩個3
×
3卷積核組成的第三線路。
[0030]本專利技術的有益效果是：通過搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并通過對訓練模型進行訓練得到揚塵識別模型，然后通過揚塵識別模型對待檢測位置的圖像進行揚塵識別，能夠降低計算量，從而提高識別的效率，此外，還能夠大大降低對于設備的要求，從而提高應用場景的適應性。
附圖說明
[0031]為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0032]圖1為本專利技術一種新型揚塵識別方法的流程示意圖；
[0033]圖2為本專利技術一種新型揚塵識別系統的組成圖。
具體實施方式
[0034]下面將對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本專利技術的一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬于本專利技術保護的范圍。
[0035]參考圖1
?
2，一種新型揚塵識別方法，具體包括以下步驟：
[0036]步驟S1，采集有揚塵的圖像和無揚塵的圖像作為訓練樣本；
[0037]步驟S2，對訓練樣本進行預處理；
[0038]步驟S3，搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并將預處理后的訓練樣本輸入至所述訓練模型進行訓練，得到揚塵識別模型；
[0039]步驟S4，實時采集待檢測位置的圖像；
[0040]步驟S5，將待檢測位置的圖像輸入至所述揚塵識別模型中進行識別，揚塵識別模型輸出識別結果，從而實現揚塵的識別。
[0041]在本實施例中，通過搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并通過對訓練模型進行訓練得到揚塵識別模型，然后通過揚塵識別模型對待檢測位置的圖像進行揚塵識別，能夠降低計算量，從而提高識別的效率，此外，還能夠大大降低對于設備的要求，從而提高應用場景的適應性。
[0042]需要說明的是，通過架設攝像傳感終端，獲取目標點位圖像，然后將圖像分為有揚塵的圖像和無揚塵的圖像，從而實現訓練樣本的采集。
[0043]優選的，所述步驟S2具體包括以下步驟：
[0044]步驟S21，對訓練樣本進行圖像分割，得到圖像分割后的訓練樣本；
[0045]步驟S22，對圖像分割后的訓練樣本進行數據增強，從而實現訓練樣本的預處理。
[0046]在本實施例中，攝像頭采集到的圖片像素尺寸為1920x1080，我們需要將它分割為224X224像素的小圖像塊，通過進行圖像分割，能夠提高識別的效率，同時，將分割處理后得圖像進行縮放、旋轉等數據增強處理，能夠增加訓練樣本的數量，從而提高訓練數據的準確性，進而提高揚塵識別模型的準確性。
[0047]優本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種新型揚塵識別方法，其特征在于，具體包括以下步驟：步驟S1，采集有揚塵的圖像和無揚塵的圖像作為訓練樣本；步驟S2，對訓練樣本進行預處理；步驟S3，搭建基于深度可分離卷積網絡和殘差網絡的訓練模型，并將預處理后的訓練樣本輸入至所述訓練模型進行訓練，得到揚塵識別模型；步驟S4，實時采集待檢測位置的圖像；步驟S5，將待檢測位置的圖像輸入至所述揚塵識別模型中進行識別，揚塵識別模型輸出識別結果，從而實現揚塵的識別。2.根據權利要求1所述的一種新型揚塵識別方法，其特征在于，所述步驟S2具體包括以下步驟：步驟S21，對訓練樣本進行圖像分割，得到圖像分割后的訓練樣本；步驟S22，對圖像分割后的訓練樣本進行數據增強，從而實現訓練樣本的預處理。3.根據權利要求2所述的一種新型揚塵識別方法，其特征在于，所述基于深度可分離卷積網絡和殘差網絡的訓練模型具體包括深度卷積濾波層、逐點卷積濾波層、殘差模型層、平均池化層、全連接層和輸出層。4.根據權利要求3所述的一種新型揚塵識別方法，其特征在于，所述殘差模型層包括四個殘差模型。5.根據權利要求4所述的一種新型揚塵識別方法，其特征在于，所述殘差模型包括由1X1卷積核組成的第一線路、由一個3
×
3卷積核組成的第二線路和由兩個3
×
3卷積核組成的第三線路。6.一種新型揚塵識別...

【專利技術屬性】
技術研發人員：周當，李毓勤，王弘越，袁文怡，陳銘生，廖載紅，
申請(專利權)人：廣州市云景信息科技有限公司，
類型：發明
國別省市：