CN112255141B - 一种热成像气体监测系统 - Google Patents

一种热成像气体监测系统 Download PDF

Info

Publication number
CN112255141B
CN112255141B CN202011152331.9A CN202011152331A CN112255141B CN 112255141 B CN112255141 B CN 112255141B CN 202011152331 A CN202011152331 A CN 202011152331A CN 112255141 B CN112255141 B CN 112255141B
Authority
CN
China
Prior art keywords
gas
gas flow
prior
roi
thermal 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.)
Active
Application number
CN202011152331.9A
Other languages
English (en)
Other versions
CN112255141A (zh
Inventor
涂家勇
郭海强
刘卫华
孙武峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Optical Valley Technology Co ltd
Original Assignee
Optical Valley Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Optical Valley Technology Co ltd filed Critical Optical Valley Technology Co ltd
Priority to CN202011152331.9A priority Critical patent/CN112255141B/zh
Publication of CN112255141A publication Critical patent/CN112255141A/zh
Application granted granted Critical
Publication of CN112255141B publication Critical patent/CN112255141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • G01N2011/006—Determining flow properties indirectly by measuring other parameters of the system
    • G01N2011/0093—Determining flow properties indirectly by measuring other parameters of the system thermal properties
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种热成像气体监测系统。包括：在机房机器排风口构建先验ROI，并将先验ROI划分为多个连续的先验ROI分区；采集先验ROI的气体热成像，将时序上连续的气体热成像输入气体流动分析神经网络，对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到气体流动程度；若连续两次或多次的气体流动程度大于第一阈值，关闭气体流动分析神经网络，调用气体监测模块；气体监测模块基于气体温度、气流速度分析机房散热情况；根据气体温度启动气体流动分析神经网络。利用本发明，能够获得更好的机房气体监测效果，降低资源消耗。

Description

一种热成像气体监测系统
技术领域
本发明涉及气体监测、计算机视觉技术领域，具体涉及一种热成像气体监测系统。
背景技术
在服务器、普通电脑等计算节点或者大型散热机器较多的机房，监控机房温度、气体流动对机器负载十分重要。现有的机房温度通过热成像或温度传感器来进行获得，气体流动通过流速传感器等方式获得。然而，传感器易受干扰，会出现较大误差，且易损坏。而且，现有的气体监测系统，不具备智能化，不能以数据驱动硬件设备的使用，从而使得监测功耗很高，造成资源的浪费。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种热成像气体监测系统。
一种热成像气体监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
S1：在机房机器排风口构建先验ROI，并将先验ROI划分为多个连续的先验ROI分区；
S2：采集先验ROI的气体热成像，将时序上连续的气体热成像输入气体流动分析神经网络，对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到气体流动程度；
若连续两次或多次的气体流动程度大于第一阈值，关闭气体流动分析神经网络，调用气体监测模块；
S3：气体监测模块计算第一时间段内各先验ROI分区最高温度值的均值Temp；
获取气体热成像上各先验ROI分区的最高温度值的坐标；
计算相邻帧气体热成像上各先验ROI分区中最高温度值坐标的扩散距离；
统计第一时间段内各先验ROI分区最高温度值坐标扩散距离之和L；
基于Temp、L分析机器的散热情况；
S4：当Temp小于第二阈值时，关闭气体监测模块，启动气体流动分析神经网络。
进一步地，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：
Figure 25537DEST_PATH_IMAGE001
，M越大，机器负载越高。
进一步地，所述气体流动分析神经网络包括两个分支和一个联合分析模块，第一分支对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到第一气体流动分析特征向量；
第二分支对第一滑动时间窗口内的气体热成像分别进行阈值分割，得到对应的气体像素面积，将气体像素面积组成向量输入全连接网络进行分析，得到第二气体流动分析特征向量；
联合分析模块对第一气体流动分析特征向量、第二气体流动分析特征向量联结之后得到的向量进行分析，得到气体流动程度。
进一步地，所述第一滑动时间窗口步长与滑动窗口尺寸相同。
进一步地，所述S1包括：
设置第一热像仪，第一热像仪的光轴与出风风向、排风口一条边框线垂直，采集排风口正面区域的气体热成像；设置第二热像仪，第二热像仪的光轴与出风风向平行，采集排风口上方区域的气体热成像；
根据第一热像仪的成像区域在排风口正面区域构建第一先验ROI，按照与出风风向平行的方向，将第一先验ROI划分为多个连续的第一先验ROI分区；根据第二热像仪的成像区域在排风口上方区域构建第二先验ROI，按照与成像平面竖向平行的方向，将第二先验ROI划分为多个连续的第二先验ROI分区。
进一步地，所述S2包括：
采集机房机器排风口正面区域的气体热成像，将时序上连续的正面区域的气体热成像输入第一气体流动分析神经网络，得到第一气体流动程度；
采集机房机器排风口上方区域的气体热成像，将时序上连续的上方区域的气体热成像输入第二气体流动分析神经网络，得到第二气体流动程度；
综合第一气体流动程度、第二气体流动程度得到综合气体流动程度，若连续两次或多次综合气体流动程度大于设定阈值，关闭气体流动分析神经网络，调用气体监测模块。
进一步地，所述综合第一气体流动程度、第二气体流动程度得到综合气体流动程度包括：
对第一气体流动程度、第二气体流动程度赋予相应权值，将加权后的总和作为综合气体流动程度。
进一步地，第一气体流动程度的权值大于第二气体流动程度的权值。
进一步地，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：
Figure 314436DEST_PATH_IMAGE002
其中，
Figure 447740DEST_PATH_IMAGE003
为先验温度最大值，
Figure 394967DEST_PATH_IMAGE004
表示第一时间段长度，
Figure 225389DEST_PATH_IMAGE005
为先验ROI的高度，
Figure 294976DEST_PATH_IMAGE006
为先验ROI分区的个数，M越大，机器负载越高。
进一步地，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：
Figure 696001DEST_PATH_IMAGE007
其中，
Figure 248250DEST_PATH_IMAGE003
为先验温度最大值，i表示先验ROI的类型，
Figure 418332DEST_PATH_IMAGE008
为第i类型先验ROI的各先验ROI分区最高温度值坐标扩散距离之和，
Figure 924399DEST_PATH_IMAGE004
表示第一时间段长度，
Figure 61988DEST_PATH_IMAGE009
为第i类型先验ROI的高度，
Figure 616598DEST_PATH_IMAGE010
为第i类型先验ROI分区的个数，M越大，机器负载越高。
本发明与现有技术相比，具有以下有益效果：
本发明只需利用热成像相机及少量计算资源就可以分析机房机器的负载情况。通过神经网络，可以精确地得到气体的流动等级，从而合理协调模块间工作，降低功耗。通过先验ROI区域与直线拟合，可以有效地分析气体的流动距离与流动方向。
由于出风口的最大温度点受到多方面因素影响，随机器运转、风扇转速出现出风风向垂直方向的摇摆，因此，如果直接统计最高温度值坐标的扩散距离，势必无法较好地表征出风风向上的气流速度，因此，本发明对先验ROI分区分别进行分析，有助于提高气流速度的计算精度。
传统的气体流动是根据传感器测得，传感器易受干扰，会出现较大误差，而且易损坏；也有方法根据亮度温度值的位置变化计算气流速度，不间断计算气流速度，计算量高；本发明结合神经网络技术对时序上的气体热成像进行分析，实现对气体流动的粗糙估计，无需不间断计算气流速度，大大降低了计算量和空间复杂度。
附图说明
图1为本发明的流程图。
图2为先验ROI切分规则示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种热成像气体监测系统。主要对机房机器的气体进行监测，得到气体的流动情况与温度，从而分析机房机器的负载与散热情况，预防机器发生故障。图1为本发明的流程图。下面通过具体实施例来进行说明。
实施例1：
热成像气体监测系统：
S1：在机房机器排风口构建先验ROI，并将先验ROI划分为多个连续的先验ROI分区。
首先部署热像仪，该热像仪对准机房机器，监测机器排风处气体的流动情况与温度。利用热成像相机进行图像采集，热像仪可以为多个，要覆盖整个机房的各个机器，然后将采集到的图像送入训练好的卷积神经网络中，得到图像内气体的流动等级，以选择是否开启气体监测分析模块。
具体地，针对每一个排风口，设置第一热像仪，第一热像仪的光轴与出风风向、排风口一条边框线垂直，采集排风口正面区域的气体热成像；设置第二热像仪，第二热像仪的光轴与出风风向平行，采集排风口上方区域的气体热成像；根据第一热像仪的成像区域在排风口正面区域构建第一先验ROI，按照与出风风向平行的方向，将第一先验ROI划分为多个连续的第一先验ROI分区；根据第二热像仪的成像区域在排风口上方区域构建第二先验ROI，按照与成像平面竖向平行的方向，将第二先验ROI划分为多个连续的第二先验ROI分区。对于ROI区域进行规则的区域化切分，先验切分规则如图2所示，包括5个分区，即区域A-E。
S2：采集先验ROI的气体热成像，将时序上连续的气体热成像输入气体流动分析神经网络，对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到气体流动程度。若连续两次或多次的气体流动程度大于第一阈值，关闭气体流动分析神经网络，调用气体监测模块。滑动时间窗口是对时间序列数据进行操作时使用的一种技术手段，对时间序列进行统计值计算和其他一些函数计算。本实施例中，第一滑动时间窗口设于连续的气体热成像上，对位于第一滑动时间窗口内的气体热成像进行连接得到多通道张量数据从而进一步进行分析。
红外热成像技术以其高效率、远距离、大范围和动态直观等显著优势，成为气体监测技术的重要发展方向。气体流动分析神经网络有多种实施方式。一种实施方式是，气体流动分析神经网络基于编码器-全连接结构，对多通道张量数据分析，得到气体流动程度。为了提高气体流动分析神经网络的精度，设计以下结构：所述气体流动分析神经网络包括两个分支和一个联合分析模块，第一分支对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到第一气体流动分析特征向量；第二分支对第一滑动时间窗口内的气体热成像分别进行阈值分割，得到对应的气体像素面积，将气体像素面积组成向量输入全连接网络进行分析，得到第二气体流动分析特征向量；联合分析模块对第一气体流动分析特征向量、第二气体流动分析特征向量联结之后得到的向量进行分析，得到气体流动程度。优选地，第一滑动时间窗口步长与滑动窗口尺寸相同。也就是说，时间窗口之间不重叠，举例说明，第一滑动时间窗口内当前包括第1-3帧气体热成像，即时间窗口尺寸为3，那么，下一次处理时，向前滑动3步（步长与时间窗口尺寸相同），第一滑动时间窗口内为第4-6帧气体热成像。
气体流动分析神经网络训练方法如下。对于该网络，是基于时序的热成像图像序列进行气体流动等级分级。本实施例中，第一滑动时间窗口尺寸为3，步长为3，对每三帧热成像进行气体流动等级分级，即第一分支是三帧热成像进行连接（concatenate）操作，最终形成一个多通道张量数据—三通道图像，再经过归一化，作为特征提取编码器输入的。特征提取编码器是对输入数据进行特征提取，输入为归一化的热成像图像数据，输出为特征图（Feature map）；第一全连接网络起到特征映射的作用，输入为特征提取编码器产生的特征图（Feature map）进行展平（Flatten）操作的结果，输出为第一气体流动分析特征向量。
第二分支仍然为与第一分支相同个数的气体热成像。按照上述举例为三帧气体热成像，首先对气体热成像进行阈值分割，得到二值图像，由于热成像本身代表的就是温度，因此阈值分割所需阈值可人为调试，最终得到气体区域二值图像。优选地，阈值可以设定为30度对应的热成像像素值。对于气体二值图像，将代表气体的像素总数量作为气体像素面积。进一步的，提取每三帧热成像的气体像素面积，并将其输入到第二全连接网络，其作用同样为特征映射，最终得到一个特征向量，即第二气体流动分析特征向量。第三全连接网络起到将特征映射到样本标记空间的作用，输入为第一全连接网络与第二全连接网络得到的特征向量连接（concatenate）的结果，同样为一个特征向量，输出为各种气体流动等级的概率。损失函数采用交叉熵。最终网络输出的值为概率，然后进行argmax（得到最大可能性类的函数）操作，得到具体的气体流动等级。气体流动等级的标签这里只标为三类即可，一是快速，二是慢速，三是无气体流动。标签数据输入到网络中训练需要进行独热编码（one-hot编码）。
编码器的结构设计有许多种，本发明建议编码器套用残差网络（ResNet）或轻量级网络预训练模型，网络的卷积建议使用深度可分离卷积，可以让模型更加轻量、速度更快，同时实施者也可结合LSTM（长短期记忆网络）等时序模型来对特征提取编码器得到的特征图经过展平（Flatten）操作的张量进行时序特征的提取，最终通过第一全连接网络来进行特征映射。
对于机房机器而言，通常气体的流动为机器散热器发出，当气体流动越快说明机器散热器转速越高，其温度也越高，因此当气体流动分析模块的网络输出气体流动等级为快速时，调用气体监测模块，预防机器由于高负载导致故障的发生。
对于网络可能存在误检测，此处基于序列的多次检测结果进行判断，当连续的五次检测都为快速气体流动等级时，调用气体监测模块，同时关闭自身，即气体流动分析模块。
在本实施例中，由于划分了两种类型的先验ROI，因此，采集机房机器排风口正面区域的气体热成像，将时序上连续的正面区域的气体热成像输入第一气体流动分析神经网络，得到第一气体流动程度；采集机房机器排风口上方区域的气体热成像，将时序上连续的上方区域的气体热成像输入第二气体流动分析神经网络，得到第二气体流动程度；综合第一气体流动程度、第二气体流动程度得到综合气体流动程度，若连续两次或多次综合气体流动程度大于设定阈值，关闭气体流动分析神经网络，调用气体监测模块。综合第一气体流动程度、第二气体流动程度得到综合气体流动程度包括：对第一气体流动程度、第二气体流动程度赋予相应权值，将加权后的总和作为综合气体流动程度。第一气体流动程度的权值大于第二气体流动程度的权值。
S3：气体监测模块计算第一时间段内各先验ROI分区最高温度值的均值Temp；获取气体热成像上各先验ROI分区的最高温度值的坐标；计算相邻帧气体热成像上各先验ROI分区中最高温度值坐标的扩散距离；统计第一时间段内各先验ROI分区最高温度值坐标扩散距离之和L；基于Temp、L分析机器的散热情况。
调用气体监测模块时，计算每个先验ROI分区的最大温度点，并对各个分区最大温度点求平均得到气体温度。求先验ROI的气体温度，有如下公式：
Figure 454235DEST_PATH_IMAGE011
Figure 68887DEST_PATH_IMAGE012
为ROI气体温度，
Figure 693772DEST_PATH_IMAGE013
为划分的先验ROI分区总数量，
Figure 848810DEST_PATH_IMAGE014
表示先验ROI分区
Figure 993483DEST_PATH_IMAGE015
的最高温度值。在本实施例中，将两种类型的先验ROI分区的最大温度点求均值即可。
然后对于每个先验ROI分区，利用
Figure 592086DEST_PATH_IMAGE016
函数（计算极值点位置的函数）得到最高温度值的点坐标，
Figure 189421DEST_PATH_IMAGE016
函数公式为周知的，这里不在赘述。
进一步地，对每个先验ROI分区的最大温度点坐标进行直线拟合，分析其拟合直线的时序斜率，得到气体流动距离与气流方向。
由于得到的最大温度点处在图像的不同区域，因此此处要进行直线拟合，可采用最小二乘法，最终得到直线的表达式：
Figure 148149DEST_PATH_IMAGE017
k表示斜率，
Figure 131018DEST_PATH_IMAGE018
表示常数项。因此，对于时序的气体热成像，可以得到大量的时序直线斜率序列，因而有以下分析：当连续的序列有五帧k<0时，即直线时向下随x坐标递减时，认为气体向下流动。当连续的序列有五帧k>0时，即直线是向上随x坐标递增时，认为气体向上流动。通常来说，连续的序列有五帧k=0的情况不可能存在，因此不考虑此种情况。气体流动方向可以为气体的三维流动可视化提供参考依据。
对于气体扩散距离，同样基于时序的最大温度点进行分析得到。通过时序的监测，可得到时序的区域最大温度点序列。对于每个先验ROI分区进行最大温度点序列间距分析，该公式如下：
Figure 149789DEST_PATH_IMAGE019
Figure 985153DEST_PATH_IMAGE020
即该区域第
Figure 747572DEST_PATH_IMAGE021
Figure 866838DEST_PATH_IMAGE022
帧的最大温度值点坐标，
Figure 243461DEST_PATH_IMAGE023
、
Figure 815388DEST_PATH_IMAGE024
即该区域第
Figure 866652DEST_PATH_IMAGE025
帧的最大温度值点坐标。以五帧为例，第一时间段为五帧气体热成像对应的时间，每五帧计算一次气体扩散速率，因而根据上述公式，五帧会计算4次同一区域的最大温度点间距，有以下公式：
Figure 840424DEST_PATH_IMAGE026
Figure 935419DEST_PATH_IMAGE013
为计算的次数，五帧时为
Figure 243910DEST_PATH_IMAGE027
次，
Figure 348132DEST_PATH_IMAGE028
为先验ROI分区的个数，
Figure 661564DEST_PATH_IMAGE029
为第
Figure 193039DEST_PATH_IMAGE030
次计算结果中第
Figure 473979DEST_PATH_IMAGE031
个先验ROI分区的最大温度点间距，
Figure 834422DEST_PATH_IMAGE032
为五帧中计算出所有区域最大温度值坐标距离的和，即气体扩散距离。因此，根据上式可以得到两种类型的L。在不区分先验ROI分区类型时，利用上式计算总的气体扩散距离即可。
基于气体温度、气体流动距离分析机房机器的负载与散热情况，建立散热分析模型，公式如下：
Figure 579524DEST_PATH_IMAGE033
对于上述公式，可理解为在相同温度时，散热越快，则M的值越小，代表机器散热正常，若温度越大，散热越慢，则M值越大，说明机器散热不正常。对于负载而言，温度越高，机器负载越高，温度越小，负载通常越小。因此对于上述M的值，可基于经验统计其散热判断区间。
进一步地，为了提高散热分析模型的表征能力，引入先验温度最大值、先验ROI的高度，因此，散热分析模型还可以为：
Figure 970317DEST_PATH_IMAGE002
其中，
Figure 800869DEST_PATH_IMAGE003
为先验温度最大值，
Figure 184577DEST_PATH_IMAGE004
表示第一时间段长度，
Figure 33453DEST_PATH_IMAGE005
为先验ROI的高度，
Figure 844415DEST_PATH_IMAGE006
为先验ROI分区的个数，M越大，机器负载越高。
本实施例划分了两个类型的先验ROI，因此，散热分析模型还可以为：
Figure 116258DEST_PATH_IMAGE007
其中，
Figure 100395DEST_PATH_IMAGE003
为先验温度最大值，i表示先验ROI的类型，
Figure 757772DEST_PATH_IMAGE008
为第i类型先验ROI的各先验ROI分区最高温度值坐标扩散距离之和，
Figure 51219DEST_PATH_IMAGE004
表示第一时间段长度，
Figure 794047DEST_PATH_IMAGE009
为第i类型先验ROI的高度，
Figure 581875DEST_PATH_IMAGE010
为第i类型先验ROI分区的个数，M越大，机器负载越高。在本发明中，先验ROI包括两种类型，即第一先验ROI、第二先验ROI。
S4：当Temp小于第二阈值时，关闭气体监测模块，启动气体流动分析神经网络。
对于何时再次调用气体流动分析模块，同时关闭自身气体监测模块，其依据为：
Figure 668710DEST_PATH_IMAGE034
G即阈值，通常机房机器散热器温度在40°以上，为避免两个模块出现失控，阈值G经验值选取区间通常在[50,60]内。
以上实施例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 (10)

1.一种热成像气体监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
S1：在机房机器排风口构建先验ROI，并将先验ROI划分为多个连续的先验ROI分区；
S2：采集先验ROI的气体热成像，将时序上连续的气体热成像输入气体流动分析神经网络，对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到气体流动程度；
若连续两次或多次的气体流动程度大于第一阈值，关闭气体流动分析神经网络，调用气体监测模块；
S3：气体监测模块计算第一时间段内各先验ROI分区最高温度值的均值Temp；
获取气体热成像上各先验ROI分区的最高温度值的坐标；
计算相邻帧气体热成像上各先验ROI分区中最高温度值坐标的扩散距离；
统计第一时间段内各先验ROI分区最高温度值坐标扩散距离之和L；
基于Temp、L分析机器的散热情况；
S4：当Temp小于第二阈值时，关闭气体监测模块，启动气体流动分析神经网络。
2.如权利要求1所述的系统，其特征在于，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：M＝Temp-L，M越大，机器负载越高。
3.如权利要求1所述的系统，其特征在于，所述气体流动分析神经网络包括两个分支和一个联合分析模块，第一分支对第一滑动时间窗口内的气体热成像联结后得到的多通道张量数据进行分析，得到第一气体流动分析特征向量；
第二分支对第一滑动时间窗口内的气体热成像分别进行阈值分割，得到对应的气体像素面积，将气体像素面积组成向量输入全连接网络进行分析，得到第二气体流动分析特征向量；
联合分析模块对第一气体流动分析特征向量、第二气体流动分析特征向量联结之后得到的向量进行分析，得到气体流动程度。
4.如权利要求1或3所述的系统，其特征在于，所述第一滑动时间窗口步长与滑动窗口尺寸相同。
5.如权利要求1-3任一项所述的系统，其特征在于，所述S1包括：
设置第一热像仪，第一热像仪的光轴与出风风向、排风口一条边框线垂直，采集排风口正面区域的气体热成像；设置第二热像仪，第二热像仪的光轴与出风风向平行，采集排风口上方区域的气体热成像；
根据第一热像仪的成像区域在排风口正面区域构建第一先验ROI，按照与出风风向平行的方向，将第一先验ROI划分为多个连续的第一先验ROI分区；根据第二热像仪的成像区域在排风口上方区域构建第二先验ROI，按照与成像平面竖向平行的方向，将第二先验ROI划分为多个连续的第二先验ROI分区。
6.如权利要求1-3任一项所述的系统，其特征在于，所述S2包括：
采集机房机器排风口正面区域的气体热成像，将时序上连续的正面区域的气体热成像输入第一气体流动分析神经网络，得到第一气体流动程度；
采集机房机器排风口上方区域的气体热成像，将时序上连续的上方区域的气体热成像输入第二气体流动分析神经网络，得到第二气体流动程度；
综合第一气体流动程度、第二气体流动程度得到综合气体流动程度，若连续两次或多次综合气体流动程度大于设定阈值，关闭气体流动分析神经网络，调用气体监测模块。
7.如权利要求6所述的系统，其特征在于，所述综合第一气体流动程度、第二气体流动程度得到综合气体流动程度包括：
对第一气体流动程度、第二气体流动程度赋予相应权值，将加权后的总和作为综合气体流动程度。
8.如权利要求6所述的系统，其特征在于，第一气体流动程度的权值大于第二气体流动程度的权值。
9.如权利要求1所述系统，其特征在于，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：
Figure FDA0002998101040000021
其中，Tempmax为先验温度最大值，T表示第一时间段长度，H为先验ROI的高度，N 为先验ROI分区的个数，M越大，机器负载越高。
10.如权利要求5所述的系统，其特征在于，所述基于Temp、L分析机器的散热情况包括：
建立散热分析模型：
Figure FDA0002998101040000022
其中，Tempmax为先验温度最大值，i表示先验ROI的类型，Li为第i类型先验ROI的各先验ROI分区最高温度值坐标扩散距离之和，T表示第一时间段长度，Hi为第i类型先验ROI的高度，Ni 为第i类型先验ROI分区的个数，M越大，机器负载越高。
CN202011152331.9A 2020-10-26 2020-10-26 一种热成像气体监测系统 Active CN112255141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011152331.9A CN112255141B (zh) 2020-10-26 2020-10-26 一种热成像气体监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011152331.9A CN112255141B (zh) 2020-10-26 2020-10-26 一种热成像气体监测系统

Publications (2)

Publication Number Publication Date
CN112255141A CN112255141A (zh) 2021-01-22
CN112255141B true CN112255141B (zh) 2021-05-11

Family

ID=74261515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011152331.9A Active CN112255141B (zh) 2020-10-26 2020-10-26 一种热成像气体监测系统

Country Status (1)

Country Link
CN (1) CN112255141B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887474B (zh) * 2021-10-15 2022-09-23 深圳市商汤科技有限公司 呼吸率检测方法及装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101315667A (zh) * 2008-07-04 2008-12-03 南京航空航天大学 室外早期火灾多种特征综合识别方法
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
CN107403407A (zh) * 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于热成像技术的呼吸跟踪方法
CN108413588A (zh) * 2018-02-12 2018-08-17 北京工业大学 一种基于热成像及bp神经网络的个性化空调控制系统及方法
CN109813713A (zh) * 2018-12-29 2019-05-28 佛山市云米电器科技有限公司 一种具有多个独立有害物质检测模组的烟机
CN110261436A (zh) * 2019-06-13 2019-09-20 暨南大学 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN111023906A (zh) * 2019-12-31 2020-04-17 北京富吉瑞光电科技有限公司 一种基于热成像的弹着点自动检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013536500A (ja) * 2010-07-20 2013-09-19 ロッキード マーティン コーポレイション 非線形データ処理技術を用いる画像解析システムおよびその使用方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101315667A (zh) * 2008-07-04 2008-12-03 南京航空航天大学 室外早期火灾多种特征综合识别方法
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
CN107403407A (zh) * 2017-08-04 2017-11-28 深圳市唯特视科技有限公司 一种基于热成像技术的呼吸跟踪方法
CN108413588A (zh) * 2018-02-12 2018-08-17 北京工业大学 一种基于热成像及bp神经网络的个性化空调控制系统及方法
CN109813713A (zh) * 2018-12-29 2019-05-28 佛山市云米电器科技有限公司 一种具有多个独立有害物质检测模组的烟机
CN110261436A (zh) * 2019-06-13 2019-09-20 暨南大学 基于红外热成像和计算机视觉的轨道故障检测方法及系统
CN111023906A (zh) * 2019-12-31 2020-04-17 北京富吉瑞光电科技有限公司 一种基于热成像的弹着点自动检测方法

Also Published As

Publication number Publication date
CN112255141A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
EP3651055A1 (en) Gesture recognition method, apparatus, and device
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
US20070003141A1 (en) System and method for automatic person counting and detection of specific events
CN113609896A (zh) 基于对偶相关注意力的对象级遥感变化检测方法及系统
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN112183313A (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN111807183A (zh) 基于深度学习的电梯门状态智能检测方法
CN113920097A (zh) 一种基于多源图像的电力设备状态检测方法及系统
CN113822185A (zh) 一种群养生猪日常行为检测方法
CN112255141B (zh) 一种热成像气体监测系统
CN116092179A (zh) 一种改进的yolox跌倒检测系统
CN111767826A (zh) 一种定时定点场景异常检测方法
Buemi et al. Efficient fire detection using fuzzy logic
US20210027463A1 (en) Video image processing and motion detection
CN113076808A (zh) 一种通过图像算法精准获取双向人流量的方法
CN116994209A (zh) 基于人工智能的图像数据处理系统及其方法
CN111027482A (zh) 基于运动向量分段分析的行为分析方法及装置
CN111695404A (zh) 行人跌倒检测方法、装置、电子设备及存储介质
CN111797761B (zh) 一种三阶段烟雾检测系统、方法及可读介质
CN116959099B (zh) 一种基于时空图卷积神经网络的异常行为识别方法
Li et al. An Improved YOLO-v4 Algorithm for Recognition and Detection of Underwater Small Targets
CN117710755B (zh) 一种基于深度学习的车辆属性识别系统及方法
KR101203050B1 (ko) 베르누이혼합모델을 이용한 영상의 배경모델링장치 및 방법
CN111291624B (zh) 一种挖掘机目标识别方法及系统

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: 430000 No. 01, 1-4 Floors, 9 Building 1-4, Shenzhou Digital Wuhan Science Park, No. 7, Financial Port Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Applicant after: Optical Valley Technology Co.,Ltd.

Address before: 430000 No. 01, 1-4 Floors, 9 Building 1-4, Shenzhou Digital Wuhan Science Park, No. 7, Financial Port Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Applicant before: OPTICAL VALLEY TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Thermal Imaging Gas Monitoring System

Effective date of registration: 20231017

Granted publication date: 20210511

Pledgee: Bank of Hankou Limited by Share Ltd. Financial Services Center

Pledgor: Optical Valley Technology Co.,Ltd.

Registration number: Y2023980061529