[发明专利]一种基于深度学习的气体泄露检测方法、系统及终端设备

说明书

本发明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‑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，本发明能克服现有方法的不足，准确提取泄露气体区域，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。

技术领域

本发明涉及气体泄漏检测的技术领域，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。

背景技术

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。

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。

发明内容

本部分的目的在于概述本发明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发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

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，提出了本发明。

因此，本发明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。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的气体泄露检测方法，包括，

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。

作为本发明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。

作为本发明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。

作为本发明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。