烟尘黑度是工业污染监测中的一项重要指标,工业中依据林格曼烟气黑度评估烟尘的污染等级,计算机图像识别技术能够为基于林格曼烟气黑度的烟尘自动监测提供一种有效的方案。而这一过程中的难点和关键在于如何将烟尘目标区域从背景中有效分割。工业烟尘具有形状不固定,和云相似度高等特点,导致现有方法对复杂场景下烟尘的分割结果不准确。全卷积网络能够实现对烟尘目标的像素级分割,但在复杂场景下的分割准确度仍然有待提高,本文针对此问题展开了以下研究:(1)基于多尺度卷积FCN(Fully Convolutional Networks)的工业烟尘目标分割方法。针对全卷积网络在对复杂场景下烟尘的分割准确度不高的问题,在全卷积网络的基础上,使用多尺度卷积操作替换原有的单一尺度的卷积,构建多尺度卷积的全卷积网络,通过结合多个尺度的感受野增强模型的特征提取能力。实验表明,相比于全卷积网络,本章方法在烟尘的分割完整性方面有所提高,分割结果更为准确,Io U(Intersection over Union)指标相比于改进前最多提高了5.58%,F1度量指标提高了3.6%。(2)基于FCN-LSTM的工业烟尘目标分割方法。针对分割烟尘容易受到背景中非烟尘元素的干扰导致分割不准确的问题,采用一种基于FCN-LSTM的工业烟尘图像分割方法,在全卷积网络对图像空间特征提取的基础上,使用长短时记忆网络提取图像序列的时间信息,通过烟尘的动态特征对运动的烟尘和背景进行区分,增强模型在复杂场景下的抗干扰能力。实验表明,改进的模型相比于全卷积网络,在复杂场景下的抗干扰能力有显著提升,能够有效克服来自云的干扰,对全卷积网络分割结果中易出现干扰点的问题也有改善,Io U指标相比于全卷积网络最多提高了8.04%,F1度量指标最多提高了5.12%。(3)融合动态权重代价函数的工业烟尘目标分割方法。针对交叉熵代价函数不能充分对分类困难与分类不准确烟尘目标进行有效训练的问题,使用融合动态权重的代价函数替换原有的标准交叉熵代价函数,通过在交叉熵上增加动态加权因子增强对分类不准确目标的训练,减弱对分类准确点的训练,通过提高训练效率提升模型分割复杂场景中烟尘的准确度。实验结果表明,相比于使用交叉熵代价函数的全卷积网络模型,改进的融合动态权重的代价函数模型的烟尘分割结果更准确,Io U指标最多提高7.31%,F1度量指标最多提高了4.74%。