鄢家鑫,陳青,李朋洲,周寒,劉曉東

(中國(guó)核動(dòng)力研究設(shè)計(jì)院,四川 成都 610213)

反應(yīng)堆回路試驗(yàn)裝置是建設(shè)新型核反應(yīng)堆的必要設(shè)施。受環(huán)境因素或操作人員影響,該裝置回路管道邊界會(huì)發(fā)生高壓蒸汽泄漏,嚴(yán)重威脅反應(yīng)堆試驗(yàn)裝置運(yùn)行[1]。對(duì)此一些學(xué)者和專家在泄漏檢測(cè)領(lǐng)域做出了研究。目前在該領(lǐng)域,普遍采用專業(yè)試驗(yàn)人員進(jìn)行泄漏檢查的方式,該方法面臨識(shí)別的準(zhǔn)確率和頻率受限的問題。目前已經(jīng)有了一些用于管道設(shè)備泄漏的自動(dòng)化檢測(cè)方法[2]。這些方法通過測(cè)量設(shè)備內(nèi)介質(zhì)的壓力、溫度等物理特性,人工建立精確的流動(dòng)數(shù)學(xué)模型識(shí)別特定泄漏,成本較高且適用場(chǎng)景有限[3-4]。除此之外,采用接入主控系統(tǒng)的自動(dòng)化傳感器進(jìn)行泄漏檢測(cè)的方法需要鋪設(shè)大量物理傳感器,技術(shù)復(fù)雜、成本高昂且缺乏靈活性[5]。

盡管當(dāng)前研究已經(jīng)在壓力設(shè)備的泄漏檢測(cè)領(lǐng)域進(jìn)行了許多研究,但對(duì)于一種適用于形狀結(jié)構(gòu)多變、泄漏介質(zhì)多變且泄漏機(jī)理不清晰的裝置的智能泄漏檢測(cè)方法仍是該檢測(cè)領(lǐng)域所迫切需要的。隨著視覺技術(shù)的興起,基于拍攝視頻的背景建模和背景差分技術(shù)在不同的檢測(cè)領(lǐng)域得到了廣泛的應(yīng)用。目前這種智能視覺監(jiān)控系統(tǒng)已經(jīng)應(yīng)用于機(jī)場(chǎng)、港口、道路、工業(yè)園區(qū)[6-7]。

為了實(shí)現(xiàn)對(duì)壓力設(shè)備蒸汽泄漏的故障檢測(cè),在當(dāng)前普遍用于運(yùn)動(dòng)目標(biāo)檢測(cè)的背景差分法的研究基礎(chǔ)上[8-9],提出一種改進(jìn)的混合高斯背景建模(Gaussian Mixture Model, GMM)背景差分方法用于紅外蒸汽泄漏檢測(cè)分割,并研究高溫壓力容器泄漏環(huán)境下的運(yùn)動(dòng)蒸汽特征表現(xiàn),提出檢測(cè)與分割效果的量化評(píng)價(jià)指標(biāo),并構(gòu)建真實(shí)數(shù)據(jù)集與現(xiàn)有背景分割方法進(jìn)行實(shí)驗(yàn)對(duì)比。

1 蒸汽泄漏檢測(cè)方法

在大部分的紅外蒸汽泄漏場(chǎng)景中,攝像機(jī)拍攝的背景是變化較少的固定場(chǎng)景,基于此假設(shè),我們判斷在沒有蒸汽泄漏的情況下,攝像機(jī)拍攝的背景具有可以用統(tǒng)計(jì)學(xué)模型描述的常規(guī)特征。因此,本文建立了該紅外蒸汽泄漏場(chǎng)景的背景模型,當(dāng)出現(xiàn)不符合場(chǎng)景圖像中背景模型的部分時(shí),視為檢測(cè)到蒸汽泄漏。其流程如圖1所示。

1.1 基于背景差分法的圖像檢測(cè)分割

背景差分法的原理如下,一般分為四步:

(1)背景初始化:(也稱為背景生成、背景提取或背景重建)是計(jì)算第一幅背景圖像的過程。

(2)背景建模:(也稱為背景表示)描述了用于表示背景的模型。

(3)背景更新:該步驟主要關(guān)心如何更新背景模型,以自適應(yīng)視頻幀隨著時(shí)間推移出現(xiàn)的變化。

(4)背景與目標(biāo)像素分類:也稱為前景檢測(cè),包括對(duì)“背景”或“運(yùn)動(dòng)目標(biāo)對(duì)象”中的像素進(jìn)行分類。

這四個(gè)步驟使用的方法有不同的目標(biāo)函數(shù)和約束條件。因此,它們具有不同的算法特征。背景初始化是離線的,通過“批處理”來實(shí)現(xiàn)初始化。背景更新是在線的動(dòng)態(tài)算法,通過采取逐幀傳入數(shù)據(jù)的方式完成背景模型更新。背景初始化、建模和更新屬于圖像重建算法,前景檢測(cè)屬于分類算法。其運(yùn)作原理見圖1,其中N是用來建模的視頻幀數(shù),B(t)和I(t)分別代表t幀時(shí)背景和圖像。

背景模型的建立是背景差分法的核心任務(wù),是決定其余步驟采用何種方法的關(guān)鍵環(huán)節(jié)。背景建模有以下常見方式,統(tǒng)計(jì)見表1[10-13]:

圖1 蒸汽泄漏檢測(cè)方法流程

表1 背景建模方法

表1的背景建模方式并不是全部的方法,且均存在不同程度的問題,但混合高斯背景建模(GMM)相比其他方法,出現(xiàn)了更多的學(xué)者對(duì)其進(jìn)行改進(jìn)[14-17]?？紤]到紅外蒸汽泄漏檢測(cè)的場(chǎng)景的背景較為復(fù)雜,屬于多模態(tài)背景。本文使用一種改進(jìn)的基于混合高斯背景建模(GMM)的方法來實(shí)現(xiàn)對(duì)紅外蒸汽泄漏的檢測(cè)。

在本文的應(yīng)用場(chǎng)景中,蒸汽在大部分時(shí)間與管道、墻壁背景具有不同色彩與紋理,因此使用像素的強(qiáng)度值作為我們特征表示的基礎(chǔ),以此來建立背景模型,該特征表示有效利用了白色蒸汽陰影與背景的顏色差異,對(duì)光照的變化具有足夠的魯棒性。像素的強(qiáng)度值是該像素距離最近的物體表面反射的光線在該像素傳感器上的度量,滿足靜態(tài)背景和靜態(tài)光照的條件下,這個(gè)度量將是相對(duì)恒定的。假設(shè)在采樣過程中產(chǎn)生了獨(dú)立的高斯噪聲,那么該像素的強(qiáng)度值的密度可以用一個(gè)以平均像素值為中心的正態(tài)分布來描述。對(duì)于以t幀構(gòu)建背景模型的視頻序列I來說,每個(gè)像素X的變化過程可以用式(1)表示:

{X1,…,Xt}={I(x0,y0,i):1≤i≤t}

(1)

在檢測(cè)任務(wù)中,假設(shè)對(duì)于圖像的每個(gè)固定位置像素來說,其受到相同材質(zhì)物件的光照,那么僅需要一個(gè)可以自適應(yīng)調(diào)節(jié)參數(shù)的高斯模型就可以表示該像素。但實(shí)際上,整個(gè)檢測(cè)追蹤過程中,同一像素會(huì)受到不同材質(zhì)的不同光照,除此之外,在場(chǎng)景中存在移動(dòng)變化的前景像素,即使是如蒸汽這樣的具有相對(duì)一致的色彩特征的移動(dòng)對(duì)象,也會(huì)相比靜態(tài)背景產(chǎn)生更多的變化。對(duì)于大部分背景像素來說,其通常具有相同的像素分布,且數(shù)量要遠(yuǎn)多于前景像素,因此可以使用多個(gè)自適應(yīng)高斯模型來對(duì)某一像素點(diǎn)進(jìn)行近似,以模擬背景中像素值的不同模態(tài)。這一針對(duì)像素點(diǎn)的混合自適應(yīng)模型如式(2):

(2)

(3)

本文方法對(duì)背景像素高斯模型進(jìn)行更新,其過程基于這樣的兩點(diǎn)簡(jiǎn)單假設(shè)。

(1)像素的三通道取值獨(dú)立且具有相同的方差;

(2)某一像素在損失函數(shù)的度量上越接近訓(xùn)練得到的背景模型,該像素就越可能是背景的一部分,反之則更可能是前景目標(biāo)。

在將像素的背景模型用式(1)描述的基礎(chǔ)上,背景更新的過程采用K-means方法,對(duì)每一幀的每一個(gè)像素對(duì)照現(xiàn)有的K個(gè)高斯分布進(jìn)行檢查,直到新的像素點(diǎn)與對(duì)應(yīng)的高斯分布匹配上,本文采用Wasserstein作為匹配方法,其表達(dá)式見式(4):

Wp(μ,y)={infE[d(X,Y)p]}1/p

(4)

E為X,Y兩個(gè)分布的聯(lián)合分布的期望均值, 當(dāng)Wasserstein距離小于35,視為找到匹配,匹配函數(shù)描述了更新幀與背景模型的概率相似度,極大地提高了該算法的適用性。

當(dāng)新的像素與背景模型的高斯分布匹配上, 新背景模型的分布參數(shù)更新方式如下式:

μt=(1-ρ)μt-1+ρXt

(5)

(6)

其中式(7)為當(dāng)前背景模型的最小似然概率;式(8)中的α為學(xué)習(xí)率,表示背景的更新速率,當(dāng)像素與背景匹配上Mk,t為1,未匹配上為0。

ρ=αη(Xt∣μk,σk)

(7)

ωk,t=(1-α)ωk,t-1+α(Mk,t)

(8)

α為學(xué)習(xí)率,表示背景的更新速率,當(dāng)像素與背景匹配上Mk,t為1,未匹配上為0。如果當(dāng)前像素值沒有匹配上任何的背景模型分布,以當(dāng)前像素作為均值重新創(chuàng)建一個(gè)高斯模型,其標(biāo)準(zhǔn)差設(shè)置為初始化背景模型中的最大值,權(quán)重為初始化權(quán)重中的最小值。基于最大似然法更新背景模型的思路,使用ω/σ度量各個(gè)像素混合高斯分布的優(yōu)先級(jí),值越大,優(yōu)先級(jí)越高,越可能是背景。隨著訓(xùn)練樣本的增加,方差減小,ω/σ會(huì)不斷增加,在不斷更新中,只有匹配成功的樣本會(huì)讓其變化。這樣保證了最可能的背景模型始終在頂部。匹配到第n個(gè)模型分布時(shí),所建立的背景模型的數(shù)學(xué)表達(dá)式可以被表示為式(9):

(9)

其中T表示背景權(quán)重之和的最小值,表示屬于背景而不受運(yùn)動(dòng)前景影響的最小度量,默認(rèn)設(shè)置為0.9。T較高時(shí),背景模型中可能會(huì)包括一些重復(fù)運(yùn)動(dòng)的背景(例如吹動(dòng)的煙霧、工廠里震動(dòng)的螺絲等)所導(dǎo)致的透明陰影。蒸汽泄漏目標(biāo)的檢測(cè)分割過程就是不斷地用當(dāng)前幀與背景模型進(jìn)行差分運(yùn)算來檢測(cè)分割動(dòng)態(tài)目標(biāo)。在本文方法中就是逐像素計(jì)算當(dāng)前幀模型與背景高斯模型之間的Wasserstein距離,當(dāng)距離大于閾值時(shí),該像素為目標(biāo)像素,反之屬于背景。

1.2 分割結(jié)果圖像后處理

蒸汽泄漏場(chǎng)景存在著管路與拍攝平臺(tái)的微小相對(duì)運(yùn)動(dòng)導(dǎo)致的震動(dòng)、蒸汽對(duì)光線的遮擋等各種影響成像質(zhì)量的因素,如圖2(a)、(b)所示,需要在檢測(cè)中進(jìn)行圖像處理,本文采取了兩種圖像處理方式對(duì)抗以上因素導(dǎo)致的噪聲、空洞與裂縫。

1.2.1 空間域?yàn)V波

當(dāng)前常見的空間域?yàn)V波方法包括高斯濾波、中值濾波、均值濾波等,其采用卷積元素作為kernel,一般通過諸如微分、積分的數(shù)值運(yùn)算得到中心濾波像素的值。高斯濾波根據(jù)距離濾波核中心元素的距離與高斯分布的模型計(jì)算中心像素,在去除高斯隨機(jī)噪聲時(shí)非常有效,但是容易造成圖像模糊,中值濾波用核中中值代替中心像素,計(jì)算簡(jiǎn)單但容易濾掉小目標(biāo)。均值濾波取核中像素均值代替中心元素,對(duì)于椒鹽噪聲濾除能力強(qiáng),雖然也會(huì)造成一定的模糊,但小于高斯濾波。本文使用自適應(yīng)的均值濾波方法進(jìn)行去噪并進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理,結(jié)果如圖2(c)所示。

圖2 濾波及形態(tài)學(xué)處理

1.2.2 檢測(cè)結(jié)果形態(tài)學(xué)處理

形態(tài)學(xué)是一門建立在拓?fù)鋵W(xué)基礎(chǔ)上的圖像分析學(xué)科,其與空域?yàn)V波的本質(zhì)區(qū)別是采用結(jié)構(gòu)元素作為內(nèi)核,通過集合運(yùn)算得到對(duì)應(yīng)的中心像素值。結(jié)構(gòu)元素是由0和1組成的矩陣,它可以是任何形狀與大小,但是一般來說,結(jié)構(gòu)元素要小于待處理的圖像中的形狀,且結(jié)構(gòu)元素的中心像素原點(diǎn)應(yīng)當(dāng)與輸入圖像的ROI區(qū)域像素點(diǎn)對(duì)應(yīng)。

形態(tài)學(xué)操作的基本方式有腐蝕與膨脹,以及在此之上通過不同處理順序,不同運(yùn)算方式得到的高級(jí)形態(tài)學(xué)操作。通常來講,腐蝕可以刪除對(duì)象形狀的邊界像素,使形狀減小,膨脹與此相反,使邊界像素增加,形狀變大。當(dāng)先腐蝕再膨脹就實(shí)現(xiàn)了高級(jí)形態(tài)學(xué)操作開運(yùn)算,它可以分離物體,并在平滑邊界的同時(shí)不明顯改變形狀及其大小。當(dāng)順序顛倒,先膨脹再腐蝕,即為閉運(yùn)算,可以排除形狀中的空洞。本文在圖像處理的不同階段使用了開閉運(yùn)算作為圖像檢測(cè)的后處理,處理結(jié)果如圖2(d)所示。

1.3 基于統(tǒng)計(jì)特征的蒸汽泄漏判斷

蒸汽目標(biāo)作為一種大小、形狀不定的特殊檢測(cè)目標(biāo),通過背景差分法處理泄漏圖像獲得疑似泄漏區(qū)域,在疑似泄漏區(qū)域目標(biāo)中,針對(duì)泄漏蒸汽灰度特征、形狀及擴(kuò)散特征分析判別泄漏蒸汽區(qū)域,并根據(jù)泄漏陰影面積特征判定泄漏級(jí)別。

1.3.1 蒸汽特征研究

當(dāng)紅外光通過物質(zhì),物質(zhì)分子中與光波振動(dòng)頻率相同的部分會(huì)吸收紅外輻射能量躍遷到高能級(jí),導(dǎo)致紅外光能量下降。表現(xiàn)在紅外圖像上就是在蒸汽邊緣的低溫部分出現(xiàn)較暗的陰影效果,計(jì)算泄漏圖像中灰度zk出現(xiàn)概率:

(10)

其中,nk是灰度zk在圖像中出現(xiàn)的次數(shù),WH是像素總數(shù),在第102幀泄漏蒸汽圖像中,其灰度分布直方圖如圖3所示:

圖3 泄漏蒸汽灰度特征

可以看到泄漏幀灰度圖具有兩個(gè)峰,代表背景和蒸汽像素的兩類區(qū)域。本文計(jì)算疑似蒸汽泄漏區(qū)域與背景區(qū)域的灰度標(biāo)準(zhǔn)差,如式(11),發(fā)現(xiàn)泄漏與疑似泄漏區(qū)域的方差具有一定偏離。m表示各個(gè)區(qū)域的灰度均值,該項(xiàng)特征可用于與形狀面積特征聯(lián)合判定蒸汽泄漏。

(11)

1.3.2 蒸汽特征判別準(zhǔn)則

考慮到本文蒸汽泄漏場(chǎng)景下的紅外圖像會(huì)出現(xiàn)與可見光成像所面對(duì)的不同的干擾,比如因泄漏蒸汽加熱周圍管道保溫層導(dǎo)致的非泄漏區(qū)域異常高溫,蒸汽受到物體阻礙產(chǎn)生的形狀變化,所以無法憑借單一特征判定蒸汽泄漏。本文利用蒸汽泄漏圖像的灰度、形狀及面積特征,判別相關(guān)幀是否處在蒸汽泄漏狀態(tài),并根據(jù)泄漏大小,給出初步的輕微、普通、嚴(yán)重三種泄漏程度判斷。判斷標(biāo)準(zhǔn)如下,當(dāng)疑似蒸汽泄漏區(qū)域灰度值屬于泄漏蒸汽灰度分布的第二個(gè)峰且形狀閉合時(shí),認(rèn)為該幀是蒸汽泄漏。在確定泄漏的情況下,本文挑選人工判斷的三種不同程度的泄漏圖像,根據(jù)對(duì)泄漏蒸汽陰影占全圖面積的比例來確定泄漏程度,當(dāng)占比小于4%時(shí),判斷為輕微泄露,占比為4%～7%時(shí)定義為中等泄漏,大于12%即為嚴(yán)重泄漏,人工判斷的三種程度泄漏成像如圖4所示:

圖4 蒸汽泄漏程度示意圖

2 實(shí)驗(yàn)結(jié)果與分析

在Windows 11系統(tǒng)進(jìn)行實(shí)驗(yàn),軟件配置為Python 3.8,opencv-contrib-python 4.4.0版本,numpy 1.19.0,scipy 1.6.2版本。

2.1 數(shù)據(jù)集

數(shù)據(jù)集選用自建的SteamLeak數(shù)據(jù)集中的steamTS200inf1數(shù)據(jù)集作為該次試驗(yàn)的數(shù)據(jù)集,該數(shù)據(jù)集采集自?？礑S-2TA03型號(hào)紅外相機(jī)拍攝的蒸汽泄漏試驗(yàn),如圖5所示。

其拍攝的智能機(jī)器人試運(yùn)行測(cè)試平臺(tái),由管廊管網(wǎng)區(qū)、容器設(shè)備區(qū),儀器儀表區(qū)等組成,使用的試驗(yàn)蒸汽源壓力穩(wěn)定在0.3 MPa左右,蒸汽溫度設(shè)置為110℃左右。該數(shù)據(jù)集由218張紅外圖片組成,大小為384×288,為方便處理,統(tǒng)一裁剪成160×120大小。標(biāo)注采用labelme軟件,對(duì)具有明顯輪廓的蒸汽泄漏圖像進(jìn)行標(biāo)注,生成遮罩。

圖5 蒸汽泄漏試驗(yàn)

2.2 對(duì)比分析

為了探索在蒸汽泄漏陰影檢測(cè)中背景差分方法的有效性,選用了3種算法與本文所提供的改進(jìn)算法做對(duì)比分析,本文算法優(yōu)于其對(duì)比算法。本算法的主要參數(shù)設(shè)置見表2。

表2 主要參數(shù)設(shè)置與初始化

2.2.1 主觀結(jié)果對(duì)比分析

為了驗(yàn)證所提改進(jìn)方法的優(yōu)勢(shì),選用LSBP[18](Local SVD Binary Pattern)、GMG[19](三位作者的姓氏首字母簡(jiǎn)寫)、CNT[20](CouNT)三種方法與本文所提方法在steamTS200inf數(shù)據(jù)集上進(jìn)行對(duì)比,其檢測(cè)結(jié)果對(duì)比如圖6所示。

從中可以看到,所有的方法都存在不同程度的噪聲點(diǎn),GMG算法幾乎無法檢測(cè)到大片的蒸汽陰影,LSBP和CNT檢測(cè)到的蒸汽具有較為明顯的空洞與裂縫,檢測(cè)到的前景目標(biāo)不是很完整。相比這幾種算法,本文提到的改進(jìn)算法檢測(cè)到的目標(biāo)非常完整,雖然整幅圖像去噪方面并無明顯優(yōu)勢(shì),但是對(duì)目標(biāo)前景的邊緣與內(nèi)部噪聲抑制非常明顯。

2.2.2 檢測(cè)結(jié)果客觀評(píng)價(jià)分析

為了評(píng)估算法對(duì)蒸汽泄漏的檢測(cè)能力,本文根據(jù)分類任務(wù)的常用評(píng)價(jià)模型好壞的方法及概念計(jì)算了相關(guān)指標(biāo)并對(duì)四種算法做了對(duì)比,以未泄漏、輕微泄漏、中度泄漏、嚴(yán)重泄漏為分類標(biāo)簽,根據(jù)實(shí)驗(yàn)數(shù)據(jù)集steamTS200inf,依據(jù)時(shí)間順序,將序列幀劃分為四個(gè)階段,即前15幀為0類未泄漏,第16幀到第20幀為1類輕微泄漏,第21幀到第25幀為2類中度泄漏,從第25幀到218幀均為3類嚴(yán)重泄漏。

圖6 steamTS200inf 數(shù)據(jù)集檢測(cè)結(jié)果對(duì)比分析

本文使用精準(zhǔn)度(accuary)、準(zhǔn)確率(precision)、召回率(recall)和F1分?jǐn)?shù)作為泄露二分類的評(píng)價(jià)指標(biāo)。在本文的分類任務(wù)中,對(duì)每一幀圖像的對(duì)應(yīng)i類(i取值0,1,2,3)預(yù)測(cè)結(jié)果可以分為TP真正例、TN真負(fù)例、FP偽正例、FN偽負(fù)例,它們的含義如表3所示。

表3 混淆矩陣示意

在機(jī)器學(xué)習(xí)中,精度可以表示為式(12),其是對(duì)分類器分類精度的整體評(píng)價(jià),是預(yù)測(cè)正確的樣本量和總樣本量的比值。

(12)

準(zhǔn)確率表示為式(13),是預(yù)測(cè)i類中正確分到對(duì)應(yīng)類的比例,取值為0～1,越接近1代表分類模型越好;召回率表示為(14),是預(yù)測(cè)為i類的樣本占所有i類樣本的比例,取值為0～1,同樣約接近1越好,召回率和準(zhǔn)確率互相矛盾,成反比關(guān)系,因此需要用F分?jǐn)?shù)平衡矛盾,定義如式(15),是權(quán)重為α的F和R的加權(quán)調(diào)和平均,α為1時(shí)即為F1分?jǐn)?shù)。

(13)

(14)

(15)

當(dāng)不需要泄漏等級(jí)判斷,僅做泄漏和未泄漏的二分判別時(shí),本文定義未泄漏卻預(yù)測(cè)為泄漏的樣本量比上真實(shí)泄漏樣本量為泄漏誤報(bào)率,預(yù)測(cè)真實(shí)泄漏樣本量比上真實(shí)標(biāo)簽泄漏量的值為泄漏報(bào)警率,該值越接近1越好,可以大于100%。試驗(yàn)結(jié)果如表4所示。

從表4中可以看到,文使用算法泄漏報(bào)警率最接近1,檢測(cè)效果最好,LSBP算法靈敏度較高,超出了100%,誤報(bào)較多,GMG算法對(duì)于本場(chǎng)景的識(shí)別效果最差,只有11.33%的報(bào)警率。準(zhǔn)確率和召回率均是二分類指標(biāo),當(dāng)用于多分類時(shí),本文根據(jù)樣本在總樣本中所占比例為4類結(jié)果分配權(quán)重取加權(quán)均值得到對(duì)應(yīng)的指標(biāo),可以看到,各個(gè)泄漏等級(jí)類i的檢測(cè)具有不同的特征閾值,導(dǎo)致其他算法的F1指標(biāo)與i(i=1,2,3)類精準(zhǔn)率并不高,加之各類樣本不均衡,會(huì)出現(xiàn)取值為0的結(jié)果。但蒸汽泄漏問題最關(guān)注的是泄漏與否,即二分問題,可以看到本文算法及其他算法在泄漏報(bào)警率上與誤報(bào)率上均表現(xiàn)較佳,除GMG算法外均可達(dá)95%以上,誤報(bào)率低于5%。

為了客觀評(píng)價(jià)本文方法對(duì)蒸汽泄漏紅外陰影目標(biāo)檢測(cè)的有效性。借鑒圖像分割任務(wù)中的相關(guān)評(píng)價(jià)指標(biāo),本文使用索倫森-骰子系數(shù)(Dice Coefficient)利用數(shù)據(jù)集第218幀標(biāo)注結(jié)果度量蒸汽泄漏分割檢測(cè)效果。Dice是一種集合相似的度量函數(shù),用于計(jì)算樣本的相似度,其通常定義為式(16):

(16)

在背景與前景的分割問題中,蒸汽前景像素點(diǎn)為真值(陽(yáng)性),背景像素點(diǎn)為負(fù)值(陰性),其中TP(True Positive)表示正確的分為陽(yáng)性的像素?cái)?shù),即實(shí)際為蒸汽前景,也正確檢測(cè)為蒸汽前景的像素個(gè)數(shù);FP表示錯(cuò)分為陽(yáng)性的像素個(gè)數(shù),即被錯(cuò)誤歸到蒸汽前景的背景像素的個(gè)數(shù);FN表示錯(cuò)分為陰性的像素個(gè)數(shù),即錯(cuò)誤檢測(cè)為背景像素的蒸汽前景像素的個(gè)數(shù)。

表4 試驗(yàn)檢測(cè)分類結(jié)果指標(biāo)圖

從圖6和表5中可以看到,MG算法的Dice最低,與真實(shí)值相差最大;CNT和LSBP算法的度量值接近,本文改進(jìn)的混合高斯背景差分法得分最高,為0.7831,驗(yàn)證了該算法在蒸汽泄漏紅外目標(biāo)檢測(cè)中的有效性。

表5 分割Dice指標(biāo)比較

3 結(jié) 論

本文實(shí)現(xiàn)了對(duì)靜態(tài)背景下的蒸汽泄漏檢測(cè),并提出一種改進(jìn)的基于混合高斯模型的背景差分法。該方法在與目前主流的其他背景差分法的對(duì)比中,在泄漏報(bào)警率及Dice指標(biāo)上有更優(yōu)異的表現(xiàn)。以真實(shí)的紅外蒸汽泄漏數(shù)據(jù)做實(shí)驗(yàn)分析,實(shí)驗(yàn)結(jié)果表明,基于改進(jìn)GMM背景差分方法可以實(shí)現(xiàn)對(duì)紅外蒸汽視頻的泄漏檢測(cè)。

本文提出的方法是一種近于無監(jiān)督學(xué)習(xí)的方法,這是本文工作的主要優(yōu)勢(shì),同時(shí)從原理來看,本文的方法也具有對(duì)類似靜態(tài)背景目標(biāo)進(jìn)行檢測(cè)的通用性。由于樣本數(shù)據(jù)的長(zhǎng)尾效應(yīng),本文并沒有機(jī)會(huì)使用大量的泄漏數(shù)據(jù)去獲取背景模型特征。在日后的研究與工作中,將建立更大的數(shù)據(jù)集,通過基于深度學(xué)習(xí)的圖像分割與建模方法實(shí)現(xiàn)對(duì)蒸汽泄漏類型目標(biāo)的識(shí)別與定位;并將本文方法在其他動(dòng)態(tài)目標(biāo)檢測(cè)領(lǐng)域進(jìn)行拓展。