CN115909180B - 一种六氟化硫测量方法 - Google Patents
一种六氟化硫测量方法 Download PDFInfo
- Publication number
- CN115909180B CN115909180B CN202310005195.8A CN202310005195A CN115909180B CN 115909180 B CN115909180 B CN 115909180B CN 202310005195 A CN202310005195 A CN 202310005195A CN 115909180 B CN115909180 B CN 115909180B
- Authority
- CN
- China
- Prior art keywords
- image
- stack
- infrared
- camera
- preprocessed
- 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
- 229910018503 SF6 Inorganic materials 0.000 title claims abstract description 61
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 229960000909 sulfur hexafluoride Drugs 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 21
- 238000012545 processing Methods 0.000 abstract description 7
- 239000007789 gas Substances 0.000 description 22
- 238000010521 absorption reaction Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种六氟化硫测量方法,涉及图像处理技术领域,包括:采集多波段、多通道的红外图像;对红外图像进行预处理;根据预处理图像生成满图像栈;将满图像栈切块,得到图像块;根据图像块获取满图像栈的特征向量;建立神经网络模型;对神经网络模型进行训练;将满图像栈的特征向量输入训练后的神经网络模型,得到输出值;当输出值大于泄漏阈值时,表明发生泄漏,发出警告。本发明利用神经网络模型识别六氟化硫气体在红外图像中的特征,实现被动式红外光六氟化硫的持续测量,测量结果更加准确,且降低了数据处理量,提高了数据处理效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种六氟化硫测量方法。
背景技术
六氟化硫(SF6)是一种化学性质比较稳定的气体,常温常压下气体无色无味,具有良好的灭弧能力及绝缘性,因此常被用于绝缘材料。然而随着使用时间增长而导致设备气密性下降,可能导致六氟化硫的泄漏问题。由于六氟化硫的温室效应是二氧化碳的两万多倍,具有较严重的环境破坏效应,并且气体分解有可能产生氟、硫等有害物质,因此需要对相关设备进行六氟化硫气体测量,以便及时发现泄漏风险。
传统的气体测量方法如泡沫法、局部包扎法、压力下降法等可靠性较高,但由于必须将设备停机处理,因此操作不便且代价高昂。此外,上述方法还存在工作量大、敏感度低、存在安全隐患等问题。随着技术的发展,基于红外检测技术的被动式非接触测量方法成为测量六氟化硫等气体的有效方法,由于六氟化硫气体对特定波段的红外光有吸收效应,可以通过测量泄漏点附近的红外成像状况判别泄漏是否发生,其检测距离可达数十米,有着测量便捷、安全、经济的优势。根据红外成像数据判断气体泄漏状况是被动式红外光六氟化硫测量装置和方法的核心技术,由于检测环境复杂多变,受到环境温度、湿度、光照情况等各种因素干扰,六氟化硫气体在红外图像中的成像会产生大量噪声,信噪比较低,为气体泄漏检测和测量带来困难。
发明内容
本发明提供一种六氟化硫测量方法,用以克服现有技术中存在的至少一个技术问题。
本发明实施例提供一种六氟化硫测量方法,包括:
利用摄像机按时序采集多波段、多通道的红外图像;所述摄像机包括主摄像机和从摄像机;
对所述红外图像进行预处理,得到预处理图像 其中,A表示主摄像机采集的图像,B表示从摄像机采集的图像,f表示卷积滤波模板,μ表示线性系数矩阵;
根据所述预处理图像生成满图像栈V=[Sn],其中,Sn表示满图像栈中的第n张预处理图像,n=1,2,…,Nstack;
将所述满图像栈切块,得到图像块 其中,X,Y表示预处理图像在x、y方向上的尺寸,P,Q表示在x、y方向上切成的块数,p、q表示图像块在满图像栈中的位置;
根据所述图像块获取满图像栈的特征向量;
以所述满图像栈的特征向量作为输入,定义输出为建立神经网络模型;其中,/>表示第二隐藏层,/>表示线性权值,β3表示线性偏移量,θ为激励函数,定义为/>ρ表示激励函数收敛速度控制参数,∈表示泄漏阈值;所述神经网络模型包括第一隐藏层和第二隐藏层,第一隐藏层为/>ωapq为线性权值,β1表示线性偏移量;第二隐藏层为/>γba为线性权值,β2表示线性偏移量;
对所述神经网络模型进行训练,得到训练后的神经网络模型;
将所述满图像栈的特征向量输入所述训练后的神经网络模型,得到输出值;
当所述输出值大于所述泄漏阈值时,表明发生泄漏,发出警告。
可选地,所述从摄像机包括第一从摄像机和第二从摄像机;采集多波段、多通道的红外图像,具体为:
利用所述主摄像机采集第一波段的红外图像;利用所述第一从摄像机采集第二波段的红外图像;利用所述第二从摄像机采集第三波段的红外图像。
可选地,对所述红外图像进行预处理,得到预处理图像,具体为:
对所述第一波段的红外图像、第二波段的红外图像和第三波段的红外图像进行预处理,得到所述预处理图像其中,A=A(x,y),A(x,y)表示主摄像机采集的图像像素,x,y表示像素坐标;/>B1(x,y)表示第一从摄像机采集的图像像素,B2(x,y)表示第二从摄像机采集的图像像素;f表示为/> μ表示为u,v表示以x,y为中心的局部邻域像素坐标。
可选地,所述根据所述预处理图像生成满图像栈,具体为:
将生成的第一张所述预处理图像加入图像栈,继续采集并获得预处理图像S′;
若图像栈中预处理图像的数量小于Nstack,根据Δ(x,y)=S′(x,y)-Sn(x,y)计算当前预处理图像S′与前一次加入图像栈的预处理图像Sn的差值;
根据所述差值计算均值
比较均值与预设均值δ的大小,若则将当前预处理图像S′加入图像栈;否则,继续采集并获得预处理图像S′。
可选地,所述根据所述图像块获取满图像栈的特征向量,具体为:
获取所述图像块像素值的概率分布极值 表示图像块的像素值分布函数;
将所有所述图像块的概率分布极值,组合形成所述满图像栈的特征向量Λ=[λpq]T,1≤p≤P,1≤q≤Q。
本发明实施例的创新点包括:
1、本实施例中,利用神经网络模型识别六氟化硫气体在红外图像中的特征,实现被动式红外光六氟化硫的持续测量,与经典的基于帧差法、光流法等像素级测量方法相比,其测量结果更加准确,且降低了数据处理量,提高了数据处理效率,是本发明实施例的创新点之一。
2、本实施例中,根据六氟化硫在红外光特定波段吸收率高的特性,采集多个波段、多通道的红外图像,并通过预处理优化信号源和噪声源的差异,实现信噪比的最大化,从而去除环境干扰,得到可靠的六氟化硫测量数据,是本发明实施例的创新点之一。
3、本实施例中,基于六氟化硫在红外图像中的响应较弱的问题,采用卷积滤波模板改善高斯模板、均值模板等经典方法使图像更加模糊导致六氟化硫无法检出的问题,在滤波的同时仍可以保持信号的特征完整性,是本发明实施例的创新点之一。
4、本实施例中,通过产生预处理图像栈的方法,去除相似的相邻图像,从而可以减少图像数量,并保留六氟化硫泄漏的时间维特征,是本发明实施例的创新点之一。
5、本实施例中,提供的神经网络模型是专用于气体检测的,以前用于气体检测的模型并未专门优化。而对于其他领域图像识别的模型,由于其检测对象不同,其网络结构差异巨大,无法直接应用于六氟化硫气体检测,是本发明实施例的创新点之一。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的六氟化硫测量方法的一种流程图;
图2为本发明实施例提供的生成满图像栈到满图像栈切块的过程示意图;
图3为本发明实施例提供的生成满图像栈的一种流程图
图4为本发明实施例提供的获取特征向量的一种流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,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、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种六氟化硫测量方法。以下分别进行详细说明。
图1为本发明实施例提供的六氟化硫测量方法的一种流程图,图2为本发明实施例提供的生成满图像栈到满图像栈切块的过程示意图,请参考图1-图2,本实施例提供的六氟化硫测量方法,包括:
步骤1:利用摄像机按时序采集多波段、多通道的红外图像;所述摄像机包括主摄像机和从摄像机;
步骤2:对红外图像进行预处理,得到预处理图像 其中,A表示主摄像机采集的图像,B表示从摄像机采集的图像,f表示卷积滤波模板,μ为线性系数矩阵;
步骤3:根据预处理图像生成满图像栈V=[Sn],其中,Sn表示满图像栈中的第n张预处理图像,n=1,2,…,Nstack;
步骤4:将满图像栈切块,得到图像块 其中,X,Y表示预处理图像在x、y方向上的尺寸,P,Q表示在x、y方向上切成的块数,p、q表示图像块在满图像栈中的位置;
步骤5:根据图像块获取满图像栈的特征向量;
步骤6:以满图像栈的特征向量作为输入,定义输出为 ,建立神经网络模型;其中,/>表示第二隐藏层,/>表示线性权值,β3表示线性偏移量,θ为激励函数,定义为/>ρ表示激励函数收敛速度控制参数,∈表示泄漏阈值;神经网络模型包括第一隐藏层和第二隐藏层,第一隐藏层为/>ωapq为线性权值,β1表示线性偏移量;第二隐藏层为/>γba为线性权值,β2表示线性偏移量;
步骤7:对神经网络模型进行训练,得到训练后的神经网络模型;
步骤8:将满图像栈的特征向量输入训练后的神经网络模型,得到输出值;
步骤9:当输出值大于泄漏阈值时,表明发生泄漏,发出警告。
具体地,自然界中的光是一种复合光,由不同波长频率的光复合而成,不同物质对光谱的吸收特性不同,红外线是由不可见的红外波段的光组成的,不同的气体可以吸收特定频率红外光,该特性即为气体的特征吸收频率。例如,六氟化硫的特征吸收频率对应的光波长为10.56微米,即该频率的红外光经过六氟化硫气体后亮度变暗,在图像中形成与周围环境的差异,故可通过在图像中检测此差异实现对六氟化硫气体的测量。
请参考图1,本实施例提供的六氟化硫测量方法,根据六氟化硫在红外光的特定波段吸收率高的特性,在步骤1中利用红外图像摄像机采集红外图像,为了能够提高数据源的稳定性,利用多个红外图像摄像机采集多波段、多通道的红外图像。如:配置一台主摄像机和两台从摄像机,主摄像机采集六氟化硫特征吸收频率附近波段的红外光,例如波段为10微米-11微米的红外光;从摄像机分别采集距离六氟化硫特征吸收频率较远波段的红外光,例如一台从摄像机采集8微米-10微米波段的红外光,另一台采集11微米-13微米波段的红外光。
由于六氟化硫气体在红外图像中的成像会产生大量噪声,因此,本实施例在步骤2中对采集到的红外图像进行预处理,在保持气体成像特征的前提下去除环境噪声,形成预处理图像其中,A表示主摄像机采集的图像,B表示从摄像机采集的图像,/> 表示卷积滤波模板,用于去除图像中的局部噪声;/>表示线性系数矩阵;x,y表示像素坐标,u,v表示以x,y为中心的局部邻域像素坐标。
步骤1采集到的多波段红外图像中,主摄像机采集的图像可以反应六氟化硫对红外光的吸收特性,也即可以作为信号源,从摄像机采集的图像可以反应六氟化硫特征吸收频率附近的环境干扰源的吸收特性,也即噪声源。通过预处理优化信号源和噪声源的差异,实现信噪比的最大化,从而去除环境干扰,得到可靠的六氟化硫测量数据。
由于六氟化硫在红外图像中的响应较弱,本实施例中采用卷积滤波模板f可以改善高斯模板、均值模板等经典方法使图像更加模糊而导致六氟化硫无法检出的问题,能够在滤波的同时,仍保持信号的完整性。此外,线性系数矩阵μ通过主摄像机采集的图像和从摄像机采集的图像的局部图像计算,得到与原图像相同大小,通过引入线性系数矩阵,可以使预处理后的图像亮度保持均衡,从而能够减小样本偏差,提高测量准确率。
需要说明的是,上述预处理方法可以在图像的边缘端实现,且由于该方法计算简便,适用于分布式物联网设备等低功耗、低算力设备,相对于传统服务器集中计算的实现方式,可以大大降低分布式物联网数据传输量,提高通信效率。
请参考图1和图2,得到预处理图像后,在步骤3中,将预处理图像按照时间先后顺序依次加入图像栈,直至图像栈中预处理图像的数量达到最大Nstack,也即生成满图像栈V=[Sn],其中,n=1,2,…,Nstack,Sn表示图像栈中的第n张预处理图像。本发明中,在将预处理图像加入图像栈之前,将预处理图像与上一次加入的预处理图像进行比较,通过计算二者差值去除相似的相邻图像,如图2中连续红外预处理图像中未填充的图像表示相邻两张预处理图像相似,将相似图像去除后,得到如图2中间所示的图像栈。通过去除相似的相邻图像,可以减少图像数量,而且可以保留六氟化硫泄漏的时间维特征。
图像栈满栈后,在步骤4中将满图像栈切块,可以得到每一块图像块的表达式为其中,X,Y表示预处理图像在x、y方向上的尺寸,P,Q表示在x、y方向上切成的块数,如此,/>分别表示每一块在x、y方向上的尺寸。p、q表示图像块在满图像栈中的位置,冒号:表示像素值取值范围,则表示预处理图像Sn中从像素/>到像素围城的矩形子图。将满图像栈切块后,得到的vpq由Sn中符合上述规则的Nstack个顺序子图构成。
得到图像块后,在步骤5中,获取满图像栈的特征向量值,以便后续建立神经网络模型。本实施例中,获取满图像栈的特征向量时,将图像块中的每一个矩形子图的概率分布极值作为特征向量的分量,如此,将所有子图的概率分布极值组合,即可作为满图像栈的特征向量。
得到特征向量后,在步骤6中,将满图像栈的特征向量作为输入,泄漏概率值作为输出,建立神经网络模型。如此,得到的神经网络模型输出一个概率值,该输出值表示存在泄漏现象的概率。
神经网络模型除输入输出外,还包括第一隐藏层,第一隐藏层为ωapq为线性权值,表示满图像栈的特征值向量中分量λpq和第一隐藏层/>之间的权值,β1表示线性偏移量。θ为激励函数,定义为激励函数θ为非线性函数,其中,ρ表示激励函数收敛速度控制参数,用于平衡模型收敛速度与过拟合惩罚,作为优选值,取ρ=0.17,∈表示泄漏阈值,e表示自然指数函数。
神经网络模型还包括第二隐藏层,第二隐藏层定义为 第二隐藏层为64维向量,其中,γba为线性权值,表示第一隐藏层/>和第二隐藏层/>之间的权值,β2表示线性偏移量。基于第二隐藏层,定义神经网络模型的输出为,/>为线性权值,表示第二隐藏层/>和输出值O之间的权值,β3表示线性偏移量。θ为激励函数,与上述定义相同,此处不再进行赘述。
建立好神经网络模型后,在步骤7中,对神经网络模型进行训练,分别取发生泄漏情形时获得的满图像栈样本和未发生泄漏时获得的满图像栈样本,作为模型的训练样本,利用后向传播算法对训练样本进行训练,获得模型的参数最优解,即完成训练,将训练得到的参数带入神经网络模型,即可得到训练后的神经网络模型。
步骤8中,根据训练后的神经网络模型,对上述步骤中获得的满图像栈进行测量,例如,将步骤5中获得的满图像栈的特征向量输入训练后神经网络模型,即可得到输出值,该输出值即为该满图像栈的泄漏概率。然后利用步骤9,通过比较输出值与泄漏阈值的大小,判断该满图像栈是否存在泄漏情况,当输出值大于泄漏阈值时,表明发生泄漏,发出警告。
需要说明的是,结束一次测量后,需要将图像栈清空,以便于重新生成一个新的满图像栈,继续对该新的满图像栈进行测量,从而实现持续测量,有利于提高利用率。
本发明提供的六氟化硫测量方法,利用多波段多通道红外图像提高数据源的稳定性,提取预处理后红外图像的特征,并利用神经网络模型识别六氟化硫气体在红外图像中的特征,实现被动式红外光六氟化硫测量,与经典的基于帧差法、光流法等像素级测量方法相比,其测量结果更加准确,且降低了数据处理量,提高了数据处理效率。
可选地,从摄像机包括第一从摄像机和第二从摄像机;请参考图1,步骤1中,采集多波段、多通道的红外图像,具体为:利用主摄像机采集第一波段的红外图像;利用第一从摄像机采集第二波段的红外图像;利用第二从摄像机采集第三波段的红外图像。
具体地,本实施例中,配置一台主摄像机和两台从摄像机,从摄像机包括第一从摄像机和第二从摄像机,采集红外图像时,主摄像机采集第一波段的红外图像,第一从摄像机采集第二波段的红外图像,第二从摄像机采集第三波段的红外图像。此处的第一波段指的是六氟化硫特征吸收频率10.56微米附近的波段,例如可以为10微米-11微米波段的红外光,第二波段和第三波段指的是距离六氟化硫特征吸收频率较远的波段,例如可以分别为8微米-10微米波段和11微米-13微米波段,上述波段可以达到较好的测量效果。
主摄像机采集的图像可以反应六氟化硫对红外光的吸收特性,也即可以作为信号源,从摄像机采集的图像可以反应六氟化硫特征吸收频率附近的环境干扰源的吸收特性,也即噪声源。通过主摄像机和从摄像机分别采集不同波段的红外图像,并对红外图像进行预处理,可以优化信号源和噪声源的差异,实现信噪比的最大化,从而去除环境干扰,得到可靠的六氟化硫测量数据。
可选地,请参考图1,步骤2中,对红外图像进行预处理,得到预处理图像,具体为:对第一波段的红外图像、第二波段的红外图像和第三波段的红外图像进行预处理,得到预处理图像其中,A=A(x,y),A(x,y)表示主摄像机采集的图像像素,x,y表示像素坐标;/>B1(x,y)表示第一从摄像机采集的图像像素,B2(x,y)表示第二从摄像机采集的图像像素;f表示为 μ表示为u,v表示以x,y为中心的局部邻域像素坐标。
具体地,请参考图1,对红外图像进行预处理,指的是对第一波段的红外图像、第二波段的红外图像和第三波段的红外图像进行预处理,得到可以反应六氟化硫测量数据的预处理图像。本实施例中,预处理图像表示为其中,/>表示卷积运算符,A=A(x,y),A(x,y)表示主摄像机采集的图像像素,x,y表示像素坐标;/> B1(x,y)表示第一从摄像机采集的图像像素,B2(x,y)表示第二从摄像机采集的图像像素;f为卷积滤波模板,表示为/> μ为线性系数矩阵,表示为/> u,v表示以x,y为中心的局部邻域像素坐标。
由于六氟化硫在红外图像中的响应较弱,本实施例中采用卷积滤波模板f去除图像中的局部噪声,可以改善高斯模板、均值模板等经典方法使图像更加模糊而导致六氟化硫无法检出的问题,能够在滤波的同时,仍保持信号的完整性。此外,线性系数矩阵μ通过主摄像机采集的图像和从摄像机采集的图像的局部图像计算,得到与原图像相同大小,通过引入线性系数矩阵,可以使预处理后的图像亮度保持均衡,从而能够减小样本偏差,提高测量准确率。
可选地,图3为本发明实施例提供的生成满图像栈的一种流程图,请参考图1-图3,步骤3中,根据预处理图像生成满图像栈,具体为:步骤31:将生成的第一张预处理图像加入图像栈,继续采集并获得预处理图像S′;步骤32:若图像栈中预处理图像的数量小于Nstack,根据Δ(x,y)=S′(x,y)-Sn(x,y)计算当前预处理图像S′与前一次加入图像栈的预处理图像Sn的差值;步骤33:根据差值计算均值;步骤34:比较均值与预设均值δ的大小,若/>,则将当前预处理图像S′加入图像栈;否则,继续采集并获得预处理图像S′。
具体地,请参考图1-图3,得到预处理图像后,将预处理图像按照时间先后顺序依次加入图像栈,直至图像栈中预处理图像的数量达到最大,也即生成满图像栈。本发明中,设置图像栈的大小为Nstack,也即,图像栈满栈时,包含Nstack张预处理图像。
建立满图像栈时,首先在步骤31中将第一张预处理图像加入图像栈,然后继续采集并获得下一张预处理图像S′。此时,由于图像栈中已有图像,为了避免将相似的相邻图像重复加入图像栈,本实施例在步骤2中计算当前预处理图像S′与前一次加入图像栈的预处理图像Sn的差值,计算差值时,根据公式Δ(x,y)=S′(x,y)-Sn(x,y)即可算出二者差值。需要说明的是,当图像满栈时,无法继续增加新的预处理图像至图像栈中,因此,在步骤32中,还需要判断图像栈是否满栈,当图像栈中的预处理图像的数量小于Nstack时,表明图像栈未满,则可以进行差值判断;否则,当图像栈中的预处理图像的数量等于Nstack时,表明图像栈满栈,则无需进行差值计算,从而有利于减少计算量,降低复杂度。
得到相邻两张预处理图像的差值后,在步骤33中根据差值计算均值。然后通过步骤34比较均值与预设均值δ的大小,作为优选值,取δ=0.05。若/>,则表明当前预处理图像与前一次加入图像栈的预处理图像之间的差值满足条件,二者不相似,因此,可以将当前预处理图像S′加入图像栈;否则,表明当前预处理图像与前一次加入图像栈的预处理图像为相似的相邻图像,无需将当前预处理图像加入图像栈,继续采集并获得下一张预处理图像S′。如此重复,直至获得一个包含Nstack张预处理图像的图像栈,即满图像栈。
通过计算相邻两张预处理图像的差值去除相似的相邻图像,如此,可以减少图像数量,而且可以保留六氟化硫泄漏的时间维特征。
可选地,图4为本发明实施例提供的获取特征向量的一种流程图,请参考图1和图4,步骤5中,根据图像块获取满图像栈的特征向量,具体为:步骤51:获取图像块像素值的概率分布极值,/>表示图像块的像素值分布函数;步骤52:将所有图像块的概率分布极值组合,形成满图像栈的特征向量Λ=[λpq]T,1≤p≤P,1≤q≤Q。
具体地,请参考图1和图4,获取满图像栈的特征向量时,将图像块中的每一个矩形子图的概率分布极值作为特征向量的分量,因此,首先通过步骤51,获取图像块像素值的概率分布极值,/>表示图像块的像素值分布函数,概率分布极值λpq即为使vpq的像素值分布函数取最大值时的参数。满图像栈包含Nstack张图像块,将所有图像块的概率分布极值组合,即可作为满图像栈的特征向量。因此,通过步骤52将所有图像块的概率分布极值组合,即可形成满图像栈的特征向量Λ=[λpq]T,1≤p≤P,1≤q≤Q。通过获取特征向量,即可实现神经网络模型的建立,从而完成六氟化硫气体测量。
基于上述提供的方法,发明人通过配置主从摄像机并拍摄现场红外图像,对图像中的六氟化硫实施检测,自动分析六氟化硫的泄漏量。与现有技术中经典的帧差法、光流法进行比较,得到表1所示的测试结果。参考表1给出的现场试验数据,结果表明本文方法与经典的基于帧差法、光流法等像素级测量方法相比,其测量结果更加准确,且提高了数据处理效率。
表1
方法比较 | 测量准确率 | 泄漏响应时间 |
帧差法 | 67.2% | 10秒 |
光流法 | 73.9% | 9秒 |
本方法 | 92.1% | 4秒 |
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (3)
1.一种六氟化硫测量方法,其特征在于,包括:
利用摄像机按时序采集多波段、多通道的红外图像;所述摄像机包括主摄像机和从摄像机;
对所述红外图像进行预处理,得到预处理图像 其中,A表示主摄像机采集的图像,B表示从摄像机采集的图像,f表示卷积滤波模板,μ表示线性系数矩阵;
根据所述预处理图像生成满图像栈V=[Sn],具体为:将生成的第一张所述预处理图像加入图像栈,继续采集并获得预处理图像S′;若图像栈中预处理图像的数量小于Nstack,根据Δ(x,y)=S′(x,y)-Sn(x,y)计算当前预处理图像S′与前一次加入图像栈的预处理图像Sn的差值;根据所述差值计算均值比较均值与预设均值δ的大小,若/>则将当前预处理图像S′加入图像栈;否则,继续采集并获得预处理图像S′;其中,Sn表示满图像栈中的第n张预处理图像,n=1,2,…,Nstack;
将所述满图像栈切块,得到图像块 其中,X,Y表示预处理图像在x、y方向上的尺寸,P,Q表示在x、y方向上切成的块数,p、q表示图像块在满图像栈中的位置;
获取所述图像块像素值的概率分布极值 表示图像块的像素值分布函数;将所有所述图像块的概率分布极值,组合形成所述满图像栈的特征向量Λ=[λpq]T,1≤p≤P,1≤q≤Q;
以所述满图像栈的特征向量作为输入,定义输出为建立神经网络模型;其中,/>表示第二隐藏层,/>表示线性权值,β3表示线性偏移量,θ为激励函数,定义为/>ρ表示激励函数收敛速度控制参数,∈表示泄漏阈值;所述神经网络模型包括第一隐藏层和第二隐藏层,第一隐藏层为/>ωapq为线性权值,β1表示线性偏移量;第二隐藏层为/>γba为线性权值,β2表示线性偏移量;
对所述神经网络模型进行训练,得到训练后的神经网络模型;
将所述满图像栈的特征向量输入所述训练后的神经网络模型,得到输出值;
当所述输出值大于所述泄漏阈值时,表明发生泄漏,发出警告。
2.根据权利要求1所述的六氟化硫测量方法,其特征在于,所述从摄像机包括第一从摄像机和第二从摄像机;采集多波段、多通道的红外图像,具体为:
利用所述主摄像机采集第一波段的红外图像;利用所述第一从摄像机采集第二波段的红外图像;利用所述第二从摄像机采集第三波段的红外图像。
3.根据权利要求2所述的六氟化硫测量方法,其特征在于,对所述红外图像进行预处理,得到预处理图像,具体为:
对所述第一波段的红外图像、第二波段的红外图像和第三波段的红外图像进行预处理,得到所述预处理图像其中,A=A(x,y),A(x,y)表示主摄像机采集的图像像素,x,y表示像素坐标;/>B1(x,y)表示第一从摄像机采集的图像像素,B2(x,y)表示第二从摄像机采集的图像像素;f表示为/> μ表示为u,v表示以x,y为中心的局部邻域像素坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005195.8A CN115909180B (zh) | 2023-01-04 | 2023-01-04 | 一种六氟化硫测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005195.8A CN115909180B (zh) | 2023-01-04 | 2023-01-04 | 一种六氟化硫测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909180A CN115909180A (zh) | 2023-04-04 |
CN115909180B true CN115909180B (zh) | 2024-01-26 |
Family
ID=86495598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005195.8A Active CN115909180B (zh) | 2023-01-04 | 2023-01-04 | 一种六氟化硫测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134933A (zh) * | 2024-05-08 | 2024-06-04 | 国网江苏省电力有限公司苏州供电分公司 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104607A1 (ja) * | 2015-12-15 | 2017-06-22 | コニカミノルタ株式会社 | ガス濃度厚み積測定装置、ガス濃度厚み積測定方法、ガス濃度厚み積測定プログラム、及び、ガス濃度厚み積測定プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN107705288A (zh) * | 2017-09-04 | 2018-02-16 | 武汉工程大学 | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
CN111157114A (zh) * | 2019-12-26 | 2020-05-15 | 西安电子科技大学 | 基于波长转换的长波红外多光谱成像方法及装置 |
CN112116563A (zh) * | 2020-08-28 | 2020-12-22 | 南京理工大学 | 一种基于谱维与空间协作邻域注意力的高光谱图像目标检测方法与*** |
CN112396064A (zh) * | 2020-12-08 | 2021-02-23 | 武汉汉海鑫宇环境检测技术服务有限公司 | 一种烟气分析处理方法及*** |
CN112907522A (zh) * | 2021-02-03 | 2021-06-04 | 北京遥感设备研究所 | 一种智能红外气体泄漏监测装置及监测方法 |
CN113628252A (zh) * | 2021-08-13 | 2021-11-09 | 北京理工大学 | 一种基于热成像视频的泄漏气体云团检测方法 |
CN113780135A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 跨场景的VOCs气体泄漏检测方法、***及存储介质 |
CN114170552A (zh) * | 2021-12-09 | 2022-03-11 | 上海谱盟光电科技有限公司 | 基于红外热成像的天然气泄漏实时预警方法及*** |
CN114998838A (zh) * | 2022-06-24 | 2022-09-02 | 无锡赛弗安全装备有限公司 | 一种危化品智能存储柜实时监测方法与装置 |
WO2022261550A1 (en) * | 2021-06-11 | 2022-12-15 | Trustees Of Tufts College | Method and apparatus for image processing |
-
2023
- 2023-01-04 CN CN202310005195.8A patent/CN115909180B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104607A1 (ja) * | 2015-12-15 | 2017-06-22 | コニカミノルタ株式会社 | ガス濃度厚み積測定装置、ガス濃度厚み積測定方法、ガス濃度厚み積測定プログラム、及び、ガス濃度厚み積測定プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN107705288A (zh) * | 2017-09-04 | 2018-02-16 | 武汉工程大学 | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 |
CN109308447A (zh) * | 2018-07-29 | 2019-02-05 | 国网上海市电力公司 | 在电力远程监控中自动提取设备运行参数和运行状态的方法 |
CN111157114A (zh) * | 2019-12-26 | 2020-05-15 | 西安电子科技大学 | 基于波长转换的长波红外多光谱成像方法及装置 |
CN112116563A (zh) * | 2020-08-28 | 2020-12-22 | 南京理工大学 | 一种基于谱维与空间协作邻域注意力的高光谱图像目标检测方法与*** |
CN112396064A (zh) * | 2020-12-08 | 2021-02-23 | 武汉汉海鑫宇环境检测技术服务有限公司 | 一种烟气分析处理方法及*** |
CN112907522A (zh) * | 2021-02-03 | 2021-06-04 | 北京遥感设备研究所 | 一种智能红外气体泄漏监测装置及监测方法 |
WO2022261550A1 (en) * | 2021-06-11 | 2022-12-15 | Trustees Of Tufts College | Method and apparatus for image processing |
CN113628252A (zh) * | 2021-08-13 | 2021-11-09 | 北京理工大学 | 一种基于热成像视频的泄漏气体云团检测方法 |
CN113780135A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 跨场景的VOCs气体泄漏检测方法、***及存储介质 |
CN114170552A (zh) * | 2021-12-09 | 2022-03-11 | 上海谱盟光电科技有限公司 | 基于红外热成像的天然气泄漏实时预警方法及*** |
CN114998838A (zh) * | 2022-06-24 | 2022-09-02 | 无锡赛弗安全装备有限公司 | 一种危化品智能存储柜实时监测方法与装置 |
Non-Patent Citations (5)
Title |
---|
An Effective Low-Contrast SF₆ Gas Leakage Detection Method for Infrared Imaging;Quan Lu等;《IEEE Transactions on Instrumentation and Measurement》;第70卷;1-9 * |
Identification of industrial gas by sparse infrared absorption spectrum characteristics and support vector machine;Junhui Ma等;《Global Intelligent Industry Conference 2020》;第11780卷;406-412 * |
基于多特征与DCNN的红外SF6泄漏检测方法研究;徐守坤等;《计算机应用与软件》;第38卷(第06期);134-142+160 * |
基于深度学习的SF6泄漏检测方法研究;符心宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第01期);C042-181 * |
基于红外成像的SF6检测***的研究;王贺;《中国优秀硕士学位论文全文数据库 信息科技辑》(第01期);I135-133 * |
Also Published As
Publication number | Publication date |
---|---|
CN115909180A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bowles et al. | Use of filter vectors in hyperspectral data analysis | |
CN102436652B (zh) | 一种多源遥感图像自动配准方法 | |
US8023724B2 (en) | Apparatus and method of information extraction from electromagnetic energy based upon multi-characteristic spatial geometry processing | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN111598156B (zh) | 基于多源异构数据融合的pm2.5预测方法 | |
CN115909180B (zh) | 一种六氟化硫测量方法 | |
CN102928877B (zh) | 基于d-s证据理论的地震属性融合方法 | |
CN105761214A (zh) | 基于轮廓波变换与引导滤波的遥感图像融合方法 | |
EP0953182B1 (en) | Intelligent hypersensor processing system (ihps) | |
US20050036661A1 (en) | Spatial surface prior information reflectance estimation (SPIRE) algorithms | |
CN107992791A (zh) | 目标跟踪失效重检方法及装置、存储介质、电子设备 | |
US10650498B2 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
CN111986162A (zh) | 基于粗定位和协同表示的高光谱异常点快速检测方法 | |
CN111667461B (zh) | 一种输电线路异常目标检测方法 | |
CN111598028A (zh) | 一种基于遥感成像原理识别地表植被分布方法 | |
Boffety et al. | Color image simulation for underwater optics | |
CN113095218A (zh) | 一种高光谱图像目标检测算法 | |
WO2024139631A1 (zh) | 一种基于神经网络的无人机目标检测方法 | |
CN116664448B (zh) | 一种基于图像去雾的中高能见度计算方法及计算*** | |
CN111611921B (zh) | 一种基于遥感大数据的太阳能板识别*** | |
Sun et al. | A photo‐based quality assessment model for the estimation of PM2. 5 concentrations | |
KR101007304B1 (ko) | 광학 측정을 통한 에어로솔 분석방법 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN115859186A (zh) | 基于格拉米角场的分布式光纤传感事件识别方法及*** | |
CN116010798A (zh) | 一种基于YOLOv5的复杂典型通信信号快速识别分类方法 |
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 |