基于计算机图像识别的环境粉尘浓度检测方法及系统

1.本发明涉及数据识别领域，具体涉及一种基于计算机图像识别的环境粉尘浓度检测方法及系统。


背景技术：

2.计算机图像识别属于数据识别的一种，计算机图像识别可应用于环境粉尘浓度检测。粉尘是企业车间、工厂内常见的污染源，粉尘的存在严重危害工人的身体健康，存在安全隐患，因此，定期测试作业场所环境粉尘浓度，评价作业环境质量非常必要。现有的方法往往通过在待检测区域的中心位置处设置烟雾、粉尘智能传感器的方式来实现对待检测区域粉尘浓度的评估，但利用传感器对粉尘浓度进行评估时，传感器检测得到的粉尘浓度只能够反映检测位置处的粉尘浓度，而待检测区域中各位置处的粉尘浓度可能会不一致，因此现有的方法并不能够准确评估整个待检测区域的粉尘浓度。


技术实现要素：

3.为了解决现有技术不能准确得到整个工作区域的粉尘浓度的问题，本发明的目的在于提供一种基于计算机图像识别的环境粉尘浓度检测方法及系统，所采用的技术方案具体如下：第一方面，本发明提供了一种基于计算机图像识别的环境粉尘浓度检测方法,该方法包括以下步骤：获取工作区域图像，对所述工作区域图像进行去噪处理，得到去噪后图像，根据所述工作区域图像和去噪后图像，得到噪声图像；根据噪声图像中各像素点的灰度值，将噪声图像划分为多个区域；计算各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数，根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数，计算各区域对应的第一背景复杂度；计算各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数；根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数，计算各区域对应的第二背景复杂度；根据各区域对应的第一背景复杂度和第二背景复杂度，计算各区域对应的背景复杂度差值，根据所述各区域对应的背景复杂度差值，得到工作区域的粉尘浓度。
4.第二方面，本发明提供了一种基于计算机图像识别的环境粉尘浓度检测系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于计算机图像识别的环境粉尘浓度检测方法。
5.优选的，所述得到去噪后图像的方法包括：对所述工作区域图像进行灰度化处理，得到对应的灰度化图像；采用高斯滤波的方法对所述灰度化图像中各像素点进行处理，得到去噪后图像。
6.优选的，根据噪声图像中各像素点的灰度值，将噪声图像划分为多个区域的方法包括：计算噪声图像中各像素点与对应的邻域内的像素点的灰度均值，根据所述灰度均值计算各像素点与对应的邻域内的像素点的灰度方差，判断所述灰度方差是否大于设定方差系数，根据判断结果将噪声图像中的各像素点划分为多个区域；计算划分后各区域噪声图像的二维图像熵，判断二维图像熵是否小于图像熵阈值，若小于，则该区域划分完毕，得到噪声图像对应的多个区域；若不小于，则调整方差系数，对该区域进行划分，得到噪声图像对应的多个区域。
7.优选的，所述计算各区域对应的工作区域图像的颜色分量比的方法包括：采用如下公式计算各区域对应的工作区域图像中各像素点对应的颜色分量比：分量比：其中，为第个区域对应的工作区域图像的第个像素点的颜色分量比，为第个区域中第个像素点的rgb三通道均值系数，为第个像素点的红色通道分量值，为第个像素点的绿色通道分量值，为第个像素点的蓝色通道分量值；根据各区域对应的工作区域图像中各像素点对应的颜色分量比，计算各区域对应的工作区域图像的像素点颜色分量比的均值，将各区域对应的工作区域图像的像素点颜色分量比的均值作为对应区域对应的工作区域图像的颜色分量比。
8.优选的，采用如下公式计算各区域对应的第一背景复杂度：其中，为第个区域的第一背景复杂度，为第个区域的颜色分量比，为第个区域的对比度，为第个区域的边缘数，为第个区域的边缘角点数，为颜色分量比的权重，为对比度的权重，边缘数的权重，为边缘角点数的权重。
9.优选的，根据所述各区域背景复杂度的差值，得到工作区域的粉尘浓度的方法包括：采用如下公式计算工作区域的噪声强度：采用如下公式计算工作区域的噪声强度：其中，为第个区域的权重，为第个区域对应的背景复杂度差值，为工作区域的总面积，为第个区域的面积，为工作区域的噪声强度；将工作区域的噪声强度和粉尘浓度进行模拟数据拟合，得到噪声强度与粉尘浓度之间的函数关系，得到工作区域的粉尘浓度。
10.本发明具有如下有益效果：本发明利用噪声强度表征工作区域的粉尘浓度，噪声强度与粉尘浓度成正比关系，噪声强度越大，表明工作区域的粉尘浓度越大。本发明将工作
区域的噪声图像划分为多个区域，使工作区域噪声强度相近的像素点位于同一区域内，通过背景复杂度对划分区域进行评估，利用了各区域的背景复杂度，计算工作区域的噪声强度，根据噪声强度得到整个工作区域的粉尘浓度。本发明利用图像识别技术实现了对环境粉尘浓度的检测，有效提高了计算结果的准确性，解决了现有技术不能准确得到整个工作区域的粉尘浓度的问题。
附图说明
11.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和优点，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的介绍，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它附图。
12.图1为本发明一个实施例所提供的一种基于计算机图像识别的环境粉尘浓度检测方法的流程图。
具体实施方式
13.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一种基于计算机图像识别的环境粉尘浓度检测方法及系统进行详细说明如下。
14.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。
15.下面结合附图具体的说明本发明所提供的一种基于计算机图像识别的环境粉尘浓度检测方法及系统的具体方案。
16.基于计算机图像识别的环境粉尘浓度检测方法实施例为了解决现有技术不能准确得到整个工作区域的粉尘浓度的问题，本实施例提出了基于计算机图像识别的环境粉尘浓度检测方法，如图1所示，本实施例的基于计算机图像识别的环境粉尘浓度检测方法包括以下步骤：步骤s1，获取工作区域图像，对所述工作区域图像进行去噪处理，得到去噪后图像，根据所述工作区域图像和去噪后图像，得到噪声图像。
17.本实施例利用监控设备获取工作区域的实时图像，将采集到的图像进行灰度化，对灰度化的图像进行图像去噪。粉尘的存在会影响工作区域图像的清晰程度，粉尘浓度越小，工作区域图像越清晰，粉尘浓度越大，工作区域图像越不清晰，因此本实施例利用噪声强度来表征工作区域的粉尘浓度。
18.具体来说，采用高斯去噪算法对灰度化的图像进行去噪，本实施例选取3*3大小的高斯核作为滑窗，从工作区域图像的左上角开始向右进行滑动，滑动的步长为1，每次滑动都将滑窗内每个像素点的像素值进行高斯滤波，最终得到去噪后图像。在具体应用中，可根据实际需要选取n*n大小的高斯核作为滑窗，n》2，滑动的步长也可根据实际需要进行设定。本实施例采用高斯去噪算法对图像进行去噪，该技术为公知技术，此处不再赘述。
19.利用工作区域的原图像减去去噪后图像，得到噪声图像。
20.步骤s2，根据噪声图像中各像素点的灰度值，将噪声图像划分为多个区域。
21.本实施例取噪声图像的几何中心点作为初始中心点，计算初始中心点的8邻域内像素点的灰度均值，得到初始中心点的邻域内的灰度方差，设置方差系数，当灰度方差时，则认为初始中心点邻域内的像素点灰度与初始中心点灰度相似，即为同一噪声强度。当灰度方差时，则认为初始中心点邻域内存在异常灰度像素点，去除邻域内极大值点，计算邻域内其他相邻像素点的灰度方差，当灰度方差，即判定其他邻域像素点为同一噪声强度的像素点，如果依旧灰度方差，继续去除邻域内次极值点，计算邻域内其他相邻像素点的灰度方差,不断迭代，直到方差满足要求。如果初始中心点周围不存在灰度相似的邻域像素点，则将初始中心点作为一个孤立像素点单独进行分析。
22.获取与初始中心点灰度相似的邻域像素点后，选取与8邻域相邻的像素点继续进行8邻域像素点计算灰度方差，重复以上步骤。直到完成整个工作区域图像中所有像素点判断为止。将邻域灰度方差相同的噪声像素点划分为一片区域，最终，得到多个划分区域。
23.图像的二维图像熵表征图像灰度分布的聚集特性。本实施例利用图像的二维图像熵对划分后的各区域图像进行验证，验证相同噪声强度区域的划分效果。二维图像熵的结果越小，表明划分的效果越好，当前划分后的区域中像素点之间的灰度值相似性越高。本实施例采用如下公式计算划分后各区域噪声图像的二维图像熵：施例采用如下公式计算划分后各区域噪声图像的二维图像熵：其中，为图像的二维图像熵，为中心像素点灰度值和邻域灰度均值组成的灰度二元组在划分后区域出现的概率，为图像区域的尺度，为灰度二元组在该区域出现的频数。本实施例设定图像熵阈值，当划分后的图像区域内图像熵值小于图像熵阈值时，则认为当前区域划分完毕；如果大于阈值，则通过调整方差系数，每次调整步长为0.02，也即，当前区域进行重新划分，得到k个区域的噪声图像。
24.步骤s3，计算各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数，根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数和边缘角点数，计算各区域对应的第一背景复杂度。
25.粉尘的存在会对图像的背景清晰程度造成影响，粉尘浓度越小，工作区域图像的背景越清晰，粉尘浓度越大，工作区域图像的背景越不清晰。粉尘浓度越小，rgb图像中三个通道的最小分量值越小。具体来说，本实施例将各区域对应的工作区域图像转换成rgb图像，获取rgb图像中各像素点对应的三个通道的分量值，根据各像素点对应的三个通道的分量值计算各像素点的颜色分量比，具体计算公式如下：
其中，为第个区域对应的工作区域图像的第个像素点的颜色分量比，为第个区域中第个像素点的rgb三通道均值系数，为第个像素点的红色通道分量值，为第个像素点的绿色通道分量值，为第个像素点的蓝色通道分量值。本实施例对所得颜色分量比进行归一化处理，使其取值为[0,1]。
[0026]
根据各区域对应的工作区域图像中各像素点对应的颜色分量比，计算各区域对应的工作区域图像的像素点颜色分量比的均值，将各区域对应的工作区域图像的像素点颜色分量比的均值作为对应区域对应的工作区域图像的颜色分量比。
[0027]
本实施例采用canny边缘检测算法获取工作区域图像的边缘数，采用sift角点检测算法获取工作区域图像的边缘角点数，采用如下公式计算各区域对应的工作区域图像的对比度：对比度：其中，为第个区域的对比度，为相邻像素间的灰度差，为相邻像素间的灰度差为的像素分布概率。
[0028]
本实施例根据各区域对应的工作区域图像的颜色分量比、对比度、边缘数、边缘角点数，采用如下公式计算各区域对应的第一背景复杂度：其中，为第个区域的第一背景复杂度，为第个区域的颜色分量比，为第个区域的对比度，为第个区域的边缘数，为第个区域的边缘角点数，为颜色分量比的权重，为对比度的权重，边缘数的权重，为边缘角点数的权重。本实施例设定，，，，在具体应用中，的取值根据实际需要进行设定。
[0029]
步骤s4，计算各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数；根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数和边缘角点数，计算各区域对应的第二背景复杂度。
[0030]
本实施例将各区域对应的去噪后图像转换成rgb图像，获取rgb图像中三个通道的分量值，根据rgb图像中三个通道的分量值，采用步骤s3的方法，计算各区域对应的去噪后图像的颜色分量比。
[0031]
同样地，采用步骤s3的方法，计算各区域对应的去噪后图像的对比度、边缘数和边缘角点数；根据各区域对应的去噪后图像的颜色分量比、对比度、边缘数、边缘角点数，计算各区域对应的第二背景复杂度。
[0032]
步骤s5，根据各区域对应的第一背景复杂度和第二背景复杂度，计算各区域对应的背景复杂度差值，根据所述各区域对应的背景复杂度差值，得到工作区域的粉尘浓度。
[0033]
第一背景复杂度反映含噪图像的分布情况，第二背景复杂度反映去噪后图像的分
布情况，第一背景复杂度与第二背景复杂度的差值反映工作区域的噪声分布情况，差值越大，该区域的噪声强度越大。因此本实施例将各区域对应的第一背景复杂度与第二背景复杂度做差，得到各区域背景复杂度的差值。
[0034]
噪声强度反映工作区域的粉尘浓度，噪声强度越强，对整个工作区域的粉尘浓度的影响程度越大；且某一区域所占的面积越大，该区域的噪声强度越能反映整个工作区域的噪声图像。本实施例将各区域的面积占比作为该区域的权重，利用划分后各区域的面积与对应的背景复杂度差值进行加权求和，得到整个工作区域的噪声强度评估值，具体计算公式如下：公式如下：其中，为划分后的任一区域，k∈k，为第个区域的权重，为第个区域对应的背景复杂度差值，为工作区域的总面积，为第个区域的面积，为工作区域的噪声强度；本实施例利用噪声强度来表征工作区域的粉尘浓度，将噪声强度和粉尘浓度进行模拟数据拟合，得到粉尘浓度与噪声强度之间的函数关系，根据粉尘浓度与噪声强度之间的函数关系，计算工作区域的粉尘浓度。
[0035]
本实施例利用噪声强度表征工作区域的粉尘浓度，噪声强度与粉尘浓度成正比关系，噪声强度越大，表明工作区域的粉尘浓度越大。本实施例将工作区域的噪声图像划分为多个区域，使工作区域噪声强度相近的像素点位于同一区域内，通过背景复杂度对划分区域进行评估，利用了各区域的背景复杂度，计算工作区域的噪声强度，根据噪声强度得到整个工作区域的粉尘浓度。本实施例利用图像识别技术实现了对环境粉尘浓度的检测，有效提高了计算结果的准确性，解决了现有技术不能准确得到整个工作区域的粉尘浓度的问题。
[0036]
基于计算机图像识别的环境粉尘浓度检测系统实施例本实施例基于计算机图像识别的环境粉尘浓度检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于计算机图像识别的环境粉尘浓度检测方法。
[0037]
由于基于计算机图像识别的环境粉尘浓度检测方法已经在基于计算机图像识别的环境粉尘浓度检测方法实施例中进行了说明，所以本实施例不再对基于计算机图像识别的环境粉尘浓度检测方法进行赘述。
[0038]
需要说明的是：以上所述仅为本发明的较佳实施例，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。