[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

说明书

本发明的一种基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备，包括以下步骤，S1：获取红外视频数据并对进行数据预处理；S2：从红外视频数据中提取一维时序特征数据，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：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。本发明充分利用时空纹理特征使用卷积神经网络对红外视频图像进行预筛查，随后再使用加型时空神经网络模型进行复检，从而在实现VOCs泄漏快速检测的同时显著降低计算性能需求。

技术领域

本发明涉及环境检测技术领域，具体涉及一种基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备。

背景技术

近年来，由于有机溶剂和助剂在石化行业、化工行业、包装印刷、工业涂装中的广泛使用，上述行业在各生产工序中会产生大量且种类繁多的VOCs气体，对空气质量直接造成较大影响。同时VOCs与NOx在太阳光的照射下，通过光化学反应形成了O₃和PM_2.5，间接致使近地面光化学烟雾污染更为严重，因此，对VOCs的检测与治理已成为当前空气处理问题的一个焦点。目前已有方法往往需要精准采集相关泄漏气体后分析测定，无法实时检测寻找VOCs泄漏源头，无法适应VOCs快速检测泄漏任务的要求。

发明内容

本发明提出的一种基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备，可实现在搭载平台计算资源有限的情况下，快速可靠地进行VOCs泄漏检测。

为实现上述目的，本发明采用了以下技术方案：

一种基于时空纹理识别的VOCs气体泄漏检测方法，包括以下步骤：

步骤1：获取存在VOCs泄漏和无泄漏的红外视频数据并对进行数据预处理；

步骤2：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；

步骤3：从红外视频数据中提取多帧存在VOCs泄漏的连续视频帧，使用视频帧训练加型时空神经网络分类器；

步骤4：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。

需要说明的是，本实例为一个二阶段模型，一阶段中基于像素点数据时空分布特征对待检测泄漏数据进行预筛选操作，当置信度达到一定阈值后才进入二阶段使用加型时空神经网络分类器进行复检，从而显著降低了性能需求。

进一步的，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。

进一步的，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L的像素点一维时序数据(X^L,1)，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X^L＝[x₁x₂…x_L]^T；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(X^L,0)，其中0代表此数据来自正常区域；