CN113628252A - 一种基于热成像视频的泄漏气体云团检测方法 - Google Patents

一种基于热成像视频的泄漏气体云团检测方法 Download PDF

Info

Publication number
CN113628252A
CN113628252A CN202110940003.3A CN202110940003A CN113628252A CN 113628252 A CN113628252 A CN 113628252A CN 202110940003 A CN202110940003 A CN 202110940003A CN 113628252 A CN113628252 A CN 113628252A
Authority
CN
China
Prior art keywords
gas
support vector
vector machine
detection
leakage
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
Application number
CN202110940003.3A
Other languages
English (en)
Inventor
李力
翁静
金伟其
袁盼
王铭赫
谭竹嫣
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110940003.3A priority Critical patent/CN113628252A/zh
Publication of CN113628252A publication Critical patent/CN113628252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/10048—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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开的一种基于热成像视频的泄漏气体云团检测方法，属于气体检测领域。本发明使用支持向量机和SIFT特征训练得到基于气体红外图像形状特征的泄漏气体检测模型，实现泄漏气体的自动检测，并利用泄漏气体在红外场景中的可见性将气体的泄漏情况以视频形式显示，具有大范围成像、泄漏源直接定位的优势。本发明使用SIFT特征作为泄漏气体的特征数据输入支持向量机，充分利用其特征数据尺寸小、模型复杂度低、训练和检测时间短的优点，通过降低泄漏气体检测支持向量机模型的复杂度，压缩基于热成像视频泄漏气体云团检测方法的时间成本和存储空间成本。本发明在满足泄漏气体自动检测的同时还具有成本低、实时性好的优点。

Description

一种基于热成像视频的泄漏气体云团检测方法
技术领域
本发明涉及一种基于热成像视频的泄漏气体云团检测方法，属于气体检测领域。
背景技术
天然气作为优质、清洁的燃料和化工原料，已经成为我国能源结构的重要组成部分，但每年各地都在发生重大天然气泄漏事故，这使得泄漏气体检测相关的技术研究和仪器研发迫在眉睫。传统的接触式气体泄漏点探测仪虽然灵敏度高，但是检测效率低下。近年来基于红外成像系统的泄漏气体检测技术迅速发展。相比传统的检测方法，该方法对环境成像，可以从屏幕直接观察气体泄漏的地点和扩散情况，不仅提高了检测效率还可实现长时间的监控预警。
泄漏气体红外成像检测技术根据是否需要照射源可分为基于激光光源辐射吸收的主动式成像和基于背景辐射吸收的被动式成像。虽然被动式成像信噪比不如主动式成像，但因为其结构简单、探测距离远、检测光谱范围广等优点，在工业方面的应用更广泛。被动式成像根据波段又可划分为热成像、多光谱成像和高光谱成像，其中热成像技术的系统最简单。基于热成像的泄漏气体检测方法以热像仪为基础，通过图像滤波和增强处理后在视频中直接呈现泄漏气体，具有定位泄漏源、显示气体扩散情况的功能。
由于原理和制作工艺的局限性，热成像探测器灵敏度低、红外图像对比度差，需要对泄漏气体进行针对性的红外图像增强算法处理。同时红外图像中的气体云团边缘模糊、呈半透明受背景影响较大的情况，使泄漏气体的判断更为困难。研究表明，即使是经验丰富的检测人员，通过红外视频判断泄漏气体仍需要很长时间，也容易产生误检、漏检。目前可见光场景的目标识别已得到广泛应用，但针对红外场景的研究较少，泄漏气体等非刚性目标的研究面临的挑战更多。为了辅助工作人员进行泄漏气体检测、实现全天时自动检测和报警，急需一种高效、准确的泄漏气体云团检测方法。现有的泄漏气体热成像检测算法研究主要参考可见光场景的目标检测模型，使用卷积神经网络(CNN)训练直接训练泄漏气体红外图像，而缺乏对泄漏气体红外图像特征的研究，造成模型训练和泄漏气体检测的计算量大、耗时长，得到的泄漏气体检测卷积神经网络模型复杂度高，难以满足泄漏气体实时检测的需求。
发明内容
本发明的目的是提供一种基于热成像视频的泄漏气体云团检测方法，利用泄漏气体在红外场景中的可见性，通过提取尺度不变特征变换(SIFT)特征建立基于泄漏气体红外图像形状特征的支持向量机(SVM)；在对检测场景实时视频成像的同时，对目标区域进行SIFT特征提取并输入训练好的支持向量机进行气体检测，实现基于热成像视频的泄漏气体实时检测。本发明能够降低泄漏气体检测支持向量机模型的复杂度，减少基于热成像视频检测泄漏气体云团的时间成本和存储空间成本。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于热成像视频的泄漏气体云团检测方法，包括如下步骤：
步骤1：使用宽波段气体红外成像检测系统采集泄漏气体的红外图像序列，并对获取的红外图像进行预处理。
步骤2：对经过预处理的红外图像序列进行帧间差分得到运动目标，将所述运动目标作为泄漏气体检测候选区域，分别对检测候选区域中的泄漏气体和干扰物提取SIFT特征点和特征向量，并将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型。
所述复杂度低的泄漏气体检测支持向量机模型指泄漏气体检测支持向量机模型相比于卷积神经网络模型复杂度低。
所述步骤2实现方法包括如下步骤：
步骤2.1：对步骤1得到的预处理后的红外图像，选取当前帧和其后第k帧，使用帧间差分法得到运动目标区域，该运动目标区域包括泄漏气体和实际环境干扰物(如树木、行人、车辆等)，将所述运动目标区域作为泄漏气体检测的候选区域。
帧间差分法的计算公式为：
Dn(x,y)＝|In(x,y)-In+k(x,y)| (1)
Figure BDA0003209870000000021
其中，In(x,y)为当前第n帧红外图像，In+k(x,y)为第n+k帧红外图像，Dn(x,y)为原始差分图像，T为事先设定的阈值，Tn(x,y)为阈值化处理后的差分图像。k值的选取与帧率有关。
步骤2.2：泄漏气体检测候选区域中的气体云团部分作为训练集正样本，实际环境干扰物为训练集负样本，分别提取SIFT特征点和特征向量。
首先进行尺度空间极值探测，对整个尺度和图像位置进行搜索，使用高斯差分(DoG)函数识别对于尺度和方向具有不变性的极值点：
Figure BDA0003209870000000022
其中，I(x,y)为原始图像，G(x,y,σ)为尺度可变高斯函数，σ为尺度空间因子，k为尺度倍数，*为对x和y的卷积操作。
然后根据关键点的稳定性进行选择，删除低对比度的特征点和不稳定的边缘响应点；根据邻域像素梯度确定方向参数，再由图像的梯度直方图得到关键点局部结构的方向；最后将SIFT特征点的位置、尺度、方向信息生成SIFT特征向量。
步骤2.3：对于提取的正、负样本SIFT特征点和特征向量，根据其是否为泄漏气体进行标记。将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型。
特征向量需要适当处理以达到更好的训练效果，所述处理方法包括但不限于K均值(k-means)算法、具有噪声的基于密度聚类方法(DBSCAN)、主成分分析(PCA)等聚类、降维类分析算法。支持向量机的训练除了需要输入SIFT特征向量和其对应的标签，还包括若干初始参数，如SVM类型、核函数类型、默认的内核函数参数、交叉验证k值、终止准则等。
训练过程中，以得到最优的交叉验证结果为目标，使用网格搜索法寻找支持向量机的最佳参数。网格寻优函数需要的参数包括训练集数据、训练集标签、惩罚参数c的变化范围和步进大小、核参数g的变化范围和步进大小、交叉验证k值等，寻优结果为最有交叉验证结果下的最佳参数c、g和最佳分类准确率。综合支持向量机训练和参数寻优的结果，得到复杂度低的泄漏气体检测支持向量机模型，该模型可用于未来未知场景的泄漏气体检测。模型相关参数除了输入的初始训练参数，还包括支持向量的总数、每类样本的支持向量数目、每个支持向量在决策函数中的系数、决策函数中常数项的相反数。
步骤3：使用宽波段气体红外成像检测系统对环境进行实时监测，对实时红外图像序列进行预处理、帧间差分和SIFT特征提取，将实时监测的特征向量输入步骤2中得到的泄漏气体检测支持向量机模型，利用所述泄漏气体检测支持向量机模型对实时监测的特征进行分类，实现对实时视频中泄漏气体的红外图像序列分类检测。
步骤3所述对实时红外图像序列的预处理、帧间差分和SIFT特征提取与步骤1、2相同。将气体SIFT特征点和特征向量，输入步骤2中经过训练和参数寻优的泄漏气体检测支持向量机模型，所述模型对实时监测的气体特征进行分类，输出预测标签和预测精度。
步骤4：根据步骤3得到的实时红外图像序列分类检测结果，对泄漏气体部分进行彩色渲染并发出警报显示，所述警报显示包括通过屏幕观察得到气体泄漏部位、扩散情况信息。
有益效果：
1、本发明公开的基于热成像视频的泄漏气体云团检测方法，使用支持向量机和SIFT特征训练得到基于气体红外图像形状特征的泄漏气体检测模型，克服红外图像中气体云团对比度低、难以辨识的困难，实现泄漏气体的自动检测，并利用泄漏气体在红外场景中的可见性将气体的泄漏情况以视频形式显示，具有大范围成像、泄漏源直接定位的优势。
2、本发明公开的基于热成像视频的泄漏气体云团检测方法，使用SIFT特征作为泄漏气体的特征数据输入支持向量机，充分利用其特征数据尺寸小、模型复杂度低、训练和检测时间短的优点，通过降低泄漏气体检测支持向量机模型的复杂度，压缩基于热成像视频泄漏气体云团检测方法的时间成本和存储空间成本。
3、本发明公开的基于热成像视频的泄漏气体云团检测方法，使用结构简单的宽波段气体红外成像检测系统和帧间差分、SIFT特征、支持向量机等计算量适中的算法，在满足泄漏气体自动检测的同时还具有成本低、实时性好的优点，适用于各类炼油厂、油库、化工厂等天然气管道密集场所的泄漏气体实时监控。
附图说明
通过结合附图描述本说明书实施例，可以使得本说明书实施例更加清楚：
图1为本发明的一种基于热成像视频的泄漏气体云团检测方法的结构示意图。
图2为本发明的一种基于热成像视频的泄漏气体云团检测方法的流程图。
图3为双平台直方图的红外图像增强算法与传统直方图均衡化的效果对比。
图4为帧间差分法原理示意图，其中图4(a)为原始红外图像，图4(b)为直方图均衡化的红外图像，图4(c)为基于双平台直方图增强的红外图像。
图5为网格搜索支持向量机最佳参数的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例，并参照附图，对本发明进一步详细说明。应指出的是，所描述的实施例是为了便于本发明的理解，而对其不起任何限定作用。
图1示出了本实施例提出的基于热成像视频的泄漏气体云团检测方法。图2示出了本实施例的一种基于热成像视频的泄漏气体云团检测方法的流程图。
本实施例公开的基于热成像视频的泄漏气体云团检测方法，具体实现方法如下：
步骤1：使用宽波段气体红外成像检测系统采集泄漏气体的红外图像序列，并对获取的红外图像进行预处理。
常见的红外图像预处理包括非均匀校正、图像滤波、灰度变换和图像增强等方面。图像对比度增强的算法可采用但不限于直方图增强、线性映射(AGC)、数字细节增强(DDE)。本实施例采用基于双平台直方图的红外图像增强算法，图3示出了双平台直方图的红外图像增强算法与传统直方图均衡化的效果对比。该算法选择两个合适的平台阈值T1、T2分别作为上限平台和下限平台对直方图进行修改：
Figure BDA0003209870000000041
式中H(rk)为图像的双平台直方图值，h(rk)为图像的统计直方图值，L为图像的灰度级数。
完成统计直方图修改后，由修改后的统计直方图得到累积直方图F(rk)：
Figure BDA0003209870000000051
进而对图像的灰度重新分配，得到均衡化的灰度值D(rk)：
Figure BDA0003209870000000052
式中[·]表示取整。
步骤2：对经过预处理的红外图像序列进行帧间差分得到运动目标，将所述运动目标作为泄漏气体检测候选区域，分别对检测候选区域中的泄漏气体和干扰物提取SIFT特征点和特征向量，并将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型。
所述复杂度低的泄漏气体检测支持向量机模型指泄漏气体检测支持向量机模型相比于卷积神经网络模型复杂度低。
步骤2.1：对步骤1得到的预处理后的红外图像，选取当前帧和其后第k帧，使用帧间差分法得到运动目标区域，该运动目标区域包括了泄漏气体和实际环境干扰物(如树木、行人、车辆等)，将所述运动目标区域作为泄漏气体检测的候选区域。
帧间差分法的计算公式为：
Dn(x,y)＝|In(x,y)-In+k(x,y)| (7)
Figure BDA0003209870000000053
其中，In(x,y)为当前第n帧红外图像，In+k(x,y)为第n+k帧红外图像，Dn(x,y)为原始差分图像，T为事先设定的阈值，Tn(x,y)为阈值化处理后的差分图像。k值的选取与帧率有关。
本实施例中宽波段气体红外成像检测系统采集的红外视频帧率为50fps，选取k＝5效果最佳。
步骤2.2：泄漏气体检测候选区域中的气体云团部分作为训练集正样本，实际环境干扰物为训练集负样本，分别提取SIFT特征点和特征向量。
首先进行尺度空间极值探测，对整个尺度和图像位置进行搜索，使用高斯差分(DOG)函数识别对于尺度和方向具有不变性的极值点：
Figure BDA0003209870000000054
其中，I(x,y)为原始图像，G(x,y,σ)为尺度可变高斯函数，σ为尺度空间因子，k为尺度倍数，*为对x和y的卷积操作。
然后根据关键点的稳定性进行选择，删除低对比度的特征点和不稳定的边缘响应点；根据邻域像素梯度确定方向参数，再由图像的梯度直方图得到关键点局部结构的方向；最后将SIFT特征点的位置、尺度、方向信息生成SIFT特征向量。
步骤2.3：对于提取的正、负样本SIFT特征点和特征向量，根据其是否为泄漏气体进行标记。将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型。
特征向量需要适当处理以达到更好的训练效果，所述处理方法包括但不限于K均值(k-means)算法、具有噪声的基于密度聚类方法(DBSCAN)、主成分分析(PCA)等聚类、降维类分析算法。支持向量机的训练除了需要输入SIFT特征向量和其对应的标签，还包括若干初始参数，如SVM类型、核函数类型、默认的内核函数参数、交叉验证k值、终止准则等。
训练过程中，以得到最优交叉验证结果为目标，使用网格搜索法寻找支持向量机的最佳参数。网格寻优函数输入的参数包括训练集数据、训练集标签、惩罚参数c的范围和步进大小、核参数g的范围和步进大小、交叉验证k值等，寻优结果为最优交叉验证结果下的最佳参数c、g和最佳分类准确率。经过支持向量机训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型，模型相关参数除了输入的初始训练参数还包括支持向量总数、每类样本的支持向量数目、每个支持向量在决策函数中的系数和常数项的相反数等。该模型可用于未知场景的泄漏气体检测。
本实施例采用k-means算法将若干向量进行聚类，并将聚类结果作为SVM输入。SVM类型为二分类，核函数类型为径向基(RBF)核函数，其表达式如下：
κ(xi,xj)＝exp(-γ||xi-xj||2),γ＞0 (10)
图5示出了网格法搜索支持向量机最佳参数示意图。本实施例的最佳惩罚参数c＝1，最佳RFB核参数g＝0.0039062。
步骤3：使用宽波段气体红外成像检测系统对环境进行实时监测，对实时红外图像序列进行预处理、帧间差分和SIFT特征提取，将实时监测的特征向量输入步骤2中得到的泄漏气体检测支持向量机模型，利用所述泄漏气体检测支持向量机模型对实时监测的特征进行分类，实现对实时视频中泄漏气体的红外图像序列分类检测。
步骤3所述对实时红外图像序列的预处理、帧间差分和SIFT特征提取与步骤1、2相同。实时红外图像序列的SIFT特征向量输入经过训练和参数寻优的泄漏气体检测支持向量机模型后将输出预测标签和预测精度，预测精度即当前红外图像检测目标为该预测标签的置信度。
步骤4：根据步骤3得到的实时红外图像序列分类检测结果，对泄漏气体部分进行彩色渲染并发出警报显示，所述警报显包括通过屏幕观察得到气体泄漏部位、扩散情况信息。
本实施例使用不同气体种类(如甲烷、乙烯、二氟乙烷)、不同时间、不同场景共21段视频的红外图像序列，并统一样本尺寸为125×100得到数据集。训练集和测试集比例为4：1，使用VLFeat软件包提取每个样本的SIFT特征，每个样本得到128×N的特征矩阵(N为SIFT特征数目)，每个128维向量对应一个特征点，数据集共提取29 053个特征点。
另提取方向梯度直方图(HOG)特征对同一数据集进行泄漏气体检测支持向量机模型训练，得到基于SIFT特征与基于HOG特征的支持向量机模型测试效果如表1所示，两者算法性能对比如表2所示。
表1两种算法测试结果对比
Figure BDA0003209870000000071
表2两种算法性能对比
Figure BDA0003209870000000072
综合表1和表2，本实施例公开的一种基于热成像视频的泄漏气体云团检测方法，使用SIFT特征作为泄漏气体的特征数据输入支持向量机，充分利用其特征数据尺寸小、模型复杂度低、训练和检测时间短的优点，降低泄漏气体检测支持向量机模型的复杂度，压缩基于热成像视频的泄漏气体云团检测方法的时间成本和存储空间成本。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于热成像视频的泄漏气体云团检测方法，其特征在于：包括如下步骤，
步骤1：使用宽波段气体红外成像检测系统采集泄漏气体的红外图像序列，并对获取的红外图像进行预处理；
步骤2：对经过预处理的红外图像序列进行帧间差分得到运动目标，将所述运动目标作为泄漏气体检测候选区域，分别对检测候选区域中的泄漏气体和干扰物提取SIFT特征点和特征向量，并将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型；
步骤3：使用宽波段气体红外成像检测系统对环境进行实时监测，对实时红外图像序列进行预处理、帧间差分和SIFT特征提取，将实时监测的特征向量输入步骤2中得到的泄漏气体检测支持向量机模型，利用所述泄漏气体检测支持向量机模型对实时监测的特征进行分类，实现对实时视频中泄漏气体的红外图像序列分类检测。
2.如权利要求1所述的一种基于热成像视频的泄漏气体云团检测方法，其特征在于：还包括步骤4，根据步骤3得到的实时红外图像序列分类检测结果，对泄漏气体部分进行彩色渲染并发出警报显示，所述警报显示包括通过屏幕观察得到气体泄漏部位、扩散情况信息。
3.如权利要求1或2所述的一种基于热成像视频的泄漏气体云团检测方法，其特征在于：步骤2实现方法包括如下步骤，
步骤2.1：对步骤1得到的预处理后的红外图像，选取当前帧和其后第k帧，使用帧间差分法得到运动目标区域，该运动目标区域包括泄漏气体和实际环境干扰物，将所述运动目标区域作为泄漏气体检测的候选区域；
帧间差分法的计算公式为：
Dn(x,y)＝|In(x,y)-In+k(x,y)| (1)
Figure FDA0003209869990000011
其中，In(x,y)为当前第n帧红外图像，In+k(x,y)为第n+k帧红外图像，Dn(x,y)为原始差分图像，T为事先设定的阈值，Tn(x,y)为阈值化处理后的差分图像；k值的选取与帧率有关；
步骤2.2：泄漏气体检测候选区域中的气体云团部分作为训练集正样本，实际环境干扰物为训练集负样本，分别提取SIFT特征点和特征向量；
首先进行尺度空间极值探测，对整个尺度和图像位置进行搜索，使用高斯差分(DOG)函数识别对于尺度和方向具有不变性的极值点：
Figure FDA0003209869990000012
其中，I(x,y)为原始图像，G(x,y,σ)为尺度可变高斯函数，σ为尺度空间因子，k为尺度倍数，*为对x和y的卷积操作；
然后根据关键点的稳定性进行选择，删除低对比度的特征点和不稳定的边缘响应点；根据邻域像素梯度确定方向参数，再由图像的梯度直方图得到关键点局部结构的方向；最后将SIFT特征点的位置、尺度、方向信息生成SIFT特征向量；
步骤2.3：对于提取的正、负样本SIFT特征点和特征向量，根据其是否为泄漏气体进行标记；将特征向量输入支持向量机进行训练和参数寻优，得到复杂度低的泄漏气体检测支持向量机模型；
特征向量需要适当处理以达到更好的训练效果，所述处理方法包括但不限于聚类、降维类分析算法对输入的样本数据处理；支持向量机的训练除了需要输入前述的特征向量，还包括若干初始参数；所述聚类、降维类分析算法包括K均值(k-means)算法、具有噪声的基于密度聚类方法(DBSCAN)、主成分分析(PCA)；
训练过程中，以得到最优的交叉验证结果为目标，使用网格搜索法寻找支持向量机的最佳参数；网格寻优函数需要的参数包括训练集数据、训练集标签、惩罚参数c的变化范围和步进大小、核参数g的变化范围和步进大小、交叉验证k值等，寻优结果为最有交叉验证结果下的最佳参数c、g和最佳分类准确率；综合支持向量机训练和参数寻优的结果，得到复杂度低的泄漏气体检测支持向量机模型，该模型用于未来未知场景的泄漏气体检测；模型相关参数除了输入的初始训练参数，还包括支持向量的总数、每类样本的支持向量数目、每个支持向量在决策函数中的系数、决策函数中常数项的相反数。
4.如权利要求3所述的一种基于热成像视频的泄漏气体云团检测方法，其特征在于：步骤3所述对实时红外图像序列的预处理、帧间差分和SIFT特征提取与步骤1、2相同；将气体SIFT特征点和特征向量，输入步骤2中经过训练和参数寻优的泄漏气体检测支持向量机模型，所述模型对实时监测的气体特征进行分类，输出预测标签和预测精度。
5.如权利要求1或2所述的一种基于热成像视频的泄漏气体云团检测方法，其特征在于：所述复杂度低的泄漏气体检测支持向量机模型指泄漏气体检测支持向量机模型相比于卷积神经网络模型复杂度低。
CN202110940003.3A 2021-08-13 2021-08-13 一种基于热成像视频的泄漏气体云团检测方法 Pending CN113628252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110940003.3A CN113628252A (zh) 2021-08-13 2021-08-13 一种基于热成像视频的泄漏气体云团检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110940003.3A CN113628252A (zh) 2021-08-13 2021-08-13 一种基于热成像视频的泄漏气体云团检测方法

Publications (1)

Publication Number Publication Date
CN113628252A true CN113628252A (zh) 2021-11-09

Family

ID=78385818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110940003.3A Pending CN113628252A (zh) 2021-08-13 2021-08-13 一种基于热成像视频的泄漏气体云团检测方法

Country Status (1)

Country Link
CN (1) CN113628252A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909180A (zh) * 2023-01-04 2023-04-04 中环碳和(北京)科技有限公司 一种六氟化硫测量方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909180A (zh) * 2023-01-04 2023-04-04 中环碳和(北京)科技有限公司 一种六氟化硫测量方法
CN115909180B (zh) * 2023-01-04 2024-01-26 中环碳和(北京)科技有限公司 一种六氟化硫测量方法

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
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
CN108090906B (zh) 一种基于区域提名的宫颈图像处理方法及装置
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN110942013A (zh) 一种基于深度神经网络的卫星影像特征提取方法及系统
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN112288761B (zh) 一种异常发热的电力设备检测方法、装置和可读存储介质
Xia et al. Dilated multi-scale cascade forest for satellite image classification
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN108734200B (zh) 基于bing特征的人体目标视觉检测方法和装置
CN113313149B (zh) 一种基于注意力机制和度量学习的菜品识别方法
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
CN112862849A (zh) 一种基于图像分割和全卷积神经网络的田间稻穗计数方法
CN110610123A (zh) 一种多目标车辆检测方法、装置、电子设备及存储介质
CN110826629A (zh) 一种基于细粒度分类的耳镜图像辅助诊断方法
Vajravelu et al. Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
Ibrahem et al. Weakly supervised traffic sign detection in real time using single CNN architecture for multiple purposes
CN116977249A (zh) 缺陷检测的方法、模型训练的方法和装置
Liu et al. DLF-YOLOF: An improved YOLOF-based surface defect detection for steel plate
Wu et al. Nighttime cattle detection based on YOLOv4
Tan et al. Automatic extraction of built-up area based on deep convolution neural network
Kosala et al. Robust License Plate Detection in Complex Scene using MSER-Dominant Vertical Sobel.
CN111461060A (zh) 一种基于深度学习和极限学习机的交通标志识别方法

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