[发明专利]用于有机废气的光净化效果检测的神经网络的训练方法

说明书

本申请公开了一种用于有机废气的光净化效果检测的神经网络的训练方法。在所述训练方法中，使用不包含气体杂质但是包含颗粒物杂质的图像作为参考图像，与训练图像分别输入两个结构相同的卷积神经网络，从而得到训练特征图和参考特征图，再确定训练特征图中的各个位置与参考特征图中的相应位置之间的特征值之间的差值，并从训练特征图中确定该差值小于预定阈值的各个位置，然后删除掉这些位置的特征值，从而获得能够聚焦于颗粒物以外的其它图像特征的表达的特征图。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种用于有机废气的光净化效果检测的神经网络的训练方法、基于深度神经网络的用于有机废气的光净化效果检测方法、用于有机废气的光净化效果检测的神经网络的训练系统、基于深度神经网络的用于有机废气的光净化效果检测系统和电子设备。

背景技术

工业排放的有机废气种类多，组成复杂、浓度呈无规律的变化,而且流量巨大，目前的主要治理方法是通过光催化氧化再结合颗粒物过滤的技术进行处理，即，通过使用UV光源发出的光线照射废气并与废气高效地接触，从而去除了废气中的有机气体杂质，在通过过滤材料来滤除气体中的颗粒物。

相对地，颗粒物的过滤效果比较容易检测，而光催化氧化效果目前还主要通过对气体进行取样并进行化学检测的方式来实现，当这需要对于其中有机气体的复杂的实验操作，在过程繁琐的同时无法保证实时性。

因此，期待一种优化的用于有机废气的光净化效果检测的方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为有机废气的光净化效果检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于有机废气的光净化效果检测的神经网络的训练方法、基于深度神经网络的用于有机废气的光净化效果检测方法、用于有机废气的光净化效果检测的神经网络的训练系统、基于深度神经网络的用于有机废气的光净化效果检测系统和电子设备，其基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测，并且，在使用卷积神经网络对于图像进行特征提取时，对所获得的特征图进行特征的筛选处理，以使得处理后的特征图能更聚焦于颗粒物以外的其他图像特征表达，通过这样的方式，来提高光净化效果检测的准确率。

根据本申请的一个方面，提供了一种用于有机废气的光净化效果检测的神经网络的训练方法，其包括：

获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；

将所述多个第一图像通过第一卷积神经网络以获得训练特征图；

将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；

计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图；

确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；

基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；

将所述增强特征图通过分类器，以获得分类损失函数值；以及

基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。