[發(fā)明專利]一種微尺度VOCs泄漏檢測方法、系統(tǒng)、存儲介質(zhì)及設(shè)備在審
| 申請?zhí)枺?/td> | 202111096477.0 | 申請日： | 2021-09-18 |
| 公開（公告）號： | CN113850172A | 公開（公告）日： | 2021-12-28 |
| 發(fā)明（設(shè)計）人： | 曹洋;譚幾方;康宇;夏秀山;許鎮(zhèn)義 | 申請（專利權(quán)）人： | 中國科學技術(shù)大學先進技術(shù)研究院 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 合肥天明專利事務所(普通合伙) 34115 | 代理人： | 苗娟 |
| 地址： | 230088 安*** | 國省代碼： | 安徽;34 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 尺度 vocs 泄漏 檢測 方法 系統(tǒng) 存儲 介質(zhì) 設(shè)備 | ||
1.一種微尺度VOCs泄漏檢測方法，其特征在于：包括以下步驟：
S10、獲取VOCs泄漏區(qū)和無泄漏區(qū)的紅外圖像進行數(shù)據(jù)預處理；
S20、將預處理數(shù)據(jù)輸入骨干網(wǎng)絡(luò)，采用不同大小的核函數(shù)進行特征學習；
S30、使用粗分類模塊過濾大量非VOCs泄漏氣體背景區(qū)域，提取出疑似VOCs泄漏圖像；
S40、使用細分類模塊對疑似VOCs泄漏圖像進行分類，并對VOCs泄漏區(qū)域進行回歸定位，進而實現(xiàn)VOCs泄露檢測。
2.根據(jù)權(quán)利要求1所述的微尺度VOCs泄漏檢測方法，其特征在于：所述S10、獲取VOCs泄漏區(qū)和無泄漏區(qū)的紅外圖像進行數(shù)據(jù)預處理，具體包括如下細分步驟S11至S12：
S11：獲取存在VOCs泄漏和無泄漏的紅外圖像數(shù)據(jù)，且要求原始數(shù)據(jù)圖像的分辨率為2448×2048；
S12：將原始紅外圖像數(shù)據(jù)裁剪成16個612×512的較小圖像，并對其進行旋轉(zhuǎn)預處理操作。
3.根據(jù)權(quán)利要求2所述的微尺度VOCs泄漏檢測方法，其特征在于：所述S20、將預處理數(shù)據(jù)輸入骨干網(wǎng)絡(luò)，采用不同大小的核函數(shù)進行特征學習，具體包括如下細分步驟S21至S24：
S21：將預處理紅外圖像輸入到骨干網(wǎng)絡(luò)中，其中前三層為卷積層，卷積核為3*3大小，保持原分辨率不變；
S22：采用2*2池化操作，使原有圖像分辨率降低到原來一半大小，再輸入到三個卷積層，卷積核大小為3*3；
S23：通過三個并行卷積運算，三個分支由大小不同的1*1、3*3和5*5的卷積核來實現(xiàn)，其中每個分支包含三個卷積層，再將三分支不同核學習的特征映射串聯(lián)起來；
S24：最后將串聯(lián)起來的特征進行1*1卷積操作，再將拼接后的特征圖拉伸為256深度大小，其中整個模型表示為
Xf＝ψf[χi(Fi)]
其中χi表示拼接前每個源特征圖的變換函數(shù)；Fi表示轉(zhuǎn)換前的每個特征圖；i表示每個分支標簽；ψf為特征映射融合函數(shù)；Xf是融合的特征映射。
4.根據(jù)權(quán)利要求3所述的微尺度VOCs泄漏檢測方法，其特征在于：所述上述步驟S30、使用粗分類模塊過濾大量非VOCs泄漏氣體背景區(qū)域，提取出疑似VOCs泄漏圖像，具體包括如下細分步驟S31至S32：
S31、將學習得到的特征圖信息輸入到全連接層，輸出分辨率大小為4096*1；
S32、采用softmax作為最后一個激活函數(shù)，將網(wǎng)絡(luò)的輸出標準化為預測類的概率分布，確認是否為疑似VOCs泄漏圖像。
5.根據(jù)權(quán)利要求4所述的微尺度VOCs泄漏檢測方法，其特征在于：所述S40、使用細分類模塊對疑似VOCs泄漏圖像進行分類，并對VOCs泄漏區(qū)域進行回歸定位，進而實現(xiàn)VOCs泄露檢測，進而實現(xiàn)具體包括如下細分步驟S41至S44：
S41：經(jīng)過分類子網(wǎng)對圖像進行預測，將粗分類結(jié)果輸入到五個3*3卷積層中，前四個有256個濾波器，所有濾波器后面都有ReLU激活，ReLU表示為
f(x)＝max(0，x)
其中，x為神經(jīng)元的個數(shù)；
S42：再輸入到第五個3×3卷積層，有B個濾波器，B為包圍盒個數(shù)；
S43：經(jīng)過回歸子網(wǎng)對VOCs泄漏區(qū)域進行定位回歸，將粗分類結(jié)果輸入到五個3*3卷積層中，前四個有256個濾波器，所有濾波器后面都有ReLU激活，最后一個卷積核輸出特征映射的深度為8；
S44：采用交并比對錨框和標注框進行選擇，其中分類子網(wǎng)和回歸子網(wǎng)共享一個公共輸入特征映射，即融合特征映射。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國科學技術(shù)大學先進技術(shù)研究院，未經(jīng)中國科學技術(shù)大學先進技術(shù)研究院許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111096477.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
