CN111915579A - 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 - Google Patents

Abstract

本发明涉及一种基于高斯混合模型和卷积神经网络的液体泄漏检测方法，包括下列步骤：采集供暖站点供暖管道液体泄漏状态的监控视频数据，包括存在液体泄漏的异常状态和无液体泄漏的正常状态；利用管道液体泄漏时的流动特征，采用高斯混合模型对供暖管道所在静态场景进行背景建模，检测出运动的泄漏的液体和存在其他运动的干扰物体；将分离出来的运动前景即泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集；构建基于卷积神经网络的二分类模型并进行模型训练。

Description

基于高斯混合模型和卷积神经网络的液体泄漏检测方法

技术领域

本发明涉及一种液体泄漏检测方法，属于高斯混合建模、卷积神经网络和光学泄漏检测领域的融合。

背景技术

管道接口、阀门处的老化、腐蚀以及人为破坏等因素，致使管道存在着泄漏的风险。泄漏的管道既造成了能源浪费，又易引发安全事故。因此管道在发生泄漏时，通过泄漏检测技术及时地检测出泄漏尤为重要。传统的液体泄漏检测技术有直接观察法、放射性示踪剂检漏法、负压波法和光纤温度传感器检漏等。直接观察法是工作人员通过看、闻、听、摸，再结合经验，对管道进行是否泄漏的检查。此方法耗时长、效率低、浪费人力成本。放射性示踪剂检漏法是通过对管道中放入放射性示踪剂进行全方位的检测，进而确定泄漏的情况。该方法虽然可以对泄漏点进行准确的测定，但是检测周期较长，在实际使用中不合适。负压波法是通过传感器对管道中发生的负压波进行检测，判定泄漏点。该方法不用建立数学模型，且适用性较强，但不能够对突发泄漏事件和缓慢泄漏事件进行检测。光纤温度传感器检漏是通过管道周围环境温度的变化，对该温度进行检测进而判断管道的运行状态以及泄漏情况。然而光纤温度传感器检测误检率高、局限性大、且需要定期维护。随着机器视觉等技术的发展，基于图像序列的检测方法成为主流，具有快速响应、非接触、监控面积大等特点。这里提出了一种新的基于高斯混合模型和卷积神经网络的非接触式液体泄漏检测方法，此方法可以及时准确而地检测出管道液体的泄漏。

发明内容

本发明的目的是提供一种新的基于高斯混合模型和卷积神经网络的非接触式液体泄漏检测方法，采用供暖管道的监控视频数据，其中监控视频数据包括管道液体泄漏异常状态和无泄漏正常状态。利用液体泄漏的流动特征，采用高斯混合模型在视频中提取出流动的泄漏液体和其他运功的干扰物体。然后采用卷积神经网络构造二分类模型，利用该模型识别泄漏的液体和其他运动的干扰物体，进而实现较高准确率的液体泄漏检测。技术方案如下：

一种基于高斯混合模型和卷积神经网络的液体泄漏检测方法，包括下列步骤：

第一步，采集供暖站点供暖管道液体泄漏状态的监控视频数据，包括存在液体泄漏的异常状态和无液体泄漏的正常状态。

第二步，利用管道液体泄漏时的流动特征，采用高斯混合模型对供暖管道所在静态场景进行背景建模，检测出运动的泄漏的液体和存在其他运动的干扰物体。具体方法如下：

1)使用多个高斯模型来表征供暖管道所存在静态背景中各个像素点的特征，获得新一帧图像后更新原来已经建立的混合高斯模型，并且用当前图像中的每个像素点与已经建立的像素点的各个混合高斯模型匹配，如果匹配成功则判定该点为管道所在场景的静态背景点，否则为动态前景点。

2)对供暖管道所在场景进行动态前景检测后，分离出运动前景和静态背景，其中，分离出来的背景是供暖管道所在的静态场景，分离出的运动前景是泄漏的液体和其他运动的干扰物体。

第三步，将分离出来的运动前景即泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集。

第四步，对二分类的候选区域数据集划分训练数据集和测试数据集。

第五步，构建基于卷积神经网络的二分类模型并进行模型训练，模型架构包括2个卷积层、2个池化层和3个全连接层，以下是所构建模型的架构。

1)卷积层：第一层和第三层是卷积层，输入图像和卷积核进行卷积操作，对泄漏的液体和干扰图片中的每一个特征局部感知，提取出液体和干扰物体的特征；

2)池化层：第二层和第四层是池化层，主要用于将泄漏的液体和干扰物体特征进行降维，同时减小参数的数量，压缩数据，减小过拟合，采用平均值池化的方式，池化窗口大小2，步长为2；

3)非线性激活层：卷积层和池化层提取泄漏的液体和干扰物体的线性特征，为提取更多的非线性特征，在卷积层和池化层后使用非线性激活层，使卷积神经网络表达能力更强，为了避免了训练过程中梯度爆炸和梯度消失问题，每个卷积层后使用ReLU作为激励函数，同时迭代速度变快；为了进一步压缩泄漏液体和干扰图像的数据，每个池化层后使用Sigmoid函数作为激励函数；

4)全连接层：更高层次的全连接层对卷积层得到的泄漏的液体和干扰物体的局部特征进行综合操作，从而得到泄漏的液体和干扰物体的全局特征；全连接层后通过softmax函数得到最终的输出，最后的2个输出单元为二分类，即管道无液体泄漏的正常状态和管道液体泄漏的异常状态。

5)该模块使用10折交叉验证方式训练模型。

第六步，模型训练及超参数的调整。

1)选取交叉熵函数作为损失函数，使用优化算法Adam和反向传播调整模型结构和超参数，继续进行训练；

2)绘制出模型的验证集准确率和损失函数曲线。

第七步，模型测试及保存。

1)使用测试集测试模型的分类准确率；

2)保存准确率最高的模型，将其作为液体泄漏检测系统的最终模型。

附图说明

图1(a)阀门液体(水)泄漏的异常状态(b)阀门无液体泄漏的正常状态

图2(a)液体水滴泄漏检测(b)水滴和干扰运动物体前景检测

图3本发明基于卷积神经网络的模型框图

图4本发明的算法流程图

具体实施方式

下面结合附图和具体实例对本发明进行进一步的说明阐述。

参见图1，本发明所使用的监控视频数据的其中两帧。视频来自供暖管道的状态监控。其中，(a)为管道阀门液体(水)泄漏的异常状态，(b)为阀门无液体泄漏的正常状态。

参见图2，根据漏水的流动特性，经高斯混合模型后的动态区域检测结果。其中，(a)为液体水滴泄漏时的检测结果，(b)为水滴泄漏和存在其他运动干扰目标(模拟漏水的注水针头)的检测结果。

参见图3，本发明基于卷积神经网络的模型框图。

参见图4，本发明提出的算法流程图，以下简述其相应步骤：

1.从供暖站点的监控系统中截取一段管道状态的监控视频，包括存在液体泄漏的异常状态和无液体泄漏的正常状态。

2.在提取泄漏液体之前必须进行运动前景检测。前景检测对序列图像的所有像素划分为背景和运动前景两类，进而对分类结果进行后处理。具体方法如下：

1)采用混合高斯模型(GMM)对管道所在静态场景的每个背景像素点的概率密度分布进行估计，估计采用的模型是5个高斯模型的加权和。每个高斯模型就代表了一个类(一个Cluster)。公式(1)为混合高斯模型的数学表达式。

其中K为模型的个数，设置为5；π_k为第k个高斯的权重；P(x|k)则为第k个高斯概率密度，其均值为u_k，方差为δ_k。

2)对样本中新的一帧的每个像素点分别在已经建立的5个高斯模型上投影，就会分别得到在各个类上的概率。

3)选取每个像素点概率最大的类所为判决结果。如果最大概率大于2δ_k，则认为是管道所在场景的静态背景点，否则认为是泄漏的液体和其他干扰物体的运动前景点。

3.将运动前景检测的结果(泄漏的液体和干扰物体)作为待二分类的候选区域的数据集。

4.将候选区域的数据集(10000个样本图片)以8:2的比例分为训练数据集(8000个样本)和测试数据集(2000个样本)。

5.构建基于卷积神经网络的模型，模型架构包括2个卷积层、2个池化层和3个全连接层。为了便于后期处理，对输入的泄漏的液体和干扰物体的候选区域的训练集图片尺寸统一resize为28*28。以下为模型的具体结构：

1)卷积层。第一层是卷积层。卷积是提取泄漏的液体和干扰的不同特征，第一层卷积层提取了一些低级的特征如漏水的边缘、形状和颜色等层级，第三层的卷积层从漏水图像低级特征中迭代提取更复杂的特征，如漏水时水滴的亮度，干扰物体的粗糙度等。

其中，第一个卷积层设置卷积核为3*3，20个滤波器，padding为1，步长为1，卷积后输出尺寸为28*28*20；

2)池化层。第二层是池化层。池化层主要用于下采样。发现液体泄漏的一个特征之后，泄漏的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小漏液和干扰数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。

因此第二层采用平均值池化的方式，池化窗口大小2，步长为2。将第一层卷积层输出的图像划分为14*14*20个矩形区域，对每个子区域输出平均值。经过池化层后尺寸为14*14*20；

3)同样，第三层卷积层进一步提取液体泄漏的线性特征。卷积核为5*5，50个滤波器，padding为1，步长为1，卷积后输出12*12*50；第四层为池化层，继续减少液体泄漏的计算量。池化窗口大小2，步长为2，经过池化层后为6*6*50；

4)非线性激活层。因为卷积操作是线性运算只能进行对线性可分数据分类，但是供暖站点的液体泄漏数据是非线性可分和非平稳的，为使模型能够解决非线性问题，需要对其加入非线性因素，因此在每一层后都加入了非线性激活函数。

在为了避免了梯度爆炸和梯度消失问题，第一层和第三层卷积层后使用ReLU作为激励函数，同时减少了参数的相互依存关系，缓解了过拟合问题的发生同时，迭代速度变快；公式(2)是激活函数ReLU的数学表达形式。

Re LU(x)＝max(0,x) (2)

在第二层和第四层池化层后使用Sigmoid函数作为激励函数，压缩了漏水和干扰图像数据，但是幅度不变；公式(3)是激活函数Sigmoid的数学表达形式。

5)全连接层。第五层、第六层和第七层为全连接层。前五层的卷积层和池化层是为了提取漏水和干扰图像的线性特征。全连接层进一步将提取到的泄漏的液体分类。

在数据经过第四层池化层后被送入全连接层前，使用Flatten层将第四层输出的多维数据压缩为一维。其中，第五层全连接层为6*6*50输入到100输出；第六层全连接层为100输入到20输出；第七个全连接层为20输入到2输出。

其中，第五层和第六层全连接层后的激活函数是ReLU，第七层全连接层使用的激活函数为Softmax，公式(4)是激活函数Softmax的数学表达形式。Softmax将2个神经元的输出，映射到(0,1)区间内，便于2分类。最后的2个输出单元表示正常管道无液体泄漏状态和异常管道液体泄漏状态的二元分类。

6.整个候选区域数据集包含提取的液体泄漏和其他干扰物体各10000个，其中8000个样本作为训练集，2000个样本作为测试集，训练时使用10折交叉验证评估模型的预测性能，可以在一定程度上减小过拟合。通过这种方式，在每次训练中，训练集8000个样本中有90％被随机选为训练数据集，其余10％被选为验证集，该过程重复10次。在训练时，计算输出的交叉熵损失，根据优化算法Adam反向传播并更新参数。同时引入dropout操作，使得网络的隐藏单元以0.5的概率随机丢弃，来随机删除神经网络中的部分神经元，在一定程度上避免了过拟合。在确定了所有参数之后，测试集用于检测模型的效果。测试集准确率用来评估模最终模型的泛化能力。

7.模型超参数的调整。

1)选取交叉熵函数作为损失函数，使用优化算法Adam和反向传播调整模型结构和超参数，继续进行训练；

2)绘制出模型的验证集准确率和损失函数曲线。

8.模型测试及保存。

1)使用测试集测试模型的分类准确率；

2)保存准确率最高的模型，将其作为液体泄漏检测系统的最终模型。

9.基于卷积神经网络的泄漏检测评估结果：

准确率：91％；损失函数值：0.02。

有益效果

1)本发明结合高斯混合模型和卷积神经网络，提出了一种基于图像序列的液体泄漏检测的新思路。

2)本算法实现了人眼难以识别的泄漏液体(水)的检测，且具有较强的鲁棒性和泛化能力，实验程序也能在各种操作系统下通用。

3)整体设计算法结构简单，速度快，帧率高。在实际应用中能够实现实时监测，对液体异常泄漏及时做出警告。

Claims (1)

1.一种基于高斯混合模型和卷积神经网络的液体泄漏检测方法，包括下列步骤：

第一步，采集供暖站点供暖管道液体泄漏状态的监控视频数据，包括存在液体泄漏的异常状态和无液体泄漏的正常状态；

第二步，利用管道液体泄漏时的流动特征，采用高斯混合模型对供暖管道所在静态场景进行背景建模，检测出运动的泄漏的液体和存在其他运动的干扰物体。方法如下：

1)使用多个高斯模型来表征供暖管道所存在静态背景中各个像素点的特征，获得新一帧图像后更新原来已经建立的混合高斯模型，并且用当前图像中的每个像素点与已经建立的像素点的各个混合高斯模型匹配，如果匹配成功则判定该点为管道所在场景的静态背景点，否则为动态前景点；

2)对供暖管道所在场景进行动态前景检测后，分离出运动前景和静态背景，其中，分离出来的背景是供暖管道所在的静态场景，分离出的运动前景是泄漏的液体和其他运动的干扰物体；

第三步，将分离出来的运动前景即泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集；

第四步，对二分类的候选区域数据集划分训练数据集和测试数据集；

第五步，构建基于卷积神经网络的二分类模型并进行模型训练，模型架构包括2个卷积层、2个池化层和3个全连接层，以下是所构建模型的架构；

1)卷积层：第一层和第三层是卷积层，输入图像和卷积核进行卷积操作，对泄漏的液体和干扰图片中的每一个特征局部感知，提取出液体和干扰物体的特征；

2)池化层：第二层和第四层是池化层，主要用于将泄漏的液体和干扰物体特征进行降维，同时减小参数的数量，压缩数据，减小过拟合，采用平均值池化的方式，池化窗口大小2，步长为2；

3)非线性激活层：卷积层和池化层提取泄漏的液体和干扰物体的线性特征，为提取更多的非线性特征，在卷积层和池化层后使用非线性激活层，使卷积神经网络表达能力更强，为了避免了训练过程中梯度爆炸和梯度消失问题，每个卷积层后使用ReLU作为激励函数，同时迭代速度变快；为了进一步压缩泄漏液体和干扰图像的数据，每个池化层后使用Sigmoid函数作为激励函数；

4)全连接层：更高层次的全连接层对卷积层得到的泄漏的液体和干扰物体的局部特征进行综合操作，从而得到泄漏的液体和干扰物体的全局特征；全连接层后通过softmax函数得到最终的输出，最后的2个输出单元为二分类，即管道无液体泄漏的正常状态和管道液体泄漏的异常状态；

5)该模块使用10折交叉验证方式训练模型；

第六步，模型训练及超参数的调整；

1)选取交叉熵函数作为损失函数，使用优化算法Adam和反向传播调整模型结构和超参数，继续进行训练；

2)绘制出模型的验证集准确率和损失函数曲线；

第七步，模型测试及保存；

1)使用测试集测试模型的分类准确率；

2)保存准确率最高的模型，将其作为液体泄漏检测系统的最终模型。

Images