CN112116526B - 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 - Google Patents
基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 Download PDFInfo
- Publication number
- CN112116526B CN112116526B CN201910528997.0A CN201910528997A CN112116526B CN 112116526 B CN112116526 B CN 112116526B CN 201910528997 A CN201910528997 A CN 201910528997A CN 112116526 B CN112116526 B CN 112116526B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- smoke
- super
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title description 4
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
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***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***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***的安全环保燃烧。
Description
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***是其不可或缺的配套设施。在该***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***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***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***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。
优选地，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1/S，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。
优选地，步骤1.1中，裁剪得到的图像的尺寸为96mm*96mm。
优选地，步骤1.3中，将S设定为2、3、4和8，分别得到超分辨率放大尺寸为2、3、4和8的模型。
优选地，步骤1.4中，采用的归一化处理的公式为：
其中，xn为归一化后像素值，xr为当前像素值，xmin为图像像素最小值，xmax为图像像素最大值。
优选地，步骤3中训练参数为：
训练集为1600张预处理后的烟雾图像，验证集为其它1600张预处理后的烟雾图像，测试集为100张预处理后的烟雾图像，训练集以每批次32幅图进行权值更新，验证集的批次为100幅图进行模型性能评定，总样本循环300次结束。
优选地，步骤3中损失函数为：
损失函数使用keras内置的均方误差函数MSE，公式为：
其中m,n分别为图像的长和宽的像素个数，P(i,j)为模型预测的超分辨图中索引位置为(i,j)的像素值，O(i,j)为原始高清图中索引位置为(i,j)的像素值。
优选地，步骤3中优化器为：
使用Adam优化器，实现方式为keras内置实现的Adam函数，学习率设定为0.0003。
优选地，步骤4具体包括：
性能评估函数：采用的模型性能评估函数为峰值信噪比PSNR，公式为：
其中，MAX为图像中像素的最大值，PSNR的值越大，模型输出的图像质量越好，模型也就越优。
本发明具有的有益效果是：
本发明提供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，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***的安全环保燃烧。
附图说明
图1训练样本例图。
图2为基于卷积神经网络的超分辨率模型示意图。
图3为基于卷积神经网络的超分辨率模型的详细参数。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
结合图1至图3，该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。
基于深度卷积神经网络的火炬烟雾图像的超分辨率方法，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：使用基于Tensorflow的Keras深度学习库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。
本方法的原理是：根据卷积神经网络对可以有效的学习提取与学习目标有用的图像特征的性质设计了基于卷积神经网络的超分辨率模型，模型的设计原理可细分为以下四块：
简单特征图的提取：由于在超分辨率重建的过程中，注重边缘等简单特征，所以第一层的卷积核个数应该尽可能多以便更多的提取出重建所需要的简单特征。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，比如边、角、曲线等。
简单特征图的融合：此块的主要目的是将得到的简单特征图进行非线性组合，得到更有利于恢复图像细节的特征图。卷积核大小为1*1的滤波器不对图像空间位置信息进行融合，只是对特征图通道进行融合。因此，第二层我们选取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：此块由三层卷积组成，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：此块由三层卷积组成，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。
进一步的，步骤1具体包括：
步骤1.1：将烟雾图像通过裁剪得到统一尺寸为96mm*96mm的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1/S，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，将S设定为2、3、4和8，分别得到超分辨率放大尺寸为2、3、4和8的模型；
步骤1.4：对图像进行归一化处理，采用的归一化处理的公式为：
其中，xn为归一化后像素值，xr为当前像素值，xmin为图像像素最小值，xmax为图像像素最大值。
进一步的，步骤2的编程环境为Windows10操作***，电脑核心硬件为：两块Inter(R)Xeon(R)E5-2683v3 2.00GHz CPUs和两块Nvidia GeForce GTX 1080GPUs。模型通过python3.5语言基于Tensorflow后端的Keras深度学习库进行实现。
进一步的，步骤3中设定网络的训练参数，损失函数和优化器。
训练参数：训练集为1600张预处理后的烟雾图像，验证集为其它1600张预处理后的烟雾图像，测试集为100张预处理后的烟雾图像，训练集以每批次32幅图进行权值更新，验证集的批次为100幅图进行模型性能评定，总样本循环300次结束。
损失函数：损失函数使用keras内置的均方误差函数MSE，公式为：
其中m,n分别为图像的长和宽的像素个数，P(i,j)为模型预测的超分辨图中索引位置为(i,j)的像素值，O(i,j)为原始高清图中索引位置为(i,j)的像素值。
优化器：使用Adam优化器，实现方式为keras内置实现的Adam函数，学习率设定为0.0003。
进一步的，步骤4具体包括：
性能评估函数：采用的模型性能评估函数为峰值信噪比PSNR，公式为：
其中，MAX为图像中像素的最大值，PSNR的值越大，模型输出的图像质量越好，模型也就越优。
实施例1
本发明对100幅烟雾图像进行超分辨率处理并分别得到100幅图的RMSE和PSNR的结果，取100幅图的RMSE和PSNR的均值对算法的性能进行比较。对比算法有传统算法Bicubic、NARM和ScSR，基于卷积神经网络的超分辨率算法为SRCNN。根据算法特性，比较2倍的超分辨率结果，通过比较可以看出，本方法对烟雾的超分辨率的效果最好，并且随着放大倍数的增加，优越性越明显。proposed代表本方法。
表格1：超分辨率2倍结果算法比较结果
实施例2
本发明对100幅烟雾图像进行超分辨率处理并分别得到100幅图的RMSE和PSNR的结果，取100幅图的RMSE和PSNR的均值对算法的性能进行比较。对比算法有传统算法Bicubic、NARM和ScSR，基于卷积神经网络的超分辨率算法为SRCNN。根据算法特性，比较3倍的超分辨率结果，通过比较可以看出，本方法对烟雾的超分辨率的效果最好，并且随着放大倍数的增加，优越性越明显。proposed代表本方法。
表格2：超分辨率3倍结果算法比较结果
实施例3
本发明对100幅烟雾图像进行超分辨率处理并分别得到100幅图的RMSE和PSNR的结果，取100幅图的RMSE和PSNR的均值对算法的性能进行比较。对比算法有传统算法Bicubic、NARM和ScSR，基于卷积神经网络的超分辨率算法为SRCNN。根据算法特性，比较4倍的超分辨率结果，通过比较可以看出，本方法对烟雾的超分辨率的效果最好，并且随着放大倍数的增加，优越性越明显。proposed代表本方法。
表格3：超分辨率4倍结果算法比较结果
实施例4
本发明对100幅烟雾图像进行超分辨率处理并分别得到100幅图的RMSE和PSNR的结果，取100幅图的RMSE和PSNR的均值对算法的性能进行比较。对比算法有传统算法Bicubic、NARM和ScSR，基于卷积神经网络的超分辨率算法为SRCNN。根据算法特性，比较8倍的超分辨率结果，通过比较可以看出，本方法对烟雾的超分辨率的效果最好，并且随着放大倍数的增加，优越性越明显。proposed代表本方法。
表格4：超分辨率8倍结果算法比较结果
以上4个实施例的算法来源：
算法Bicubic、NARM的来源：W.Dong,L.Zhang,R.Lukac,G.Shi,“Sparserepresentation based image interpolation with nonlocal autoregressivemodeling.”IEEE Transactions on Image Processing,vol.22,no.4,pp.1382-1394,Apr.2013.
算法ScSR的来源：J.Yang,J.Wright,T.S.Huang,Y.Ma,“Image super-resolutionvia sparse representation.”IEEE Transactions on Image Processing,vol.19,no.11,pp.2861-2873,Nov.2010.
算法SRCNN的来源：C.Dong,C.L.Chen,K.He,X.Tang,“Learning a deepconvolutional network for image super-resolution.”Computer Vision C ECCV2014.Springer International Publishing,pp.184-199,2014.
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (8)
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1/S，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。
2.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.1中，裁剪得到的图像的尺寸为96mm*96mm。
3.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.3中，将S设定为2、3、4和8，分别得到超分辨率放大尺寸为2、3、4和8的模型。
4.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.4中，采用的归一化处理的公式为：
其中，xn为归一化后像素值，xr为当前像素值，xmin为图像像素最小值，xmax为图像像素最大值。
5.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中训练参数为：
训练集为1600张预处理后的烟雾图像，验证集为其它1600张预处理后的烟雾图像，测试集为100张预处理后的烟雾图像，训练集以每批次32幅图进行权值更新，验证集的批次为100幅图进行模型性能评定，总样本循环300次结束。
6.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中损失函数为：
损失函数使用keras内置的均方误差函数MSE，公式为：
其中m,n分别为图像的长和宽的像素个数，P(i,j)为模型预测的超分辨图中索引位置为(i,j)的像素值，O(i,j)为原始高清图中索引位置为(i,j)的像素值。
7.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中优化器为：
使用Adam优化器，实现方式为keras内置实现的Adam函数，学习率设定为0.0003。
8.根据权利要求6所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤4具体包括：
性能评估函数：采用的模型性能评估函数为峰值信噪比PSNR，公式为：
其中，MAX为图像中像素的最大值，PSNR的值越大，模型输出的图像质量越好，模型也就越优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910528997.0A CN112116526B (zh) | 2019-06-19 | 2019-06-19 | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910528997.0A CN112116526B (zh) | 2019-06-19 | 2019-06-19 | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116526A CN112116526A (zh) | 2020-12-22 |
| CN112116526B true CN112116526B (zh) | 2024-06-11 |
Family
ID=73795253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910528997.0A Active CN112116526B (zh) | 2019-06-19 | 2019-06-19 | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116526B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113096103A (zh) * | 2021-04-15 | 2021-07-09 | 北京工业大学 | 一种面向放空火炬的烟气智能影像感知方法 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
| CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
| CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
| CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN108537733A (zh) * | 2018-04-11 | 2018-09-14 | 南京邮电大学 | 基于多路径深度卷积神经网络的超分辨率重建方法 |
| CN108596831A (zh) * | 2018-04-02 | 2018-09-28 | 西安工程大学 | 一种基于AdaBoost实例回归的超分辨率重建方法 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| CN108830813A (zh) * | 2018-06-12 | 2018-11-16 | 福建帝视信息科技有限公司 | 一种基于知识蒸馏的图像超分辨率增强方法 |
| CN108830790A (zh) * | 2018-05-16 | 2018-11-16 | 宁波大学 | 一种基于精简卷积神经网络的快速视频超分辨率重建方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
| CN109376695A (zh) * | 2018-11-26 | 2019-02-22 | 北京工业大学 | 一种基于深度混合神经网络的烟雾检测方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
| CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
| CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
| CN109862370A (zh) * | 2017-11-30 | 2019-06-07 | 北京大学 | 视频超分辨率处理方法及装置 |
-
2019
- 2019-06-19 CN CN201910528997.0A patent/CN112116526B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
| CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
| CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN106991646A (zh) * | 2017-03-28 | 2017-07-28 | 福建帝视信息科技有限公司 | 一种基于密集连接网络的图像超分辨率方法 |
| CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
| CN107358576A (zh) * | 2017-06-24 | 2017-11-17 | 天津大学 | 基于卷积神经网络的深度图超分辨率重建方法 |
| CN107507134A (zh) * | 2017-09-21 | 2017-12-22 | 大连理工大学 | 基于卷积神经网络的超分辨率方法 |
| KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
| CN109862370A (zh) * | 2017-11-30 | 2019-06-07 | 北京大学 | 视频超分辨率处理方法及装置 |
| CN108596831A (zh) * | 2018-04-02 | 2018-09-28 | 西安工程大学 | 一种基于AdaBoost实例回归的超分辨率重建方法 |
| CN108537733A (zh) * | 2018-04-11 | 2018-09-14 | 南京邮电大学 | 基于多路径深度卷积神经网络的超分辨率重建方法 |
| CN108830790A (zh) * | 2018-05-16 | 2018-11-16 | 宁波大学 | 一种基于精简卷积神经网络的快速视频超分辨率重建方法 |
| CN108765511A (zh) * | 2018-05-30 | 2018-11-06 | 重庆大学 | 基于深度学习的超声图像超分辨率重建方法 |
| CN108830813A (zh) * | 2018-06-12 | 2018-11-16 | 福建帝视信息科技有限公司 | 一种基于知识蒸馏的图像超分辨率增强方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
| CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
| CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
| CN109544448A (zh) * | 2018-11-09 | 2019-03-29 | 浙江工业大学 | 一种拉普拉斯金字塔结构的团网络超分辨率图像重建方法 |
| CN109376695A (zh) * | 2018-11-26 | 2019-02-22 | 北京工业大学 | 一种基于深度混合神经网络的烟雾检测方法 |
| CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
| CN109767386A (zh) * | 2018-12-22 | 2019-05-17 | 昆明理工大学 | 一种基于深度学习的快速图像超分辨率重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116526A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN104899830B (zh) | 一种图像超分辨方法 | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
| CN113744153B (zh) | 双分支图像修复伪造检测方法、***、设备及存储介质 | |
| CN116256586B (zh) | 电力设备过热检测方法、装置、电子设备与存储介质 | |
| CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
| CN104992407B (zh) | 一种图像超分辨方法 | |
| CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及*** | |
| CN115205636B (zh) | 一种图像的目标检测方法、***、设备及存储介质 | |
| CN113065396A (zh) | 基于深度学习的扫描档案图像的自动化归档处理***及方法 | |
| CN115953408A (zh) | 一种基于YOLOv7的避雷器表面缺陷检测方法 | |
| CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
| CN115239710A (zh) | 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法 | |
| CN112116526B (zh) | 基于深度卷积神经网络的火炬烟雾图像的超分辨率方法 | |
| CN112597998A (zh) | 一种基于深度学习的扭曲图像矫正方法、装置和存储介质 | |
| CN114255456A (zh) | 基于注意力机制特征融合与增强的自然场景文本检测方法和*** | |
| Chen et al. | Hierarchical generative adversarial networks for single image super-resolution | |
| CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
| CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
| CN111861935A (zh) | 一种基于图像修复技术的去雨方法 | |
| CN111080516A (zh) | 基于自样例增强的超分辨率图像重建方法 | |
| CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240419 Address after: No. 22, Chaoyangmen street, Chaoyang District, Beijing 100020 Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant before: CHINA PETROLEUM & CHEMICAL Corp. Country or region before: China Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |