一种防泄漏船用LNG燃料罐的制作方法

一种防泄漏船用lng燃料罐
技术领域
1.本技术涉及lng燃料罐技术领域，且更为具体地，涉及一种防泄漏船用lng燃料罐。


背景技术：

2.现有的船用lng燃料罐设备为卧式双层壳容器，罐体主要结构由内胆、外壳、管线(夹层管路及罐房内管路控制系统)、支撑、鞍座、罐房等组成。内胆贮存温度大约为-162
°
的lng，内胆与外壳之间(夹层)采用绝热材料进行保温，位于夹层下方设置了两根液相管。
3.由于长期的疲劳等因素，存在着液相管泄漏的概率，一旦泄漏，那么温度约为-162
°
的lng液体将从液相管中泄漏至设备夹层中，使夹层压力急剧升高，从而使真空遭到破坏，lng燃料大量损耗，设备的防爆装置爆破，罐房内压力急剧升高。
4.因此，期待一种优化的防泄漏船用lng燃料罐。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种防泄漏船用lng燃料罐。其首先将检测图像进行局部二值模式处理得到的lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像，然后，所述多通道检测图像通过第一卷积神经网络模型以得到检测特征图，接着，将声发射回波信号进行格拉姆角差场变换得到的声发射格拉姆角差场图像通过第二卷积神经网络模型以得到声发射特征图，然后，融合所述检测特征图和所述声发射特征图并将得到的分类特征图通过分类器以得到用于表示所述液相管的性能是否满足预定要求的分类结果。通过这样的方式，可以提高船用lng燃料罐的防泄漏能力。
6.根据本技术的一个方面，提供了一种防泄漏船用lng燃料罐，其包括：监控单元，用于获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像；纹理特征图提取单元，用于对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图；通道聚合单元，用于将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像；检测图像编码单元，用于将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图；域转化单元，用于对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像；声发射特征提取单元，用于将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图；特征融合单元，用于融合所述检测特征图和所述声发射特征图以得到分类特征图；以及防泄漏检测结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所
述分类结果用于表示所述液相管的性能是否满足预定要求。
7.在上述的防泄漏船用lng燃料罐中，所述检测图像编码单元，包括：浅层特征图提取子单元，用于从所述第一卷积神经网络模型的浅层提取浅层特征图；深层特征图提取子单元，用于从所述第一卷积神经网络模型的深层提取深层特征图；以及深浅融合子单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述检测特征图。
8.在上述的防泄漏船用lng燃料罐中，所述第一卷积神经网络模型的浅层为4-6层，所述第一卷积神经网络模型的深层与所述第一卷积神经网络的浅层之间的比值大于等于10。
9.在上述的防泄漏船用lng燃料罐中，所述深浅融合子单元，进一步用于使用所述第一卷积神经网络模型的深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述检测特征图。
10.在上述的防泄漏船用lng燃料罐中，所述声发射特征提取单元，包括：卷积编码子单元，用于使用所述第二卷积神经网络模型的多层卷积层对所述声发射格拉姆角差场图像进行深度卷积编码以得到声发射初始特征图；全局池化子单元，用于计算所述声发射初始特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；激活单元，用于将所述通道特征向量输入softmax激活函数以得到通道加权特征向量；以及注意力施加子单元，用于以所述通道加权特征向量中各个位置的特征值作为权重分别对所述声发射初始特征图的沿通道维度的各个特征矩阵进行加权以得到所述声发射特征图。
11.在上述的防泄漏船用lng燃料罐中，所述特征融合单元，进一步用于：以如下公式将所述检测特征图和所述声发射特征图进行融合以得到所述分类特征图；其中，所述公式为：其中，表示所述分类特征图，和表示所述检测特征图和所述声发射特征图，
“”
表示所述检测特征图和所述声发射特征图相对应位置处的元素相加，和表示用于控制所述检测特征图和所述声发射特征图之间的平衡的加权参数。
12.在上述的防泄漏船用lng燃料罐中，所述防泄漏检测结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以得到所述分类结果；其中，所述公式为： ，其中，为权重矩阵，为偏置向量，为所述分类特征图投影为向量。
13.在上述的防泄漏船用lng燃料罐中，还包括用于对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练的训练模块。
14.在上述的防泄漏船用lng燃料罐中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括训练声发射回波信号、
训练检测图像和所述液相管的性能是否满足预定要求的真实标签值；训练纹理特征图提取单元，用于对所述训练检测图像进行局部二值模式处理以得到训练lbp局部二值模式图；训练通道聚合单元，用于将所述训练lbp局部二值模式图和所述训练检测图像沿着通道维度进行聚合以得到训练多通道检测图像；训练检测图像编码单元，用于将所述训练多通道检测图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练检测特征图；训练域转化单元，用于对所述训练声发射回波信号进行格拉姆角差场变换以得到训练声发射格拉姆角差场图像；训练声发射特征提取单元，用于将所述训练声发射格拉姆角差场图像所述通过使用通道注意力机制的第二卷积神经网络模型以得到训练声发射特征图；训练特征融合单元，用于融合所述训练检测特征图和所述训练声发射特征图以得到训练分类特征图；分类损失单元，用于将所述分类特征图通过分类器以得到分类损失函数值；特征模式消解抑制损失单元，用于计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值，其中，所述特征提取模式消解的抑制损失函数值与由所述训练检测特征图展开得到的第一特征向量和由所述训练声发射特征图展开得到的第二特征向量之间的差分特征向量的二范数的平方有关；以及训练单元，用于以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练。
15.在上述的防泄漏船用lng燃料罐中，所述特征模式消解抑制损失单元，进一步用于：以如下公式计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值；其中，所述公式为：其中，所述公式为：其中，和分别是由所述训练检测特征图展开得到的第一特征向量和由所述训练声发射特征图展开得到的第二特征向量和分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，表示矩阵的f范数，且表示向量的二范数的平方， 表示以2为底的对数函数值，表示按位置减法。
16.与现有技术相比，本技术提供的一种防泄漏船用lng燃料罐，其首先将检测图像进行局部二值模式处理得到的lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像，然后，所述多通道检测图像通过第一卷积神经网络模型以得到检测特征图，接着，将声发射回波信号进行格拉姆角差场变换得到的声发射格拉姆角差场图像通过第二卷积神经网络模型以得到声发射特征图，然后，融合所述检测特征图和所述声发射特征图并将得到的分类特征图通过分类器以得到用于表示所述液相管的性能是否满足预定要求的分类结果。通过这样的方式，可以提高船用lng燃料罐的防泄漏能力。
附图说明
17.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
18.图1a图示了根据本技术实施例的防泄漏船用lng燃料罐的应用场景图。
19.图1b图示了一种应用场景下由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号的示意图。
20.图2图示了根据本技术实施例的防泄漏船用lng燃料罐的框图示意图。
21.图3图示了根据本技术实施例的防泄漏船用lng燃料罐中所述检测图像编码单元的框图示意图。
22.图4图示了根据本技术实施例的防泄漏船用lng燃料罐中所述声发射特征提取单元的框图示意图。
23.图5图示了根据本技术实施例的防泄漏船用lng燃料罐中所述训练模块的框图示意图。
24.图6图示了根据本技术实施例的船用lng燃料罐防泄漏方法的流程图。
25.图7图示了根据本技术实施例的船用lng燃料罐防泄漏方法的系统架构的示意图。
具体实施方式
26.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
27.场景概述如上所述，由于长期的疲劳等因素，存在着液相管泄漏的概率，一旦泄漏，那么温度约为-162
°
的lng液体将从液相管中泄漏至设备夹层中，使夹层压力急剧升高，从而使真空遭到破坏，lng燃料大量损耗，设备的防爆装置爆破，罐房内压力急剧升高。因此，期待一种优化的防泄漏船用lng燃料罐。
28.本技术的申请人考虑到不管采用何种方式对所述液相管进行加固或者加强，其都会因长期的疲劳而导致泄漏的发生，因此，在本技术的技术方案中，期待对所述液相管的性能进行实时监测，以在检测到所述液相管的性能无法满足应用要求时，进行及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。也就是说，在本技术的技术方案中，采用“软防泄漏”方案来提高所述船用lng燃料罐的防泄漏能力。
29.具体地，在本技术的技术方案中，首先获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像。这里，声发射信号弹性波能反映出材料或零部件的性质，也就是，通过声发射信号的方法，可以检测到所述lng燃料罐的液相管的实质特征，例如，材料性质特征、材料类型特征等。而由所述摄像头所采集的检测图像则能够捕捉所述液相管的表观呈现特征。
30.具体地，在本技术的技术方案中，考虑到在对所述液相关进行监测时，更关注液相管的表面纹理部分，例如，其是否有裂纹、细缝等，因此，首先对所述检测图像进行局部二值
模式处理以得到lbp局部二值模式图。这里，局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征，具有很多优点，比如旋转不变性、平移不变性以及可以消除光照变化的问题等，具体原理是，以3
×
3为窗口单位，若周围像素值大于中心像素值，则该像素点标记为1，否则标记为0，之后对邻域像素进行二进制化，将所得的值与二值序列对应相乘后相加即可得到中心像素的lbp值。
31.接着，将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像。在一个具体的示例中，将所述lbp局部二值模式图和所述检测图像沿着通道维度进行级联以得到所述多通道检测图像，通过这样的方式，可拓宽网络端输入以使得后续作为特征提取器的神经网络模型能够提取到更为丰富的特征表示。
32.具体地，在本技术的技术方案中，使用在图形特征提取领域具有优异性能表现的深度卷积神经网络模型作为特征提取器来对所述多通道检测图像进行图像特征提取以得到检测特征图。值得一提的是，深度卷积神经网络模型包含多个卷积层，其中，随着深度卷积神经网络的编码深度的加强，浅层的形状和纹理特征会变得模糊甚至被淹没，这显然不利于对所述液相管的表观特征进行表示。为此，在本技术的技术方案中，将深浅特征融合机制集成于所述深度卷积神经网络模型，也就是，从所述深度卷积神经网络模型的浅层提取浅层特征图，且从所述深度卷积神经网络模型的深层提取深层特征图，并将融合所述浅层特征图和所述深层特征图以得到所述检测特征图。
33.针对所述声发射回波信号，在本技术的技术方案中，首先对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像。应可以理解，格拉姆角场 ( gramian angular field，gaf) 基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf 可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。gaf 按照编码所用三角函数的不同可以得到格拉姆角和场( gramian angular sum field，gasf ) 和格拉姆角差场 ( gramian angular difference field，gadf)，gadf 转换之后不可逆，因此本技术选择可进行逆转换的 gasf 转换方式来进行声发射信号的编码。
34.在得到所述声发射格拉姆角差场图像，将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图。也就是，在将所述声发射回波信号转化为二维的时频图像后，同样使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器提取所述声发射格拉姆角差场图像的局部时频特征以得到所述声发射特征图。
35.接着，融合所述检测特征图和所述声发射特征图以得到分类特征图，也就是，融合所述液相管的表观呈现特征和所述液相管的实质特征以得到所述分类特征图。进而，以分类器对所述分类特征图进行分类判断以得到用于液相管的性能是否满足预定要求的分类结果。通过这样的方式，对所述液相管的性能进行精准监测，以在检测到所述液相管的性能无法满足应用要求时，进行及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。
36.特别地，在本技术的技术方案中，由于分类特征图是融合所述检测特征图和所述声发射特征图得到的，在训练过程中，分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络模型和所述第二卷积神经网络模型，从而可能由于异常的梯度发
散导致所述第一卷积神经网络模型的深浅图像语义融合特征提取模式和所述第二卷积神经网络模型的图像语义通道关联强化提取模式的消解，从而影响所述分类特征图的分类结果的准确性。
37.因此，优选地，引入针对所述检测特征图和所述声发射特征图的特征提取模式消解的抑制损失函数，表示为：解的抑制损失函数，表示为：这里，和分别是所述检测特征图和所述声发射特征图展开后得到的特征向量，和 分别是所述分类器对于所述特征向量和的权重矩阵，表示矩阵的f范数，且 表示向量的二范数的平方。
38.具体地，所述特征提取模式消解的抑制损失函数通过以交叉熵形式使得分类器相对于不同特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致，来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化，也就是，将梯度针对所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式进行过加权。这样，就对特征提取模式的消解进行了抑制，提升了所述第一卷积神经网络模型的深浅图像语义融合特征提取能力和所述第二卷积神经网络模型的图像语义通道关联强化提取能力，也就相应提升了所述分类特征图的分类结果的准确性。这样，提高对所述液相管的性能进行判断的精准度，以在检测到所述液相管的性能无法满足应用要求时，进行及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。
39.基于此，本技术提供了一种防泄漏船用lng燃料罐，其包括：监控单元，用于获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像；纹理特征图提取单元，用于对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图；通道聚合单元，用于将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像；检测图像编码单元，用于将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图；域转化单元，用于对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像；声发射特征提取单元，用于将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图；特征融合单元，用于融合所述检测特征图和所述声发射特征图以得到分类特征图；以及，防泄漏检测结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述液相管的性能是否满足预定要求。
40.图1a图示了根据本技术实施例的防泄漏船用lng燃料罐的应用场景图。如图1a所示，在该应用场景中，获取由声发射传感器（例如，如图1a中所示意的c1）采集的被检测lng燃料罐的液相管（例如，如图1a中所示意的g）的声发射回波信号（例如，如图1a中所示意的d1）以及由摄像头（例如，如图1a中所示意的c2）采集的所述液相管的检测图像（例如，如图1a中所示意的d2），然后，将获取的所述检测图像和所述声发射回波信号输入至部署有船用lng燃料罐防泄漏算法的服务器中（例如，图1a中所示意的s），其中，所述服务器能够使用所述船用lng燃料罐防泄漏算法对所述检测图像和所述声发射回波信号进行处理以生成用于
表示所述液相管的性能是否满足预定要求的分类结果。如图1b所示为在一种应用场景下由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号的示意图图，该声发射回波信号与由摄像头采集的所述液相管的检测图像输入至部署有船用lng燃料罐防泄漏算法的服务器中，输出结果为该液相管的性能不满足预定要求，即表示该液相管存在裂纹、细缝等，需及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。
41.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
42.示例性设备图2图示了根据本技术实施例的防泄漏船用lng燃料罐的框图示意图。如图2所示，根据本技术实施例的防泄漏船用lng燃料罐100，包括：监控单元110，用于获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像；纹理特征图提取单元120，用于对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图；通道聚合单元130，用于将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像；检测图像编码单元140，用于将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图；域转化单元150，用于对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像；声发射特征提取单元160，用于将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图；特征融合单元170，用于融合所述检测特征图和所述声发射特征图以得到分类特征图；以及，防泄漏检测结果生成单元180，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述液相管的性能是否满足预定要求。
43.更具体地，在本技术实施例中，所述监控单元110，用于获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像。考虑到不管采用何种方式对所述液相管进行加固或者加强，其都会因长期的疲劳而导致泄漏的发生，因此，在本技术的技术方案中，期待对所述液相管的性能进行实时监测，以在检测到所述液相管的性能无法满足应用要求时，进行及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。这里，声发射信号弹性波能反映出材料或零部件的性质，也就是，通过声发射信号的方法，可以检测到所述lng燃料罐的液相管的实质特征，例如，材料性质特征、材料类型特征等。而由所述摄像头所采集的检测图像则能够捕捉所述液相管的表观呈现特征。
44.更具体地，在本技术实施例中，所述纹理特征图提取单元120，用于对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图。考虑到在对所述液相关进行监测时，更关注液相管的表面纹理部分，例如，其是否有裂纹、细缝等，因此，首先对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图。这里，局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征，具有很多优点，比如旋转不变性、平移不变性以及可以消除光照变化的问题等，具体原理是，以3
×
3为窗口单位，若周围像素值大于中心像素值，则该像素点标记为1，否则标记为0，之后对邻域像素进行二进制化，将所得的值与二值序列对应相乘后相加即可得到中心像素的lbp值。
45.更具体地，在本技术实施例中，所述通道聚合单元130，用于将所述lbp局部二值模
式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像。在一个具体的示例中，将所述lbp局部二值模式图和所述检测图像沿着通道维度进行级联以得到所述多通道检测图像，通过这样的方式，可拓宽网络端输入以使得后续作为特征提取器的神经网络模型能够提取到更为丰富的特征表示。
46.更具体地，在本技术实施例中，所述检测图像编码单元140，用于将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图。
47.相应地，在一个具体示例中，如图3所示，所述检测图像编码单元140，包括：浅层特征图提取子单元141，用于从所述第一卷积神经网络模型的浅层提取浅层特征图；深层特征图提取子单元142，用于从所述第一卷积神经网络模型的深层提取深层特征图；以及，深浅融合子单元143，用于使用所述第一卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述检测特征图。具体地，在本技术的技术方案中，使用在图形特征提取领域具有优异性能表现的深度卷积神经网络模型作为特征提取器来对所述多通道检测图像进行图像特征提取以得到检测特征图。值得一提的是，深度卷积神经网络模型包含多个卷积层，其中，随着深度卷积神经网络的编码深度的加强，浅层的形状和纹理特征会变得模糊甚至被淹没，这显然不利于对所述液相管的表观特征进行表示。为此，在本技术的技术方案中，将深浅特征融合机制集成于所述深度卷积神经网络模型，也就是，从所述深度卷积神经网络模型的浅层提取浅层特征图，且从所述深度卷积神经网络模型的深层提取深层特征图，并将融合所述浅层特征图和所述深层特征图以得到所述检测特征图。
48.相应地，在一个具体示例中，所述第一卷积神经网络模型的浅层为4-6层，所述第一卷积神经网络模型的深层与所述第一卷积神经网络的浅层之间的比值大于等于10。
49.相应地，在一个具体示例中，所述深浅融合子单元143，进一步用于使用所述第一卷积神经网络模型的深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述检测特征图。
50.更具体地，在本技术实施例中，所述域转化单元150，用于对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像。
51.更具体地，在本技术实施例中，所述声发射特征提取单元160，用于将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图。应可以理解，格拉姆角场 ( gramian angular field，gaf) 基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf 可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。gaf 按照编码所用三角函数的不同可以得到格拉姆角和场( gramian angular sum field，gasf ) 和格拉姆角差场 ( gramian angular difference field，gadf)，gadf 转换之后不可逆，因此本技术选择可进行逆转换的 gasf 转换方式来进行声发射信号的编码。
52.相应地，在一个具体示例中，如图4所示，所述声发射特征提取单元160，包括：卷积编码子单元161，用于使用所述第二卷积神经网络模型的多层卷积层对所述声发射格拉姆角差场图像进行深度卷积编码以得到声发射初始特征图；全局池化子单元162，用于计算所述声发射初始特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；激活单元163，用于将所述通道特征向量输入softmax激活函数以得到通道加权特征向量；以及，注意力施加子单元164，用于以所述通道加权特征向量中各个位置的特征值作为权重分别
对所述声发射初始特征图的沿通道维度的各个特征矩阵进行加权以得到所述声发射特征图。也就是，在将所述声发射回波信号转化为二维的时频图像后，同样使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器提取所述声发射格拉姆角差场图像的局部时频特征以得到所述声发射特征图。
53.更具体地，在本技术实施例中，所述特征融合单元170，用于融合所述检测特征图和所述声发射特征图以得到分类特征图。也就是，融合所述液相管的表观呈现特征和所述液相管的实质特征以得到所述分类特征图。
54.相应地，在一个具体示例中，所述特征融合单元170，进一步用于：以如下公式将所述检测特征图和所述声发射特征图进行融合以得到所述分类特征图；其中，所述公式为：其中，表示所述分类特征图，和表示所述检测特征图和所述声发射特征图，
“”
表示所述检测特征图和所述声发射特征图相对应位置处的元素相加，和表示用于控制所述检测特征图和所述声发射特征图之间的平衡的加权参数。
55.更具体地，在本技术实施例中，所述防泄漏检测结果生成单元180，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述液相管的性能是否满足预定要求。
56.相应地，在一个具体示例中，所述防泄漏检测结果生成单元180，进一步用于：使用所述分类器以如下公式对所述分类特征图进行处理以得到所述分类结果；其中，所述公式为： ，其中，为权重矩阵，为偏置向量，为所述分类特征图投影为向量。
57.更具体地，在本技术实施例中，所述防泄漏船用lng燃料罐，还包括用于对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练的训练模块。
58.相应地，在一个具体示例中，如图5所示，所述训练模块200，包括：训练数据采集单元201，用于获取训练数据，所述训练数据包括训练声发射回波信号、训练检测图像和所述液相管的性能是否满足预定要求的真实标签值；训练纹理特征图提取单元202，用于对所述训练检测图像进行局部二值模式处理以得到训练lbp局部二值模式图；训练通道聚合单元203，用于将所述训练lbp局部二值模式图和所述训练检测图像沿着通道维度进行聚合以得到训练多通道检测图像；训练检测图像编码单元204，用于将所述训练多通道检测图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练检测特征图；训练域转化单元205，用于对所述训练声发射回波信号进行格拉姆角差场变换以得到训练声发射格拉姆角差场图像；训练声发射特征提取单元206，用于将所述训练声发射格拉姆角差场图像所述通过使用通道注意力机制的第二卷积神经网络模型以得到训练声发射特征图；训练特征融合单元207，用于融合所述训练检测特征图和所述训练声发射特征图以得到训练分类特征图；分类损失单元208，用于将所述分类特征图通过分类器以得到分类损失函数值；特征模式消解抑制损失单元209，用于计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值，其中，所述特征提取模式消解的抑制损失函数值与由所述训练检测特征图展开得到的第一特征向量和由所述训练声发射特征图展开得到的第
二特征向量之间的差分特征向量的二范数的平方有关；以及，训练单元210，用于以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练。
59.特别地，在本技术的技术方案中，由于分类特征图是融合所述检测特征图和所述声发射特征图得到的，在训练过程中，分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络模型和所述第二卷积神经网络模型，从而可能由于异常的梯度发散导致所述第一卷积神经网络模型的深浅图像语义融合特征提取模式和所述第二卷积神经网络模型的图像语义通道关联强化提取模式的消解，从而影响所述分类特征图的分类结果的准确性。因此，优选地，引入针对所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数。
60.相应地，在一个具体示例中，所述特征模式消解抑制损失单元209，进一步用于：以如下公式计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值；其中，所述公式为：损失函数值；其中，所述公式为：其中，和分别是由所述训练检测特征图展开得到的第一特征向量和由所述训练声发射特征图展开得到的第二特征向量，和分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，表示矩阵的f范数，且表示向量的二范数的平方，表示以2为底的对数函数值，表示按位置减法。
61.具体地，所述特征提取模式消解的抑制损失函数通过以交叉熵形式使得分类器相对于不同特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致，来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化，也就是，将梯度针对所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式进行过加权。这样，就对特征提取模式的消解进行了抑制，提升了所述第一卷积神经网络模型的深浅图像语义融合特征提取能力和所述第二卷积神经网络模型的图像语义通道关联强化提取能力，也就相应提升了所述分类特征图的分类结果的准确性。这样，提高对所述液相管的性能进行判断的精准度，以在检测到所述液相管的性能无法满足应用要求时，进行及时地更换或者维修保养，以在泄漏发生前，将泄漏的隐患消除。
62.综上，基于本技术实施例的防泄漏船用lng燃料罐100被阐明，其首先将检测图像进行局部二值模式处理得到的lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像，然后，所述多通道检测图像通过第一卷积神经网络模型以得到检测特征图，接着，将声发射回波信号进行格拉姆角差场变换得到的声发射格拉姆角差场图像通过第二卷积神经网络模型以得到声发射特征图，然后，融合所述检测特征图和所述声发射特征图并将得到的分类特征图通过分类器以得到用于表示所述液相管的性能是否满足预定要求的分类结果。通过这样的方式，可以提高船用lng燃料罐的防泄漏能力。
63.如上所述，根据本技术实施例的所述防泄漏船用lng燃料罐100可以实现在各种终端设备中，例如具有船用lng燃料罐防泄漏算法的服务器等。在一个示例中，防泄漏船用lng
燃料罐100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基防泄漏船用lng燃料罐100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该防泄漏船用lng燃料罐100同样可以是该终端设备的众多硬件模块之一。
64.替换地，在另一示例中，该防泄漏船用lng燃料罐100与该终端设备也可以是分立的设备，并且防泄漏船用lng燃料罐100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
65.示例性方法图6图示了根据本技术实施例的船用lng燃料罐防泄漏方法的流程图。如图6所示，根据本技术实施例的船用lng燃料罐防泄漏方法，其包括：s110，获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像；s120，对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图；s130，将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像；s140，将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图；s150，对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像；s160，将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图；s170，融合所述检测特征图和所述声发射特征图以得到分类特征图；以及，s180，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述液相管的性能是否满足预定要求。
66.图7图示了根据本技术实施例的船用lng燃料罐防泄漏方法的系统架构的示意图。如图7所示，在所述船用lng燃料罐防泄漏方法的系统架构中，首先，获取由声发射传感器采集的被检测lng燃料罐的液相管的声发射回波信号以及由摄像头采集的所述液相管的检测图像；然后，对所述检测图像进行局部二值模式处理以得到lbp局部二值模式图；接着，将所述lbp局部二值模式图和所述检测图像沿着通道维度进行聚合以得到多通道检测图像；然后，将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图；接着，对所述声发射回波信号进行格拉姆角差场变换以得到声发射格拉姆角差场图像；然后，将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图；接着，融合所述检测特征图和所述声发射特征图以得到分类特征图；最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述液相管的性能是否满足预定要求。
67.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述将所述多通道检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到检测特征图，包括：从所述第一卷积神经网络模型的浅层提取浅层特征图；从所述第一卷积神经网络模型的深层提取深层特征图；以及，使用所述第一卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述检测特征图。
68.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述第一卷积神经网络模型的浅层为4-6层，所述第一卷积神经网络模型的深层与所述第一卷积神经网络的浅层之间的比值大于等于10。
69.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述使用所述第一卷
积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述检测特征图，进一步包括：使用所述第一卷积神经网络模型的深浅特征融合模块将所述浅层特征图和所述深层特征图进行级联以得到所述检测特征图。
70.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述将所述声发射格拉姆角差场图像通过使用通道注意力机制的第二卷积神经网络模型以得到声发射特征图，包括：使用所述第二卷积神经网络模型的多层卷积层对所述声发射格拉姆角差场图像进行深度卷积编码以得到声发射初始特征图；计算所述声发射初始特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；将所述通道特征向量输入softmax激活函数以得到通道加权特征向量；以及，以所述通道加权特征向量中各个位置的特征值作为权重分别对所述声发射初始特征图的沿通道维度的各个特征矩阵进行加权以得到所述声发射特征图。
71.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述融合所述检测特征图和所述声发射特征图以得到分类特征图，进一步包括：以如下公式将所述检测特征图和所述声发射特征图进行融合以得到所述分类特征图；其中，所述公式为：其中，表示所述分类特征图，和表示所述检测特征图和所述声发射特征图，
“”
表示所述检测特征图和所述声发射特征图相对应位置处的元素相加，和表示用于控制所述检测特征图和所述声发射特征图之间的平衡的加权参数。
72.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述将所述分类特征图通过分类器以得到分类结果，进一步包括：使用所述分类器以如下公式对所述分类特征图进行处理以得到所述分类结果；其中，所述公式为：，其中， 为权重矩阵，为偏置向量，为所述分类特征图投影为向量。
73.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，还包括：对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练。
74.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练，包括：获取训练数据，所述训练数据包括训练声发射回波信号、训练检测图像和所述液相管的性能是否满足预定要求的真实标签值；对所述训练检测图像进行局部二值模式处理以得到训练lbp局部二值模式图；将所述训练lbp局部二值模式图和所述训练检测图像沿着通道维度进行聚合以得到训练多通道检测图像；将所述训练多通道检测图像通过所述包含深浅特征融合模块的第一卷积神经网络模型以得到训练检测特征图；对所述训练声发射回波信号进行格拉姆角差场变换以得到训练声发射格拉姆角差场图像；将所述训练声发射格拉姆角差场图像所述通过使用通道注意力机制的第二卷积神经网络模型以得到训练声发射特征图；融合所述训练检测特征图和所述训练声发射特征图以得到训练分类特征图；将所述分类特征图通过分类器以得到分类损失函数值；计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值，其中，所述特征提取模式消解的抑制损失函数值与由所述训练检测特征图展开得到的第一特征向量
和由所述训练声发射特征图展开得到的第二特征向量之间的差分特征向量的二范数的平方有关；以及，以所述分类损失函数值和所述特征提取模式消解的抑制损失函数值的加权和作为损失函数值对所述包含深浅特征融合模块的第一卷积神经网络模型、所述使用通道注意力机制的第二卷积神经网络模型和所述分类器进行训练。
75.在一个具体示例中，在上述的船用lng燃料罐防泄漏方法中，所述计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值，进一步包括：以如下公式计算所述训练检测特征图和所述训练声发射特征图的特征提取模式消解的抑制损失函数值；其中，所述公式为：制损失函数值；其中，所述公式为：其中，和分别是由所述训练检测特征图展开得到的第一特征向量和由所述训练声发射特征图展开得到的第二特征向量，和分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，表示矩阵的f范数，且表示向量的二范数的平方，表示以2为底的对数函数值，表示按位置减法。
76.这里，本领域技术人员可以理解，上述船用lng燃料罐防泄漏方法中的各个步骤的具体操作已经在上面参考图1a到图5的防泄漏船用lng燃料罐的描述中得到了详细介绍，并因此，将省略其重复描述。
77.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
78.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
79.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
80.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
81.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。