CN116091491A - VOCs气体检测方法、装置、设备及计算机可读存储介质 - Google Patents
VOCs气体检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116091491A CN116091491A CN202310344437.6A CN202310344437A CN116091491A CN 116091491 A CN116091491 A CN 116091491A CN 202310344437 A CN202310344437 A CN 202310344437A CN 116091491 A CN116091491 A CN 116091491A
- Authority
- CN
- China
- Prior art keywords
- detection
- vocs gas
- frame
- training
- video
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种VOCs气体检测方法、装置、设备及计算机可读存储介质,属于环境监测技术领域。该方法包括:从含VOCs气体泄露的原始红外视频中筛选关键视频帧,并根据关键视频帧得到标签帧和实验帧,然后基于关键视频帧、标签帧和实验帧训练增强模型并通过训练好的增强模型得到增强红外视频,进一步地,基于增强红外视频和增强红外视频对应的标注信息训练检测模型,前述检测模型基于时间特征和空间特征实现对VOCs气体的检测,至此,便可通过训练好的增强模型和检测模型对含VOCs气体泄漏的待检测视频进行VOCs气体检测。本发明旨在实现保证VOCs泄露气体检出率的同时提升准确率。
Description
技术领域
本发明涉及环境监测领域,尤其涉及VOCs气体检测方法、装置、设备及计算机可读存储介质。
背景技术
VOCs气体(Volatile Organic Compounds,可挥发性有机化合物气体),是化学化工生产中重要的参与物,但多数VOCs气体也是易燃、易爆、有毒有害气体,此外,VOCs还是臭氧等温室气体的重要前体物,会造成雾霾等恶劣天气,同时大量排放的VOCs气体还会给附近地区居民带来更高的身体健康风险。随着近年来化工行业的迅速发展,VOCs气体的排放也日益增加,随之带来了环境污染和生产安全问题。因此,对VOCs的检测与治理已成为当前环境监测领域的一个焦点。
由于VOCs气体对红外能量的吸收主要集中于中波段,因此,利用这一特性,可以借助红外热像仪实现VOCs气体的可视化。
然而,受VOCs气体排放量及气体自身浓度的影响,加之红外图像低信噪比的特点,导致红外视频下VOCs气体成像效果差,检测难度大。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种VOCs气体检测方法、装置、设备及计算机可读存储介质,旨在解决红外视频下VOCs气体成像效果差,检测难度大的技术问题。
为实现上述目的,本发明提供一种VOCs气体检测方法,所述VOCs气体检测方法包括以下步骤:
从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
可选地,所述基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型的步骤包括:
从所述关键视频帧中提取第一运动特征、第一视觉特征,从所述实验帧中提取第二运动特征、第二视觉特征;
对所述第一运动特征和所述第二运动特征之间的差值进行放大,并将放大后的运动特征差值与所述第一运动特征进行叠加,得到第三运动特征;
将所述第三运动特征和所述第一视觉特征融合并重构为初始输出帧;
基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束。
可选地,所述基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束的步骤包括:
根据所述初始输出帧、所述标签帧、所述第一视觉特征和所述第二视觉特征计算第一损失函数值,若所述第一损失函数值未收敛,则调整所述增强模型并进行下一轮迭代训练,直至所述第一损失函数值收敛为止。
可选地,所述基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
将所述增强红外视频划分为训练集和测试集;
基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测;
基于所述测试集和所述测试集对应的标注信息测试所述训练好的检测模型,其中,所述检测模型基于所述测试集对应的时间特征和空间特征实现对VOCs气体的检测。
可选地,所述基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
对所述训练集对应的时间特征和空间特征进行融合和识别,得到预测边界框;
根据所述预测边界框和所述训练集对应的标注信息计算第二损失函数值,若所述第二损失函数值未收敛,则调整所述检测模型并进行下一轮迭代训练,直至所述第二损失函数值收敛为止。
可选地,所述从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧的步骤包括:
从含VOCs气体泄露的原始红外视频中提取含VOCs气体泄漏的视频帧;
基于所述含VOCs气体泄漏的视频帧中的气体羽流和背景之间的区分度,筛选出关键视频帧。
可选地,所述基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果的步骤之后,包括:
若所述检测结果不满足预设条件,则输出警报。
此外,为实现上述目的,本发明还提供一种VOCs气体检测装置,所述装置包括:
处理模块,用于从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
训练模块,用于基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
训练模块,还用于基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
检测模块,用于基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
此外,为实现上述目的,本发明还提供一种VOCs气体检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述VOCs气体检测程序配置为实现所述的VOCs气体检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的VOCs气体检测方法的步骤。
在本发明提供的一个技术方案中,从含VOCs气体泄露的原始红外视频中筛选关键视频帧,并对其中的气体羽流的第一运动特征进行放大得到标签帧,对其中的气体羽流进行移位得到实验帧,再基于视频帧、标签帧和实验帧训练增强模型,并基于训练好的增强模型对原始红外视频进行增强处理,得到增强红外视频,进一步地,基于增强红外视频和增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,检测模型基于增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测,至此,便可通过训练好的增强模型和检测模型对含VOCs气体泄漏的待检测视频进行VOCs气体检测。通过构建并训练增强模型、检测模型,并通过训练好的增强模型对含VOCs气体的原始红外视频进行增强,以有效提升VOCs气体的检出率,在此基础上,通过训练好的检测模型进一步从时空维度对增强红外视频中的VOCs气体进行检测,从而在保证检出率的同时提升准确率,满足大范围远距离无人化检测的需求。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的VOCs气体检测的结构示意图;
图2为本发明VOCs气体检测方法第一实施例的流程示意图;
图3为本发明VOCs气体检测方法第一实施例的增强模型示意图;
图4为本发明VOCs气体检测方法第二实施例的增强模型示意图;
图5为本发明VOCs气体检测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的VOCs气体检测设备结构示意图。
如图1所示,该VOCs气体检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对VOCs气体检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
在图1所示的VOCs气体检测设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明VOCs气体检测设备中的处理器1001、存储器1005可以设置在VOCs气体检测设备中,所述VOCs气体检测设备通过处理器1001调用存储器1005中存储的计算机程序,并执行本发明实施例提供的VOCs气体检测方法。
本发明实施例提供了一种VOCs气体检测方法,参照图2,图2为本发明一种VOCs气体检测方法第一实施例的流程示意图。
本实施例中,所述VOCs气体检测方法包括:
步骤S11:从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
可以理解的是,由于VOCs气体对红外能量的吸收主要集中于中波段,因此可以借助红外热像仪实现VOCs气体的可视化,具体地,通过红外热像仪获取含VOCs气体泄露的原始红外视频,然后从原始红外视频中筛选出含有VOCs气体泄漏的关键视频帧,在具体实施过程中,可以设定一筛选标准,如气体区域与背景之间的区分度、气体区域大小,以此从原始红外视频中筛选出气体区域明显的视频帧,作为关键视频帧Xa。
具体地,提取关键视频帧中的气体羽流区域为前景图片,其余区域则为背景图片。一方面,将前景图片中用于表征气体扩散情况的第一运动特征Ma进行放大,融合到背景图片中,得到一张与关键视频帧对应的气体羽流放大后的视频帧,即标签帧,以便后续对训练过程进行监督学习;另一方面,将前景图片直接融合到背景图片中,得到与关键视频帧对应的气体羽流移位后的实验帧Xb,需要注意的是,实验帧与关键视频帧的区别在于,两者的前景图片所处的位置不同,即气体羽流区域的位置不同,用于模拟气体运动,以便后续对增强模型进行训练。
需要注意的是,可以从原始红外视频中筛选出多个关键视频帧,并进一步提取对应的标签帧、实验帧,以组成多组数据对,每组数据对包括一关键视频帧、一标签帧和一实验帧,以此对增强模型进行多次训练。
步骤S12:基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
可以理解的是,在红外热像仪采集原始红外视频时,可能出现VOCs气体泄露量较少或浓度较低等情况,因此,需要对采集到的原始红外视频进行增强,以便后续进行检测。
需要注意的是,技术人员可以预先构建VOCs气体成像的初始增强模型,包括但不限于特征提取网络、特征放大网络和帧重构网络三部分,其中,特征提取网络用于提取关键视频帧和实验帧的特征,特征放大网络用于对前述特征中的运动特征进行放大,帧重构网络用于将前述放大后的运动特征与关键视频帧融合得到新的视频帧。可以理解的是,需要对预先构建的初始增强模型进行训练,以得到性能较好的增强模型,用于后续实际VOCs气体增强。
具体地,参照图3,在特征提取网络中,将关键视频帧Xa、实验帧Xb作为输入,通过卷积残差块提取关键视频帧Xa中的气体羽流的第一运动特征Ma、实验帧Xb的第二运动特征Mb,用于表征气体扩散运动的过程。
具体地,在特征放大网络中,先针对Ma、Mb取特征差,得到运动特征差值Gm=Mb-Ma,再经卷积操作、倍数放大、卷积加残差操作,得到放大后的运动特征差值为G1m=h*(*g(Mb-Ma)),其中,h表示3*3的卷积加残差操作,表示放大系数,g表示3*3的卷积操作。在此之后,取特征和即将放大后的运动特征差值G1m与关键视频帧Xa对应的第一运动特征Ma叠加,便可得到第三运动特征,表示为G2m=Ma+h*(*g(Mb-Ma))。
具体地,在帧重构网络中,将第三运动特征G2m和关键视频帧Xa融合,并经卷积残差操作得到初始视频帧。
进一步地,比较初始输出帧和标签帧,判定是否对初始增强模型进行调整。示例性地,以比较结果作为判定条件,若比较结果满足预设模型性能条件,则直接将初始增强模型作为最终的增强模型;若比较结果不满足预设模型性能条件,则调整初始增强模型的参数,并对调整后的初始增强模型进行下一轮迭代训练、比较,直至比较结果满足预设模型性能条件,得到增强模型。示例性地,以比较次数作为判定条件,若比较次数满足预设次数条件,则直接将初始增强模型作为最终的增强模型;若比较结果不满足预设次数条件,则调整初始增强模型的参数,并对调整后的初始增强模型进行下一轮迭代训练、比较,直至比较次数满足预设次数条件,得到增强模型,本实施例不作具体限定。
需要注意的是,在训练好的增强模型中,将帧重构网络输出的结果定义为网络输出帧,以区分训练阶段和应用阶段的训练模型。更进一步地,将原始红外视频输入训练好的增强模型,通过特征提取网络、特征放大网络、帧重构网络,最终得到若干网络输出帧,若干网络输出帧便组成增强红外视频,详细处理过程同上。
步骤S13:基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
可选地,技术人员可以使用各类标注工具对增强红外视频进行边界框标注,如labelimg、Labelme、RectLabel、VOTT、LableBox、PixelAnnotationTool,本实施例不作具体限定。相应地,接收增强红外视频的标注信息即标准边界框,以便后续对训练过程进行监督学习。
需要注意的是,可以根据增强红外视频确定多组数据对,每组数据对包括增强视频帧和对应的标准边界框,以此对检测模型进行多次训练。
可以理解的是,技术人员可以预先构建VOCs气体成像的初始检测模型,包括但不限于特征提取网络、融合网络和特征检测网络三部分,其中,特征提取网络用于提取增强视频帧中的气体羽流的时间特征、空间特征,融合网络用于融合时间特征和空间特征为融合特征图,特征检测网络用于对融合特征图进行检测,得到检测结果,如此构建,检测模型便能基于增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测。可以理解的是,需要对预先构建的初始检测模型进行训练,以得到性能较好的检测模型,用于后续实际VOCs气体检测。
具体地,在特征提取网络中,使用时空网络作为骨干,分别提取增强视频帧中气体羽流的时间维度和空间维度特征。示例性地,特征提取网络包括时间特征提取网络和空间特征提取网络,在时间特征提取网络中,使用序列相邻的两个增强视频帧作为输入,通过卷积池化操作提取气体羽流的时间特征,记为Ft,用于表征气体扩散运动的过程;在空间特征提取网络中,使用单个增强视频帧作为输入,通过卷积池化操作提取气体羽流的空间特征,记为Fs,如纹理、形状等特征。
具体地,在特征融合网络中,将上述时间特征Ft和空间特征Fs连接起来形成融合特征图,并将该融合特征图作为输入送入特征检测网络。
具体地,在特征检测网络中,对融合特征图进行卷积池化操作,先识别该融合特征图中是否存在目标区域,若存在,则通过边界框回归,得到目标区域对应的预测边界框,作为检测结果输出。
进一步地,比较预测边界框和标准边界框,判定是否对初始检测模型进行调整。示例性地,以比较结果作为判定条件,若比较结果满足预设模型性能条件,则直接将初始检测模型作为最终的检测模型;若比较结果不满足预设模型性能条件,则调整初始检测模型的参数,并对调整后的初始检测模型进行下一轮迭代训练、比较,直至比较结果满足预设模型性能条件,得到检测模型。示例性地,以比较次数作为判定条件,若比较次数满足预设次数条件,则直接将初始检测模型作为最终的检测模型;若比较结果不满足预设次数条件,则调整初始检测模型的参数,并对调整后的初始检测模型进行下一轮迭代训练、比较,直至比较次数满足预设次数条件,得到检测模型,本实施例不作具体限定。
步骤S14:基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
可以理解的是,红外热像仪采集到的原始红外视频,受气体排放量、气体浓度、红外图像低信噪比等现实因素影响,很有可能出现VOCs气体不明显的视频帧,针对该类视频帧,可以利用训练好的增强模型和检测模型进行检测。
具体地,将含有VOCs气体泄漏的待检测视频先输入训练好的增强模型,得到增强后的待检测视频,再将增强后的待检测视频输入训练好的检测模型,得到对应的检测结果即VOCs气体预测边界框。
在本实施例提供的一个技术方案中,从含VOCs气体泄露的原始红外视频中筛选关键视频帧,并对其中的气体羽流的第一运动特征进行放大得到标签帧,对其中的气体羽流进行移位得到实验帧,再基于视频帧、标签帧和实验帧训练增强模型,并基于训练好的增强模型对原始红外视频进行增强处理,得到增强红外视频,进一步地,基于增强红外视频和增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,检测模型基于增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测,至此,便可通过训练好的增强模型和检测模型对含VOCs气体泄漏的待检测视频进行VOCs气体检测。通过构建并训练增强模型、检测模型,并通过训练好的增强模型对含VOCs气体的原始红外视频进行增强,以有效提升VOCs气体的检出率,在此基础上,通过训练好的检测模型进一步从时空维度对增强红外视频中的VOCs气体进行检测,从而在保证检出率的同时提升准确率,满足大范围远距离无人化检测的需求。
进一步的,提出本发明VOCs气体检测方法第二实施例。基于上述图2所示的实施例,所述基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型的步骤包括:
步骤S21:从所述关键视频帧中提取第一运动特征、第一视觉特征,从所述实验帧中提取第二运动特征、第二视觉特征;
步骤S22:对所述第一运动特征和所述第二运动特征之间的差值进行放大,并将放大后的运动特征差值与所述第一运动特征进行叠加,得到第三运动特征;
步骤S23:将所述第三运动特征和所述第一视觉特征融合并重构为初始输出帧;
具体地,参照图4,在特征提取网络中,将关键视频帧Xa、实验帧Xb作为输入,通过卷积残差块提取关键视频帧的第一运动特征Ma和第一视觉特征Va,以及实验帧的第二运动特征Mb和第二视觉特征Vb,其中,视觉特征用于表征气体的形状,用于对放大结果进行约束,以避免运动特征过度放大而导致图片失真。
具体地,在特征放大网络中,根据第一运动特征Ma、第二运动特征Mb,得到第三运动特征G2m=Ma+h*(*g(Mb-Ma))。
具体地,在帧重构网络中,将第三运动特征G2m和第一视觉特征Va进行融合,重构得到初始输出帧。
步骤S24:基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束。
具体地,比较初始输出帧和标签帧,且在比较的过程中分析视觉特征Va、Vb的偏差情况,如计算视觉特征对应的损失函数、将视觉特征的偏差情况作为进一步比较的先决条件,本实施例不作具体限定,再以比较次数或比较结果为条件,判定是否对初始增强模型进行调整,最终得到增强模型。
在本实施例提供的一个技术方案中,从关键视频帧中提取第一运动特征、第一视觉特征,以及从实验帧中提取第二运动特征、第二视觉特征,并基于第一运动特征和第二运动特征进行作差、放大、叠加得到第三运动特征,再融合第一视觉特征重构为初始输出帧,最终基于初始输出帧、标签帧训练增强模型,其中,基于第一视觉特征和第二视觉特征对训练模型进行约束。在对初始增强模型训练过程中,以视觉特征对初始增强模型进行约束,能够避免第一运动特征过度放大而导致图像失真,保证气体检测的准确性。
进一步的,提出本发明VOCs气体检测方法第三实施例。基于上述第二实施例,所述基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束的步骤包括:
步骤S31:根据所述初始输出帧、所述标签帧、所述第一视觉特征和所述第二视觉特征计算第一损失函数值,若所述第一损失函数值未收敛,则调整所述增强模型并进行下一轮迭代训练,直至所述第一损失函数值收敛为止。
具体地,根据初始输出帧、标签帧和第一视觉特征Va、第二视觉特征Vb计算第一损失函数值,具体使用L1损失函数约束训练结果,记初始输出帧为,标签帧为,第一损失函数值表示为。
进一步地,若第一损失函数值未收敛,即第一损失函数值大于第一预设值,则调整增强模型的参数并进行下一轮迭代训练,直至第一损失函数值收敛即达到第一预设值为止,最终得到训练好的增强模型,其中,第一预设值由技术人员根据外界环境、气体浓度等实际情况进行设置,本实施例不作具体限定。
在本实施例提供的一个技术方案中,根据初始输出帧、标签帧、第一视觉特征和第二视觉特征计算第一损失函数值,若第一损失函数值未收敛,则调整增强模型并进行下一轮迭代训练,直至第一损失函数值收敛为止。通过计算第一损失函数并将其与第一预设值进行比较,来评估当前增强模型的性能,以进行有效调整,直至迭代训练后的第一损失函数满足第一预设值,相较于以比较次数为训练终止条件,本方案能够保证最后得到的增强模型的性能良好。
进一步的,提出本发明VOCs气体检测方法第四实施例。基于上述第一实施例,所述基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
步骤S41:将所述增强红外视频划分为训练集和测试集;
步骤S42:基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测;
步骤S43:基于所述测试集和所述测试集对应的标注信息测试所述训练好的检测模型,其中,所述检测模型基于所述测试集对应的时间特征和空间特征实现对VOCs气体的检测。
具体地,根据预设的划分比例如7:3将增强红外视频随机划分为训练集和测试集。
进一步地,将训练集输入初始检测模型,并将输出结果与训练集对应的标注信息进行进行比较,得到训练好的检测模型,其中,检测模型基于训练集对应的时间特征和空间特征实现对VOCs气体的检测,具体训练过程同第一实施例。
更进一步地,将测试集输入训练好的检测模型,并将输出结果与检测集对应的标注信息进行进行比较,以检验模型的泛化能力,其中,检测模型基于测试集对应的时间特征和空间特征实现对VOCs气体的检测,具体测试过程同第一实施例。
在本实施例提供的一个技术方案中,将增强红外视频分为训练集和测试集,基于训练集和训练集对应的标注信息得到训练好的检测模型,再基于测试集和测试集对应的标注信息测试训练好的检测模型。通过训练集得到训练好的检测模型后,使用测试集对此进行验证,可以衡量训练好的检测模型的性能,以检验模型的泛化能力。
进一步的,提出本发明VOCs气体检测方法第五实施例。基于上述第四实施例,所述基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
步骤S51:对所述训练集对应的时间特征和空间特征进行融合和识别,得到预测边界框;
步骤S52:根据所述预测边界框和所述训练集对应的标注信息计算第二损失函数值,若所述第二损失函数值未收敛,则调整所述检测模型并进行下一轮迭代训练,直至所述第二损失函数值收敛为止。
具体地,对训练集对应的时间特征和空间特征进行融合和识别,得到预测边界框,具体识别过程同第一实施例。
进一步地,计算预测边界框和标注信息中的标准边界框之间的差值,作为第二损失函数值,若第二损失函数值未收敛,即第二损失函数值大于第二预设值,则调整检测模型的参数并进行下一轮迭代训练,直至第二损失函数值收敛即达到第二预设值为止,最终得到训练好的检测模型,其中,第二预设值由技术人员根据外界环境、气体浓度等实际情况进行设置,本实施例不作具体限定。
在本实施例提供的一个技术方案中,对时间特征和空间特征进行融合和识别,得到预测边界框,再根据预测边界框和标注信息计算第二损失函数值,若第二损失函数值未收敛,则调整检测模型并进行下一轮迭代训练,直至第二损失函数值收敛为止。通过计算第二损失函数并将其与第二预设值进行比较,来评估当前检测模型的性能,以进行有效调整,直至迭代训练后的第二损失函数满足第二预设值,相较于以比较次数为训练终止条件,本方案能够保证最后得到的检测模型的性能良好。
进一步的,提出本发明VOCs气体检测方法第六实施例。基于上述第一实施例,所述从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧的步骤包括:
步骤S61:从含VOCs气体泄露的原始红外视频中提取含VOCs气体泄漏的视频帧;
步骤S62:基于所述含VOCs气体泄漏的视频帧中的气体羽流和背景之间的区分度,筛选出关键视频帧。
可以理解的是,视频是由一组视频帧组成的,因此,可以直接从含VOCs气体泄露的原始红外视频中提取出所有含VOCs气体泄漏的视频帧。进一步地,以视频帧中的气体羽流和背景之间的区分度为标准,从所有视频帧中筛选出关键视频帧,示例性地,将所有视频帧按照区分度强弱进行排序,选取前30帧为关键视频帧。
在本实施例提供的一个技术方案中,从含VOCs气体泄露的原始红外视频中提取含VOCs气体泄漏的视频帧,再基于含VOCs气体泄漏的视频帧中的气体羽流和背景之间的区分度,筛选出关键视频帧。基于气体羽流和背景之间的区分度,筛选出气体区域明显的关键视频帧,通过优化样本质量,使得后续训练过程更加高效、准确。
进一步的,提出本发明VOCs气体检测方法第七实施例。基于上述图1所示的实施例,所述基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果的步骤之后,包括:
步骤S71:若所述检测结果不满足预设条件,则输出警报。
具体地,将含VOCs气体泄漏的待检测视频输入训练好的增强模型和检测模型,若最终的检测结果不满足预设条件,如出现明显的漏检、误检,则说明训练好的增强模型和检测模型存在问题,此时需要输出警报,以提醒技术人员及时对模型进行调整。
在本实施例提供的一个技术方案中,基于增强模型和检测模型,对含VOCs气体泄漏的待检测视频进行检测,若检测结果不满足预设条件,则输出警报,以提醒技术人员及时进行调整。
本发明实施例提供一种VOCs气体检测装置,参照图5,本发明VOCs气体检测装置一实施例的功能模块示意图。
处理模块,用于从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
训练模块,用于基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
训练模块,还用于基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
检测模块,用于基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
本发明实施例提供一种VOCs气体检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现所述的VOCs气体检测方法任一实施例中的步骤。
由于VOCs气体检测设备部分的实施例与方法部分的实施例相互对应,因此VOCs气体检测设备部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现上述VOCs气体检测方法任一实施例中的步骤。
由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应,因此计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,在此暂不赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种VOCs气体检测方法,其特征在于,所述VOCs气体检测方法包括以下步骤:
从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
2.如权利要求1所述的VOCs气体检测方法,其特征在于,所述基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型的步骤包括:
从所述关键视频帧中提取第一运动特征、第一视觉特征,从所述实验帧中提取第二运动特征、第二视觉特征;
对所述第一运动特征和所述第二运动特征之间的差值进行放大,并将放大后的运动特征差值与所述第一运动特征进行叠加,得到第三运动特征;
将所述第三运动特征和所述第一视觉特征融合并重构为初始输出帧;
基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束。
3.如权利要求2所述的VOCs气体检测方法,其特征在于,所述基于所述初始输出帧、所述标签帧训练增强模型,其中,基于所述第一视觉特征和所述第二视觉特征对所述训练模型进行约束的步骤包括:
根据所述初始输出帧、所述标签帧、所述第一视觉特征和所述第二视觉特征计算第一损失函数值,若所述第一损失函数值未收敛,则调整所述增强模型并进行下一轮迭代训练,直至所述第一损失函数值收敛为止。
4.如权利要求1所述的VOCs气体检测方法,其特征在于,所述基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
将所述增强红外视频划分为训练集和测试集;
基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测;
基于所述测试集和所述测试集对应的标注信息测试所述训练好的检测模型,其中,所述检测模型基于所述测试集对应的时间特征和空间特征实现对VOCs气体的检测。
5.如权利要求4所述的VOCs气体检测方法,其特征在于,所述基于所述训练集和所述训练集对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述训练集对应的时间特征和空间特征实现对VOCs气体的检测的步骤包括:
对所述训练集对应的时间特征和空间特征进行融合和识别,得到预测边界框;
根据所述预测边界框和所述训练集对应的标注信息计算第二损失函数值,若所述第二损失函数值未收敛,则调整所述检测模型并进行下一轮迭代训练,直至所述第二损失函数值收敛为止。
6.如权利要求1所述的VOCs气体检测方法,其特征在于,所述从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧的步骤包括:
从含VOCs气体泄露的原始红外视频中提取含VOCs气体泄漏的视频帧;
基于所述含VOCs气体泄漏的视频帧中的气体羽流和背景之间的区分度,筛选出关键视频帧。
7.如权利要求1所述的VOCs气体检测方法,其特征在于,所述基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果的步骤之后,包括:
若所述检测结果不满足预设条件,则输出警报。
8.一种VOCs气体检测装置,其特征在于,所述装置包括:
处理模块,用于从含VOCs气体泄露的原始红外视频中筛选出含VOCs气体泄漏的关键视频帧,对所述关键视频帧中的气体羽流的第一运动特征进行放大得到标签帧,对所述关键视频帧中的气体羽流进行移位得到实验帧;
训练模块,用于基于所述关键视频帧、所述标签帧和所述实验帧训练增强模型,并基于训练好的增强模型对所述原始红外视频进行增强处理,得到增强红外视频;
训练模块,还用于基于所述增强红外视频和所述增强红外视频对应的标注信息训练检测模型,得到训练好的检测模型,其中,所述检测模型基于所述增强红外视频对应的时间特征和空间特征实现对VOCs气体的检测;
检测模块,用于基于所述训练好的增强模型和所述训练好的检测模型,对含VOCs气体泄漏的待检测视频进行检测,以得到检测结果。
9.一种VOCs气体检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述VOCs气体检测程序配置为实现如权利要求1至7中任一项所述的VOCs气体检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的VOCs气体检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344437.6A CN116091491B (zh) | 2023-04-03 | 2023-04-03 | VOCs气体检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344437.6A CN116091491B (zh) | 2023-04-03 | 2023-04-03 | VOCs气体检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091491A true CN116091491A (zh) | 2023-05-09 |
CN116091491B CN116091491B (zh) | 2023-07-04 |
Family
ID=86210439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310344437.6A Active CN116091491B (zh) | 2023-04-03 | 2023-04-03 | VOCs气体检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091491B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090290025A1 (en) * | 2008-04-03 | 2009-11-26 | Ahmet Enis Cetin | Method, device and system for determining the presence of volatile organic compounds (voc) in video |
US20130050466A1 (en) * | 2010-02-26 | 2013-02-28 | Ahmet Enis Cetin | Method, device and system for determining the presence of volatile organic and hazardous vapors using an infrared light source and infrared video imaging |
US20130286213A1 (en) * | 2010-01-19 | 2013-10-31 | Delacom Detection Systems, Llc | Method, device and system for determining the presence of volatile organic compounds (voc) in video |
CN105701578A (zh) * | 2016-03-03 | 2016-06-22 | 重庆大学 | 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法 |
US20160238451A1 (en) * | 2015-02-18 | 2016-08-18 | Providence Photonics, Llc | Apparatus and method for validating leak survey results |
CN108921878A (zh) * | 2018-04-30 | 2018-11-30 | 武汉工程大学 | 动目标低对比度下的危险气体泄漏红外视频检测方法 |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
US20190154536A1 (en) * | 2016-08-30 | 2019-05-23 | Konica Minolta Laboratory U.S.A., Inc. | Quantifying gas leak rates using frame images acquired by a camera |
US20190178743A1 (en) * | 2016-05-18 | 2019-06-13 | Lineriders Inc. | Apparatus and methodologies for leak detection using gas and infrared thermography |
CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
US20200320659A1 (en) * | 2019-04-05 | 2020-10-08 | Baker Hughes Oilfield Operations Llc | Segmentation and prediction of low-level temporal plume patterns |
CN112345201A (zh) * | 2020-11-10 | 2021-02-09 | 中国石油大学(北京) | 一种气体泄漏的检测方法和系统 |
CN112781791A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种基于光学气体成像的VOCs气体泄漏检测方法及系统 |
CN112906463A (zh) * | 2021-01-15 | 2021-06-04 | 上海东普信息科技有限公司 | 基于图像的火情检测方法、装置、设备及存储介质 |
CN113390569A (zh) * | 2021-04-30 | 2021-09-14 | 西安交通大学 | 基于光热激励的宽波长红外成像气体泄漏检测系统及方法 |
CN113780135A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 跨场景的VOCs气体泄漏检测方法、系统及存储介质 |
CN113780136A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 |
CN113963154A (zh) * | 2021-10-21 | 2022-01-21 | 中国科学技术大学先进技术研究院 | 基于Faster R-CNN的VOCs气体泄漏检测方法、系统、存储介质及设备 |
CN114022804A (zh) * | 2021-10-14 | 2022-02-08 | 江苏眸视机器人科技有限公司 | 一种泄漏的检测方法、装置、系统及存储介质 |
CN114782902A (zh) * | 2022-06-22 | 2022-07-22 | 中国科学技术大学先进技术研究院 | 石化气体泄露检测方法、系统、设备及存储介质 |
CN115294420A (zh) * | 2022-07-08 | 2022-11-04 | 泰康保险集团股份有限公司 | 一种特征提取模型的训练方法、重识别方法及装置 |
CN115719460A (zh) * | 2022-07-20 | 2023-02-28 | 贵州大学 | 一种基于深度学习的气体泄露检测方法、系统及终端设备 |
-
2023
- 2023-04-03 CN CN202310344437.6A patent/CN116091491B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090290025A1 (en) * | 2008-04-03 | 2009-11-26 | Ahmet Enis Cetin | Method, device and system for determining the presence of volatile organic compounds (voc) in video |
US20130286213A1 (en) * | 2010-01-19 | 2013-10-31 | Delacom Detection Systems, Llc | Method, device and system for determining the presence of volatile organic compounds (voc) in video |
US20130050466A1 (en) * | 2010-02-26 | 2013-02-28 | Ahmet Enis Cetin | Method, device and system for determining the presence of volatile organic and hazardous vapors using an infrared light source and infrared video imaging |
US20160238451A1 (en) * | 2015-02-18 | 2016-08-18 | Providence Photonics, Llc | Apparatus and method for validating leak survey results |
CN105701578A (zh) * | 2016-03-03 | 2016-06-22 | 重庆大学 | 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法 |
US20190178743A1 (en) * | 2016-05-18 | 2019-06-13 | Lineriders Inc. | Apparatus and methodologies for leak detection using gas and infrared thermography |
US20190154536A1 (en) * | 2016-08-30 | 2019-05-23 | Konica Minolta Laboratory U.S.A., Inc. | Quantifying gas leak rates using frame images acquired by a camera |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
CN108921878A (zh) * | 2018-04-30 | 2018-11-30 | 武汉工程大学 | 动目标低对比度下的危险气体泄漏红外视频检测方法 |
US20200320659A1 (en) * | 2019-04-05 | 2020-10-08 | Baker Hughes Oilfield Operations Llc | Segmentation and prediction of low-level temporal plume patterns |
CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
CN112345201A (zh) * | 2020-11-10 | 2021-02-09 | 中国石油大学(北京) | 一种气体泄漏的检测方法和系统 |
CN112781791A (zh) * | 2020-12-30 | 2021-05-11 | 大连海事大学 | 一种基于光学气体成像的VOCs气体泄漏检测方法及系统 |
CN112906463A (zh) * | 2021-01-15 | 2021-06-04 | 上海东普信息科技有限公司 | 基于图像的火情检测方法、装置、设备及存储介质 |
CN113390569A (zh) * | 2021-04-30 | 2021-09-14 | 西安交通大学 | 基于光热激励的宽波长红外成像气体泄漏检测系统及方法 |
CN113780135A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 跨场景的VOCs气体泄漏检测方法、系统及存储介质 |
CN113780136A (zh) * | 2021-08-31 | 2021-12-10 | 中国科学技术大学先进技术研究院 | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 |
CN114022804A (zh) * | 2021-10-14 | 2022-02-08 | 江苏眸视机器人科技有限公司 | 一种泄漏的检测方法、装置、系统及存储介质 |
CN113963154A (zh) * | 2021-10-21 | 2022-01-21 | 中国科学技术大学先进技术研究院 | 基于Faster R-CNN的VOCs气体泄漏检测方法、系统、存储介质及设备 |
CN114782902A (zh) * | 2022-06-22 | 2022-07-22 | 中国科学技术大学先进技术研究院 | 石化气体泄露检测方法、系统、设备及存储介质 |
CN115294420A (zh) * | 2022-07-08 | 2022-11-04 | 泰康保险集团股份有限公司 | 一种特征提取模型的训练方法、重识别方法及装置 |
CN115719460A (zh) * | 2022-07-20 | 2023-02-28 | 贵州大学 | 一种基于深度学习的气体泄露检测方法、系统及终端设备 |
Non-Patent Citations (3)
Title |
---|
LIMING ZHOU ET AL: "Automatic alignment of infrared video frames for equipment leak detection", 《ANALYTICA CHIMICA ACTA》, pages 223 - 227 * |
洪少壮等: "基于多特征的红外成像VOCs气体检测", 《计算机仿真》, pages 374 - 379 * |
王建平;李俊山;杨亚威;胡双演;孙胜永;: "基于红外成像多特征联合的乙烯气体泄漏检测", 传感器与微系统, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116091491B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Hyperspectral image classification in the presence of noisy labels | |
CN107204956B (zh) | 网站识别方法及装置 | |
CN111353531B (zh) | 基于奇异值分解和空谱域注意力机制高光谱图像分类方法 | |
CN114782902A (zh) | 石化气体泄露检测方法、系统、设备及存储介质 | |
CN111949702B (zh) | 异常交易数据的识别方法、装置及设备 | |
CN116504330B (zh) | 污染物浓度反演方法、装置、电子设备及可读存储介质 | |
CN111598084B (zh) | 缺陷分割网络训练方法、装置、设备及可读存储介质 | |
CN115393698A (zh) | 一种基于改进dpn网络的数字图像篡改检测方法 | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
CN117333776A (zh) | VOCs气体泄漏检测方法、装置及存储介质 | |
CN116091491B (zh) | VOCs气体检测方法、装置、设备及计算机可读存储介质 | |
US8988219B2 (en) | Alert system based on camera identification | |
CN113642447B (zh) | 卷积神经网络级联的监控图像车辆检测方法及其系统 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
CN114422271A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
KR102055417B1 (ko) | Ft-ir 기반 적외선 분광 스펙트럼에서의 일반 우도비 검정 장치, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 | |
Sun et al. | A photo‐based quality assessment model for the estimation of PM2. 5 concentrations | |
Chen et al. | Multimodal learning for classification of solar radio spectrum | |
Yu et al. | Image desaturation for sdo/aia using deep learning | |
Sigurdsson et al. | Blind Sparse Nonlinear Hyperspectral Unmixing Using an $\ell_ {q} $ Penalty | |
CN112163493A (zh) | 一种视频虚假人脸检测方法及电子装置 | |
CN116977336A (zh) | 摄像头缺陷检测方法、装置、计算机设备及存储介质 | |
Agirman et al. | BLSTM based night-time wildfire detection from video | |
CN113378818B (zh) | 电气设备缺陷确定方法、装置、电子设备及存储介质 | |
Ebert-Uphoff et al. | Evaluation, tuning and interpretation of neural networks for meteorological applications |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |