[发明专利]一种基于深度学习的红外图像漏气漏液检测方法及系统

说明书

本发明提供一种基于深度学习的红外图像漏气漏液检测方法，该方法包括以下步骤：采集漏气漏液场景下的红外热图像数据；对漏气漏液场景下的红外热图像数据进行预处理，在红外热图像数上标注漏气漏液信息，得到训练数据集，并使用该训练数据集训练目标检测网络，获得训练完成的目标检测网络权重；获取并预处理待检测场景下的红外热成像数据，加载训练完成的目标检测网络权重，对目标检测网络输入待检测场景下的红外热成像数据进行实时检测，获取检测结果；将检测结果可视化输出。本发明基于深度学习的目标检测算法，使用现场数据进行训练神经网络，使用神经网络相对于传统方法更加快速、准确和稳定的特性，提高检测的自动化程度和精确度。

技术领域

本发明涉及一种基于深度学习的红外图像漏气漏液检测方法及系统，属于智能目标检测技术领域。

背景技术

在目标检测领域中，和红外热成像技术结合的红外目标检测系统具有全天候、可探测距离远、不受大气和光照条件影响等优点，能够在雨雪、大雾、夜间等环境中实现较好的检测效果，具有广泛的应用前景。同时，红外目标检测是红外侦查、智能安防、夜间辅助驾驶等领域的基础任务。

红外热成像检测泄漏气体和泄露液体技术是利用热像仪接收包含流体特征吸收峰波段的红外辐射来完成对泄漏物体的成像检测。传统的红外目标检测方法大多沿用可见光图像的检测方式，根据红外目标与背景的灰度值差异进行人工设计特征来提取目标的浅层语义特征，并利用这些特征进行目标识别与分类。在人工设计特征方法中，根据特征提取方式的不同，可以将其划分为基于兴趣域搜索的红外目标检测、基于阈值分割的红外目标检测以及基于统计学习的红外目标检测。

然而，现有的深度学习目标检测算法大多基于卷积神经网络，通过提取图像颜色、纹理、几何等特征构建高层语义，红外图像边缘模糊、对比度不佳等特点会在一定程度上影响模型的语义表达能力，降低算法的检测精度。与此同时，大规模的目标检测模型对内存和算力有着较高要求，无法满足在嵌入式设备中的实时部署需求。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于深度学习的红外图像漏气漏液检测方法及系统，该方法提高了红外图像漏气漏液检测的速度和精确度。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于深度学习的红外图像漏气漏液检测方法，包括以下步骤：

采集漏气漏液场景下的红外热图像数据；

对漏气漏液场景下的红外热图像数据进行预处理，在红外热图像数上标注漏气漏液信息，得到训练数据集，并使用该训练数据集训练目标检测网络，获得训练完成的目标检测网络权重；

获取并预处理待检测场景下的红外热成像数据，加载训练完成的目标检测网络权重，对目标检测网络输入待检测场景下的红外热成像数据进行实时检测，获取检测结果；

将检测结果可视化输出。

进一步的，红外热图像数据的获取方法包括：对红外热成像仪进行标定以获取红外热成像仪的参数信息，并使用红外热像仪采集待检测场景下的视频数据并解析所述视频数据得到待检测场景下的红外热图像数据；

其中红外热像仪为IR-HiNet-640设备，获取得到的单张热成像图像分辨率大小为640*512，可测温度范围为-22℃至+550℃。

进一步的，对红外热图像数据进行预处理的方法包括以下步骤：

对所述红外热图像数据进行增强，以降低红外热成像中的噪声干扰；

对红外图像数据进行图像增强的方法包括形态学滤波操作；

所述形态学滤波操作包括图像膨胀腐蚀和图像锐化。

进一步的，使用训练数据集训练目标检测网络的方法包括以下步骤：