(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026969.7 (22)申请日 2022.08.25 (71)申请人 江苏大学 地址 212013 江苏省镇江市学府路3 01号 申请人 江苏创普信息科技有限公司 　 江苏索普 （集团） 有限公司 (72)发明人 宋雪桦　马一鸣　邵守言　孙成伟　 吴杰　段红宇　蔡可庆　龚海霞　 朱桂生　谭永明　 (74)专利代理 机构 镇江京科专利商标代理有限 公司 32107 专利代理师 夏哲华 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于红外图像的危险气体泄 露检测方法 (57)摘要 本发明涉及一种基于红外图像的危险气体 泄露检测方法。 该方法包括如下步骤： 1)使用红 外热成像仪对生产环境进行拍摄； 2)用拍摄获得 的图片构建真实数据集Dreal与合成数据集 Dsynthesis， 从中划分训练集Dsynthesis ‑train、 验证集 Dsynthesis ‑validation和测试集Dsynthesis ‑test； 3)构建 泄漏气体语义 分割网络L GSNet； 4)在主干网络 添 加包含SE模块的跳层连接； 5)在编码器和解码器 之间添加PPM模块； 6)在PPM模块后添加两个 Dropout层， 并在两个Dropout层之间添加一个 卷 积核； 7)对训练集Dsynthesis‑train进行训练， 得到训 练权重w； 8)输入图像， 进行泄露气体检测。 本发 明能够有效提高在气体泄露检测任务中的综合 性能， 可以准确地标记出泄露气体的轮廓， 同时 具有更高的检测准确率。 权利要求书2页 说明书5页 附图2页 CN 115331108 A 2022.11.11 CN 115331108 A 1.一种基于红外图像的危险气体泄 露检测方法， 其特 征是： 包括如下步骤， 1)使用红外热成像仪对生产环境进行拍摄； 2)用拍摄获得的图片构建真实数据集Dreal与合成数据集Dsynthesis， 从合成数据集 Dsynthesis中划分训练集Dsynthesis ‑train、 验证集Dsynthesus ‑validation和测试集Dsynthesus ‑test； 3)构建泄漏气体语义分割网络LGSNet， 所述LGSNet网络模型的主干网络为SegNet， 由 编码器、 解码器和Softmax分类器构成； 编码器包含5个下采样模块， 每个模块由卷积层、 批 量归一化、 ReLU激活函数和池化层组成； 解码 器包含5个上采样模块， 每个模块由卷积层、 批 量归一化、 ReLU激活函数和池化层组成； 4)在主干网络添加包 含SE模块的跳层连接， 将对应的下采样模块与上采样模块相连； 5)在编码器和解码器之间添加P PM模块； 6)在PPM模块后添加两个Dropout层， 并在两个Dropout层之间添加一个卷积核； 7)对训练集Dsynthesis ‑train进行训练， 得到训练权重w； 使用CrossEntropy_Loss作为损失 函数， 当模型损失在验证 集Dsynthesis‑validation上连续20次不下降时， 停止训练， 得到训练权重 w， 否则继续训练； 训练完成后在真实数据集Dreal上验证模型效果； 8)输入图像， 进行泄露气体检测， 将获取到的红外图像输入到训练权重为w的模型中， 模型根据权 重自动分割出图像中的泄 露气体。 2.根据权利要求1所述的基于红外图像的危险气体泄露检测方法， 其特征是： 所述步骤 2)包括如下步骤， 2.1)从红外热成像仪拍摄所得的图像中选择N张包含泄露气体的图像， 构建真实数据 集Dreal； 2.2)使用建模软件Blender生成泄露气体图像及其掩膜， 并将气体图像作为前景叠加 在Places365 ‑Standard数据集图片上， 对图片进行灰度化处理， 生成7064张图片作为合成 数据集Dsynthesis； 2.3)按设定比例将合成数据集Dsynthesis划分为训练集Dsynthesis ‑train、 验证集 Dsynthesis ‑validation和测试集Dsynthesis ‑tes。 3.根据权利要求1所述的基于红外图像的危险气体泄露检测方法， 其特征是： 所述步骤 4)包括如下步骤， 4.1)计算具有通道级的全局特征， 对于输入特征图x,SE模块首先对x进行全局平均池 化操作， 将全局空间信息压缩得到1 ×1×C大小的特征图， 生成通道级的全局特征z， 其中z 的第c个元 素计算公式如下： 式中： 4.2)计算各通道的权重， 通过一个全连接层(FC)， 对全局特征z进行降维， 使用ReLU函 数进行激活， 再通过一个全连接层将维数恢复到原来的大小， 并通过Sigmoid函数激活， 输 出各通道的权 重s， 转换公式如下： s＝σ(W2δ(W1z))权　利　要　求　书 1/2 页 2 CN 115331108 A 2式中： δ 是ReLU函数， σ 是Sigmo id函数， 4.3)计算带有通道注意力的特征图， 各通道权重s与特征图x经过逐通道重新加权生成 最终输出 X， 完成对特 征图x在通道维度上 特征的重标定， 转换公式如下： X＝s·x。 4.根据权利要求1所述的基于红外图像的危险气体泄露检测方法， 其特征是： 所述步骤 5)包括如下步骤， 5.1)获得不同尺度的特征 图， 对于输入特征图x， 将特征图x自适应平局池化为1 ×1、 2 ×2、 3×3、 6×6的大小， 得到不同大小的特征图zi， 并通过1 ×1的卷积核将特征图zi的通道 数调整为x的1/4， 得到特 征图z′i， 其中 H、 W、 C分别表示高、 宽、 通道数； 5.2)融合不同尺度的特征图， 通过双线性插值将不同大小的特征图zi′恢复至x的尺寸， 并通过co nnact方法进行融合得到融合了多个感受野的特 征图U， 5.根据权利要求1所述的基于红外图像的危险气体泄露检测方法， 其特征是： 所述步骤 6)包括如下步骤： 6.1)随机抛弃一些输入图x的特征， 以p的概率将特征置0， 增加模型的鲁棒性， 得到特 征图x′， 计算公式如下： ri～Bernoulli(p) x′i＝ri*xi 式中： Bernoull函数作用是以概 率p随机生成一个0、 1的向量； 6.2)对特 征图x′进行卷积， 进一 步提取特征， 得到特 征图x′； 6.3)随机抛弃一些特征图x ′的特征， 以p的概率将特征置0， 增加模型的鲁棒性， 生成最 终输出X， 计算公式如下： ri～Bernoulli(p) Xi＝ri*x'i 式中： Bernoull函数作用是以概 率p随机生成一个0、 1的向量。 6.根据权利要求1所述的基于红外图像的危险气体泄露检测方法， 其特征是： 所述步骤 7)中， 所述Cros sEntropy_Loss损失函数转换公式如下： 式中， y表示像素的真实值， 表示像素的预测值。权　利　要　求　书 2/2 页 3 CN 115331108 A 3