[發明專利]一種基于深度學習的單一有害氣體紅外圖像分類識別方法

有效

• 申請號: 201710903647.9
• 申請日: 2017-09-29
• 公開（公告）號: CN107545281B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 王效靈;林云;楊佐丞;宋艷玲;張偉;余長宏
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 杭州奧創知識產權代理有限公司 33272
• 代理人: 王佳健

本發明涉及一種基于卷積神經網絡的紅外有害氣體濃度檢測的分類和識別方法。本發明首先采集已知濃度的有害氣體紅外圖像樣本，對采集到的原始圖像進行灰度化，線性轉化等預處理，然后將這些帶標簽的圖像樣本作為訓練集輸入卷積神經網絡，當損失值高于閥值時，利用梯度下降法調節網絡參數，當損失值低于閥值時保存網絡參數。然后對未知濃度的紅外有害氣體圖像進行相同的預處理，將這些處理后的未帶標簽的樣本輸入之前保存的卷積網絡識別其氣體的濃度。本發明能比人工特征提取得到更多更具代表性的圖像信息，從而提高分類效果。

技術領域

本發明屬于紅外圖像處理技術領域，涉及一種基于深度學習的紅外有害氣體分類識別方法。

背景技術

隨著經濟地不斷發展，大氣污染問題顯得日益嚴重。為了盡早的發現有害氣體的排放和及時實施針對性的急救措施，需要正確的了解排放或泄露氣體的種類和濃度，這有這樣才能盡快盡早地采取針對性的有效措施。

近年來利用紅外氣體成像技術檢測氣體污染取得了不錯的效果。污染氣體的紅外圖像處理技術也日趨成熟。同時近兩年深度學習在普通圖像的分類識別的技術領域取得突破性的進展，以ImageNet競賽的圖像分類為例，傳統的計算機視覺方法最好的錯誤率是26.172％，而深度學習的方法，利用卷積神經網絡能將錯誤率能減小到3.57％。由此，相較于傳統的氣體分類器往往是bp神經網絡分類，決策樹分類，svm分類手段，卷積神經網絡作為圖像的分類存在更好的分類識別效果的可能。因此利用深度學習的方法對有害氣體分類可行的。

發明內容

為了實現對不同濃度的單一有害氣體的分類，本發明提出一種基于深度學習的單一氣體分類識別方法，該方法利用大量已知濃度的單一氣體紅外圖像訓練卷積神經網絡，利用訓練好的網絡實現對該氣體未知濃度的紅外圖像進行分類識別。

本發明解決技術問題所采取的技術方案是：

本發明包含以下步驟：

步驟(1).實驗室完成配氣，對不同濃度的有害氣體在特定波長的紅外光譜下拍攝大量紅外圖像并對圖像加注標簽。

步驟(2).對上述紅外圖像進行預處理。

步驟(3).將訓練集數據輸入卷積神經網絡中，訓練網絡參數，提取每幅圖像的特征向量。

步驟(4).計算提取到的特征向量與標簽向量的交叉熵，得到損失值，并與閥值作比較，大于閥值重復步驟(3),小于等于閥值則保存當前網絡參數。

步驟(5).利用紅外相機拍攝未知濃度的該氣體紅外圖像，對該圖像進行步驟(2)的預處理，輸入步驟(4)保存的卷積神經網絡中完成對該氣體濃度的識別。

進一步，所述步驟(2)圖像預處理部分包括14bit原始圖像轉化為8bit無符號整型圖像和圖像轉化為128*128的灰度圖。

由于計算機顯示只能顯示8bit圖像，而原始紅外圖像是14bit圖像所以需要先轉化為8bit圖像。

X(i,j)＝(X(i,j)-min(X))/(max(X)-min(X))*255 (1)

上式中X表示單個14bit原始圖像樣本,X(i,j)表示14bit圖像X中第i行第j列像素值，max(X),min(X)分別表示該圖像樣本中像素的最大值和最小值，這是個線性轉化過程，轉換過后，X的像素為float型數據，然后再把float型轉化為uint8型數據，之后將原尺寸大小的圖像轉化為統一輸入格式的128*128單通道灰度圖像。

輸入數據為batch_size＝n個圖像樣本,代表第i個訓練樣本，為輸入數據，為第i個樣本的標簽，然后將作為輸入，輸入卷積神經網絡，輸出

步驟(4)所述的卷積神經網絡由卷積層，池化層，全連層以及最后的分類器組成，卷積神經網絡結構如下：