(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210960683.X (22)申请日 2022.08.11 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 徐英杰　谢勇　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 专利代理师 冷红梅 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06V 10/50(2022.01) G06V 10/54(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于纹理特征和HBA-DELM算法的空气 源热泵除霜控制方法 (57)摘要 本发明公开一种基于纹理特征和HBA ‑DELM 算法的空气源热泵除霜控制方法， 包括以下步 骤： 采集样本图像并构建按正、 负样本图像分类 的图像数据集； 对图像数据集中的样本图像进行 图像预处理和光照预处理， 以得到预处理后的 图 像数据集； 对 预处理后的图像数据集中的样品图 像进行局部HOG特征和全局GLCM特征提取， 并加 权融合两种特征获得多尺度融合特征； 利用深度 极限学习机对多尺度融合特征信息进行特征训 练， 并通过蜜獾算法优化深度极限学习机， 从而 构建HBA‑DELM算法模型； 利用HB A‑DELM算法模型 对空气源热泵系统进行除霜检测并根据除霜检 测结果进行相应的除霜控制。 本发 明可对空气 源 热泵结霜状态做出精准识别和相应的除霜操作， 减少误除霜事故的发生和能源浪费。 权利要求书3页 说明书9页 附图3页 CN 115205280 A 2022.10.18 CN 115205280 A 1.一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方法， 其特征在于， 包括 以下步骤： S1、 采集样本图像， 并基于临界除霜控制点将采集的样本图像划分为正、 负数据集， 以 形成图像数据集； S2、 对图像数据集中的样本图像进行图像预处理和光照预处理， 以得到预处理后的图 像数据集； S3、 对预处理后的图像数据集 中的样品图像进行局部HOG特征和全局GLCM特征提取， 并 对两种特 征进行加权融合以获得多尺度融合特 征信息； S4、 采用深度极限学习机的交叉验证对提取的多尺度融合特征信息进行特征训练， 并 通过蜜獾算法优化深度极限学习机， 从而构建HBA ‑DELM算法模型； S5、 利用HBA ‑DELM算法模型对空气源热泵系统进行除霜检测； S6、 基于步骤S5中的除霜检测结果进行除霜控制。 2.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 步骤S1中， 所述样本图像是在自然光照下不同时段、 不同运行状态和不同 环境温度下的蒸发器翅片图像， 所述负数据集中包含的负样本图像即空气源热泵系统需要 进行除霜操作时所采集的蒸发器翅片图像。 3.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 所述步骤S2中图像预处理包括： 对样本图像进行灰度转化、 压缩图像灰度 级与数据增强。 4.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 所述 步骤S2中， 光照预处 理包括： S2.1、 选取图像数据集中标准 光照下某一时间节点的RGB形式的样本图像； S2.2、 将RGB形式的样本图像转换至 YUV颜色空间的样本图像； S2.3、 对转换至 YUV颜色空间的样本图像中的亮度分量V进行提取； S2.4、 将所有提取后的亮度分量V按由高到低的顺序依次排列， 并基于排序后位于中间 亮度分量前后 分别占总亮度分量25％的亮度分量求取亮度平均值， 亮度平均值Vave的计算 方式如下： Vave＝Vref/Vnum， 其中， Vave表示亮度平均值， Vref表示位于中间亮度分量前后分别占总亮度分量25％的 亮度分量的亮度总值， Vnum表示位于中间亮度分量前后 分别占总亮度分量25％的亮度分量 的像素总数， 定义 光照补偿系数： Lcf＝255/Vave； S2.5、 重复步骤S2.1～S2.4， 直至获取样本图像中所有时间节点下的光照补偿系数Lcf； S2 .6、 建立一个空集合 用于存放各个时间节点下的光照补偿系数Lc f即 以组成光照补偿模板库； S2.7、 基于光照补偿模板库中的光照补偿系数对相应的图像数据集中的样本图像进行 光照补偿， 进 而得到预处 理后的图像数据集。 5.根据权利 要求4所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方权　利　要　求　书 1/3 页 2 CN 115205280 A 2法， 其特征在于， 所述 步骤S4与步骤S5之间还 包括步骤： 基于步骤S2.6中所述光照补偿模板库中的光照补偿系数对相应时间节点下实际采集 得到的图像进行光照补偿。 6.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 所述 步骤S3中， 提取局部 HOG特征的步骤 包括： A、 计算样本图像的每个像素的梯度幅值和梯度 方向角， 以获得样本图像的局部轮廓信 息， 梯度幅值和梯度方向角的具体 计算方法如下： Ix(x,y)＝I(x+1,y) ‑I(x‑1,y), Iy(x,y)＝I(x,y+1) ‑I(x,y‑1), 其中， Ix(x,y)和Iy(x,y)分别表示x和y方 向上的梯度， M(x,y)表示梯度幅值， δ(x,y)表 示梯度方向角； B、 根据样本图像的局部轮廓信息将图像划分成多个细胞单元， 且细胞单元的像素为m* m； C、 统计每个细胞单元的梯度直方图； D、 将每n*n个细 胞单元组成一个(m*n)*(m*n)像素大小的滑动图像区块， 计算每个滑动 图像区块内的梯度特 征； E、 将所有滑动图像区块内的梯度特 征组合起来得到样本图像的局部 HOG特征。 7.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 步骤S3中， 所述 提取全局GLC M特征的步骤 包括： a、 分别计算样本图像在多个预设角度方向上的联合 概率密度； b、 基于多个预设角度方向上的联合概率密度分别计算样本 图像在多个预设角度方向 上对应的纹 理特征， 所述纹 理特征为非线性相关统计量； c、 分别计算样本图像在多个预设角度方向上的非线性相关统计量的均值和标准差， 以 获取全局GLC M特征。 8.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 步骤S3中， 所述多尺度融合特 征信息的表达式为： T＝β1THOG+β2TGLCM， 其中， T表示多尺度融合特征信息， β1、 β2均为权重系数， THOG表示局部HOG特征， TGLCM表示 全局GLCM特征。 9.根据权利 要求1所述的一种基于纹理特征和HBA ‑DELM算法的空气源热泵除霜控制方 法， 其特征在于， 步骤S4中， 所述蜜獾算法优化深度极限学习机的步骤 包括： S4.1、 初始化种群和随机位置； S4.2、 使用适应度函数计算每 个蜜獾的位置Xi相应的适应度值fi； S4.3、 保存猎物的最佳位置Xprey， 进而得到目标适应度fprey； S4.4、 更新蜜獾个体的适应度值， 比较更新后的适应度值和更新前的适应度值， 若更新权　利　要　求　书 2/3 页 3 CN 115205280 A 3