买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉烟台大学申请的专利一种基于深度神经网络的气体排放速率反演方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116862818B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310232852.2，技术领域涉及：G06T5/50；该发明授权一种基于深度神经网络的气体排放速率反演方法是由武魁军;郭建军;何微微;张子豪;张会亮;胡向瑞设计研发完成，并于2023-03-08向国家知识产权局提交的专利申请。

本一种基于深度神经网络的气体排放速率反演方法在说明书摘要公布了：本发明提出了一种基于深度神经网络的SO2气体排放速率反演方法。包括以下步骤：对获取的原始图像数据进行预处理；根据预处理后的数据获取光流；将经过处理的数据分成训练集和调试集；构建深度神经网络模型并对其进行优化；利用优化的深度神经网络模型实现排放速率的反演。与现有技术相比，本发明抗干扰能力强，能够极大程度上解决图像边缘羽流排放速率反演的难题，更为重要的是实现了对羽流排放速率的实时、快速、精确地反演。

本发明授权一种基于深度神经网络的气体排放速率反演方法在权利要求书中公布了：1.基于深度神经网络的气体排放速率反演方法，其特征在于所述方法包括如下步骤： 步骤S10 1.1通过SO2紫外相机信号通道的天空背景图像I′A和羽流图像IA0计算信号通道的光学厚度图像τA，通过SO2紫外相机参考通道的天空背景图像I′B和羽流图像IB0计算参考通道的光学厚度图像τB， 信号通道的光学厚度图像τA与参考通道的光学厚度图像τB求差处理，得到SO2气体的光学厚度图像 1.2将SO2气体的光学厚度图像代入通过光谱仪得到的定标曲线中，计算SO2浓度图像， 1.3对SO2浓度图像进行去噪处理，得到去噪图像 步骤S20 2.1设定SO2气体浓度的阈值SP，从去噪图像中筛选出大于阈值SP的部分为感兴趣ROI区域SROI，得到域内图像然后，从域内图像提取SO2气体浓度S； 2.2将域内图像映射到区间[0255]中得到区间图像 其中，x，y分别表示域内图像和区间图像二维平面的横纵坐标，Smax为域内图像中的最大浓度值，然后，基于区间图像的数值恒定假设，通过Farneback光流法求取光流数据V, 步骤S30 将建模数据集P划分为训练集PTrain和调试集PTest, 其中，建模数据集P为N帧域内图像基于同一位置的SO2气体浓度数据S和光流数据V的集合，训练集PTrain和调试集PTest分别为N1、N2帧，且N＝N1+N2； 步骤S40的步骤包括： 4.1定义BP神经网络拓扑结构的输入层、隐含层以及输出层，全连接方式连接相邻两层， 定义输入层和输出层的节点数量，确定隐含层的层数及每一层的节点数量， 确定输入层、隐含层以及输出层之间的传递函数，确定隐含层之间的训练函数， 设置动量因子J、训练次数K、学习速率F、训练目标最小误差U， 4.2定义训练集PTrain的前向浓度集和滞后光流集定义调试集PTest的前向浓度集和滞后光流集 其中，训练集PTrain的前向浓度集为N1帧中每一帧图像沿羽流整体运动方向上的第一条羽流截面的SO2气体浓度数据的集合，训练集PTrain的滞后光流集为N1帧中每一帧图像沿羽流整体运动方向上的第二条羽流截面的SO2气体浓度数据处的光流数据的集合，0＜i≤N1； 调试集PTest的前向浓度集为N2帧中每一帧图像沿羽流整体运动方向上的第一条羽流截面的SO2气体浓度数据的集合，调试集PTest的滞后光流集为N2帧中每一帧图像沿羽流整体运动方向上的第二条羽流截面的SO2气体浓度数据处的光流数据的集合,0＜j≤N2； 4.3分别计算训练集PTrain和调试集PTest的加权的时间Ti′、Tj′和加权的温度Ci、Cj′， 其中，Ti为训练集PTrain第i帧图像的时间，Tj为调试集PTest第j帧图像的时间，TN为建模数据集P第N帧图像的时间，Ci为训练集PTrain第i帧图像的大气温度，Cj为调试集PTest第j帧图像的大气温度，Ck为建模数据集P第k帧图像的大气温度，0＜k≤N，为N帧图像的大气温度的均值， 通过烟羽横截面之间的像素间距D分别设定第i、j帧的变量因素Gi、Gj，Gi＝[Ti,Ci,D] Gj＝[Tj,Cj,D] 定义训练集PTrain的变量因素集调试集PTest的变量因素变量因素集为训练集PTrain的N1帧图像的变量因素Gi的集合，变量因素集为调试集PTest的N2帧图像的变量因素Gj的集合； 4.4将训练集PTrain前向浓度集和变量因素集作为输入、滞后光流集作为输出代入BP神经网络模型，使得前向浓度集和滞后光流集之间建立映射关系，即得初始BP神经网络模型DNN0； 4.5将调试集PTest的前向浓度集以及变量因素集输入初始BP神经网络模型DNN0，初始BP神经网络模型DNN0反馈输出调试集PTest的输出光流集 4.6根据输出光流集计算调试集PTest第j帧图像的SO2排放速率Φ′j， 其中f为相机焦距，m，M为第二条羽流横截面的位置，为羽流横截面的法向量，dp为相机与目标烟羽源的距离，Δs为积分步长，为输出光流集中第j帧图像的输出光流数据， 以调试集PTest的滞后光流集为基准光流，计算调试集PTest滞后光流集中第j帧图像的基准SO2排放速率Φj， 4.7计算调试集PTest的N2帧图像中每一帧图像的SO2排放速率Φ′j与基准SO2排放速率Φj之间的偏差的绝对值E′j，如果每一帧偏差的绝对值E′j均小于设定的误差阈值E，即得深度BP神经网络模型DNN2； 4.8反之，将偏差的绝对值E′j大于等于误差阈值E的每一帧均作为反馈输入初始BP神经网络模型DNN0，重复步骤S40的4.5-4.7，直到N2帧图像中每一帧图像的SO2排放速率Φ′j与基准SO2排放速率Φj之间的偏差的绝对值E′j均小于设定的误差阈值E，即得深度BP神经网络模型DNN2； 步骤S50 将待测浓度集及其对应的变量因素集G输入到深度BP神经网络模型DNN2，即得输出光流集然后通过SO2排放速率反演公式计算排放速率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人烟台大学，其通讯地址为：264005 山东省烟台市莱山区清泉路30号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。