CN111210405A - 一种基于红外成像的挥发性有机物泄露检测方法 - Google Patents
一种基于红外成像的挥发性有机物泄露检测方法 Download PDFInfo
- Publication number
- CN111210405A CN111210405A CN201911374550.9A CN201911374550A CN111210405A CN 111210405 A CN111210405 A CN 111210405A CN 201911374550 A CN201911374550 A CN 201911374550A CN 111210405 A CN111210405 A CN 111210405A
- Authority
- CN
- China
- Prior art keywords
- image
- volatile organic
- value
- model
- infrared imaging
- 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.)
- Pending
Links
- 239000012855 volatile organic compound Substances 0.000 title claims abstract description 37
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000005416 organic matter Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 4
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 5
- 238000007789 sealing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/002—Investigating fluid-tightness of structures by using thermal means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于红外成像的挥发性有机物泄露检测方法,本发明通过红外成像设备对待测设备和管件进行成像,由于泄露得到挥发性有机物选择性吸收红外光,从而根据存在泄露区域与不存在泄露区域的图像差异准确定位泄漏源以及挥发性有机物扩散区域,相比传统检测方法,具有效率高的特点,能够在一定距离以外以大视场扫描待检设备和管件,准确确定泄漏点位置,另外本方法快速、方便,不受电磁场干扰影响,成本低,节省人力物力。
Description
技术领域
本发明涉及有机物泄露检测技术领域,特别是一种基于红外成像的挥发性有机物泄露检测方法。
背景技术
石油化工行业在生产、运输以及销售过程中会排放一定量的挥发性有机物,这些排放的挥发性有机物会污染大气环境,危害人体健康,造成企业的经济损失,因此,控制挥发性有机物的泄露,是节能减排、保护环境和提高经济效益的重要手段,对挥发性有机物的泄露进行控制的前提是对其进行快速检测。
传统的检测方法为:确定需要检测的设备和管件,采用火焰离子检测器、催化氧化检测器或毒性气体检测器等检测仪器对潜在可能的泄露进行周期性检测,今早发现泄露的设备和管件。这些检测仪器在使用前都需要采用标准气进行校准,在检测时,需要将检测探头进气口放在可能发生泄露的密封点表面,并沿表面外围移动一周,不停观察仪器读数,一个密封点的检测耗时为30s。而通常情况下,一个设备的密封点在1万个以上,且90%的密封点不会发生泄漏。因此,采用传统的检测方法进行检测,耗时耗力,成本高,且难以确定泄露源的位置,无法满足现代生产和管理的要求。
发明内容
本发明的目的是提供一种基于红外成像的挥发性有机物泄露检测方法,旨在解决现有技术中泄露点检测存在耗时耗力以及成本高的问题,实现提高检测效率,节省人力物力。
为达到上述技术目的,本发明提供了一种基于红外成像的挥发性有机物泄露检测方法,所述方法包括以下步骤:
S1、利用红外成像设备对待测设备以及管件进行成像;
S2、采用自适应中值滤波算法对输出的图像进行滤波处理;
S3、基于混合高斯模型的背景建模法建立背景模型,基于背景扣除法检测识别泄露挥发性有机物;
S4、利用基于阈值的图像分割算法将挥发性有机物区域分割为前景;
S5、利用基于图像金字塔的快速连通域去燥算法对分割后的图像进行滤波;
S6、提取泄露挥发性有机物区域的特征点;
S7、分别利用Sobel算子对输出的图像进行锐化处理以及对检测到的泄露挥发性有机物区域进行伪彩色增强处理。
优选地,所述步骤S2具体操作如下:
使用模板对图像进行遍历,将模板中心像素点的灰度值与其它像素点进行比较,若为极大或极小值,则认为该点为噪声点,并取模板内中心像素点灰度值大小赋予模板中心像素点;若不为极大或极小值,则继续遍历图像。
优选地,所述步骤S3具体操作如下:
将所有新像素点值Xt分别与K个已存在模型比较,寻找与新像素点值的均值偏差在0.25σ内的分布模型,如下式:
|Xt-μi,t-1|≤2.5σ
式中,σ为标准差,μ为均值;
如果匹配的模型符合背景要求,那么此像素属于背景,否则属于前景;
各个模型的权值按下述公式进行更新:
Wk,t=(1-α)Wk,t-1+αMk,t
式中,α为更新速率,对于匹配的模型,Mk,t=1,否则反之,随后对各模型权重进行归一化;
未匹配模型的均值与标准差不变,匹配模型的参数通过下式进行计算:
ρ=αη(Xt|μk,σk)
μt=(1-ρ)μt-1+ρXt
若K个已存在模型中没有任何模型匹配,则均值为当前像素值,权重为初始较小值,标准差为较大值;
K个模型按照w/α2计算的结果进行非升序排列,权重大且标准差小的模型排在前面;
计算参数B,前B个模型是与背景相匹配的:
式中,T为背景模型的比例。
优选地,所述步骤S4具体操作如下:
利用最大类间方差自动确定最合适的阈值T将图像分为C0和C1两类,假设待处理图像的总像素个数为N,灰度值为[0,L-1],灰度值i在图像中对应的像素点个数为ni,则有:
u=w0u0+w1u1
σ2=w0(u0-u)2+w1(u1-u)2=w0w1(u0-u1)2
式中,pi为灰度值i在整个灰度范围[0,L-1]中出现的概率,w0和w1分别为C0和C1类的概率值大小,u0和u1分别为C0和C1类像素点的平均灰度值大小,u为灰度均值,σ2为类间方差,阈值T分别取0,1,…,L-1,计算对应的σ2,最大σ2对应的T为最合适的阈值。
优选地,所述步骤S5具体操作如下:
利用5*5高斯核对原图像B进行卷积,5*5高斯核如下所述:
选取其中的奇数行和奇数列,得到与原图像比例相同但尺寸为1/4的新图像。利用图像Bs对新图像进行连通域检测,得到待追踪区域坐标,遍历结束后将与Bs对应的区域坐标转换为图像B对应的区域坐标。
优选地,所述步骤S6具体操作如下:
以当前像素点为圆心,半径为3个像素点的一个圆周上共有16个邻域像素点,定义圆心的灰度值为pt,阈值为Th,遍历圆心的16个领域像素点pi,i=1,2,…,16;
依次遍历16个领域像素点pi,并给每个点一个标记li,若pi+Th<pt,则li=0,若pi>Th+pt,则li=1,其他情况下li=2;
从任意领域像素点pi开始遍历该点的li,当至少连续6个点被标记为0,且剩余点中至少有连续6个被标记为1时,该圆心像素点被认为是特征点。
优选地,所述步骤S7具体操作如下:
分别使用下述两个模板在水平和垂直方向得到图像梯度的近似值:
建立颜色查找表,将灰度值与红、绿、蓝三个颜色进行数值映射;
输出图像时,若对应像素点属于泄露气体,则查找颜色表进行赋值,若属于背景,则保持灰度值,颜色查找表的映射关系如下:
R(i)=i(0≤i≤255)
B(i)=255-i(0≤i≤255)。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
与现有技术相比,本发明通过红外成像设备对待测设备和管件进行成像,由于泄露得到挥发性有机物选择性吸收红外光,从而根据存在泄露区域与不存在泄露区域的图像差异准确定位泄漏源以及挥发性有机物扩散区域,相比传统检测方法,具有效率高的特点,能够在一定距离以外以大视场扫描待检设备和管件,准确确定泄漏点位置,另外本方法快速、方便,不受电磁场干扰影响,成本低,节省人力物力。
附图说明
图1为本发明实施例中所提供的一种基于红外成像的挥发性有机物泄露检测方法示意图;
图2为本发明实施例中所提供的一种基于红外成像的挥发性有机物泄露检测方法流程图。
具体实施方式
为了能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种基于红外成像的挥发性有机物泄露检测方法进行详细说明。
如图1、2所示,本发明公开了一种基于红外成像的挥发性有机物泄露检测方法,所述方法包括以下步骤:
S1、利用红外成像设备对待测设备以及管件进行成像。
利用红外成像设备对待测设备和管件进行成像,若待检测设备和管件发生泄漏,泄露的挥发性有机物会选择性吸收红外光,强度不同的红外光在红外探测器内形成强度不同的电信号,导致不存在泄露的区域与存在泄露的区域的图像存在显著差异,从而准确定位泄漏源以及挥发性有机物扩散区域。
红外成像设备输出的挥发性有机物泄露红外图像存在信噪比低、细节信息少、图像对比度差等问题,需要后续处理以提供适合人眼判断的泄露视频图像。
S2、采用自适应中值滤波算法对输出的图像进行滤波处理。
采用自适应中值滤波算法对红外成像设备输出的图像进行滤波处理,消除噪声干扰,保留图像细节。使用模板对图像进行遍历,将模板中心像素点的灰度值与其它像素点进行比较,若为极大或极小值,则认为该点为噪声点,并取模板内中心像素点灰度值大小赋予模板中心像素点;若不为极大或极小值,则继续遍历图像。
S3、基于混合高斯模型的背景建模法建立背景模型,基于背景扣除法检测识别泄露挥发性有机物。
采用基于混合高斯模型的背景建模法建立背景模型,基于背景扣除法来完成对泄漏挥发性有机物的检测和识别。
将所有新像素点值Xt分别与K个已存在模型比较,寻找与新像素点值的均值偏差在0.25σ内的分布模型,如下式:
|Xt-μi,t-1|≤2.5σ
式中,σ为标准差,μ为均值。
如果匹配的模型符合背景要求,那么此像素属于背景,否则属于前景。
各个模型的权值按下述公式进行更新:
Wk,t=(1-α)Wk,t-1+αMk,t
式中,α为更新速率,对于匹配的模型,Mk,t=1,否则反之,随后对各模型权重进行归一化。
未匹配模型的均值与标准差不变,匹配模型的参数通过下式进行计算:
ρ=αη(Xt|μk,σk)
μt=(1-ρ)μt-1+ρXt
若K个已存在模型中没有任何模型匹配,则均值为当前像素值,权重为初始较小值,标准差为较大值。
K个模型按照w/α2计算的结果进行非升序排列,权重大且标准差小的模型排在前面。
计算参数B,前B个模型是与背景相匹配的:
式中,T为背景模型的比例。
S4、利用基于阈值的图像分割算法将挥发性有机物区域分割为前景。
采用基于阈值的图像分割算法将挥发性有机物区域完整的分割为前景,计算过程如下:
利用最大类间方差自动确定最合适的阈值T将图像分为C0和C1两类,假设待处理图像的总像素个数为N,灰度值为[0,L-1],灰度值i在图像中对应的像素点个数为ni,则有:
u=w0u0+w1u1
σ2=w0(u0-u)2+w1(u1-u)2=w0w1(u0-u1)2
式中,pi为灰度值i在整个灰度范围[0,L-1]中出现的概率,w0和w1分别为C0和C1类的概率值大小,u0和u1分别为C0和C1类像素点的平均灰度值大小,u为灰度均值,σ2为类间方差,阈值T分别取0,1,…,L-1,计算对应的σ2,最大σ2对应的T为最合适的阈值。
S5、利用基于图像金字塔的快速连通域去燥算法对分割后的图像进行滤波。
采用基于图像金字塔的快速连通域去燥算法对分割算法分割后的图像进行滤波,去除干扰,计算步骤如下:
利用5*5高斯核对原图像B进行卷积,5*5高斯核如下所述:
选取其中的奇数行和奇数列,得到与原图像比例相同但尺寸为1/4的新图像。利用图像Bs对新图像进行连通域检测,得到待追踪区域坐标,遍历结束后将与Bs对应的区域坐标转换为图像B对应的区域坐标。
S6、提取泄露挥发性有机物区域的特征点。
采用基于气体扩散性的特征点提取算法提取出泄露挥发性有机物区域的特征点,提取过程如下:
以当前像素点为圆心,半径为3个像素点的一个圆周上共有16个邻域像素点,定义圆心的灰度值为pt,阈值为Th,遍历圆心的16个领域像素点pi,i=1,2,…,16。
依次遍历16个领域像素点pi,并给每个点一个标记li,若pi+Th<pt,则li=0,若pi>Th+pt,则li=1,其他情况下li=2。
从任意领域像素点pi开始遍历该点的li,当至少连续6个点被标记为0,且剩余点中至少有连续6个被标记为1时,该圆心像素点被认为是特征点。
S7、分别利用Sobel算子对输出的图像进行锐化处理以及对检测到的泄露挥发性有机物区域进行伪彩色增强处理。
采用Sobel算子对输出的图像进行锐化处理,增强层次感,使物体边缘更加清晰,分别使用下述两个模板在水平和垂直方向得到图像梯度的近似值:
对检测到的泄露挥发性有机物区域进行伪彩色增强处理,提供适合人眼判断的视频图像,提高监测人员发现并处理的速度。建立颜色查找表,将灰度值与红(R)、绿(G)、蓝(B)三个颜色进行数值映射。输出图像时,若对应像素点属于泄露气体,则查找颜色表进行赋值,若属于背景,则保持灰度值,颜色查找表的映射关系如下:
R(i)=i(0≤i≤255)
B(i)=255-i(0≤i≤255)
本发明实施例通过红外成像设备对待测设备和管件进行成像,由于泄露得到挥发性有机物选择性吸收红外光,从而根据存在泄露区域与不存在泄露区域的图像差异准确定位泄漏源以及挥发性有机物扩散区域,相比传统检测方法,具有效率高的特点,能够在一定距离以外以大视场扫描待检设备和管件,准确确定泄漏点位置,另外本方法快速、方便,不受电磁场干扰影响,成本低,节省人力物力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于红外成像的挥发性有机物泄露检测方法,其特征在于,所述方法包括以下步骤:
S1、利用红外成像设备对待测设备以及管件进行成像;
S2、采用自适应中值滤波算法对输出的图像进行滤波处理;
S3、基于混合高斯模型的背景建模法建立背景模型,基于背景扣除法检测识别泄露挥发性有机物;
S4、利用基于阈值的图像分割算法将挥发性有机物区域分割为前景;
S5、利用基于图像金字塔的快速连通域去燥算法对分割后的图像进行滤波;
S6、提取泄露挥发性有机物区域的特征点;
S7、分别利用Sobel算子对输出的图像进行锐化处理以及对检测到的泄露挥发性有机物区域进行伪彩色增强处理。
2.根据权利要求1所述的一种基于红外成像的挥发性有机物泄露检测方法,其特征在于,所述步骤S2具体操作如下:
使用模板对图像进行遍历,将模板中心像素点的灰度值与其它像素点进行比较,若为极大或极小值,则认为该点为噪声点,并取模板内中心像素点灰度值大小赋予模板中心像素点;若不为极大或极小值,则继续遍历图像。
3.根据权利要求1所述的一种基于红外成像的挥发性有机物泄露检测方法,其特征在于,所述步骤S3具体操作如下:
将所有新像素点值Xt分别与K个已存在模型比较,寻找与新像素点值的均值偏差在0.25σ内的分布模型,如下式:
|Xt-μi,t-1|≤2.5σ
式中,σ为标准差,μ为均值;
如果匹配的模型符合背景要求,那么此像素属于背景,否则属于前景;
各个模型的权值按下述公式进行更新:
Wk,t=(1-α)Wk,t-1+αMk,t
式中,α为更新速率,对于匹配的模型,Mk,t=1,否则反之,随后对各模型权重进行归一化;
未匹配模型的均值与标准差不变,匹配模型的参数通过下式进行计算:
ρ=αη(Xt|μk,σk)
μt=(1-ρ)μt-1+ρXt
若K个已存在模型中没有任何模型匹配,则均值为当前像素值,权重为初始较小值,标准差为较大值;
K个模型按照w/α2计算的结果进行非升序排列,权重大且标准差小的模型排在前面;
计算参数B,前B个模型是与背景相匹配的:
式中,T为背景模型的比例。
4.根据权利要求1所述的一种基于红外成像的挥发性有机物泄露检测方法,其特征在于,所述步骤S4具体操作如下:
利用最大类间方差自动确定最合适的阈值T将图像分为C0和C1两类,假设待处理图像的总像素个数为N,灰度值为[0,L-1],灰度值i在图像中对应的像素点个数为ni,则有:
u=w0u0+w1u1
σ2=w0(u0-u)2+w1(u1-u)2=w0w1(u0-u1)2
式中,pi为灰度值i在整个灰度范围[0,L-1]中出现的概率,w0和w1分别为C0和C1类的概率值大小,u0和u1分别为C0和C1类像素点的平均灰度值大小,u为灰度均值,σ2为类间方差,阈值T分别取0,1,…,L-1,计算对应的σ2,最大σ2对应的T为最合适的阈值。
6.根据权利要求1所述的一种基于红外成像的挥发性有机物泄露检测方法,其特征在于,所述步骤S6具体操作如下:
以当前像素点为圆心,半径为3个像素点的一个圆周上共有16个邻域像素点,定义圆心的灰度值为pt,阈值为Th,遍历圆心的16个领域像素点pi,i=1,2,…,16;
依次遍历16个领域像素点pi,并给每个点一个标记li,若pi+Th<pt,则li=0,若pi>Th+pt,则li=1,其他情况下li=2;
从任意领域像素点pi开始遍历该点的li,当至少连续6个点被标记为0,且剩余点中至少有连续6个被标记为1时,该圆心像素点被认为是特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374550.9A CN111210405A (zh) | 2019-12-27 | 2019-12-27 | 一种基于红外成像的挥发性有机物泄露检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374550.9A CN111210405A (zh) | 2019-12-27 | 2019-12-27 | 一种基于红外成像的挥发性有机物泄露检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111210405A true CN111210405A (zh) | 2020-05-29 |
Family
ID=70789423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374550.9A Pending CN111210405A (zh) | 2019-12-27 | 2019-12-27 | 一种基于红外成像的挥发性有机物泄露检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210405A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723720A (zh) * | 2020-06-15 | 2020-09-29 | 中国石油大学(华东) | 一种有机气体泄漏智能可视化实时在线监测系统 |
CN115115638A (zh) * | 2022-08-30 | 2022-09-27 | 南通翡利达液压科技有限公司 | 一种液压系统漏油检测及判定方法 |
CN117893643A (zh) * | 2024-03-18 | 2024-04-16 | 四川弘和数智集团有限公司 | 油气站压缩机气体泄露图像生成方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205301237U (zh) * | 2016-04-13 | 2016-06-08 | 交通运输部水运科学研究所 | 有毒有害气体应急监测机器人 |
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 |
CN107843571A (zh) * | 2017-10-19 | 2018-03-27 | 中国科学院上海硅酸盐研究所 | 一种基于弛豫铁电单晶红外热释电探测器的VOCs监测控制系统 |
CN108519345A (zh) * | 2018-04-02 | 2018-09-11 | 沈耀梅 | 一种基于机器学习的印刷机工作区域空气质量智能监控系统 |
CN109154538A (zh) * | 2016-05-18 | 2019-01-04 | 多传感器科学公司 | 烃泄漏成像和定量传感器 |
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
-
2019
- 2019-12-27 CN CN201911374550.9A patent/CN111210405A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205301237U (zh) * | 2016-04-13 | 2016-06-08 | 交通运输部水运科学研究所 | 有毒有害气体应急监测机器人 |
CN109154538A (zh) * | 2016-05-18 | 2019-01-04 | 多传感器科学公司 | 烃泄漏成像和定量传感器 |
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
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 |
CN107843571A (zh) * | 2017-10-19 | 2018-03-27 | 中国科学院上海硅酸盐研究所 | 一种基于弛豫铁电单晶红外热释电探测器的VOCs监测控制系统 |
CN108519345A (zh) * | 2018-04-02 | 2018-09-11 | 沈耀梅 | 一种基于机器学习的印刷机工作区域空气质量智能监控系统 |
Non-Patent Citations (1)
Title |
---|
王敏: "易燃易爆气体泄漏红外视频图像检测方法研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723720A (zh) * | 2020-06-15 | 2020-09-29 | 中国石油大学(华东) | 一种有机气体泄漏智能可视化实时在线监测系统 |
CN115115638A (zh) * | 2022-08-30 | 2022-09-27 | 南通翡利达液压科技有限公司 | 一种液压系统漏油检测及判定方法 |
CN117893643A (zh) * | 2024-03-18 | 2024-04-16 | 四川弘和数智集团有限公司 | 油气站压缩机气体泄露图像生成方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105405142B (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN111210405A (zh) | 一种基于红外成像的挥发性有机物泄露检测方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN115375676A (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN103439348B (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
CN116309191B (zh) | 基于图像增强的瓦斯巡检智能显示方法 | |
CN109472773B (zh) | 一种针对led的缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN110610496A (zh) | 一种对光照变化鲁棒的荧光胶缺陷分割方法 | |
CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
CN104008368A (zh) | 一种基于最大熵阈值分割的火灾识别方法 | |
CN104680509A (zh) | 一种实时圆形印刷图像缺陷检测方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN110197259A (zh) | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 | |
CN110473194A (zh) | 基于多图像块阈值分割算法的水果表面缺陷检测方法 | |
CN110333238A (zh) | 一种smt芯片缺陷检测系统与方法 | |
CN106529551B (zh) | 面向包装行业的类圆对象智能识别计数检测方法 | |
Liu et al. | An automatic defects detection scheme for lithium-ion battery electrode surface | |
CN108171705A (zh) | 一种透明玻璃瓶内液体的异物检测算法 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 939, Tianchen Road, Ji'nan high tech Zone, Shandong, Shandong Applicant after: Shandong special equipment inspection and Research Institute Group Co.,Ltd. Address before: No. 939, Tianchen Road, Ji'nan high tech Zone, Shandong, Shandong Applicant before: SHANDONG SPECIAL EQUIPMENT INSPECTION INSTITUTE CO.,LTD. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200529 |