一种基于图像识别的机动车尾气检测方法
【技术领域】
[0001]本发明涉及环境检测技术领域，特别是涉及一种基于图像识别的机动车尾气检测方法。
【背景技术】
[0002]随着社会经济的快速发展与人民生活水平的提高，机动车的数量逐年增加，机动车尾气对城市大气环境的负面影响也越来越大，主要表现有引发人类呼吸系统疾病，地表臭氧含量过高，城市热岛效应加重以及生产光化学烟雾等。因此，对机动车尾气污染物浓度进行检测的重要性日趋显现。
[0003]目前，国内外对机动车尾气检测的最常用方法有:无负荷测试方法(包括怠速法、怠速/高怠速法、双怠速法和自由加速测试法)、稳态测试方法、瞬态测试方法和远距离遥感检测方法。
[0004]前三种方法都是在特定地点进行，并且检测时间过长，对于快速筛选城市高污染排放车辆先得无能为力。远距离遥感检测方法利用红外激光技术和非分散红外分析法(Non-Dispersive Infra-Red, NDIR)技术，可以在道路上完成机动车尾气污染成分的快速检测。该方法的基本原理是在道路两边分别放置光源发射器和接收器，或将发射器与接收器放在道路的同一侧，光反射器在道路的另一侧，然后将检测光束穿过排放的尾气气团，然后对通过检测光束的车辆进行尾气排放测量，并将测量结果与同步摄像记录的车辆牌照号相对应，因此来准确获取该机动车的尾气污染物浓度。
[0005]但是现有技术中采用远距离遥感检测方法来进行汽车尾气检测的方法，大多是检测某种车型或者某个区域的汽车尾气排放量，而在实际使用过程中，对于大面积大领域的机动车尾气排放量的测量，由于设备布局的限制，以及各检测结点可能发生的设备故障等因素，导致整个测试的失败。
【发明内容】
[0006]为了解决上述技术问题，本发明所要解决的技术问题是提供一种全新的基于图像识别的机动车尾气检测方法，利用图像识别技术结合现有的卫星云图技术，对待测区域的汽车尾气云团进行列划分，然后通过进行逐行逐列扫描进行灰度值转换，并通过BP神经网络训练，最终获得大面积区域的各小区块的尾气排放量值。
[0007]本发明所采用的技术方案是，一种基于图像识别的机动车尾气检测方法，包括以下步骤:
步骤1:拍摄待测区域的卫星云图，所述卫星云图包括待测区域的尾气晕染图像，
步骤2:对尾气晕染图像进行灰度化处理，生成灰度化图像，
步骤3:对灰度化图像进行列划分，依据像素大小划分为η个待测单元格，
步骤4:对η个待测单元格的灰度值范围进行归一化处理，获得各待测单元格的灰度值特征值， 步骤5:根据η个待测单元格的灰度值特征值构造ΒΡ神经网络模型，并对ΒΡ神经网络进行网络训练，
步骤6:把训练完成的η各待测单元格的灰度值特征值输入ΒΡ神经网络进行识别，并与汽车尾气晕染图像数据库进行对比，完成最终尾气污染值的识别。
[0008]进一步的，每一待测单元格的像素大小为mXw，所述m的范围为150_200kb，所述w的范围为250-300kb。
[0009]进一步的，所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。
[0010]进一步的，对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算，计算公式如下:U，j) =0.AQRU, j) +0.A&GU, j) +0.UBU, j))。
[0011]进一步的，步骤3中，对尾气晕染图像采用水平投影和垂直投影相结合的进行划分，先通过水平投影，通过由下向上扫描，划分出η行，再通过垂直投影，通过由左向右扫描划分出η列，最终形成η个待测单元格。
[0012]进一步的，步骤6具体包括以下步骤:
步骤61:根据输入向量的元素量确定输入层的神经元数量；
步骤62:根据输入层和输出层的神经元数量确定ΒΡ神经网络中间层神经元数量，其中，ΒΡ神经网络中间层的神经元传递函数采用S型正切函数；
步骤63:根据输出向量的元素量确定输出层的神经元数量，其中，输出层神经元传递函数采用S型对数函数。
[0013]本发明通过采用上述技术方案，与现有技术相比，具有如下优点:
本发明利用图像识别技术结合现有的卫星云图技术，对待测区域的汽车尾气云团进行列划分，然后通过进行逐行逐列扫描进行灰度值转换，并通过ΒΡ神经网络训练，最终获得大面积区域的各小区块的尾气排放量值。
【具体实施方式】
[0014]作为一个具体的实施例，一种基于图像识别的机动车尾气检测方法，包括以下步骤:
步骤1:拍摄待测区域的卫星云图，所述卫星云图包括待测区域的尾气晕染图像，所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。
[0015]步骤2:对尾气晕染图像进行灰度化处理，生成灰度化图像，对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算，计算公式如下:U，J) =0.AQR{i, J) +0.A&G{i,J)+0.UBU,j)) ο
[0016]步骤3:对灰度化图像进行列划分，依据像素大小划分为η个待测单元格，每一待测单元格的像素大小为mXw，所述m的范围为150-200kb，所述w的范围为250_300kb。对尾气晕染图像采用水平投影和垂直投影相结合的进行划分，先通过水平投影，通过由下向上扫描，划分出η行，再通过垂直投影，通过由左向右扫描划分出η列，最终形成η个待测单元格。
[0017]步骤4:对η个待测单元格的灰度值范围进行归一化处理，获得各待测单元格的灰度值特征值，
步骤5:根据η个待测单元格的灰度值特征值构造ΒΡ神经网络模型，并对ΒΡ神经网络进行网络训练，
步骤6:把训练完成的η各待测单元格的灰度值特征值输入ΒΡ神经网络进行识别，并与汽车尾气晕染图像数据库进行对比，完成最终尾气污染值的识别。
[0018]步骤6具体包括以下步骤:
步骤61:根据输入向量的元素量确定输入层的神经元数量；
步骤62:根据输入层和输出层的神经元数量确定ΒΡ神经网络中间层神经元数量，其中，ΒΡ神经网络中间层的神经元传递函数采用S型正切函数；
步骤63:根据输出向量的元素量确定输出层的神经元数量，其中，输出层神经元传递函数采用S型对数函数。
[0019]尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
【主权项】
1.一种基于图像识别的机动车尾气检测方法，其特征在于:包括以下步骤: 步骤1:拍摄待测区域的卫星云图，所述卫星云图包括待测区域的尾气晕染图像， 步骤2:对尾气晕染图像进行灰度化处理，生成灰度化图像， 步骤3:对灰度化图像进行列划分，依据像素大小划分为η个待测单元格， 步骤4:对η个待测单元格的灰度值范围进行归一化处理，获得各待测单元格的灰度值特征值， 步骤5:根据η个待测单元格的灰度值特征值构造ΒΡ神经网络模型，并对ΒΡ神经网络进行网络训练， 步骤6:把训练完成的η各待测单元格的灰度值特征值输入ΒΡ神经网络进行识别，并与汽车尾气晕染图像数据库进行对比，完成最终尾气污染值的识别。2.根据权利要求1一种基于图像识别的机动车尾气检测方法，其特征在于:每一待测单元格的像素大小为mXw，所述m的范围为150-200kb，所述w的范围为250_300kb。3.根据权利要求1一种基于图像识别的机动车尾气检测方法，其特征在于:所述卫星云图通过设置在待测区域上方的极地轨道气象卫星拍摄。4.根据权利要求1一种基于图像识别的机动车尾气检测方法，其特征在于:对尾气晕染图像的RGB三分量采用加权平均法进行灰度值计算，计算公式如下:U, 7)=0.40^(i； j) +0.A&GU,j)+Q.UBU,j)) ο5.根据权利要求1一种基于图像识别的机动车尾气检测方法，其特征在于:步骤3中，对尾气晕染图像采用水平投影和垂直投影相结合的进行划分，先通过水平投影，通过由下向上扫描，划分出η行，再通过垂直投影，通过由左向右扫描划分出η列，最终形成η个待测单元格。6.根据权利要求1一种基于图像识别的机动车尾气检测方法，其特征在于: 步骤6具体包括以下步骤: 步骤61:根据输入向量的元素量确定输入层的神经元数量； 步骤62:根据输入层和输出层的神经元数量确定ΒΡ神经网络中间层神经元数量，其中，ΒΡ神经网络中间层的神经元传递函数采用S型正切函数； 步骤63:根据输出向量的元素量确定输出层的神经元数量，其中，输出层神经元传递函数采用S型对数函数。
【专利摘要】本发明涉及环境检测技术领域，特别是涉及一种基于图像识别的机动车尾气检测方法。步骤1：拍摄待测区域的卫星云图，所述卫星云图包括待测区域的尾气晕染图像，步骤2：对尾气晕染图像进行灰度化处理，生成灰度化图像，步骤3：对灰度化图像进行行列划分，依据像素大小划分为n个待测单元格，步骤4：对n个待测单元格的灰度值范围进行归一化处理，获得各待测单元格的灰度值特征值，步骤5：根据n个待测单元格的灰度值特征值构造BP神经网络模型，并对BP神经网络进行网络训练，步骤6：把训练完成的n各待测单元格的灰度值特征值输入BP神经网络进行识别，并与汽车尾气晕染图像数据库进行对比，完成最终尾气污染值的识别。本发明能够准确测试大面积尾气。
【IPC分类】G01N21/00
【公开号】CN105424598
【申请号】CN201510807675
【发明人】巫立斌, 马秋平
【申请人】巫立斌
【公开日】2016年3月23日
【申请日】2015年11月19日