基于深度学习的气体安全智能检测方法
摘要文本
本发明属于气体检测应用技术领域，尤其涉及一种基于深度学习的气体安全智能检测方法。本发明通过搭建的数据增强网络通过极大似然估计、Box‑Muller和MCMC采样算法生成符合本发明中红外图像的数据分布的随机噪声，通过内容损失、特征匹配损失以及Wasserstein距离对抗损失构建生成器损失和鉴别器损失函数，组合生成与原始数据相似的图像，生成中红外图像能够为气体安全智能检测提供更多样化的训练样本。为了实现环境中有害气体类别及浓度的定位和分割预测有害气体的范围，搭建两阶段气体安全智能检测模型，其一阶段为结合迁移学习的Faster R‑CNN模型为环境中有害气体类别及浓度的定位，其第二阶段为改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围。
申请人信息
- 申请人:山东多瑞电子科技有限公司
- 申请人地址:250000 山东省济南市高新区天玑路中欧智造港8号楼3单元
- 发明人: 山东多瑞电子科技有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于深度学习的气体安全智能检测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410190093.2 |
| 申请日 | 2024/2/21 |
| 公告号 | CN117741070A |
| 公开日 | 2024/3/22 |
| IPC主分类号 | G01N33/00 |
| 权利人 | 山东多瑞电子科技有限公司 |
| 发明人 | 张成基; 宋振; 吕伟伟 |
| 地址 | 山东省济南市高新区天玑路中欧智造港8号楼3单元 |
专利主权项内容
1.一种基于深度学习的气体安全智能检测方法，其特征在于，包括如下步骤：S1、采集环境中的有害气体类别及浓度、中红外图像数据；S2、将中红外图像数据划分为训练集和测试集，利用搭建的数据增强网络对训练集中红外图像数据进行数据增强，所述数据增强网络通过极大似然估计、Box-Muller和MCMC采样算法生成随机噪声，所述数据增强网络通过内容损失、特征匹配损失以及Wasserstein距离对抗损失构建生成器损失和鉴别器损失函数，鉴别器损失函数为：
，其中，为Wasserstein 距离对抗损失，/>为内容损失，其公式为：
，其中，和/>表示中红外图像的宽和高，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，/>表示梯度算子，生成器损失函数为：
，其中，为Wasserstein 距离对抗损失，为特征匹配损失，其公式为：
，其中，D表示鉴别器，S表示生成中红外图像，X表示中红外图像，表示L距离，数据增强生成中红外图像与中红外图像对应的有害气体类别和浓度以及和环境信息相同；2S3、搭建两阶段气体安全智能检测模型，其一阶段为目标检测模型为环境中有害气体类别及浓度的定位，其第二阶段为分割预测有害气体的范围，所述目标检测模型为FasterR-CNN模型，先采用COCO数据集对模型进行预训练，再将模型迁移到环境中有害气体类别及浓度的检测，利用改进Unet模型分割预测有害气体的范围，所述改进Unet模型将1D、2D和3D卷积结合在一起，分割预测有害气体的范围；S4、训练和测试两阶段气体安全智能检测模型，实现有害气体类别及浓度的检测。