CN110553151B - 一种管道泄漏监测方法和系统 - Google Patents

Abstract

本发明提供一种管道泄露监测方法及系统，涉及管道监测技术领域。该方法中，通过对视频帧图像进行处理，对处于视频帧图像内的待监测管道进行异常状态的判断，并计算待监测管道处于异常状态的概率值，当处于异常状态的概率值大于预设概率阈值时，输出告警信息；从而实现了对待监测管道的智能监控。本发明提供的方案不仅节约了人力资源而且提高了对待监测管道的监控可靠性。

Description

一种管道泄漏监测方法和系统

技术领域

本发明涉及管道监测技术领域，尤其涉及一种管道泄漏监测方法和系统。

背景技术

随着经济的发展，输油气管在国民生活中占据着越来越重要的地位，诸如天然气、石油等与生活密切相关的物质都需要通过输油气管进行运输。当输油气管发生破裂泄漏时，会对人们的生活造成巨大的影响，若是输油气管发生破坏时，则会带来巨大的安全隐患，并且可能造成不可估量的经济损失。

为了减小输油气管发生破裂泄漏或者破坏，需要对输油气管进行监控，以避免输油气管发生损坏所带来的影响。因此，现有技术通常通过无人机拍摄，获取输油气管的视频以及图像，工作人员通过获取的视频以及图像判断输油气管是否发生损坏。其中，若部分输油管线位于地下，则通过观察地面管陇表面是否有油气来判断地下管线是否泄露。

由此可以看出现有技术对输油气管的检测十分的依赖于工作人员，工作人员需要对大量的视频和图像进行观察，判断输油气管是否发生损坏，工作量十分巨大，进而需要大量的工作人员对输油气管的视频以及图像进行监测。且难以对输油气管实现24小时不间断的监测，从而使得对输油气管的监控不严。

发明内容

有鉴于此，本发明实施例的目的在于提供一种管道泄漏监测方法和系统，以改善现有技术中对输油气管的监控不严的问题。

为了改善现有技术中对输油气管的监控不严的问题，本发明实施例提供的技术方案如下：

第一方面，本发明实施例提供了一种管道泄漏监测方法，包括：

获得视频帧图像；其中，所述视频帧图像中包含待监测管道的图像；

筛选出所述视频帧图像中的N个疑似区域；其中，N≥0，N为整数，所述疑似区域为所述待监测管道疑似处于异常状态的区域；

当N＞0时，利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，其中，所述概率值大于等于0，且小于等于1；

判断N个概率值中是否存在j个概率值大于预设的概率阈值；其中，1≤j≤N，j为整数；

若存在，则输出用于表征所述待监测管道处于异常状态的告警信息。

优选地，根据本发明的实施例，所述筛选出所述视频帧图像中的N个疑似区域，包括以下步骤：

基于颜色分量以及色彩分量对所述视频帧图像进行初步筛选，确定出M个可能区域，其中，M≥N，M为整数，所述可能区域为所述待监测管道可能处于异常状态的区域；

基于全卷积神经网络图像分割算法对所述M个可能区域进行进一步识别，从中筛选出所述N个疑似区域。

优选地，根据本发明的实施例，所述基于颜色分量以及色彩分量对所述视频帧图像进行初步筛选，确定出M个可能区域，包括：

基于HSL颜色检测模型，获得所述视频帧图像的用于表示颜色分量以及色彩分量的HSL；

从所述视频帧图像中筛选出可能区域，其中所述可能区域的HSL与待监测管道内的物质的HSL的差值应当保持在预设的差值范围之内。

优选地，根据本发明的实施例，所述视频帧图像和待监测管道内的物质的HSL中的S和L采用百分数值进行量化，所述视频帧图像和待监测管道内的物质的HSL中的H通过色相进行量化。

结合第一方面的技术方案，在一种可能的实施方式中，所述利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，包括：

获取所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像；

基于全卷积神经网络对所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像进行处理，计算所述N个疑似区域中每个疑似区处于异常状态的概率值。

结合第一方面的技术方案，在另一种可能的实施方式中，利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，包括：

获取所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像；

基于卷积技术与全连接层的神经网络对所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像进行处理，计算所述N个疑似区域中每个疑似区处于异常状态的概率值。

优选地，根据本发明的实施例，在输出用于表征所述待监测管道处于异常状态的告警信息之后，所述方法还包括：

获取所述j个概率值对应的j个疑似区域所对应的位置信息。

第二方面，本发明的一个实施例提供一种管道泄漏监测系统，其特征在于，包括设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取拍摄视频的无人机手持终端设备，所述无人机手持终端设备包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现上述方法的计算机程序。

第三方面，本发明的另一个实施例提供一种管道泄漏监测系统，其特征在于，包括设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取拍摄视频的服务器终端设备，所述服务器终端设备包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现上述方法的计算机程序。

更进一步地，结合第三方面的技术方案，上述管道泄漏监测系统还可以包括能够与所述服务器终端设备建立通信连接以获取监测结果的无人机手持终端设备。其中，所述服务器将管道处于异常状态的监测结果发给无人机手持终端设备，由所述无人机手持终端设备显示疑似泄漏区域位置。

第四方面，本发明的又一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面提供的所述方法。

本发明的有益效果为：通过对视频帧图像进行处理，对处于视频帧图像内的待监测管道进行异常状态的判断，并计算出待监测管道处于异常状态的概率值，当处于异常状态的概率值大于预设的概率阈值时，输出告警信息；从而实现了对待监测管道的智能监控。与本申请相比，现有技术在对监测管道是否处于异常状态进行判断时，通常是通过工作人员对待监测管道的视频进行查看，不仅需要大量的人力资源，而且容易出现纰漏，从而导致对待监测管道的监控不严。

本发明提供的方案不仅节约了人力资源且提高了对待监测管道的监控更可靠。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例一提供的一种管道泄漏监测方法的流程示意图；

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在介绍本发明的具体实施例之前，先对本发明的应用场景进行简单介绍。

目前，需要对管道进行监测时，可以通过摄像装置对待监测管道进行视频的拍摄，工作人员根据拍摄的视频对视频中的待监测管道进行观察，即可判断待监测管道是否处于异常情况。

其中，摄像装置可以根据实际需要设置在合适的位置，如：当待监测管道为：加油站处的输油管道、燃气站处的输气管道、工厂处理站处的排水管道等时，可以将摄像装置可以固定于加油站、燃气站或者工厂处理站的某个地方，仅需能实现实时对待监测管道进行拍摄即可。而当监测的管道所处的环境比较恶劣时，如：沙漠、草原中的输油管道、输气管道、输水管道等，可以将摄像装置固定于无人机上，通过无人机上的摄像装置拍摄的待监测管道的视频进行解析获得视频帧图像。也即，工作人员在监控终端查看通过摄像装置拍摄的待监测管道的视频即可对待监测管道的状态(正常状态还是异常状态)进行判断。

为了更好的理解本发明实施例提供的方案，下述实施方式以处在环境比较恶劣环境(如沙漠、草原)下的输油管道为待监测管道，摄像装置设置在无人机上对待监测进行摄像，将拍摄的视频传输至监控终端，监控终端对视频进行处理获得待待监测管道的状态信息为应用场景，详细的介绍本发明实施例所提供的思想。

实施例一

请参照图1，图1为本发明提供的一种管道泄漏监测方法的流程示意图，下面将结合步骤S110-S150进行说明。

步骤S110：获得视频帧图像；其中，所述视频帧图像中包含待监测管道。

在本发明实施例中，需要先将视频解析成视频帧图像，若每一张视频帧图像中的待监测管道均处于正常状态时，则表征待监测管道处于正常状态，而当视频帧图像中的一张视屏帧图像处于不正常状态时，则表征待监测管道处于存在异常；也即，视频帧图像中的待监测管道的状态可以表征视频中待监测管道的状态。

步骤S120：筛选出所述视频帧图像中的N个疑似区域；其中，N≥0，N为整数，所述疑似区域为所述待监测管道可能处于异常状态的区域。在此，异常状态可以是例如漏油状态。

在本发明实施例中，由于视频帧图像是通过设置在无人机上的摄像装置进行拍摄的，也即，视频帧图像中包含的内容很多(也即，视频帧图像中不仅存在待监测管道，也存在其它物质如：植被、沙漠等)。因此，若将整个视屏帧图像进行处理，数据的处理量将会很大，从而影响数据处理的进度。为了减少数据处理的量，提高处理速度，可以先将视频帧图像进行处理，筛选出视频帧图像中待监测管道可能存在异常状态的N个疑似区域，从而可以减少数据处理的量。需要说明的是，为了便于理解，在本发明实施例中待监测管道可能存在异常状态可以指代的是待监测管道内出现了泄漏，也即，待监测管道内的物质泄漏了出来。当然，待监测管道内的物质可以为：水、石油、天然气等，为更好的展示本发明提供的思想，以待监测管道内的物质为石油举例对本发明进行说明。

进一步地，在视频帧图像中，每种物质均有自己的颜色，因此，可以预先存储石油的颜色特征，在获取到视频帧图像之后，即可判断视频帧图像的颜色特征中是否存在与石油的颜色特征相近的区域，若有，则将这些区域筛选出来，并累计相加，记为N。

当N＞0时，步骤S130：对所述N个疑似区域中的每个疑似区域进行识别，获得所述N个疑似区域中的每个疑似区域处于异常状态的概率值，其中，所述概率值大于等于0，且小于等于1。

在本发明实施例中，当视频帧图像的颜色特征中存在有相近于石油的颜色特征时，可以利用卷积神经网络模型分别对N个疑似区域中的每个疑似区域进行识别。在本发明实施例中，卷积神经网络模型可以是已经预先通过一定数量的待监测管道的视频帧图像进行训练，(也即，预先将大量待监测存在泄漏以及泄漏程度不同的图像训练卷积神经网络模型，以使判断更加准确)。因此，N个疑似区域中的每个疑似区域均将获得一个表征此处待监测管道存在异常状态的概率值。

进一步地，若发现视频帧图像中存在疑似区域时，则工作人员将随时做好外出巡检的准备，以避免待监测管道出现泄漏等带来的危害。而疑似区域处待监测管道存在异常状态的概率值则可以提供工作人员更好的巡检路线，如：可以先巡检概率值较大的疑似区域，最后巡检概率值较小的疑似区域。可以看出，每个疑似区域处待监测管道存在异常状态的概率值不仅可以使工作人员更好的巡检路线，且可以提高工作人员的巡检效率。

步骤S140：判断N个所述概率值中是否存在j个概率值大于预设的概率阈值；其中，1≤j≤N，j为整数。

在本发明实施例中，可以预先设定一个概率值，也即，当存在某个疑似区域的概率值大于预设的概率阈值时，则可以表征此处待监测管道处于异常状态，急需进行处理，也即，当存在j时，则执行步骤S150。

步骤S150：输出用于表征所述待监测管道处于异常状态的告警信息。

也即，当存在j时，则表征视频帧图像中存在待监测管道可能已经出现了泄露的情况；进而工作人员可以基于告警信息及时对概率值超过预设的概率阈值的疑似区域进行处理，以减少待监测管道出现泄漏所导致的损失。

在本发明实施例中，通过对视频帧图像进行处理，即可对处于视频帧图像内的待监测管道进行判断，并可以获取待监测管道处于异常状态的概率值，当处于异常状态的概率值大于预设值时，输出告警信息；从而实现了对待监测管道的智能监控。而现有技术在对监测管道是否处于异常状态进行判断时，通常是通过工作人员对待监测管道的视频进行查看，不仅需要大量的人力资源，且容易出现纰漏，从而导致对待监测管道的监控不严。可以看出，本发明提供的方案不仅节约了人力资源且提高了对待监测管道的监控更可靠。

实施例二

在一种可实施的方式中，步骤S120(筛选出所述视频帧图像中的N个疑似区域)具体可以为：

基于颜色分量以及色彩分量对所述视频帧图像进行初步筛选，确定出M个可能区域，其中，M≥N，M为整数；基于全卷积神经网络图像分割算法对所述M个可能区域进行识别，从中筛选出所述N个疑似区域。

也即，在本发明实施例中，为了减小疑似区域的数量并确保疑似区域的命中率，以进一步减少数据的处理量，在获取到视频帧图像之后，可以对视频帧图像进行2次筛选以获取N个疑似区域，从而可以减少后续在对视频帧图像进行处理时的数据处理量，提升处理速度。

进一步地，在本发明实施例中，可以先基于HSL(色彩模型，Hue，Saturation，Lightness)获得所述视频帧图像的颜色分量以及色彩分量。其中，HSV中的H指代的是色相分量，代表的是人眼所能感知的颜色范围；HSV中的S指代的是饱和度分量，指的是色彩的饱和度，可以用0％至100％的值描述了相同色相、明度下色彩纯度的变化；数值越大，颜色中的灰色越少，颜色越鲜艳，呈现一种灰度到纯色的变化。HSV中的L指代的是明度分量，指的是色彩的明度，作用是控制色彩的明暗变化。也可以使用0％至100％来描述明度，数值越小，色彩越暗，也就越接近于黑色，数值越大，色彩越亮，越接近于白色。而物体的不同，则HSL不同，因此，可以基于HSL颜色检测模型筛选出M个可能区域。

当然，在具体实施方式中，也可以用其它方式筛选出视频帧图像中M个可能区域，在本发明实施例中并不进行限定，仅是列举了一种可实施的方式而已。

在本发明实施例中，M个可能区域的HSL与待监测管道内的物质的HSL的差值在预设差值范围之内。需要说明的是，由于HSL中的‘S’和‘L’可以用百分数值进行量化，而‘H’可以通过色相进行量化。因此，本发明中“HSL的差值在预设差值范围之内”可以理解为：视频帧图像的HSL中的‘S’和‘L’的百分数值与待监测管道内的物质的‘S’和‘L’的百分数值的差值的绝对值在预设的范围内，且视频帧图像的HSL中的‘H’的色相与待监测管道内的物质的‘H’的色相的差异不超过预设的范围。

具体举例说明，如：待监测管道内的物质的‘S’和‘L’分别为50％与60％，且当HSL中的‘S’的预设范围为5％时，则可以筛选出视频帧图像中HSL中的‘S’值在45％至55％的第一区域；HSL中的‘L’的预设范围为8％时，则可以筛选出视频帧图像中HSL中的‘L’值在42％至58％的第二区域。HSL中的‘H’的预设范围为2个色相时，则可以筛选出视频帧图像中HSL中的‘H’在与待监测管道内的物质的‘H’的差异在2个色相之内的第三区域。其中，第一区域、第二区域与第三区域的交叠区域则可以为疑似区域。当然，在申请中并不限定疑似区域为第一区域、第二区域与第三区域的交叠区域，在具体实施方式中，疑似区域也可以为：第一区域与第三区域的交叠区域、第二区域与第三区域的交叠区域等。且对。HSL中的‘H’、‘S’和‘L’的预设范围进步进行限定，在具体实施方式中可以根据具体环境进行设定。

需要说明的是，由于在本发明中，视频帧图像是由无人机上的摄像装置拍摄的视频解析而获得，且视频图像的解析以及步骤S110与步骤S120均不需要处理器进行大量的处理工作；因此，视频图像的解析以及步骤S110与步骤S120可以在无人机上执行，也可以是无人机将视频传回至监控终端，而由监控终端处的服务器执行。在此并不进行限定，也即在当视频图像的解析以及步骤S110与步骤S120均在无人机上执行时，无人机传输至监控终端的即为视频帧图像，且已经在视屏帧图像筛选出了M个可能区域。

进一步地，基于全卷积神经网络图像分割算法，确定出所述M个可能区域中存在所述待监测管道内的物质的N个疑似区域；其中，M≥N，N为正整数。

在本发明实施例中，由于前面仅是通过颜色特征筛选出了述M个可能区域，但是，有可能M个可能区域中存在某些区域虽然具有与待监测管道内的物质相近的颜色特征，但这些区域不包含待监测管道内的物质。如：疑似区域为植被，仅是这种植被的颜色特征与待监测管道内的物质的颜色特征相近而已。因此，在本实施例中，优选进一步通过U-Net卷积神经网络对M个可能区域进一步进行筛选，从而确定出存在待监测管道内的物质的N个疑似区域，从而进一步地减少之后在对疑似区域进行概率值计算时的数据处理量。

然后，步骤S130：对所述N个疑似区域中的每个疑似区域进行识别，获得所述N个疑似区域中的每个疑似区域处于异常状态(例如漏油)的概率值，其中，所述概率值大于等于0，且小于等于1。

在本实施例中，具体地可以根据不同的工作方式选择不同的方法来确定N个疑似区域中每个疑似区域处于异常状态的概率值。

例如，采用无人机巡检管道有“无人机端实时识别模式”和“服务器端视频识别模式”两种工作模式。

对于“无人机端实时识别模式”，具体过程如下：

1)无人机手持终端获取无人机拍摄的视频流，对视频流中的视频帧进行处理；

2)基于HSL颜色比较以及全卷积神经网络判断视频帧中是否存在疑似漏油的区域(即疑似区域)，从中截取这些疑似区域。通常，该方法计算消耗极小、速度很快，因此一般在无人机端执行，准确率大于50％。

3)利用全卷积神经网络模型对N个疑似区域的各个区域分别进行分析，计算漏油概率并给出疑似漏油区域的位置信息。通常，全卷积神经网络计算开销较小、速度较快，因此也可以布置在无人机端执行，准确率大于75％。

4)通过例如无人机手持终端发出管道处于异常状态的告警信息，并提示疑似漏油区域位置，以供后续人工巡检确认。

对于“服务器端视频识别模式”，具体过程如下：

1)无人机将巡检拍摄的视频流上传给服务器，由服务器对视频流中的视频帧进行处理；

2)通过HSL颜色比较以及全卷积神经网络判断卷积神经网络判断视频帧中是否存在疑似漏油的区域(即疑似区域)，从中截取这些疑似区域。通常，该方法计算消耗极小、速度很快，因此一般在无人机端执行，准确率大于50％。

3)利用卷积技术与全连接层的神经网络模型对N个疑似区域的各个区域分别进行分析，计算漏油概率并给出疑似漏油区域的位置信息。通常，这类卷积神经网络计算开销较大、速度较慢，因此必须布置在专用的GPU服务器上，准确率大于90％。

4)通过服务器发出管道处于异常状态的告警信息，并提示漏油区域位置，又或者由服务器将管道处于异常状态的监测结果发给无人机手持终端，由无人机手持终端提示疑似漏油区域位置，以供后续人工巡检确认。

其中，优选地，获取所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像；基于卷积技术与全连接层的神经网络对所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像进行处理，获得所述N个疑似区域处于异常状态的概率值。

也即，当N≥1时，此时，则可以获取该视屏帧图像表征的时刻，并基于该时刻获取该时刻前预设时间段以及该时刻后预设时间段内的视屏帧图像。举例说明，若该视屏帧图像表征的时刻为8:00，则可以获取8:00前15秒以及8:00后15秒的所有视频帧图像。根据这个时间段的视频帧图像进行动态分析，以获得漏油概率值。在具体实施方式中，预设的时间段可以根据实际情况中无人机的飞行速度、高度以及待监测管道所处的位置等进行设定，如：无人机的飞行速度较快，高度较低；则可以将预设时间段设置相对较短；若无人机的飞行速度较慢，高度较高；则可以将预设时间段设置相对较长。

此外，在步骤S150(输出用于表征所述待监测管道处于异常状态的告警信息)之后，所述方法还包括：

获取所述j个概率值对应的j个疑似区域所对应的位置信息。

在本发明实施例中，获取j个疑似区域的所对应的位置之后，工作人员可以基于位置信息所表征的位置准确的到达需要进行巡检的区域，进一步减少在巡检过程中所需的时间。

在本发明实施例中，获取的视频帧图像中位置信息可以通过获取j个疑似区域在视频帧图像中的二维坐标信息，根据映射关系将二维坐标信息转换为三维坐标信息，即可确定j个疑似区域所对应的位置信息。

在本发明实施例中的映射关系可以为：根据对视频帧图像进行显示的屏幕大小与摄像装置的摄像头成像比例，得到二维坐标信息在摄像头拍摄的图像中的像素位置，在经过矩阵转换，即可得到二维坐标(u，v)对应的三维坐标(x，y，z)。进而可以确定j个疑似区域表征的具体位置，需要说明的是，通过映射关系将二维坐标在三维坐标中进行位置确定是现有很常见的一种位置确定方法，在此不在进行详细叙述。当然，也可使用其它方式对j个疑似区域的位置信息进行确定。

实施例三

本发明实施例三提供了一种用于实现上述监测方法的监测系统。

针对“无人机端实时识别模式”，该系统主要包括例如设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取(实时)拍摄视频的无人机手持终端设备，所述无人机手持终端设备还包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现如实施例二所述的“无人机端实时识别模式”监测方法的计算机程序。

实施例四

本发明实施例四提供了一种用于实现上述监测方法的监测系统。

针对“服务器端识别模式”，该系统主要包括例如设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取拍摄视频的服务器终端设备，所述服务器终端设备还包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现如实施例二所述的“服务器端识别模式”监测方法的计算机程序。

此外，更进一步地，该系统还可以包括能够与服务器终端设备建立通信连接以获取监测结果的无人机手持终端设备。服务器终端设备将管道处于异常状态的监测结果发给无人机手持终端设备，由无人机手持终端设备提示疑似漏油区域位置，以供后续人工巡检确认。

实施例五

本发明实施例五提供一种可读存储介质，其中存储有用于实现如实施例二所述监测方法的计算机程序。为了描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供一种管道泄漏监测方法和系统以及可读存储介质，该方法中，通过对视频帧图像进行处理，对处于视频帧图像内的待监测管道进行异常状态的初步判断，然后计算待监测管道处于异常状态的概率值，当处于异常状态的概率值大于预设的概率阈值时，输出告警信息；从而实现了对待监测管道的智能监控。

与本发明相比，现有技术在对监测管道是否处于异常状态进行判断时，通常是通过工作人员对待监测管道的视频进行查看，不仅需要大量的人力资源，而且容易出现纰漏，从而导致对待监测管道的监控不严。由此可以看出，本发明提供的方案不仅节约了人力资源且提高了对待监测管道的监控更可靠。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种管道泄漏监测方法，其特征在于，包括：

获得视频帧图像；其中，所述视频帧图像中包含待监测管道的图像；

筛选出所述视频帧图像中的N个疑似区域，包括以下步骤：

基于颜色分量以及色彩分量对所述视频帧图像进行初步筛选，确定出M个可能区域，其中，M≥N，M为整数，所述可能区域为所述待监测管道可能处于异常状态的区域；

基于全卷积神经网络图像分割算法对所述M个可能区域进行进一步识别，从中筛选出所述N个疑似区域；

其中，N≥0，N为整数，所述疑似区域为所述待监测管道疑似处于异常状态的区域；

当N＞0时，利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，其中，所述概率值大于等于0，且小于等于1；

判断N个概率值中是否存在j个概率值大于预设的概率阈值；其中，1≤j≤N，j为整数；

若存在，则输出用于表征所述待监测管道处于异常状态的告警信息。

2.根据权利要求1所述的方法，其特征在于，所述基于颜色分量以及色彩分量对所述视频帧图像进行初步筛选，确定出M个可能区域，包括：

基于HSL颜色检测模型，获得所述视频帧图像的用于表示颜色分量以及色彩分量的HSL；

从所述视频帧图像中筛选出可能区域，其中所述可能区域的HSL与待监测管道内的物质的HSL的差值应当保持在预设的差值范围之内。

3.根据权利要求2所述的方法，其特征在于，所述视频帧图像和待监测管道内的物质的HSL中的S和L采用百分数值进行量化，所述视频帧图像和待监测管道内的物质的HSL中的H通过色相进行量化。

4.根据权利要求1所述的方法，其特征在于，所述利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，包括：

获取所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像；

基于全卷积神经网络对所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像进行处理，计算所述N个疑似区域中每个疑似区处于异常状态的概率值。

5.根据权利要求1所述的方法，其特征在于，利用卷积神经网络对所述N个疑似区域中的每个疑似区域进行识别，从而计算出所述N个疑似区域中的每个疑似区域处于异常状态的概率值，包括：

获取所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像；

基于卷积技术与全连接层的神经网络对所述N个疑似区域中每个疑似区域在预设时间段内的视频帧图像进行处理，计算所述N个疑似区域中每个疑似区处于异常状态的概率值。

6.根据权利要求1所述的方法，其特征在于，在输出用于表征所述待监测管道处于异常状态的告警信息之后，所述方法还包括：

获取所述j个概率值对应的j个疑似区域所对应的位置信息。

7.一种管道泄漏监测系统，其特征在于，包括设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取拍摄视频的无人机手持终端设备，所述无人机手持终端设备包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现如权利要求1至6中任一项所述方法的计算机程序。

8.一种管道泄漏监测系统，其特征在于，包括设置在无人机上的视频拍摄装置，以及能够与无人机建立通信连接以获取拍摄视频的服务器终端设备，所述服务器终端设备包括处理器和存储器，其中，所述处理器用于执行所述存储器中存储的用于实现如权利要求1至6中任一项所述方法的计算机程序。

9.如权利要求8所述的管道泄漏监测系统，其特征在于，还包括能够与所述服务器终端设备建立通信连接以获取监测结果的无人机手持终端设备，其中，所述服务器终端设备将管道处于异常状态的监测结果发给无人机手持终端设备，由所述无人机手持终端设备显示疑似泄漏区域位置。

Images