氨气,氯气,六氟化硫等工业生产中常见的有毒害气体排放或泄漏会对人们造成大量不可逆的生命财产危害。因此高效地正确地对有害气体的种类和浓度做出检测识别具有极大的意义和研究价值。红外热像仪采集红外图像分析的方法以其高效率、远距离、大范围、动态直观等优势成为气体检测的主要手段之一。本文结合深度学习算法与有害气体红外图像处理,避免了人工特征提取,图像增强,图像伪彩处理等图像处理算法必然遇到的图像信息缺失的问题。同时在氨气二分类问题上取得了 98%以上的正确分类结果,而基于机器学习的hog-svm算法只有92%的识别率,本文算法对分类结果有显著提升。本文研究的主要创新研究工作包括:(1)提出了利用非局部均值降噪算法代替常用的小波降噪算法对有害气体红外图像进行图像降噪,并利用线性转化的方法将14bit图像转化为计算机可显示的8bit图像。本文比较了使用非局部均值算法与常用的小波降噪算法对有害气体红外图像降噪效果。同时针对不同搜索域半径,邻域半径以及平滑系数比较降噪效果。研究得出以下结论:1.人眼直观感受上非局部均值降噪算法比小波算法降噪效果明显,气体与背景对比度强;2.搜索域半径越大,邻域半径越大,平滑系数越高,图像对比度越强,但是图像的边缘会变得模糊。(2)提出以个人搭建卷积神经网络结构为核心,对无参考图像的有害气体红外图像进行质量评估。利用LIVE数据集训练网络,用训练好的网络评估有害气体红外图像质量。同时计算多种无参考图像质量评估算法的回归值与差分主观评分的线性相关系数和斯皮尔曼秩相关系数,以此做算法性能评估。研究得出以下结论:1.本文算法在对多种失真类型图像的质量评估比CORNIA,BRISQUE等非基于深度学习的无参估计算法更接近差分主观评分;2.经过非局部均值降噪的图像的卷积网络的回归值低于小波降噪后的图像,本文算法降噪后的图像质量优于小波降噪效果。(3)提出了利用深度学习算法处理有害气体红外图像分类识别问题。以LeNet为基础网络框架,添加包括dropout等结构加以改进,搭建自己的卷积神经网络框架,利用该卷积网络对图像进行分类识别。相较于通用的机器学习算法利用人工特征提取,bp神经网络分类或SVM分类,卷积神经网络算法通过其深层次网络结构来提取图像特征,同时尽量减少人工操作造成的图像信息丢失的可能。本文研究表明使用hog-svm算法分类正确率为92%,同样的数据集使用的本文算法分类正确率达98%;同时研究了在使用不同dropout比例,不同学习速率以及不同优化器算法对分类效果的影响。