一种新型扬尘识别方法及系统与流程

1.本发明涉及扬尘识别技术领域，尤其涉及一种新型扬尘识别方法及系统。


背景技术：

2.近年来，随着社会的发展和建设，大量的扬尘也随之产生，而高浓度的扬尘环境对于人体的呼吸系统是存在危害的，为了保证人体呼吸系统的健康，需要对扬尘进行监测和识别，现有技术对扬尘进行识别主要是基于卷积神经网络实现的，通过对扬尘目标类别的自动化提取，能够替代大量的人工提取调整的工作，提高了识别的效率，降低人力成本，然而，通过卷积神经网络实现扬尘识别的方式虽然能够在一定程度上提高识别的效率，但是计算量也会大大增加，导致对于设备的要求也越来越高。


技术实现要素：

3.有鉴于此，本发明提出一种新型扬尘识别方法及系统，可以解决现有扬尘识别方式所存在的计算量大和设备要求高的缺陷。
4.本发明的技术方案是这样实现的：
5.一种新型扬尘识别方法，具体包括以下步骤：
6.步骤s1，采集有扬尘的图像和无扬尘的图像作为训练样本；
7.步骤s2，对训练样本进行预处理；
8.步骤s3，搭建基于深度可分离卷积网络和残差网络的训练模型，并将预处理后的训练样本输入至所述训练模型进行训练，得到扬尘识别模型；
9.步骤s4，实时采集待检测位置的图像；
10.步骤s5，将待检测位置的图像输入至所述扬尘识别模型中进行识别，扬尘识别模型输出识别结果，从而实现扬尘的识别。
11.作为所述新型扬尘识别方法的进一步可选方案，所述步骤s2具体包括以下步骤：
12.步骤s21，对训练样本进行图像分割，得到图像分割后的训练样本；
13.步骤s22，对图像分割后的训练样本进行数据增强，从而实现训练样本的预处理。
14.作为所述新型扬尘识别方法的进一步可选方案，所述基于深度可分离卷积网络和残差网络的训练模型具体包括深度卷积滤波层、逐点卷积滤波层、残差模型层、平均池化层、全连接层和输出层。
15.作为所述新型扬尘识别方法的进一步可选方案，所述残差模型层包括四个残差模型。
16.作为所述新型扬尘识别方法的进一步可选方案，所述残差模型包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路。
17.一种新型扬尘识别系统，所述系统包括：
18.采集模块，用于采集有扬尘的图像和无扬尘的图像作为训练样本；
19.处理模块，用于对训练样本进行预处理；
20.搭建模块，用于搭建基于深度可分离卷积网络和残差网络的训练模型；
21.训练模块，用于将预处理后的训练样本输入至所述训练模型进行训练，得到扬尘识别模型；
22.实时采集模块，用于实时采集待检测位置的图像；
23.识别模块，用于将待检测位置的图像输入至所述扬尘识别模型中进行识别，扬尘识别模型输出识别结果，从而实现扬尘的识别。
24.作为所述新型扬尘识别系统的进一步可选方案，所述处理模块包括：
25.图像分割模块，用于对训练样本进行图像分割，得到图像分割后的训练样本；
26.图像增强模块，用于对图像分割后的训练样本进行数据增强。
27.作为所述新型扬尘识别系统的进一步可选方案，所述基于深度可分离卷积网络和残差网络的训练模型具体包括深度卷积滤波层、逐点卷积滤波层、残差模型层、平均池化层、全连接层和输出层。
28.作为所述新型扬尘识别系统的进一步可选方案，所述所述残差模型层包括四个残差模型。
29.作为所述新型扬尘识别系统的进一步可选方案，所述残差模型包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路。
30.本发明的有益效果是：通过搭建基于深度可分离卷积网络和残差网络的训练模型，并通过对训练模型进行训练得到扬尘识别模型，然后通过扬尘识别模型对待检测位置的图像进行扬尘识别，能够降低计算量，从而提高识别的效率，此外，还能够大大降低对于设备的要求，从而提高应用场景的适应性。
附图说明
31.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。
32.图1为本发明一种新型扬尘识别方法的流程示意图；
33.图2为本发明一种新型扬尘识别系统的组成图。
具体实施方式
34.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
35.参考图1-2，一种新型扬尘识别方法，具体包括以下步骤：
36.步骤s1，采集有扬尘的图像和无扬尘的图像作为训练样本；
37.步骤s2，对训练样本进行预处理；
38.步骤s3，搭建基于深度可分离卷积网络和残差网络的训练模型，并将预处理后的训练样本输入至所述训练模型进行训练，得到扬尘识别模型；
39.步骤s4，实时采集待检测位置的图像；
40.步骤s5，将待检测位置的图像输入至所述扬尘识别模型中进行识别，扬尘识别模型输出识别结果，从而实现扬尘的识别。
41.在本实施例中，通过搭建基于深度可分离卷积网络和残差网络的训练模型，并通过对训练模型进行训练得到扬尘识别模型，然后通过扬尘识别模型对待检测位置的图像进行扬尘识别，能够降低计算量，从而提高识别的效率，此外，还能够大大降低对于设备的要求，从而提高应用场景的适应性。
42.需要说明的是，通过架设摄像传感终端，获取目标点位图像，然后将图像分为有扬尘的图像和无扬尘的图像，从而实现训练样本的采集。
43.优选的，所述步骤s2具体包括以下步骤：
44.步骤s21，对训练样本进行图像分割，得到图像分割后的训练样本；
45.步骤s22，对图像分割后的训练样本进行数据增强，从而实现训练样本的预处理。
46.在本实施例中，摄像头采集到的图片像素尺寸为1920x1080，我们需要将它分割为224x224像素的小图像块，通过进行图像分割，能够提高识别的效率，同时，将分割处理后得图像进行缩放、旋转等数据增强处理，能够增加训练样本的数量，从而提高训练数据的准确性，进而提高扬尘识别模型的准确性。
47.优选的，所述基于深度可分离卷积网络和残差网络的训练模型具体包括深度卷积滤波层、逐点卷积滤波层、残差模型层、平均池化层、全连接层和输出层。
48.在本实施例中，通过在深度卷积滤波层和逐点卷积滤波层之后设置残差模型层，能够降低产生梯度消失或梯度爆炸的概率，保证扬尘识别模型的识别准确性。
49.优选的，所述残差模型层包括四个残差模型。
50.在本实施例中，所述残差模型包括但不限于red-net网络模型、edsr网络模型、lapsrn网络模型、rdn网络模型、iscnn网络模型和resnet-50网络模型，这里不做具体限定。
51.优选的，所述残差模型包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路。
52.在本实施例中，现有的残差模型一般都是单线路卷积核组成的，通过将残差模型改为包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路，能够降低残差模型的参数量，从而降低每层卷积核的计算量。
53.一种新型扬尘识别系统，所述系统包括：
54.采集模块，用于采集有扬尘的图像和无扬尘的图像作为训练样本；
55.处理模块，用于对训练样本进行预处理；
56.搭建模块，用于搭建基于深度可分离卷积网络和残差网络的训练模型；
57.训练模块，用于将预处理后的训练样本输入至所述训练模型进行训练，得到扬尘识别模型；
58.实时采集模块，用于实时采集待检测位置的图像；
59.识别模块，用于将待检测位置的图像输入至所述扬尘识别模型中进行识别，扬尘识别模型输出识别结果，从而实现扬尘的识别。
60.在本实施例中，通过搭建基于深度可分离卷积网络和残差网络的训练模型，并通过对训练模型进行训练得到扬尘识别模型，然后通过扬尘识别模型对待检测位置的图像进行扬尘识别，能够降低计算量，从而提高识别的效率，此外，还能够大大降低对于设备的要求，从而提高应用场景的适应性。
61.需要说明的是，通过架设摄像传感终端，获取目标点位图像，然后将图像分为有扬尘的图像和无扬尘的图像，从而实现训练样本的采集。
62.优选的，所述处理模块包括：
63.图像分割模块，用于对训练样本进行图像分割，得到图像分割后的训练样本；
64.图像增强模块，用于对图像分割后的训练样本进行数据增强。
65.在本实施例中，摄像头采集到的图片像素尺寸为1920x1080，我们需要将它分割为224x224像素的小图像块，通过进行图像分割，能够提高识别的效率，同时，将分割处理后得图像进行缩放、旋转等数据增强处理，能够增加训练样本的数量，从而提高训练数据的准确性，进而提高扬尘识别模型的准确性。
66.优选的，所述基于深度可分离卷积网络和残差网络的训练模型具体包括深度卷积滤波层、逐点卷积滤波层、残差模型层、平均池化层、全连接层和输出层。
67.在本实施例中，通过在深度卷积滤波层和逐点卷积滤波层之后设置残差模型层，能够降低产生梯度消失或梯度爆炸的概率，保证扬尘识别模型的识别准确性。
68.优选的，所述所述残差模型层包括四个残差模型。
69.在本实施例中，所述残差模型包括但不限于red-net网络模型、edsr网络模型、lapsrn网络模型、rdn网络模型、iscnn网络模型和resnet-50网络模型，这里不做具体限定。
70.优选的，所述残差模型包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路。
71.在本实施例中，现有的残差模型一般都是单线路卷积核组成的，通过将残差模型改为包括由1x1卷积核组成的第一线路、由一个3
×
3卷积核组成的第二线路和由两个3
×
3卷积核组成的第三线路，能够降低残差模型的参数量，从而降低每层卷积核的计算量。
72.以上所述仅为本发明的较佳实施方式而已，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。