技术领域
[0001] 本
发明涉及
图像处理技术领域，尤其涉及一种气体轮廓识别方法。
背景技术
[0002] 近年来，红外高
光谱成像技术高速发展，采用高光谱红外成像技术为工业界气体的现场检测提供了可能，因此红外高光谱成像技术可以直接基于大气中气体目标的红外吸收光谱和背景红外
辐射光谱进行探测，不需要提供人工红外
光源。这种技术与传统的化学取样方法相比具有很大的优势：实现了对大范围的对气体进行远距离实时监测，并且提高检测效率。
[0003] 由于高光谱红外图像的数据量非常大，如何从海量的数据中分析提取出有用的信息并对
检测区域的气体的类别、浓度和范围进行现场级测量是急需解决的问题。因此
现有技术中采用opencv库运用图像处理方法针对气体检测的高光谱红外图像进行图像形态学处理或者设定
阈值等进行判别。然而由于气体图像多种多样和现场环境复杂多样的问题，导致上述现有技术的判别方法比较粗糙，并且鲁棒性很差，以及检测的准确率不高，从而造成检测过程更加耗时、耗
力，以及泛化性不强。
发明内容
[0004] 针对现有技术中存在的上述问题，现提供一种旨在有效提高气体轮廓识别的准确度的气体轮廓的识别方法。
[0005] 具体技术方案如下：
[0006] 一种气体轮廓的识别方法，其中，包括一识别模型的构建过程：
[0007] 执行识别模型的构建过程前，首先采集多个气体样本图像，并对每个气体样本图像进行图像特征的标注后形成对应的标注图像，将标注图像和对应的气体样本图像关联形成
训练数据，并最终形成一训练数据集；
[0008] 识别模型的构建过程具体包括：
[0009] 步骤A1，将训练数据集中的训练数据输入至一神经网络模型中，并于神经网络模型的卷积层中提取训练数据中的气体样本图像的第一图像特征信息形成整体特征图，神经网络模型采用mask-rcnn神经网络实现；
[0010] 步骤A2，获取形成整体特征图的过程中的多个预设层的特征图，并结合FPN技术在预设层的特征图中设置多个第一检测框，并对所有第一检测框进行筛选得到多个候选检测框；
[0011] 步骤A3，对所有候选检测框进行特征提取，以得到尺寸相同的局部特征图；
[0012] 步骤A4，根据局部特征图并采用神经网络模型中的全连接层处理得到候选检测框的分类误差以及检测误差；
[0013] 步骤A5，根据局部特征图对候选检测框进行二值分割处理，以得到分割误差；
[0014] 步骤A6，根据分类误差、检测误差和分割误差计算得到本次训练时神经网络模型中的损失函数的输出值，随后返回步骤A1；
[0015] 循环执行步骤A1-A6，以采用训练数据集对神经网络模型进行
迭代训练，直到损失函数的输出值降低至一预设范围内时完成训练，随后输出神经网络模型作为识别模型；
[0016] 还包括一采用识别模型对气体轮廓进行识别的过程：
[0017] 步骤B1，获取待识别的气体图像；
[0018] 步骤B2，将待识别的气体图像输入至识别模型中，以得到待识别的气体图像的气体轮廓识别结果。
[0019] 优选的，识别方法，其中，步骤A2具体包括以下步骤：
[0020] 步骤A21，获取形成整体特征图的过程中的多个预设层的特征图，并结合FPN技术在预设层的特征图上进行
像素点扫描，以在每个像素点上设置多个第一检测框；
[0021] 步骤A22，对所有第一检测框进行分类得到作为正样本的第一类检测框，以及作为负样本的第二类检测框；
[0022] 步骤A23，采用第一预设数量的第一类检测框和第二预设数量的第二类检测框对神经网络模型中的rpn网络模型进行初始分类误差和初始检测误差训练；
[0023] 步骤A24，将所有第一检测框输入至完成训练的rpn网络模型中，以对所有第一检测框进行初次筛选得到多个初始候选检测框；
[0024] 步骤A25，采用非极大值抑制
算法对所有初始候选检测框进行再次筛选，以得到多个候选检测框。
[0025] 优选的，识别方法，其中，步骤A1中，以红外相机的视
角可见范围内的气体为目标气体进行采集得到气体样本图像。
[0026] 优选的，识别方法，其中，
[0027] 图像特征的标注包括：
[0028] 采用标注框标注气体样本图像中的目标气体作为目标气体特征；
[0029] 勾勒出气体样本图像中的移动物体的轮廓作为移动物体特征；以及[0030] 标记气体样本图像中除去目标气体的气体
位置和移动物体的轮廓外的其他像素点作为图像背景特征。
[0031] 优选的，识别方法，其中，在第一次执行步骤A1之前，首先采用权值共享的
卷积神经网络训练得到初始的神经网络模型。
[0032] 优选的，识别方法，其中，步骤A3中，采用ROI Align的处理方式对候选检测框进行特征提取，具体以下步骤：
[0033] 步骤A31，将气体样本图像的候选检测框映射到整体特征图上，以在整体特征图上形成对应于候选检测框的映射特征图，并获取映射特征图的坐标；
[0034] 步骤A32，将映射特征图分割成多个单元；
[0035] 步骤A33，于每个单元中进行最大
池化操作，以提取尺寸相同的多个局部特征图。
[0036] 优选的，识别方法，其中，
[0037] 在执行识别模型的构建过程前之前，采用真实检测框对每个标注图像进行标记；
[0038] 步骤A4具体包括以下步骤：
[0039] 根据局部特征图和真实检测框，并采用全连接层得到候选检测框的用于表示所属类别误差的分类误差；以及
[0040] 根据局部特征图和真实检测框，并采用全连接层得到候选检测框的坐标和与候选检测框对应的真实检测框的坐标之间的检测误差。
[0041] 优选的，识别方法，其中，在识别模型的构建过程，将卷积神经网络中的常规激活函数ReLU更换为激活函数Leaky ReLU。
[0042] 优选的，识别方法，其中，步骤A5具体包括以下步骤：
[0043] 步骤A51，将候选检测框输入至神经功能网络模型中的mask分支中；
[0044] 步骤A52，mask分支对候选检测框进行语义分割，以得到mask矩阵；
[0045] 步骤A53，采用激活函数对mask矩阵中的每一个像素进行计算像素的交叉熵；
[0046] 步骤A54，计算得到所有像素的交叉熵的总和，并将交叉熵总和作为分割误差。
[0047] 优选的，识别方法，其中，步骤B2具体包括以下步骤：
[0048] 步骤B21，将待识别的气体图像输入至识别模型中，得到气体轮廓划分结果；
[0049] 步骤B22，将气体轮廓划分结果进行细化划分处理得到气体轮廓识别结果。
[0050] 优选的，识别方法，其中，步骤B22具体包括以下步骤：
[0051] 步骤B221，将气体轮廓划分结果进行灰度阈值划分，以得到灰度阈值划分结果；
[0052] 步骤B222，融合气体轮廓划分结果和灰度阈值划分结果，以得到气体轮廓识别结果。
[0053] 上述技术方案具有如下优点或有益效果：
[0054] 第一、通过mask-rcnn神经网络模型进行特征提取，从而克服了传统方法难以选择合适特征或者特征不明显的
缺陷，进而提高训练的鲁棒性；
[0055] 第二、提高在复杂环境下的抗干扰能力，以及提高监测角度发生变化时的抗干扰能力，进而提高气体轮廓的识别结果的检测
精度。
附图说明
[0056] 参考所附附图，以更加充分的描述本发明的
实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
[0057] 图1为本发明识别方法实施例的识别模型的结构示意图；
[0058] 图2为本发明识别方法实施例的识别模型的构建过程的
流程图；
[0059] 图3为本发明识别方法实施例的采用识别模型对气体轮廓进行识别的过程的流程图；
[0060] 图4为本发明识别方法实施例的步骤A2的流程图；
[0061] 图5为本发明识别方法实施例的采用
定位精度评价函数对所有候选检测框进行分类的过程的流程图；
[0062] 图6为本发明识别方法实施例的步骤A3的流程图；
[0063] 图7为本发明识别方法实施例的步骤A5的流程图；
[0064] 图8为本发明识别方法实施例的步骤B2的流程图；
[0065] 图9为本发明识别方法实施例的步骤B22的流程图；
[0066] 图10A-10C为本发明识别方法实施例的待识别的气体图像的示意图；
[0067] 图11A-11C为本发明识别方法实施例的气体轮廓识别结果的气体图像的示意图。
具体实施方式
[0068] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0069] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0070] 下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
[0071] 本发明一种气体轮廓的识别方法，包括一识别模型的构建过程：
[0072] 执行识别模型的构建过程前，首先采集多个气体样本图像，并对每个气体样本图像进行图像特征的标注后形成对应的标注图像，将标注图像和对应的气体样本图像关联形成训练数据，并最终形成一训练数据集；
[0073] 如图2所示，识别模型的构建过程具体包括：
[0074] 步骤A1，将训练数据集中的训练数据输入至一神经网络模型中，并于神经网络模型的卷积层中提取训练数据中的气体样本图像的第一图像特征信息形成整体特征图，神经网络模型采用mask-rcnn神经网络实现；
[0075] 步骤A2，获取形成整体特征图的过程中的多个预设层的特征图，并结合FPN技术在预设层的特征图中设置多个第一检测框，并对所有第一检测框进行筛选得到多个候选检测框；
[0076] 步骤A3，对所有候选检测框进行特征提取，以得到尺寸相同的局部特征图；
[0077] 步骤A4，根据局部特征图并采用神经网络模型中的全连接层处理得到候选检测框的分类误差以及检测误差；
[0078] 步骤A5，根据局部特征图对候选检测框进行二值分割处理，以得到分割误差；
[0079] 步骤A6，根据分类误差、检测误差和分割误差计算得到本次训练时神经网络模型中的损失函数的输出值，随后返回步骤A1；
[0080] 循环执行步骤A1-A6，以采用训练数据集对神经网络模型进行迭代训练，直到损失函数的输出值降低至一预设范围内时完成训练，随后输出神经网络模型作为识别模型，如图1所示；
[0081] 如图3所示，还包括一采用识别模型对气体轮廓进行识别的过程：
[0082] 步骤B1，获取待识别的气体图像；
[0083] 步骤B2，将待识别的气体图像输入至识别模型中，以得到待识别的气体图像的气体轮廓识别结果。
[0084] 在上述实施例中，通过将上述标注图像和对应的气体样本图像关联形成训练数据，并最终形成训练数据集，随后将训练数据集中的训练数据输入至采用mask-rcnn神经网络实现的神经网络模型中，以通过上述mask-rcnn神经网络的红外气体分割方法对训练数据集进行迭代训练，最后将完成训练的神经网络模型作为识别模型，从而可以通过上述mask-rcnn神经网络模型进行特征提取，以克服了传统方法难以选择合适特征或者特征不明显的缺陷，进而提高训练的鲁棒性；
[0085] 采用上述识别模型对待识别的气体图像进行识别，使得待识别的气体图像在识别模型中不断地被卷积、池化，并对提取的特征信息进行分析，以得到识别结果，从而可以有效提高在复杂环境下的抗干扰能力，以及提高监测角度发生变化时的抗干扰能力，进而提高气体轮廓的识别结果的检测识别精度。
[0086] 进一步地，作为优选的实施方式，执行识别模型的构建过程前的采集气体样本图像的过程，和识别模型的构建过程，以及采用识别模型对气体轮廓进行识别的过程均可以在显卡中进行，从而加快训练速度和识别速度。
[0087] 进一步地，作为优选的实施方式，循环执行步骤A1-A6，以采用训练数据集对神经网络模型进行迭代训练，直到损失函数的输出值降低至一预设范围内，以及损失函数的损失曲线趋于
水平时，确定神经网络模型收敛的较好，即神经网络模型完成训练并输出，随后将输出的神经网络模型作为识别模型。
[0088] 进一步地，在上述实施例中，如图4所示，步骤A2具体包括以下步骤：
[0089] 步骤A21，获取形成整体特征图的过程中的多个预设层的特征图，并结合FPN技术在预设层的特征图上进行像素点扫描，以在每个像素点上设置多个第一检测框；
[0090] 步骤A22，对所有第一检测框进行分类得到作为正样本的第一类检测框，以及作为负样本的第二类检测框；
[0091] 步骤A23，采用第一预设数量的第一类检测框和第二预设数量的第二类检测框对神经网络模型中的rpn网络模型进行初始分类误差和初始检测误差训练；其中，第一预设数量和第二预设数量可以相同，也可以不相同，可以根据用户的需求分别设置第一预设数量和第二预设数量。
[0092] 步骤A24，将所有第一类检测框输入至完成训练的rpn网络模型中，以对所有第一类检测框进行初次筛选得到多个初始候选检测框；
[0093] 步骤A25，采用非极大值抑制算法对所有初始候选检测框进行再次筛选，以得到多个候选检测框。
[0094] 进一步地，作为优选的实施方式，如图1所示：
[0095] 首先，将训练数据集中的训练数据输入至神经网络模型中的Retnet网络中，以通过Retnet网络实现对训练数据中的气体样本图像进行特征提取来形成整体特征图；
[0096] 其中，通过不同层的特征图形成一整体特征图，形成整体特征图的过程中包括不同层的特征图；
[0097] 接着，获取形成整体特征图的过程中的多个预设层的特征图，并结合FPN技术在预设层的特征图上进行像素点扫描，以在每个像素点上设置多个第一检测框，并对所有第一检测框进行分类得到作为正样本的第一类检测框，以及作为负样本的第二类检测框；
[0098] 需要说明的是，多个预设层的特征图为：形成整体特征图的过程中的部分层的特征图。
[0099] 其中，FPN技术应用在神经网络模型中的F
PN结构中，上述FPN结构为一个特征金字塔结构，FPN结构包括
自下而上，
自上而下和横向连接三个层级，并将FPN结构中的各个层级的特征进行融合，从而提高第一检测框的设置精度。
[0100] 随后，采用所有第一类检测框和所有第二类检测框对神经网络模型中的rpn网络模型进行初始分类误差和初始检测误差训练，并采用非极大值抑制算法对所有初始候选检测框进行再次筛选，以得到多个候选检测框；
[0101] 紧接着，采用ROI align对所有候选检测框进行特征提取，以得到尺寸相同的局部特征图；
[0102] 然后，根据局部特征图并采用神经网络模型中的全连接层处理得到候选检测框的分类误差以及检测误差；和
[0103] 对候选检测框进行分割处理，以得到分割误差；
[0104] 最后，根据分类误差、检测误差和分割误差计算得到本次训练时神经网络模型中的损失函数的输出值。
[0105] 作为优选的实施方式，步骤A21中，可以在每个像素点上设置3个第一检测框。
[0106] 在上述实施例中的步骤A22中，可以采用定位精度评价函数IOU对所有第一检测框进行分类，以得到作为正样本的第一类检测框，以及作为负样本的第二类检测框。
[0107] 其中，正样本为本实施例的训练数据集中要识别的气体轮廓的图像特征，负样本为与气体轮廓相关联的非气体轮廓的图像特征。
[0108] 进一步地，作为优选的实施方式，如图5所示，采用定位精度评价函数对所有第一检测框进行分类的过程具体包括以下步骤：
[0109] 步骤C1，根据定位精度评价函数计算得到每个第一检测框的检测值；
[0110] 步骤C2，判断检测值是否大于一第一预设阈值；
[0111] 若是，将第一检测框设置为第一类检测框；
[0112] 步骤C3，判断检测值是否小于一第二预设阈值；
[0113] 若是，将第一检测框设置为第二类检测框。
[0114] 作为优选的实施方式，在执行识别模型的构建过程前之前，可以采用真实检测框对每个标注图像进行标记；随后根据定位精度评价函数依照每个第一检测框和与候选检测框之间的重叠部分的大小计算得到每个第一检测框的检测值，该检测值为IOU值，其中，上述第一预设阈值可以为0.7，第二预设阈值可以为0.3。
[0115] 在上述优选的实施方式中，采用定位精度评价函数对所有第一检测框进行分类的过程具体包括：
[0116] 先根据定位精度评价函数计算得到每个第一检测框相对于真实检测框的IOU值；
[0117] 接着判断检测值是否大于0.7；
[0118] 如果是，就将第一检测框设置为第一类检测框；
[0119] 如果不是，接着判断检测值是否小于0.3；
[0120] 如果是，将第一检测框设置为第二类检测框。
[0121] 需要说明的是，定位精度评价函数IOU定义了两个检测框的重叠度。
[0122] 进一步地，在上述实施例中，在步骤A24中可以将所有第一类检测框的得分从高到低排列，并得到排序后的预设数量的初始候选检测框；其中，上述预设数量可以为3000个，并且上述预设数量可以根据用户的需求自定义设置。
[0123] 在上述实施例中的步骤A25中，采用非极大值抑制算法对所有初始候选检测框进行再次筛选，可以在所有初始候选检测框中得到分数最高的候选检测框，并去除不同大小的冗余的初始候选检测框。
[0124] 进一步地，在上述实施例中，步骤A1中，以红外相机的视角可见范围内的气体为目标气体进行采集得到气体样本图像。
[0125] 采用红外相机可以实现在复杂环境中获取较佳的气体样本图像。
[0126] 作为优选的实施方式，可以先对采集得到的气体样本图像进行数据扩充处理；
[0127] 其中，数据扩充处理的步骤可以为：
[0128] 对气体样本图像进行旋转处理；
[0129] 在气体样本图像中增加噪声处理；
[0130] 对气体样本图像进行增强处理。
[0131] 进一步地，在上述实施例中，图像特征的标注包括：
[0132] 采用标注框标注气体样本图像中的目标气体作为目标气体特征；
[0133] 勾勒出气体样本图像中的移动物体的轮廓作为移动物体特征；以及[0134] 标记气体样本图像中除去目标气体的气体位置和移动物体的轮廓外的其他像素点作为图像背景特征。
[0135] 进一步地，在上述实施例中，在第一次执行步骤A1之前，首先采用权值共享的卷积神经网络(Convolutional Neural Networks，CNN)训练得到初始的神经网络模型。
[0136] 从而实现基于权值共享的卷积神经网络训练得到初始的神经网络模型，并对初始的神经网络模型进行网络训练以得到识别模型，从而简化得到初始的神经网络模型的流程，进而加快构建识别模型的速度。
[0137] 进一步地，在上述实施例中，如图6所示，步骤A3中，采用ROI Align的处理方式对候选检测框进行特征提取，具体以下步骤：
[0138] 步骤A31，将气体样本图像的候选检测框映射到整体特征图上，以在整体特征图上形成对应于候选检测框的映射特征图，并获取映射特征图的坐标；
[0139] 步骤A32，将映射特征图分割成多个单元；
[0140] 步骤A33，于每个单元中进行最大池化操作，以提取尺寸相同的多个局部特征图。
[0141] 在上述实施例中，步骤A31中得到的映射特征图的坐标可以保留小数，并使得映射特征图的浮点数边界不做量化；
[0142] 随后在步骤A33中具体包括：
[0143] 在每个单元中均匀取点；
[0144] 随后通过双线性插值获得点的数值；
[0145] 接着进行最大池化操作以提取尺寸相同的局部特征图，从而减少邻域误差和均值偏移误差；
[0146] 作为优选的实施方式，步骤A32中可以将每个映射特征图分割成四个单元，并使得每个单元的浮点数边界不做量化，随后在步骤A33中在每个单元中均匀取四个点，并通过双线性插值获得每个点的数值。
[0147] 进一步地，在上述实施例中，在执行识别模型的构建过程前之前，采用真实检测框对每个标注图像进行标记；
[0148] 步骤A4具体包括以下步骤：
[0149] 根据局部特征图和真实检测框，并采用全连接层得到候选检测框的用于表示所属类别误差的分类误差；以及
[0150] 根据局部特征图和真实检测框，并采用全连接层得到候选检测框的坐标和与候选检测框对应的真实检测框的坐标之间的检测误差。
[0151] 进一步地，在上述实施例中，在识别模型的构建过程，将卷积神经网络中的常规激活函数ReLU更换为激活函数Leaky ReLU。
[0152] 上述激活函数Leaky ReLU可以用于处理全卷积神经网络模型的权重。
[0153] 通过将卷积神经网络中的常规激活函数ReLU换成收敛速度更快的激活函数Leaky ReLU，从而增加了识别气体轮廓的准确度，进而避免梯度爆炸和梯度消失的问题。
[0154] 其中，激活函数Leaky ReLU可以用下述公式表示：
[0155]
[0156] 其中，上述公式(1)中的：
[0157] ai用于表示(1，+∞)区间内的固定参数；
[0158] i用于表示卷积层输出的特征图中像素点的编号；
[0159] xi用于表示表示卷积层输出的特征图中像素点与权重相乘的结果；
[0160] yi用于表示表示经过激活函数操作后的输出值。
[0161] 进一步地，在上述实施例中，如图7所示，步骤A5具体包括以下步骤：
[0162] 步骤A51，将候选检测框输入至神经功能网络模型中的mask分支中；
[0163] 步骤A52，mask分支根据局部特征图对候选检测框进行语义分割(即二值分割处理)，以得到mask矩阵；
[0164] 步骤A53，采用激活函数对mask矩阵中的每一个像素进行计算像素的交叉熵；
[0165] 步骤A54，计算得到所有像素的交叉熵的总和，并将交叉熵总和作为分割误差。
[0166] 作为优选的实施方式，mask分支的分割输出维数为K*m*m，K*m*m用于K个类别的m*m的二值mask；
[0167] mask分支可以采用FCN(全卷积神经网络)结构对局部特征图进行分割，以得到一个K层的mask矩阵。
[0168] 进一步地，在上述实施例中，如图8所示，步骤B2具体包括以下步骤：
[0169] 步骤B21，将待识别的气体图像输入至识别模型中，得到气体轮廓划分结果，上述气体轮廓划分结果为待识别的气体图像的粗糙的气体轮廓划分结果；
[0170] 步骤B22，将气体轮廓划分结果进行细化划分处理得到气体轮廓识别结果，上述气体轮廓识别结果为待识别的气体图像的精确的气体轮廓识别结果。
[0171] 上述实施例中，通过实行由粗到细的气体轮廓识别策略，可以实现通过粗识别先过滤一部分图像特征，随后采用细识别进一步对气体轮廓划分结果进行识别，从而实现保证识别结果准确性的
基础上提高了识别效率。
[0172] 进一步地，在上述实施例中，如图9所示，步骤B22具体包括以下步骤：
[0173] 步骤B221，将气体轮廓划分结果进行灰度阈值划分，以得到灰度阈值划分结果；
[0174] 步骤B222，融合气体轮廓划分结果和灰度阈值划分结果，以得到气体轮廓识别结果。
[0175] 进一步地，作为优选的实施方式，于步骤B221之前，可以采用图像形态学的技术根据气体轮廓划分结果找到最小的矩形框，并将气体轮廓划分结果外接该最小的矩形框；
[0176] 于步骤B221中，可以设置一个灰度阈值，并将上述最小的矩形框内的图像根据灰度阈值进行划分，从而得到灰度阈值划分结果；
[0177] 其中，当图像的灰度值小于灰度阈值时，确定该图像为气体图像；
[0178] 于步骤B223中，将气体轮廓划分结果和灰度阈值划分结果进行融合，将两个轮廓重复的气体轮廓区域提取出来，以得到气体轮廓识别结果；即两个轮廓重复的气体轮廓区域为气体轮廓识别结果。
[0179] 并且上述实施例通过由神经网络模型得到的识别模型的基础上融合阈值分割技术，对识别模型得到的气体轮廓划分结果进行补充，实现了由粗到细的渐进式气体轮廓识别策略，粗识别可以过滤掉不相似的图像，而细识别可以进一步改善气体轮廓识别结果，从而提高了气体轮廓识别的准确度和泛化能力，为进一步的气体分析提供更准确的信息。
[0180] 进一步地，作为优选的实施方式，采用红外相机采集第一数量的气体样本图像，并且采集第二数量的待识别的气体图像；
[0181] 第一数量和第二数量可以一致，本实施方式中的气体样本图像和待识别的气体图像可以均为250，具体的可以根据使用者的需求来设置；
[0182] 本实施方式要识别的气体为甲烷气体；
[0183] 其中待识别的气体图像如图10A-10C所示；
[0184] 将250张气体样本图像对应的训练数据集输入神经网络模型中进行网络训练，以得到识别模型；
[0185] 接着将250张待识别的气体图像输入识别模型得到气体轮廓划分结果，随后将气体轮廓划分结果进行细化划分处理得到气体轮廓识别结果；
[0186] 其中，对应于图10A-10C所示的待识别的气体图像的气体轮廓识别结果的气体图像如图11A-11C所示；
[0187] 得到的气体轮廓识别结果如下表所示：
[0188]
[0189]
[0190] 即气体轮廓识别结果中的正确重合率达到99％，而气体轮廓识别结果中的错误重合率为1％。
[0191] 因此，本实施例中的气体轮廓识别方法可以提高气体轮廓识别结果的准确度。
[0192] 以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明
说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
