CN119713152A - 基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质 - Google Patents

Abstract

本申请公开了一种基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质、计算机设备，该方法包括：获取待检测蒸汽管道对应的高清红外双模视频；从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

Description

基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质

技术领域

本申请涉及管道泄漏检测技术领域，尤其是涉及到一种基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质、计算机设备。

背景技术

现代社会对能源需求日渐增长，因此推动了火电厂、核电厂和各种热能转换装置的使用。蒸汽管道作为大型能源设施的必要设备，在日常运行中，由于冷凝水、震动和密封等因素，难以避免出现蒸汽泄漏事故。而蒸汽管道发生泄漏势必会造成巨大的能源浪费，甚至引发烫伤、爆炸及辐射泄漏等安全问题。因此，对蒸汽管道进行泄漏检测意义重大。

现有技术中在对蒸汽管道进行泄漏检测时，要么由人工进行现场巡检，要么在蒸汽管道上安装压力流量计及声发射检漏装备等定点传感器组进行泄漏检测。对于人工现场巡检的方式，泄漏检测效率低，且危险性较大；而对于在蒸汽管道上安装定点传感器组的方式，难以精确定位泄漏位置，且单位面积检测成本较为高昂。

发明内容

有鉴于此，本申请提供了一种基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质、计算机设备，通过高清图像和红外图像共同确定蒸汽管道的泄漏区域，无需人工现场巡检即可确定蒸汽管道是否存在泄漏，同时通过两种方法共同确定蒸汽管道的泄漏区域，可以进一步提升泄漏区域确定的准确性。此外，通过能够采集高清红外双模视频的设备以及计算设备即可实现泄漏区域的精准确定，可以大大降低检测成本。

根据本申请的一个方面，提供了一种基于高清红外的蒸汽管道泄漏检测方法，包括：

获取待检测蒸汽管道对应的高清红外双模视频；

从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；

从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；

对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

根据本申请的另一方面，提供了一种基于高清红外的蒸汽管道泄漏检测装置，包括：

视频获取模块，用于获取待检测蒸汽管道对应的高清红外双模视频；

第一泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；

第二泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；

配准模块，用于对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于高清红外的蒸汽管道泄漏检测方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于高清红外的蒸汽管道泄漏检测方法。

借由上述技术方案，本申请提供的一种基于高清红外的蒸汽管道泄漏检测方法及装置、存储介质、计算机设备，首先，获取待检测的蒸汽管道对应的高清红外双模视频。从高清红外双模视频中选取多帧高质量、具有代表性的图像作为目标高清图像，随后将这些目标高清图像依次输入到预设泄漏检测模型中，得到每帧目标高清图像对应的检测结果，根据这些检测结果确定出第一泄漏区域。接下来，从高清红外双模视频中提取出多帧目标红外图像，利用这些目标红外图像中的第一帧作为参考，构建出一个目标背景图像。然后，以目标背景图像为基础，从除第一帧之后的其余帧中，识别出由于泄漏导致的红外辐射变化，从而确定第二泄漏区域。进一步可以对这两个区域进行配准处理，使得它们能够准确对应到同一物理位置上。最后，根据配准后的重叠区域，确定待检测蒸汽管道对应的目标泄漏区域。本申请实施例通过高清图像和红外图像共同确定蒸汽管道的泄漏区域，无需人工现场巡检即可确定蒸汽管道是否存在泄漏，同时通过两种方法共同确定蒸汽管道的泄漏区域，可以进一步提升泄漏区域确定的准确性。此外，通过能够采集高清红外双模视频的设备以及计算设备即可实现泄漏区域的精准确定，可以大大降低检测成本。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种基于高清红外的蒸汽管道泄漏检测方法的流程示意图；

图2示出了本申请实施例提供的另一种基于高清红外的蒸汽管道泄漏检测方法的流程示意图；

图3示出了本申请实施例提供的一种双模视频的获取过程的示意图；

图4示出了本申请实施例提供的一种配准后图像的示意图；

图5示出了本申请实施例提供的一种基于高清红外的蒸汽管道泄漏检测装置的结构示意图；

图6示出了本申请实施例提供的一种计算机设备的装置结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种基于高清红外的蒸汽管道泄漏检测方法，如图1所示，该方法包括：

步骤101，获取待检测蒸汽管道对应的高清红外双模视频。

本申请实施例提供的一种基于高清红外的蒸汽管道泄漏检测方法，可以从高清图像和红外图像两方面对蒸汽管道上的泄漏区域进行检测。在进行蒸汽管道泄漏检测前，首先，可以获取待检测的蒸汽管道对应的高清红外双模视频。这种视频不仅包含传统的可见光视频信息，还包含了红外辐射信息，使得检测能够同时利用两种不同的物理特性。高清红外双模视频可以是通过高清红外双模摄像设备拍摄得到的。

步骤102，从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域。

在该实施例中，从高清红外双模视频中选取多帧高质量、具有代表性的图像作为目标高清图像。随后将这些目标高清图像依次输入到预设泄漏检测模型中。该模型可以是基于机器学习或深度学习算法训练得到的、能够分析高清图像中的特征，并根据这些特征确定第一泄漏区域的模型。

步骤103，从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域。

在该实施例中，接下来，从高清红外双模视频中提取出多帧目标红外图像。利用这些目标红外图像中的第一帧作为参考，构建出一个目标背景图像。这个目标背景图像代表了在没有泄漏情况下的管道红外辐射状态。然后，以目标背景图像为基础，从除第一帧之后的其余帧中，识别出由于泄漏导致的红外辐射变化，从而确定第二泄漏区域。

步骤104，对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

在该实施例中，由于第一泄漏区域和第二泄漏区域分别是基于高清图像和红外图像确定的，二者之间可能存在位置上的偏差或不一致性。因此，进一步可以对这两个区域进行配准处理，即调整它们的位置和大小，使得它们能够准确对应到同一物理位置上。最后，根据配准后的重叠区域，确定待检测蒸汽管道对应的目标泄漏区域，这个区域是两种方法共同确认的泄漏点，具有较高的可靠性和准确性。

通过应用本实施例的技术方案，首先，获取待检测的蒸汽管道对应的高清红外双模视频。从高清红外双模视频中选取多帧高质量、具有代表性的图像作为目标高清图像，随后将这些目标高清图像依次输入到预设泄漏检测模型中，得到每帧目标高清图像对应的检测结果，根据这些检测结果确定出第一泄漏区域。接下来，从高清红外双模视频中提取出多帧目标红外图像，利用这些目标红外图像中的第一帧作为参考，构建出一个目标背景图像。然后，以目标背景图像为基础，从除第一帧之后的其余帧中，识别出由于泄漏导致的红外辐射变化，从而确定第二泄漏区域。进一步可以对这两个区域进行配准处理，使得它们能够准确对应到同一物理位置上。最后，根据配准后的重叠区域，确定待检测蒸汽管道对应的目标泄漏区域。本申请实施例通过高清图像和红外图像共同确定蒸汽管道的泄漏区域，无需人工现场巡检即可确定蒸汽管道是否存在泄漏，同时通过两种方法共同确定蒸汽管道的泄漏区域，可以进一步提升泄漏区域确定的准确性。此外，通过能够采集高清红外双模视频的设备以及计算设备即可实现泄漏区域的精准确定，可以大大降低检测成本。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种基于高清红外的蒸汽管道泄漏检测方法，如图2所示，该方法包括：

步骤201，获取待检测蒸汽管道对应的高清红外双模视频。

在本申请实施例中，可选地，所述待检测蒸汽管道位于目标区域内，所述目标区域内设置有检测轨迹和移动检测装置，所述移动检测装置被设置为沿着所述检测轨迹移动，所述检测轨迹上设置有多个检测点位，所述移动检测装置安装有红外相机与高清相机，所述待检测蒸汽管道对应的高清红外双模视频为所述移动检测装置在所述检测轨迹上的检测点位处拍摄得到的。

在该实施例中，目标区域可以是需要进行蒸汽管道泄漏检测的具体区域，在这个区域中可以包含一条或多条蒸汽管道。检测轨迹可以是在目标区域内设定的一条或多条路径，移动检测装置可以沿着这些路径移动以进行全面的检测。检测轨迹的设定可以根据蒸汽管道的布局、检测效率等因素确定。移动检测装置是一种能够沿着检测轨迹自主移动的设备，具备较高的灵活性和适应性，能够在不同的环境条件下工作。移动检测装置上可以安装有红外相机和高清相机，这两种相机分别用于捕捉蒸汽管道的红外辐射信息和可见光信息。红外相机对于检测由于泄漏导致的温度异常非常敏感，而高清相机则能提供管道的详细视觉信息。其中，红外相机采集红外波段图像，红外波段图像采集方法可以为使用红外线灯，发射多种频段的红外线，经过泄漏蒸汽的吸收与环境反射，红外光通过特定窄带滤光片到达宽频制冷红外机芯得到相应的红外光谱灰度图像。此外，检测轨迹上设置有多个检测点位，这些检测点位是移动检测装置在移动过程中需要停留并拍摄视频的位置。检测点位的设置应基于蒸汽管道的实际情况和检测需求，确保能够全面覆盖可能存在的泄漏点。当移动检测装置沿着检测轨迹移动到每个检测点位时，它可以使用红外相机和高清相机，基于设定姿态在该检测点位拍摄数秒蒸汽管道的双模视频。拍摄时间可以根据需求确定。这样，每个检测点位都可以对应得到一个包含红外辐射信息和可见光信息的高清红外双模视频。这些双模视频随后被用于后续的泄漏检测分析，通过对比红外辐射的变化、可见光下的管道状态等信息，来识别和定位蒸汽管道的泄漏点。本申请实施例通过设定目标区域、检测轨迹和检测点位，并利用装有红外相机和高清相机的移动检测装置进行拍摄，实现了对蒸汽管道的全面、高效、实时的泄漏检测。这种方法不仅提高了检测的效率、准确性和可靠性，还降低了人工检测的劳动强度和成本。

此外，移动检测装置中还可以安装有通讯装置，具体可以是多频WiFi模组等，多频WiFi模组可以采用多频段无线通信技术，在雾气干扰较大的区域采用高频段无线电波通信，在狭窄且障碍物较多的区域采用低频段通讯。具体地，预先可以为不同的检测点位设置不同的通信频段，在移动检测装置沿着检测轨迹移动的过程中，当到了某个检测点位后，先确定该点位预设的通信频段，之后利用预设的通信频段将高清红外双模视频发送到服务器中。由服务器执行后续的泄漏区域检测步骤。

在一实施例中，如图3所示，移动检测装置可以由四摆臂履带式移动机器人构成，其上安装有双光谱监视云台。双光谱监视云台由高清相机和红外相机组成，且红外相机上安装有红外线灯，红外线灯与红外相机镜头同轴。双光谱监视云台中的红外相机采集泄漏热源图像，高清相机获取泄漏现场高清图像。移动机器人可以沿着检测轨迹移动，如图3所示，可以先移动至设备1处对应的检测点位，拍摄一段双模视频之后，移动至设备2对应的检测点位，再拍摄一段双模视频。每次拍摄双模视频后，移动机器人可以通过通讯装置将双模视频通过无线基站发送至服务器，由服务器进行后续的数据分析操作。

步骤202，从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域。

在该实施例中，将每帧目标高清图像输入到预设泄漏检测模型中之后，可以对应识别出该帧目标高清图像对应的泄漏区域。最后，从这些目标高清图像对应的泄漏区域中，找到泄漏区域面积最大的目标高清图像，并将该目标高清图像对应的泄漏区域作为第一泄漏区域。

步骤203，从所述高清红外双模视频中确定多帧目标红外图像，获取所述待检测蒸汽管道对应的无泄漏背景图像。

在该实施例中，确定了多帧目标红外图像之后，还可以获取待检测蒸汽管道对应的无泄漏背景图像，也即获取蒸汽管道在没有泄漏情况下的红外图像，通常这个图像是在管道正常运行、没有检测到任何泄漏迹象时拍摄的。这个无泄漏背景图像可以作为后续分析的基准，用于比较和识别由于泄漏导致的红外辐射变化。

步骤204，通过第一帧目标红外图像以及所述无泄漏背景图像，构建目标背景图像，并基于所述目标背景图像，对预设混合模型进行微调，得到目标混合模型。

在该实施例中，进一步，使用多帧目标红外图像中的第一帧目标红外图像(通常是检测开始时拍摄的一帧)与无泄漏背景图像进行结合，以构建一个目标背景图像。这个目标背景图像可以是通过某种方式(如加权平均、图像融合等)融合了第一帧目标红外图像和无泄漏背景图像的信息，以更准确地反映当前环境条件下管道的红外辐射状态。然后，基于这个目标背景图像，对预设混合模型进行微调。具体地，预设混合模型可以是一个用于分析红外图像中像素点灰度分布的数学模型，它能够通过学习目标背景图像和当前帧目标红外图像的特征来区分正常的红外辐射和由于泄漏导致的异常辐射。通过微调得到的目标混合模型能够更好地适应当前检测场景，提高检测的准确性。

在一个实施例中，目标混合模型可以表示如下：

其中，K是目标混合模型中包括的高斯分布的数目，其大小由图像中背景和前景的模态数量个数与所用计算能力决定，一般取值3～5；ω_i,t是目标混合模型中第i个模型在第t帧目标红外图像对应的高斯分布的权重，X_t是第t帧目标红外图像中的像素，μ_i,t是目标混合模型中第t帧目标红外图像对应的高斯分布的平均值，Σ_i,t是目标混合模型中第t帧目标红外图像对应的高斯分布的协方差矩阵，η是高斯分布的概率密度函数。

步骤205，对于其余帧目标红外图像中的每一帧图像，基于所述图像中的任一像素点，通过所述目标混合模型，计算所述任一像素点对应的第一灰度分布，并基于所述任一像素点对应的第一灰度分布，以及所述任一像素点基于所述图像确定的第二灰度分布，计算所述第一灰度分布与所述第二灰度分布之间的分布差异，根据所述分布差异，判断所述任一像素点是否为目标像素点。

在该实施例中，对于其余帧目标红外图像中的每一帧，选取图像中的任一像素点进行分析。具体地，可以使用微调后的目标混合模型，计算该像素点对应的第一灰度分布。这个分布反映了目标混合模型对该像素点在正常(或背景)状态下的灰度值预测。同时，基于该像素点在当前图像中的实际灰度值，确定其第二灰度分布。这个分布可以是基于像素点周围像素的灰度值进行统计得到的，反映了该像素点在当前图像中的实际灰度特性。之后，计算第一灰度分布与第二灰度分布之间的分布差异，这个分布差异量化了目标混合模型预测与实际观测之间的不一致性，这种不一致性可能由于泄漏导致的红外辐射变化而引起。根据分布差异的大小，可以判断该像素点是否为目标像素点(即可能由于泄漏导致的异常像素点)。例如，如果分布差异超过预设阈值，则认为该像素点可能是目标像素点。具体地，第一灰度分布和第二灰度分布之前的分布差异可以利用Wasserstein距离公式计算。

步骤206，根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，得到第二泄漏区域。

在该实施例中，通过对每一帧目标红外图像中的所有像素点进行上述分析，可以识别出每一帧中的目标像素点。之后将所有帧中识别到的目标像素点进行汇总和标记，最终得到第二泄漏区域。这个区域可能包含了一个或多个由于泄漏导致的红外辐射异常区域，是后续进一步检查和修复的重点对象。

本申请实施例通过使用无泄漏背景图像作为基准，并与实时拍摄的目标红外图像进行对比分析，可以更加准确地识别出由于泄漏导致的红外辐射变化。这种基于背景对比的方法能够减少环境因素(如温度波动、光照变化等)对检测结果的干扰。此外，本申请实施例引入了混合模型，并通过微调使其适应当前检测场景。这种自适应机制使得检测方法能够根据不同的环境条件(如管道布局、周围温度等)进行调整，从而提高检测的灵活性和准确性。

步骤207，对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理。

在该实施例中，可以使用VoxelMorph算法对第一泄漏区域和第二泄漏区域进行配准，以第一泄漏区域对应的目标高清图像为固定图像，以第二泄漏区域对应的目标红外图像为待配准图像，固定图像和待配准图像均通过维度拓展变换为3维向量，之后将固定图像与待配准图像共同送入U-net进行编码和解码，生成变形场，根据变形场通过空间变换网络对待配准图像进行像素重塑插值得到配准后图像。如图4所示，给出了一种配准后图像的示意图。图4中，泄漏区域C和泄漏区域A为第一泄漏区域，泄漏区域B和泄漏区域D为第二泄漏区域。

步骤208，对于配准后的任一重叠区域，从所述第一泄漏区域中，确定所述任一重叠区域所属的第一子区域，以及从所述第二泄漏区域中，确定所述任一重叠区域所属的第二子区域。

在该实施例中，在配准后图像中，可能存在一些重叠区域，这些重叠区域同时被两个检测手段(即高清采图和红外采图)所覆盖。对于任一重叠区域，首先从第一泄漏区域中确定该区域所属的第一子区域，同样地，也从第二泄漏区域中确定该区域所属的第二子区域。如图4所示，重叠区域为A∩B，那么第一子区域为泄漏区域A，第二子区域为泄漏区域B。

步骤209，计算所述第一子区域和所述第二子区域的区域总面积，并根据所述任一重叠区域对应的面积以及所述区域总面积，计算所述第一子区域以及所述第二子区域之间的区域交并比。

在该实施例中，区域总面积是指第一子区域和第二子区域面积的总和，在图4中，区域总面积可以是A∪B的面积。交并比(IoU)是衡量两个区域重叠程度的一个指标，计算公式为两个区域交集面积与它们并集面积的比值。在这个步骤中，可以计算第一子区域和第二子区域的交并比，以评估它们之间的重叠程度。

步骤210，当所述区域交并比大于预设交并比阈值时，判断所述任一重叠区域在配准图像中所占的比例，并当所述比例大于预设比例阈值时，将所述任一重叠区域作为所以待检测蒸汽管道对应的目标泄漏区域。

在该实施例中，当区域交并比大于预设的交并比阈值时，说明两个子区域之间有较高的重叠度，可能是真实的泄漏区域。然而，仅凭交并比还不足以确定目标泄漏区域，因为可能存在一些小的、不重要的重叠区域。因此，还可以进一步判断任一重叠区域在配准后图像中所占的比例。如果这个比例大于预设的比例阈值，那么可以认为这个重叠区域是重要的，并将其作为待检测蒸汽管道对应的目标泄漏区域。

本申请实施例通过综合多个检测手段的结果，来更准确地确定蒸汽管道的泄漏区域。通过计算交并比和判断比例，可以排除一些不重要的或虚假的重叠区域，从而提高检测的准确性和可靠性。

在本申请实施例中，可选地，步骤206包括：

步骤206-1，基于所述多帧目标高清图像中用于确定第一泄漏区域的目标高清图像帧，确定所述目标高清图像帧对应的第一采集时间。

步骤206-2，确定所述多帧目标红外图像中每一帧对应的第二采集时间，并从所述第二采集时间中找出与所述第一采集时间之间的时间差最小的目标第二采集时间。

步骤206-3，将所述目标第二采集时间对应的目标红外图像帧作为基准图像，并根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，在所述基准图像上标记所述目标像素点指示的泄漏区域，对标记有泄漏区域的基准图像执行形态学开闭运算，得到第二泄漏区域。

在该实施例中，在多帧目标高清图像中，首先找到用于确定第一泄漏区域的那帧高清图像，将其称作“目标高清图像帧”，并确定目标高清图像帧对应的第一采集时间。需要注意的是，每一帧目标高清图像输入到预设泄漏检测模型后，均可以对应得到一个识别结果，在这里，可以将识别结果中泄漏区域最大的目标高清图像作为目标高清图像帧。接着，考虑多帧目标红外图像。每帧目标红外图像都有一个对应的第二采集时间。从这些目标红外图像的采集时间中，找出与目标高清图像帧的第一采集时间之间时间差最小的目标第二采集时间，将目标第二采集时间对应的目标红外图像帧作为基准图像。由于目标高清图像帧与目标红外图像帧在时间上最为接近，因此它们观察到的蒸汽管道状态也最为相似。之后，将从其他目标红外图像中识别到的目标像素点映射到基准图像上，并在基准图像上相应地标记这些像素点所指示的泄漏区域。对标记有泄漏区域的基准图像执行形态学开闭运算。形态学开运算通常用于去除小的前景对象(如噪声)并平滑较大对象的边界，同时保持其面积不变。形态学闭运算则用于填充前景对象内的小孔或黑色区域，并平滑其边界。通过结合开运算和闭运算(即形态学开闭运算)，可以进一步清理和增强图像中的泄漏区域，使其更加清晰和准确。经过形态学开闭运算处理后的基准图像，其中的泄漏区域将更加明确和突出。这个处理后的区域就是第二泄漏区域，为蒸汽管道泄漏的检测提供了更可靠的依据。本申请实施例通过查找与目标高清图像帧时间最接近的目标红外图像帧作为基准图像，可以确保两者观察到的蒸汽管道状态尽可能一致，这样后续将第一泄漏区域和第二泄漏区域进行配准处理时，可以使得配准结果更加准确，从而提高检测结果的鲁棒性。此外，形态学开闭运算进一步清理和增强了图像中的泄漏区域，使其不受噪声、小孔等干扰因素的影响，进一步提升检测准确率。

在本申请实施例中，可选地，步骤202中所述“将所述多帧目标高清图像输入至预设泄漏检测模型中”之前，所述方法还包括：获取烟雾样本图像，基于所述烟雾样本图像对初始检测模型进行模型训练，得到目标预训练检测模型；获取蒸汽管道泄漏样本图像，通过冻结训练策略，基于所述蒸汽管道泄漏样本图像对所述目标预训练检测模型进行微调，得到所述预设泄漏检测模型。

在该实施例中，首先可以获取烟雾样本图像。烟雾样本图像是一组包含烟雾的图像，这些图像可以来自各种来源，如公开数据集、实验室模拟或实际现场拍摄。烟雾样本图像的选择尽可能多样，以覆盖不同的烟雾类型、浓度、光照条件等，以便训练出的模型具有更好的泛化能力。接着，基于烟雾样本图像对初始检测模型进行模型训练。具体地，初始检测模型可以深度学习模型，如卷积神经网络(CNN)、YOLO、SSD等，这些模型在图像检测任务中表现出色。之后，使用收集到的烟雾样本图像对初始检测模型进行训练。训练过程中，初始检测模型可以学习烟雾的特征，如形状、纹理、颜色等，以便能够区分烟雾和非烟雾区域。经过多次迭代训练后，初始检测模型逐渐收敛，并具备良好的烟雾检测能力，此时得到的模型被称为目标预训练检测模型。

其次，可以获取蒸汽管道泄漏样本图像。蒸汽管道泄漏样本图像是一组包含蒸汽管道泄漏区域的图像，并对这些图像上的泄漏区域进行标记。蒸汽管道泄漏样本图像包括覆盖不同的泄漏类型、管道布局、光照条件等情况下的图像。之后，利用蒸汽管道泄漏样本图像，通过冻结训练策略对目标预训练检测模型进行微调。微调(Fine-tuning)是一种常用的模型优化方法，它利用已经在类似任务上训练好的模型作为起点，并在新任务的数据集上进行微调。在这个过程中，首先可以冻结目标预训练检测模型的大部分层(例如前面的卷积层)，这些层已经学习了通用的图像特征，对于新任务仍然有用。然后，只调整模型的后几层(例如是全连接层或特定的检测层)，这些层更专注于具体的检测任务。使用蒸汽管道泄漏样本图像对模型进行微调，让模型学习泄漏区域的特征。由于大部分层已经被冻结，微调过程通常比从头开始训练要快得多，且仅需要较少的蒸汽管道泄漏样本图像即可实现。经过微调后，模型将更加适应蒸汽管道泄漏的检测任务，此时得到的模型即为预设泄漏检测模型。本申请实施例通过先训练一个通用的烟雾检测模型，再利用蒸汽管道泄漏样本图像进行微调，最终得到一个专门用于蒸汽管道泄漏检测的模型。这种方法充分利用了迁移学习的思想，既节省了训练时间，又提高了模型的检测性能。此外，通过利用烟雾样本图像训练初始检测模型，降低了训练模型所需要收集泄漏图像的数量，仅需较少数量的蒸汽管道泄漏样本图像即可实现最终预设泄漏检测模型的确定，且确定的预设泄漏检测模型在烟雾下具备良好的识别泄漏区域的能力，使得预设泄漏检测模型更适合于本申请的应用场景。

在本申请实施例中，可选地，所述方法还包括：当检测到第一泄漏区域和/或第二泄漏区域后，基于所述第一泄漏区域和/或第二泄漏区域，以及对应的检测点位，生成告警信息，并将所述告警信息发送至预设终端。

在该实施例中，如果在某一检测点位采集的双模视频中，检测到了第一泄漏区域和/或第二泄漏区域，那么此时可以以检测到的第一泄漏区域、第二泄漏区域以及对应的检测点位为基础，生成告警信息，并将生成的告警信息发送给预设终端的用户。这些预设终端用户可以是负责维护蒸汽管道的工程师、操作员或管理人员等。告警信息的发送方式可以是多种多样的，包括但不限于：短信通知、电子邮件等。本申请实施例通过自动化的图像处理和机器学习技术，快速、准确地检测出蒸汽管道上的泄漏区域，并生成告警信息以告警的形式及时传达给相关人员，以便他们能够迅速采取措施进行处理，从而保障蒸汽管道的安全运行。

在本申请实施例中，可选地，步骤203之后，所述方法还包括：通过第一帧目标红外图像以及所述无泄漏背景图像，构建目标背景图像；对于其余帧目标红外图像中的每一帧图像，基于所述图像中的每个像素点，计算所述像素点对应的第一灰度值，并计算所述像素点在所述目标背景图像中的第二灰度值，根据所述第一灰度值与所述第二灰度值之间的灰度差值，判断所述像素点是否为目标像素点；根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，得到第二泄漏区域。

在该实施例中，提供了另一种确定第二泄漏区域的方法。首先，使用多帧目标红外图像中的第一帧目标红外图像(通常是检测开始时拍摄的一帧)与无泄漏背景图像进行结合，以构建一个目标背景图像。这个目标背景图像可以是通过某种方式(如加权平均、图像融合等)融合了第一帧目标红外图像和无泄漏背景图像的信息，以更准确地反映当前环境条件下管道的红外辐射状态。然后，对于每一帧后续目标红外图像(即除了第一帧以外的所有帧)，进行以下操作：对于每一帧目标红外图像中的每一个像素点，计算其在当前帧中的灰度值，这个值被称为“第一灰度值”。同样地，在之前构建的目标背景图像中找到对应位置的像素点，并计算其灰度值，这个值被称为“第二灰度值”。接着，通过比较其第一灰度值和第二灰度值之间的差值(即灰度差值)来判断该像素点是否属于目标(即可能的泄漏区域)。如果灰度差值超过了某个预设差值阈值，那么可以认为这个像素点发生了显著的变化，可能是由于泄漏引起的，因此将其标记为目标像素点。后续通过对每一帧目标红外图像中的所有像素点进行上述分析，可以识别出每一帧中的目标像素点。之后将所有帧中识别到的目标像素点进行汇总和标记，最终得到第二泄漏区域。这个区域可能包含了一个或多个由于泄漏导致的红外辐射异常区域，是后续进一步检查和修复的重点对象。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种基于高清红外的蒸汽管道泄漏检测装置，如图5所示，该装置包括：

视频获取模块，用于获取待检测蒸汽管道对应的高清红外双模视频；

第一泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；

第二泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；

配准模块，用于对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

可选地，所述第二泄漏区域确定模块，用于：

获取所述待检测蒸汽管道对应的无泄漏背景图像；

通过第一帧目标红外图像以及所述无泄漏背景图像，构建目标背景图像，并基于所述目标背景图像，对预设混合模型进行微调，得到目标混合模型；

对于其余帧目标红外图像中的每一帧图像，基于所述图像中的任一像素点，通过所述目标混合模型，计算所述任一像素点对应的第一灰度分布，并基于所述任一像素点对应的第一灰度分布，以及所述任一像素点基于所述图像确定的第二灰度分布，计算所述第一灰度分布与所述第二灰度分布之间的分布差异，根据所述分布差异，判断所述任一像素点是否为目标像素点；

根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，得到第二泄漏区域。

可选地，所述第二泄漏区域确定模块，还用于：

基于所述多帧目标高清图像中用于确定第一泄漏区域的目标高清图像帧，确定所述目标高清图像帧对应的第一采集时间；

确定所述多帧目标红外图像中每一帧对应的第二采集时间，并从所述第二采集时间中找出与所述第一采集时间之间的时间差最小的目标第二采集时间；

将所述目标第二采集时间对应的目标红外图像帧作为基准图像，并根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，在所述基准图像上标记所述目标像素点指示的泄漏区域，对标记有泄漏区域的基准图像执行形态学开闭运算，得到第二泄漏区域。

可选地，所述装置还包括：

预训练模块，用于所述将所述多帧目标高清图像输入至预设泄漏检测模型中之前，获取烟雾样本图像，基于所述烟雾样本图像对初始检测模型进行模型训练，得到目标预训练检测模型；

微调模块，用于获取蒸汽管道泄漏样本图像，通过冻结训练策略，基于所述蒸汽管道泄漏样本图像对所述目标预训练检测模型进行微调，得到所述预设泄漏检测模型。

可选地，所述配准模块，用于：

对于配准后的任一重叠区域，从所述第一泄漏区域中，确定所述任一重叠区域所属的第一子区域，以及从所述第二泄漏区域中，确定所述任一重叠区域所属的第二子区域；

计算所述第一子区域和所述第二子区域的区域总面积，并根据所述任一重叠区域对应的面积以及所述区域总面积，计算所述第一子区域以及所述第二子区域之间的区域交并比；

当所述区域交并比大于预设交并比阈值时，判断所述任一重叠区域在配准图像中所占的比例，并当所述比例大于预设比例阈值时，将所述任一重叠区域作为所以待检测蒸汽管道对应的目标泄漏区域。

可选地，所述待检测蒸汽管道位于目标区域内，所述目标区域内设置有检测轨迹和移动检测装置，所述移动检测装置被设置为沿着所述检测轨迹移动，所述检测轨迹上设置有多个检测点位，所述移动检测装置安装有红外相机与高清相机，所述待检测蒸汽管道对应的高清红外双模视频为所述移动检测装置在所述检测轨迹上的检测点位处拍摄得到的。

可选地，所述装置还包括：

告警模块，用于当检测到第一泄漏区域和/或第二泄漏区域后，基于所述第一泄漏区域和/或第二泄漏区域，以及对应的检测点位，生成告警信息，并将所述告警信息发送至预设终端。

需要说明的是，本申请实施例提供的一种基于高清红外的蒸汽管道泄漏检测装置所涉及各功能单元的其他相应描述，可以参考图1至图4方法中的对应描述，在此不再赘述。

本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，如图6所示，该计算机设备包括总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储位置信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现各方法实施例中的步骤。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性，也可以是易失性，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于高清红外的蒸汽管道泄漏检测方法，其特征在于，包括：

获取待检测蒸汽管道对应的高清红外双模视频；

从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；

从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；

对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域，包括：

获取所述待检测蒸汽管道对应的无泄漏背景图像；

通过第一帧目标红外图像以及所述无泄漏背景图像，构建目标背景图像，并基于所述目标背景图像，对预设混合模型进行微调，得到目标混合模型；

对于其余帧目标红外图像中的每一帧图像，基于所述图像中的任一像素点，通过所述目标混合模型，计算所述任一像素点对应的第一灰度分布，并基于所述任一像素点对应的第一灰度分布，以及所述任一像素点基于所述图像确定的第二灰度分布，计算所述第一灰度分布与所述第二灰度分布之间的分布差异，根据所述分布差异，判断所述任一像素点是否为目标像素点；

根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，得到第二泄漏区域。

3.根据权利要求2所述的方法，其特征在于，所述根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，得到第二泄漏区域，包括：

基于所述多帧目标高清图像中用于确定第一泄漏区域的目标高清图像帧，确定所述目标高清图像帧对应的第一采集时间；

确定所述多帧目标红外图像中每一帧对应的第二采集时间，并从所述第二采集时间中找出与所述第一采集时间之间的时间差最小的目标第二采集时间；

将所述目标第二采集时间对应的目标红外图像帧作为基准图像，并根据从所述其余帧目标红外图像的每一帧图像中识别到的目标像素点，在所述基准图像上标记所述目标像素点指示的泄漏区域，对标记有泄漏区域的基准图像执行形态学开闭运算，得到第二泄漏区域。

4.根据权利要求1所述的方法，其特征在于，所述将所述多帧目标高清图像输入至预设泄漏检测模型中之前，所述方法还包括：

获取烟雾样本图像，基于所述烟雾样本图像对初始检测模型进行模型训练，得到目标预训练检测模型；

获取蒸汽管道泄漏样本图像，通过冻结训练策略，基于所述蒸汽管道泄漏样本图像对所述目标预训练检测模型进行微调，得到所述预设泄漏检测模型。

5.根据权利要求1所述的方法，其特征在于，所述根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域，包括：

对于配准后的任一重叠区域，从所述第一泄漏区域中，确定所述任一重叠区域所属的第一子区域，以及从所述第二泄漏区域中，确定所述任一重叠区域所属的第二子区域；

计算所述第一子区域和所述第二子区域的区域总面积，并根据所述任一重叠区域对应的面积以及所述区域总面积，计算所述第一子区域以及所述第二子区域之间的区域交并比；

当所述区域交并比大于预设交并比阈值时，判断所述任一重叠区域在配准图像中所占的比例，并当所述比例大于预设比例阈值时，将所述任一重叠区域作为所以待检测蒸汽管道对应的目标泄漏区域。

6.根据权利要求1所述的方法，其特征在于，所述待检测蒸汽管道位于目标区域内，所述目标区域内设置有检测轨迹和移动检测装置，所述移动检测装置被设置为沿着所述检测轨迹移动，所述检测轨迹上设置有多个检测点位，所述移动检测装置安装有红外相机与高清相机，所述待检测蒸汽管道对应的高清红外双模视频为所述移动检测装置在所述检测轨迹上的检测点位处拍摄得到的。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

当检测到第一泄漏区域和/或第二泄漏区域后，基于所述第一泄漏区域和/或第二泄漏区域，以及对应的检测点位，生成告警信息，并将所述告警信息发送至预设终端。

8.一种基于高清红外的蒸汽管道泄漏检测装置，其特征在于，包括：

视频获取模块，用于获取待检测蒸汽管道对应的高清红外双模视频；

第一泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标高清图像，并将所述多帧目标高清图像输入至预设泄漏检测模型中，根据检测结果确定第一泄漏区域；

第二泄漏区域确定模块，用于从所述高清红外双模视频中确定多帧目标红外图像，并基于所述多帧目标红外图像中的第一帧构建目标背景图像，根据所述目标背景图像以及所述多帧目标红外图像中的其余帧，确定第二泄漏区域；

配准模块，用于对所述待检测蒸汽管道的第一泄漏区域以及第二泄漏区域进行配准处理，并根据配准后的重叠区域，确定所述待检测蒸汽管道对应的目标泄漏区域。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。