[发明专利]一种基于深度学习的红外图像漏气漏液检测方法及系统

权利要求书

1.一种基于深度学习的红外图像漏气漏液检测方法，其特征在于，包括以下步骤：

采集漏气漏液场景下的红外热图像数据；

对漏气漏液场景下的红外热图像数据进行预处理，在红外热图像数上标注漏气漏液信息，得到训练数据集，并使用该训练数据集训练目标检测网络，获得训练完成的目标检测网络权重；

获取并预处理待检测场景下的红外热成像数据，加载训练完成的目标检测网络权重，对目标检测网络输入待检测场景下的红外热成像数据进行实时检测，获取检测结果；

将检测结果可视化输出。

2.根据权利要求1所述的红外图像漏气漏液检测方法，其特征在于，红外热图像数据的获取方法包括：对红外热成像仪进行标定以获取红外热成像仪的参数信息，并使用红外热像仪采集待检测场景下的视频数据并解析所述视频数据得到待检测场景下的红外热图像数据；

其中红外热像仪为IR-HiNet-640设备，获取得到的单张热成像图像分辨率大小为640*512，可测温度范围为-22℃至+550℃；

对红外热图像数据进行预处理的方法包括以下步骤：

对所述红外热图像数据进行增强，以降低红外热成像中的噪声干扰；

对红外图像数据进行图像增强的方法包括形态学滤波操作；

所述形态学滤波操作包括图像膨胀腐蚀和图像锐化。

3.根据权利要求1所述的红外图像漏气漏液检测方法，其特征在于，使用训练数据集训练目标检测网络的方法包括以下步骤：

使用Kmeans算法对训练数据集进行聚类分析得到锚候选框大小，并分配到目标检测网络的大、中、小三个特征尺度上；

使用经过MS COCO数据集进行训练后的网络权重作为目标检测网络的初始权重，使用所述训练数据集对目标检测网络进行训练，得到最终训练的网络参数权重信息。

4.根据权利要求3所述的红外图像漏气漏液检测方法，其特征在于，使用Kmeans算法对样本进行聚类分析得到锚候选框并分配到三个特征尺度上，具体方法步骤为：

步骤A:初始化k个anchor box，通过在所有的标注得到的bounding box中随机选取k个值作为k个anchor box的初始值，其中k为设定值，anchor box是锚候选框，bounding box为数据集中标注得到的检测框；

步骤B:分别计算各bounding box与个anchor box的交并比IOU；

交并比计算方式为anchor box和bounding box的交集和并集的比值:

式中，∩为取交集，∪为取并集,IOU为交并比；

计算距离参数d，表示其误差：

d＝1-IOU

步骤C:经过前一步的计算可以的到各bounding box对于各anchor box的误差d(n,k)，d(n,k)表示第n个bounding box和第k个anchor box的误差距离；

通过比较第i个bounding box其对于各anchor box的误差距离集{d(i,1)，d(i,2)，…,d(i,k)},选取最小误差的anchor box，将该bounding box分类入该最小误差的anchor box的分类集；

对于每个bounding box均进行分类，获得各anchor box的分类集；

步骤D:对于各anchor box的分类集中的bounding box，求分类集中的bounding box的宽高中值大小，将其作为该anchor box新的尺寸；

重复步骤B-D，比较新计算得到的bouding box所属的anchor box和原先该boudingbox所属的anchor box，如果一致则停止，若不一致则跳转重复步骤B-D，继续计算。