System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种气体泄漏检测方法,尤其是涉及一种基于光学气体成像的气体泄漏检测方法。
技术介绍
1、在气体检测领域,尤其是对各种气体的泄漏检测(包括但不限于挥发性有机化合物(vocs)、甲烷、六氟化硫等)中,当前技术面临着显著的挑战。传统气体检测方法,如气相色谱法、质谱法和电化学法等,虽然能够提供准确的浓度测量,但它们通常要求操作人员靠近泄漏点进行采样。这种方法在大范围或难以接近的区域中效率低下,并且伴随着明显的安全风险。
2、随着技术进步,光学气体成像技术(optical gas imaging,ogi)因其能在远距离和广阔区域内检测气体泄漏而受到重视。这项技术利用气体对特定波长红外辐射的吸收特性,可以直观地展示气体泄漏的分布情况。然而,尽管光学气体成像技术为气体泄漏检测提供了新的视角,但在自动化识别和定位泄漏源,以及在复杂环境中进行精确的泄漏羽流分割方面,现有技术仍然存在不足。目前,该技术在实际应用中主要依赖于人工目视检测,不仅效率低下,而且在像工业环境这样复杂多变的条件下,人工检测的准确性和可靠性容易受到各种干扰因素的影响。
3、近年来,虽然基于机器学习与图像处理的气体泄漏自动检测研究取得了一定的进展,但这些研究仍处于初级阶段,主要集中在判断泄漏的有无及其大致泄漏量级。最近有研究开始尝试对泄漏气体在图像中的羽流痕迹进行分割,以更准确地估计泄漏量,但并没有考虑对泄露源进行自动定位。另一方面,泄露气羽与可见光下的烟雾具有相似的流动特征,已经有一些使用深度学习定位烟雾源点的初步探索。然而,这些烟源定位的
4、鉴于此,现有技术迫切需要一种既能自动化地定位气体泄漏源,又能精确分割泄漏羽流的检测方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于光学气体成像的气体泄漏检测方法,显著提升了气体泄漏检测的效率和准确性,同时减少了对人工操作的依赖,并能适应复杂多变的工业环境。
2、本专利技术的目的可以通过以下技术方案来实现:
3、根据本专利技术的一个方面,提供了一种基于光学气体成像的气体泄漏检测方法,该方法首先采用深度神经网络来构建针对红外视频像素的嵌入空间;然后在该嵌入空间中,属于不同气羽实例的像素能够形成不同的簇,并在每个簇的中心对应于实际泄漏源;最后借助像素在嵌入空间中聚类的特点,进行泄漏源定位与气羽分割的联合建模,并利用联合建模后的模型进行气体泄漏预测。
4、作为优选的技术方案,所述方法具体包括以下步骤:
5、步骤s1,对红外视频帧的像素值进行归一化处理,并送入深度神经网络中;
6、步骤s2,采用编码器网络提取输入视频每帧图像的多尺度特征;
7、步骤s3,采用融合网络进行多尺度特征融合;
8、步骤s4,将融合后的多尺度特征送入解码器网络获得每个像素在嵌入空间的多维表示,包括每个像素在嵌入空间中属于聚类中心的中心概率、从输入空间到嵌入空间的坐标偏移量、以及在嵌入空间中所属簇在三维高斯模型下的协方差变量;
9、步骤s5,取中心概率大于给定阈值a的像素为前景像素;
10、步骤s6,取所有前景像素中中心概率最大的像素作为聚类中心,将输出聚类中心在输入空间中的坐标作为泄漏源位置的预测;
11、步骤s7,按照聚类中心及其协方差变量构建三维高斯模型,根据前景像素在嵌入空间的位置计算像素属于该高斯模型的概率,概率大于给定阈值b的像素构成该聚类中心所对应的类;将输出类中像素在输入空间的坐标作为对泄露气羽分割掩膜的预测;
12、步骤s8,将已经被聚类选取的前景像素排除后,接着选取剩余前景像素中概率最大的像素位置作为下一个聚类中心,重复步骤s5-s7,获得多个像素簇,对应多个泄露气羽实例。
13、作为优选的技术方案,所述步骤s2中的编码器网络为convnext-s。
14、作为优选的技术方案,所述步骤s3中的融合网络为特征金字塔网络。
15、作为优选的技术方案,所述步骤s4中的多维表示e∈(-∞,+∞)8×t×h×w,其中t为视频帧数,h和w分别为视频帧的高和宽。
16、作为优选的技术方案,所述步骤s4具体为:
17、首先,考虑区分实例的泄露气羽分割需将所有n个像素分配给k个气羽实例或背景,其中p为像素的三维坐标向量,即
18、pi=[pit,pix,piy]t,i∈{1,2,...,n}
19、其中t、x和y分别为1个时间维度和2个空间维度,sk表示第k个实例,pit、pix、piy依次表示第i个像素p的在时间维度以及两个空间维度中的坐标;
20、通过引入每个像素的坐标偏移量将所有像素映射到某一嵌入空间,使得所有像素在嵌入空间的坐标ε={e1,e2,...,en}满足ei=pi+oi,i∈{1,2,...,n};
21、其中on、en、ei;
22、通过网络学习偏移量将具有类似特征的像素移动到在嵌入空间中坐标相近的位置,获得有利于区分不同实例的特征映射;
23、其次,将泄漏源设定为气羽实例在嵌入空间的聚类中心,即对于某气羽实例的泄漏源在嵌入空间的坐标esk,计算如下:
24、
25、其中nk为该实例的像素数量;
26、最后,对每个实例sk都使用高斯函数建模,将嵌入空间中每个像素到聚类中心的坐标距离转化为像素属于该实例的概率,其中σk为高斯函数的协方差矩阵。
27、作为优选的技术方案,所述将嵌入空间中每个像素到聚类中心的坐标距离转化为像素属于该实例的概率具体为:
28、根据模型的输入,嵌入空间共有x,y和t三个维度,假设输入视频片段中的第k个实例在嵌入空间中的位置服从三维高斯分布,其概率密度函数为
29、
30、其中协方差矩阵σ为
31、
32、其中σt、σx、σy和ρy为神经网络需要为嵌入空间中的每个像素估计的量,e表示像素在嵌入空间中的坐标,ρtx、ρty、ρxy依次表示三维高斯分布在时间维度以及两个空间维度中的协方差变量中的系数。
33、作为优选的技术方案,所述协方差矩阵σ简化为
34、
35、作为优选的技术方案,所述步骤s5中的阈值a为0.5。
36、作为优选的技术方案,所述步骤s7中的阈值b为0.5。
37、与现有技术相比,本专利技术具有以下优点:
38、1)本专利技术借助像素在嵌入空间中聚类的思想,实现了泄漏源定位与气羽分割的联合建模,既保证了模型对气羽实例的区分,也保证了针对每个实例只预测一个泄漏源;
39、2)本专利技术不仅能够准确地定位气体泄漏源,还能同时进行气体羽流的精确分割本文档来自技高网...
【技术保护点】
1.一种基于光学气体成像的气体泄漏检测方法,其特征在于,该方法首先采用深度神经网络来构建针对红外视频像素的嵌入空间;然后在该嵌入空间中,属于不同气羽实例的像素能够形成不同的簇,并在每个簇的中心对应于实际泄漏源;最后借助像素在嵌入空间中聚类的特点,进行泄漏源定位与气羽分割的联合建模,并利用联合建模后的模型进行气体泄漏预测。
2.根据权利要求1所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述方法具体包括以下步骤:
3.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤S2中的编码器网络为ConvNeXt-S。
4.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤S3中的融合网络为特征金字塔网络。
5.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤S4中的多维表示E∈(-∞,+∞)8×T×H×W,其中T为视频帧数,H和W分别为视频帧的高和宽。
6.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,
7.根据权利要求6所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述将嵌入空间中每个像素到聚类中心的坐标距离转化为像素属于该实例的概率具体为:
8.根据权利要求7所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述协方差矩阵Σ简化为
9.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤S5中的阈值a为0.5。
10.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤S7中的阈值b为0.5。
...【技术特征摘要】
1.一种基于光学气体成像的气体泄漏检测方法,其特征在于,该方法首先采用深度神经网络来构建针对红外视频像素的嵌入空间;然后在该嵌入空间中,属于不同气羽实例的像素能够形成不同的簇,并在每个簇的中心对应于实际泄漏源;最后借助像素在嵌入空间中聚类的特点,进行泄漏源定位与气羽分割的联合建模,并利用联合建模后的模型进行气体泄漏预测。
2.根据权利要求1所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述方法具体包括以下步骤:
3.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤s2中的编码器网络为convnext-s。
4.根据权利要求2所述的一种基于光学气体成像的气体泄漏检测方法,其特征在于,所述步骤s3中的融合网络为特征金字塔网络。
5.根据权利要求2所述的一种基于光学气体成像的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。