面向工业环境烟羽抬升测量的深度卷积神经网络
机器学习
2023-03-14 v2
摘要
估算烟羽云（PC）高度对于全球气候模型等多种应用至关重要。烟囱烟羽抬升（PR）是指当 PC 动量耗散且 PC 与周围环境温度趋于平衡时，PC 被带向下风的恒定高度。尽管大多数空气质量模型使用不同参数化方法预测 PR，但它们尚未得到充分验证。本文提出一种低成本测量技术，用于监测烟囱 PC 并实现 PR 的长期实时测量。为此，基于深度卷积神经网络（DCNNs）开发了一种两阶段方法。第一阶段，应用一种改进的 Mask R-CNN（称为深度烟羽抬升网络 DPRNet）来识别 PC。此处，分别利用图像处理分析与最小二乘法检测 PC 边界并将渐近模型拟合至边界中心线。该模型临界点的 y 坐标分量被视为 PR。第二阶段，几何变换阶段将图像测量值转换为实际物理量。选取了涵盖白天、夜晚及多云/雾天等多种大气条件的广泛图像用于 DPRNet 训练算法。所得结果表明，所提方法在烟雾边界检测与识别方面优于广泛使用的网络。
引用
@article{arxiv.2302.07416,
title = {Deep Convolutional Neural Network for Plume Rise Measurements in Industrial Environments},
author = {Mohammad Koushafar and Gunho Sohn and Mark Gordon},
journal= {arXiv preprint arXiv:2302.07416},
year = {2023}
}