CN119313638A - 图形识别与红外热成像混合算法的空间粉尘浓度检测方法 - Google Patents

Abstract

本发明涉及一种图形识别与红外热成像混合算法的空间粉尘浓度检测方法，属于粉尘浓度检测领域。该方法包括以下步骤：在光学图像粉尘浓度识别方法的基础上，引入红外热成像，利用红外热成像分离识别背景与粉尘颗粒的分布，在光学图像上区分和识别水雾，实现在喷雾或高雾气环境中全区域粉尘浓度检测；针对现有图像粉尘浓度识别无法有效区分水雾和粉尘的缺点，引入红外热成像技术，结合分离算法，在喷雾环境中实现全空间的粉尘浓度检测。

Description

图形识别与红外热成像混合算法的空间粉尘浓度检测方法

技术领域

本发明属于粉尘浓度检测领域，涉及一种图形识别与红外热成像混合算法的空间粉尘浓度检测方法。

背景技术

目前，矿山数量多、粉尘危害严重，尘肺病高发。同时矿山井下产尘点多且分散，目前对于粉尘浓度的检测都是对单一的点的检测，在地面环境中基于图像识别技术的粉尘浓度检测也处于起步研究阶段。

针对图像粉尘浓度识别技术对环境中水分影响的问题，现有的技术确实存在一些局限性，特别是在高含水环境，如煤矿井下，以及在喷雾降尘区域，这种影响更为明显。

现有的粉尘浓度识别技术主要基于光学图像，这种方式的优点是设备简单，测量速度快，但对于环境中的水分，特别是在高含水环境下，可能会因为图像反射率的改变，导致粉尘与水分的区分困难。

为了解决这个问题，研究者们尝试使用更复杂的图像处理技术和机器学习算法，比如基于图像透光率的粉尘浓度测量算法。这种技术通过分析图像的透光率特征，结合图像的其他信息，比如颜色、亮度等，来区分粉尘和水分。尽管这种技术在一定程度上解决了问题，但在某些特定的环境和条件下，如高含水环境，可能还需要进一步的研究和改进。

此外，还有研究者尝试使用更先进的图像识别技术，如深度学习，来区分粉尘和水分8。这种技术能够更好地理解和解析图像中的复杂模式和结构，可能在未来提供一种更有效的方法来区分粉尘和水分。

总的来说，现有的图像粉尘浓度识别技术在处理高含水环境和喷雾降尘区域的粉尘时存在一定的挑战，但研究者们正在探索和开发更好的方法，以提高粉尘识别的准确性和可靠性。

现有的图像粉尘浓度识别技术基本只考虑基于光学图像本身的粉尘浓度测量，这种方式难以有效的区别环境中水对粉尘浓度的干扰，而煤矿井下又是高含水环境，尤其在进行喷雾降尘的区域，单一的光学图像并不能区分喷雾与颗粒物。

发明内容

有鉴于此，本发明的目的在于提供一种图形识别与红外热成像混合算法的空间粉尘浓度检测方法。红外热成像结合光学成像的对比可以有效的将环境中的水雾去除，再结合光学成像对总粉尘浓度的测量，实现快速的全空间的粉尘浓度检测。此技术尤其适合在井下工作面有喷雾降尘的高水雾环境，有效去除水雾对图像识别技术的影响。

为达到上述目的，本发明提供如下技术方案：

图形识别与红外热成像混合算法的空间粉尘浓度检测方法，该方法包括以下步骤：

在光学图像粉尘浓度识别方法的基础上，引入红外热成像，利用红外热成像分离识别背景与粉尘颗粒的分布，在光学图像上区分和识别水雾，实现在喷雾或高雾气环境中全区域粉尘浓度检测；

所述光学图像粉尘浓度识别方法具体为：

设对于空间中任意一点x点，光学图像RGB值和对应的坐标为矩阵公式I(x)，红外热成像为R(x)，在无粉尘和水雾的干净环境下，背景图像为J(x)，求解粉尘浓度值C；

通过学习训练获得的红外热成像的水雾识别算法，F[J(x),R(x)]＝r，获得的雾粒对图像的透光率影响因素值，根据原有光学图像粉尘浓度识别算法所求解出的环境光影响表达式为A(x)，那么对应x点的粉尘图像透光率值为c(x)通过如下公式(1)求解：

I(x)＝J(x)*[1-c(x)-r]+A(c(x)+r)(1)

由原有粉尘浓度与图像透光率之间的对应关系，求解出粉尘浓度值C；

所述利用红外热成像分离识别背景与粉尘颗粒的分布具体为：

在粉尘浓度检测中，红外热成像技术利用粉尘颗粒的热辐射特性，将粉尘颗粒的热辐射强度与背景环境进行区分，实现粉尘颗粒的识别和定位；然后，通过对粉尘热辐射强度的分析，得到粉尘的浓度信息。

可选的，所述红外热成像技术是通过红外热成像设备采集粉尘颗粒的热辐射信息，将其转换为供人类视觉分辨的图像和图形；通过分析粉尘的热辐射特性，推断出其物理化学性质，实现粉尘浓度的检测。

可选的，所述热辐射信息包括粉尘颗粒的热辐射特性、粉尘颗粒的热辐射强度和粉尘颗粒的辐射温度；

所述粉尘颗粒的热辐射特性体现在其热辐射强度和辐射温度上；

所述粉尘颗粒的热辐射强度与其粒径、形状和物性有关；

所述粉尘颗粒的辐射温度与其粒径大小、形状和物性有关。

可选的，所述空间粉尘浓度检测方法应用在喷雾或高雾气环境。

本发明的有益效果在于：针对现有图像粉尘浓度识别无法有效区分水雾和粉尘的缺点，引入红外热成像技术，结合分离算法，在喷雾环境中实现全空间的粉尘浓度检测。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明流程图。

具体实施方式

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，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。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

请参阅图1，为图形识别与红外热成像混合算法的空间粉尘浓度检测方法。

在光学图像粉尘浓度识别的方法的基础上，引入红外热成像，设计算法利用红外热成像分离识别背景与粉尘颗粒的分布，从而在光学图像上区分和识别水雾，达到在喷雾或高雾气环境中全区域粉尘浓度检测的目的。

(1)光学图像粉尘浓度识别的方法

设对于空间中任意一点x点，光学图像RGB值和对应的坐标为矩阵公式I(x)，红外热成像为R(x)，在无粉尘和水雾的干净环境下，背景图像为J(x)，求解粉尘浓度值C；

通过学习训练获得的红外热成像的水雾识别算法，F[J(x),R(x)]＝r，获得的雾粒对图像的透光率影响因素值，根据原有光学图像粉尘浓度识别算法所求解出的环境光影响表达式为A(x)，那么对应x点的粉尘图像透光率值为c(x)通过如下公式(1)求解：

I(x)＝J(x)*[1-c(x)-r]+A(c(x)+r)(1)

再由原有粉尘浓度与图像透光率之间的对应关系，求解出粉尘浓度值C。

本算法最主要创新点在于F[J(x),R(x)]＝r的机器学习和过程，以及公式(1)在原有光学图像粉尘浓度识别算法公式基础上，针对水雾与粉尘颗粒一个是光的折射，一个是光的漫反射和遮挡所进行的调整、学习。

光学图像粉尘浓度识别主要基于图像处理技术，一种常见的方法是基于图像透光率的粉尘浓度测量算法。这种算法通过提取粉尘图像的透光率特征，并结合图像饱和度与亮度信息对粉尘图像透光率值进行计算，最终建立粉尘浓度与图像透光率之间的映射关系，实现粉尘浓度的高效率、高精度测量。

具体来说，该算法首先通过搭建粉尘浓度视觉测量实验平台，采集粉尘图像，再提取粉尘图像的透光率特征。然后，以暗通道理论为基础，结合图像饱和度与亮度信息对粉尘图像透光率值进行计算。最后，采用多项式拟合的方式建立了粉尘浓度与图像透光率之间的映射关系，从而实现粉尘浓度的高效率、高精度测量。

研究结果表明，该算法不仅能有效地测量出粉尘浓度，其平均相对误差仅为7.77％，精确度得到有效提高，测量范围更大。这种基于图像透光率的粉尘浓度识别方法，已经在实际应用中得到了广泛的应用，如用于实时在线监测颗粒物料在装卸和运输过程中所产生粉尘的浓度等。

(2)红外热成像在粉尘浓度检测中的应用

红外热成像技术是一种通过红外探测器接收被测目标的红外辐射能量，然后将其反映到红外探测器的光敏元件上，获得红外热像图，并以不同颜色显示物体表面温度分布状况的技术。

在粉尘浓度检测中，红外热成像技术可以利用粉尘颗粒的热辐射特性，将粉尘颗粒的热辐射强度与背景环境进行区分，从而实现粉尘颗粒的识别和定位。然后，通过对粉尘热辐射强度的分析，可以得到粉尘的浓度信息。

红外热成像技术确实可以利用粉尘颗粒的热辐射特性进行粉尘浓度检测。这种技术的基本原理是，通过红外热成像设备采集粉尘颗粒的热辐射信息，并将其转换为可供人类视觉分辨的图像和图形。由于粉尘颗粒的热辐射特性会受到其物理化学性质、粒径大小、形状等因素的影响，因此，通过分析粉尘的热辐射特性，可以推断出其物理化学性质，从而实现粉尘浓度的检测。

具体来说，粉尘颗粒的热辐射特性主要体现在其热辐射强度和辐射温度上。粉尘颗粒的热辐射强度与其粒径、形状、物性等因素有关，而其辐射温度则与其粒径大小、形状以及物性等因素有关。在实际检测中，红外热成像设备可以精确地获取粉尘颗粒的热辐射强度和辐射温度信息，并通过数据处理和分析，得到粉尘的物理化学性质，进而推算出粉尘的浓度。

此外，红外热成像技术在粉尘浓度检测中的应用也具有非接触、无干扰、响应速度快、测量精度高等优点。在一些特殊环境下，如高温、粉尘浓度高的环境，红外热成像技术也能得到有效应用，并为粉尘浓度检测提供了新的可能性

具体来说，当粉尘颗粒的温度高于背景环境时，红外热成像技术可以将粉尘颗粒的热辐射强度“点亮”，并在热像图上显示出来，通过对比粉尘热像图与背景热像图的差异，可以得到粉尘颗粒的热辐射强度，并进一步转化为粉尘浓度。

实施方式一

光学图像粉尘浓度识别方法：

设定空间中某点x，光学图像RGB值为[255,150,100]，对应坐标为(10,20)。

红外热成像设备获取该点温度为25℃。

无粉尘和水雾环境下，背景图像RGB值为[250,140,90]。

经过训练的红外热成像水雾识别算法输出雾粒对图像透光率影响因素值为0.1。

根据公式(1)计算x点粉尘图像透光率值：

环境光影响表达式：A(x)＝(255-250)/255＝0.02

粉尘图像透光率值：T(x)＝0.9*0.9*(1-0.02)*(1-0.1)＝0.78

根据已建立的粉尘浓度与图像透光率之间的映射关系，求得x点粉尘浓度为5mg/m³。

红外热成像：

红外热成像设备获取该点温度为25℃，背景环境温度为20℃。

由于粉尘颗粒温度高于背景环境，红外热像图上该点呈现明显高温区域。

结合光学图像分析，确认该高温区域为粉尘颗粒，而非水雾或背景。

在实际应用中，这种方法可以实现在高粉尘浓度环境下，如喷雾或高雾气环境，对全区域进行粉尘浓度检测，从而为粉尘治理和安全生产提供重要的数据支持。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.图形识别与红外热成像混合算法的空间粉尘浓度检测方法，其特征在于：该方法包括以下步骤：

在光学图像粉尘浓度识别方法的基础上，引入红外热成像，利用红外热成像分离识别背景与粉尘颗粒的分布，在光学图像上区分和识别水雾，实现在喷雾或高雾气环境中全区域粉尘浓度检测；

所述光学图像粉尘浓度识别方法具体为：

设对于空间中任意一点x点，光学图像RGB值和对应的坐标为矩阵公式I(x)，红外热成像为R(x)，在无粉尘和水雾的干净环境下，背景图像为J(x)，求解粉尘浓度值C；

通过学习训练获得的红外热成像的水雾识别算法，F[J(x)，R(x)]＝r，获得的雾粒对图像的透光率影响因素值，根据原有光学图像粉尘浓度识别算法所求解出的环境光影响表达式为A(x)，那么对应x点的粉尘图像透光率值为c(x)通过如下公式(1)求解：

I(x)＝J(x)*[1-c(x)-r]+A(c(x)+r) (1)

由原有粉尘浓度与图像透光率之间的对应关系，求解出粉尘浓度值C；

所述利用红外热成像分离识别背景与粉尘颗粒的分布具体为：

在粉尘浓度检测中，红外热成像技术利用粉尘颗粒的热辐射特性，将粉尘颗粒的热辐射强度与背景环境进行区分，实现粉尘颗粒的识别和定位；然后，通过对粉尘热辐射强度的分析，得到粉尘的浓度信息。

2.根据权利要求1所述的图形识别与红外热成像混合算法的空间粉尘浓度检测方法，其特征在于：所述红外热成像技术是通过红外热成像设备采集粉尘颗粒的热辐射信息，将其转换为供人类视觉分辨的图像和图形；通过分析粉尘的热辐射特性，推断出其物理化学性质，实现粉尘浓度的检测。

3.根据权利要求1所述的图形识别与红外热成像混合算法的空间粉尘浓度检测方法，其特征在于：所述热辐射信息包括粉尘颗粒的热辐射特性、粉尘颗粒的热辐射强度和粉尘颗粒的辐射温度；

所述粉尘颗粒的热辐射特性体现在其热辐射强度和辐射温度上；

所述粉尘颗粒的热辐射强度与其粒径、形状和物性有关；

所述粉尘颗粒的辐射温度与其粒径大小、形状和物性有关。

4.根据权利要求3所述的图形识别与红外热成像混合算法的空间粉尘浓度检测方法，其特征在于：所述空间粉尘浓度检测方法应用在喷雾或高雾气环境。