申请/专利权人：中国石油化工股份有限公司;中石化安全工程研究院有限公司

申请日：2019-06-19

公开（公告）日：2024-06-11

公开（公告）号：CN112116526B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4046;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.05.07#专利申请权的转移;2021.01.08#实质审查的生效;2020.12.22#公开

摘要：本发明公开了基于深度卷积神经网络的火炬烟雾图像的超分辨率方法，该方法基于深度卷积神经网络的端到端的有监督学习。放空火炬是石油化工等产业中必不可少的安全保障设施。在典型的放空火炬系统中，燃烧不充分时产生的烟雾不仅会严重污染空气，而且会造成严重事故。针对放空火炬系统的烟雾图像分辨率低的问题，本发明设计了一个深度学习网络结构，并通过对烟雾图像进行端到端的学习低分辨率到高分辨率映射方式实现了烟雾图像的超分辨率恢复。通过实验对比，本方法针对烟雾区域的超分辨结果更优。本发明填补了针对放空火炬图像的烟雾区域图像的超分辨算法这一工程领域的空白，促进了放空火炬系统的安全环保燃烧。

主权项：1.一种火炬烟雾图像的超分辨率方法，其特征在于，利用深度卷积神经网络，基于端到端的学习来得到火炬烟雾图像低分辨率到高分辨率的映射关系，提高火炬烟雾图像的分辨率；包括以下步骤：步骤1：获得的火炬烟雾图像作为训练样本，对训练样本进行预处理；步骤2：搭建卷积神经网络模型；步骤3：设定网络的训练参数、损失函数和优化器；步骤4：利用训练样本对模型进行训练，通过设定性能评估函数，保留最优模型作为最后实际应用的模型；步骤2中，使用基于Tensorflow的Keras深度学习库搭建卷积神经网络模型；步骤1具体包括：步骤1.1：将烟雾图像通过裁剪得到内容全为烟雾的图像；步骤1.2：将裁剪后的图像转换为YCbCr色域，并只提取出Y通道得到训练所需的单通道图像；步骤1.3：设定超分辨上采样的倍数S，先通过Bicubic算法将图像下采样为原来的1S，再通过Bicubic算法上采样S倍得到，最终得到模型的输入I，原图为模型输出的参照图，设定为O；通过设定不同的S可以训练出不同的放大尺寸的模型；步骤1.4：对图像进行归一化处理；模型的设计原理分为以下四块：简单特征图的提取：第一层通过64个卷积核大小为3*3的滤波器提取大量简单特征；简单特征图的融合：第二层选取32个卷积核大小为1*1的滤波器将第一层提取出的64个简单特征图按图层进行融合得到32个综合的特征图；特征图的深度提取和融合：由三层卷积组成，分别是16个卷积核大小为3*3的滤波器层、16个卷积核大小为3*3的滤波器层、和8个卷积核大小为1*1的滤波器层；通过三层卷积的非线性映射，提高了网络对图像细节恢复的能力，并且进一步融合特征层数，减少网络参数；图像细节的复原和重建：由三层卷积组成，分别是8个卷积核大小为3*3的滤波器层、8个卷积核大小为3*3的滤波器层、和1个卷积核大小为5*5的滤波器层；其中前两层卷积通过非线性映射，进一步提取图像细节恢复所需要的特征，并且通过8个滤波器的设定进一步减少冗余信息，降低网络参数；最后，通过1个卷积核大小为5*5的滤波器层，将上一层得到的8层特征图进行非线性融合得到单通道的超分辨重建图像。

全文数据：

权利要求：

百度查询： 中国石油化工股份有限公司;中石化安全工程研究院有限公司 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法

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