一种基于深度学习的气体泄露检测方法、系统及终端设备技术方案

本发明专利技术公开了一种基于深度学习的气体泄露检测方法、系统及终端设备，包括，获取存在气体泄漏的红外视频数据并对其进行数据预处理，使用Opencv视频分帧技术获得红外图像序列；使用图像标注工具Labelme对天然气红外图像序列的目标区域进行像素级标记；使用U2‑

【技术实现步骤摘要】
一种基于深度学习的气体泄露检测方法、系统及终端设备


[0001]本专利技术涉及气体泄漏检测的
，尤其涉及一种基于深度学习的气体泄露检测方法、系统及终端设备。

技术介绍

[0002]由于危险气体在生产、存储和运输环节极易发生泄漏且由泄漏引发的火灾，爆炸事故往往造成重大的人员伤亡，经济损失和环境污染。因此，气体泄漏检测已成为油气行业的热点，也是保障气体安全运输的重中之重。
[0003]如今红外热成像技术已常用于危险气体的定期检测和维护，但其仍存在以下几方面的挑战：(1)手动操作红外热像仪进行检测的劳动力成本很高，(2)红外热像仪在没有检查员判断检测结果的情况下无法提供实时反馈，(3)不同检查员手持红外热像仪进行检测的结果不同，并且红外成像形成的图像对比度低，形状无规则，加大了红外气体检测难度，如何实现准确获得泄露气体浓度信息、非接触以及高精度检测气体泄露并进行实时预警，成为气体泄漏检测领域具有挑战性的难题。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有基于深度学习的气体泄露检测方法、系统及终端设备存在的问题，提出了本专利技术。
[0006]因此，本专利技术目的是提供一种基于深度学习的气体泄露检测方法、系统及终端设备。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于深度学习的气体泄露检测方法，包括，
[0008]使用红外热像仪采集红外气体泄露视频，使用Opencv视频分帧技术获得红外图像序列；
[0009]使用图像标注工具Labelme对天然气红外图像序列的目标区域进行像素级标记；
[0010]使用U2‑
Net图像分割网络代替背景建模方法来提取泄露气体区域；
[0011]通过迁移VGG16网络模型结构和卷积层参数，在卷积层和激励层之间加入BN层，将最后一层池化层替换为基于最大池化算法的动态自适应池化方法，进行泄露检测。
[0012]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：使用安装在三脚架上的FLIR GF
‑
320红外热像仪，收集泄漏气体视频，并剪切掉每个视频的前15秒和后5秒，使用Opencv视频分帧技术，获得天然气红外图像序列，而后使用图像标注工具Labelme对气体图像序列的目标区域进行像素级标记，进而得到原始图像对应的标签图像。
[0013]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：使用
原始图像和对应的标签图像作为U2‑
Net神经网络的图像数据集，总共750张图像，其中训练集600张，测试集150张，将图像数据集输入到pytorch框架搭建的U2‑
Net网络中进行训练，选择最优的网络模型来分割泄露气体图像。
[0014]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：迁移VGG16网络模型的参数，将源域训练得到的参数迁移到目标领域，通过调整模型的参数来适应泄露气体视频数据集，构建最优的网络模型，进行泄露检测。
[0015]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：在BN层处理过程中，输入数据对应的特征值x1，x2，
…
x
m
，将其均值记为u
β
，标准差记为σ
β2
，将每一个数据作相应的映射得到BN层的输出y
i
，其中公式如下所示，
[0016][0017][0018][0019][0019][0020][0021]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：根据不同的泄漏气体特征图像，自适应调整池化过程，根据各个池化域的内容，动态调整池化权值，并建立公式计算最大池化：
[0022][0023]其中μ为池化因子，F为特征图矩阵，子采样池化域的大小为c
×
c，b1为偏置，S为得到的子采样特征图；
[0024]并建立公式计算池化因子：
[0025][0026]其中μ∈(0,1),a为池化域元素中除最大值外的平均值，u
max
为池化域元素中的最大值，θ为校正误差项，ρ为特征系数。
[0027]作为本专利技术所述基于深度学习的气体泄露检测方法的一种优选方案，其中：建立公式计算特征系数ρ：
[0028][0029]其中m
epo
为训练时的迭代次数，c为池化域的边长。
[0030]本专利技术还提供了一种气体泄漏检测系统，包括，
[0031]视频获取模块，图像预处理模块、气体泄露区域分割模块和气体泄漏检测模块；
[0032]视频获取模块，用于拍摄被检测场景视频，获取气体从未泄露到泄露的整个过程；
[0033]图像预处理模块，利用Opencv视频分帧技术将采集的泄漏视频生成图像序列，利用Labelme对气体图像进行像素级标注；
[0034]气体泄露区域分割模块，将标注的气体图像序列输入到最优的U2‑
Net网络模型
中，进而分割出气体泄露区域；
[0035]气体泄漏检测模块，对泄露区域的气体云团特征进行特征选择，将相关的主要特征输入预先训练的改进的VGG16网络中，对气体泄漏区域进行识别检测。
[0036]本专利技术还提供了一种气体泄漏监测的终端设备，其特征在于：包括存储器、与存储器相连的处理器以及与存储器相连的网络接口，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述轨迹查询方法的步骤。
[0037]本专利技术的有益效果：本专利技术所提出的基于深度学习的气体泄露检测方法、系统及终端设备与其他方法相比，该方法将红外热成像图像处理技术和深度学习技术相结合，能够准确提取泄露气体区域，可以准确获得气体浓度信息，测量误差小，响应速度快，灵敏度高，测量结果准确可靠，可以实现非接触以及高精度检测气体泄露并进行实时预警。
附图说明
[0038]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0039]图1为本专利技术实施例1的流程示意图。
[0040]图2为本专利技术实施例1所述的原始图像(a
‑
b)和Labelme标注的图像(c
‑
d)示意图。
[0041]图3为本专利技术实施例1所述的U2‑
Net网络结构示意图。
[0042]图4为本专利技术实施例1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的气体泄露检测方法，其特征在于：包括，使用红外热像仪采集红外气体泄露视频，使用Opencv视频分帧技术获得红外图像序列；使用图像标注工具Labelme对天然气红外图像序列的目标区域进行像素级标记；使用U2‑
Net图像分割网络代替背景建模方法来提取泄露气体区域；通过迁移VGG16网络模型结构和卷积层参数，在卷积层和激励层之间加入BN层，将最后一层池化层替换为基于最大池化算法的动态自适应池化方法，进行泄露检测。2.如权利要求1所述的基于深度学习的气体泄露检测方法，其特征在于：使用安装在三脚架上的FLIR GF
‑
320红外热像仪，收集泄漏气体视频，并剪切掉每个视频的前15秒和后5秒，使用Opencv视频分帧技术，获得天然气红外图像序列，而后使用图像标注工具Labelme对气体图像序列的目标区域进行像素级标记，进而得到原始图像对应的标签图像。3.如权利要求1所述的基于深度学习的气体泄露检测方法，其特征在于：使用原始图像和对应的标签图像作为U2‑
Net神经网络的图像数据集，总共750张图像，其中训练集600张，测试集150张，将图像数据集输入到pytorch框架搭建的U2‑
Net网络中进行训练，选择最优的网络模型来分割泄露气体图像。4.如权利要求1所述的基于深度学习的气体泄露检测方法，其特征在于：迁移VGG16网络模型的参数，将源域训练得到的参数迁移到目标领域，通过调整模型的参数来适应泄露气体视频数据集，构建最优的网络模型，进行泄露检测。5.如权利要求1所述的基于深度学习的气体泄露检测方法，其特征在于：在BN层处理过程中，输入数据对应的特征值x1,x2,...x
m
，将其均值记为u
β
，标准差记为σ
β2
，将每一个数据作相应的映射得到BN...

【专利技术属性】
技术研发人员：黄海松，孟森，杨铖，秦恒浩，范青松，李宜汀，吕健，濮实，谌辉辉，
申请(专利权)人：贵州大学，
类型：发明
国别省市：