CN115751203A - 一种基于红外热像仪的天然气管道泄漏监测系统 - Google Patents

一种基于红外热像仪的天然气管道泄漏监测系统 Download PDF

Info

Publication number
CN115751203A
CN115751203A CN202211549371.6A CN202211549371A CN115751203A CN 115751203 A CN115751203 A CN 115751203A CN 202211549371 A CN202211549371 A CN 202211549371A CN 115751203 A CN115751203 A CN 115751203A
Authority
CN
China
Prior art keywords
image
area
leakage
gas
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.)
Pending
Application number
CN202211549371.6A
Other languages
English (en)
Inventor
何永梁
邹天奇
张天晟
常伟南
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.)
Nantong Cnpc Gas Co ltd
Original Assignee
Nantong Cnpc Gas 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 Nantong Cnpc Gas Co ltd filed Critical Nantong Cnpc Gas Co ltd
Priority to CN202211549371.6A priority Critical patent/CN115751203A/zh
Publication of CN115751203A publication Critical patent/CN115751203A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及安全监测技术领域,具体涉及一种基于红外热像仪的天然气管道泄漏监测系统。包括:区域热成像图像获取模块、气体泄漏区域获取模块、危险程度评估模块以及泄露点定位模块。区域热成像图像获取模块用于根据热成像图像和区域图像获取区域热成像图像;气体泄漏区域获取模块,用于根据区域热成像图像基于分割神经网络获取气体标注图像,进而获取气体泄漏区域;危险程度评估模块,用于记录气体泄露区域的动态变化过程,获取扩散速率;获取气体泄漏过程中的温度变化,根据扩散速率和温度变化评估气体扩散的危险程度;泄露点定位模块,用于根据叠加图像中每个像素点的像素值判断泄漏点的位置。本发明能够实时监测天然气管道,准确获取泄漏位置。

Description

一种基于红外热像仪的天然气管道泄漏监测系统
技术领域
本发明涉及安全监测技术领域,具体涉及一种基于红外热像仪的天然气管道泄漏监测系统。
背景技术
天然气是城市居民生活中必不可少的能源,目前天然气公司基本上都是通过管道输送方式开展供气服务。天然气管道可以说是对城市居民日常生活极具影响的城市基础设施之一,城市天然气管道工程都是埋设于地下,在腐蚀等各种原因的影响下,天然气输送管道长时间使用后可能会发生管道的破损泄漏,引起事故,造成巨大的经济损失和能源损失。因此,对于天然气管道的维护来说,最为关键的问题就是及时地发现天然气管道的泄漏和精确地定位天然气管道泄漏点位置。
目前对天然气管道泄露的检测大多通过化学气体传感器,然而随着时间的推移,化学气体传感器的灵敏度会降低,不能对天然气泄露进行实时准确的监测,长此以往会导致存在很大的安全隐患。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于红外热像仪的天然气管道泄漏监测系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于红外热像仪的天然气管道泄漏监测系统,该系统包括以下模块:
区域热成像图像获取模块,用于采集天然气管道的热成像图像,通过对热成像图像进行阈值分割获取管道区域的区域图像,根据热成像图像和区域图像获取区域热成像图像;
气体泄漏区域获取模块,用于根据区域热成像图像基于分割神经网络获取气体标注图像,进而获取气体泄漏区域;所述分割神经网络通过编码器提取区域热成像图像的第一特征向量,然后利用时间卷积网络获取第一特征向量在时序上的变化特征作为第二特征向量,再通过解码器获取所述气体标注图像;
危险程度评估模块,用于记录气体泄露区域的动态变化过程,根据气体泄露区域的面积变化以及泄露时间获取扩散速率;获取气体泄漏过程中的温度变化,根据扩散速率和温度变化评估气体扩散的危险程度;
泄露点定位模块,用于拟合每个时刻气体泄露区域的泄露方向,获取拟合直线图像,叠加所有拟合直线图像获取叠加图像,根据叠加图像中每个像素点的像素值判断泄漏点的位置。
优选的,所述区域热成像图像获取模块包括:
区域划分单元,用于对阈值分割后的分割图像提取管道连通域作为管道内部区域;对管道连通域进行缓冲区分析获取管道外部区域。
优选的,所述区域热成像图像获取模块包括:
区域热成像图像获取单元,用于由管道内部区域和管道外部区域组成所述区域图像,将热成像图像和区域图像对应像素相乘得到区域热成像图像。
优选的,所述气体泄漏区域获取模块包括:
分割神经网络训练单元,用于以预设时间段内的多通道的区域热成像图像作为神经网络的输入,经编码器进行特征提取得到第一特征图像并展平为第一特征向量,将其作为时间卷积网络的输入,提取第一特征向量在时序上的变化特征作为第二特征向量,将第二特征向量重塑为第二特征图像,再经解码器输出气体标注图像。
优选的,所述危险程度评估模块包括:
扩散速率获取单元,获取气体泄露区域首次出现的第一时间、与所述管道内部区域相交时的第二时间、以及与所述管道外部区域相交时的第三时间;根据第一时间和第二时间之间气体泄露区域的内部扩散面积以及内部扩散时间获取内部扩散速率;根据第二时间和第三时间之间气体泄露区域的外部扩散面积以及外部扩散时间获取外部扩散速率;基于内部扩散速率和外部扩散速率获取泄露气体的扩散速率。
优选的,所述危险程度评估模块包括:
温度变化获取单元,用于获取所述内部扩散面积的平均温度作为内部区域温度,获取外部扩散面积的平均温度作为外部区域温度,以内部区域温度和外部区域温度的温度差作为温度变化。
优选的,所述泄露点定位模块包括:
泄露方向拟合单元,用于根据每个时刻的气体泄露区域进行直线拟合,以气体泄露区域中最长的线段作为该时刻下的气体泄露方向。
优选的,所述泄露点定位模块包括:
拟合直线图像获取单元,用于将每个时刻下的气体泄漏方向所在的直线赋予第一像素值,其他像素点赋予第二像素值,获取每个时刻下的二值图像,选取直线在管道内部区域的端点作为基准点对二值图像进行线性衰减,得到每个时刻下的拟合直线图像。
优选的,所述泄露点定位模块包括:
叠加图像获取单元,用于将每个时刻下的拟合直线图像对应像素相加,且相加的像素值按时序衰减,得到叠加图像。
优选的,所述泄露点定位模块包括:
泄露点判断单元,用于对所述叠加图像中每个像素值基于高斯核函数进行权重赋值,根据叠加图像的像素点以及对应的权重获取泄漏点分布图像,以其中像素值最大的点作为泄漏点。
本发明实施例至少具有如下有益效果:
本发明实施例通过热成像图像获取气体泄露区域,并根据时序上气体泄漏区域的变化以及同时的温度变化获取气体泄露的危险程度;对气体泄漏的连通域图像进行直线拟合获取气体泄漏位置。本发明实施例能够实时监测天然气管道的泄露状态,并根据危险程度进行不同程度的报警,准确定位泄漏点,帮助相关人员辅助判断天然气管道泄漏的位置,提高抢修效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于红外热像仪的天然气管道泄漏监测系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于红外热像仪的天然气管道泄漏监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于红外热像仪的天然气管道泄漏监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于红外热像仪的天然气管道泄漏监测系统的系统框图,该系统包括以下模块:
区域热成像图像获取模块100、气体泄漏区域获取模块200、危险程度评估模块300以及泄露点定位模块400。
区域热成像图像获取模块100用于采集天然气管道的热成像图像,通过对热成像图像进行阈值分割获取管道区域的区域图像,根据热成像图像和区域图像获取区域热成像图像。
具体的,区域热成像图像获取模块100包括热成像图像采集单元110、区域划分单元120以及区域热成像图像获取单元130。
热成像图像采集单元110用于采集天然气管道的热成像图像。
热成像技术是指利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得红外热像图,这种热像图与物体表面的热分布场相对应。通俗地讲红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像上面的不同颜色代表被测物体的不同温度。
天然气主要由甲烷和乙烷组成,中波红外热像仪可以清楚地检测到这两种气体。进而检测天然气管道腐蚀、破裂、减薄、堵塞以及泄漏等有关信息,可快速而准确地得到设备和材料表面二维温度分布。对于天然气管道燃气泄漏,能早期迅速准确地找出漏点,对防止事故发生和减少能耗十分有效。
部署红外热像仪相机,使相机镜头对准需要监测的天然气管道,能够获取现场画面的温度信息,最终得到天然气管道实时的热成像图像。
区域划分单元120,用于对阈值分割后的分割图像提取管道连通域作为管道内部区域;对管道连通域进行缓冲区分析获取管道外部区域。
由于天然气管道的材质及性质,使其与背景的热分布场不同,因此利用最大类间方差法(OTSU)对热成像图像进行分割,得到天然气管道分割图像,该图像中天然气管道像素值为1,非天然气管道像素值为0。
然后对天然气管道分割图像进行连通域提取,得到天然气管道分割连通域图像,通过连通域提取减少杂乱的图像噪声,天然气管道连通域作为天然气管道的内部区域,用以分析泄漏发生的区域。
通过对天然气管道连通域进行缓冲区分析,本发明实施例的缓冲区分析为基于面要素多边形边界的缓冲区,向外扩展一定距离d以生成新的多边形,组成缓冲区作为管道外部区域,管道外部区域是由于天然气泄漏时气体所路经的区域。
作为一个示例,本发明实施例中该一定距离d取值为30。
区域热成像图像获取单元130,用于由管道内部区域和管道外部区域组成区域图像,将热成像图像和区域图像对应像素相乘得到区域热成像图像。
天然气管道外部区域、天然气管道内部区域共同组成天然气管道的区域图像。然后将天然气管道的区域图像与热成像图像进行对应像素相乘,得到天然气管道的区域热成像图像。
气体泄漏区域获取模块200用于根据区域热成像图像基于分割神经网络获取气体标注图像,进而获取气体泄漏区域;分割神经网络通过编码器提取区域热成像图像的第一特征向量,然后利用时间卷积网络获取第一特征向量在时序上的变化特征作为第二特征向量,再通过解码器获取气体标注图像。
气体泄漏区域获取模块200包括分割神经网络训练单元210、气体标注图像获取单元220以及气体泄漏区域获取单元230。
分割神经网络训练单元210,用于以预设时间段内的多通道的区域热成像图像作为神经网络的输入,经编码器进行特征提取得到第一特征图像并展平为第一特征向量,将其作为时间卷积网络的输入,提取第一特征向量在时序上的变化特征作为第二特征向量,将第二特征向量重塑为第二特征图像,再经解码器输出气体标注图像。
建立分割神经网络模型,此神经网络模型可利用现有的语义分割模型,如Enet、Unet、Deeplab等,以Unet为例,Unet包含二维图像编码器、二维图像解码器。
二维图像编码器的输入为预设时间段内的多通道的区域热成像图像,例如红外热像仪每0.2s采集一张图像,输入1s内采集的图像,即五张天然气管道区域热成像图像,经过联合操作(Concatenate),最终输入为一张五通道天然气管道区域热成像图像。
二维图像编码器的作用为特征提取,提取五通道区域热成像图像的特征,输出为第一特征图,第一特征图经过展平操作(Flatten)变为第一特征向量,然后输入到时序编码器中,时序编码器采用时间卷积网络(TCN),其作用为时序特征提取,可以避免Unet只拟合热成像中的温度,添加TCN后可以学习区域的温度变化信息,提取第一特征向量在时序上的变化特征,作为第二特征向量,即TCN的输出,第二特征向量再经过重塑操作(Reshape)变为第二特征图,并将其输入到二维图像解码器中,输出气体标注图像。
构建的分割神经网络模型输入数据为多通道区域热成像图像,训练该神经网络时,基于天然气管道区域热成像图像人为标注出气体区域,将气体像素标注为像素值1,非气体像素标注为0,作为网络训练的标签;损失函数采用交叉熵,网络的优化方法优选采用Adam优化器,神经网络输出为气体标注图像,该图像中气体像素标注为像素值1,非气体像素标注为像素值0。
气体标注图像获取单元220用于将实时获取的区域热成像图像输入训练完成的分割神经网络,输出对应的气体标注图像。
气体泄漏区域获取单元230用于以气体标注图像中像素值为1的区域作为气体泄漏区域。
分割神经网络利用时序的区域热成像图像,可以有效的让网络学习到温度的变化信息,进而提高泄漏气体的分割准确性。
危险程度评估模块300用于记录气体泄露区域的动态变化过程,根据气体泄露区域的面积变化以及泄露时间获取扩散速率;获取气体泄漏过程中的温度变化,根据扩散速率和温度变化评估气体扩散的危险程度。
具体的,危险程度评估模块300包括扩散速率获取单元310、温度变化获取单元320以及危险程度评估单元330。
扩散速率获取单元310,获取气体泄露区域首次出现的第一时间、与管道内部区域相交时的第二时间、以及与管道外部区域相交时的第三时间;根据第一时间和第二时间之间气体泄露区域的内部扩散面积以及内部扩散时间获取内部扩散速率;根据第二时间和第三时间之间气体泄露区域的外部扩散面积以及外部扩散时间获取外部扩散速率;基于内部扩散速率和外部扩散速率获取泄露气体的扩散速率。
对区域热成像图像中存在的气体泄漏区域进行连通域提取,以排除噪声影响,得到泄漏气体连通域,每一个泄漏气体连通域都是天然气管道的一个气体泄露区域。由于气体泄漏是一个动态变化的过程,因此针对每一个泄漏气体连通域动态变化进行建模。
具体的建模过程为:当气体泄露区域首次出现时,记录当前时间为第一时间
Figure 770338DEST_PATH_IMAGE001
,然后获取气体泄露区域与管道内部区域相交时的第二时间
Figure 468035DEST_PATH_IMAGE002
,气体泄露区域与管道外部区域相交时的第三时间
Figure 938724DEST_PATH_IMAGE004
,即泄露气体连通域分别与天然气管道内部区域边界线、管道外部区边界线求交集,当存在交集时,记录此刻时间,分别记为
Figure 204621DEST_PATH_IMAGE002
Figure 141353DEST_PATH_IMAGE005
。同时记录当前两个时刻泄漏气体连通域的位置。
计算泄漏气体跨区域扩散的时
Figure 659053DEST_PATH_IMAGE006
间:内部扩散时间
Figure 138576DEST_PATH_IMAGE007
,外部扩散时间
Figure 434428DEST_PATH_IMAGE008
当发生气体泄漏时,泄漏气体连通域的面积会逐渐增大,由于泄漏气体连通域面积会受风速等影响,因此只分析泄漏气体在天然气管道区域的变化,记录第二时间
Figure 999401DEST_PATH_IMAGE002
、第三时间
Figure 288169DEST_PATH_IMAGE005
泄漏气体连通域的面积,则有第二时间
Figure 746832DEST_PATH_IMAGE002
下的连通域面积
Figure 88952DEST_PATH_IMAGE009
和第三时间
Figure 16588DEST_PATH_IMAGE005
下的连通域面积,然后计算内部扩散面积
Figure 735145DEST_PATH_IMAGE010
,外部扩散面积
Figure 313894DEST_PATH_IMAGE011
获取内部区域气体扩散的内部扩散速率
Figure 203746DEST_PATH_IMAGE012
,以及外部区域气体扩散的外部扩散速率
Figure 743312DEST_PATH_IMAGE013
,然后计算泄露气体的气体扩散速率
Figure 390194DEST_PATH_IMAGE014
其中,
Figure 433236DEST_PATH_IMAGE015
表示内部扩散速率的
Figure 258104DEST_PATH_IMAGE016
权重,
Figure 19386DEST_PATH_IMAGE017
表示外部扩散速率的权重。
作为一个示例,本发明实施例中
Figure 469959DEST_PATH_IMAGE015
取值为0.75,
Figure 633087DEST_PATH_IMAGE017
取值为0.25。
温度变化获取单元320,用于获取内部扩散面积的平均温度作为内部区域温度,获取外部扩散面积的平均温度作为外部区域温度,以内部区域温度和外部区域温度的温度差作为温度变化。
热成像图像中每个像素的像素值代表温度值,计算内部扩散面积的平均温度作为内部区域温度,同时计算外部扩散面积的平均温度作为外部区域温度
Figure 861812DEST_PATH_IMAGE018
,以内部区域温度和外部区域温度的温度差作为温度变化T:
Figure 500604DEST_PATH_IMAGE019
温度变化
Figure 99076DEST_PATH_IMAGE020
表示泄漏气体在规定时刻下内部区域与外部区域的温度差,该值越大,表示气体泄漏速率越快,天然气管道的泄露点可能越大。
危险程度评估单元330用于计算天然气管道气体泄漏的危险程度U:
Figure DEST_PATH_IMAGE021
U越大,说明天然气泄漏时,泄露部分越大,同时气体扩散的也越快,危险程度也越高。
泄露点定位模块400用于拟合每个时刻气体泄露区域的泄露方向,获取拟合直线图像,叠加所有拟合直线图像获取叠加图像,根据叠加图像中每个像素点的像素值判断泄漏点的位置。
泄露方向拟合单元410、拟合直线图像获取单元420、叠加图像获取单元430、泄露点判断单元440以及预警单元450。
泄露方向拟合单元410,用于根据每个时刻的气体泄露区域进行直线拟合,以气体泄露区域中最长的线段作为该时刻下的气体泄露方向。
获取时序的第一时间到第三时间之间每个时刻的气体泄露区域,对每个时刻的泄漏气体连通域进行直线拟合,以连通域中最长的线段作为拟合的气体泄露方向。
拟合直线图像获取单元420,用于将每个时刻下的气体泄漏方向所在的直线赋予第一像素值,其他像素点赋予第二像素值,获取每个时刻下的二值图像,选取直线在管道内部区域的端点作为基准点对二值图像进行线性衰减,得到每个时刻下的拟合直线图像。
将每个时刻下的气体泄漏方向所在的直线的像素值赋值为1,其它像素赋值为0,得到二值图像,选取直线在管道内部区域的端点作为基准点,获取另一端点与基准点的距离,记为D,利用距离D对该直线进行灰度值线性衰减:
Figure 460918DEST_PATH_IMAGE022
其中,
Figure DEST_PATH_IMAGE023
表示每个像素点衰减后的像素值,
Figure 468668DEST_PATH_IMAGE024
表示二值图像中每个像素点的像素值,即直线所在的像素点像素值为1,其它像素点的像素值为0,x表示线性衰减系数。
作为一个示例,本发明实施例中线性衰减系数x取值为0.9,使得直线中像素的像素值随着其与基准点的距离呈指数衰减,距离越大,灰度值越小。
对于每个时刻下的二值图像,获取每个像素点的衰减像素值后,组成拟合直线图像。
叠加图像获取单元430,用于将每个时刻下的拟合直线图像对应像素相加,且相加的像素值按时序衰减,得到叠加图像。
对第一时间到第三时间之间所有时刻的拟合直线图像进行频率叠加:
Figure 204543DEST_PATH_IMAGE025
其中,
Figure 731339DEST_PATH_IMAGE026
为叠加后像素的像素值,
Figure 478846DEST_PATH_IMAGE023
为当前时刻该像素的灰度值,
Figure DEST_PATH_IMAGE027
为当前时刻的下一时刻的该像素的灰度值,
Figure 534527DEST_PATH_IMAGE028
为衰减系数。
作为一个示例,本发明实施例中衰减系数
Figure 757698DEST_PATH_IMAGE028
取值为0.3,意味着同一像素位置出现的拟合直线次数越多其值越大。
然后对该叠加拟合直线图像所有像素值进行归一化,得到叠加图像,作为一个示例,像素值归一化采用极差归一化。
泄露点判断单元440,用于对叠加图像中每个像素值基于高斯核函数进行权重赋值,根据叠加图像的像素点以及对应的权重获取泄漏点分布图像,以其中像素值最大的点作为泄漏点。
叠加图像中像素值越大,代表该处越可能是一处泄露点,但是由于拟合的直线只能代表泄漏点可能存在的线段,不能准确表示泄漏点位置,因此基于拟合直线后的时序的直线分布来构建二维高斯分布区域。
基于高斯核函数对每一个大于0的像素值进行3*3窗口范围的权重赋值,窗口范围是以该像素点为中心的3*3窗口,高斯核函数如下:
Figure 71873DEST_PATH_IMAGE029
其中,
Figure 188734DEST_PATH_IMAGE030
表示窗口中心点的坐标,
Figure 821841DEST_PATH_IMAGE031
表示
Figure 876515DEST_PATH_IMAGE030
处的像素点的权重。
作为一个示例,本发明实施例设定
Figure 10694DEST_PATH_IMAGE032
的值为1。
每个窗口组成一个高斯分布,对其进行权重赋值。
以每个像素点的权重作为像素值组成泄漏点高斯分布图像,然后将泄漏点高斯分布图像与叠加图像对应像素点相乘,得到泄漏点分布图像,该图像中像素值越大,代表此处越可能是泄漏点位置,以像素值最大的位置作为泄漏点。
预警单元450用于基于天然气管道该泄漏点的危险程度进行不同程度的报警,同时将泄漏点位置提供给相关人员作为数据参考,辅助抢修人员判断燃气泄漏点的位置。
综上所述,本发明实施例包括以下模块:
区域热成像图像获取模块100、气体泄漏区域获取模块200、危险程度评估模块300以及泄露点定位模块400。
具体的,区域热成像图像获取模块用于采集天然气管道的热成像图像,通过对热成像图像进行阈值分割获取管道区域的区域图像,根据热成像图像和区域图像获取区域热成像图像;气体泄漏区域获取模块用于根据区域热成像图像基于分割神经网络获取气体标注图像,进而获取气体泄漏区域;所述分割神经网络通过编码器提取区域热成像图像的第一特征向量,然后利用时间卷积网络获取第一特征向量在时序上的变化特征作为第二特征向量,再通过解码器获取所述气体标注图像;危险程度评估模块用于记录气体泄露区域的动态变化过程,根据气体泄露区域的面积变化以及泄露时间获取扩散速率;获取气体泄漏过程中的温度变化,根据扩散速率和温度变化评估气体扩散的危险程度;泄露点定位模块用于拟合每个时刻气体泄露区域的泄露方向,获取拟合直线图像,叠加所有拟合直线图像获取叠加图像,根据叠加图像中每个像素点的像素值判断泄漏点的位置。本发明实施例能够实时监测天然气管道的泄露状态,并根据危险程度进行不同程度的报警,准确定位泄漏点,帮助相关人员辅助判断天然气管道泄漏的位置,提高抢修效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,该系统包括以下步骤:
区域热成像图像获取模块,用于采集天然气管道的热成像图像,通过对热成像图像进行阈值分割获取管道区域的区域图像,根据热成像图像和区域图像获取区域热成像图像;
气体泄漏区域获取模块,用于根据区域热成像图像基于分割神经网络获取气体标注图像,进而获取气体泄漏区域;所述分割神经网络通过编码器提取区域热成像图像的第一特征向量,然后利用时间卷积网络获取第一特征向量在时序上的变化特征作为第二特征向量,再通过解码器获取所述气体标注图像;
危险程度评估模块,用于记录气体泄露区域的动态变化过程,根据气体泄露区域的面积变化以及泄露时间获取扩散速率;获取气体泄漏过程中的温度变化,根据扩散速率和温度变化评估气体扩散的危险程度;
泄露点定位模块,用于拟合每个时刻气体泄露区域的泄露方向,获取拟合直线图像,叠加所有拟合直线图像获取叠加图像,根据叠加图像中每个像素点的像素值判断泄漏点的位置。
2.根据权利要求1所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述区域热成像图像获取模块包括:
区域划分单元,用于对阈值分割后的分割图像提取管道连通域作为管道内部区域;对管道连通域进行缓冲区分析获取管道外部区域。
3.根据权利要求2所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述区域热成像图像获取模块包括:
区域热成像图像获取单元,用于由管道内部区域和管道外部区域组成所述区域图像,将热成像图像和区域图像对应像素相乘得到区域热成像图像。
4.根据权利要求1所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述气体泄漏区域获取模块包括:
分割神经网络训练单元,用于以预设时间段内的多通道的区域热成像图像作为神经网络的输入,经编码器进行特征提取得到第一特征图像并展平为第一特征向量,将其作为时间卷积网络的输入,提取第一特征向量在时序上的变化特征作为第二特征向量,将第二特征向量重塑为第二特征图像,再经解码器输出气体标注图像。
5.根据权利要求2所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述危险程度评估模块包括:
扩散速率获取单元,获取气体泄露区域首次出现的第一时间、与所述管道内部区域相交时的第二时间、以及与所述管道外部区域相交时的第三时间;根据第一时间和第二时间之间气体泄露区域的内部扩散面积以及内部扩散时间获取内部扩散速率;根据第二时间和第三时间之间气体泄露区域的外部扩散面积以及外部扩散时间获取外部扩散速率;基于内部扩散速率和外部扩散速率获取泄露气体的扩散速率。
6.根据权利要求5所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述危险程度评估模块包括:
温度变化获取单元,用于获取所述内部扩散面积的平均温度作为内部区域温度,获取外部扩散面积的平均温度作为外部区域温度,以内部区域温度和外部区域温度的温度差作为温度变化。
7.根据权利要求1所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述泄露点定位模块包括:
泄露方向拟合单元,用于根据每个时刻的气体泄露区域进行直线拟合,以气体泄露区域中最长的线段作为该时刻下的气体泄露方向。
8.根据权利要求7所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述泄露点定位模块包括:
拟合直线图像获取单元,用于将每个时刻下的气体泄漏方向所在的直线赋予第一像素值,其他像素点赋予第二像素值,获取每个时刻下的二值图像,选取直线在管道内部区域的端点作为基准点对二值图像进行线性衰减,得到每个时刻下的拟合直线图像。
9.根据权利要求1所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述泄露点定位模块包括:
叠加图像获取单元,用于将每个时刻下的拟合直线图像对应像素相加,且相加的像素值按时序衰减,得到叠加图像。
10.根据权利要求1所述的一种基于红外热像仪的天然气管道泄漏监测系统,其特征在于,所述泄露点定位模块包括:
泄露点判断单元,用于对所述叠加图像中每个像素值基于高斯核函数进行权重赋值,根据叠加图像的像素点以及对应的权重获取泄漏点分布图像,以其中像素值最大的点作为泄漏点。
CN202211549371.6A 2022-12-05 2022-12-05 一种基于红外热像仪的天然气管道泄漏监测系统 Pending CN115751203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211549371.6A CN115751203A (zh) 2022-12-05 2022-12-05 一种基于红外热像仪的天然气管道泄漏监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211549371.6A CN115751203A (zh) 2022-12-05 2022-12-05 一种基于红外热像仪的天然气管道泄漏监测系统

Publications (1)

Publication Number Publication Date
CN115751203A true CN115751203A (zh) 2023-03-07

Family

ID=85343300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211549371.6A Pending CN115751203A (zh) 2022-12-05 2022-12-05 一种基于红外热像仪的天然气管道泄漏监测系统

Country Status (1)

Country Link
CN (1) CN115751203A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228770A (zh) * 2023-05-09 2023-06-06 深蓝(天津)智能制造有限责任公司 一种管道泄漏的识别监测方法及系统
CN116336398A (zh) * 2023-05-24 2023-06-27 成都秦川物联网科技股份有限公司 基于物联网的智慧燃气泄漏安全监测方法、系统和介质
CN116379359A (zh) * 2023-04-07 2023-07-04 长扬科技(北京)股份有限公司 天然气泄露检测方法及多模态天然气泄露检测系统
CN116412359A (zh) * 2023-04-13 2023-07-11 南雄市佛燃能源有限公司 一种天然气泄漏监测系统及方法
CN116823839A (zh) * 2023-08-31 2023-09-29 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116379359A (zh) * 2023-04-07 2023-07-04 长扬科技(北京)股份有限公司 天然气泄露检测方法及多模态天然气泄露检测系统
CN116379359B (zh) * 2023-04-07 2023-11-28 长扬科技(北京)股份有限公司 天然气泄露检测方法及多模态天然气泄露检测系统
CN116412359A (zh) * 2023-04-13 2023-07-11 南雄市佛燃能源有限公司 一种天然气泄漏监测系统及方法
CN116412359B (zh) * 2023-04-13 2024-02-20 南雄市佛燃能源有限公司 一种天然气泄漏监测系统及方法
CN116228770A (zh) * 2023-05-09 2023-06-06 深蓝(天津)智能制造有限责任公司 一种管道泄漏的识别监测方法及系统
CN116228770B (zh) * 2023-05-09 2023-09-01 深蓝(天津)智能制造有限责任公司 一种管道泄漏的识别监测方法及系统
CN116336398A (zh) * 2023-05-24 2023-06-27 成都秦川物联网科技股份有限公司 基于物联网的智慧燃气泄漏安全监测方法、系统和介质
CN116336398B (zh) * 2023-05-24 2023-07-25 成都秦川物联网科技股份有限公司 基于物联网的智慧燃气泄漏安全监测方法、系统和介质
US12018996B2 (en) 2023-05-24 2024-06-25 Chengdu Qinchuan Iot Technology Co., Ltd. Methods, systems, and mediums for monitoring gas leakage safety based on internet of things
CN116823839A (zh) * 2023-08-31 2023-09-29 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法
CN116823839B (zh) * 2023-08-31 2023-12-01 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法

Similar Documents

Publication Publication Date Title
CN115751203A (zh) 一种基于红外热像仪的天然气管道泄漏监测系统
Xu et al. Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN
CN111094956B (zh) 用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(cui)
US20190331301A1 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
CN112200178B (zh) 基于人工智能的变电站绝缘子红外图像检测方法
KR102239377B1 (ko) 촬영영상 및 설명가능 인공지능 기반의 교량시설물 안전점검 시스템 및 그 방법
CN112284619B (zh) 一种漏油实时监测装置和检测方法
CN112610905A (zh) 一种基于图像识别和红外热成像技术的海上平台管线气体泄漏识别方法
CN117422695A (zh) 一种基于CR-Deeplab的异常检测方法
Hu et al. A study of automatic recognition and localization of pipeline for ground penetrating radar based on deep learning
Zhang et al. Surface defect detection of wind turbine based on lightweight YOLOv5s model
CN114022435A (zh) 基于机器视觉的管路泄漏识别系统建立方法
CN112525923A (zh) 一种共享果汁平台管道内壁检测方法、系统及可读存储介质
Guo et al. Detection and classification of pipe defects based on pipe-extended feature pyramid network
Ebrahimi et al. Automated condition assessment of sanitary sewer pipes using LiDAR inspection data
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
Kim et al. A leak detection and 3D source localization method on a plant piping system by using multiple cameras
Gao et al. Measuring urban waterlogging depths from video images based on reference objects
Wang et al. Metal surface defect detection based on weighted fusion
CN117593300B (zh) 一种pe管材裂纹缺陷检测方法及系统
CN116645371B (zh) 一种基于特征搜索的钢轨表面缺陷检测方法及系统
Li et al. A Leak Detection Method for Heat Network Pipes Based on YOLOv5 and Automatic Region Growing Algorithm
Wang et al. Power Plant Liquid Leakage Detection Based on Key-frame Quality Enhancement
CN117168701A (zh) 一种液体泄漏监测方法及系统
CN118279565A (zh) 基于红外相机和深度学习的隧道渗水检测识别方法及系统

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