一种基于图像的道路扬尘动态监测方法及系统与流程

1.本发明涉及环境监测领域，尤其涉及一种基于图像的道路扬尘动态监测方法及系统。


背景技术：

2.目前复杂庞大的污染源，需要大量人力现场排查，出现问题发现不及时，处理问题不闭环。传统环保行业以布点多个监测设备获取污染源的浓度，由于设备监测原理与国标相差甚远，数据误差大、经济成本高、不能评价污染源对空气质量影响程度。


技术实现要素：

3.鉴于以上现有技术存在的问题，本发明提出一种基于图像的道路扬尘动态监测方法及系统，主要解决传统检测方法需要现场排查耗时耗力，实时检测准确性不高的问题。
4.为了实现上述目的及其他目的，本发明采用的技术方案如下。
5.一种基于图像的道路扬尘动态监测方法，包括：
6.获取待监测路段的积尘样品，根据所述积尘样品获取所述待监测的道路积尘负荷；
7.获取所述待检测路段的多帧图像，识别所述多帧图像对应路面的干/湿情况、包含的车辆类型以及与各所述车辆类型对应的车流量，并根据所述车辆类型和对应的车流量确定在对应时段内的经过所述待检测路段的车辆重量；
8.根据所述道路积尘负荷、对应路面的干/湿情况以及所述车辆重量计算所述待监测路段的道路扬尘小时排放量和/或日排放量；
9.对所述待监测路段进行分割获取一个或多个直线源，根据所述小时排放量和/或日排放量获取每个所述直线源在指定点位的颗粒物浓度。
10.可选地，获取所述待检测路段的多帧图像，识别所述多帧图像包含的车辆类型以及与各所述车辆类型对应的车流量，包括：
11.获取所述待检测路段各图像采集点采集的视频图像，从所述视频图像中获取所述多帧图像，检测所述多帧图像中包含的车辆，创建目标链；
12.预测所述目标链中目标车辆的位置，获取所述目标车辆的车型以及行进轨迹；
13.根据所述行进轨迹与所述待检测路段预先划定的统计区域的交集，获取对应车型的车流量。
14.可选地，检测所述多帧图像中包含的车辆，创建目标链，包括：
15.通过检测算法获取当前帧图像中包含的目标车辆，并根据获取的目标车辆创建初始目标链；
16.以所述初始目标链中的目标车辆为追踪目标创建追踪链，检测下一帧图像是否包含所述追踪链中的目标车辆，将新增的目标车辆并入所述追踪链中，直到完成所有帧图像的检测，得到所述目标链。
17.可选地，预测所述目标链中目标车辆的位置，获取所述目标车辆的车型以及行进轨迹，包括：
18.预测所述目标链中各目标车辆在下一帧图像中的位置信息，根据预测的位置信息对应的目标车辆与用于位置预测的目标车辆的相似度，将达到设定阈值的预测的位置信息对应的目标车辆的位置信息与用于位置预测的目标车辆的位置信息连接，形成目标车辆行进轨迹；
19.根据相似度计算结果修正所述目标链。
20.可选地，根据所述行进轨迹与所述待检测路段预先划定的统计区域的交集，获取对应车型的车流量，包括：
21.判断所述目标车辆的行进轨迹是否与所述统计区域的统计线相交，若相交则对应目标车辆的数量加一，以此获取所述待检测路段的车流量。
22.可选地，所述相似度计算方式包括：匈牙利算法。
23.可选地，并根据所述车辆类型和对应的车流量确定在对应时段内的经过所述待检测路段的车辆重量，包括：
24.根据目标车辆的所述车辆类型获取预设的对应车辆类型的车辆重量；
25.根据每种车辆类型的车辆重量计算得到所述待监测路段的车辆重量。
26.可选地，根据所述道路积尘负荷和所述车辆重量计算所述待监测路段的道路扬尘小时排放量和/或日排放量，包括：
27.根据所述待监测路段的车辆重量和所述道路积尘负荷计算所述待监测路段的道路扬尘系数；
28.根据所述道路扬尘系数和所述待监测路段的车流量，获取所述小时排放量和/或日排放量。
29.一种基于图像的道路扬尘动态监测系统，包括：
30.积尘负荷获取模块，用于获取待监测路段的积尘样品，根据所述积尘样品获取所述待监测的道路积尘负荷；
31.车流识别模块，用于获取所述待检测路段的多帧图像，识别所述多帧图像对应路面的干/湿情况、包含的车辆类型以及与各所述车辆类型对应的车流量，并根据所述车辆类型和对应的车流量确定在对应时段内的经过所述待检测路段的车辆重量；
32.排放量计算模块，用于根据所述道路积尘负荷、对应路面的干/湿情况以及所述车辆重量计算所述待监测路段的道路扬尘小时排放量和/或日排放量；
33.线源影响评估模块，用于对所述待监测路段进行分割获取一个或多个直线源，根据所述小时排放量和/或日排放量获取每个所述直线源在指定点位的颗粒物浓度。
34.如上所述，本发明一种基于图像的道路扬尘动态监测方法及系统，具有以下有益效果。
35.通过图像识别获取车辆车型及车流量等信息，根据识别数据实时更新计算对应待检测路段的排放量，实现低成本，高精准，快监管，为道路环境监测提供快速可靠的数据支撑。
附图说明
36.图1为本发明一实施例中基于图像的道路扬尘动态监测方法的流程示意图。
37.图2为本发明一实施例中车流检测的流程示意图。
38.图3为本发明一实施例中线源切割的示意图。
39.图4为本发明一实施例中基于图像的道路扬尘动态监测系统的结构示意图。
具体实施方式
40.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
41.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
42.请参阅图1，本发明提供基于图像的道路扬尘动态监测方法，包括以下步骤。
43.步骤s01，获取待监测路段的积尘样品，根据所述积尘样品获取所述待监测的道路积尘负荷；
44.步骤s02，获取所述待检测路段的多帧图像，识别所述多帧图像对应路面的干/湿情况、包含的车辆类型以及与各所述车辆类型对应的车流量，并根据所述车辆类型和对应的车流量确定在对应时段内的经过所述待检测路段的车辆重量；
45.步骤s03，根据所述道路积尘负荷、对应路面的干/湿情况以及所述车辆重量计算所述待监测路段的道路扬尘小时排放量和/或日排放量；
46.步骤s04，对所述待监测路段进行分割获取一个或多个直线源，根据所述小时排放量和/或日排放量获取每个所述直线源在指定点位的颗粒物浓度。
47.在一实施例中，在获取道路扬尘负荷时，需要进行现场取样，具体过程如下：
48.首先，标出具有一定宽度的采样区域，计算采样面积，每个积尘样品的采样面积累积记为s；用真空吸尘器扫路面积尘进行采样，采样完毕后，将真空吸尘器的吸尘纸袋装入密封袋中。
49.在105℃条件下，将单个道路积尘样品烘至恒重，在干燥器中冷却，记为w0(单位：g)；
50.用柔软毛刷或高压气流将筛子处理干净，使之不粘带杂物；
51.将20目、200目筛子由上而下层叠放入摇床内，称取30～100g道路积尘，放入20目筛中，重量记为w(单位：g)；
52.封闭摇床，启动摇床摇摆振动操作，持续10分钟，取出称量20目的筛上物，记为w20(单位：g)；
53.将200目的筛上物在摇床中振摇，直至200目筛子筛上物前后两次重量差小于3％，总时间不超过40分钟，取出称量200目的筛上物，记为w200(单位：g)。
54.道路积尘负荷sl的计算方式可表示为：
[0055][0056]
以上仅示出其中一种获取道路积尘负荷的方式，也可采用其它获取方式，这里不作限制。
[0057]
在一实施例中，获取所述待检测路段的多帧图像，识别所述多帧图像包含的车辆类型以及与各所述车辆类型对应的车流量，包括：
[0058]
获取所述待检测路段各图像采集点采集的视频图像，从所述视频图像中获取所述多帧图像，检测所述多帧图像中包含的车辆，创建目标链；
[0059]
预测所述目标链中目标车辆的位置，获取所述目标车辆的车型以及行进轨迹；
[0060]
根据所述行进轨迹与所述待检测路段预先划定的统计区域的交集，获取对应车型的车流量。
[0061]
在一实施例中，检测所述多帧图像中包含的车辆，创建目标链，包括：
[0062]
通过检测算法获取当前帧图像中包含的目标车辆，并根据获取的目标车辆创建初始目标链；
[0063]
以所述初始目标链中的目标车辆为追踪目标创建追踪链，检测下一帧图像是否包含所述追踪链中的目标车辆，将新增的目标车辆并入所述追踪链中，直到完成所有帧图像的检测，得到所述目标链。
[0064]
在一实施例中，预测所述目标链中目标车辆的位置，获取所述目标车辆的车型以及行进轨迹，包括：
[0065]
预测所述目标链中各目标车辆在下一帧图像中的位置信息，根据预测的位置信息对应的目标车辆与用于位置预测的目标车辆的相似度，将达到设定阈值的预测的位置信息对应的目标车辆的位置信息与用于位置预测的目标车辆的位置信息连接，形成目标车辆行进轨迹；
[0066]
根据相似度计算结果修正所述目标链。
[0067]
具体地，请参阅图2，检测待监测路段的车流量的具体流程如下：
[0068]
步骤1，选择道路视频/摄像头，通过在待监测路段设置的一个或多个监控设备获取对应路段的视频图像；
[0069]
步骤2，目标检测，可通过检测算法如yolov5对采集的视频图像进行目标检测，获取视频图像中的目标车辆。具体地，可从采集的视频中获取多帧图像用于目标检测，当检测算法从当前帧检测到多个目标车辆时，将检测到的目标车辆用于创建初始目标链，将初始目标链中的目标车辆作为跟踪目标，构建追踪链。继续通过检测算法检测下一帧图像中的目标车辆，判断下一帧图像中是否包含追踪链中的目标车辆，若包含则追踪目标不为空，若不包含则追踪目标为空。
[0070]
步骤3，当目标链中追踪目标不为空时，可通过卡尔曼滤波预测目标链中的目标车辆的在下一帧图像中的位置，具体预测过程为现有技术，这里不再赘述。
[0071]
步骤4，获取下一帧图像中与预测位置对应的目标车辆，进一步计算两帧图像中目标车辆之间的相似度，具体地，可采用匈牙利算法计算两帧图像中目标对象的相似度，若不匹配，则删除未匹配的跟踪目标；若匹配，则将匹配的目标车辆信息更新到追踪链中，连接
匹配的目标车辆的位置信息形成目标和量的行进路线。同时，可识别跟踪目标的车辆类型，记录对应车辆类型的目标车辆的行进路线。具体车辆类型识别过程为现有技术，这里不再赘述。
[0072]
步骤5，可进一步通过卡尔曼滤波修正目标车辆的行进轨迹，得到车辆前后两帧跟踪轨迹连线。
[0073]
步骤6，可预先划定待监测路段的统计区域，通过统计线在图像中标定区域边界。进一步判断目标车辆的轨迹连线是否与统计线相交，具体地，可通过叉乘法进行相交判断，具体过程这里不再赘述。若与统计线相交则对应车型的目标车辆数量加1，依次方法输出待监测路段各种车型的统计数量，得到对应时段内的车流量。
[0074]
在一实施例中，还可通过预训练的识别模型识别采集的实时图像中待监测路段路面的干/湿情况。识别模型可采用循环神经网络、卷积神经网络等构件模型框架，采集包含各种干、湿路面场景的图像构建训练样本集，并对训练样本集中对应图像的干湿情况进行标注，进一步构建逻辑回归损失函数，基于标注的训练样本进行模型与训练，得到干/湿情况的识别模型。逻辑回归损失函数可表示为：
[0075][0076]
其中，θ为待估参数，i为训练样本，yi表示构造向量，训练目标可以设为使预测概率分布尽可能接近真实的标签概率分布yi。具体模型训练过程为现有技术，这里不再赘述。
[0077]
对于铺装道路，道路扬尘排放系数可表示为：
[0078]eri
＝ki×
(sl)
0.91
×
(w)
1.02
(1-η)
[0079]
1)e
ri
为铺装道路的扬尘中pmi排放系数，单位为：g/vkt(表示机动车行驶1千米产生的颗粒物质量)。
[0080]
2)ki为产生的扬尘中pmi的粒度乘数。
[0081]
3)sl为道路积尘负荷。
[0082]
4)w为平均车重，单位为吨。平均车重表示通过某等级道路所有车辆的平均重量。通过识别得到各车型的车重信息，根据前述步骤统计的待监测路段车流量以及不同车型的数量，可计算出待监测路段的平均车重。
[0083]
(1)小时排放量估算
[0084]wri
＝e
ri
×
lr×
nr×
(1-nr)
ꢀꢀꢀ
公式(4)
[0085]
式中，w
ri
为道路扬尘源中颗粒物pmi的总排放量，g/h。
[0086]eri
为道路扬尘源中pmi平均排放系数，g/(km
·
辆)。
[0087]
lr为道路长度，km。
[0088]
nr为一定时期内车辆在该段道路上的平均车流量，辆/h。
[0089]
nr为不起尘系数，当降雨量大于1mm/h时，nr取1；当降雨量小于等于1mm/h时，nr取0。根据路面干/湿情况获取对应的降雨量，进行实时排放量计算。
[0090]
(2)日排放量估算
[0091]
[0092]
式中，w
ri
为道路扬尘源中颗粒物pmi的总排放量，单位为：g/d。
[0093]eri
为道路扬尘源中pmi平均排放系数，单位为：g/(km
·
辆)。
[0094]
lr为道路长度，单位为：km。
[0095]
nr为一段时间内车辆在对应道路上的平均车流量，单位为：辆/d。
[0096]
nr为不起尘小时数，可使用日降水量大于1mm/h的小时数表示。
[0097]
根据以上公式，以实时输出车辆数据为关键因子，每小时输出实时排放量。
[0098]
进一步地，以点源扩散为原理，优化线源算法。
[0099]
如图3所示，在拐点处将弯曲的线源切割成长直线源，设风向与线源ab夹角为θ，线源长为l(m)，线源源强为q
l
(mg/m
·
s)。取线源中点o为原点，与风向一致的为x轴建立直角坐标系。适当选择y轴方向，使线源处在第一、三象限，则θ被严格限制在0
°
～90
°
之间。ob上所有点的坐标均为正值，oa上所有点的坐标均为负值。
[0100]
基础公式如下：
[0101][0102]ql
：线源源强，mg/m
·
s。
[0103]
u：平均风速，m/s。
[0104]
b：垂直扩散参数σz的系数。
[0105]
q：垂直扩散参数σz的指数。
[0106]
p：横向扩散参数σy的指数。
[0107]
θ：风向与线源的夹角，0
°
≤θ≤90
°
。
[0108]
x0：受影响点的横坐标，m。
[0109]
|d|：受影响点距线源的垂直距离，m。
[0110]
k：常数。
[0111]
φ(t)：正态分布函数
[0112]
以实时输出车辆数据为关键因子，每小时输出实时排放量，可在采集的图像中标定实时排放量并进行动态更新，同时结合风速等信息输出监控设备所在位置的污染源排放对环境空气自动监测站的影响量(环境监测浓度c)。
[0113]
请参阅图4，本实施例提供了一种基于图像的道路扬尘动态监测系统，用于执行前述方法实施例中所述的基于图像的道路扬尘动态监测方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
[0114]
在一实施例中，基于图像的道路扬尘动态监测系统，其特征在于，包括：积尘负荷获取模块10，用于获取待监测路段的积尘样品，根据所述积尘样品获取所述待监测的道路积尘负荷；车流识别模块11，用于获取所述待检测路段的多帧图像，识别所述多帧图像包含的车辆类型以及与各所述车辆类型对应的车流量，并根据所述车辆类型和对应的车流量确定在对应时段内的经过所述待检测路段的车辆重量；排放量计算模块12，用于根据所述道路积尘负荷和所述车辆重量计算所述待监测路段的道路扬尘小时排放量和/或日排放量；线源影响评估模块13，用于确定所述待监测路段包含的一个或多个直线源，根据所述小时排放量和/或日排放量获取每个所述直线源在指定点位的扬尘浓度。
[0115]
综上所述，本发明一种基于图像的道路扬尘动态监测方法及系统，通过实时图像识别，可以建立污染源排放和图像的关联，形成动态的、有空间分布特征的大气污染源逐小时自动排放系统，为精准化预报会商和精准污染管控提供支持；ai图像、动态污染源排放识别算法，实现以ai图像的迭代算法代替传统的环境仪器监测浓度，定量输出污染源对大气环境空气指标(pm10、pm2.5)影响传输量，并能在相同空间尺度，不同时间、不同场景下表现出污染物影响贡献差异化，为污染源动态调控技术、效果评估等应用提供科技支撑；根据图像检测对应待检测路段是干场景还是湿场景，进一步根据场景的干湿情况进行实时动态排放源计算，可获取任何时间产生的污染排放量，实现基于图像的动态排放监测；同时根据动态排放源计算获取线源的颗粒物浓度(pm10、pm2.5)，结合图像识别、气象数据以及环境空气质量实现非现场的远程动态排放监测。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0116]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。