本发明属于气体泄漏监测领域，具体提供一种基于tsdnet的红外天然气泄漏视频检测方法。
背景技术：
1、近年来，工业排放和意外泄漏对空气质量和公共健康的影响日益严重；随着工业发展对安全性要求越来越高，对于安全隐患的实时监控引起了油气行业的广泛关注；易燃易爆气体泄漏是引起安全事故的重要诱因，因此，在气体泄漏的早期进行有效检测并告警至关重要。
2、然而，像天然气这样的物质在正常照明条件下是无法检测的，必须使用红外成像进行有效监测；目前，在红外图像中检测气体面临着独特的挑战，尤其是气体特征微弱且容易被环境噪声掩盖时；传统方法主要依赖于手动特征提取和颜色分析，其在简单场景中有效，但在烟雾扩散的复杂动态条件下往往会失败；在这些情况下，微弱或弥散的烟雾模式很容易逃避人类检测和图像处理技术，导致泄漏检测准确度低及响应延迟；此外，这些方法难以应对气体羽流的瞬态、微弱特性，进一步导致泄漏检测出现严重延迟或误报。
技术实现思路
1、本发明的目的在于提供一种基于tsdnet的红外天然气泄漏视频检测方法，用于解决现有技术中气体泄漏检测存在的准确度低的问题。
2、为实现上述目的，本发明采用的技术方案为：
3、一种基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，包括以下步骤：
4、步骤1、使用ansys fluent流体仿真工具进行天然气泄漏的视频仿真，得到原始仿真视频数据，并基于原始仿真视频数据制作标签图像，同时对原始仿真视频数据进行背景融合，最终形成仿真数据训练集；
5、步骤2、构建红外天然气泄漏视频检测网络(tsdnet)，所述红外天然气泄漏视频检测网络(tsdnet)包括编码器与解码器；其中，所述编码器由四个卷积组合模块连接构成，第一卷积组合模块的输入为视频样本数据，四个卷积组合模块的输出特征依次标记为y1、y2、y3、y4，输出特征y2、y3、y4进行特征拼接后得到视频特征张量y，将视频特征张量y作为编码器的输出并送入解码器；
6、所述解码器由第一线性变换层、矩阵分解模块、第二线性变换层与输出层连接构成；
7、步骤3、构建损失函数，采用仿真数据训练集对红外天然气泄漏视频检测网络进行预训练，完成训练后得到红外天然气泄漏视频检测预训练模型；
8、步骤4、采集天然气泄漏真实视频数据，并采用labelme像素级标注得到标签，从而形成真实数据训练集；采用相同损失函数对红外天然气泄漏视频检测预训练模型进行再次训练，训练完成后得到红外天然气泄漏视频检测模型；
9、步骤5、将待检测视频输入红外天然气泄漏视频检测模型，由模型输出检测结果。
10、进一步的，步骤1中，天然气泄漏的视频仿真的具体过程为：
11、在ansys fluent流体仿真工具中采用species transport模型模拟天然气扩散、采用k-omega模型模拟近壁区湍流，设置天然气成分为甲烷(ch4)：乙烷(c2h6)：丙烷(c3h8)：氮气(n2)＝0.86：0.09：0.03：0.02，设置泄漏口的天然气泄漏速度为随机变化，由此完成天然气泄漏仿真，得到天然气泄漏的原始仿真视频数据。
12、进一步的，步骤1中，制作标签图像的具体过程为：针对每一帧原始仿真图像数据，将背景区域的像素值标记为0，天然气气体区域的像素值标记为1，生成对应的单通道标签图像。
13、进一步的，步骤1中，背景融合的具体过程为：
14、首先，对原始仿真图像数据进行颜色反转操作，得到烟雾图像；针对每一个像素点，采用255减去当前像素值，得到颜色反转后像素值，此过程中，白色部分变为黑色，黑色部分变为白色，气体浓度越高的部分越接近白色，气体浓度越低的部分越接近背景色；
15、然后，基于烟雾图像创建掩码，得到灰度掩码；将烟雾图像转换为灰度图像(l模式)，即为灰度掩码；利用颜色反转后的烟雾图像生成灰度掩码以控制图像的透明度，灰度掩码中每个像素值代表透明度，像素值越低表示透明度越高；
16、最后，利用灰度掩码将烟雾图像与应用背景图像进行混合，生成样本图像。
17、进一步的，步骤2中，所述矩阵分解模块采用tucker分解。
18、进一步的，步骤2中，所述编码器中四个卷积组合模块分别由多个3d卷积模块(3dmscan)连接构成，四个卷积组合模块的3d卷积模块的数量依次为3、3、5、2；
19、所述3d卷积模块包括：第一批量归一化模块(bn)、注意力机制模块(attention)、第二批量归一化模块(bn)及下采样模块(ffn)；其中，3d卷积模块的特征输入标记为y0，特征y0依次经过第一批量归一化模块与注意力机制模块后得到特征y1，特征y1与特征y0相加得到特征y2，特征y2依次经过第二批量归一化模块与下采样模块后得到特征y3，特征y3与特征y2相加得到特征y4，特征y4作为3d卷积模块的输出。
20、更进一步的，步骤2中，所述注意力机制模块包括七个卷积单元，其中，注意力机制模块的特征输入标记为y01，第一卷积单元采用conv(1×1×1)，特征y01依次经过第一卷积单元与gelu后得到特征y02，第二卷积单元采用conv(3×5×5,d)，特征y02经过第二卷积单元后得到特征y03，第三卷积单元采用conv(3×1×7,d)+conv(3×7×1,d)，第四卷积单元采用conv(3×1×11,d)+conv(3×11×1,d)，第五卷积单元采用conv(3×1×21,d)+conv(3×21×1,d)，特征y03分别经过第三、第四、第五卷积单元后依次得到特征y04、特征y05、特征y06，特征y04、特征y05、特征y06与特征y03相加得到特征y07，第六卷积单元采用conv(1×1×1)，特征y07经过第六卷积单元后得到特征y08，特征y08与特征y02相乘得到特征y09，第七卷积单元采用conv(1×1×1)，特征y09经过第七卷积单元后得到注意力机制模块的输出；
21、所述下采样模块的结构为：conv(1×1×1)+conv(1×1×1,d)+gelu+conv(1×1×1)；
22、conv(a×b×c)表示卷积核大小为a×b×c的卷积层，conv(a×b×c,d)表示卷积核大小为a×b×c的深度可分离卷积层，gelu表示非线性激活函数。
23、进一步的，步骤3中，所述损失函数表示为：
24、ltotal＝β×lce+γ×lte+δ×lsp
25、其中，ltotal表示总损失函数，lce表示交叉熵损失函数，lte表示时间一致性损失函数，lsp表示空间一致性损失函数；β、γ、δ分别表示对应损失函数的加权系数，且β+γ+δ＝1；
26、所述时间一致性损失函数表示为：
27、
28、diffi(x,y)＝pixeli+1(x,y)-pixeli(x,y)
29、其中，n表示模型输出视频序列的总帧数，h与w分别每一帧图像的高度和宽度；pixeli(x,y)与pixeli+1(x,y)表示模型输出视频序列中第i帧与第i+1帧在相同像素位置(x,y)的特征值；
30、所述空间一致性损失函数表示为：
31、
32、所述交叉熵损失函数为：
33、
34、其中，c为类别总数，表示输出视频序列中第i帧在像素位置(x,y)的像素属于第j类的模型预测概率，pi,j(x,y)表示输入视频序列中第i帧在像素位置(x,y)的像素属于第j类的标签值。
35、基于上述技术方案，本发明的有益效果在于：
36、本发明提供一种基于tsdnet的红外天然气泄露检测方法，相较于其他方法，能够更加准确提取泄露气体区域，尤其针对微弱气体，具有测量误差小、响应速度快、灵敏度高、测量结果准确可靠的优点，能够实现气体泄露的高精度、非接触检测，进而实现实时预警。此外，本发明采用仿真软件ansys fluent仿真得到天然气泄漏视频的方法，得到大量准确的分割数据，解决了现有技术中数据获取难度大、标签制作精确度不高等问题；同时，本发明将仿真数据训练的预训练模型迁移到真实数据上进行二次训练，进一步提高模型的检测性能。
1.一种基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤1中，天然气泄漏的视频仿真的具体过程为：
3.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤1中，制作标签图像的具体过程为：针对每一帧原始仿真图像数据，将背景区域的像素值标记为0，天然气气体区域的像素值标记为1，生成对应的单通道标签图像。
4.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤1中，背景融合的具体过程为：
5.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤2中，所述矩阵分解模块采用tucker分解。
6.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤2中，所述编码器中四个卷积组合模块分别由多个3d卷积模块(3dmscan)连接构成，四个卷积组合模块的3d卷积模块的数量依次为3、3、5、2；
7.根据权利要求6所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤2中，所述注意力机制模块包括七个卷积单元，其中，注意力机制模块的特征输入标记为y01，第一卷积单元采用conv(1×1×1)，特征y01依次经过第一卷积单元与gelu后得到特征y02，第二卷积单元采用conv(3×5×5,d)，特征y02经过第二卷积单元后得到特征y03，第三卷积单元采用conv(3×1×7,d)+conv(3×7×1,d)，第四卷积单元采用conv(3×1×11,d)+conv(3×11×1,d)，第五卷积单元采用conv(3×1×21,d)+conv(3×21×1,d)，特征y03分别经过第三、第四、第五卷积单元后依次得到特征y04、特征y05、特征y06，特征y04、特征y05、特征y06与特征y03相加得到特征y07，第六卷积单元采用conv(1×1×1)，特征y07经过第六卷积单元后得到特征y08，特征y08与特征y02相乘得到特征y09，第七卷积单元采用conv(1×1×1)，特征y09经过第七卷积单元后得到注意力机制模块的输出；
8.根据权利要求1所述基于tsdnet的红外天然气泄漏视频检测方法，其特征在于，步骤3中，所述损失函数表示为：
