基于多源数据的化工危险气体监测技术研究
这是一篇关于泄漏气体,红外图像,语义分割,集群智能的论文, 主要内容为近年来,我国工业化进程不断加速,化工生产已成为工业不可或缺的重要组成部分,然而化工气体的使用存在潜在风险。危化品一旦发生泄漏,就将对人体健康和环境安全造成严重威胁。论文将深度学习理论与气体红外成像技术结合,提出一种针对化工气体泄漏的智能化监测方法。同时,为了准确地计算出泄漏源位置,论文提出一种基于集群智能的泄漏源定位方法,可以在较短时间内准确定位泄漏源,便于企业及时采取应对措施,以免造成严重后果。最后论文结合气体红外成像仪、固定式气体传感器阵列与气象参数,设计实现化工危险气体监测系统。论文主要工作为:(1)提出基于气体红外成像技术的泄漏气体分割网络LGSNet(Leaking Gas Segmentation Networks)。通过融合注意力机制的跳跃连接加强网络内部的特征融合,通过金字塔池化模块增强网络对不同尺度特征的提取能力。使用合成的红外图像数据集对网络进行训练,在真实的红外图像数据集上对网络的性能进行测试。实验结果显示与SegNet相比,LGSNet的交并比提升6.17%,准确率提升8.1%,处理速度也满足实际工程要求。(2)设计一种泄漏源定位算法LSL(Leakage Source Localization)。针对随机函数产生的初始化种群在解空间内分布不均的问题,使用Tent混沌映射初始化种群,然后结合固定式气体传感器阵列数据与气象参数通过MPA(Marine Predators Algorithm,海洋捕食者算法)对泄漏源信息进行计算,针对MPA搜索精度较低的问题,将获得的结果输入NM(Nelder Mead)算法进行进一步寻优。实验结果显示,LSL算法计算结果的平均位置误差相比MPA降低82.73%,在实际寻源问题中具有可行性。(3)实现化工危险气体监测系统。系统基于B/S架构,后端程序接收传感器采集的数据并存入数据库,然后输入LGSNet与LSL算法进行处理,系统监测到气体泄漏时在前端页面发出警报,同时计算出泄漏源信息、扩散范围并显示。经测试,系统的准确率和响应时间均满足实际工程要求。
基于FPGA的红外数字图像预处理系统研究与实现
这是一篇关于红外图像,预处理,FPGA,灰度均衡,中值滤波,运动补偿的论文, 主要内容为基于近年来红外图像处理技术的不断发展,包括硬件平台的计算性能升级、软件算法的适应性改进,本文充分吸收已有成果,结合算法应用层级的创新,针对高空这一特定背景,适应成像源和目标的相对运动,设计并研制了一种基于FPGA(Field Programmable Gate Array,是一种高集成度的专用集成电路,属于半定制产品,即可编程逻辑门阵列,支持用户重复编程)的红外数字图像预处理系统。针对系统高实时性要求,并考虑后续算法并行优化空间,本文在对比多种硬件平台特性基础上,阐明了硬件实现方案和系统外部与成像器、控制单元、图像处理单元的接口设计,结合系统所需要实现的功能和自身工作原理,设计了从初始化至图像输出的全部软件流程和功能模块划分。系统核心是预处理算法的原理设计,深入研究、分析传统的预处理方法原理,考虑系统对应的高空运动目标红外成像特点,最大限度发挥FPGA平台并行计算优势,在应用层面进行了由单一算法向系统性流水线算法的创新,通过对基础的红外图像增强和去噪方法的适应性改进、适配,设计了包括灰度均衡、中值滤波、运动补偿、图像权重输出在内的整套分步式算法,同时每步算法同级实现中加入了乒乓操作、矩阵排序的并行加速手段,旨在解决对比度不足、边缘干扰、非均匀噪声、目标拖尾和轮廓模糊问题,同时满足高实时性的预处理过程要求。配合红外数字图像预处理系统的实现,本文提供了预处理算法的仿真程序源代码和高空成像试验成果,仿真源代码使用了更贴近于高空背景特点的低对比度图片,通过系统性流水线算法处理后,结合真实成像对预处理性能进行了分步式分析,保证了本文所涉及的预处理系统算法的可行性和有效性。本文结合系统软硬件设计方案的论述,详细阐述了设计原理中的要点,支持了系统方案的可重复实现,同时展望了我国相关领域的未来发展方向,对本课题继续完善、优化和拓展提供了理论基础和技术支撑。
基于无锚框机制的变电站设备红外图像检测模型研究
这是一篇关于电力设备,红外图像,目标检测,边缘检测,去模糊处理的论文, 主要内容为变电站电气设备的故障诊断是维持电力系统正常运行的重要环节。随着红外热成像技术的快速发展,基于红外热像的电力设备智能诊断方法开始应用于变电站的巡检工作中。然而在实际巡检过程中,受自然环境影响,无人机等边缘端设备所拍摄的红外图像容易出现运动模糊,从而加了误检漏检的概率。同时目前用于变电站巡检的目标检测模型普遍基于锚框机制,此类模型需要根据目标特征来手动设计锚框相关的超参数,训练时的自适应性不足。针对上述问题,本文在红外图像去模糊与无锚框检测模型方面深入研究,其具体研究工作如下:1.提出了一种适用于电气设备红外图像的去模糊算法。在模型的头部增加边缘检测模块来对图像进行模糊判别,随后针对模糊图像进行去模糊处理。将FPN金字塔结构与对抗生成网络融合来提高模型的去模糊效果与运行速度。实验结果证明,改进后的模型在大幅提升检测速度的同时,依旧保持了良好的去模糊效果。2.提出了一种基于改进残差网络的Center Net模型。选取残差网络作为Center Net模型的骨干网络,并在残差网络的基础上改进短路映射模块和网络排列结构,以提高骨干网络对电气设备红外图像的特征学习能力。同时将组卷积设计应用于骨干网络中来降低模型的参数量。将改进后的模型与原始模型进行对比。试验结果表明,提出的模型可以进一步提高对电气设备红外目标的检测精度。3.提出了一种基于改进多聚合网络的Center Net模型。该方法加深了多聚合网络的深度,同时将卷积模块进一步细分。改进后的多聚合网络可以获取不同数量和不同感受野的特征组合,从而提升网络在细节和全局特性上的学习能力。实验结果表明,改进的多聚合网络可以在检测速度基本不变的情况下大幅提升对电气设备红外图像的检测精度,更加适合实时检测环境。综上,本文首先针对变电站边缘端所存在的红外图像运动模糊问题提出了一种实时图像去模糊算法,随后针对Center Net模型内置的两种骨干网络分别提出了改进方案。其中,基于改进残差网络的Center Net模型可以显著提升检测精度,适用于电力设备终端检测系统。基于改进多聚合网络的Center Net模型可在检测速度基本不变的情况下进一步优化模型结构和检测精度,更加适用于边缘端计算平台进行变电站实时巡检。
基于无人机载红外热成像的堤坝渗漏智能识别与面积计算方法研究
这是一篇关于无人机巡检,红外图像,渗漏检测,深度学习,图像处理的论文, 主要内容为截至2020年底,我国共建成水库大坝98795座,5级及以上江河堤防31.2万公里。在我国现有运行的大坝、堤防等水利设施中,绝大部分都是建设于二十世纪的五六十年代,这些“高龄”堤坝普遍已处于带“病”运行的状态。渗漏是堤坝最严重的结构病害之一,若不能及时发现并有效处置,将会导致严重的堤坝结构损坏,甚至引发溃坝决堤事故。研究适用于堤坝渗漏的快速巡检方法,对保障堤坝安全服役具有重要的科学意义与工程价值。人工巡查是目前最为普遍的堤坝渗漏巡检方式,但其主要存在费时费力、效率低下的问题。无人机设备与图像处理技术的快速发展,为堤坝渗漏快速智能巡检提供了全新思路,利用渗漏与正常堤坝表面温度不同的特点,通过无人机获取的堤坝表面红外图像可以实现堤坝渗漏的智能识别。但红外图像的成像质量较差,堤坝所处的复杂环境使得堤坝表面的红外图像普遍存在噪声和干扰,严重影响了渗漏识别的准确率,堤坝复杂的几何结构也让渗漏面积计算也面临着诸多挑战。与此同时,堤坝工程线长面广,使得每次巡检的数据量较大,如何提升巡检流程的执行效率也是目前亟待解决的问题。针对上述问题,本文以实现复杂红外背景下的堤坝渗漏自动巡检、智能识别、面积计算为目标,依托无人机的快速数据采集能力以及红外热成像仪的工作特性,通过现场试验与数据分析相结合的方法,研究了基于无人机载红外热成像的堤坝渗漏智能识别与面积计算方法。提出了融合红外图像与关键温度特征的双路径堤坝渗漏准确识别方法与基于三维场景重建的渗漏面积计算方法,并基于上述方法与巡检需求,设计开发了堤坝渗漏智能巡检软件平台。本文的主要研究成果如下:1.在堤坝渗漏智能识别方面,本文提出了融合红外图像与关键温度特征的双路径堤坝渗漏准确识别方法。本方法在U-Net网络架构的收缩路径旁引入了一条辅助输入路径,通过设计的关键温度融合模块,将渗漏温度这一重要的先验信息,以温度特征矩阵的形式融入到红外图像的特征映射中,提升了网络训练的信息维度。同时在U-Net网络的跳转连接部分加入了卷积注意力模块,增强了网络对于通道与空间两个维度的注意力提炼。上述改进共同增强了网络对于渗漏的识别准确度。通过与多种方法进行实验对比,证明了本方法的准确性与优越性。2.在堤坝渗漏面积计算方面,本文提出了基于三维重建的堤坝渗漏面积计算方法。本方法首先实现了堤坝的三维场景重建,通过构建投影模型的方式,将渗漏尺度特征投影到堤坝的三维模型表面,还原了渗漏的真实位置关系,从而准确计算渗漏面积。最终经真实数据进行实验验证,证明了本方法的有效性。3.根据实际的堤坝巡检需求,并结合上述方法的相关研究,本文开发了适用于实际巡检流程的堤坝渗漏无人机智能巡检软件平台,该平台以B/S架构进行搭建,采用前端交互-后端处理的组合方式。巡检人员可在该平台中完成巡检的任务规划与状态监控,数据采集完成后可在该平台进行在线的数据上传。服务器端通过既定的事务逻辑自动执行渗漏数据处理程序并输出结果。相关人员可随时随地的获取巡检数据的处理结果,及时进行堤坝维护。本软件平台高度整合了巡检作业的常用功能,有效提升了堤坝渗漏的巡检效率。
基于红外图像的夜间行人检测算法研究与实现
这是一篇关于夜间行人检测,红外图像,跨模态,特征提取,深度学习的论文, 主要内容为行人检测是模式识别和目标检测的一个具体研究领域,是城市安防和辅助驾驶中重要的研究内容。通常的行人检测任务所面临的场景往往处于良好的可视条件下,而对于可视条件较差(如夜间,沙尘暴天气等)的场景研究较少。因为可视条件较差的场景下,常规相机的成像效果往往也较差。近红外成像的出现在一定程度上提高了成像质量。与可见光成像相比,近红外成像基于物体辐射进行成像,不依赖所处环境的光照条件,在可视条件较差的场景下仍然能够取得良好的成像效果,具有一定的应用前景。本文基于深度学习方法对行人检测技术展开研究,设计红外场景下的行人检测算法并在相关数据集上进验证,取得了良好的效果,主要工作如下:(1)针对夜间场景下的可见光成像较差的场景,使用红外图像进行行人检测。设计了基于YOLOv3的红外行人检测网络IR-YOLO。该网络以YOLOv3为基础网络模型,结合Dense Net网络的密集连接思想,将特征提取网络中不同层的特征图进行拼接,使得每一层特征图含有丰富的低层和高层特征;其次,通过Distance Intersection over Union(DIo U)替换原有损失函数以提高检测时预测框和真实框位置的敏感性。最后,为更好地验证算法的有效性,我们建立了实际场景下的夜间近红外行人检测数据集(NTPD数据集)。实验结果表明,IR-YOLO网络行人检测算法能够有效提高检测精度。(2)针对存在一定可视条件的夜间场景,采用红外-可见光两种模态的数据进行行人检测。设计了基于红外-可见光的跨模态行人检测网络。该网络综合考虑红外图像和可见光图像的图像特征,结合两种图像特征进行行人检测。该网络通过两个不同的卷积神经网络分支分别对红外图像和可见光图像进行特征提取,并在进入全卷积层前,采用中期融合方法对红外图像和可见光图像进行特征融合。而且,考虑到不同模态的特征对最终分类的影响占比不同,引入模态权重子网络对各个分支所占权重进行回归加权。在KAIST跨模态行人数据集的实验证明,该方法在红外图像行人检测中具有良好的检测性能。(3)基于红外图像行人检测和跨模态图像行人检测的算法的研究,设计并实现了红外图像行人检测系统。系统采用B/S架构,利用Django框架和MySQL完成开发。经测试,系统功能完善,运行流畅,交互逻辑易于理解,具有一定的实际应用价值。
基于卷积神经网络的电力设备发热故障红外图像分割与轻量化优化
这是一篇关于卷积神经网络,电力设备监测,红外图像,轻量化,图像分割的论文, 主要内容为变电站是电力系统的关键节点,是能量传输的中转站和分岔口,起着重要的调配作用,因此,变电站中构成各条通路和控制系统的高压电力设备的正常运行至关重要。现用的设备状态检测通常为可见光和红外光联合诊断,两者优势互补,保障电力系统安全。但受到人工能力不足、检测量大等客观因素的限制,这种方式难以做到设备状态实时监测,也十分依靠人工的主观判断,存在不确定性。本文针对该问题,研究了机器学习方法在电力设备发热故障红外图像领域的应用情况,并对机器学习方法进行了一定改进,以满足实时监测对模型复杂度的要求,具体研究内容包括:(1)构建了变电站电气设备热故障红外图像的自有数据集,对过热部分进行了标注,用于网络模型的学习和测试。针对自有数据集数量较少的特点以及电力设备红外图像背景构成相对简单的特点,构建了基于U-Net的卷积神经网络(Convolution Neural Network,CNN)用于红外图像分割来辅助故障诊断,同时加入了图像增强模块,在网络学习前对图片进行随机变换处理以等效地增强数据集的多样性,使网络更加鲁棒。然后本文在分割效果精确度的三项评价指标上将所选网络与其他常用的分割网络进行结果对比,以验证其优越性。(2)在智能化系统部署过程中,大型卷积神经网络在边缘计算和离线诊断方面存在天然的劣势,本文提出了一种基于紧凑网络优化的轻量化神经网络模型(Light-weight Convolution Neural Network,LCNN)用于红外图像分割。首先,将轻量化模块倒残差瓶颈结构替代原U-Net结构收缩路径中的普通卷积层,同时采用Shortcut连接防止梯度消失。然后用步长为2的倒残差瓶颈结构替换收缩路径中的下采样池化层,进一步保留特征信息。此外,本文中还将网络结构进行了一定程度的剪枝调整,以合适的网络深度来处理该实际问题。作为结果,本文记录了相关网络模型在自有数据集上的测试结果,包括了精确度、轻量化程度以及运行速度,验证了所提出的方法在各种评估指标下具有优秀的可靠性和效率。总的来说,本文成功用一个小的数据集训练了一个轻量化的网络模型并保证了不错的精确度,可以对电力设备红外图像中的热故障实现有效分割,可以辅助故障诊断的同时具有进一步在移动设备上部署的潜力。
基于无锚框机制的变电站设备红外图像检测模型研究
这是一篇关于电力设备,红外图像,目标检测,边缘检测,去模糊处理的论文, 主要内容为变电站电气设备的故障诊断是维持电力系统正常运行的重要环节。随着红外热成像技术的快速发展,基于红外热像的电力设备智能诊断方法开始应用于变电站的巡检工作中。然而在实际巡检过程中,受自然环境影响,无人机等边缘端设备所拍摄的红外图像容易出现运动模糊,从而加了误检漏检的概率。同时目前用于变电站巡检的目标检测模型普遍基于锚框机制,此类模型需要根据目标特征来手动设计锚框相关的超参数,训练时的自适应性不足。针对上述问题,本文在红外图像去模糊与无锚框检测模型方面深入研究,其具体研究工作如下:1.提出了一种适用于电气设备红外图像的去模糊算法。在模型的头部增加边缘检测模块来对图像进行模糊判别,随后针对模糊图像进行去模糊处理。将FPN金字塔结构与对抗生成网络融合来提高模型的去模糊效果与运行速度。实验结果证明,改进后的模型在大幅提升检测速度的同时,依旧保持了良好的去模糊效果。2.提出了一种基于改进残差网络的Center Net模型。选取残差网络作为Center Net模型的骨干网络,并在残差网络的基础上改进短路映射模块和网络排列结构,以提高骨干网络对电气设备红外图像的特征学习能力。同时将组卷积设计应用于骨干网络中来降低模型的参数量。将改进后的模型与原始模型进行对比。试验结果表明,提出的模型可以进一步提高对电气设备红外目标的检测精度。3.提出了一种基于改进多聚合网络的Center Net模型。该方法加深了多聚合网络的深度,同时将卷积模块进一步细分。改进后的多聚合网络可以获取不同数量和不同感受野的特征组合,从而提升网络在细节和全局特性上的学习能力。实验结果表明,改进的多聚合网络可以在检测速度基本不变的情况下大幅提升对电气设备红外图像的检测精度,更加适合实时检测环境。综上,本文首先针对变电站边缘端所存在的红外图像运动模糊问题提出了一种实时图像去模糊算法,随后针对Center Net模型内置的两种骨干网络分别提出了改进方案。其中,基于改进残差网络的Center Net模型可以显著提升检测精度,适用于电力设备终端检测系统。基于改进多聚合网络的Center Net模型可在检测速度基本不变的情况下进一步优化模型结构和检测精度,更加适用于边缘端计算平台进行变电站实时巡检。
基于无监督深度学习的红外与可见光图像融合算法研究
这是一篇关于红外图像,可见光图像,图像融合,深度学习,无监督学习的论文, 主要内容为红外与可见光图像融合是一项重要的图像增强技术。红外图像根据热辐射差异来区分目标,但缺乏纹理细节。可见光图像具有较好的背景表征能力,但易受到光照、环境、摄像设备等外部因素的影响。因此,结合红外和可见光图像的优势,可以得到信息更加丰富的融合图像,从而实现军事监视、目标检测和车辆导航等任务。现有的图像融合方法大致可分为两类:一是传统方法,它们主要集中在源图像的特征提取上,其有限的融合规则和人工设计的复杂性限制了融合性能的提高。二是基于深度学习的融合方法,它们有效地解决了传统方法一些固有的问题,多样化的深度学习架构因其强大的处理复杂问题和自动提取特征能力得到广泛应用。然而,由于缺乏真实的融合图像作参考,基于监督学习的方法是直接应用其他融合任务训练好的网络模型进行融合,导致融合性能的次优;现有的基于无监督学习方法无法感知图像中长期依赖关系,导致融合结果欠佳。针对上述问题,以红外与可见光图像为研究对象,本文将进一步探究无监督深度学习融合算法。主要工作如下:(1)现有的图像融合方法忽略了图像之间的长期依赖关系,导致融合图像质量不高。因此,本文将Transformer模块引入到基于Res Net34的融合网络中,提出一种基于注意力机制的融合算法(Residual Multiscale Attention Network,RMSAN)。该算法在融合特征层设计了一个基于轴向注意的Transformer分支,在保留Res Net34浅层特征提取优势的同时改进了图像的全局依赖关系。此外,本文设计了一个可以计算出输入图像和融合图像之间差异值的细节损失函数,用来约束融合网络。经实验验证,RMSAN算法网络能够同时关注全局和局部信息,其融合结果具有良好互补性。(2)针对RMSAN算法只实现域内的信息融合,忽略了不同域之间存在的深层语义关系的问题,本文在其基础上提出一种无监督跨域学习的融合算法(Res Net with Swin Transformer Fusion Network,RST-FN)。该算法网络引入了一个多尺度Swin Transformer注意力机制,在融合层设计了一个基于轴向注意的域内融合分支和一个基于交叉注意的域间融合分支,分别对域内和域间的长期依赖关系进行建模。此外,为了进一步增强提取到的语义特征,采用了全新的梯度保留和对比度增强两阶段训练策略,用来训练引导融合网络。实验结果表明,RST-FN算法有效地增强了融合图像的视觉效果。(3)进一步探究现有的图像融合方法,发现很少方法考虑到红外和可见光图像之间的差异,大多采用全局一致融合策略,弱化了图像的对比度。因此,本文提出了一种基于深度感知增强的图像融合框架(IVIF based on Deep Semantic Enhancement,IVIF-DSE)。首先利用引导滤波器将源图像分解为包含低频信息的基础层和包含高频信息的细节层。对于基础层,构建了基于熵的图像自适应融合模块。对于细节层,设计了一个色彩增强模块,负责对最终结果进行颜色校正。最后,色彩保留损失函数的设计,使IVIF-DSE算法在保留纹理细节和显著信息的同时弥补了颜色失真的缺陷。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/48669.html
