[发明专利]基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备

权利要求书

1.一种基于时空纹理识别的VOCs气体泄漏检测方法，其特征在于：包括以下步骤，

S1：获取存在VOCs泄漏和无泄漏的红外视频数据并对其进行数据预处理；

S2：从红外视频数据中提取一定长度像素点一维时序特征数据，训练一维卷积神经网络分类器；

S3：从红外视频数据中提取多帧存在VOCs泄漏的连续视频帧，使用视频帧训练二维加型时空神经网络分类器；

S4：多次从红外图像采样若干像素点的时空特征，使用一维卷积神经网络分类器，计算出平均泄漏置信度；当置信度超过预设阈值时，将相关视频帧输入二维加型时空神经网络分类器，并输出预测结果；

所述步骤S1：获取存在VOCs泄漏和无泄漏的红外视频数据并对其进行数据预处理，具体包括：

S11：获取存在VOCs泄漏和无泄漏的红外视频数据；

S12：对红外视频数据进行随机旋转、帧尺寸归一化、场景切分这些预处理操作；

所述步骤S2：从红外视频数据中提取一定长度像素点一维时序特征数据，训练一维卷积神经网络分类器，具体包括：

S21：从具有VOCs泄漏的切分场景视频帧的暗部即VOCs气体区域每8*8或16*16的块中提取一个像素，形成若干具有长度的像素点一维时序数据，其中，L为场景帧数量，1代表此数据来自存在VOCs泄漏区域，且；同时也从不具有VOCs泄漏的切分场景中暗部以同样方式提取出若干具有相同长度的像素点一维时序数据，其中0代表此数据来自正常区域；

S22：首先对提取得到的一维时序数据进行数值归一化，使其每项元素满足，随后对每一时序数据进行零均值化；再分别对处理完成后的两类数据进行切分，80%作为训练数据，20%作为验证数据；

S23：使用处理完成的训练数据训练一维卷积神经网络分类器，一阶段分类器的输入为一维时序数据，输出为得到输出，其中，当分类器在验证数据集上分类准确率达到98%以上后停止训练；从而得到一阶段分类模型；

所述步骤S3：从红外视频数据中提取多帧存在VOCs泄漏的连续视频帧，使用视频帧训练二维加型时空神经网络分类器，包括：

S31：抽取从VOCs泄漏场景中具有VOCs泄漏的连续帧作为数据，其中1代表此数据有VOCs泄漏，且；抽取正常场景中的连续帧作为数据，0代表此数据不存在VOCs泄漏；

S32：使用处理完成的训练数据训练加型时空神经网络分类器，二阶段分类器的输入为，输出为，且；当分类器在验证数据集上分类准确率达到95%以上后停止训练，从而得到二阶段分类模型；

所述步骤S4：多次从红外图像采样若干像素点的时空特征，使用一维卷积神经网络分类器，计算出平均泄漏置信度；当置信度超过预设阈值时，将相关视频帧输入二维加型时空神经网络分类器，并输出预测结果，包括：

S41：从待测切分场景视频帧的暗部每8*8或16*16的块中随机提取一个像素，得到个有长度的像素点一维时序数据，且，L为场景帧数量，送入一阶段一维卷积神经网络，得到输出，其中，计算单次置信度：

其中是计数函数，输出内部条件成立次数，重复采样并计算次，计算平均置信度：

S42：当平均置信度超过预设置信度阈值时，认为此场景帧存在VOC泄漏，进入模型二阶段复检流程，从该段长度为的场景视频中按预设单次帧长抽取连续帧视频帧，起始时为场景中第一帧，抽出的时刻场景帧数据送入二阶段分类器中，得到输出预测结果，当大于预设警报阈值时，表示存在VOCs泄漏，本次检测完成，算法结束，并向系统发出警报；当低于警报阈值时，则令读取该场景后个帧，继续进行检测直至该视频场景全部检测完成。