CN117741070A - 基于深度学习的气体安全智能检测方法 - Google Patents

Abstract

本发明属于气体检测应用技术领域，尤其涉及一种基于深度学习的气体安全智能检测方法。本发明通过搭建的数据增强网络通过极大似然估计、Box‑Muller和MCMC采样算法生成符合本发明中红外图像的数据分布的随机噪声，通过内容损失、特征匹配损失以及Wasserstein距离对抗损失构建生成器损失和鉴别器损失函数，组合生成与原始数据相似的图像，生成中红外图像能够为气体安全智能检测提供更多样化的训练样本。为了实现环境中有害气体类别及浓度的定位和分割预测有害气体的范围，搭建两阶段气体安全智能检测模型，其一阶段为结合迁移学习的Faster R‑CNN模型为环境中有害气体类别及浓度的定位，其第二阶段为改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围。

Description

基于深度学习的气体安全智能检测方法

技术领域

本发明属于气体检测应用技术领域，尤其涉及一种基于深度学习的气体安全智能检测方法。

背景技术

随着现代工业的快速发展，在生产过程中会产生大量有毒有害气体。工业气体在现代经济生活中扮演着至关重要的角色,在能源、化工、钢铁、电力等诸多行业中创造出难以估量的价值，成为推动人类社会发展的重要资源之一。但是在气体运输、存储和使用的过程中，时常伴随有泄漏情况的发生,处理不及时不仅会带来经济损失、安全隐患,还会威胁生态环境安全一旦有毒有害气体发生泄漏，极易引起爆炸等事故，带来严重后果。如何快速并准确发现气体泄漏事故，确定泄漏源的位置和泄漏区域气体浓度，使泄漏事故能够得到有效控制是目前研究的当务之急。对作业环境中的有害气体浓度进行监测，是预防火灾、爆炸、中毒事故的重要措施。在生产装置的检修、维护过程中，有时需要动火或进行产生火花的作业，在诸如此类情况下，进行有害气体的监测以及进行氧含量的监测更为重要。

传统的气体检测技术使用的是接触型气体传感器，存在响应时间过长、可操作性和安全性较低和无法快速定位泄漏源等诸多缺点。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平，这使对气体泄漏实现大范围和高效率监测成为了可能。

发明内容

本发明针对主轴装配所存在的技术问题，提出一种设计合理、方法简单、理论性强且能够实现对气体泄漏实现大范围和高效率监测的基于深度学习的气体安全智能检测方法。

为了达到上述目的，本发明采用的技术方案为：一种基于深度学习的气体安全智能检测方法，包括如下步骤：

S1、采集环境中的有害气体类别及浓度、中红外图像数据；

S2、将中红外图像数据划分为训练集和测试集，利用搭建的数据增强网络对训练集中红外图像数据进行数据增强，所述数据增强网络通过极大似然估计、Box-Muller和MCMC采样算法生成随机噪声，所述数据增强网络通过内容损失、特征匹配损失以及Wasserstein 距离对抗损失构建生成器损失和鉴别器损失函数，鉴别器损失函数为：

，其中，为Wasserstein 距离对抗损失，为内容损 失，其公式为：

，其中，和表示 中红外图像的宽和高，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，表示梯度 算子，生成器损失函数为：

，其中，为Wasserstein 距离对抗损失，为特征匹配损 失，其公式为：

，其中，D表示鉴别器，S表示生成中红外图像，X表示中红 外图像，表示L₂距离，数据增强生成中红外图像与中红外图像对应的有害气体类别和 浓度以及和环境信息相同；

S3、搭建两阶段气体安全智能检测模型，其一阶段为目标检测模型为环境中有害气体类别及浓度的定位，其第二阶段为分割预测有害气体的范围，所述目标检测模型为Faster R-CNN模型，先采用COCO数据集对模型进行预训练，再将模型迁移到环境中有害气体类别及浓度的检测，利用改进Unet模型分割预测有害气体的范围，所述改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围；

S4、训练和测试两阶段气体安全智能检测模型，实现有害气体类别及浓度的检测、分割预测有害气体的范围。

作为优选，所述S2步骤生成随机噪声的具体操作为：

S21、利用最大似然估计法对训练集中红外图像进行分布拟合，获得概率密度函数；

S22、判断概率密度函数是否可积，若否，利用MCMC采样算法直接输出随机噪声，若是，求概率分布函数；

S23、判断概率分布函数的反函数是否可求，若否，利用MCMC采样算法输出随机噪声，若是，利用Box-Muller输出随机噪声。

与现有技术相比，本发明的优点和积极效果在于：

本发明提供的一种基于深度学习的气体安全智能检测方法，搭建的数据增强网络通过极大似然估计、Box-Muller和MCMC采样算法生成符合本发明中红外图像的数据分布的随机噪声，通过内容损失、特征匹配损失以及Wasserstein 距离对抗损失构建生成器损失和鉴别器损失函数，打破受人工设定局限，难以从根本上解决数据多样性不足的问题的困境，利用已有数据的高维特征，组合生成与原始数据相似的图像，生成中红外图像能够为气体安全智能检测提供更多样化的训练样本。为了实现环境中有害气体类别及浓度的定位和分割预测有害气体的范围，搭建两阶段气体安全智能检测模型，其一阶段为结合迁移学习的Faster R-CNN模型为环境中有害气体类别及浓度的定位，其第二阶段为改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于深度学习的气体安全智能检测方法的示意图；

图2为本发明实施例提供的数据增强网络的结构示意图；

图3为本发明实施例提供的改进Unet模型的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。

实施例，考虑到传统的气体检测技术使用的是接触型气体传感器，存在响应时间过长、可操作性和安全性较低和无法快速定位泄漏源等诸多缺点。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平，这使对气体泄漏实现大范围和高效率监测成为了可能。为此，如图1所示，本发明提出一种基于深度学习的气体安全智能检测方法。考虑到中红外2.5～7.52 µm(4000～1330 cm^-1)、7.41～16.67 µm(1350～600 cm^-1) 两个波段不仅聚集了众多气体的吸收峰，还可在最大程度上避免大气衰减的影响，因此对于气体检测而言是较为理想的波段，所以首先采集环境中的有害气体类别及浓度、中红外图像数据。

接着将中红外图像数据划分为训练集和测试集。考虑到深度学习网络模型需要的数据量大，为保证模型效果，所以对训练集数据进行数据增强，考虑到随机旋转、拼接等传统数据增广方法可以实现少样本数据集的扩充，但这些方法受人工设定局限，难以从根本上解决数据多样性不足的问题。生成对抗网络作为一种隐式生成模型，可以利用已有数据的高维特征，组合生成与原始数据相似的图像。利用GAN生成中红外图像能够为气体安全智能检测提供更多样化的训练样本。所以，如图2所示，使用卷积、层标准化、LeakyRELU、归一化以及上采样结合GAN网络搭建数据增强网络。

利用搭建的数据增强网络对训练集中红外图像数据进行数据增强，考虑到，极大似然估计也可以叫做最大似然估计，它是一种针对总体分布形式已知情况下的常用方法，作为一种古典的估计方法，直到现在也是被广泛的应用于各种模型的参数估计档中，极大似然估计的基本思想就是利用极大似然的原理，也就是概率大的事件在一次观测中更容易发生。要想得到极大似然的参数估计首先应写出关于待估参数的似然函数。基于变换思想的 Box-Muller算法凭借其高精度、变换简单的优势，在工程上得以广泛应用。考虑到参数的不确定性服从正态分布，根据贝叶斯原理，其最可能的分布是结合先验信息和观测信息得到的最大后验概率，马尔科夫链蒙特卡罗（Markov Chain Monte Carlo，MCMC）抽样适用于此类反问题求解。所以，所述数据增强网络通过极大似然估计、Box-Muller和MCMC采样算法生成符合本发明中红外图像的数据分布的随机噪声。具体的，利用最大似然估计法对训练集中红外图像进行分布拟合，获得概率密度函数；判断概率密度函数是否可积，若否，利用MCMC采样算法直接输出随机噪声，若是，求概率分布函数；判断概率分布函数的反函数是否可求，若否，利用MCMC采样算法输出随机噪声，若是，利用Box-Muller输出随机噪声。

考虑到为了保留中红外图像的热辐射信息和梯度信息，内容损失函数由中红外图像的内容损失和梯度损失加权相加获得，对抗损失通过鼓励生成器欺骗鉴别器来生成逼真的图像，但它只关注整体图像的相似度，忽略其细粒度特征。容易导致生成样本数据分布只集中于某些模式，缺乏多样性。为此，对生成器额外附加特征匹配损失，通过比较真实样本与生成样本在中间层特征表示之间的距离，作为新的信息来指导训练，旨在减少生成工件图像模糊的同时提高生成图像与真实图像一致性，促进生成样本的多样性。所以，所述数据增强网络通过内容损失、特征匹配损失以及Wasserstein 距离对抗损失构建生成器损失和鉴别器损失函数，鉴别器损失函数为：

，其中，为Wasserstein 距离对抗损失，为内容损 失，其公式为：

，其中，和表示 中红外图像的宽和高，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，表示梯度 算子，生成器损失函数为：

，其中，为Wasserstein 距离对抗损失，为特征匹配损 失，其公式为：

，其中，D表示鉴别器，S表示生成中红外图像，X表示中红 外图像，表示L₂距离，数据增强生成中红外图像与中红外图像对应的有害气体类别和 浓度以及和环境信息相同。

为了实现环境中有害气体类别及浓度的定位和分割预测有害气体的范围，搭建两阶段气体安全智能检测模型，其一阶段为目标检测模型为环境中有害气体类别及浓度的定位，其第二阶段为分割预测有害气体的范围。考虑到，Faster R-CNN 引入了区域建议网络（region proposal network，RPN）用于提取候选区域，并将其有机地融入整体网络，提高了模型的检测精度和速度。深度学习的预测精度是建立在其庞大的数据集训练上的，这一条件经常限制了神经网络的使用，尤其是数据样本较少的时候，神经网络的效果较差甚至产生过拟合现象。迁移学习通过将源领域中的知识和经验应用到目标领域中来解决数据稀缺、标注成本高和模型泛化能力差等问题，从而加速学习过程和提高学习性能。首先用一个在大型公开数据集上训练过的网络，转移网络内部层的预训练参数到小数据集，对没有转移参数的层训练时进行参数微调。所以，所述目标检测模型为Faster R-CNN模型，先采用COCO数据集对模型进行预训练，再将模型迁移到环境中有害气体类别及浓度的检测，利用改进Unet模型分割预测有害气体的范围，为了增加网络有害气体外观和其运动的表示能力。Unet模型编码器的任务是实现特征提取，解码器将前者识别出的特征语义投影到像素空间，以此来获得像素级的分类，以适应不同浓度有害气体的检测环境，所以如图3所示，所述改进Unet模型将1D、2D和3D卷积结合在一起，使用层归一化、LeakyRELU、最大池化、上采样以及全连接分割预测有害气体的范围。最后训练和测试两阶段气体安全智能检测模型，实现有害气体类别及浓度的检测、分割预测有害气体的范围。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种基于深度学习的气体安全智能检测方法，其特征在于，包括如下步骤：

S1、采集环境中的有害气体类别及浓度、中红外图像数据；

S2、将中红外图像数据划分为训练集和测试集，利用搭建的数据增强网络对训练集中红外图像数据进行数据增强，所述数据增强网络通过极大似然估计、Box-Muller和MCMC采样算法生成随机噪声，所述数据增强网络通过内容损失、特征匹配损失以及Wasserstein距离对抗损失构建生成器损失和鉴别器损失函数，鉴别器损失函数为：

，

其中，为Wasserstein 距离对抗损失，/>为内容损失，其公式为：

，

其中，和/>表示中红外图像的宽和高，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，/>表示梯度算子，生成器损失函数为：

，

其中，为Wasserstein 距离对抗损失，为特征匹配损失，其公式为：

，

其中，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，表示L₂距离，数据增强生成中红外图像与中红外图像对应的有害气体类别和浓度以及和环境信息相同；

S3、搭建两阶段气体安全智能检测模型，其一阶段为目标检测模型为环境中有害气体类别及浓度的定位，其第二阶段为分割预测有害气体的范围，所述目标检测模型为FasterR-CNN模型，先采用COCO数据集对模型进行预训练，再将模型迁移到环境中有害气体类别及浓度的检测，利用改进Unet模型分割预测有害气体的范围，所述改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围；

S4、训练和测试两阶段气体安全智能检测模型，实现有害气体类别及浓度的检测。

2.根据权利要求1所述的一种基于深度学习的气体安全智能检测方法，其特征在于，所述S2步骤生成随机噪声的具体操作为：

S21、利用最大似然估计法对训练集中红外图像进行分布拟合，获得概率密度函数；

S22、判断概率密度函数是否可积，若否，利用MCMC采样算法直接输出随机噪声，若是，求概率分布函数；

S23、判断概率分布函数的反函数是否可求，若否，利用MCMC采样算法输出随机噪声，若是，利用Box-Muller输出随机噪声。