[發明專利]一種微尺度VOCs泄漏檢測方法、系統、存儲介質及設備

在審

• 申請號: 202111096477.0
• 申請日: 2021-09-18
• 公開（公告）號: CN113850172A
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 曹洋;譚幾方;康宇;夏秀山;許鎮義
• 申請（專利權）人: 中國科學技術大學先進技術研究院
• 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

本發明的一種微尺度VOCs泄漏檢測方法、系統、存儲介質及設備，包括以下步驟：S10、獲取VOCs泄漏區和無泄漏區的紅外圖像進行數據預處理；S20、將預處理數據輸入骨干網絡，采用不同大小的核函數進行特征學習；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泄漏位置回歸定位，進而得出檢測結果。本發明充分利用卷積神經網絡對VOCs泄漏紅外圖像特征學習，通過粗粒度到細粒度框架，粗分類器有效的過濾大量背景信息，減少了計算量，使用細分類器進行精準定位和識別分類，從而有效的節省計算資源并提高檢測準確性。

技術領域

本發明涉及環境檢測領域中VOCs氣體泄漏檢測相關技術領域，具體涉及一種基于粗粒度到細粒度框架的微尺度VOCs泄漏檢測方法。

背景技術

近年來，隨著石油化工行業的迅速發展，生產安全問題也越來越重要。如揮發性有機化合物(VOCs)的泄露會導致癌癥、出生缺陷和生殖影響等人類健康問題。VOCs還有導致了臭氧的形成，臭氧是煙霧的主要來源，也是城市地區和煉油廠和化工廠附近地區呼吸系統疾病的主要原因之一，因此，對VOCs的檢測與治理已成為當前空氣處理問題的一個焦點。

考慮到VOCs氣體開始發生泄漏時氣體量少、氣體相對較薄，以至于基于紅外成像圖中VOCs泄漏氣體區域過小或泄漏區域不明顯，從而導致VOCs難以被識別，未能及時控制VOCs泄漏。綜上，我們提出了一種基于粗粒度到細粒度框架的微尺度VOCs泄漏檢測方法，將原圖裁剪成更小的區域，采用深度卷積神經網絡方法，學習具有代表性特征，通過粗分類器過濾背景區域，用細分類器進行VOCs泄漏氣體定位和分類。旨在實現VOCs氣體泄漏的精準檢測。

發明內容

本發明提出的一種基于粗粒度到細粒度框架的微尺度VOCs泄漏檢測方法、系統、存儲介質及設備，可以實現在VOCs泄漏初期，實現精準檢測識別。

為實現上述目的，本發明采用了以下技術方案：

一種基于粗粒度到細粒度框架的微尺度VOCs泄漏檢測方法，包括以下步驟：

S10、獲取VOCs泄漏區和無泄漏區的紅外圖像進行數據預處理；

S20、將預處理數據輸入骨干網絡，采用不同大小的核函數進行特征學習；

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泄漏位置回歸定位，進而得出檢測結果。

進一步的，所述S10、獲取VOCs泄漏區和無泄漏區的紅外圖像進行數據預處理，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據，且要求原始數據圖像的分辨率為2448×2048；

S12：將原始紅外圖像數據裁剪成16個612×512的較小圖像，并對其進行旋轉預處理操作。

進一步的，所述S20、將預處理數據輸入骨干網絡，采用不同大小的核函數進行特征學習，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絡中，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，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起來；