本发明属于工业漏气检测和计算机视觉领域，涉及一种基于红外热成像和深度学习模型的工业气体泄露检测方法。
背景技术：
1、工业设备由于使用磨损、设备老化等原因，会出现危险的漏气现象，部分工业漏气不仅无色无味，还具有极强的毒性和可燃性，严重威胁着产业工人的生命安全。目前常见的工业漏气检测方法主要是气体浓度仪器测量，存在反馈不及时，无法定位泄露仪器和区域。
2、随着红外成像技术和计算机视觉的发展，通过红外热成像对气体泄露进行视觉检测具有检测成本低、速度快、范围广及准确定位泄露部件等优势，但红外图像中气体存在颜色和纹理等特征缺失现象，现有的视觉解决方案难以满足实时性高精度红外气体检测的需求。
技术实现思路
1、为了解决现有技术中存在的上述技术问题，本发明提出了一种基于红外热成像和深度学习模型的工业气体泄露检测方法，首先使用红外热成像仪采集工业设备漏气图像，并标注制作为工业设备漏气红外图像数据集，然后在针对红外气体图像颜色纹理特征不明显进行改进的轻量级深度学习模型上进行训练，得到训练后的模型参数配置文件，最后将模型参数配置文件转换至部署设备端，实现在多种设备上进行实时地多场景工业漏气检测，其具体技术方案如下：
2、一种基于红外热成像和深度学习模型的工业气体泄露检测方法，包括以下步骤：
3、步骤一，使用红外热成像仪对工业漏气设备进行拍照成像；
4、步骤二，对采集到的红外气体图像中的气体区域进行检测框标注，并制作为工业设备漏气红外图像数据集；
5、步骤三，构建轻量级工业设备漏气检测深度学习模型；
6、步骤四，训练轻量级工业设备漏气检测深度学习模型；
7、步骤五，获取训练完成后的模型参数配置文件并部署应用至设备端，进行实时地多场景工业设备漏气检测。
8、进一步的，所述步骤一，具体为：使用红外成像仪采集泵油封、储油罐、加油站加油设备、部分露天烟囱设备的红外漏气图像，红外漏气图像是分辨率为320*240大小的16位灰度图像，将16位灰度图像按最大值最小值对应转换为8位灰度图像，8位灰度图随后转换为rgb三通道伪彩图，图像转换公式如下：
9、gray(i,j)＝0.299*r(i,j)+0.587*g(i,j)+0.144*b(i,j)
10、式中，(i,j)为图像中的像素点坐标，gray(i,j)为灰度图中的像素值，r(i,j)、g(i,j)和b(i,j)分别为转换后rgb三通道伪彩图中的rgb像素值。
11、进一步的，所述步骤二，具体为：对采集到的工业设备漏气红外图像中的气体区域进行检测框标注，标注格式为yolov5格式，并制作为工业设备漏气红外图像数据集，数据集格式为coco数据集格式。
12、进一步的，所述步骤三中的轻量级工业设备漏气检测深度学习模型由特征提取模块、特征融合模块和检测头三部分组成；
13、其中所述的特征提取模块为新型的多尺度特征提取加强模块，以mobilenetv3为基础，采用不同大小的卷积核提取输入特征，所述不同大小的卷积核具体为四类大小是1*1、3*3、5*5和7*7卷积核，再对四个不同尺度的特征进行通道和空间注意力机制特征加强提取，最后将多尺度特征聚合为输出特征；
14、所述的特征融合模块为新型的局部和全局特征融合模块，首先对输入特征进行通道数调整并补充局部特征信息，再利用线性自注意力机制提取全局特征，并和局部特征相融合，得到最终的输出特征。
15、进一步的，所述步骤四，具体为：所述轻量级工业设备漏气检测深度学习模型批量读取步骤二构建的工业设备漏气红外图像数据集，通过计算损失函数进行模型优化调整，模型训练迭代批次为150次，优化器选用adam优化器，学习率调整类为steplr，学习率为0.01。
16、进一步的，所述步骤五，具体为：导出轻量级工业设备漏气检测深度学习模型原有的pt模型参数文件为onnx配置文件，通过c++编写onnx模型参数文件读取脚本，并构筑推理模型，实现在多种设备上的实时工业设备漏气红外图像检测。
17、本发明的有益效果是：有效解决了工业不可见漏气的检测问题，可以及时并清晰地反馈设备是否漏气，保障工业生产安全，具有广泛的应用价值。
1.一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，所述步骤一，具体为：使用红外成像仪采集泵油封、储油罐、加油站加油设备、部分露天烟囱设备的红外漏气图像，红外漏气图像是分辨率为320*240大小的16位灰度图像，将16位灰度图像按最大值最小值对应转换为8位灰度图像，8位灰度图随后转换为rgb三通道伪彩图，图像转换公式如下：
3.如权利要求1所述的一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，所述步骤二，具体为：对采集到的工业设备漏气红外图像中的气体区域进行检测框标注，标注格式为yolov5格式，并制作为工业设备漏气红外图像数据集，数据集格式为coco数据集格式。
4.如权利要求1所述的一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，所述步骤三中的轻量级工业设备漏气检测深度学习模型由特征提取模块、特征融合模块和检测头三部分组成；
5.如权利要求1所述的一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，所述步骤四，具体为：所述轻量级工业设备漏气检测深度学习模型批量读取步骤二构建的工业设备漏气红外图像数据集，通过计算损失函数进行模型优化调整，模型训练迭代批次为150次，优化器选用adam优化器，学习率调整类为steplr，学习率为0.01。
6.如权利要求1所述的一种基于红外热成像和深度学习模型的工业气体泄露检测方法，其特征在于，所述步骤五，具体为：导出轻量级工业设备漏气检测深度学习模型原有的pt模型参数文件为onnx配置文件，通过c++编写onnx模型参数文件读取脚本，并构筑推理模型，实现在多种设备上的实时工业设备漏气红外图像检测。