[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

说明书

一种矿井下监控图像的去粉尘降噪神经网络方法，包括数据图像处理、设计神经网络模型、选择损失函数与优化算法和模型训练，通过配置电脑环境最终的测试结果能够达到24FPS左右，可以满足矿井下监控图像实时处理的要求，且本模型文件也可以储存在开发板中，用于嵌入式平台，具有良好的移植性。本发明将矿井中采集到的有粉尘、清晰度低的图片经过处理获得去粉尘图片，以此来提高监测系统的监控质量，解决现有技术中存在的不足。

技术领域

本发明涉及人工智能技术领域，特别涉及一种矿井下监控图像的去粉尘降噪神经网络方法。

背景技术

矿井下监控设备主要用来检测矿井瓦斯浓度、湿度、温度等参数，以防止出现瓦斯浓度过高引起爆炸的情况。然而由于矿井下粉尘较多，环境复杂，使得监控设备获取的监控图像清晰度较低，传统的监控图像物理去粉尘方法包括保持设备干燥、改善主板电流等不适用于这种情况，无法对监控图像去粉尘降噪的问题进行有效处理。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种矿井下监控图像的去粉尘降噪神经网络方法，将矿井中采集到的有粉尘、清晰度低的图片经过处理获得去粉尘图片，以此来提高监测系统的监控质量，解决现有技术中存在的不足。

为了实现上述目的，本发明采用的技术方案是：

一种矿井下监控图像的去粉尘降噪神经网络方法，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。通过配置电脑环境最终的测试结果能够达到24FPS左右，可以满足矿井下监控图像实时处理的要求，且本模型文件也可以储存在开发板中，用于嵌入式平台，具有良好的移植性。

有益效果：