[0001] 本发明涉及敏感煤尘浓度和位置预测技术领域，具体涉及一种港口煤炭堆场的煤尘浓度和位置信息检测方法及系统。

[0002] 传统基于图像检测煤尘浓度的方法主要有两类。一是简单图像处理技术，如边缘检测、阈值分割，其依赖特定环境和煤尘形态，对图像质量要求高，在复杂港口环境易受光照、干扰颗粒影响，且难以检测小粒径煤尘。二是传统机器学习算法，需人工提取特征再分类，过程耗时且特征难以保证全面有效，在港口环境实时性差，分类也不准确。目前市面上多数检测方法集中于煤尘浓度和位置确定，对于煤尘位置信息检测方法虽有一定研究但不够完善，少数相关研究也未广泛应用。

[0003] 然而，无论是传统图像处理技术还是传统机器学习算法，在复杂的港口环境下都存在精度不足的问题。如光照变化、存在多种干扰颗粒以及煤尘颗粒粒径差异等因素，都会影响检测精度，导致无法准确获取煤尘浓度。其次，传统机器学习方法中人工提取特征和模型训练的过程耗时，难以满足港口作业强度大、煤尘产生速度快的实时检测需求，导致检测滞后，无法及时准确获取煤尘浓度。再者，传统方法对煤尘分类不准确，无法区分不同特性的煤尘，这会影响基于分类的浓度计算方法的准确性，进而导致整体浓度检测精度不足。综上，现阶段急需一种准确且高效的煤尘浓度预测分析方法。

[0072] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0073] 实施例

[0074] 现有的溜筒卸料煤尘检测技术方案主要依赖于YOLOv4‑tiny的改进方法，具体实施流程如下：首先针对溜筒卸料场景，收集了大量煤尘图像数据并构建数据集。为提高检测的准确性，克服数据不均衡问题，现有技术采用了Mosaic数据增强技术，结合旋转、裁剪等操作以增加训练数据的多样性。在此基础上，使用YOLOv4‑tiny模型，通过在其Backbone和Neck结构上增加自定义的SERes模块和XRes模块，并结合现有的SPP和PRN模块来增强特征融合的能力。再使用改进的YOLOv4‑tiny网络对处理后的煤尘数据集进行训练。训练过程中，通过调整模型学习率、权重衰减等参数，使模型能够更好地学习煤尘的多样性特征。模型训练完成后，进行性能评估，主要测试其对四类煤尘的检测精度和平均检测精度，并记录检测速度。实验表明，改进的YOLOv4‑tiny模型在精度和速度上达到了良好的平衡。在应用过程中，模型被部署在溜筒卸料的实时监控系统中，用于检测和标记四类不同的煤尘。通过统计每类煤尘检测框的总面积，并采用加权计算方法，近似估算煤尘的浓度大小。

[0075] 缺陷及原因：

[0076] 1.位置信息精度有限

[0077] 现有技术在煤尘位置检测方面，主要通过检测框来确定煤尘的大致位置，这种方式在复杂环境下难以精确到煤尘的准确位置，尤其是在三维空间中的位置信息不够精准。在港口环境中，煤尘可能分布在不同高度和深度的区域，现有技术难以准确区分。其原因在于没有充分考虑到环境因素对煤尘位置检测的影响，以及缺乏更有效的定位方法。

[0078] 2.浓度判断精度有限

[0079] 现有技术仅通过统计四类煤尘检测框总面积做加权计算近似判断煤尘浓度大小，由于不同工况下煤尘的分布复杂且可能存在数据不均衡问题，单纯依靠检测框总面积加权计算难以充分考虑各种因素对浓度的影响，可能导致浓度判断结果与实际情况存在较大偏差。

[0080] 3.场景局限性依然存在

[0081] 现有技术仅依靠单一的改进YOLOv4‑tiny算法和图像数据进行检测，没有考虑到环境干扰因素对图像采集的影响以及通过图像拼接来优化检测基础的方法。尽管进行了一系列改进，但该方法仍然主要针对溜筒卸料场景。溜筒卸料的环境相对固定，而港口环境复杂多变，包括不同的货物种类、作业流程、气候条件等。港口可能同时存在多种货物的装卸作业，不同货物产生的煤尘特性可能不同，而现有方法在面对这种复杂多样的情况时无法充分适应。

[0082] 4.模块增加带来的复杂性

[0083] 现有技术使用YOLOv4‑tiny并通过增加多个复杂模块来提高检测性能，增加多个模块虽然提高了检测性能，但也增加了模型的计算复杂性。这使得模型对计算资源的要求更高，不利于在计算资源受限的工业现场中应用，同时增加了模型的部署和维护成本。

[0084] 为此，本发明提出的一种港口煤炭堆场的煤尘浓度和位置信息检测方法流程如图1所示，包括以下步骤：

[0085] S1：获取港口煤炭堆场煤尘的可见光图像和红外图像；对可见光图像和红外图像采用APAP变换，获得拼接融合后的图像；

[0086] S2：采用网络剪枝和权重量化优化原YOLOv5‑tiny模型获得轻量化YOLOv5‑tiny模型；

[0087] S3：通过训练集训练轻量化YOLOv5‑tiny模型获得边界框预测模型；将拼接融合后的图像进行网格划分，并输入到边界框预测模型中进行预测，判断边界框中是否存在煤尘目标；

[0088] S4：将不同颜色、纹理和形状的煤尘数据分为若干类煤尘数据类型，采用不同类型的煤尘数据对轻量化YOLOv5‑tiny模型进行训练，获得类别识别模型；将拼接融合后的图像输入到类别识别模型获得类别识别结果；

[0089] S5：通过实验确定不同煤尘数据类型基于粒径、粒径分布函数和湿度要素所对应的浓度权重；根据边界框中煤尘目标的预测结果确定不同煤尘数据类型的检测框总面积，基于不同煤尘数据类型的浓度权重和检测框总面积进行加权平均，获得煤尘浓度检测结果。

[0090] S6：将融合后的图像进行全息处理，通过数值反演缺陷点调剂产生衍射图像，采用训练后的神经网络识别衍射图像的衍射环识别结果；根据衍射环的识别结果以及光学几何关系，确定煤尘的位置信息。

[0091] 具体的：

[0092] 一、本实施例采用以下设备与选型执行多模态数据采集：

[0093] 在港口煤炭堆场布置两台海康威视Smart IPC H265200万红外筒型网络摄像仪，分别用于采集可见光和红外光谱下的煤尘图像。可见光摄像机采集正常光照条件下的图像(Iv)，而红外摄像机则在低光照或烟雾弥漫等复杂环境下提供稳定的图像数据(Ii)，这种多模态的数据采集方式能够获取更全面的煤尘信息，为后续的环境自适应检测提供数据基础。

[0094] 由于港口作业存在不同货物装卸、各种天气条件以及不同时间段的光照变化等因素，采集的数据需要涵盖各种可能的工况。在不同的天气条件下(晴天、阴天、雨雾天气等)，以及不同的作业时间段(白天、夜晚)都要进行数据采集，确保采集到的图像数据能够反映港口煤尘在复杂环境下的真实情况。

[0095] 二、APAP变换前的数据预处理

[0096] 对采集到的原始彩色图像进行灰度化处理。设原始图像为I(x,y)，其中(x,y)为图像像素坐标，灰度化后的图像Igray(x,y)采用加权平均法计算，公式为：

[0097] Igray(x,y)＝0.299×IR(x,y)+0.587×IG(x,y)+0.114×IB(x,y)

[0098] 其中，IR(x,y)、IG(x,y)、IB(x,y)分别为原始图像在(x,y)处的红、绿、蓝通道值。通过灰度化处理，将彩色图像转换为灰度图像，减少数据量，提高后续处理速度，同时简化了图像的特征表示，便于后续算法处理。

[0099] 采用中值滤波算法去除图像中的噪声。对于图像中的每个像素点(x,y)，以其为中心取一个n×n(本发明中n＝3)的滤波窗口W。设滤波窗口内的像素值集合为：对集合S中的像素值进行排序，取排序后的中值作为
滤波后该像素点的值If(x,y)。中值滤波能够有限去除图像中的椒盐噪声等，增强煤尘颗粒与背景的对比度。

[0100] 三、基于双图像的APAP拼接及融合

[0101] 1、特征点检测

[0102] 对于一幅图像I，首先构建尺度空间L(x,y,σ)，其中σ为尺度参数，通过高斯函数与原始图像进行卷积得到不同尺度下图像，即其中 表示卷积操作。在不同尺度下检测局部极值点作为
候选特征点，然后通过去除对比度低的点和边缘响应点，得到稳定的SIFT特征点。设检测到的特征点集合为P＝{pi＝(xi,yi,σi)}，其中(xi,yi)为特征点坐标，σi为特征点所在的尺度，检测局部极值点是通过比较像素点在不同尺度下与其邻域像素点的值来确定当某个像素点的值在其邻域中是极大值或极小值时，可能是局部极值点，再根据对比度和边缘响应的条件进一步筛选出稳定的特征点，对比度较低的点可能是由于噪声等因素引起的，边缘响应点可能不符合特征点的要求，需要去除。

[0103] 2、特征点匹配与外点剔除

[0104] 设两幅图像的特征点集合分别为P1和P2，对于每个特征点p1i∈P1，在P2中寻找与之匹配的特征点p2j∈P2。通过计算特征点之间的具体和方向等特征来判断匹配的可能性。设p1i＝(x1i,y1i,σ1i)，p2j＝(x2j,y2j,σ2j)，则欧氏距离 设匹配点对集合为M＝{(p1i,p2j)}。

[0105] 采用RANSAC算法剔除外点，从匹配点对集合M中随机选取一个子集S，通过计算子集S中特征点对的单应性矩阵H，然后根据其他匹配点对于单应性矩阵H的一致性来判断是否为内点。如果一个匹配点对(p1k,p2l)满足d((p1k,p2l)·H)＜τ(其中d为距离度量，τ为阈值)，则认为该点对为内点，否则为外点。重复这个过程多次，选择内点数量最多的单应性矩阵作为最终的结果，得到内点集合M′。

[0106] 进一步，设内点集合M′＝{(p1i,p2j)}，根据对应点对的坐标关系可以构建一个线性方程组Ax＝0，其中A为系数矩阵，x为包含单应性矩阵元素的向量。对于一个匹配点对(p1i,p2j)，其坐标关系可以表示为 其中 为单应性矩阵H。将多个匹配点对的坐标关系代入，构建出线性方程组Ax＝0，求解这个线性方程组，得到单应性矩阵H的估计值。

[0107] 将源图划分成网格，设网格大小为g×g。对于每个网格中心点ci＝(xi,yi)，计算其与源图上内点之间的欧式距离d(ci,pj)和权重w(ci,pj)。权重根据距离采用高斯函数计算，即其中σ为参数。设内点pj＝(xj,yj)，则欧式距离将权重放到DLT算法的A矩阵中，构建新的W*A矩阵，重新进行
SVD分解，得到当前网格的局部单应性矩阵Hi。遍历每个网格，利用局部单应性矩阵Hi将网格内的图像映射到全景画布上，得到APAP变换后的源图。对于拼接处的像素点，通过加权平均的方式进行融合。设拼接处的像素点为p，两幅图像中对应像素点分别为p1和p2，融合后的像素值pf可以表示为pf＝w1p1+w2p2，其中w1和w2是根据像素点到拼接处边界的距离确定的权重，w1+w2＝1。

[0108] 四、优化轻量化YOLOv5‑tiny模型，包括网络剪枝和量化

[0109] 对YOLOv5‑tiny模型的Backbone、Neck和Head部分进行网络剪枝。通过分析网络中各层神经元的重要性，去除对煤尘检测贡献较小的连接和神经元，采用基于L1正则化的方法来评估神经元的重要性。设神经元的输出为yi，输入为xi，权重为wij，则神经元的重要性指标Ω(w)可以表示为 对于一个具有m个输入和n个输出的神经元层，其权重矩阵为Wm×n。对于第j个输出神经元，其重要性指标Ω(wj)的计算为 根据
重要性指标，删除重要性较低的神经元及其连接。可以设定一个阈值T，当Ω(wj)＜T时，删除对应的神经元及其连接。这种网络剪枝操作通过分析神经元的连接权重，去除对煤尘检测贡献较小的部分，从而简化模型结构，减少计算资源需求。

[0110] 对模型的权重进行量化，将权重从高精度的数据类型量化为低精度的数据类型。设原始权重为w，量化后的权重为wq，量化过程表示为 其中Δ为量化步
长。在现场应用中，根据模型的性能和硬件要求选择合适的量化步长。量化技术可以进一步减少模型的存储空间和计算量，使其更适合在边缘设备上运行。

[0111] 多模态数据融合训练：设可见光图像数据为Iv，红外图像数据为Ir，融合后的训练数据采用加权融合的方式，即If＝αIv+(1‑a)Ii，其中α为融合权重，通过试验确定合适的值。这种多模态数据融合训练方式使模型能够同时学习到可见光图像和红外图像中的煤尘特征信息，提高模型在复杂环境下的检测能力。不同模态的图像包含煤尘在不同光谱下的特征，融合后模型能更好的理解煤尘的本质特征，从而提高检测的准确性和鲁棒性。

[0112] 动态调整学习率：在训练初期，采用较大的学习率η0，以便模型能够快速收敛到一个较优的解空间。随着训练的进行，根据训练损失的变化情况动态调整学习率。设训练损失为L(t)，其中t为训练的轮数。当训练损失连续k个轮数没有下降时，将学习率乘以一个衰减因子γ，即ηt+1＝γηt，这种动态调整学习率的方法可以使模型在训练过程中更好地适应数据的分布，提高模型的训练效率和精度，避免模型陷入局部最优解。

[0113] 五、煤尘位置检测

[0114] 将拼接后的图像输入到优化后的YOLOv5‑tiny模型中进行煤尘位置检测。在模型中，图像被划分为的网格单元，每个网格单元负责预测一定数量的边界框。

[0115] 模型首先对输入图像进行多层卷积操作以提取特征。设输入图像为I(x,y)，其中(x,y)为图像像素坐标，图像的尺寸为W×H(宽度为W,高度为H)。对于第l层卷积层，其卷积核为Kl，大小为kl×kl×Cl‑1×Cl(其中kl为卷积核的空间尺寸，Cl为输入通道数，Cl+1为输出通道数)。则第l层卷积后的特征图Fl(x,y)可以表示为：

[0116] 其中(x,y)为网格单元在原始图像中的左上角坐标，s为网格单元的宽度和高度。bw和bh是以整张图片为基准归一化后的边界框宽度和高度，其取值范围是[0,1]，可以通过以下公式转换为在原始图像中的实际宽度和高度：

[0117] Bw＝bw×W

[0118] Bh＝bh×H

[0119] 置信度表示边界框中包含煤尘目标的概率，其计算采用公式：其中P(Object)为框内有检测目标的概率，若有检测目标，则为
1，否则为0， 为预测框和真实煤尘边界框的交并比。设预测框坐标为(xpred,ypred,wpred,hpred)，真实煤尘边界框坐标为(xtruth,ytruth,wtruth,htruth)，则 可以计算为：

[0120]

[0121] 其中，Area(Intersection)为预测框与真实煤尘边界框重叠部分的面积，分式下面的Area(Union)为预测框与真实煤尘边界框所覆盖的总面积；

[0122] 通过模型的预测，最终得到煤尘在图像中的边界框位置和类别信息。

[0123] 六、基于深度学习的点云配准法确定煤尘位置信息

[0124] 本发明采用基于深度学习的点云配准法确定煤尘位置信息，利用计算全息的概念，通过数值反演缺陷点调制产生的衍射图像实现微小光损伤的轴向精确定位，并结合衍射环的梯度方向特征，采用适用于衍射环检测的神经网络进行重叠率较高的衍射环识别，从而有效提高损伤点的横向分辨率，最终确定煤尘位置信息。与现有未涉及此方面的发明相比，本发明能够提供更全面的煤尘信息，不仅知道煤尘的位置和大致浓度，还能精确获取其位置信息，这对于更准确地评估煤尘的分布范围和采取针对性的降尘措施具有重要意义。

[0125] 首先，利用计算全息的概念，通过数值反演缺陷点调剂产生的衍射图像，实现微小光损伤的轴向精确定位。设原始衍射图像为D(x,y)，通过数值反演算法得到轴向位置信息z。根据光的衍射理论，对于一个衍射系统，其光场分布U(x,y,z)满足波动方程：

[0126]

[0127] 其中 为波数，λ为光的波长。在傍轴近似下，光场分布可以表示为：

[0128] U(x,y,z)＝A(x,y,z)e‑ikz

[0129] 其中A(x,y,z)为缓慢变化的振幅函数。对于一个点光源产生的衍射图像，其强度分布I(x,y)与光场分布U(x,y,z)的关系为：

[0130] I(x,y)＝|U(x,y,z)|2

[0131] 通过求解上述波动方程，并结合已知的光源的位置和波长等衍射系统参数，可以得到数值反演算法来计算轴向位置信息z，,然后，结合衍射环的梯度方向特征，采用适用于衍射环检测的神经网络，实现对重叠率较高的衍射环识别，有效提高损伤点的横向分辨率。设神经网络的输入为衍射图像特征X，输出为衍射环的识别结果Y。通过训练神经网络来优化其参数θ，使得识别结果与真实的衍射环位置尽可能接近。设神经网络的训练样本数量为N，采用均方误差损失函数来衡量预测结果与真实结果之间的差异，其计算公式为：

[0132]

[0133] 其中Yi为第i个样本的预测衍射环识别结果， 为第i个样本的真实衍射环识别结果。

[0134] 根据衍射环的识别结果以及相关的光学几何关系，可以进一步计算出煤尘的位置信息。

[0135] 设衍射环在图像平台上的坐标(xd,yd)，相机的内参矩阵为 其中fx和fy是相机在x和y方向的焦距，(cx,cy)是图像中心的坐标。

[0136] 针对针孔相机模型，空间点在图像平面上的投影坐标满足以下关系：

[0137]

[0138] 对于衍射环所对应的煤尘点，假设其在世界坐标下的坐标为(Xw,Yw,Zw)，通过上述针孔相机模型和已识别的衍射环在图像平面上的坐标(xd,yd)，可以建立以下方程：

[0139]

[0140] 由内参矩阵得：

[0141]

[0142] 从上述方程中可以解出(Xw,Yw,Zw)(即煤尘的位置信息z)：

[0143] 七、煤尘种类识别与分类

[0144] 对煤尘的颜色、纹理、形状等特征进行深入分析，以确定分类指标。

[0145] 颜色特征：煤尘的颜色受煤质成分、开采过程中的杂质混入以及环境因素影响。在RGB颜色空间中，不同类型煤尘的颜色均值和方差有差异。一些优质煤产生的煤尘可能颜色较深，其RGB均值可能接近，方差较小；而含杂质较多的煤尘颜色可能较浅且不均匀，RGB均值可能在左右，方差较大。

[0146] 纹理特征：通过灰度共生矩阵(GLCM)分析，对于给定的偏移量(Δx,Δy)，计算不同灰度值组合出现的频率。对于高质量煤尘，其纹理较为均匀，GLCM的对比度较低；而对于受扰动较大或含杂质多的煤尘，纹理复杂，对比度较高。

[0147] 形状特征：煤尘颗粒形状多样，通过计算形状描述子量化，圆形度(A为面积，C为周长)，长宽比 (Length和Width分别为颗粒的长轴和短
轴长度)，一些经过筛选或特定加工过程的煤尘颗粒可能更接近圆形，圆形度较高；而自然破碎产生的煤尘可能形状不规则，圆形度较低，长宽比变化较大。

[0148] 特征提取方法：

[0149] 在模型训练中，通过卷积神经网络自动提取煤尘的各种特征。

[0150] 卷积操作：设卷积核为K，大小为k×k×Cin×Cout(Cin为输入通道数，Cout为输出通道数)，图像为I(x,y)，卷积后的特征图F在位置(x,y)处的值为：

[0151]

[0152] 其中Fin为输入特征图，通过多层卷积层，提取不同层次的特征。

[0153] 池化操作：采用最大池化层减少数据量，设池化窗口大小为p×p，输入特征图为Fin(x,y)，则池化后的特征图Fout(x,y)为：

[0154]

[0155] 通过多层卷积和池化操作，提取到煤尘的高层次特征，用于后续的分类。

[0156] 分类模型训练：

[0157] 采用大量标注好的港口图像数据对分类模型进行训练，将煤尘分为四类。

[0158] 第一类：颜色深(RGB均值(20‑40，20‑40，20‑40))，纹理均匀(GLCM对比度＜0.5，能量＞0.6)，形状较规则(圆形度＞0.6)的煤尘，可能来自优质且加工处理较好的煤炭，在运输和装卸过程中相对较少产生扬尘，且容易沉降。

[0159] 第二类：颜色中等(RGB均值(40‑60，40‑60，40‑60))，纹理适中(GLCM对比度0.5‑1.0，能量0.4‑0.6)，形状较不规则(圆形度0.4‑0.6)的煤尘，可能来自一般品质煤炭且受一定环境影响，其扬尘性和沉降性处于中等水平。

[0160] 第三类：颜色浅(RGB均值(60‑80，60‑80，60‑80))，纹理复杂(GLCM对比度＞1，能量＜0.4)，形状不规则(圆形度＜0.4，长宽比变化较大)的煤尘，可能是由于煤炭在开采或运输过程中受到较大的机械力作用导致破碎程度高，这类煤尘容易飞扬且较难沉降，对环境影响较大。

[0161] 第四类：具有特殊颜色特征(带有明显的其他颜色杂质，在RGB值上有特殊的分布范围)，独特纹理(具有明显的条纹状或斑点状纹理，与前三类有显著差异)，形状特殊(细长条状、片状等非典型颗粒形状)的煤尘，这类煤尘是由于特殊的地质条件或混入了其他特殊物质导致，其物理和化学性质与前三类有较大不同，在环境中的行为和影响单独考虑。

[0162] 在训练过程中，使用交叉熵损失函数来衡量分类模型的预测结果与真实标签之间的差异。设样本数量为N，类别数量为C，对于第i个样本的第j个类别标签yij(若样本属于第j个类别，则yij＝1，否则为0)，交叉熵损失函数L可以表示为：

[0163]

[0164] 通过最小化交叉熵损失函数，使用优化算法来更新分类模型的参数，优化分类模型的参数，提高分类精度。设模型参数为θ，学习率为η，则在每次迭代中，模型参数的更新公式为：

[0165]

[0166] 其中， 是损失函数L在参数θ为θt时的梯度。

[0167] 通过计算梯度并按照上述公式更新参数，模型能够逐渐学习到输入图像与类别标签之间的映射关系，使得预测结果更加准确。

[0168] 煤尘分类检测：

[0169] 将待检测的煤尘图像输入到训练好的分类模型中，模型根据提取到的特征，输出煤尘所属的类别。设模型输出的类别概率向量为[p1,p2,p3,p4],其中pi为煤尘属于第i个类别的概率，选择概率最大的类别作为煤尘的分类结果，即

[0170] 八、污染评价与等级判定

[0171] 动态加权浓度计算方法：

[0172] 本研究提出的动态加权浓度计算方法是一种创新的煤尘浓度估算方式，该方法考虑了煤尘的粒径、湿度等多种特性，通过对不同特性的煤尘赋予相应的权重，能够更准确地反映煤尘在环境中的实际浓度情况。

[0173] 设四类煤尘的检测框总面积分别为A1、A2、A3、A4，对应的权重分别为w1、w2、w3、w4。权重的确定考虑煤尘的粒径和粒径分布函数 (其中d为粒径)以及湿度h等因素。采用以下权重函数形式：

[0174]

[0175] 其中ki和λi为根据实验确定的参数。煤尘浓度C可以表示为：

[0176]

[0177] 其中，AT为图像总面积。通过动态加权浓度计算方法，能更准确地估算煤尘浓度，考虑了煤尘的多种特性。

[0178] 污染等级判定：

[0179] 根据煤尘浓度以及港口煤炭堆场环境的相关标准，制定污染等级划分标准。当煤3 3
尘浓度C＜C1(设C1＝1mg/m)时，判定为轻度污染；当C1≤C＜C2(设C2＝5mg/m)时，判定为中度污染；当C≥C2时，判定为重度污染。

[0180] 等级判定方法：

[0181] 首先，根据上述动态加权浓度计算方法计算得到煤尘浓度C，然后在深度学习框架中，通过将数字图像技术与DL框架相结合的创新方式来判定污染等级。

[0182] 特征提取与函数关系建立：

[0183] 在卷积层中，对于输入图像I，设卷积核为K，其大小为k×k×Cin×Cout(Cin为输入通道数，Cout为输出通道数)，卷积后的特征图F可表示为：

[0184]

[0185] 通过多层卷积层提取图像特征，这些特征与煤尘的浓度相关。在后续的池化层和全连接层操作中，进一步对特征进行处理和整合。

[0186] 通过对大量的粉尘图像数据进行分析和处理，利用深度学习算法建立灰度均值和粉尘浓度之间的函数关系。设灰度均值为G，粉尘浓度为D，建立的函数关系可以表示为D＝f(G)，其中f是通过深度学习模型学习到的复杂函数关系。

[0187] 基于函数关系的模型训练与污染等级判定：

[0188] 基于得到的函数关系为训练DL模型所需粉尘图像数据集提供参考。在训练过程中，根据上述的轻度、中度、重度污染对应的浓度值设定的污染等级标准，对模型进行优化，使模型能够根据输入的图像特征准确地输出对应的污染等级。

[0189] 在全连接层中，设输入层中的神经元为，数量为，输入神经元的值为xi，权重为wij，偏置为bj，则全连接层的输出yj可表示为：

[0190]

[0191] 当面对某些复杂的数据特征时，需要借助非线性激活函数进行提取。在模型中，采用双曲正切函数作为非线性激活函数，即：

[0192]

[0193] 根据上述运算以及煤尘浓度C，按照等级划分标准判定污染等级。若C＜C1，则判定为轻度污染；若C1≤C＜C2，则判定为中度污染；若C≥C2，则判定为重度污染。通过污染等级判定，可以直观地了解港口煤尘污染的程度，为采取相应的降尘措施提供决策依据。

[0194] 本发明具有以下技术效果：

[0195] 增强环境适应性：本发明针对港口复杂多变的环境，采用多模态传感技术，结合可见光与红外图像信息。在港口不同区域布置相关设备采集数据，通过对不同模态图像的融合处理和分析，模型能够学习到煤尘在各种环境条件下的特征表现。相比现有仅依靠单一改进算法和图像数据且主要针对溜筒卸料场景的技术，本发明能够更好地适应港口不同货物种类、作业流程和气候条件下的煤尘检测需求，有效克服了水雾等干扰因素对图像质量的影响，提高了检测的准确性和可靠性。

[0196] 降低模型复杂性：本发明采用优化后的轻量化YOLOv5‑tiny模型，并通过网络剪枝和量化技术简化模型结构。网络剪枝依据神经元重要性删除对煤尘检测贡献较小的连接和神经元，量化技术将权重转换为低精度类型。这种结构优化使得模型计算资源需求大幅降低，与现有通过增加多个复杂模块提高检测性能的技术相比，本发明减少了对计算资源和存储的需求，更易于在港口计算资源受限的现场设备上部署和维护，提高了检测方法的实用性。

[0197] 提高检测精度：本发明将图像划分为更精细的网格单位，并进行多个边界框预测，同时对煤尘进行四类细分检测，充分考虑港口煤炭堆场环境中不同类型煤尘的特点。模型能够自动学习煤尘的颜色、纹理、形状等特征，相比现有仅通过统计四类煤尘检测框总面积做加权计算近似判断煤尘浓度大小的技术，本发明显著提高了煤尘检测的精度，能够更准确地识别煤尘在港口环境中的位置和类别。

[0198] 精准降尘：根据本发明准确的煤尘检测和浓度判断结果，能够针对不同浓度和类型的煤尘调整降尘设备的工作参数。通过动态加权浓度计算方法准确计算煤尘浓度，依据浓度和煤尘类别调整喷雾降尘设备的喷雾量、喷雾角度等参数，实现针对性的降尘处理。与现有技术相比，本发明能够提高降尘效果，减少资源浪费，为港口环境治理提供更有效的解决方案。

[0199] 以上为本实施例的一个实施例提供的港口煤炭堆场的煤尘浓度和位置信息检测方法，基于同样的思路，本实施例还提供了相应的港口煤炭堆场的煤尘浓度和位置信息检测系统，关于港口煤炭堆场的煤尘浓度和位置信息检测系统的具体限定可以参见上文中对于港口煤炭堆场的煤尘浓度和位置信息检测方法的限定，在此不再赘述。上述港口煤炭堆场的煤尘浓度和位置信息检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0200] 本实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的港口煤炭堆场的煤尘浓度和位置信息检测方法。

[0201] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

[0202] 以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。