CN112907522B - 一种智能红外气体泄漏监测装置及监测方法 - Google Patents
一种智能红外气体泄漏监测装置及监测方法 Download PDFInfo
- Publication number
- CN112907522B CN112907522B CN202110165984.9A CN202110165984A CN112907522B CN 112907522 B CN112907522 B CN 112907522B CN 202110165984 A CN202110165984 A CN 202110165984A CN 112907522 B CN112907522 B CN 112907522B
- Authority
- CN
- China
- Prior art keywords
- infrared
- image
- visible light
- gas
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/14—Toxic gas alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Combustion & Propulsion (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
- Closed-Circuit Television Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种智能红外气体泄漏监测装置及监测方法,其中,智能红外气体泄漏监测装置,包括:红外热像仪、可见光相机、通信模块和数据处理计算机;红外热像仪和可见光相机均通过通信模块与数据处理计算机相连;数据处理计算机包括红外图像增强算法模块、气体检测算法模块和抗干扰算法模块,红外图像增强算法模块对原始红外图像进行增强并发送至气体检测算法模块,气体检测算法模块对接收到红外图像增强算法模块的数据并根据抗干扰算法模块进行干扰剔除。本发明的技术方案利用红外气体图像的时空特征、红外‑可见光融合技术和深度神经网络技术解决传统红外气体泄漏监测***抗干扰性差和虚警率高的问题。
Description
技术领域
本发明涉及气体监测的技术领域,特别是一种智能红外气体泄漏监测装置及监测方法。
背景技术
在日常生活、工业生产和交通运输等各个领域的气体泄漏事故所造成的危害是多方面的。天然气和石油气等烷烃类易燃易爆气体一旦发生泄漏,极有可能发生火灾、***等危害人民生命财产安全的严重事故。硫化氢和氨气等各种有毒有害工业气体的泄漏同样严重危及人体及动植物的生命安全。由于传统气体传感器的接触性原理,使得很多待检测的目标地点无法到达,而且其操作安全性大大降低。
发明内容
本发明的目的在于提供一种智能红外气体泄漏监测装置及监测方法,有效地解决了利用红外气体图像的时空特征、机器学习技术和、红外-可见光融合技术和深度神经网络技术解决传统红外气体泄漏监测***抗干扰性差和虚警率高的问题。
为实现上述目的,本发明提供了一种智能红外气体泄漏监测装置,包括:红外热像仪、可见光相机、通信模块和数据处理计算机;红外热像仪和可见光相机均通过通信模块与数据处理计算机相连;数据处理计算机包括红外图像增强算法模块、气体检测算法模块和抗干扰算法模块,红外图像增强算法模块对原始红外图像进行增强并发送至气体检测算法模块,气体检测算法模块对接收到红外图像增强算法模块的数据并根据抗干扰算法模块进行干扰剔除。
进一步地,智能红外气体泄漏监测装置还包括多个温度传感器和制冷设备,多个温度传感器分别设置在红外热像仪的侧部和红外热像仪的前部。
进一步地,红外热像仪和可见光相机光轴平行设置,便于后续红外和可见光图像配准。
进一步地,智能红外气体泄漏监测装置还包括结构组件,红外热像仪、可见光相机和通信模块均设置在结构组件内,通信模块位于红外热像仪和可见光相机的后部。
根据本发明的另一方面还提供了一种智能红外气体泄漏监测方法,智能红外气体泄漏监测方法采用上述的智能红外气体泄漏监测装置,其步骤包括:S100通过红外图像增强算法模块对原始红外图像增强;S200通过抗干扰算法模块识别可见光图像中的干扰物,并通过红外-可见光图像配准将干扰物变换到红外图像中;S300通过气体检测算法模块,利用增强后的红外图像进行气体目标检测,并利用S200中的结果去除干扰物。
进一步地,在S300步骤中包括:S301背景建模,背景模型由连续5帧红外图像中相同位置的像素值构成;S302背景模型时域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的像素值会以概率p1替换成当前图像中的像素值;S303背景模型空域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的8临域像素会以概率p1替换成当前图像中对应位置的像素;S304运动目标分割,若当前图像中某个像素的像素值与背景模型中对应位置的像素值差异超过T1的次数超过4次,则认为是运动目标。
进一步地,在S300步骤中还包括:S311历史图像由最新3帧红外图像构成;S312时空梯度特征,对一组历史图像进行时域滤波得到时间梯度图像,计算历史图像中各图像的像素值梯度,得到空间梯度图像;S313运动目标链,分别累加3幅时间梯度图像和3幅空间梯度图像,并进行归一化处理,得到运动目标链,运动目标链包含了每个像素属于慢速运动目标的概率,概率大于p2的区域则为疑似气体区域。
进一步地,通过步骤S304和步骤S313形成如下步骤:S314气体边缘和运动特性判断,提取疑似气体区域的边缘特征,计算边缘上每个点与其相邻4个点的曲率,并求曲率平均值,计算区域灰度质心,根据相邻两个时刻的灰度质心计算该区域的运动方向;S315气体区域,若S314结果中,曲率均值大于T2,连续20个运动方向角度变化方差大于T3,则为气体区域;S316干扰剔除。
进一步地,在步骤S200中包括:S201可见光图像,由可见光相机获取;S202基于深度神经网络的目标检测,采用基于YOLOV4的深度学习方法对常见的干扰目标模型进行训练,并结合模型参数对干扰物进行实时检测,得到干扰物所在的区域;S203红外-可见光图像配准,对可见光图像进行降采样,对红外图像进行插值,使量图像尺寸相同,利用黑白棋盘格对红外热相机和可见光相机的内参数和安装矩阵进行标定,根据标定结果对红外和可见光图像进行校正,实现粗配准,通过人工提取两图像中场景同一点的图像坐标,计算两图像中各像素位置的变换关系;S204红外干扰区域,根据可见光图像中提取的目标区域,结合S203中计算出的变换关系,可将可见光图像中的目标区域变换到红外图像中。
进一步地,在步骤S100中包括:S101自适应两点多段非均匀噪声校正,利用全部温度段系数,以每个像元在场景中的原图像素值为判定依据,以面对黑体时温度定标点图像的灰度均值为区间判定点,对每个原图像素值进行区间段判别,并调用对应区间的非均匀性校正系数,实现红外图像非均匀噪声自适应校正;S102自适应中值滤波盲闪元剔除,在中值滤波中,判断初始窗口中像素灰度值的中值是否为极值,如果是,增大窗口再次判断,直至窗口预设最大值,若仍为极值,输出中值,如果否,判断窗口中的中心点像素灰度值是否为极值。如果是,输出原来的中值;如果否,保留原中心点像素值灰度值;S103基于辐射传输模型的气体区域增强,建立红外辐射在大气传输中的传输模型,利用传输模型去除由于大气对红外成像的影响,进而得到可凸红外图像中像素值较低的区域;S104基于梯度权重导向滤波的边缘增强,在导向滤波的代价函数中增加像素值梯度权重项,使得其对梯度变化敏感,进而突出处理后红外图像的边缘信息。
本发明的一种智能红外体气体泄漏监测装置通过引入机器学习和深度学习技术实现对泄漏气体的智能识别,具有操作方便、反应灵敏、抗干扰能力强和场景适应性高等特点。
附图说明
图1是本发明的一种智能红外体气体泄漏监测***连接示意图。
图2是本发明的一种智能红外体气体泄漏监测***的气体检测算法框图。
图中:
1.窄波段中波红外热像仪 2.可见光相机 3.通信模块 4.数据处理计算机 5.温度传感器 6.挡片 7.结构组件 8.红外图像增强算法模块 9.气体检测算法模块 10.抗干扰算法模块
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
现在,将参照附图更详细地描述根据本申请的示例性实施方式。然而,这些示例性实施方式可以由多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的实施方式。应当理解的是,提供这些实施方式是为了使得本申请的公开彻底且完整,并且将这些示例性实施方式的构思充分传达给本领域普通技术人员,在附图中,为了清楚起见,扩大了层和区域的厚度,并且使用相同的附图标记表示相同的器件,因而将省略对它们的描述。
如图1和图2所示,本实施的一种智能红外气体泄漏监测装置,包括:红外热像仪、可见光相机、通信模块和数据处理计算机。红外热像仪为窄波段中波红外热像仪,可见光相机为高清可见光相机。红外热像仪和高清可见光相机均通过通信模块与数据处理计算机相连。数据处理计算机包括红外图像增强算法模块、气体检测算法模块和抗干扰算法模块,红外图像增强算法模块对原始红外图像进行增强并发送至气体检测算法模块,气体检测算法模块对接收到红外图像增强算法模块的数据并根据抗干扰算法模块进行干扰剔除。智能红外气体泄漏监测装置还包括多个温度传感器和制冷设备,多个温度传感器分别设置在窄波段中波红外热像仪的侧部和窄波段中波红外热像仪的前部。窄波段中波红外热像仪和高清可见光相机光轴平行设置,便于后续红外和可见光图像配准。智能红外气体泄漏监测装置还包括结构组件,窄波段中波红外热像仪、高清可见光相机和通信模块均设置在结构组件内,通信模块位于窄波段中波红外热像仪和高清可见光相机的后部。
本申请还提供了一种智能红外气体泄漏监测方法,智能红外气体泄漏监测方法采用上述的智能红外气体泄漏监测装置,其步骤包括:S100通过红外图像增强算法模块8对原始红外图像增强;S200通过抗干扰算法模块10识别可见光图像中的干扰物,并通过红外-可见光图像配准将干扰物变换到红外图像中;S300通过气体检测算法模块9,利用增强后的红外图像进行气体目标检测,并利用S200中的结果去除干扰物。
在S300步骤中包括:S301背景建模,背景模型由连续5帧红外图像中相同位置的像素值构成。S302背景模型时域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的像素值会以概率p1替换成当前图像中的像素值。S303背景模型空域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的8临域像素会以概率p1替换成当前图像中对应位置的像素。S304运动目标分割,若当前图像中某个像素的像素值与背景模型中对应位置的像素值差异超过T1的次数超过4次,则认为是运动目标。
在S300步骤中还包括:S311历史图像由最新3帧红外图像构成。S312时空梯度特征,对一组历史图像进行时域滤波得到时间梯度图像,计算历史图像中各图像的像素值梯度,得到空间梯度图像。S313运动目标链,分别累加3幅时间梯度图像和3幅空间梯度图像,并进行归一化处理,得到运动目标链,运动目标链包含了每个像素属于慢速运动目标的概率,概率大于p2的区域则为疑似气体区域。
通过步骤S304和步骤S313形成如下步骤:S314气体边缘和运动特性判断,提取疑似气体区域的边缘特征,计算边缘上每个点与其相邻4个点的曲率,并求曲率平均值,计算区域灰度质心,根据相邻两个时刻的灰度质心计算该区域的运动方向。S315气体区域,若S314结果中,曲率均值大于T2,连续20个运动方向角度变化方差大于T3,则为气体区域。S316干扰剔除。
在步骤S200中包括:S201可见光图像,由高清可见光相机获取。S202基于深度神经网络的目标检测,采用基于YOLOV4的深度学习方法对常见的干扰目标模型进行训练,并结合模型参数对干扰物进行实时检测,得到干扰物所在的区域。S203红外-可见光图像配准,对可见光图像进行降采样,对红外图像进行插值,使量图像尺寸相同,利用黑白棋盘格对红外热相机和可见光相机的内参数和安装矩阵进行标定,根据标定结果对红外和可见光图像进行校正,实现粗配准,通过人工提取两图像中场景同一点的图像坐标,计算两图像中各像素位置的变换关系。S204红外干扰区域,根据可见光图像中提取的目标区域,结合S203中计算出的变换关系,可将可见光图像中的目标区域变换到红外图像中。
在步骤S100中包括:S101自适应两点多段非均匀噪声校正,利用全部温度段系数,以每个像元在场景中的原图像素值为判定依据,以面对黑体时温度定标点图像的灰度均值为区间判定点,对每个原图像素值进行区间段判别,并调用对应区间的非均匀性校正系数,实现红外图像非均匀噪声自适应校正。S102自适应中值滤波盲闪元剔除,在中值滤波中,判断初始窗口中像素灰度值的中值是否为极值,如果是,增大窗口再次判断,直至窗口预设最大值,若仍为极值,输出中值,如果否,判断窗口中的中心点像素灰度值是否为极值。如果是,输出原来的中值;如果否,保留原中心点像素值灰度值。S103基于辐射传输模型的气体区域增强,建立红外辐射在大气传输中的传输模型,利用传输模型去除由于大气对红外成像的影响,进而得到可凸红外图像中像素值较低的区域。S104基于梯度权重导向滤波的边缘增强,在导向滤波的代价函数中增加像素值梯度权重项,使得其对梯度变化敏感,进而突出处理后红外图像的边缘信息。
红外图像增强算法模块8、气体检测算法模块9和抗干扰算法模块作为气体泄漏检测软件的一部分,运行在数据处理计算机4中。
通过上述可知,本申请提出一种智能红外体气体泄漏监测装置,包括:1窄波段中波红外热像仪、2高清可见光相机、3通信模块、4数据处理计算机、5温度传感器、6挡片和7结构组件。
如图1所示,温度传感器分别安装在窄波段中波红外热像仪内部与结构组件上;窄波段中波制冷红外热像仪中探测器和光学镜头之间安装有挡片;窄波段中波制冷红外热像仪、高清可见光相机和通信模块安装在结构组件上;通信模块采集红外图像、可见光图像和温度数据,通过网络接口将数据传输至数据处理计算机上。窄波段中波红外热像仪为窄波段中波制冷红外热像仪。
***上电,窄波段中波制冷红外热像仪制冷到位后,通信模块同时对窄波段中波制冷红外热像仪输出的红外图像,高清可见光相机输出的可见光图像,温度传感器输出的红外光学镜头温度和环境温度进行采集,并将数据打包传输至数据处理计算机;数据处理计算机利用温度数据对红外图像进行实时校准,通过图像处理、数据融合、气体分割算法和干扰处理算法等手段实现对红外图像中泄漏气体的检测,一旦发现由泄漏气体,发出报警并将检测结果显示在可见光图像图像中。
具体的,数据处理计算机上安装有气体泄漏检测软件,气体泄漏检测软件按照指定的通讯协议从以太网口接收通讯模块传回的数据,并按照数据格式进行解析;解析出的数据一方面显示在软件界面上,另一方面对数据进行处理,利用算法实现气体目标的检测。
气体目标检测算法分三个模块,在红外图像增强算法模块中,充分利用全部温度段系数,以每个像元在场景中的原图像素灰度值为判定依据,以面对黑体时温度定标点图像的灰度均值为区间判定点,对每个原图像素灰度值进行区间段判别,两点多段并调用对应区间的系数自适应的提高红外图像整体均匀性,并通过自适应中值滤波算法的盲闪元误判补偿的算法对盲闪元进行剔除,消除红外探测器的固有缺陷,然后,在频域对图像进行分解,得到大动态和小动态灰度信息,通过加权组合线性校正增强图像细节。结合大气传输模型和成像模型对图像进行复原,突显出图像中的暗像素,最后,利用基于梯度权重的导向滤波技术增强气体区域的边缘特征,提高与背景的差异。
在气体检测算法模块,通过三个层面对气体目标进行综合判断,第一方面,通过PASB方法建立背景模型分割红外图像中的运动目标,并根据当前图像,对背景模型在时间和空间两个维度上进行更新。在第二个层面上,通过历史图像提取图像中的时空梯度特征,并建立目标链,目标链反应了图像中气体出现的概率,结合目标链可从当前图像中提取处气体区域。在第三个层面上,通过气体区域边缘的曲率特性,扩散特性对上一步提取出的气体区域进行判断,即可得到气体目标。
在抗干扰算法模块中,利用可见光图像,集合基于单步目标识别的神经网络模型,实现干扰目标的提取,利用标定模板对红外-可见光相机的安装位置进行标定,进而实现红外-可见光图像的粗配准,利用图像中的边缘信息和轮廓信息实现红外-可见光图像的精确配准,通过配准信息可将可见光图像的干扰物变换到红外图像中,进而排除干扰目标对提取检测结果的干扰。
通过气体检测算法,一旦发现有气体泄漏,将检测到的气体区域标记在可见光图像中,并发出生硬报警;最后对红外图像、可见光图像、温度数据和时间数据进行储存,如果检测到气体泄漏,将对发现泄漏的图像和时间信息进行单独存储。
此外,气体泄漏检测软件能够对窄波段中波制冷红外热像仪、高清可见光相机和挡片的参数进行设置,改变其工作状态。
本发明的一种智能红外体气体泄漏监测***通过引入机器学习和深度学习技术实现对泄漏气体的智能识别,具有操作方便、反应灵敏、抗干扰能力强和场景适应性高等特点。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
Claims (10)
1.一种智能红外气体泄漏监测方法,其特征在于,其步骤包括:
S100通过红外图像增强算法模块对原始红外图像增强;
S200通过抗干扰算法模块识别可见光图像中的干扰物,并通过红外-可见光图像配准将干扰物变换到红外图像中;
其中,在抗干扰算法模块中,利用可见光图像,集合基于单步目标识别的神经网络模型,实现干扰目标的提取,利用标定模板对红外-可见光相机的安装位置进行标定,进而实现红外-可见光图像的粗配准,利用图像中的边缘信息和轮廓信息实现红外-可见光图像的精确配准,通过配准信息可将可见光图像的干扰物变换到红外图像中,进而排除干扰目标对提取检测结果的干扰;
S300通过气体检测算法模块,利用增强后的红外图像进行气体目标检测,并利用S200中的结果去除干扰物;
其中,在气体检测算法模块,通过三个层面对气体目标进行综合判断,第一方面,通过PASB方法建立背景模型分割红外图像中的运动目标,并根据当前图像,对背景模型在时间和空间两个维度上进行更新;在第二个层面上,通过历史图像提取图像中的时空梯度特征,并建立目标链,目标链反应了图像中气体出现的概率,结合目标链可从当前图像中提取处气体区域;在第三个层面上,通过气体区域边缘的曲率特性,扩散特性对上一步提取出的气体区域进行判断,即可得到气体目标。
2.根据权利要求1所述的智能红外气体泄漏监测方法,其特征在于,在S300步骤中包括:
S301背景建模,背景模型由连续5帧红外图像中相同位置的像素值构成;
S302背景模型时域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的像素值会以概率p1替换成当前图像中的像素值;
S303背景模型空域更新,若当前图像中某个像素被判断为背景,则背景模型中对应位置的8临域像素会以概率p1替换成当前图像中对应位置的像素;
S304运动目标分割,若当前图像中某个像素的像素值与背景模型中对应位置的像素值差异超过T1的次数超过4次,则认为是运动目标。
3.根据权利要求2所述的智能红外气体泄漏监测方法,其特征在于,在S300步骤中还包括:
S311历史图像由最新3帧红外图像构成;
S312时空梯度特征,对一组历史图像进行时域滤波得到时间梯度图像,计算历史图像中各图像的像素值梯度,得到空间梯度图像;
S313运动目标链,分别累加3幅时间梯度图像和3幅空间梯度图像,并进行归一化处理,得到运动目标链,运动目标链包含了每个像素属于慢速运动目标的概率,概率大于p2的区域则为疑似气体区域。
4.根据权利要求3所述的智能红外气体泄漏监测方法,其特征在于,通过步骤S304和步骤S313形成如下步骤:
S314气体边缘和运动特性判断,提取疑似气体区域的边缘特征,计算边缘上每个点与其相邻4个点的曲率,并求曲率平均值,计算区域灰度质心,根据相邻两个时刻的灰度质心计算该区域的运动方向;
S315气体区域,若S314结果中,曲率均值大于T2,连续20个运动方向角度变化方差大于T3,则为气体区域;
S316干扰剔除。
5.根据权利要求1所述的智能红外气体泄漏监测方法,其特征在于,在步骤S200中包括:
S201可见光图像,由可见光相机获取;
S202基于深度神经网络的目标检测,采用基于YOLOV4的深度学习方法对常见的干扰目标模型进行训练,并结合模型参数对干扰物进行实时检测,得到干扰物所在的区域;
S203红外-可见光图像配准,对可见光图像进行降采样,对红外图像进行插值,使量图像尺寸相同,利用黑白棋盘格对红外热相机和可见光相机的内参数和安装矩阵进行标定,根据标定结果对红外和可见光图像进行校正,实现粗配准,通过人工提取两图像中场景同一点的图像坐标,计算两图像中各像素位置的变换关系;
S204红外干扰区域,根据可见光图像中提取的目标区域,结合S203中计算出的变换关系,可将可见光图像中的目标区域变换到红外图像中。
6.根据权利要求1所述的智能红外气体泄漏监测方法,其特征在于,在步骤S100中包括:
S101自适应两点多段非均匀噪声校正,利用全部温度段系数,以每个像元在场景中的原图像素值为判定依据,以面对黑体时温度定标点图像的灰度均值为区间判定点,对每个原图像素值进行区间段判别,并调用对应区间的非均匀性校正系数,实现红外图像非均匀噪声自适应校正;
S102自适应中值滤波盲闪元剔除,在中值滤波中,判断初始窗口中像素灰度值的中值是否为极值,如果是,增大窗口再次判断,直至窗口预设最大值,若仍为极值,输出中值,如果否,判断窗口中的中心点像素灰度值是否为极值;如果是,输出原来的中值;如果否,保留原中心点像素值灰度值;
S103基于辐射传输模型的气体区域增强,建立红外辐射在大气传输中的传输模型,利用传输模型去除由于大气对红外成像的影响,进而得到可凸红外图像中像素值较低的区域;
S104基于梯度权重导向滤波的边缘增强,在导向滤波的代价函数中增加像素值梯度权重项,使得其对梯度变化敏感,进而突出处理后红外图像的边缘信息。
7.一种智能红外气体泄漏监测装置,其特征在于,所述智能红外气体泄漏监测装置采用权利要求1至6中任一项所述的智能红外气体泄漏监测方法,包括:
红外热像仪、可见光相机、通信模块和数据处理计算机;
所述红外热像仪和可见光相机均通过所述通信模块与所述数据处理计算机相连;
所述数据处理计算机包括红外图像增强算法模块、气体检测算法模块和抗干扰算法模块,所述红外图像增强算法模块对原始红外图像进行增强并发送至所述气体检测算法模块,所述气体检测算法模块对接收到所述红外图像增强算法模块的数据并根据所述抗干扰算法模块进行干扰剔除。
8.根据权利要求7所述的智能红外气体泄漏监测装置,其特征在于,所述智能红外气体泄漏监测装置还包括多个温度传感器和制冷设备,所述多个温度传感器分别设置在所述红外热像仪的侧部和所述红外热像仪的前部。
9.根据权利要求7所述的智能红外气体泄漏监测装置,其特征在于,所述红外热像仪和所述可见光相机光轴平行设置,便于后续红外和可见光图像配准。
10.根据权利要求7所述的智能红外气体泄漏监测装置,其特征在于,所述智能红外气体泄漏监测装置还包括结构组件,所述红外热像仪、可见光相机和通信模块均设置在所述结构组件内,所述通信模块位于所述红外热像仪和可见光相机的后部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165984.9A CN112907522B (zh) | 2021-02-03 | 2021-02-03 | 一种智能红外气体泄漏监测装置及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110165984.9A CN112907522B (zh) | 2021-02-03 | 2021-02-03 | 一种智能红外气体泄漏监测装置及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907522A CN112907522A (zh) | 2021-06-04 |
CN112907522B true CN112907522B (zh) | 2023-07-28 |
Family
ID=76123470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110165984.9A Active CN112907522B (zh) | 2021-02-03 | 2021-02-03 | 一种智能红外气体泄漏监测装置及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907522B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688801B (zh) * | 2021-10-22 | 2022-02-15 | 南京智谱科技有限公司 | 一种基于光谱视频的化工气体泄漏检测方法及*** |
CN114689804B (zh) * | 2022-04-14 | 2023-10-13 | 北京环拓科技有限公司 | 一种基于voc气云成像智能监控危险气体泄露的方法 |
CN115346345B (zh) * | 2022-07-28 | 2023-06-06 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警*** |
CN115909180B (zh) * | 2023-01-04 | 2024-01-26 | 中环碳和(北京)科技有限公司 | 一种六氟化硫测量方法 |
CN117036313B (zh) * | 2023-08-18 | 2024-04-30 | 华大天元(北京)科技股份有限公司 | 基于计算机视觉的电力设备红外智能检测方法和设备 |
CN117315236A (zh) * | 2023-10-24 | 2023-12-29 | 汉威科技集团股份有限公司 | 基于双光信息的红外成像气体泄漏检测及干扰去除方法 |
CN117314907B (zh) * | 2023-11-28 | 2024-02-02 | 协享能源科技(江苏)有限公司 | 基于机器视觉的工业厂房生产安全预警方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014100784A1 (en) * | 2012-12-21 | 2014-06-26 | Flir Systems, Inc. | Infrared imaging enhancement with fusion |
CN109190635A (zh) * | 2018-07-25 | 2019-01-11 | 北京飞搜科技有限公司 | 基于分类cnn的目标追踪方法、装置及电子设备 |
CN111047568A (zh) * | 2019-12-06 | 2020-04-21 | 汕头大学 | 一种漏汽缺陷检测识别方法及*** |
CN111579077A (zh) * | 2020-04-08 | 2020-08-25 | 北京遥感设备研究所 | 一种双波段图像位置校准及信息交互显示***及方法 |
CN111862541A (zh) * | 2020-06-28 | 2020-10-30 | 安徽旭帆信息科技有限公司 | 一种基于红外成像技术的有毒有害气体监测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9451183B2 (en) * | 2009-03-02 | 2016-09-20 | Flir Systems, Inc. | Time spaced infrared image enhancement |
-
2021
- 2021-02-03 CN CN202110165984.9A patent/CN112907522B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014100784A1 (en) * | 2012-12-21 | 2014-06-26 | Flir Systems, Inc. | Infrared imaging enhancement with fusion |
CN109190635A (zh) * | 2018-07-25 | 2019-01-11 | 北京飞搜科技有限公司 | 基于分类cnn的目标追踪方法、装置及电子设备 |
CN111047568A (zh) * | 2019-12-06 | 2020-04-21 | 汕头大学 | 一种漏汽缺陷检测识别方法及*** |
CN111579077A (zh) * | 2020-04-08 | 2020-08-25 | 北京遥感设备研究所 | 一种双波段图像位置校准及信息交互显示***及方法 |
CN111862541A (zh) * | 2020-06-28 | 2020-10-30 | 安徽旭帆信息科技有限公司 | 一种基于红外成像技术的有毒有害气体监测*** |
Non-Patent Citations (2)
Title |
---|
NSCT域梯度加权的红外与可见光图像融合;熊承义;张梦杰;高志荣;龚忠毅;;中南民族大学学报(自然科学版)(第02期);全文 * |
融合像素时空信息的背景建模方法;李伟生;黄磊;;计算机工程与设计(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112907522A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907522B (zh) | 一种智能红外气体泄漏监测装置及监测方法 | |
CN108009515B (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN108564065B (zh) | 一种基于ssd的电缆隧道明火识别方法 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN107818571A (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及*** | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN112446896B (zh) | 一种基于图像识别的输送物料掉落监控方法、装置及*** | |
CN109727273B (zh) | 一种基于车载鱼眼相机的移动目标检测方法 | |
AU2002303377A1 (en) | Method and apparatus for tracking with identification | |
EP1388140A2 (en) | Method and apparatus for tracking with identification | |
EP2874100B1 (en) | Slow change detection system | |
CN101715111A (zh) | 视频监控中滞留物主自动搜寻方法 | |
CN108731614B (zh) | 一种人防门开关量自动检测***及方法 | |
CN112149618B (zh) | 适用于巡检车的行人异常行为检测方法与装置 | |
CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN111523416A (zh) | 一种基于高速公路etc门架的车辆预警方法和装置 | |
CN110067274A (zh) | 设备控制方法及挖掘机 | |
CN111189545A (zh) | 高精度广域智能红外体温筛查方法及其*** | |
CN111967323B (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
CN110703760A (zh) | 一种用于安防巡检机器人的新增可疑物体检测方法 | |
CN112833808A (zh) | 基于卷积神经网络算法的设备形变检测方法和装置 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |