申请/专利权人：中国科学技术大学

申请日：2021-07-28

公开（公告）日：2024-04-02

公开（公告）号：CN113627499B

主分类号：G06V20/40

分类号：G06V20/40;G06V10/82;G06V10/774;G06V10/764;G06V10/80;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明的一种基于检查站柴油车尾气图像的烟度等级估算方法及设备，包括以下步骤：S1：将检查站收集视频划分子块，对每个子块进行采样，并依据得到的RGB帧划定残差帧；S2：对RGB图像和残差帧图像进行预处理；S3：构建时空交叉网络模型，利用训练数据集和验证数据集对模型进行训练，基于预设损失函数和优化器，微调优化整个网络，直至网络收敛，保存训练好的网络模型参数；S4：利用训练好的网络模型，对待检测图像进行等级预估。本发明首先对柴油车环保年检时排放的尾气图片进行特征提取，有效地将多余信息去除，并通过算法求出与车辆排放的尾气中烟雾浓度直接相关的量，更有针对性，有更高的可施行性。

主权项：1.一种基于检查站柴油车尾气图像的烟度等级估算方法，其特征在于：包括以下步骤：S1：将检查站收集视频划分子块，对每个子块进行采样，并依据得到的RGB帧划定残差帧；S2：对RGB图像和残差帧图像进行预处理；S3：构建时空交叉网络模型，利用训练数据集和验证数据集对模型进行训练，基于预设损失函数和优化器，微调优化整个网络，直至网络收敛，保存训练好的网络模型参数；S4：利用训练好的网络模型，对待检测图像进行等级预估；所述S1中将检查站收集视频划分子块，对每个子块进行帧采样，并依据得到的RGB帧划定残差帧的具体操作如下：S11：将监测视频划分为N个大小的子块，在每一个子块中抽取一个RGB帧，每一帧记为是图像通道数、时间长度、宽度和高度；S12：根据S11抽取的RGB帧，依据以下公式划分残差帧ResFrame： 其中为常系数，为防止残差帧大小溢出所设置像素值大小，，，是图像通道数、时间长度、宽度和高度；S13：将得到的图像按7：2：1的比例随机划分为训练集、验证集和测试集；所述S3中构建时空交叉网络模型，利用训练数据集和验证数据集对模型进行训练，基于预设损失函数和优化器，微调优化整个网络，直至网络收敛，保存训练好的网络模型参数的具体操作如下：S31：整个网络模型时域和空域结构一致，主体都采用SE-ResNeXt-50提取时空特征；其中网络结构包含4个卷积残差块{res1,res2,res3,res4}，他们的输出相对于输入帧的stride为{4,8,16,32}；中括号外为每个残差块的重复次数，在ResNeXt-50的基础上，在时域和空域的残差阶段选择res1、res2、res3的最后一层的输出恒等映射来构建双金字塔特征网络，促使时域和空域两个网络相互引导，res4输出的特征图融合用于最终的分类头预测；特征融合是空域特征和时域特征对应元素相加，具体操作描述为： 其中，；S32：整个网络架构具体包含一层7*7的卷积层conv1，一层3×3的池化层pool1，三个包含三层卷积层的卷积块res1，四个包含三层卷积层的卷积块res2，6个包含三层卷积层的卷积块res3，三个包含三层卷积层的卷积块res4，其中每个卷积块所包含的三层卷积层的卷积核大小均为1×1、3×3、和1×1,在模块堆叠后，加入特征融合层、自适应平均池化层和全连接层，其中特征融合层和自适应平均池化层的卷积核大小为1×1；S33：整个网络模型时域流部分以残差帧作为输入，空域部分以RGB帧作为输入，将训练集和验证集输入网络，选择Relu为激活函数，损失函数为交叉熵损失函数，批量大小设置为3，权重衰减设置为0.0005，动量设置为0.9，学习率为0.001，使用随机梯度下降来优化模型权重，待网络收敛，停止迭代，保存整个网络模型。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于检查站柴油车尾气图像的烟度等级估算方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD