一种基于超像素分割算法和合并算法的工地扬尘检测方法与流程

1.本发明涉及工地扬尘检测技术领域，尤其涉及一种基于超像素分割算法和合并算法的工地扬尘检测方法。


背景技术：

2.随着经济的飞速发展，城市发展日新月异，在城市飞速发展过程中，无可避免的出现了大量的建筑工地，数量庞大的建筑工地会释放大量的扬尘并释放到大气中，对建筑工地周围的环境造成恶劣的影响，最终形成严重的环境污染问题，而且在这些扬尘中，又含有大量对人体有害的物质，会给工作人员的健康造成影响，因此，需要实时对工地的扬尘进行检测，现有技术一般通过图像检测的方式实现工地的扬尘检测，然而，现有技术需要处理大量的无效图像信息，导致检测效率低和准确度低。


技术实现要素：

3.有鉴于此，本发明提出一种基于超像素分割算法和合并算法的工地扬尘检测方法，可以解决现有工地扬尘检测所存在的检测效率低和准确度低的缺陷。
4.本发明的技术方案是这样实现的：
5.一种基于超像素分割算法和合并算法的工地扬尘检测方法，具体包括以下步骤：
6.步骤s1，构建扬尘识别模型，所述扬尘识别模型的输入端为工地图像的特征值，输出端为工地扬尘识别结果；
7.步骤s2，实时采集工地图像，并采用超像素分割算法对工地图像进行分割，得到分割后的图像；
8.步骤s3，采用合并算法对分割后的图像进行合并，得到合并后的图像；
9.步骤s4，对合并后的图像进行特征提取，得到工地图像的特征值；
10.步骤s5，将工地图像的特征值输入扬尘识别模型进行识别，得到工地扬尘识别结果，从而实现工地的扬尘检测。
11.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述步骤s1具体包括以下步骤：
12.步骤s11，获取工地图像的特征值；
13.步骤s12，将工地图像特征值输入至神经网络模型中进行训练，得到扬尘识别模型。
14.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述神经网络模型采用bp神经网络模型。
15.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述bp神经网络模型包括输入层、隐含层和输出层。
16.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述超像素分割算法采用slic线性迭代聚类算法，所述步骤s2中利用超像素分割算法
对工地图像进行分割具体包括以下步骤：
17.步骤s21，对工地图像进行色彩模式转换，得到转换后的图像；
18.步骤s22，采用slic线性迭代聚类算法对转换后的图像进行分割，得到分割后的图像。
19.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述步骤s22具体包括以下步骤：
20.步骤s221，初始化聚类中心，将聚类中心设定在转换后的图像的最低梯度处；
21.步骤s222，应用slic线性迭代聚类算法，将聚类中心和与聚类中心相似的像素点进行关联；
22.步骤s223，设定关联范围，得到多个像素块，所述多个像素块为分割后的图像。
23.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述合并算法采用基于巴氏系数和纹理特征的合并算法。
24.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述步骤s3具体包括以下步骤：
25.步骤s31，计算相邻像素块概率分布的巴氏系数；
26.步骤s32，依据所述巴氏系数判断相邻像素块是否相似，若是，则执行步骤s33，否则，结束计算；
27.步骤s33，将相似的相邻像素块进行灰度纹理关联度的计算，若灰度纹理关联度达标，则将相邻像素块进行合并，否则相邻像素块不合并。
28.作为所述基于超像素分割算法和合并算法的工地扬尘检测方法的进一步可选方案，所述步骤s4中的对合并后的图像进行特征提取包括对合并后的图像进行色相特征提取、对合并后的图像进行饱和度特征提取和对合并后的图像进行亮度特征提取。
29.本发明的有益效果是：通过采用超像素分割算法对工地图像进行分割处理，能够有效去掉工地图像的冗余信息，从而大大降低处理的图像信息量，进而有效提高扬尘检测效率和准确度，此外，通过采用合并算法对分割后的图像进行合并，能够便于后续对图像的特征提取，从而使得获取的特征值更加准确，进一步有效提高扬尘检测效率和准确度。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明一种基于超像素分割算法和合并算法的工地扬尘检测方法的流程示意图。
具体实施方式
32.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范
围。
33.参考图1，一种基于超像素分割算法和合并算法的工地扬尘检测方法，具体包括以下步骤：
34.步骤s1，构建扬尘识别模型，所述扬尘识别模型的输入端为工地图像的特征值，输出端为工地扬尘识别结果；
35.步骤s2，实时采集工地图像，并采用超像素分割算法对工地图像进行分割，得到分割后的图像；
36.步骤s3，采用合并算法对分割后的图像进行合并，得到合并后的图像；
37.步骤s4，对合并后的图像进行特征提取，得到工地图像的特征值；
38.步骤s5，将工地图像的特征值输入扬尘识别模型进行识别，得到工地扬尘识别结果，从而实现工地的扬尘检测。
39.在本实施例中，通过采用超像素分割算法对工地图像进行分割处理，能够有效去掉工地图像的冗余信息，从而大大降低处理的图像信息量，进而有效提高扬尘检测效率和准确度，此外，通过采用合并算法对分割后的图像进行合并，能够便于后续对图像的特征提取，从而使得获取的特征值更加准确，进一步有效提高扬尘检测效率和准确度；需要说明的是，所述工地图像为rgb图像。
40.优选的，所述步骤s1具体包括以下步骤：
41.步骤s11，获取工地图像的特征值；
42.步骤s12，将工地图像特征值输入至神经网络模型中进行训练，得到扬尘识别模型。
43.优选的，所述神经网络模型采用bp神经网络模型。
44.优选的，所述bp神经网络模型包括输入层、隐含层和输出层。
45.在本实施例中，通过采用bp神经网络模型训练得到扬尘识别模型，能够进一步提高扬尘检测效率和准确度。
46.优选的，所述超像素分割算法采用slic线性迭代聚类算法，所述步骤s2中利用超像素分割算法对工地图像进行分割具体包括以下步骤：
47.步骤s21，对工地图像进行色彩模式转换，得到转换后的图像；
48.步骤s22，采用slic线性迭代聚类算法对转换后的图像进行分割，得到分割后的图像。
49.在本实施例中，由于slic算法无法直接分割彩色rgb图像，因此先将rgb图像进行色彩模式转换，转换为lab彩色空间，从而得到转换后的图像，有效保证了分割处理的正常进行。
50.优选的，所述步骤s22具体包括以下步骤：
51.步骤s221，初始化聚类中心，将聚类中心设定在转换后的图像的最低梯度处；
52.步骤s222，应用slic线性迭代聚类算法，将聚类中心和与聚类中心相似的像素点进行关联；
53.步骤s223，设定关联范围，得到多个像素块，所述多个像素块为分割后的图像。
54.在本实施例中，初始化聚类中心，将聚类中心设定在转换后的图像的最低梯度处，这样可以防止聚类中心和噪点重合，应用slic线性迭代聚类算法，将聚类中心和与之相似
的像素点按照相似度排序关联起来，设定关联范围，让聚类中心同距离较近的最相似点进行关联，从而得到多个像素块；需要说明的是，所述设定关联范围，让聚类中心同距离较近的最相似点进行关联具体使用公式如下：
[0055][0056]
dc和ds分别为像素点的颜色距离和空间距离，nc为颜色像素点个数，ns为空间像素点个数。
[0057]
优选的，所述合并算法采用基于巴氏系数和纹理特征的合并算法。
[0058]
在本实施例中，由于扬尘色素块本身的复杂度高，单单依靠巴氏系数导致错误率较高，因此增加另一个扬尘特有的纹理特征作为合并的另一个度量标准，能够有效降低错误率。
[0059]
优选的，所述步骤s3具体包括以下步骤：
[0060]
步骤s31，计算相邻像素块概率分布的巴氏系数；
[0061]
步骤s32，依据所述巴氏系数判断相邻像素块是否相似，若是，则执行步骤s33，否则，结束计算；
[0062]
步骤s33，将相似的相邻像素块进行灰度纹理关联度的计算，若灰度纹理关联度达标，则将相邻像素块进行合并，否则相邻像素块不合并。
[0063]
在本实施例中，由于在灰度空间中，像素每间隔一段时间就会形成灰度关系，这种多维度的灰度关系，成为图像纹理的重要衡量标准，因此，本发明将灰度纹理关联度作为纹理特征值对合并的像素块作筛选。
[0064]
优选的，所述步骤s4中的对合并后的图像进行特征提取包括对合并后的图像进行色相特征提取、对合并后的图像进行饱和度特征提取和对合并后的图像进行亮度特征提取。
[0065]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。