CN110363109B - 一种基于计算机视觉的覆盖式漏油检测系统及方法 - Google Patents
一种基于计算机视觉的覆盖式漏油检测系统及方法 Download PDFInfo
- Publication number
- CN110363109B CN110363109B CN201910562939.XA CN201910562939A CN110363109B CN 110363109 B CN110363109 B CN 110363109B CN 201910562939 A CN201910562939 A CN 201910562939A CN 110363109 B CN110363109 B CN 110363109B
- Authority
- CN
- China
- Prior art keywords
- unit
- target pattern
- oil leakage
- image
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于视觉图像的漏油检测系统,包括监测端与设置于漏油点的至少一个标签端;所述监测端包括检测点推向获取模块、漏油监测处理模块和警告信息处理模块;所述检测点推向获取模块、漏油监测处理模块、警告信息处理模块依次相连;本发明的漏油检测方法适用于油田作业区域对抽油机抽油作业进行监控,高效地实现对漏油口附近场景进行监控,检测稳定性和准确性较高,能够判别出漏油的程度并发出不同等级的报警,且检测成本较低。
Description
技术领域
本发明属于漏油检测技术领域,尤其涉及一种基于计算机视觉的覆盖式漏油检测系统及方法。
背景技术
石油的开采方式主要有自喷采油和人工举升采油。在油井的开发过程中,当对油井试油后,会根据油井的油层物性、压力,选择合适的开采方式。在油田作业过程中,常会出现漏油事故。为此,需要对油田作业区进行实时地漏油监控,以便于及时发现问题进行抢修。
现有对漏油检测的方法是先获取监测图像,然后从监测图像中选取感兴趣区域,接着采用帧差法从感兴趣区域中提取出前景图像,判断所述前景图像中是否存在特定连通区域,再将原图中所对应的特定连通区域转化为HSV格式,最后将经HSV转化后的特定连通区域与设定的HSV阈值进行比较。这使得检测面积偏大,只有当油渍对保温箱产生污染面积较大时,才能触发报警。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于计算机视觉的覆盖式漏油检测系统,包括监测端与设置于漏油点的至少一个标签端;所述监测端包括检测点推向获取模块、漏油监测处理模块和警告信息处理模块;所述检测点推向获取模块、漏油监测处理模块、警告信息处理模块依次相连;
所述检测点推向获取模块用于抽油井井口漏油点标签端图像采集;
所述漏油监测处理模块包括图像质量分析单元、目标检测定位单元以及纹理区域分析单元;所述图像质量分析单元用于图像灰度化处理与清晰度判断;所述目标检测定位单元用于标签端定位检测;所述纹理区域分析单元用于纹理图像分析;所述警告信息处理模块用于污染等级分析并根据污染等级告警;
所述标签端设置有用于目标参考定位的目标图案组单元和图像纹理分析对照的空白对照单元。
一种基于计算机视觉的覆盖式漏油检测方法,包括如下步骤:
S1:在漏油监测点标签端设置目标图案组单元与空白对照单元作为被监测点;
S2:云台相机获取新的被监测点图像;
S3:系统分析被监测点图像的质量并判断是否合格;若图像的质量不合格则重新获取图像,直到获得清晰的图像,当超过重复操作设定次数系统给出超时告警并切换至下一个检测点,转S2;若图像的质量合格,则转S4;
S4:采用目标检测识别,检测目标图案组单元的主要目标图案单元、辅助目标图案单元的位置和大小;若检测识别不到目标图案组单元则标签端完全被油渍污染,系统发出一级漏油告警,切换到下一个监测点,转S2;若能够检测识别到目标图案组单元的主要目标图案单元,转S5;
S5:根据检测到的主要目标图案单元的位置和大小在空白对照单元上计算出纹理分析区域,分析该纹理分析区域,若该纹理分析区域的边缘方差大于设定阈值,则判别为漏油,系统发出二级告警,转S2;否则,系统不告警,转S2。
本发明的有益效果在于:本发明的检测系统及方法适用于油田作业区域对抽油机抽油作业进行监控,高效地实现对漏油口附近场景进行监控,检测稳定性和准确性较高,能够计算出漏油的程度并发出不同等级的报警,且检测成本较低。
附图说明
图1是一种基于视觉图像的漏油检测系统的系统图;
图2是一种基于视觉图像的漏油检测系统的漏油检测方法的流程图;
图3是标识纸的示意图;
图4是主要目标图案单元示意图及纹理分析区域示意图。
图中:1-主要目标图案单元;2-纹理分析区域。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,本发明一种基于计算机视觉的覆盖式漏油检测系统,一种基于计算机视觉的覆盖式漏油检测系统,包括监测端与设置于漏油点的至少一个标签端;所述监测端包括检测点推向获取模块、漏油监测处理模块和警告信息处理模块;所述检测点推向获取模块、漏油监测处理模块、警告信息处理模块依次相连;
所述检测点推向获取模块用于抽油井井口漏油点标签端图像采集;
所述漏油监测处理模块包括图像质量分析单元、目标检测定位单元以及纹理区域分析单元;所述图像质量分析单元用于图像灰度化处理与清晰度判断;所述目标检测定位单元用于标签端定位检测;所述纹理区域分析单元用于纹理图像分析;所述警告信息处理模块用于污染等级分析并根据污染等级告警;
所述标签端设置有用于目标参考定位的目标图案组单元和图像纹理分析对照的空白对照单元。
进一步的,所述目标图案组单元为设置有至少一组目标图案构成的防水标识纸。所述目标图案组单元包含主要目标图案单元和辅助目标图案单元,所述主要目标图案单元用于标签端的定位以及纹理分析区域定位;所述辅助目标图案单元用于主要目标图案单元的定位与纹理分析区域辅助定位。
进一步的,所述检测点推向获取模块为云台相机。
一种基于计算机视觉的覆盖式漏油检测方法,包括如下步骤:
S1:在漏油监测点标签端设置目标图案组单元与空白对照单元作为被监测点;
S2:云台相机获取新的被监测点图像;
S3:系统分析被监测点图像的质量并判断是否合格;若图像的质量不合格则重新获取图像,直到获得清晰的图像,当超过重复操作设定次数系统给出超时告警并切换至下一个检测点,转S2;若图像的质量合格,则转S4;
S4:采用目标检测识别,检测目标图案组单元的主要目标图案单元、辅助目标图案单元的位置和大小;若检测识别不到目标图案组单元则标签端完全被油渍污染,系统发出一级漏油告警,切换到下一个监测点,转S2;若能够检测识别到目标图案组单元的主要目标图案单元,转S5;
S5:根据检测到的主要目标图案单元的位置和大小在空白对照单元上计算出纹理分析区域,分析该纹理分析区域,若该纹理分析区域的边缘方差大于设定阈值,则判别为漏油,系统发出二级告警,转S2;否则,系统不告警,转S2。
进一步的,所述步骤S4具体包括:
S41:设x和y分别表示相机获取图像的像素点横坐标和纵坐标,向量(x,y,w,h)表示图像中一个矩形框的位置和大小,即(x,y)为矩形框左上角点用于描述其位置,w和h为矩形框宽度和高度用于描述其大小,那么图案中被检测到的目标图案的位置和大小由该矩形框表示;
S42:假设在图像中没有检测到任何目标图案,视标签纸被油渍严重污染,系统发出一级漏油告警,转S2;
S43:假设在图像中通过目标检测识别检测到n个目标图案,这些目标图案的位置和大小由向量表示为:(x1,y1,w1,h1),(x2,y2,w2,h2),…,(xn,yn,wn,hn);对这些向量进行两两约束条件判别,筛选出主要目标图案单元的向量;若筛选出主要目标图案单元向量(x,y,w,h),转S5;若没有符合约束条件的主要目标图案单元,则视为标签纸被油渍严重污染,系统发出一级漏油告警,转S2。
所述步骤S43中约束条件判别是指:设向量(xi,yi,wi,hi)为主要目标图案单元的位置和大小,向量(xj,yj,wj,hj)为辅助目标图案单元位置和大小,其中i∈{1,2,…,n},j∈{1,2,…,n}且j≠i;计算向量(xi,yi+2*wi,wi,hi)与向量(xj,yj,wj,hj)的交并比,若交并比大于设定值,则向量(xi,yi,wi,hi)为主要目标图案单元;否则向量(xi,yi,wi,hi)不是主要目标图案单元。
进一步的,所述步骤S5具体包括:
S51:通过S4在相机获取到的图像上检测到主要目标图案单元,且其对应的位置和大小为向量(x,y,w,h)则计算所得的纹理分析区域的位置和大小为向量(x+0.15*w,y+1.2*h,0.7*w,0.3*h);
S52:将纹理分析区域作为图像的ROI区域,对该区域进行边缘检测,然后再求该区域边缘的方差,若方差小于设定阈值,则当前监测点无漏油,转S2;否则系统发出二级告警,转S2。
进一步的,所述纹理分析区域为向量(x+0.15*w,y+1.2*h,0.7*w,0.3*h),且设置于空白对照单元内。
进一步的,所述目标图案组单元的目标图案均与所述空白对照单元不相交。
所述目标图案组单元为设置有至少一组目标图案构成的防水标识纸。所述目标图案包含主要目标图案单元和辅助目标图案单元,主要目标图案单元用于最终的对标签的定位以及作为计算纹理分析区域的参考;辅助目标图案单元在目标检测的过程中起到辅助作用,即辅助目标图案单元和主要目标图案单元具有位置上的相对约束,在检测的过程中需要同时检测到这两个目标图案,才视为目标检测定位成功并确定出主要目标图案单元,这样能大大降低目标检测的误检率。
监测点图像获取模块包括云台相机,一个云台相机可以监测多个抽油井口,每个井口对应一个漏油监测点。
系统发送位置指令至云台相机来对多个监测点进行巡检,云台相机每旋转到对应的检测点位,便将镜头拉近聚焦,为了获得较清晰的监测图像,云台相机到达检测点位后延迟5s后获取当前监测点图像,然后将图像传送至漏油检测处理模块,在漏油检测处理完成后切换到下一个监测点进行监测。
漏油检测处理过程包括图像质量分析、目标图案检测定位、纹理分析区域的计算以及纹理区域的分析。
图像质量分析将所获取的监测点的图像进行灰度化,然后通过拉普拉斯卷积,再求灰度值的方差,将所得值与设定阈值进行比较,若方差大于设定阈值则图像清晰,进行下一步,否则重新获取图片,若重复次数达到设定值则给出超时告警后云台相机切换到下一个监测点。
漏油判别过程具体包括:在漏油的必经之路设置一张包含两个间隔设置固定距离的网状矩形框(或其他图案)的防水标识纸。矩形框的区域即为目标图案区域,为了保证目标检测的准确性,这里在主要目标图案单元的基础上增设了同样的目标图案作为辅助目标图案单元,主要目标图案单元和辅助目标图案单元在位置上相互制约,在目标检测的过程中只有符合这种位主辅置制约的目标图案才被视为定位成功,这样一来在未被漏油污染的情况下系统通过目标算法检测该主要目标图案单元区域,将该区域作为漏油检测区的参照点,能够保证检测的漏油点的位置的准确性。当系统无法通过目标算法检测出主要目标图案单元的矩形框时,即该区域矩形框已被严重污染,则系统发出一级漏油告警。
当系统能够通过目标检测识别检测出主要目标图案单元的矩形框时,即该区域矩形框未被污染或污染较少时:设x和y分别表示相机获取图像的像素点横坐标和纵坐标,向量(x,y,w,h)表示通过目标检测识别检测到的主要目标图案单元的矩形框,然后根据该矩形框在图像上计算规划出一个纹理分析区域,再该区域内做边缘检测并计算出边缘的方差,若计算的方差大于设定值则时,即标签纸的空白对照单元被污染,系统发出二级告警,云台相机切换到下一个监测点进行下一轮检测。
本发明的检测系统及方法适用于油田作业区域对抽油机抽油作业进行监控,高效地实现对漏油口附近场景进行监控,检测稳定性和准确性较高,能够计算出漏油的程度并发出不同等级的报警,且检测成本较低。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (9)
1.一种基于计算机视觉的覆盖式漏油检测系统,其特征在于,包括监测端与设置于漏油点的至少一个标签端;所述监测端包括检测点推向获取模块、漏油监测处理模块和警告信息处理模块;所述检测点推向获取模块、漏油监测处理模块、警告信息处理模块依次相连;
所述检测点推向获取模块用于抽油井井口漏油点标签端图像采集;
所述漏油监测处理模块包括图像质量分析单元、目标检测定位单元以及纹理区域分析单元;所述图像质量分析单元用于图像灰度化处理与清晰度判断;所述目标检测定位单元用于标签端定位检测;所述纹理区域分析单元用于纹理图像分析;所述警告信息处理模块用于污染等级分析并根据污染等级告警;
所述标签端设置有用于目标参考定位的目标图案组单元和图像纹理分析对照的空白对照单元;
检测点推向获取模块分别与目标图案组单元和空白对照单元连接,检测点推向获取模块、图像质量分析单元、目标检测定位单元、纹理区域分析单元依次连接,目标检测定位单元、纹理区域分析单元分别与警告信息处理模块连接;
漏油监测处理模块工作为:采用目标检测算法,检测目标图案组单元的主要目标图案单元、辅助目标图案单元的位置和大小;若检测识别不到目标图案组单元则标签端完全被油渍污染,系统发出一级漏油告警,切换到下一个监测点,转云台相机获取新的被监测点图像;若能够检测识别到目标图案组单元的主要目标图案单元,则根据检测到的主要目标图案单元的位置和大小在空白对照单元上计算出纹理分析区域,分析该纹理分析区域,若该纹理分析区域的边缘方差大于设定阈值,则判别为漏油,系统发出二级告警,转云台相机获取新的被监测点图像;否则,系统不告警,转云台相机获取新的被监测点图像。
2.根据权利要求1所述一种基于计算机视觉的覆盖式漏油检测系统,其特征在于,所述目标图案组单元为设置有至少一组目标图案构成的防水标识纸;所述目标图案组单元包含主要目标图案单元和辅助目标图案单元,所述主要目标图案单元用于标签端的定位以及纹理分析区域定位;所述辅助目标图案单元用于主要目标图案单元的定位与纹理分析区域辅助定位。
3.根据权利要求1所述一种基于计算机视觉的覆盖式漏油检测系统,其特征在于,所述检测点推向获取模块为云台相机。
4.一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,包括如下步骤:
S1:在漏油监测点标签端设置目标图案组单元与空白对照单元作为被监测点;
S2:云台相机获取新的被监测点图像;
S3:系统分析被监测点图像的质量并判断是否合格;若图像的质量不合格则重新获取图像,直到获得清晰的图像,当超过重复操作设定次数系统给出超时告警并切换至下一个检测点,转S2;若图像的质量合格,则转S4;
S4:采用目标检测算法,检测目标图案组单元的主要目标图案单元、辅助目标图案单元的位置和大小;若检测识别不到目标图案组单元则标签端完全被油渍污染,系统发出一级漏油告警,切换到下一个监测点,转S2;若能够检测识别到目标图案组单元的主要目标图案单元,转S5;
S5:根据检测到的主要目标图案单元的位置和大小在空白对照单元上计算出纹理分析区域,分析该纹理分析区域,若该纹理分析区域的边缘方差大于设定阈值,则判别为漏油,系统发出二级告警,转S2;否则,系统不告警,转S2。
5.根据权利要求4所述一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,所述步骤S4具体包括:
S41:设x和y分别表示相机获取图像的像素点横坐标和纵坐标,向量(x,y,w,h)表示图像中一个矩形框的位置和大小,即(x,y)为矩形框左上角点用于描述其位置,w和h为矩形框宽度和高度用于描述其大小,那么图案中被检测到的目标图案的位置和大小由该矩形框表示;
S42:假设在图像中没有检测到任何目标图案,视标签纸被油渍严重污染,系统发出一级漏油告警,转S2;
S43:假设在图像中通过目标检测算法检测到n个目标图案,这些目标图案的位置和大小由向量表示为:(x1,y1,w1,h1),(x2,y2,w2,h2),…,(xn,yn,wn,hn);对这些向量进行两两约束条件判别,筛选出主要目标图案单元的向量;若筛选出主要目标图案单元向量(x,y,w,h),转S5;若没有符合约束条件的主要目标图案单元,则视为标签纸被油渍严重污染,系统发出一级漏油告警,转S2。
6.根据权利要求4所述一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,所述步骤S43中约束条件判别是指:设向量(xi,yi,wi,hi)为主要目标图案单元的位置和大小,向量(xj,yj,wj,hj)为辅助目标图案单元位置和大小,其中i∈{1,2,…,n},j∈{1,2,…,n}且j≠i;计算向量(xi,yi+2*wi,wi,hi)与向量(xj,yj,wj,hj)的交并比,若交并比大于设定值,则向量(xi,yi,wi,hi)为主要目标图案单元;否则向量(xi,yi,wi,hi)不是主要目标图案单元。
7.根据权利要求4所述一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,所述步骤S5具体包括:
S51:通过S4在相机获取到的图像上检测到主要目标图案单元,且其对应的位置和大小为向量(x,y,w,h)则计算所得的纹理分析区域的位置和大小为向量(x+0.15*w,y+1.2*h,0.7*w,0.3*h);
S52:将纹理分析区域作为图像的ROI区域,对该区域进行边缘检测,然后再求该区域边缘的方差,若方差小于设定阈值,则当前监测点无漏油,转S2;否则系统发出二级告警,转S2。
8.根据权利要求4所述一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,所述纹理分析区域为向量(x+0.15*w,y+1.2*h,0.7*w,0.3*h),且设置于空白对照单元内。
9.根据权利要求4所述一种基于计算机视觉的覆盖式漏油检测方法,其特征在于,所述目标图案组单元的目标图案均与所述空白对照单元不相交。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562939.XA CN110363109B (zh) | 2019-06-26 | 2019-06-26 | 一种基于计算机视觉的覆盖式漏油检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562939.XA CN110363109B (zh) | 2019-06-26 | 2019-06-26 | 一种基于计算机视觉的覆盖式漏油检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363109A CN110363109A (zh) | 2019-10-22 |
CN110363109B true CN110363109B (zh) | 2023-03-24 |
Family
ID=68217157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910562939.XA Active CN110363109B (zh) | 2019-06-26 | 2019-06-26 | 一种基于计算机视觉的覆盖式漏油检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363109B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627316B (zh) * | 2022-03-21 | 2022-11-25 | 江苏新之阳新能源科技有限公司 | 基于人工智能的液压系统漏油检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915910A (zh) * | 2010-07-07 | 2010-12-15 | 大连海事大学 | 利用航海雷达识别海上溢油目标的方法及系统 |
CN105828039A (zh) * | 2016-04-01 | 2016-08-03 | 北京环境特性研究所 | 港口安全监控及水面溢油监测系统 |
CN107121243A (zh) * | 2017-04-26 | 2017-09-01 | 乐山伟力得能源有限公司 | 一种应用于液流电池漏液检测的传感器 |
CN107995156A (zh) * | 2017-10-18 | 2018-05-04 | 东软集团股份有限公司 | 页面劫持处理方法及装置、存储介质、电子设备 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警系统 |
CN108267269A (zh) * | 2016-12-30 | 2018-07-10 | 中国石油天然气股份有限公司 | 输油管道泄漏激光检测装置及系统 |
CN208170007U (zh) * | 2018-03-28 | 2018-11-30 | 无锡华夏蜂电科技有限公司 | 漏油检测标签 |
CN109241851A (zh) * | 2018-08-07 | 2019-01-18 | 电子科技大学 | 一种基于视觉图像的漏油检测方法及其系统 |
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
CN109664301A (zh) * | 2019-01-17 | 2019-04-23 | 中国石油大学(北京) | 巡检方法、装置、设备及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8395119B2 (en) * | 2009-11-03 | 2013-03-12 | Fahad A. M. I. Alawadi | Airborne/spaceborne oil spill determining system |
CA2847707C (en) * | 2014-03-28 | 2021-03-30 | Intelliview Technologies Inc. | Leak detection |
-
2019
- 2019-06-26 CN CN201910562939.XA patent/CN110363109B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915910A (zh) * | 2010-07-07 | 2010-12-15 | 大连海事大学 | 利用航海雷达识别海上溢油目标的方法及系统 |
CN105828039A (zh) * | 2016-04-01 | 2016-08-03 | 北京环境特性研究所 | 港口安全监控及水面溢油监测系统 |
CN108267269A (zh) * | 2016-12-30 | 2018-07-10 | 中国石油天然气股份有限公司 | 输油管道泄漏激光检测装置及系统 |
CN107121243A (zh) * | 2017-04-26 | 2017-09-01 | 乐山伟力得能源有限公司 | 一种应用于液流电池漏液检测的传感器 |
CN107995156A (zh) * | 2017-10-18 | 2018-05-04 | 东软集团股份有限公司 | 页面劫持处理方法及装置、存储介质、电子设备 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警系统 |
CN208170007U (zh) * | 2018-03-28 | 2018-11-30 | 无锡华夏蜂电科技有限公司 | 漏油检测标签 |
CN109241851A (zh) * | 2018-08-07 | 2019-01-18 | 电子科技大学 | 一种基于视觉图像的漏油检测方法及其系统 |
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
CN109664301A (zh) * | 2019-01-17 | 2019-04-23 | 中国石油大学(北京) | 巡检方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
HE USAGE OF RADAR IMAGES IN OIL SPILL DETECTIO;A. Akkartal等;《The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20081231;271-276 * |
基于图像处理的变压器渗漏油检测;董保国;《电力建设》;20131130;第34卷(第11期);121-124 * |
石油管道泄漏检测模糊识别研究;罗菁等;《微计算机信息》;20071215;第23卷(第35期);121-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363109A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101808587B1 (ko) | 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
CN113052876B (zh) | 一种基于深度学习的视频接力跟踪方法及系统 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
KR101735365B1 (ko) | 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법 | |
CN111310645A (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN107578012A (zh) | 一种基于聚类算法选择敏感区域的驾驶辅助系统 | |
CN112131951B (zh) | 一种自动化识别施工中违规使用梯子行为的系统 | |
CN109911550A (zh) | 基于红外热成像与可见光视频分析的刮板运输机保护装置 | |
CN113808282A (zh) | 一种多通航要素数据融合方法 | |
CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
CN105976398A (zh) | 一种白天火灾视频检测方法 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN114926781A (zh) | 支持实时监控场景的多人时空域异常行为定位方法及系统 | |
CN110363109B (zh) | 一种基于计算机视觉的覆盖式漏油检测系统及方法 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN114596536A (zh) | 无人船沿岸巡检方法、装置、计算机设备及存储介质 | |
CN112633157A (zh) | 一种agv工作区域安全性的实时检测方法及系统 | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
CN114913370A (zh) | 基于深度学习与形态学融合的状态自动检测方法与装置 | |
CN111583341B (zh) | 云台像机移位检测方法 | |
CN114663479A (zh) | 一种基于计算机视觉的智能监控预警方法及系统 | |
CN114979567B (zh) | 一种应用于视频智能监控的物体与区域交互方法及系统 | |
CN113657144B (zh) | 桥梁区域通航船舶的快速检测和跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |