CN115965773B - 基于物联网大数据的气体泄漏检测系统 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及基于物联网大数据的气体泄漏检测系统，该系统包括：获取气体边缘图像以及气体红外边缘图像，进一步得到第一差异图像；根据第一差异图像获取第二差异图像，根据第二差异图像中像素点的局部区域中的边缘像素点，获取像素点的局部区域内轮廓分布的密集性以及均匀性，进一步得到像素点的目标程度值，根据所有像素点的总体目标程度获取目标像素点，进一步得到目标像素点的关联范围，根据所有目标像素点的关联范围获取气体区域，根据气体区域对气体红外图像进行分区域直方图均衡化，得到增强图像，根据增强图像进行气体泄漏监测。本发明可以准确地对特定气体进行局部增强，使得气体泄漏监测更加准确。

Description

基于物联网大数据的气体泄漏检测系统

技术领域

本发明涉及图像处理领域，具体涉及基于物联网大数据的气体泄漏检测系统。

背景技术

在工业生产中，气体泄漏是危害安全的重要隐患。尤其是危险气体泄漏，可能会直接导致中毒、火灾、爆炸等安全事故，造成人员伤亡和财产损失。因此需要对气体排放、泄漏情况进行监测。

目前常用红外检测技术检测气体浓度，通过红外相机拍摄气体红外图像，红外相机将气体红外图像利用无线传输至云端，云端根据气体红外图像进行气体浓度检测。在检测过程中需要对气体红外图像进行图像增强来区分气体与背景。直方图均衡化是常用的图像增强手段，但是在气体红外图像增强过程中，往往会在增强目标气体的同时增强干扰像素，使得增强结果并不能有效突出目标气体内容。

发明内容

为了解决上述问题，本发明提供基于物联网大数据的气体泄漏检测系统，所述系统包括：

图像采集模块，采集连续多帧气体RGB图像以及气体红外图像；

图像预处理模块，对气体RGB图像以及气体红外图像进行灰度化以及边缘检测，得到气体边缘图像以及气体红外边缘图像；将气体边缘图像和气体红外边缘图像作差，得到第一差异图像；对相邻两帧的第一差异图像作差，得到第二差异图像；

气体区域提取模块，获取第二差异图像中每个像素点的局部区域；根据每个像素点的局部区域中所有边缘像素点两两之间的距离，获取像素点的局部区域内轮廓分布的密集性；根据像素点的局部区域内每一行的边缘像素点以及每一列的边缘像素点获取比例集合；根据比例集合获取像素点的局部区域内轮廓分布的均匀性；将像素点的局部区域内轮廓分布的密集性与均匀性的乘积作为像素点的目标程度值；

将像素点在所有第二差异图像上的目标程度值的均值作为像素点的总体目标程度；将总体目标程度大于预设第二阈值的像素点作为目标像素点；根据目标像素点的总体目标程度获取目标像素点的关联范围；根据所有目标像素点的关联范围获取气体区域；

图像增强模块，将气体区域在气体红外灰度图像中对应的像素点作为前景像素点，将前景像素点之外的像素点作为背景像素点；根据前景像素点和背景像素点进行分区域直方图均衡化，得到增强图像；

气体检测模块，根据增强图像进行气体泄漏监测。

优选的，所述获取第二差异图像中每个像素点的局部区域，包括的步骤为：

以第二差异图像中每个像素点为圆心，建立半径为R的圆，将圆在第二差异图像上覆盖的区域作为每个像素点的局部区域。

优选的，所述获取像素点的局部区域内轮廓分布的密集性，包括的步骤为：

获取第i个像素点的局部区域内所有边缘像素点两两之间的距离，构成第i个像素点的分布距离集合；根据分布距离集合以及局部区域的半径R获取第i个像素点的局部区域内轮廓分布的密集性：

其中为第i个像素点的局部区域内轮廓分布的密集性；为第i个像素点的局部区域内边缘像素点的个数；为局部区域的半径；为第i个像素点的分布距离集合中第j个距离。

优选的，所述根据像素点的局部区域内每一行的边缘像素点以及每一列的边缘像素点获取比例集合，包括的步骤为：

获取像素点的局部区域内每一行的边缘像素点占对应行所有像素点的比例，作为第一比例；获取像素点的局部区域内每一列的边缘像素点占对应列所有像素点的比例，作为第二比例；将所有第一比例和第二比例构成比例集合。

优选的，所述根据比例集合获取像素点的局部区域内轮廓分布的均匀性，包括的步骤为：

将比例集合中值相同的元素视作同一种比例，统计比例集合中出现的每种比例的频率；

根据第i个像素点对应的比例集合中所有种比例的频率获取第i个像素点的局部区域内轮廓分布的均匀性：

其中为第i个像素点的局部区域内轮廓分布的均匀性；为第i个像素点对应的比例集合中第k种比例的频率；为第i个像素点对应的比例集合中比例的种类数；为以自然常数为底的对数函数；是以自然常数为底的指数函数。

优选的，所述根据目标像素点的总体目标程度获取目标像素点的关联范围，包括的步骤为：

将目标像素点的总体目标程度与局部半径的乘积作为目标像素点的关联范围的半径；将以目标像素点为圆心，以为半径的圆所覆盖的区域作为目标像素点的关联范围。

优选的，所述根据所有目标像素点的关联范围获取气体区域，包括的步骤为：

将所有目标像素点的关联范围的并集作为气体区域。

优选的，所述根据前景像素点和背景像素点进行分区域直方图均衡化，得到增强图像，包括的步骤为：

根据前景像素点以及背景像素点进行分区域直方图均衡化，包括：

分别获取所有前景像素点的灰度直方图以及所有背景像素点的灰度直方图；对所有背景像素点的灰度直方图进行均衡化，将背景像素点映射到第一范围内；对所有前景像素点的灰度直方图进行均衡化，将前景像素点映射到第二范围内；

将经过分区域直方图均衡化后的气体红外灰度图像作为增强图像。

本发明实施例至少具有如下有益效果：本发明根据气体边缘图像以及气体红外边缘图像的差异获取第一差异图像，根据动态多帧的第一差异图像获取第二差异图像，根据第二差异图像中像素点的局部区域中的边缘像素点，获取像素点的局部区域内轮廓分布的密集性以及均匀性，进一步得到像素点的目标程度值，根据所有像素点的总体目标程度获取目标像素点，进一步得到目标像素点的关联范围，根据所有目标像素点的关联范围获取气体区域，根据气体区域对气体红外图像进行分区域直方图均衡化，得到增强图像，根据增强图像进行气体泄漏监测。本发明通过计算各像素点的目标程度值，筛选出需要进行增强处理的特定像素点，相较与现有技术有益效果在于保证在直方图均衡化的基础不变的情况下，可以准确地对特定气体进行局部增强，同时有效地抑制干扰像素的影响，使得根据增强图像进行气体泄漏监测的结果更加准确。

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基于物联网大数据的气体泄漏检测系统的系统框图；

图2为本发明的气体RGB图像；

图3为本发明的气体红外图像；

图4为本发明的气体红外图像直方图均衡化操作的效果图；

图5为本发明的气体边缘图像；

图6为本发明的气体红外边缘图像；

图7为本发明的第一差异图像；

图8为本发明的一个第二差异图像；

图9为本发明的一个第二差异图像；

图10为本发明的局部区域边缘像素点分布示意图；

图11为本发明的分区域直方图均衡化示意图；

图12为本发明的增强图像。

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基于物联网大数据的气体泄漏检测系统，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基于物联网大数据的气体泄漏检测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于物联网大数据的气体泄漏检测系统，该系统包括以下模块：

图像采集模块S101，采集气体RGB图像以及气体红外图像。

需要说明的是，大部分气体为无色的，所以往往人眼或者RGB图像上是观察不到泄露气体的。但由于工厂排放时气体通常具有较高的温度，因此在气体在红外图像上比较明显。

在本发明实施例中，在企业工厂周边分布布置多个双光一体相机，通过双光一体相机持续拍摄工厂排放烟筒以及周围的RGB图像、红外图像，将拍摄得到的图像分别记为气体RGB图像以及气体红外图像，气体RGB图像以及气体红外图像分别如图2、图3所示。

将拍摄得到的气体RGB图像以及气体红外图像通过无线发送到云端。

图像预处理模块S102，根据连续多帧气体RGB图像以及气体红外图像获取第二差异图像。

需要说明的是，若直接对气体红外图像进行直方图均衡化，则会导致增强目标气体的同时增强了干扰像素点，从而影响后续气体浓度的检测。图4为对图3中气体红外图像进行直方图均衡化后的效果图，在图4中，气体像素点得到了增强，但同时天空中云层也被增强，使得气体和云层难以区分，此时根据增强后的气体红外图像进行气体浓度检测不准确。

需要进一步说明的是，RGB图像是通过光学成像的，而红外图像是被动式接受红外光成像的，因此同一时刻的同一物体在气体RGB图像以及气体红外图像中的像素值并不相同，因此无法直接根据气体RGB图像以及气体红外图像的差异来获取气体区域。

在本发明实施例中，云端首先将气体RGB图像以及气体红外图像分别转换为灰度图像，并分别记为气体灰度图像以及气体红外灰度图像。利用Canny算子分别对气体灰度图像以及气体红外灰度图像进行边缘检测，获取气体边缘图像（如图5所示）以及气体红外边缘图像（如图6所示）。将气体边缘图像和气体红外边缘图像作差，得到第一差异图像，如图7所示。

需要说明的是，第一差异图像为气体灰度图像中的边缘与气体红外灰度图像中的边缘的差异，对于气体边缘图像和气体红外边缘图像中共有的特征（如建筑物的边缘、白云的边缘），经过作差后，可在第一差异图像中消除该共有特征。但由于气体RGB图像中与气体红外图像的成像原理不同，对应的气体灰度图像中与气体红外灰度图像中同一物体的灰度值也不同，在边缘检测过程中，可能使得同一物体的检测到的边缘存在差异。而由于气体分子无时无刻在做无规则的扩散运动，所以不同时刻的第一差异图像也会发生变化，因此可结合不同时刻的第一差异图像进一步获取时序上不断变化的气体轮廓。

在本发明实施例中，根据连续帧的气体RGB图像以及气体红外图像获取不同时刻的第一差异图像，将相邻时刻的第一差异图像作差，得到第二差异图像。图8为第一时刻与第二时刻对应的第二差异图像，图9为第二时刻与第三时刻对应的第二差异图像。

至此，获取了第二差异图像。

气体区域提取模块S103，根据第二差异图像获取每个像素点的目标程度值，根据目标程度值获取气体区域。

需要说明的是，第一差异图像去除了建筑物、白云等图像中短时间内不会随时序上变化而变化的边缘轮廓。第二差异图像保留了随着时序变化的气体轮廓，第二差异图像为二值图像，无法直接从灰度信息获取像素点隶属于气体区域的概率，因此考虑像素点一定范围内的边缘像素点的分布信息，根据分布信息获取像素点隶属于气体区域的概率，具体的：若连续多帧的第二差异图像中，存在边缘像素点分布较密集的区域，说明该区域的气体分布密集，该区域的像素点则是最需要进行增强处理的像素点。像素点的目标程度值代表着图像中该像素点增强的必要程度。因此可结合像素点的局部区域内轮廓分布的密集性，来一定程度上表示该局部区域包含气体区域的可能性，以便后续根据密集性获取像素点的目标程度值。

在本发明实施例中，首先以任意一个第二差异图像中每个像素点为圆心，建立半径为R的圆，将该圆在第二差异图像上覆盖的区域作为每个像素点的局部区域。在本发明实施例中R=20，在其他实施例中，实施人员可根据需要设置R的值。

获取第i个像素点的局部区域内边缘像素点的个数。当时，认为第i个像素点的局部区域内气体轮廓分布过少，此时不进行密集性的计算。为预设第一阈值，在本发明实施例中，预设第一阈值，在其他实施例中，实施人员可根据实际情况设置预设第一阈值。

当时，获取第i个像素点的局部区域内所有边缘像素点两两之间的距离，构成第i个像素点的分布距离集合，根据分布距离集合以及局部区域的半径R获取第i个像素点的局部区域内轮廓分布的密集性：

其中为第i个像素点的局部区域内轮廓分布的密集性；为第i个像素点的局部区域内边缘像素点的个数；为局部区域的半径；为第i个像素点的分布距离集合中第j个距离；第i个像素点的分布距离集合中的元素为第i个像素点的局部区域内所有边缘像素点两两之间的距离，因此为第i个像素点的分布距离集合中元素的个数；为第i个像素点的局部区域内所有边缘像素点两两之间的平均距离，当平均距离越小，说明第i个像素点的局部区域内边缘像素点分布越密集，说明第i个像素点的局部区域内越可能存在气体区域。

需要说明的是，若像素点的局部区域内遍布边缘像素点，说明该局部区域都为气体区域，若像素点的局部区域内边缘像素点集中分布，部分位置无边缘像素点，说明该局部区域还包含了非气体区域，例如图10为局部区域内像素点分布示意图。因此可结合像素点的局部区域内轮廓分布的均匀性，来一定程度上表示该局部区域为整体为气体区域的可能性，以便后续根据均匀性获取像素点的目标程度值。

在本发明实施例中，当时，认为第i个像素点的局部区域内气体轮廓分布过少，此时不进行均匀性的计算，当时，获取第i个像素点的局部区域内每一行的边缘像素点占该行所有像素点的比例作为第一比例，同时获取第i个像素点的局部区域内每一列的边缘像素点占该列所有像素点的比例作为第二比例。将所有第一比例和第二比例构成一个比例集合。将比例集合中值相同的元素视作同一种比例，统计比例集合中出现的每种比例的频率，用b表示。例如第i个像素点对应的比例集合中第k种比例的频率为。

根据第i个像素点对应的比例集合中所有种比例的频率获取第i个像素点的局部区域内轮廓分布的均匀性：

其中为第i个像素点的局部区域内轮廓分布的均匀性；为第i个像素点对应的比例集合中第k种比例的频率；为第i个像素点对应的比例集合中比例的种类数；为以自然常数为底的对数函数；是以自然常数为底的指数函数；为第i个像素点对应的比例集合中所有元素的熵，当第i个像素点的局部区域内轮廓分布越均匀时，即第i个像素点的局部区域内边缘像素点分布越均匀时，第i个像素点的局部区域内每一行的边缘像素点所占的比例应该较为一致，第i个像素点的局部区域内每一列的边缘像素点所占的比例应该较为一致，即大部分第一比例、第二比例的值较为一致，对应的比例集合中不同种类的比例的频率分布差异较大，此时第i个像素点对应的比例集合中所有元素的熵较小，第i个像素点的局部区域内轮廓分布的均匀性较大。

需要说明的是，当像素点的局部区域内轮廓分布密集且均匀，说明该局部区域整体都为气体区域，此时需要对该局部区域进行增强处理。因此可结合像素点的局部区域内轮廓分布的密集性和均匀性，获取像素点的目标程度值，来表示像素点的局部区域需要进行增强的必要程度。

在本发明实施例中，根据第i个像素点的局部区域内轮廓分布的密集性以及均匀性获取第i个像素点的目标程度值：

其中为第i个像素点的目标程度值；为第i个像素点的局部区域内轮廓分布的密集性；为第i个像素点的局部区域内轮廓分布的均匀性；当第i个像素点的局部区域内轮廓分布分布越密集、分布越均匀时，第i个像素点的局部区域内整体都为气体区域的可能性越大，此时第i个像素点的目标程度值越大。

同理，获取每个第二差异图像上第i个像素点的目标程度值，将所有第二差异图像上第i个像素点的目标程度值的均值作为第i个像素点的总体目标程度。

同理，获取每个像素点的总体目标程度。需要说明的是，当像素点的局部区域内边缘像素点的个数小于预设第一阈值时，该像素点不计算局部区域内轮廓分布的密集性以及均匀性，无法得到该像素点在每个第二差异图像上的目标程度值，也就无法得到该像素点的总体目标程度，此时规定该像素点的总体目标程度值0。

当像素点的总体目标程度大于预设第二阈值时，将像素点作为目标像素点。在本发明实施例中，预设第二阈值，在其他实施例中，实施人员可根据实际情况设置预设第二阈值。

目标像素点的总体目标程度越大，目标像素点隶属于气体区域的概率越大，目标像素点周围的气体区域也就越大，目标像素点周围的气体区域称为目标像素点的关联范围，根据目标像素点的总体目标程度获取目标像素点的关联范围的半径：

其中表示目标像素点的关联范围的半径；表示目标像素点位置的总体目标程度；为局部区域的半径。将以目标像素点为圆心，以为半径的圆所覆盖的区域作为目标像素点的关联范围。

同理，获取每个目标像素点的关联范围，将所有目标像素点的关联范围的并集作为气体区域。

至此，获取了气体区域。

图像增强模块S104，对气体红外图像进行分区域增强，得到增强图像。

将气体区域在气体红外灰度图像中对应的像素点作为前景像素点，将前景像素点之外的像素点作为背景像素点。

根据前景像素点以及背景像素点进行分区域直方图均衡化，具体为：

分别获取所有前景像素点的灰度直方图以及所有背景像素点的灰度直方图。对所有背景像素点的灰度直方图进行均衡化，将背景像素点映射到第一范围[0,127]内，使得背景变暗；对所有前景像素点的灰度直方图进行均衡化，将前景像素点映射到第二范围[128,255]内，使得前景变亮，凸显出气体增强部分。分区域直方图均衡化的示意图参见图11。

将经过分区域直方图均衡化后的气体红外灰度图像作为增强图像，增强图像参见图12。

至此，实现了对气体红外图像的分区域增强，得到了增强图像。

气体检测模块S105，根据增强图像进行气体泄露监测。

云端根据增强图像识别气体云团目标，估算气体路径积分浓度等，当气体浓度大于安全浓度阈值时，进行报警，提醒相关人员采取安全措施。

至此，实现了气体泄露监测。

综上所述，本发明的系统包括图像采集模块模块、图像预处理模块、气体区域提取模块、图像增强模块、气体检测模块，本发明实施例根据气体边缘图像以及气体红外边缘图像的差异获取第一差异图像，根据动态多帧的第一差异图像获取第二差异图像，根据第二差异图像中像素点的局部区域中的边缘像素点，获取像素点的局部区域内轮廓分布的密集性以及均匀性，进一步得到像素点的目标程度值，根据所有像素点的总体目标程度获取目标像素点，进一步得到目标像素点的关联范围，根据所有目标像素点的关联范围获取气体区域，根据气体区域对气体红外图像进行分区域直方图均衡化，得到增强图像，根据增强图像进行气体泄漏监测。本发明实施例通过计算各像素点的目标程度值，筛选出需要进行增强处理的特定像素点，相较与现有技术有益效果在于保证在直方图均衡化的基础不变的情况下，可以准确地对特定气体进行局部增强，同时有效地抑制干扰像素的影响，使得根据增强图像进行气体泄漏监测的结果更加准确。

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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于物联网大数据的气体泄漏检测系统，其特征在于，所述系统包括：

图像采集模块，采集连续多帧气体RGB图像以及气体红外图像；

图像预处理模块，对气体RGB图像以及气体红外图像进行灰度化以及边缘检测，得到气体边缘图像以及气体红外边缘图像；将气体边缘图像和气体红外边缘图像作差，得到第一差异图像；对相邻两帧的第一差异图像作差，得到第二差异图像；

气体区域提取模块，获取第二差异图像中每个像素点的局部区域；根据每个像素点的局部区域中所有边缘像素点两两之间的距离，获取像素点的局部区域内轮廓分布的密集性；根据像素点的局部区域内每一行的边缘像素点以及每一列的边缘像素点获取比例集合；根据比例集合获取像素点的局部区域内轮廓分布的均匀性；将像素点的局部区域内轮廓分布的密集性与均匀性的乘积作为像素点的目标程度值；

将像素点在所有第二差异图像上的目标程度值的均值作为像素点的总体目标程度；将总体目标程度大于预设第二阈值的像素点作为目标像素点；根据目标像素点的总体目标程度获取目标像素点的关联范围；根据所有目标像素点的关联范围获取气体区域；

图像增强模块，将气体区域在气体红外灰度图像中对应的像素点作为前景像素点，将前景像素点之外的像素点作为背景像素点；根据前景像素点和背景像素点进行分区域直方图均衡化，得到增强图像；

气体检测模块，根据增强图像进行气体泄漏监测；

所述获取像素点的局部区域内轮廓分布的密集性，包括的步骤为：

获取第i个像素点的局部区域内所有边缘像素点两两之间的距离，构成第i个像素点的分布距离集合；根据分布距离集合以及局部区域的半径R获取第i个像素点的局部区域内轮廓分布的密集性：

其中为第i个像素点的局部区域内轮廓分布的密集性；为第i个像素点的局部区域内边缘像素点的个数；为局部区域的半径；为第i个像素点的分布距离集合中第j个距离；

所述根据比例集合获取像素点的局部区域内轮廓分布的均匀性，包括的步骤为：

将比例集合中值相同的元素视作同一种比例，统计比例集合中出现的每种比例的频率；

根据第i个像素点对应的比例集合中所有种比例的频率获取第i个像素点的局部区域内轮廓分布的均匀性：

其中为第i个像素点的局部区域内轮廓分布的均匀性；为第i个像素点对应的比例集合中第k种比例的频率；为第i个像素点对应的比例集合中比例的种类数；为以自然常数为底的对数函数；是以自然常数为底的指数函数；

所述根据目标像素点的总体目标程度获取目标像素点的关联范围，包括的步骤为：

将目标像素点的总体目标程度与局部半径的乘积作为目标像素点的关联范围的半径；将以目标像素点为圆心，以为半径的圆所覆盖的区域作为目标像素点的关联范围。

2.根据权利要求1所述的基于物联网大数据的气体泄漏检测系统，其特征在于，所述获取第二差异图像中每个像素点的局部区域，包括的步骤为：

以第二差异图像中每个像素点为圆心，建立半径为R的圆，将圆在第二差异图像上覆盖的区域作为每个像素点的局部区域。

3.根据权利要求1所述的基于物联网大数据的气体泄漏检测系统，其特征在于，所述根据像素点的局部区域内每一行的边缘像素点以及每一列的边缘像素点获取比例集合，包括的步骤为：

获取像素点的局部区域内每一行的边缘像素点占对应行所有像素点的比例，作为第一比例；获取像素点的局部区域内每一列的边缘像素点占对应列所有像素点的比例，作为第二比例；将所有第一比例和第二比例构成比例集合。

4.根据权利要求1所述的基于物联网大数据的气体泄漏检测系统，其特征在于，所述根据所有目标像素点的关联范围获取气体区域，包括的步骤为：

将所有目标像素点的关联范围的并集作为气体区域。

5.根据权利要求1所述的基于物联网大数据的气体泄漏检测系统，其特征在于，所述根据前景像素点和背景像素点进行分区域直方图均衡化，得到增强图像，包括的步骤为：

根据前景像素点以及背景像素点进行分区域直方图均衡化，包括：

分别获取所有前景像素点的灰度直方图以及所有背景像素点的灰度直方图；对所有背景像素点的灰度直方图进行均衡化，将背景像素点映射到第一范围内；对所有前景像素点的灰度直方图进行均衡化，将前景像素点映射到第二范围内；

将经过分区域直方图均衡化后的气体红外灰度图像作为增强图像。

Images