[发明专利]基于深度学习和图像处理的密封容器泄漏量测量方法

权利要求书

1.基于深度学习和图像处理的密封容器泄漏量测量方法，其特征在于，包括以下步骤：

步骤1、获取密封容器泄漏时在液体中产生气泡时的图像；

步骤2、以步骤1采集的图像为输入，采用YOLOv5进行特征提取，并采用目标跟踪算法以图像中的各个气泡为目标进行跟踪，由此得到图像中每个气泡各帧图像的截取框图片；

步骤3、对步骤2得到的每个气泡各帧图像的截取框图片进行图像处理，得到每个气泡的几何数据和坐标数据；

步骤4、基于步骤3得到的每个气泡的几何数据和坐标数据，利用以下公式计算得到每个气泡的体积，公式如下：

，

其中，v_ｇ表示气体的流速，即气泡的运动速度，根据气泡的坐标数据确定；

Ｃ_Ｄ为流体阻力系数，根据密封容器所在液体介质确定；

Ｓ为气泡迎风面的面积，根据步骤3得到的气泡的几何数据确定；

为重力加速度；

为气泡在垂直方向上的加速度；

步骤5、将根据步骤4得到的所有气泡的体积相加，得到密封容器的泄漏量。

2.根据权利要求1所述的基于深度学习和图像处理的密封容器泄漏量测量方法，其特征在于，步骤2采用的YOLOv5中，以不对称卷积块取代YOLOv5中原有的CSP卷积核；

所述不对称卷积块包括三个卷积核，分别为3×3×c卷积核、 3×1×c卷积核、 1×3×c 卷积核，其中：

3×3×c卷积核是一个正则卷积，由3×3×c卷积核提取图像中气泡的基础特征；

3×1×c卷积核和 1×3×c卷积核分别是竖形和横形卷积核，两者分别对应提取图像中气泡的纵向和横向特征，这两种卷积核都可提取目标的位置特征和旋转特征。

3.根据权利要求1所述的基于深度学习和图像处理的密封容器泄漏量测量方法，其特征在于， 步骤2中，采用deepsort算法进行目标跟踪。

4.根据权利要求1所述的基于深度学习和图像处理的密封容器泄漏量测量方法，其特征在于，步骤3中，对步骤2得到的每个气泡各帧图像的截取框图片进行图像处理时，先依次进行高斯模糊处理、sobel算子提取边缘处理、孔洞填充处理后得到二值化图像，二值化图像中气泡部分由白色像素点组成，其余部分由黑色像素点组成，然后再进行开裂填充处理，开裂填充处理过程如下：

Step1、初步填充：

先从上往下对二值化图像中的像素点进行遍历，再依次按照从左往右、从右往左的顺序进行遍历，遍历时判断二值化图像是否存在裂开区域，其中：

在从左往右遍历时，若有裂开区域，根据裂开区域与气泡边缘相隔距离，分为两种情况：

（a1）若出现像素点顺序为白黑黑黑黑时，标记第一个黑色像素点为行起始点，记作S1；

（a2）若出现像素点顺序为白白白白黑时，标记黑色像素点为行起始点，记作S2；

在从左往右遍历时，若没有裂开区域，出现像素点顺序为黑白白白白时，标记最后一个白色像素点为行起始点，记作S3；

在从右往左遍历时，若有裂开区域，根据裂开区域与气泡边缘相隔距离，分为两种情况：

（a3）若出现像素点顺序为白黑黑黑黑时，标记白色像素点为行终止点，记作E1；

（a4）若出现像素点顺序为白白白白黑时,标记最后一个白色像素点为行终止点，记作E2；

在从右往左遍历时，若没有裂开区域，出现像素点顺序为黑白白白白时，标记最后一个白色像素点为行终止点，记作E3；

经过所有遍历和标记后，使行起始点和行终止点与相应的行对应，将每一行的行起始点到行终止点的像素值变成255，完成对孔洞填充后的气泡的初步填充；

Step2、最后填充：

按Step1进行填充后，从左往右对像素点进行遍历，再依次按照从上往下、从下往上的顺序进行遍历，其中：

在从上往下遍历时，若有裂开区域，根据裂开区域与气泡边缘相隔距离，分为两种情况：

（b1）若出现像素点顺序为白黑黑黑黑时，标记第一个黑色像素点为列起始点；

（b2）若出现像素点顺序为白白白白黑时，标记黑色像素点为列起始点；

在从上往下遍历时，若没有裂开区域，出现像素点顺序为黑白白白白时，标记最后一个白色像素点为列起始点；

在从下往上遍历情况时，若有裂开区域，根据裂开区域与气泡边缘相隔距离，分为两种情况：

（b3）若出现像素点顺序为白黑黑黑黑时，标记白色像素点为列终止点；

（b4）若出现像素点顺序为白白白白黑时，标记最后一个白色像素点为列终止点；

在从下往上遍历情况时，若没有裂开区域，出现像素点顺序为黑白白白白时，标记黑色像素点为列终止点；

最后将所有列对应的列起始点和列终止点按照左闭右开的方式像素值全改为1，按照像素值1表示白色，像素值0表示黑色转换成改进填充算法的图片；

完成整个图像处理过程后，基于像素点得到每个气泡的几何数据和坐标数据。