CN114913211A - 气体泄漏红外成像监测方法、装置、电子设备及存储介质 - Google Patents
气体泄漏红外成像监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114913211A CN114913211A CN202110172925.4A CN202110172925A CN114913211A CN 114913211 A CN114913211 A CN 114913211A CN 202110172925 A CN202110172925 A CN 202110172925A CN 114913211 A CN114913211 A CN 114913211A
- Authority
- CN
- China
- Prior art keywords
- gas leakage
- image
- infrared imaging
- area
- imaging monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000003331 infrared imaging Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000031294 Upper limb fractures Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种气体泄漏红外成像监测方法，至少包括如下步骤：获取储罐区的可疑泄漏点的红外视频图像；对红外视频图像采用滤波法去除噪声；对去除噪声后的图像进行帧间差分运算，得到差分图像Dn；基于场景对差分图像进行二值化处理，得到二值化图像Rn；对二值化图像进行形态学运算；对形态学运算处理后的二值化图像进行轮廓检索；以及通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。本发明还公开了一种气体泄漏红外成像监测装置、电子设备及存储介质。本发明的气体泄漏红外成像监测方法能实现全天候、大范围、远距离的泄漏监测，解决了传统定点监测方法耗时耗力、准确性低、操作安全性低的问题，能提高监测效率。
Description
技术领域
本发明涉及气体泄漏监测技术领域，特别涉及一种用于储罐区的气体泄漏红外成像监测方法、装置、电子设备及存储介质。
背景技术
随着社会的发展，石油化工领域也在加快推进发展进程。然而，在生产过程中，一旦发生危险气体泄漏，将会对环境造成危害，甚至引发火灾、爆炸等灾害，严重威胁社会和人民的生命财产安全。2016年11月，池州飞昊达化工有限公司一甲苯储罐泄漏发生爆炸，引起火灾。2018年1月，美国休斯敦一家化工厂发生化学品储存罐爆炸事故，造成1名工人当场死亡，3人因手臂骨折和暴露在化学物质中受伤。因此，在这些气体发生泄漏时，如何及时地对其进行监测识别，并且准确定位泄漏位置，这对防止重大气体泄漏事故的发生具有重要意义。
目前，传统的气体监测方法属于定点监测，操作安全性低，要实现大范围的动态监测耗时耗力，结果准确性差，且需要进行定期的调试和校准。气体泄漏红外成像监测技术由于其大范围、全天候、远距离等优势成为气体泄漏监测的有效手段。但是，气体泄漏红外成像显示出来的是视场中物体的温度特征，图像信噪比低，整体视觉效果模糊，易受背景辐射的干扰，导致目标气体与背景的对比度差。尤其是，在储罐区背景下，气体泄漏点位置较高，背景多为天空、树木，气体泄漏红外成像监测易受到周围水蒸气、高温设备、天气状况的影响，不易正确识别出气体泄漏目标。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的之一在于，提供一种气体泄漏红外成像监测方法、装置、电子设备及存储介质，从而有利于在储罐区的实际工业应用场景下，易于发现泄漏情况，及时防止重大泄漏事故的发生。
本发明的另一目的在于，提供一种气体泄漏红外成像监测方法、装置、电子设备及存储介质，从而实现全天候、大范围、远距离的气体泄漏监测。
为实现上述一个或多个目的，根据本发明的第一方面，本发明提供了一种气体泄漏红外成像监测方法，至少包括如下步骤：获取储罐区的可疑泄漏点的红外视频图像；对红外视频图像采用滤波法去除噪声；对去除噪声后的图像进行帧间差分运算，得到差分图像Dn；基于场景对差分图像进行二值化处理，得到二值化图像Rn；对二值化图像进行形态学运算；对形态学运算处理后的二值化图像进行轮廓检索；以及通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。
进一步，上述技术方案中，气体泄漏红外成像监测方法还包括步骤：对筛选出的气体泄漏云团进行标记。
进一步，上述技术方案中，气体泄漏红外成像监测方法还包括步骤：根据筛选出的气体泄漏云团的位置、面积发出连锁报警信号。
进一步，上述技术方案中，滤波法为高斯滤波。
进一步，上述技术方案中，对去除噪声后的图像进行帧间差分运算的步骤包括：将连续两帧图像对应像素点的灰度值相减并取绝对值。
进一步，上述技术方案中，基于场景对差分图像Dn进行二值化处理的步骤，采用双阈值法，设置低阈值TL和高阈值TH，对整幅图像的像素点自左至右、自上而下扫描，得到二值化图像Rn，其中
进一步，上述技术方案中，当可疑泄漏点为储罐出气口时，高阈值TH的优选范围为10～12，低阈值TL的优选范围为3～6。
进一步，上述技术方案中，对二值化图像进行形态学运算包括腐蚀操作去除噪声和膨胀操作填补空洞。
进一步，上述技术方案中，通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团的步骤包括：设置第一阈值，当帧间相应轮廓的面积差大于第一阈值时，该轮廓为目标轮廓；以及设置轮廓面积阈值范围，当目标轮廓的面积处于轮廓面积阈值范围内时，该目标轮廓为气体泄漏云团。
进一步，上述技术方案中，第一阈值优选为大于300。
进一步，上述技术方案中，轮廓面积阈值范围的下限为1000～3000，上限为图像分辨率的0.1～0.3倍。
根据本发明的第二方面，本发明提供了一种气体泄漏红外成像监测装置，其包括：图像采集单元，其用于采集储罐区的可疑泄漏点的红外视频图像；图像预处理单元，其用于对红外视频图像进行滤波去噪处理；气体泄漏目标处理单元，其用于对图像进行帧间差分运算、二值化处理和形态学运算处理，将图像中可疑气体泄漏目标云团轮廓与背景区分开；以及气体泄漏云团筛选单元，其用于轮廓检索，并通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。
进一步，上述技术方案中，图像采集单元为红外成像设备。
进一步，上述技术方案中，气体泄漏云团筛选单元还用于对气体泄漏云团进行标记。
根据本发明的第三方面，本发明提供了一种电子设备，其包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如上述技术方案中任意一项的气体泄漏红外成像监测方法。
根据本发明的第四方面，本发明提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上述技术方案中任意一项的气体泄漏红外成像监测方法。
与现有技术相比，本发明具有如下一个或多个有益效果：
1.本发明的气体泄漏红外成像监测方法能实现全天候、大范围、远距离的泄漏监测，解决了传统定点监测方法耗时耗力、准确性低、操作安全性低的问题，能提高监测效率。
2.针对储罐区的实际工业应用场景，如气体泄漏点位置较高，背景多为天空、树木等，利用气体扩散的特有规律，设计红外成像监测方法，对红外视频图像进行平滑、帧差、提取轮廓等处理，能具有针对性地实现基于场景的气体泄漏云团提取。
3.筛选出气体泄漏云团后，可将内部填充颜色，提供适于人眼观看的气体泄漏视频图像，或发出连锁报警信号，有助于提高监测人员发现并处理的速度，及时防止重大泄漏事故的发生。
上述说明仅为本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施，同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。
附图说明
图1是根据本发明的一实施方式的气体泄漏红外成像监测方法的流程图。
图2是根据本发明的一实施方式的气体泄漏红外成像监测装置的示意图。
图3是本发明实施例中不同卷积核大小选取的比较结果，其中(F)为卷积核大小3×3，(G)为卷积核大小11×11，(H)为卷积核大小21×21。
图4是根据本发明的实施例处理后的图像与原始红外视频图像的比较结果，其中(I)为原始红外视频图像，(J)为根据本发明的实施例处理后的图像。
图5是根据本发明的实施例的执行气体泄漏红外成像监测方法的电子设备的硬件结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其他明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其他元件或其他组成部分。
在本文中，为了描述的方便，可以使用空间相对术语，诸如“下面”、“下方”、“下”、“上面”、“上方”、“上”等，来描述一个元件或特征与另一元件或特征在附图中的关系。应理解的是，空间相对术语旨在包含除了在图中所绘的方向之外物件在使用或操作中的不同方向。例如，如果在图中的物件被翻转，则被描述为在其他元件或特征“下方”或“下”的元件将取向在元件或特征的“上方”。因此，示范性术语“下方”可以包含下方和上方两个方向。物件也可以有其他取向(旋转90度或其他取向)且应对本文使用的空间相对术语作出相应的解释。
在本文中，术语“第一”、“第二”等是用以区别两个不同的元件或部位，并不是用以限定特定的位置或相对关系。换言之，在一些实施例中，术语“第一”、“第二”等也可以彼此互换。
下面以具体实施例的方式更详细地说明本发明的气体泄漏红外成像监测方法、装置、电子设备及存储介质，应了解的是，实施例仅为示例性的，本发明并不以此为限。
实施例1
结合图1所示，根据本实施例的气体泄漏红外成像监测方法的流程如下：
S110获取储罐区的可疑泄漏点的红外视频图像。采用红外成像设备对储罐区的阀门、法兰、连接件等密封部位进行泄漏监测。红外成像设备如红外摄像机，其波段范围针对储罐区气体组分的红外吸收波段。进行监测时，将设备置于平坦固定位置，减小视频抖动，背景选择上尽量减少水蒸气、树木等干扰因素。
S130采用滤波法去除图像的噪声。红外视频图像的对比度较低，尤其是在储罐区的应用场景下，背景多为天空、树木等。在多云、雾霾、雨雪天气等光线较暗的场景下，更需去除图像噪声，以增加细节。针对本实施例的储罐区场景，采用高斯滤波方法，能去除噪声且保留边缘信息。利用高斯滤波方法对整幅图像进行加权平均，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，该方法主要用于消除高斯噪音。
本实施例中，高斯滤波使用的高斯核为x和y两个一维高斯的乘积，两个维度上的标准差σ相同，形式如下：
进一步地，高斯滤波卷积核的大小根据采集的红外视频图像的噪声大小、对比度高低进行优化。卷积核越大，平滑效果越好，但卷积核过大，会使边缘信息损失严重，从而使输出的图像变模糊。图3为高斯滤波下，不同卷积核大小的平滑结果比较。在本实施例中，卷积核大小为11×11，即图3(G)。
S140对去除噪声后的图像进行帧间差分运算，得到差分图像Dn。红外成像设备采集的视频序列具有连续性，尤其是储罐区场景下，背景多为天空、树木等，动目标种类少。若场景中发生气体泄漏，由于气体目标随时间运动，其在不同图像帧中的位置不同，连续两帧之间会有明显的变化。记视频序列中第n帧和第n-1帧图像为fn和fn-1，两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y)，按照下式对两帧图像对应像素点的灰度值进行相减，并取其绝对值，得到差分图像Dn：
Dn(x，y)＝|fn(x，y)-fn-1(x，y)|。
S150基于场景对差分图像进行二值化处理，得到二值化图像Rn。本实施例中，设置阈值把像素分类，判断图像中每一个像素点的特征属性是否满足阈值的要求，来确定图像中的该像素点是属于目标区域还是背景区域，从而实现目标与背景的分离。本实施例采用双阈值法，对整幅图像的像素点自左至右、自上而下扫描，共设置低阈值TL和高阈值TH，按照下式逐个对像素点进行二值化处理，得到二值化图像Rn：
其中，若当前像素点的灰度值小于低阈值TL，则该像素点为背景；若当前像素点的灰度值大于高阈值TH，则该像素点为前景；若当前像素点的灰度值在TL和TH之间，则该像素点分类与其右侧相邻像素点一致。其中，灰度值为255的点即为前景点，灰度值为0的点即为背景点。
阈值TH和TL的选择非常重要。低阈值TL选取的值太小，无法抑制差分图像中的噪声，高阈值TH选取的值太大，又有可能掩盖差分图像中目标的部分信息。尤其在不同背景下，阈值TH和TL的选择也跟背景相关联。在本实施例中，监测位置为储罐出气口时，以天空为背景，高阈值TH优选范围为10～12，低阈值TL优选范围为3～6。
S160对二值化图像进行形态学运算。形态学运算可以包括腐蚀操作去除噪声和膨胀操作填补空洞。
S161对二值化图像进行腐蚀操作，设X为目标图像，B为结构元素，则目标图像X被结构元素B腐蚀的数学表达式为：
其中，x表示集合平移的位移量，Θ是腐蚀运算的运算符。每当在目标图像中找到一个与结构元素相同的子图像时，就把该子图像中与结构元素的原点位置对应的那个像素位置标注出来。腐蚀操作用来去除图像中的噪声。
S162对图像进行膨胀操作。设X为目标图像，B为结构元素，则目标图像X被结构元素B膨胀的数学表达式为：
其中，x表示集合平移的位移量，⊕是膨胀运算的运算符。先对结构元素B做关于其原点的反射得到反射集合Bv，然后再在目标图像X上将Bv平移x，则那些Bv平移后与目标图像X至少有一个非零公共元素相交时，对应的原点位置所组成的集合就是膨胀后的结果。膨胀操作用来填补图像中的空洞。
S170对形态学运算处理后的二值化图像进行轮廓检索。
轮廓的检索方式有：只提取最外层的轮廓；提取所有轮廓，并且放置在list中，检索的轮廓不建立等级关系；提取所有轮廓，并且将其组织为双层结构，顶层为连通域的外围边界，次层为孔的内层边界；提取所有轮廓，建立等级树结构。轮廓的近似方法有：用freeman链码输出轮廓，其他方法输出多边形(顶点的序列)；将链码编码中的所有点转换为点；压缩水平、垂直和对角线方向，只保留端点；Teh-Chin链逼近算法。本发明并不以此为限，本领域技术人员可以根据实际需要选择具体的轮廓检索方式和近似方法，以实现轮廓检索的功能。
S180从检索出的轮廓中筛选出气体泄漏云团。
首先，通过判断相邻两帧的对应位置的轮廓的面积变化筛选出目标轮廓。区别于普通动目标，气体泄漏具有扩散性，在红外图像上显示为小目标到大目标的动态扩散过程。在储罐区背景下，干扰动目标主要为树叶晃动，但该干扰目标形态相对固定，且在红外图像上的像素分布具有相对一致性。通过判断轮廓的面积变化，将气体泄漏区域与干扰动目标区域区分开来。在本实施例中，设置第一阈值为大于300，认为该轮廓为目标轮廓。
然后，通过目标轮廓的面积筛选出气体泄漏云团。设置轮廓面积的阈值范围，对目标轮廓进行二次筛选，去除随环境变化的噪声。若目标轮廓面积在阈值范围之间，认为该目标轮廓内的区域为有效监测结果，否则，认为是无效监测结果。在本实施例中，阈值范围的下限优选范围为1000～3000，用以去除微小的变化等噪点，阈值上限优选范围为图像分辨率的0.1～0.3倍，认为小于该面积的目标轮廓为有效监测的气体泄漏云团。
S190对筛选出的气体泄漏云团进行标记。例如，可以通过将气体泄漏云团设置为边界矩形、圆形、多边形等方式表示。在本实施例中，筛选最大的气体泄漏云团并在内部填充颜色，例如红色，便于人眼识别。图4为原始红外视频图像和根据本实施例处理后的图像。其中，渲染区域a为标记后的气体泄漏云团。可以看到，经过本发明提供的监测方法，能准确提取出储罐区的气体泄漏云团，且标记颜色后，更适于人眼识别。
实施例2
结合图2所示，本实施例的气体泄漏红外成像监测装置，其包括图像采集单元10，其用于采集储罐区的可疑泄漏点的红外视频图像；图像预处理单元20，其包括图像去噪模块；气体泄漏目标处理单元30，其包括帧间差分模块31、二值化处理模块32和形态学运算模块33，从而将图像中可疑气体泄漏目标云团轮廓与背景区分开；以及气体泄漏云团筛选单元40，其包括轮廓检索模块41和从检索出的轮廓中提取出气体泄漏云团的气体泄漏云团筛选模块42。具体的监测方法可以参考实施例1，在此不再赘述。
实施例3
本实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法，并实现相同的技术效果。
实施例4
本实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以上各个方面所述的方法，并实现相同的技术效果。
实施例5
图5是本实施例的执行低压脱扣器保护整定方法的电子设备的硬件结构示意图。该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括：输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息，以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行：
获取储罐区的可疑泄漏点的红外视频图像；
对红外视频图像采用滤波法去除噪声；
对去除噪声后的图像进行帧间差分运算，得到差分图像Dn；
基于场景对差分图像进行二值化处理，得到二值化图像Rn；
对二值化图像进行形态学运算；
对形态学运算处理后的二值化图像进行轮廓检索；以及
通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明其他实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。针对上述示例性实施方案所做的任何简单修改、等同变化与修饰，都应落入本发明的保护范围。
Claims (16)
1.一种气体泄漏红外成像监测方法，其特征在于，至少包括如下步骤：
获取储罐区的可疑泄漏点的红外视频图像；
对红外视频图像采用滤波法去除噪声；
对去除噪声后的图像进行帧间差分运算，得到差分图像Dn；
基于场景对差分图像进行二值化处理，得到二值化图像Rn；
对二值化图像进行形态学运算；
对形态学运算处理后的二值化图像进行轮廓检索；以及
通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。
2.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，还包括步骤：
对筛选出的气体泄漏云团进行标记。
3.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，还包括步骤：
根据筛选出的气体泄漏云团的位置、面积发出连锁报警信号。
4.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，所述滤波法为高斯滤波。
5.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，所述对去除噪声后的图像进行帧间差分运算的步骤包括：
将连续两帧图像对应像素点的灰度值相减并取绝对值。
6.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，所述基于场景对差分图像Dn进行二值化处理的步骤，采用双阈值法，设置低阈值TL和高阈值TH，对整幅图像的像素点自左至右、自上而下扫描，得到二值化图像Rn，其中
7.根据权利要求6所述的气体泄漏红外成像监测方法，其特征在于，当所述可疑泄漏点为储罐出气口时，所述高阈值TH为10-12，所述低阈值TL为3-6。
8.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，对二值化图像进行形态学运算包括腐蚀操作去除噪声和膨胀操作填补空洞。
9.根据权利要求1所述的气体泄漏红外成像监测方法，其特征在于，所述通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团的步骤包括：
设置第一阈值，当帧间相应轮廓的面积差大于第一阈值时，该轮廓为目标轮廓；以及
设置轮廓面积阈值范围，当目标轮廓的面积处于轮廓面积阈值范围内时，该目标轮廓为气体泄漏云团。
10.根据权利要求9所述的气体泄漏红外成像监测方法，其特征在于，所述第一阈值大于300。
11.根据权利要求9所述的气体泄漏红外成像监测方法，其特征在于，所述轮廓面积阈值范围的下限为1000～3000，上限为图像分辨率的0.1～0.3倍。
12.一种气体泄漏红外成像监测装置，其特征在于，包括：
图像采集单元，其用于采集储罐区的可疑泄漏点的红外视频图像；
图像预处理单元，其用于对红外视频图像进行滤波去噪处理；
气体泄漏目标处理单元，其用于对图像进行帧间差分运算、二值化处理和形态学运算处理，将图像中可疑气体泄漏目标云团轮廓与背景区分开；以及
气体泄漏云团筛选单元，其用于轮廓检索，并通过帧间相应轮廓的面积差以及轮廓的面积筛选出气体泄漏云团。
13.根据权利要求12所述的气体泄漏红外成像监测装置，其特征在于，所述图像采集单元为红外成像设备。
14.根据权利要求12所述的气体泄漏红外成像监测装置，其特征在于，所述气体泄漏云团筛选单元还用于对气体泄漏云团进行标记。
15.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1～11中任意一项所述的气体泄漏红外成像监测方法。
16.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1～11中任意一项所述的气体泄漏红外成像监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172925.4A CN114913211A (zh) | 2021-02-08 | 2021-02-08 | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172925.4A CN114913211A (zh) | 2021-02-08 | 2021-02-08 | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114913211A true CN114913211A (zh) | 2022-08-16 |
Family
ID=82761520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110172925.4A Pending CN114913211A (zh) | 2021-02-08 | 2021-02-08 | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114913211A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359061A (zh) * | 2022-10-21 | 2022-11-18 | 南京智谱科技有限公司 | 一种气体泄漏的检测方法、装置、系统、设备及存储介质 |
| CN117152064A (zh) * | 2023-08-11 | 2023-12-01 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
| WO2024114452A1 (zh) * | 2022-11-28 | 2024-06-06 | 中国科学院深圳先进技术研究院 | 一种气体泄漏检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-08 CN CN202110172925.4A patent/CN114913211A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359061A (zh) * | 2022-10-21 | 2022-11-18 | 南京智谱科技有限公司 | 一种气体泄漏的检测方法、装置、系统、设备及存储介质 |
| CN115359061B (zh) * | 2022-10-21 | 2023-02-17 | 南京智谱科技有限公司 | 一种气体泄漏的检测方法、装置、系统、设备及存储介质 |
| WO2024114452A1 (zh) * | 2022-11-28 | 2024-06-06 | 中国科学院深圳先进技术研究院 | 一种气体泄漏检测方法、装置、电子设备及存储介质 |
| CN117152064A (zh) * | 2023-08-11 | 2023-12-01 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
| CN117152064B (zh) * | 2023-08-11 | 2024-04-30 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114913211A (zh) | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 | |
| CN109743879B (zh) | 一种基于动态红外热像图处理的地下管廊渗漏检测方法 | |
| CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
| CN109472200B (zh) | 一种智能的海面垃圾检测方法、系统和存储介质 | |
| CN108921878A (zh) | 动目标低对比度下的危险气体泄漏红外视频检测方法 | |
| CN111797712A (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
| CN112115878B (zh) | 一种基于烟雾区域密度的森林火灾烟雾根节点检测方法 | |
| CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
| CN112950589A (zh) | 一种多尺度卷积神经网络的暗通道先验去雾算法 | |
| CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
| Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
| CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
| Madshaven et al. | Hole detection in aquaculture net cages from video footage | |
| Das et al. | A review: shadow detection and shadow removal from images | |
| Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
| Rahimzadegan et al. | Development of the iterative edge detection method applied on blurred satellite images: state of the art | |
| CN110097569B (zh) | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 | |
| Kim et al. | Oil spill detection from RADARSAT-2 SAR image using non-local means filter | |
| Chen et al. | Pcb defect detection based on image processing and improved yolov5 | |
| Borra et al. | Satellite image enhancement and analysis | |
| CN110472472B (zh) | 基于sar遥感图像的机场检测方法与装置 | |
| Iyer et al. | Automated condition assessment of buried sewer pipes based on digital imaging techniques | |
| CN116416270B (zh) | 一种监测地下作业面渗漏水的方法及装置 | |
| CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 | |
| CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 |
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 |