[发明专利]一种早期气体泄漏智能可视化预警系统

说明书

本发明涉及一种早期气体泄漏智能可视化预警系统，包括受检测区、数据收集和处理模块、中控室；数据收集和处理模块负责监测视频实时存储和泄露检测定位，中控室负责有机气体泄漏显示和预警；本发明采用的有机气体泄漏检测定位模块属于深度学习混合模型，经过训练完成的模块嵌入到嵌入式信息处理器来实现监测视频中有机气体泄漏的自动检测。本发明所采用模型包括无监督自编码模型和有监督的目标识别模型，前者避免了有监督模型训练对于数据集难以收集和标注的问题，后者所需训练集仅仅针对泄漏源处的数据集，这类数据集易于收集和标注，保障了有机气体检测定位的高检测率、低误报率，为石油化工领域提供安全保障。

技术领域

本发明涉及一种早期气体泄漏智能可视化预警系统，属于有机气体泄漏监测技术领域。

背景技术

在石化等过程工业中，有机气体泄漏会产生燃爆、中毒和环境污染等安全事故。因此，应当对现场有机气体泄漏进行早期监测。在有机气体泄漏监测方面，传统的传感器检测气体泄漏误报率很高，受现场环境影响大，而且无法准确确定泄漏位置，因此存在较高的风险。相比传感器监测方式，红外摄像监测方式可以实现有机气体泄漏可视化监测，但是需要人工观察实时监测视频，人为判断是否发生有机气体泄漏，这种监测方式受人为主观影响，耗费人力并且容易出现漏报、误报情况。近年来，基于深度学习的有监督异常识别算法实现智能、自动化学习早期泄漏气体特征，训练出的模型可以代替人监控视频。但是，上述深度学习构建的网络模型需要大量异常标注数据进行训练，有机气体泄漏属于稀少事件，现实中很难收集获取大量表征有机气体泄漏异常特征的标注数据，导致基于深度监督学习的模型较易将类似泄漏气体异常的数据检测为泄漏气体异常，导致系统发生异常误报。基于无监督深度学习理论的网络模型可在无需大量异常标注数据下，表征非泄漏气体异常时空特征，以克服深度监督学习检测模型的缺陷，然而模型却无法直观给定泄漏气体异常位置。鉴于有机气体泄漏的危害与智能监测技术的缺陷，亟需发明一种早期气体泄漏智能可视化预警系统，在保障高检测率、低误报率的同时，实时、智能在线确定早期泄漏气体异常位置，为石油化工领域提供安全保障。

发明内容

本发明提供一种早期气体泄漏智能可视化预警系统，用以解决现有技术中的缺陷。

本发明通过以下技术方案予以实现：

一种早期气体泄漏智能可视化预警系统，包括受监测区，数据收集和处理模块、检测定位模块、中控室；所述受监测区布有存储物料的储罐，由于人为因素，老化腐蚀等会发生有机气体泄漏；所述数据采集和处理系统包括红外摄像端、数据线、嵌入式信息处理器、显示控制终端，红外摄像端布置有多个红外摄像头，且红外摄像头可进行SDK二次开发；所述检测定位模块包括有机气体泄漏检测模型和有机气体泄漏定位模型，两种模型嵌入到嵌入式信息处理器中，SDK二次开发程序可实时调取红外监测视频传至检测定位模块；所述中控室采用防爆设计，配有嵌入式信息处理器、显示控制终端；有机气体泄漏检测定位工作步骤为：红外摄像端监测储罐区，监测视频实时传输到嵌入式信息处理器，嵌入式信息处理器存储和调用监测视频，检测定位模块处理调用的监测视频并实时输出生成场景正常曲线，当场景正常曲线值低于设定阈值时，系统会确定监测区发生有机气体泄漏，而后启动机气体泄漏定位模型，有机气体泄漏定位模型检测有机气体泄漏源并标注泄漏源，显示控制终端显示有有机气体泄漏标注和定位标注的监测视频。

如上所述的一种早期气体泄漏智能可视化预警系统，所述嵌入式信息处理器嵌入SDK二次开发程序和检测定位模块，SDK二次开发程序负责监测视频存储和实时调取。

如上所述的一种早期气体泄漏智能可视化预警系统，所述检测定位模块包括有机气体泄漏监测模型和有机气体泄漏定位模型，属于混合深度学习算法模型，有机气体泄漏检测模型首先确定受监测区是否发生有机气体泄漏，如果发生有机气体泄漏，系统会启动有机气体泄漏定位装置进行泄漏源定位标注。

如上所述的一种早期气体泄漏智能可视化预警系统，所述有机气体泄漏检测模型采用Conv-LSTM层来实现对时间和空间信息编码，经过训练的Conv-LSTMConv2D自编码模型可以重建原始输入监测视频帧，有机气体泄漏检测步骤为：