[发明专利]基于视觉的火化机燃烧时间计算方法

说明书

本发明公开了基于视觉的火化机燃烧时间计算方法，包含的步骤为：首先对尸体的位置进行固定，通过摄像头获取尸体的照片，然后基于增强Mask‑RCNN深度学习网络进行尸体分割，再次通过四层全链接神经网络判断人体像素数与殡葬火化机燃烧时间关系，得到最佳的殡葬火化机燃烧时间。所述Mask‑RCNN方法包含三个阶段：特征提取、区域建议和预测。本发明属于非接触式燃烧时间预测技术，燃烧控制程序通过四层全链接神经网络判别结果对火化机燃烧时间进行调整，从而使得火化机燃烧时间参数设置更加合理。

技术领域

本发明属于焚化炉技术领域，涉及一种专门适用于焚化人或动物尸体的方法，具体涉及一种基于视觉的火化机燃烧时间计算方法。

背景技术

殡葬火化机燃烧时间具有特殊性，目前，不同重量的尸体所燃烧的时间基本上依靠人工经验判断，因此时常发生因为判断不准确，使得燃烧时间或过长或过短，造成不良影响。

影响火化机燃烧时间的关键因素是尸体的重量。因火化机燃烧时间的特殊性，不方便使用接触式称重设备进行尸体的重量称量，这就使得基于非接触式的尸体重量判断非常必要。

发明内容

为解决上述现有殡葬火化机燃烧时间判断不准确的问题，本发明提出基于视觉传感的非接触式尸体燃烧时间估算，属于基于深度学习的非接触式殡葬火化机燃烧时间估算方法。首先通过摄像头获取尸体的照片，然后基于增强Mask-RCNN深度学习网络进行尸体分割，再次通过四层全链接神经网络判断人体像素数与殡葬火化机燃烧时间关系，得到最佳的殡葬火化机燃烧时间。

为实现上述目的，本发明采用的技术方案为基于视觉的火化机燃烧时间计算方法，具体包含以下步骤：

步骤一：对尸体的位置进行固定；

步骤二：提取照片；

步骤三：通过Mask-RCNN方法确定尸体所在的区域；

步骤四：根据尸体像素与尸体燃烧状态的时间关系确定燃烧时间。

上述Mask-RCNN方法包含三个阶段：特征提取、区域建议和预测。

在特征提取阶段，将基于ResNet的FPN作为Mask-RCNN的主干网络，根据肺结节图像设计出精细的基本特征提取层和简化的后续特征提取层。

所述FPN包含三个部分：自下而上路径，自上而下路径和横向连接。

在区域建议阶段，区域建议网络RPN通过在FPN提供的多尺寸特征图上进行滑动窗口操作来提取矩形候选区域。

在预测阶段使用RoIAlign的方法将候选区域框中的特征转换为具有固定空间维度H*W的小特征图，以解决RoIPool操作中两次量化造成的区域不匹配问题。

作为优选，上述小特征图中结节识别为7*7，结节分割为14*14。

上述两次量化为RoI边界量化和单元边界量化。

与现有技术相比，本发明具有以下有益技术效果：

1，本发明基于增强Mask-RCNN深度学习网络进行人体分割，然后通过四层全链接神经网络判断人体像素数与殡葬火化机燃烧时间关系，可以得到最佳的殡葬火化机燃烧时间。

2，本发明属于非接触式燃烧时间预测技术，燃烧控制程序通过上述判别结果对火化机燃烧时间进行调整，从而使得火化机燃烧时间参数设置更加合理。

附图说明

图1为本发明基于视觉的火化机燃烧时间计算方法的流程图；

图2为基于Mask-RCNN的肺结节自动识别流程图；

图3为基于Mask-RCNN框架的分割示意图；