一种基于远红外图像的燃气泄漏溯源监测方法及系统与流程

本技术属于燃气管道安全监测，具体涉及一种基于远红外图像的燃气泄漏溯源监测方法及系统。

背景技术：

1、燃气作为城市重要的清洁能源，其输配管网的安全运行关系到公共安全与社会稳定。然而，随着管网规模扩大和服役年限增长，管道老化、外部施工破坏等因素导致的燃气泄漏事故频发，对人民生命财产安全构成严重威胁。因此，实现燃气泄漏的早期、精准监测与溯源至关重要。

2、现有的燃气泄漏检测技术主要依赖传统手段，如点式气体传感器和人工巡检。点式传感器需要燃气扩散至探头位置才能响应，存在检测滞后、覆盖范围有限、易受环境干扰等问题，且无法实现泄漏源定位。人工巡检则效率低下、劳动强度大，对高空、地下、密闭及偏远危险区域难以有效覆盖，漏检率高，且受巡检人员经验影响较大。

3、近年来，红外光学成像技术为燃气泄漏可视化监测提供了新途径。燃气主要成分在特定中红外波段具有特征吸收光谱，通过红外成像可实现对泄漏云团的可视化。然而，现有基于红外图像的检测技术，在复杂背景下的微弱泄漏特征提取、多源信息融合诊断、以及针对不同敷设场景（如埋地、地下空间）的精准溯源定位方面仍存在不足，且预警处置流程不够完善，难以满足早期预警、精准溯源、快速闭环的现代化安全运维需求。

4、因此，亟需一种能够克服上述缺陷，实现燃气泄漏早期精准识别、全场景溯源及分级预警闭环处置的新方法。

技术实现思路

1、本技术提供了提供一种基于远红外图像的燃气泄漏溯源监测方法及系统，以解决燃气泄漏检测精度低、溯源定位不准、预警响应滞后等问题。

2、本技术提供一种基于远红外图像的燃气泄漏溯源监测方法，包括：

3、通过部署的远红外传感器阵列及多模态传感器采集燃气管道的多模态数据，多模态数据包括远红外热像序列、管道振动及声波信号、管道压力数据和管道流量数据；其中，远红外传感器阵列搭载有窄带滤波片，用于捕捉燃气特征吸收峰的光谱信号；

4、对多模态数据依次进行时空对齐、自适应动态滑动窗口处理及无效数据滤除操作，得到有效数据片段；

5、采用双树复小波变换对有效数据片段进行多尺度分解，并结合短时傅里叶变换构建时频谱，提取多模态时频特征；

6、将多模态时频特征输入预先训练好的双分支深度学习模型，得到燃气泄漏诊断结果，其中，双分支深度学习模型包括用于处理远红外图像空间特征的cnn分支和用于处理管道工况时序特征的lstm分支；

7、基于远红外热像序列进行泄漏范围识别，并根据管道敷设场景调用对应的溯源模型进行泄漏源定位，得到泄漏源坐标，其中，管道敷设场景包括埋地管道场景和地下空间管道场景；

8、根据燃气泄漏诊断结果和泄漏源坐标进行分级预警。

9、进一步地，窄带滤波片的通带中心波长匹配甲烷的8.6μm特征吸收峰和丙烷的9.2μm特征吸收峰。

10、进一步地，对多模态数据依次进行时空对齐、自适应动态滑动窗口处理，包括：

11、利用北斗授时模块为所有传感器统一授时，构建全局统一的时间戳基准，并采用插值同步校准算法对不同采集频率的数据进行时序匹配；依据各传感器的布设坐标及监测视场范围，建立统一的管网gis空间坐标系，将所有采集设备的监测区域映射至同一空间维度，完成空间对齐，得到时序对齐后的多模态数据；

12、基于时空对齐后的多模态数据，实时计算各模态对应的数据流的变化速率及波动方差，判断信号处于缓变故障模式还是急变故障模式；若处于缓变故障模式，则增大滑动窗口长度、减小滑动步长；若出于急变故障模式，则缩小滑动窗口长度、增大滑动步长，其中，窗口采用重叠滑动机制，以截取有效数据片段。

13、进一步地，在采用双树复小波变换对有效数据片段进行多尺度分解，并结合短时傅里叶变换构建时频谱，提取多模态时频特征之后，将多模态时频特征输入预先训练好的双分支深度学习模型，得到燃气泄漏诊断结果之前，方法还包括：

14、进行以下三级提纯操作：

15、对多模态视频特征进行双树复小波分解得到3～5级中高频细节分量，将中高频细节分量作为燃气泄露的有效特征，再根据管道正常工况信号能量设置自适应阈值去除有效特征中的小波噪声，得到降噪信号，最后将降噪信号重构并提取时域峰值、持续扰动时长、故障主频、特征频段能量占比指标，形成燃气泄漏故障特征向量。

16、进一步地，双分支深度学习模型还包括回归分支和分类分支；

17、回归分支用于输出燃气泄漏浓度的连续数值；

18、分类分支用于输出故障识别结果及风险等级，故障识别结果包括正常工况、微小缓慢泄漏、常规泄漏和突发严重泄漏，风险等级包括低、中、高三种危险等级。

19、进一步地，基于远红外热像序列进行泄漏范围识别，具体包括：

20、对远红外热像序列进行自适应光谱阈值分割，得到二值化图像；

21、采用suzuki轮廓跟踪细化算法对二值化图像进行边缘提取，获取泄漏云团轮廓；

22、利用数学形态学开运算对泄漏云团轮廓进行降噪提纯，计算泄漏扩散面积与覆盖范围。

23、进一步地，当管道敷设场景为埋地管道场景时，调用溯源模型进行泄漏源定位具体为：

24、基于菲克扩散定律构建土壤介质三维气体传质模型，将泄漏扩散面积与覆盖范围作为输入变量，模拟燃气在土壤中的扩散规律；

25、利用遗传算法对泄漏点坐标、泄漏孔径、泄漏速率及泄漏时长进行参数反演，得到埋地管道的泄漏源坐标。

26、进一步地，当管道敷设场景为地下空间管道场景时，调用溯源模型进行泄漏源定位具体为：

27、基于监测点实时燃气浓度时序数据、浓度梯度变化率与扩散时延特征，结合构建的气流场与燃气浓度扩散的耦合模型的反向推演算法，对全域浓度场进行逆梯度回溯求解，通过迭代比对“模拟扩散场”与“实测浓度场”的残差误差，不断修正候选泄漏源位置、泄漏强度与起始时刻，最终收敛定位出地下空间管道的泄漏源坐标；其中，气流场与燃气浓度扩散的耦合模型构建过程为：录入地下空间结构及环境参数，利用计算流体力学方程求解气流速度场与压力场分布，得到实时动态气流扰动数据；基于实时动态气流扰动数据和燃气扩散传质过程，构建气流场与燃气浓度扩散的耦合模型，模拟燃气随气流扰动的扩散过程。

28、本技术还提供一种基于远红外图像的燃气泄漏溯源监测系统，包括：

29、数据接收模块，用于接收通过布设的远红外传感器阵列及多模态传感器采集燃气管道的多模态数据；所述多模态数据包括远红外热像序列、管道振动及声波信号、管道压力数据和管道流量数据；其中，所述远红外传感器阵列搭载有窄带滤波片，用于捕捉燃气特征吸收峰的光谱信号；

30、预处理模块，用于对所述多模态数据依次进行时空对齐、自适应动态滑动窗口处理及无效数据滤除操作，得到有效数据片段；

31、特征提取模块，用于采用双树复小波变换对所述有效数据片段进行多尺度分解，并结合短时傅里叶变换构建时频谱，提取多模态时频特征；

32、智能诊断模块，用于将所述多模态时频特征输入预先训练好的双分支深度学习模型，得到燃气泄漏诊断结果，其中，所述双分支深度学习模型包括用于处理远红外图像空间特征的cnn分支和用于处理管道工况时序特征的lstm分支；

33、溯源定位模块，用于基于所述远红外热像序列进行泄漏范围识别，并根据管道敷设场景调用对应的溯源模型进行泄漏源定位，得到泄漏源坐标，其中，所述管道敷设场景包括埋地管道场景和地下空间管道场景；

34、预警处置模块，用于根据所述燃气泄漏诊断结果和泄漏源坐标进行分级预警。

35、本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法。

36、与现有技术相比，本技术具有如下优点：

37、1）提升了检测精度与特异性：通过搭载窄带滤波片捕捉燃气特征光谱，并结合深度学习模型提取时频特征，能够有效滤除背景干扰，提取强噪声环境下的微弱泄漏特征，有效解决了背景复杂、信号微弱导致的识别难题，实现了泄漏的早期、精准识别与故障诊断。

38、2）实现了全场景精准溯源：针对埋地、地下空间等不同敷设场景构建专属溯源模型，将远红外图像识别的泄漏范围与物理模型深度融合，解决了传统方法溯源单一、定位误差大、场景适配差的问题，实现了复杂工况下的泄漏源精准定位。

39、3）强化了早期预警与闭环处置：建立高点监控与三级预警联动机制，根据泄漏态势自动分级预警并调配应急资源，处置后通过远红外设备复核，形成了“监测-预警-处置-复核”的闭环管理，将应急响应从“事后溯源”升级为“事前预警”。

40、4）提高了智能化水平：多模态数据融合与智能诊断模型替代了传统人工巡检与单一参数检测，大幅降低了人工劳动强度和运维成本，提升了监测覆盖范围与运维智能化水平，兼具显著的经济效益与社会效益。

41、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。