[發明專利]一種基于深度學習的紅外圖像漏氣漏液檢測方法及系統

在審

• 申請號: 202210117000.4
• 申請日: 2022-02-08
• 公開（公告）號: CN114627052A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 高浩;黃衛;馮書誼
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/30;G06T5/00;G06N3/04;G06K9/62;G06V20/40;G06V10/774;G06V10/82;G06V10/80
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于深度學習的紅外圖像漏氣漏液檢測方法，其特征在于，包括以下步驟：

采集漏氣漏液場景下的紅外熱圖像數據；

對漏氣漏液場景下的紅外熱圖像數據進行預處理，在紅外熱圖像數上標注漏氣漏液信息，得到訓練數據集，并使用該訓練數據集訓練目標檢測網絡，獲得訓練完成的目標檢測網絡權重；

獲取并預處理待檢測場景下的紅外熱成像數據，加載訓練完成的目標檢測網絡權重，對目標檢測網絡輸入待檢測場景下的紅外熱成像數據進行實時檢測，獲取檢測結果；

將檢測結果可視化輸出。

2.根據權利要求1所述的紅外圖像漏氣漏液檢測方法，其特征在于，紅外熱圖像數據的獲取方法包括：對紅外熱成像儀進行標定以獲取紅外熱成像儀的參數信息，并使用紅外熱像儀采集待檢測場景下的視頻數據并解析所述視頻數據得到待檢測場景下的紅外熱圖像數據；

其中紅外熱像儀為IR-HiNet-640設備，獲取得到的單張熱成像圖像分辨率大小為640*512，可測溫度范圍為-22℃至+550℃；

對紅外熱圖像數據進行預處理的方法包括以下步驟：

對所述紅外熱圖像數據進行增強，以降低紅外熱成像中的噪聲干擾；

對紅外圖像數據進行圖像增強的方法包括形態學濾波操作；

所述形態學濾波操作包括圖像膨脹腐蝕和圖像銳化。

3.根據權利要求1所述的紅外圖像漏氣漏液檢測方法，其特征在于，使用訓練數據集訓練目標檢測網絡的方法包括以下步驟：

使用Kmeans算法對訓練數據集進行聚類分析得到錨候選框大小，并分配到目標檢測網絡的大、中、小三個特征尺度上；

使用經過MS COCO數據集進行訓練后的網絡權重作為目標檢測網絡的初始權重，使用所述訓練數據集對目標檢測網絡進行訓練，得到最終訓練的網絡參數權重信息。

4.根據權利要求3所述的紅外圖像漏氣漏液檢測方法，其特征在于，使用Kmeans算法對樣本進行聚類分析得到錨候選框并分配到三個特征尺度上，具體方法步驟為：

步驟A:初始化k個anchor box，通過在所有的標注得到的bounding box中隨機選取k個值作為k個anchor box的初始值，其中k為設定值，anchor box是錨候選框，bounding box為數據集中標注得到的檢測框；

步驟B:分別計算各bounding box與個anchor box的交并比IOU；

交并比計算方式為anchor box和bounding box的交集和并集的比值:

式中，∩為取交集，∪為取并集,IOU為交并比；

計算距離參數d，表示其誤差：

d＝1-IOU

步驟C:經過前一步的計算可以的到各bounding box對于各anchor box的誤差d(n,k)，d(n,k)表示第n個bounding box和第k個anchor box的誤差距離；

通過比較第i個bounding box其對于各anchor box的誤差距離集{d(i,1)，d(i,2)，…,d(i,k)},選取最小誤差的anchor box，將該bounding box分類入該最小誤差的anchor box的分類集；

對于每個bounding box均進行分類，獲得各anchor box的分類集；

步驟D:對于各anchor box的分類集中的bounding box，求分類集中的bounding box的寬高中值大小，將其作為該anchor box新的尺寸；

重復步驟B-D，比較新計算得到的bouding box所屬的anchor box和原先該boudingbox所屬的anchor box，如果一致則停止，若不一致則跳轉重復步驟B-D，繼續計算。