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：