一種基于深度學習的氣體泄露檢測方法、系統及終端設備技術方案

本發明專利技術公開了一種基于深度學習的氣體泄露檢測方法、系統及終端設備，包括，獲取存在氣體泄漏的紅外視頻數據并對其進行數據預處理，使用Opencv視頻分幀技術獲得紅外圖像序列；使用圖像標注工具Labelme對天然氣紅外圖像序列的目標區域進行像素級標記；使用U2?

【技術實現步驟摘要】
一種基于深度學習的氣體泄露檢測方法、系統及終端設備


[0001]本專利技術涉及氣體泄漏檢測的
，尤其涉及一種基于深度學習的氣體泄露檢測方法、系統及終端設備。

技術介紹

[0002]由于危險氣體在生產、存儲和運輸環節極易發生泄漏且由泄漏引發的火災，爆炸事故往往造成重大的人員傷亡，經濟損失和環境污染。因此，氣體泄漏檢測已成為油氣行業的熱點，也是保障氣體安全運輸的重中之重。
[0003]如今紅外熱成像技術已常用于危險氣體的定期檢測和維護，但其仍存在以下幾方面的挑戰：(1)手動操作紅外熱像儀進行檢測的勞動力成本很高，(2)紅外熱像儀在沒有檢查員判斷檢測結果的情況下無法提供實時反饋，(3)不同檢查員手持紅外熱像儀進行檢測的結果不同，并且紅外成像形成的圖像對比度低，形狀無規則，加大了紅外氣體檢測難度，如何實現準確獲得泄露氣體濃度信息、非接觸以及高精度檢測氣體泄露并進行實時預警，成為氣體泄漏檢測領域具有挑戰性的難題。

技術實現思路

[0004]本部分的目的在于概述本專利技術的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于限制本專利技術的范圍。
[0005]鑒于上述現有基于深度學習的氣體泄露檢測方法、系統及終端設備存在的問題，提出了本專利技術。
[0006]因此，本專利技術目的是提供一種基于深度學習的氣體泄露檢測方法、系統及終端設備。
[0007]為解決上述技術問題，本專利技術提供如下技術方案：一種基于深度學習的氣體泄露檢測方法，包括，
[0008]使用紅外熱像儀采集紅外氣體泄露視頻，使用Opencv視頻分幀技術獲得紅外圖像序列；
[0009]使用圖像標注工具Labelme對天然氣紅外圖像序列的目標區域進行像素級標記；
[0010]使用U2?
Net圖像分割網絡代替背景建模方法來提取泄露氣體區域；
[0011]通過遷移VGG16網絡模型結構和卷積層參數，在卷積層和激勵層之間加入BN層，將最后一層池化層替換為基于最大池化算法的動態自適應池化方法，進行泄露檢測。
[0012]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：使用安裝在三腳架上的FLIR GF
?
320紅外熱像儀，收集泄漏氣體視頻，并剪切掉每個視頻的前15秒和后5秒，使用Opencv視頻分幀技術，獲得天然氣紅外圖像序列，而后使用圖像標注工具Labelme對氣體圖像序列的目標區域進行像素級標記，進而得到原始圖像對應的標簽圖像。
[0013]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：使用
原始圖像和對應的標簽圖像作為U2?
Net神經網絡的圖像數據集，總共750張圖像，其中訓練集600張，測試集150張，將圖像數據集輸入到pytorch框架搭建的U2?
Net網絡中進行訓練，選擇最優的網絡模型來分割泄露氣體圖像。
[0014]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：遷移VGG16網絡模型的參數，將源域訓練得到的參數遷移到目標領域，通過調整模型的參數來適應泄露氣體視頻數據集，構建最優的網絡模型，進行泄露檢測。
[0015]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：在BN層處理過程中，輸入數據對應的特征值x1，x2，
…
x
m
，將其均值記為u
β
，標準差記為σ
β2
，將每一個數據作相應的映射得到BN層的輸出y
i
，其中公式如下所示，
[0016][0017][0018][0019][0019][0020][0021]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：根據不同的泄漏氣體特征圖像，自適應調整池化過程，根據各個池化域的內容，動態調整池化權值，并建立公式計算最大池化：
[0022][0023]其中μ為池化因子，F為特征圖矩陣，子采樣池化域的大小為c
×
c，b1為偏置，S為得到的子采樣特征圖；
[0024]并建立公式計算池化因子：
[0025][0026]其中μ∈(0,1),a為池化域元素中除最大值外的平均值，u
max
為池化域元素中的最大值，θ為校正誤差項，ρ為特征系數。
[0027]作為本專利技術所述基于深度學習的氣體泄露檢測方法的一種優選方案，其中：建立公式計算特征系數ρ：
[0028][0029]其中m
epo
為訓練時的迭代次數，c為池化域的邊長。
[0030]本專利技術還提供了一種氣體泄漏檢測系統，包括，
[0031]視頻獲取模塊，圖像預處理模塊、氣體泄露區域分割模塊和氣體泄漏檢測模塊；
[0032]視頻獲取模塊，用于拍攝被檢測場景視頻，獲取氣體從未泄露到泄露的整個過程；
[0033]圖像預處理模塊，利用Opencv視頻分幀技術將采集的泄漏視頻生成圖像序列，利用Labelme對氣體圖像進行像素級標注；
[0034]氣體泄露區域分割模塊，將標注的氣體圖像序列輸入到最優的U2?
Net網絡模型
中，進而分割出氣體泄露區域；
[0035]氣體泄漏檢測模塊，對泄露區域的氣體云團特征進行特征選擇，將相關的主要特征輸入預先訓練的改進的VGG16網絡中，對氣體泄漏區域進行識別檢測。
[0036]本專利技術還提供了一種氣體泄漏監測的終端設備，其特征在于：包括存儲器、與存儲器相連的處理器以及與存儲器相連的網絡接口，所述存儲器用于存儲計算機可執行指令，所述處理器用于執行所述計算機可執行指令，該計算機可執行指令被處理器執行時實現權利要求1至7任意一項所述軌跡查詢方法的步驟。
[0037]本專利技術的有益效果：本專利技術所提出的基于深度學習的氣體泄露檢測方法、系統及終端設備與其他方法相比，該方法將紅外熱成像圖像處理技術和深度學習技術相結合，能夠準確提取泄露氣體區域，可以準確獲得氣體濃度信息，測量誤差小，響應速度快，靈敏度高，測量結果準確可靠，可以實現非接觸以及高精度檢測氣體泄露并進行實時預警。
附圖說明
[0038]為了更清楚地說明本專利技術實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其它的附圖。其中：
[0039]圖1為本專利技術實施例1的流程示意圖。
[0040]圖2為本專利技術實施例1所述的原始圖像(a
?
b)和Labelme標注的圖像(c
?
d)示意圖。
[0041]圖3為本專利技術實施例1所述的U2?
Net網絡結構示意圖。
[0042]圖4為本專利技術實施例1本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度學習的氣體泄露檢測方法，其特征在于：包括，使用紅外熱像儀采集紅外氣體泄露視頻，使用Opencv視頻分幀技術獲得紅外圖像序列；使用圖像標注工具Labelme對天然氣紅外圖像序列的目標區域進行像素級標記；使用U2?
Net圖像分割網絡代替背景建模方法來提取泄露氣體區域；通過遷移VGG16網絡模型結構和卷積層參數，在卷積層和激勵層之間加入BN層，將最后一層池化層替換為基于最大池化算法的動態自適應池化方法，進行泄露檢測。2.如權利要求1所述的基于深度學習的氣體泄露檢測方法，其特征在于：使用安裝在三腳架上的FLIR GF
?
320紅外熱像儀，收集泄漏氣體視頻，并剪切掉每個視頻的前15秒和后5秒，使用Opencv視頻分幀技術，獲得天然氣紅外圖像序列，而后使用圖像標注工具Labelme對氣體圖像序列的目標區域進行像素級標記，進而得到原始圖像對應的標簽圖像。3.如權利要求1所述的基于深度學習的氣體泄露檢測方法，其特征在于：使用原始圖像和對應的標簽圖像作為U2?
Net神經網絡的圖像數據集，總共750張圖像，其中訓練集600張，測試集150張，將圖像數據集輸入到pytorch框架搭建的U2?
Net網絡中進行訓練，選擇最優的網絡模型來分割泄露氣體圖像。4.如權利要求1所述的基于深度學習的氣體泄露檢測方法，其特征在于：遷移VGG16網絡模型的參數，將源域訓練得到的參數遷移到目標領域，通過調整模型的參數來適應泄露氣體視頻數據集，構建最優的網絡模型，進行泄露檢測。5.如權利要求1所述的基于深度學習的氣體泄露檢測方法，其特征在于：在BN層處理過程中，輸入數據對應的特征值x1,x2,...x
m
，將其均值記為u
β
，標準差記為σ
β2
，將每一個數據作相應的映射得到BN...

【專利技術屬性】
技術研發人員：黃海松，孟森，楊鋮，秦恒浩，范青松，李宜汀，呂健，濮實，諶輝輝，
申請(專利權)人：貴州大學，
類型：發明
國別省市：