[发明专利]一种柴油车黑烟图像识别方法、系统及存储介质

说明书

本发明的一种柴油车黑烟图像识别方法、系统及存储介质，包括获取柴油车黑烟视频，输入事先训练好的黑烟图像识别模型中，进行测试得到动态的黑烟分割视频，并识别出黑烟团；黑烟图像识别模型训练步骤包括：样本构建：数据为红绿灯路口监控拍摄柴油车启动的视频，记录到排放出的黑色空气污染物，视频分为若干帧数；网络构建：通过在每k帧中，第c*k帧是当前待处理的帧，在[(c‑1)*k,c*k)帧中随机选取2帧来考虑与当前帧的上下文联系，即将系统结构分成前2帧关联信息信息提取模块即CEM和当前帧分割模块CFSM。本发明基于一种语义分割的深度学习方法，不仅可以检测出是否有黑烟，而且可以实时智能的描绘出排放黑烟的大小形状，有利于评估车辆的污染程度。

技术领域

本发明涉及柴油车尾气智能分割技术领域，具体涉及一种柴油车黑烟图像识别方法、系统及存储介质。

背景技术

柴油车所排放的黑烟废气中含有约两百种不同的化合物，是造成细颗粒物、光化学烟雾污染的主要原因之一。综合考虑柴油车行驶里程和排放系数，一辆无法达到国三排放标准或更低排放标准的柴油车的氮氧化物和细颗粒物排放量，相当于两百多辆国四排放标准小轿车排放量之和。针对城市道路机动车保有量迅速增加、尾气污染日益凸显、管控压力不断加大的现状，急需一种准确率高成本合适的尾气检测系统传统方法。

之前已开展的绝大多数黑烟检测研究工作都是针对森林火灾或者工厂烟囱排放烟雾的高空视角，其应用场景中的运动干扰物较少，背景相对固定，使之难以成为适用于各种场景的通用烟雾检测方法。而本发明所涉及的自然条件下的交通道口监控摄像机工作场景，其中存在光照变化频繁剧烈，路面颜色灰暗，水渍污渍遍布，道路旁杂物较多，车辆间存在相互遮挡，烟羽轮廓面积多变等问题。传统烟雾检测算法所使用的基于经验阈值和实验统计阈值的人工特征提取方法，如人工设计建模烟雾的颜色特征、频域特征、纹理特征等，难以胜任如此复杂场景下的检测任务。

目前机器学习算法的所有计算任务都只能部署在CPU上进行，实时性很差，难以根据具体的应用场景进行特定优化以及支持GPU并行计算加速。考虑深度学习方法可以在GPU上并行运算，并且可以得到更高的精度。

发明内容

本发明提出的一种柴油车黑烟图像识别方法、系统及存储介质，利用深度学习中非常成熟的语义分割技术，构建柴油车尾气智能分割系统，可解决上述技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种柴油车黑烟图像识别方法，包括以下步骤，

获取柴油车黑烟视频，输入事先训练好的黑烟图像识别模型中，进行测试得到动态的黑烟分割视频，并识别出黑烟团；

所述黑烟图像识别模型训练步骤包括：

样本构建：数据为红绿灯路口监控拍摄柴油车启动的视频，记录到排放出的黑色空气污染物，视频分为若干帧数；

网络构建：通过在每k帧中，第c*k帧是当前待处理的帧，在[(c-1)*k，c*k)]帧中随机选取2帧来考虑与当前帧的上下文联系，即将系统结构分成了两大部分：前2帧关联信息信息提取模块即CEM和当前帧分割模块CFSM。

进一步的，网络构建具体包括改进的resnet18、U-Net、卷积块、softmax层和深度监督结构；

将随机选取的三个相关帧输入到改进resnet18中去，在此基础上去掉了池化层、全连接层以及softmax层，将conv1、conv2_x、conv3_x、conv4_x和conv5_x最后一层卷积层修改为3×3的空洞卷积，除此以外所有的卷积核大小均为3×3，同时通道数逐渐从64、128、256到512；将其输入到并列的卷积通道中去，每个通道包含了一个1×1和3×3的卷积块，卷积块的具体网络结构包括卷积核为1×1和3×3的卷积层，在每个卷积层后包括了BatchNormalization和relu激活函数层，relu函数公式如下：