[发明专利]基于深度卷积神经网络的火炬烟雾图像的超分辨率方法

说明书

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。

技术领域

本发明涉及火炬烟雾图像处理领域，具体涉及一种基于深度卷积神经网络的火炬烟雾图像的超分辨率方法。

背景技术

随着石化装置的标准化发展和天然气处理厂的逐步增加，火炬系统是其不可或缺的配套设施。在该系统中，烟雾是燃料燃烧不充分时产生的多种聚合物和固体碳颗粒的宏观形式，会对大气造成严重污染，甚至发生更严重的事故。所以确保火炬燃烧质量是火炬系统的首要任务。一般来说，为了满足生产过程和环境保护的要求，放空火炬的结构非常高，并且传统的传感器不能长期靠近火炬头，以避免高温对传感器造成损害。因此远程采集的火炬烟雾图像分辨率较低，这造成火炬不充分燃烧产生的烟雾的准确检测成为火炬系统的难题。

将图像从模糊图像转换为清晰图像的方法之一就是从低分辨率到高分辨率的超分辨率处理。单幅图像的超分辨率是计算机视觉中的经典问题。最新的单幅图像的超分辨率技术方法大多是基于自然图像的结构特征进行设计的。对现阶段超分辨率方法进行简述：基于非局部自回归模式的图像插值方法可以有效地重建边缘结构并抑制锯齿伪影，实现更好的图像插值结果；超分辨率稀疏混合估计器提供了一种通过线性估计器的自适应混合方法获得的一类非线性逆估计器；对图像统计的研究表明图像补丁可以很好地表示为稀疏线性组合来自适当选择的字典的元素。受到这种观察的启发，一些论文在低分辨率输入的每个小块寻找稀疏表示，然后使用这种表示的系数来生成高分辨率输出。考虑到内容可能在不同的图像或单个图像中的不同补丁之间不同，其他人认为从示例图像补丁的预先收集的数据集中学习各种基本集合，然后对于给定的补丁来处理，自适应地选择基本图像来表征局部稀疏域等。然而，上述方法都是针对自然图像的特征提出来的，而在火炬燃烧图像中注重的仅仅是烟雾图像的超分辨效果，进而专用于烟雾图像的超分辨率算法是解决这一工程问题的关键。

增加图像分辨率的最常用技术之一是图像像素的插值。虽然易于实现，但这种方法在视觉质量上仍然存在许多缺陷，例如许多细节(如尖锐边缘)不能得到自然地复原。但卷积神经网络可以通过提取图像的特征信息来弥补细节信息缺失。基本的深度卷积神经网络可以划分为3个性能模块：图像特征的提取和表征，非线性映射和超分辨率图像的重建。

发明内容

针对火炬系统的燃烧图像的分辨率低而带来的对烟雾识别和分析造成巨大困难的工程问题，本发明设计了一种基于深度卷积神经网络的火炬烟雾图像的超分辨率方法，通过针对烟雾图像的超分辨率重构的映射学习，得到了比传统的超分辨率算法更优的结果。

本发明采用以下的技术方案：

一种火炬烟雾图像的超分辨率方法，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。

优选地，该方法包括以下步骤：

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。

优选地，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。