[发明专利]一种矿井下监控图像的去粉尘降噪神经网络方法

权利要求书

1.一种矿井下监控图像的去粉尘降噪神经网络方法，其特征在于，包括以下步骤；

步骤1：数据图像处理，其中数据图像为常用的420线摄像头获取的图像像素为500×582、通道为RGB模式的图像，包括在矿井下不同位置的不同摄像头在有粉尘和无粉尘的环境下拍摄的图像，将同一位置的两个图像分为一组，再根据图像拍摄时的粉尘浓度，把总粉尘浓度大于10％的情况下获取的图片作为训练样本，而与之对应的同组总粉尘浓度低于10％的情况下获取的图片作为该样本的标签，训练图像的输入数据形状为1×3×500×582，其中1是训练数据的输出通道数，3是训练数据的输入通道数，500是图像在单个通道上的高度，582是图像在单个通道上的宽度；

步骤2：设计神经网络模型，神经网络模型包括三个由卷积层和池化层构成的神经网络模块，最后与1×1卷积层连接控制输出图片的通道数，卷积层和池化层按顺序依次排列，且除第一个卷积层外，其余每个卷积层还与上一层的池化层连接，最后一个池化层与1×1卷积层连接，所有池化层均为最大池化层，完整的神经网络模型为输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、1×1卷积层，所有的卷积层输出均先通过sigmoid函数变换后再输入池化层，最后输出的数据形状与原图像形状相同，均为1×3×500×582，将步骤一中的训练数据作为输入数据输入第一个VGG模块，并按序依次传输到之后的VGG模块，最后输入到1×1卷积层,每个VGG模块只改变数据的输出通道维，保持高度和宽度维不变，1×1卷积层则将图像数据输出通道维变成3，使其与RGB模式的图像保持一致；

步骤3：选择损失函数与优化算法，其中损失函数是将由神经网络输出的图片数据与其标签图像数据进行误差平方和计算，其计算公式为(L-S)²/B，其中L代表标签图像的数据矩阵，S代表训练样本图像的数据矩阵，B代表每次参与训练的样本数，公式中的平方及除法运算均为对元素运算,优化算法采用小批量随机梯度下降法，即每次随机取批量大小小于总样本数的训练样本，在一个迭代周期内对神经网络模型进行多次小批量随机梯度计算，再对模型参数减去学习率与小批量随机梯度的乘积，以此对神经网络模型进行优化,本发明采用的小批量训练样本数为256；

步骤4：模型训练，神经网络可以进行10000次迭代，经过训练可有效地更新模型参数，实现模型参数的收敛，训练完成后的模型文件存入电脑中，将摄像头反馈回来的图像输入模型文件。