本技術涉及氣體檢測，特別是涉及基于多數(shù)據(jù)混合的泄露氣體的檢測方法、裝置及電子設備。

背景技術：

1、在工業(yè)生產(chǎn)、運輸中和日常生活中，氣體泄露可能會導致嚴重的安全事故或者環(huán)境污染，對人們的生命安全構成威脅以及造成財產(chǎn)損失。通過進行氣體泄漏檢測，可以及時發(fā)現(xiàn)并處理潛在的氣體泄漏源，從而有效預防這些安全事故的發(fā)生。

2、相關技術中，氣體泄露檢測方法主要包括兩類：第一類氣體泄露檢測方法是基于傳統(tǒng)圖像處理、機器學習實現(xiàn)的，其流程為：首先使用紅外相機拍攝當前場景，得到視頻成像數(shù)據(jù)，然后對視頻圖像進行增強處理，減弱噪聲，增強氣云特征，再基于相鄰視頻幀進行差分計算，獲得運動目標區(qū)域，最后對運動目標區(qū)域進行分類，確定分類結果為氣云并報警，但該類方法在場景復雜、低溫差、環(huán)境光弱等復雜環(huán)境時檢測效果較差，導致檢測準確率較低；第二類氣體泄露檢測方案是通過引入處理能力較強的深度神經(jīng)網(wǎng)絡，同時處理當前場景的紅外圖像和可見光圖像，其流程為：首先將紅外圖像送入泄露氣體目標檢測模型，獲得泄露氣體初步可疑位置，然后將可見光圖像送入場景理解模型中，并根據(jù)輸出的場景區(qū)域分割圖，對上述泄露氣體初步可疑位置進行篩選，去除特定區(qū)域內(nèi)氣體可疑位置，例如去除天空上氣體可疑位置可以減少云彩造成的誤報，以獲得泄露氣體高度可疑位置；再將紅外通道時序多幀圖像送入氣體序列分類模型中，對上述泄露氣體高度可疑位置進一步篩選，獲得最終的泄露氣體報警位置，該類方法是直接使用相機采集的原始數(shù)據(jù)或者是直接處理原始數(shù)據(jù)壓縮后獲得的圖像數(shù)據(jù)，若使用相機采集的原始數(shù)據(jù)，可以實現(xiàn)模型性能的最優(yōu)化，提高對于復雜場景的處理能力，準確獲得場景中存在泄露氣體報警位置，但使用原始數(shù)據(jù)存在儲存量大、傳輸速度慢的問題，會導致在增加產(chǎn)品成本的同時延長模型的迭代周期，進而導致檢測效率降低；若直接處理原始數(shù)據(jù)壓縮后獲得的圖像數(shù)據(jù)，可以降低產(chǎn)品傳輸成本，但會導致檢測精確度較低的問題。

3、可見，相關技術對泄露氣體進行檢測時，存在泄露氣體檢測準確率較低或檢測效率較低的問題，如何對泄露氣體進行快速準確地檢測，成為相關領域亟待解決的技術問題。

技術實現(xiàn)思路

1、本技術實施例的目的在于提供基于多數(shù)據(jù)混合的泄露氣體的檢測方法、裝置及電子設備，以實現(xiàn)對泄露氣體進行快速準確地檢測。具體技術方案如下：

2、第一方面，本技術實施例提供了一種基于多數(shù)據(jù)混合的泄露氣體檢測方法，所述方法包括：

3、獲取對多個第一紅外原始圖像分別進行壓縮得到的多個壓縮圖像，其中，所述第一紅外原始圖像為拍攝目標場景得到的未經(jīng)壓縮的紅外圖像；

4、根據(jù)所述多個壓縮圖像預測得到潛在泄露氣體的位置，作為候選位置；

5、分別從多個第二紅外原始圖像中提取所述候選位置處的子圖像，作為紅外子圖像，其中，所述第二紅外原始圖像為拍攝所述目標場景得到的未經(jīng)壓縮的紅外圖像，并且所述多個第一紅外原始圖像的拍攝時間跨度為所述多個第二紅外原始圖像的拍攝時間跨度的真子集；

6、根據(jù)所有所述紅外子圖像預測得到所述候選位置的第一分類結果，所述第一分類結果用于表示所述候選位置存在泄露氣體，或者，所述候選位置不存在泄露氣體。

7、在一種可能的實施方式中，所述根據(jù)所有所述紅外子圖像預測得到所述候選位置的第一分類結果，包括：

8、提取至少一個所述紅外子圖像的圖像特征，作為紅外空間特征；并提取由所有所述紅外子圖像按照拍攝時間的先后順序排序形成的圖像序列的序列特征，作為紅外序列特征；

9、根據(jù)所述紅外空間特征和所述紅外序列特征，預測得到所述候選位置的第一分類結果。

10、在一種可能的實施方式中，所述提取至少一個所述紅外子圖像的圖像特征，作為紅外空間特征，包括：

11、分別預測得到所有所述紅外子圖像的氣體得分，其中，所述氣體得分與圖像中包含的泄露氣體的特征數(shù)目正相關；

12、從所有所述紅外子圖像中確定所述氣體得分滿足預設篩選條件的圖像，作為目標紅外子圖像；

13、提取所述目標紅外子圖像的圖像特征，作為紅外空間特征。

14、在一種可能的實施方式中，所述方法還包括：

15、分別從多個可見光原始圖像中提取所述候選位置處的子圖像，作為可見光子圖像，其中，所述可見光原始圖像為拍攝所述目標場景得到的未經(jīng)壓縮的可見光圖像，并且所述多個第二紅外原始圖像的拍攝時間跨度與所述多個可見光原始圖像的拍攝時間跨度相同；

16、根據(jù)所有所述可見光子圖像預測得到所述候選位置的第二分類結果，所述第二分類結果用于表示所述候選位置存在運動對象，或者，所述候選位置不存在運動對象；

17、若所述第二分類結果表示不存在運動對象，且所述第一分類結果表示存在泄露氣體，則確定所述候選位置存在泄露氣體。

18、在一種可能的實施方式中，所述根據(jù)所有所述可見光子圖像預測得到所述候選位置的第二分類結果，包括：

19、提取目標可見光子圖像的圖像特征，作為可見光空間特征；并提取由所有所述可見光子圖像按照拍攝時間的先后順序排序形成的圖像序列的序列特征，作為可見光序列特征；

20、根據(jù)所述可見光空間特征和所述可見光序列特征，預測得到所述候選位置的第二分類結果；

21、其中，所述目標可見光子圖像為在所述圖像序列中的順位遠離首尾的可見光子圖像。

22、在一種可能的實施方式中，所述方法還包括：

23、獲取從待檢測時刻起始往前第一時長內(nèi)拍攝目標場景得到的未經(jīng)壓縮的紅外圖像，作為第一紅外原始圖像；

24、獲取從所述待檢測時刻起往前第二時長內(nèi)拍攝目標場景得到的未經(jīng)壓縮的紅外圖像，作為第二紅外原始圖像，其中，所述第二時長大于所述第一時長。

25、第二方面，本技術實施例提供了一種基于多數(shù)據(jù)混合的泄露氣體檢測裝置，所述裝置包括：

26、第一獲取模塊，用于獲取對多個第一紅外原始圖像分別進行壓縮得到的多個壓縮圖像，其中，所述第一紅外原始圖像為拍攝目標場景得到的未經(jīng)壓縮的紅外圖像；

27、位置預測模塊，用于根據(jù)所述多個壓縮圖像預測得到潛在泄露氣體的位置，作為候選位置；

28、第一提取模塊，用于分別從多個第二紅外原始圖像中提取所述候選位置處的子圖像，作為紅外子圖像，其中，所述第二紅外原始圖像為拍攝所述目標場景得到的未經(jīng)壓縮的紅外圖像，并且所述多個第一紅外原始圖像的拍攝時間跨度為所述多個第二紅外原始圖像的拍攝時間跨度的真子集；

29、第一分類模塊，用于根據(jù)所有所述紅外子圖像預測得到所述候選位置的第一分類結果，所述第一分類結果用于表示所述候選位置存在泄露氣體，或者，所述候選位置不存在泄露氣體。

30、在一種可能的實施方式中，所述第一分類模塊，包括：

31、第一分類子模塊，用于提取至少一個所述紅外子圖像的圖像特征，作為紅外空間特征；并提取由所有所述紅外子圖像按照拍攝時間的先后順序排序形成的圖像序列的序列特征，作為紅外序列特征；

32、第二分類子模塊，用于根據(jù)所述紅外空間特征和所述紅外序列特征，預測得到所述候選位置的第一分類結果。

33、在一種可能的實施方式中，所述第一分類子模塊，包括：

34、第一分類單元，用于分別預測得到所有所述紅外子圖像的氣體得分，其中，所述氣體得分與圖像中包含的泄露氣體的特征數(shù)目正相關；

35、第二分類單元，用于從所有所述紅外子圖像中確定所述氣體得分滿足預設篩選條件的圖像，作為目標紅外子圖像；

36、第三分類單元，用于提取所述目標紅外子圖像的圖像特征，作為紅外空間特征。

37、在一種可能的實施方式中，所述裝置還包括：

38、第二提取模塊，用于分別從多個可見光原始圖像中提取所述候選位置處的子圖像，作為可見光子圖像，其中，所述可見光原始圖像為拍攝所述目標場景得到的未經(jīng)壓縮的可見光圖像，并且所述多個第二紅外原始圖像的拍攝時間跨度與所述多個可見光原始圖像的拍攝時間跨度相同；

39、第二分類模塊，用于根據(jù)所有所述可見光子圖像預測得到所述候選位置的第二分類結果，所述第二分類結果用于表示所述候選位置存在運動對象，或者，所述候選位置不存在運動對象；

40、結果確定模塊，用于若所述第二分類結果表示不存在運動對象，且所述第一分類結果表示存在泄露氣體，則確定所述候選位置存在泄露氣體。

41、在一種可能的實施方式中，所述第二分類模塊，包括：

42、第四分類單元，用于提取目標可見光子圖像的圖像特征，作為可見光空間特征；并提取由所有所述可見光子圖像按照拍攝時間的先后順序排序形成的圖像序列的序列特征，作為可見光序列特征；

43、第五分類單元，用于根據(jù)所述可見光空間特征和所述可見光序列特征，預測得到所述候選位置的第二分類結果；

44、其中，所述目標可見光子圖像為在所述圖像序列中的順位遠離首尾的可見光子圖像。

45、在一種可能的實施方式中，所述裝置還包括：

46、第二獲取模塊，用于獲取從待檢測時刻起始往前第一時長內(nèi)拍攝目標場景得到的未經(jīng)壓縮的紅外圖像，作為第一紅外原始圖像；

47、第三獲取模塊，用于獲取從所述待檢測時刻起往前第二時長內(nèi)拍攝目標場景得到的未經(jīng)壓縮的紅外圖像，作為第二紅外原始圖像，其中，所述第二時長大于所述第一時長。

48、第三方面，本技術實施例提供了一種電子設備，包括：

49、存儲器，用于存放計算機程序；

50、處理器，用于執(zhí)行存儲器上所存放的程序時，實現(xiàn)上述任一所述的基于多數(shù)據(jù)混合的泄露氣體檢測方法。

51、第四方面，本技術實施例提供了一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)內(nèi)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一所述的基于多數(shù)據(jù)混合的泄露氣體檢測方法。

52、第五方面，本技術實施例提供了本技術實施例還提供了一種包含指令的計算機程序產(chǎn)品，當其在計算機上運行時，使得計算機執(zhí)行上述任一所述的基于多數(shù)據(jù)混合的泄露氣體檢測方法。

53、本技術實施例有益效果：

54、本技術實施例提供的基于多數(shù)據(jù)混合的泄露氣體檢測方法，先根據(jù)目標場景的壓縮后的紅外原始圖像預測得到潛在泄露氣體的候選位置，然后從各紅外原始圖像中提取各候選位置處的紅外子圖像，最后根據(jù)各紅外子圖像預測候選位置是否存在泄露氣體。通過本技術實施例的方法，由于壓縮后的紅外圖像的數(shù)據(jù)量小，處理速度相對較快，根據(jù)壓縮后的紅外圖像確定候選位置可以快速得到各候選位置；并且，由于紅外原始圖像中包括的信息比壓縮后的紅外原始圖像中包括的信息全面，因此在基于壓縮后的紅外原始圖像得到潛在泄露氣體的候選位置后，通過提取紅外原始圖像中各候選位置出的子圖像，基于各子圖像可以準確確定各候選位置處是否存在氣體泄露，從而實現(xiàn)對泄露氣體進行快速準確地檢測。

55、此外，根據(jù)目標場景的壓縮后的紅外原始圖像預測得到潛在泄露氣體的候選位置可以是基于預先訓練好的模型實現(xiàn)的，在訓練得到該模型的過程中該模型的輸入也為壓縮后的紅外原始圖像，由于壓縮圖像的成本比較低，若當前場景比較復雜，可以在較短時間內(nèi)對模型進行迭代，提升該模型的場景適應能力；并且，根據(jù)所有紅外子圖像預測得到候選位置的第一分類結果也可以是基于預先訓練好的模型實現(xiàn)的，在訓練得到該模型的過程中該模型的輸入也為紅外子圖像，由于各紅外子圖像為紅外原始圖像中候選位置處的子圖像，而候選位置通常較小，使得該模型的處理任務比較單一，從而該模型無需頻繁迭代更新，進而實現(xiàn)在控制成本不增加或增加極小的同時實現(xiàn)快速準確的泄露氣體檢測效果。

56、當然，實施本技術的任一產(chǎn)品或方法并不一定需要同時達到以上所述的所有優(yōu)點。