CN113591752A - 基于卷积神经网络的设备漏油监控方法及相关设备 - Google Patents
基于卷积神经网络的设备漏油监控方法及相关设备 Download PDFInfo
- Publication number
- CN113591752A CN113591752A CN202110903193.1A CN202110903193A CN113591752A CN 113591752 A CN113591752 A CN 113591752A CN 202110903193 A CN202110903193 A CN 202110903193A CN 113591752 A CN113591752 A CN 113591752A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- image frame
- detection
- similarity
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 135
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011109 contamination Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的设备漏油监控方法、装置、计算机设备及介质，所述方法包括：通过采集实时视频流，并从实时视频流中提取初始图像帧，对初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，第一图像帧包含设备对应的地面预设区域图像，第二图像帧包含套管图像，基于目标检测算法Cascade R‑CNN对第一图像帧进行地面油污检测，得到第一检测结果，基于预设的深度卷积网络中对第二图像帧进行套管破损检测，得到第二检测结果，预设的深度卷积网络包括YOLOV4‑Tiny模型和MobileNet模型，基于第一检测结果和第二检测结果，确定漏油监控结果，采用本发明能够提高漏油监控效率。
Description
技术领域
本发明涉及安全监控领域，尤其涉及一种基于卷积神经网络的设备漏油监控方法及相关设备。
背景技术
电网中涉及的电器较多，变压器是其中一种与安全相关的重要组成部件，变压器有油箱，变压器渗油的处理一直是变电检修工作的重点，也是衡量变电检修方法是否合理的重要技术指标，在现有方式中，变电站渗油检查和预防，需要人员去定期巡查，是否漏油往往在事发后一段时间才被检查到，重要信息无法实时掌握，且无历史记录，运行人员不能根据现场状况快速做出反应，导致变压器漏油监控的效率较低。
发明内容
本发明实施例提供一种基于卷积神经网络的设备漏油监控方法、装置、计算机设备和存储介质，以提高变压器漏油监控的效率。
为了解决上述技术问题，本申请实施例提供一种基于卷积神经网络的设备漏油监控方法，包括：
采集实时视频流，并从所述实时视频流中提取初始图像帧；
对所述初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，所述第一图像帧包含设备对应的地面预设区域图像，所述第二图像帧包含套管图像；
基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果；
基于预设的深度卷积网络中对所述第二图像帧进行套管破损检测，得到第二检测结果；
基于所述第一检测结果和所述第二检测结果，确定漏油监控结果。
可选地，所述从所述实时视频流中提取初始图像帧包括：
按照预设的时间间隔，从所述实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
针对所述帧图像集合中的每个帧图像，所述采用相似度检测算法，分别计算所述帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
基于预设相似度阈值和每个所述帧图像的所述第一相似度、第二相似度，从所述帧图像中集合中提取初始图像帧。
可选地，所述基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果包括：
采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点；
将所述估计关键点输入到所述目标检测算法Cascade R-CNN中进行地面油污检测，得到所述第一检测结果。
可选地，所述采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点，包括：
采用多种分辨率子网进行并联对HRNet对所述第一图像帧进行特征提取；
将每个子网提取的特征进行多尺度融合，得到所述估计关键点。
可选地，所述预设的深度卷积网络包括YOLOV4-Tiny模型和MobileNet模型。
为了解决上述技术问题，本申请实施例还提供一种基于卷积神经网络的设备漏油监控装置，包括：
图像采集模块，用于采集实时视频流，并从所述实时视频流中提取初始图像帧；
图像筛选模块，用于对所述初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，所述第一图像帧包含设备对应的地面预设区域图像，所述第二图像帧包含套管图像；
第一检测模块，用于基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果；
第二检测模块，用于基于预设的深度卷积网络中对所述第二图像帧进行套管破损检测，得到第二检测结果；
结果确定模块，用于基于所述第一检测结果和所述第二检测结果，确定漏油监控结果。
可选地，所述图像采集模块包括：
帧图像集合提取单元，用于按照预设的时间间隔，从所述实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
相似度计算单元，用于针对所述帧图像集合中的每个帧图像，所述采用相似度检测算法，分别计算所述帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
初始图像帧提取单元，用于基于预设相似度阈值和每个所述帧图像的所述第一相似度、第二相似度，从所述帧图像中集合中提取初始图像帧。
可选地，所述第一检测模块包括：
关键点提取单元，用于采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点；
油污检测单元，用于将所述估计关键点输入到所述目标检测算法Cascade R-CNN中进行地面油污检测，得到所述第一检测结果。
可选地，所述关键点提取单元包括：
特征提取子单元，用于采用多种分辨率子网进行并联对HRNet对所述第一图像帧进行特征提取；
特征融合子单元，用于将每个子网提取的特征进行多尺度融合，得到所述估计关键点。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于卷积神经网络的设备漏油监控方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于卷积神经网络的设备漏油监控方法的步骤。
本发明实施例提供的基于卷积神经网络的设备漏油监控方法、装置、计算机设备及存储介质，通过采集实时视频流，并从实时视频流中提取初始图像帧，对初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，第一图像帧包含设备对应的地面预设区域图像，第二图像帧包含套管图像，基于目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测，得到第一检测结果，基于预设的深度卷积网络中对第二图像帧进行套管破损检测，得到第二检测结果，预设的深度卷积网络包括YOLOV4-Tiny模型和MobileNet模型，基于第一检测结果和第二检测结果，确定漏油监控结果，实现快速智能确定漏油监控结果，而无需人工干预，有利于提高漏油监控效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的基于卷积神经网络的设备漏油监控方法的一个实施例的流程图；
图3是根据本申请的基于卷积神经网络的设备漏油监控装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有获取实时视频流/监控图片的各种电子设备，包括但不限于摄像头、监控视频服务器等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103中采集的视频流/监控图片提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于卷积神经网络的设备漏油监控方法由服务器执行，相应地，基于卷积神经网络的设备漏油监控装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种基于卷积神经网络的设备漏油监控方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：采集实时视频流，并从实时视频流中提取初始图像帧。
具体地，按照实际需求，采集实时视频流，并从实时视频流中提取初始图像帧。
本实施例中，考虑到渗漏油缺陷的出现需要等待时间的累积，故无需进行实时监控，只需每间隔一段时间获取摄像头的视频流，例如，每2个小时获取采集一次实时视频流。
从实时视频流中提取初始图像帧具体可以是通过对实时视频流转化为帧图像，进而进行帧图像的选取。
S202：对初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，第一图像帧包含设备对应的地面预设区域图像，第二图像帧包含套管图像。
具体地，本实施例考虑到设备漏油地面会形成油污，进而将设备对应的地面预设区域图像作为第一图像；在套管发送磨损时，会导致漏油，将套管图像作为第二图像。
S203：基于目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测，得到第一检测结果。
具体地，油漏在地面上会产生一定的暗影，而在雨天、光线不好的情况下，这种阴影特征将会不明显，普通的目标检测算法难以进行判别。针对这一问题，本实施例采用高分辨率网络HRNet和目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测。得到第一检测结果。
其中，目标检测算法Cascade R-CNN为预先先练好的网络模型。
其中，第一检测结果为地面无油污和地面有油污。
优选的，抽取的第一图像帧数量为5-10张。
目标检测网络(又称为目标检测算法)Cascade R-CNN是Faster-RCNN的进阶网络，Cascade R-CNN算法级联多个检测网络，以达到不断优化预测结果的目的与普通的级联不同，它的多个检测网络是根据不同IOU阈值确定的正负样本进行训练。
Cascade-R-CNN与迭代式的bbox结构以及Integral Loss相似，和Faster-RCNN模型最大的不同点在于cascade-R-CNN中的检测模型是基于前面一个阶段的输出进行训练，而不是像Faster-RCNN一样3个检测模型都是基于最初始的数据进行训练。Cascade-R-CNN和Integral Loss的差别也比较明显，cascade R-CNN中每个阶段的输入预测框框是前一个阶段的预测框框输出，而Integral Los仅仅是检测模型基于不同的IOU阈值训练。
其中，IoU的全称为交并比(Intersection over Union)，是目标检测算法性能mAP计算的一个非常重要的函数，IoU计算的是“预测的边框”和“真实的边框”的交集和并集的比值。
S204：基于预设的深度卷积网络中对第二图像帧进行套管破损检测，得到第二检测结果。
可选地，预设的深度卷积网络包括YOLOV4-Tiny模型和MobileNet模型。
其中，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks，SIANN)”。
其中，YOLOV4-Tiny为YOLO(You Only Look Once:Unified,Real-Time ObjectDetection)的一种，是一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别。
其中，MobileNet的基本单元是深度级可分离卷积(depthwise separableconvolution)，深度级可分离卷积其实是一种可分解卷积操作(factorizedconvolutions)，其可以分解为两个更小的操作：depthwise convolution和pointwiseconvolution，depthwise convolution和标准卷积不同，对于标准卷积其卷积核是用在所有的输入通道上(input channels)，而depthwise convolution针对每个输入通道采用不同的卷积核，也即，一个卷积核对应一个输入通道，因而，depthwise convolution是深度级别的操作。对于depthwise separable convolution，其首先是采用depthwiseconvolution对不同输入通道分别进行卷积，然后采用pointwise convolution将上面的输出再进行结合，这样其实整体效果和一个标准卷积是差不多的，但是会大大减少计算量和模型参数量，提高识别效率。
其中，第二检测结果包括套管无破损和套管有破损。
S205：基于第一检测结果和第二检测结果，确定漏油监控结果。
具体地，在第一检测结果为地面无油污且第二检测结果为套管无破损时，确定漏油监控结果为不存在漏油情景，否则，确定漏油监控结果为存在漏油情景。
本实施例中，通过采集实时视频流，并从实时视频流中提取初始图像帧，对初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，第一图像帧包含设备对应的地面预设区域图像，第二图像帧包含套管图像，基于目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测，得到第一检测结果，基于预设的深度卷积网络中对第二图像帧进行套管破损检测，得到第二检测结果，预设的深度卷积网络包括YOLOV4-Tiny模型和MobileNet模型，基于第一检测结果和第二检测结果，确定漏油监控结果，实现快速智能确定漏油监控结果，而无需人工干预，有利于提高漏油监控效率。
在一具体可选实施方式中，步骤S201中，从实时视频流中提取初始图像帧包括：
按照预设的时间间隔，从实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
针对帧图像集合中的每个帧图像，采用相似度检测算法，分别计算帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
基于预设相似度阈值和每个帧图像的第一相似度、第二相似度，从帧图像中集合中提取初始图像帧。
具体地，服务端按照预设的时间间隔，从接收到的实时视频流中抽取视频帧，得到包含多个帧图像的帧图像集合。
例如，在一具体实施方式中，预设的时间间隔为8个连续视频帧对应的时间，在接收到客户端发送的实时视频流后，服务器将获取到的包含128个连续视频帧的实时视频流中，将8个视频帧作为一个视频帧集合，并获取每个视频帧集合中的最后一个视频帧图像，一共得到128/8＝16个视频帧图像，将这16个帧图像作为帧图像集合。
易理解地，采用本实施例的方式进行帧图像集合的提取，减少帧图像的数量，提高后续数据处理的效率，有利于提高安全监控效率。
其中，预设第一图像为某一时刻拍摄的设备对应的地面预设区域图像，预设第二图像为某一时刻拍摄的套管图像。
其中，相似度计算可采用图像相似度计算算法，具体包括但不限于：差异哈希算法(dHash算法)、分块对比、感知哈希算法(pHash算法，或者，均值哈希算法)等。
本实施例中，通过按照预设的时间间隔，从实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合，减少帧图像数量，有利于提高后续数据处理的效率，同时，采用图像相似度计算的方式，获取与预设第一图像、预设第二图像接近的图像进行检测，避免其他无关图像的干扰，提高检测效率。
在一具体可选实施方式中，步骤S203中，基于目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测，得到第一检测结果包括：
采用高分辨率网络HRNet对第一图像帧中进行高分辨率特征图提取，得到估计关键点；
将估计关键点输入到目标检测算法Cascade R-CNN中进行地面油污检测，得到第一检测结果。
目标检测网络(又称为目标检测算法)Cascade R-CNN是Faster-RCNN的进阶网络，Cascade R-CNN算法级联多个检测网络，以达到不断优化预测结果的目的与普通的级联不同，它的多个检测网络是根据不同IOU阈值确定的正负样本进行训练。
Cascade-R-CNN与迭代式的bbox结构以及Integral Loss相似，和Faster-RCNN模型最大的不同点在于cascade-R-CNN中的检测模型是基于前面一个阶段的输出进行训练，而不是像Faster-RCNN一样3个检测模型都是基于最初始的数据进行训练。Cascade-R-CNN和Integral Loss的差别也比较明显，cascade R-CNN中每个阶段的输入预测框框是前一个阶段的预测框框输出，而Integral Los仅仅是检测模型基于不同的IOU阈值训练。
其中，IoU的全称为交并比(Intersection over Union)，是目标检测算法性能mAP计算的一个非常重要的函数，IoU计算的是“预测的边框”和“真实的边框”的交集和并集的比值。
可选地，本实施例对Cascade R-CNN进行剪枝，提高模型的处理速度。
在一具体可选实施方式中，采用高分辨率网络HRNet对第一图像帧中进行高分辨率特征图提取，得到估计关键点，包括：
采用多种分辨率子网进行并联对HRNet对第一图像帧进行特征提取；
将每个子网提取的特征进行多尺度融合，得到估计关键点。
具体地，高分辨率网络(HRNet)，可以在整个训练检测过程中保持高分辨率表达的能力。本实施例从高分辨率子网作为第一阶段开始，逐步增加高分辨率到低分辨率子网(逐渐增加高分辨率到低分辨率子网)，形成更多的阶段，增加多分辨率子网并联。在整个过程中，通过在并行的多分辨率子网络上重复交换信息来进行多尺度的重复融合，通过网络输出的高分辨率表示来估计关键点。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例基于卷积神经网络的设备漏油监控方法一一对应的基于卷积神经网络的设备漏油监控装置的原理框图。如图3所示，该基于卷积神经网络的设备漏油监控装置包括图像采集模块31、图像筛选模块32、第一检测模块33、第二检测模块34和结果确定模块35。各功能模块详细说明如下：
图像采集模块31，用于采集实时视频流，并从实时视频流中提取初始图像帧；
图像筛选模块32，用于对初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，第一图像帧包含设备对应的地面预设区域图像，第二图像帧包含套管图像；
第一检测模块33，用于基于目标检测算法Cascade R-CNN对第一图像帧进行地面油污检测，得到第一检测结果；
第二检测模块34，用于基于预设的深度卷积网络中对第二图像帧进行套管破损检测，得到第二检测结果；
结果确定模块35，用于基于第一检测结果和第二检测结果，确定漏油监控结果。
可选地，图像采集模块31包括：
帧图像集合提取单元，用于按照预设的时间间隔，从实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
相似度计算单元，用于针对帧图像集合中的每个帧图像，采用相似度检测算法，分别计算帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
初始图像帧提取单元，用于基于预设相似度阈值和每个帧图像的第一相似度、第二相似度，从帧图像中集合中提取初始图像帧。
可选地，第一检测模块33包括：
关键点提取单元，用于采用高分辨率网络HRNet对第一图像帧中进行高分辨率特征图提取，得到估计关键点；
油污检测单元，用于将估计关键点输入到目标检测算法Cascade R-CNN中进行地面油污检测，得到第一检测结果。
可选地，关键点提取单元包括：
特征提取子单元，用于采用多种分辨率子网进行并联对HRNet对第一图像帧进行特征提取；
特征融合子单元，用于将每个子网提取的特征进行多尺度融合，得到估计关键点。
关于基于卷积神经网络的设备漏油监控装置的具体限定可以参见上文中对于基于卷积神经网络的设备漏油监控方法的限定，在此不再赘述。上述基于卷积神经网络的设备漏油监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于卷积神经网络的设备漏油监控方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于卷积神经网络的设备漏油监控方法，其特征在于，所述基于卷积神经网络的设备漏油监控方法包括：
采集实时视频流，并从所述实时视频流中提取初始图像帧；
对所述初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，所述第一图像帧包含设备对应的地面预设区域图像，所述第二图像帧包含套管图像；
基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果；
基于预设的深度卷积网络中对所述第二图像帧进行套管破损检测，得到第二检测结果；
基于所述第一检测结果和所述第二检测结果，确定漏油监控结果。
2.如权利要求1所述的基于卷积神经网络的设备漏油监控方法，其特征在于，所述从所述实时视频流中提取初始图像帧包括：
按照预设的时间间隔，从所述实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
针对所述帧图像集合中的每个帧图像，所述采用相似度检测算法，分别计算所述帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
基于预设相似度阈值和每个所述帧图像的所述第一相似度、第二相似度，从所述帧图像中集合中提取初始图像帧。
3.如权利要求1所述的基于卷积神经网络的设备漏油监控方法，其特征在于，所述基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果包括：
采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点；
将所述估计关键点输入到所述目标检测算法Cascade R-CNN中进行地面油污检测，得到所述第一检测结果。
4.如权利要求3所述的基于卷积神经网络的设备漏油监控方法，其特征在于，所述采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点，包括：
采用多种分辨率子网进行并联对HRNet对所述第一图像帧进行特征提取；
将每个子网提取的特征进行多尺度融合，得到所述估计关键点。
5.如权利要求1至4任一项所述的基于卷积神经网络的设备漏油监控方法，其中，所述预设的深度卷积网络包括YOLOV4-Tiny模型和MobileNet模型。
6.一种基于卷积神经网络的设备漏油监控装置，其特征在于，所述基于卷积神经网络的设备漏油监控装置包括：
图像采集模块，用于采集实时视频流，并从所述实时视频流中提取初始图像帧；
图像筛选模块，用于对所述初始图像帧进行图像筛选，得到第一图像帧和第二图像帧，其中，所述第一图像帧包含设备对应的地面预设区域图像，所述第二图像帧包含套管图像；
第一检测模块，用于基于目标检测算法Cascade R-CNN对所述第一图像帧进行地面油污检测，得到第一检测结果；
第二检测模块，用于基于预设的深度卷积网络中对所述第二图像帧进行套管破损检测，得到第二检测结果；
结果确定模块，用于基于所述第一检测结果和所述第二检测结果，确定漏油监控结果。
7.如权利要求6所述的基于卷积神经网络的设备漏油监控装置，其特征在于，所述图像采集模块包括：
帧图像集合提取单元，用于按照预设的时间间隔，从所述实时视频流中进行帧图像提取，得到包含预设个数的帧图像的帧图像集合；
相似度计算单元，用于针对所述帧图像集合中的每个帧图像，所述采用相似度检测算法，分别计算所述帧图像与预设第一图像、预设第二图像的相似度，得到第一相似度和第二相似度；
初始图像帧提取单元，用于基于预设相似度阈值和每个所述帧图像的所述第一相似度、第二相似度，从所述帧图像中集合中提取初始图像帧。
8.如权利要求6所述的基于卷积神经网络的设备漏油监控装置，其特征在于，所述第一检测模块包括：
关键点提取单元，用于采用高分辨率网络HRNet对所述第一图像帧中进行高分辨率特征图提取，得到估计关键点；
油污检测单元，用于将所述估计关键点输入到所述目标检测算法Cascade R-CNN中进行地面油污检测，得到所述第一检测结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于卷积神经网络的设备漏油监控方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于卷积神经网络的设备漏油监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903193.1A CN113591752B (zh) | 2021-08-06 | 2021-08-06 | 基于卷积神经网络的设备漏油监控方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110903193.1A CN113591752B (zh) | 2021-08-06 | 2021-08-06 | 基于卷积神经网络的设备漏油监控方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591752A true CN113591752A (zh) | 2021-11-02 |
| CN113591752B CN113591752B (zh) | 2024-09-17 |
Family
ID=78255969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110903193.1A Active CN113591752B (zh) | 2021-08-06 | 2021-08-06 | 基于卷积神经网络的设备漏油监控方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591752B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710374A (zh) * | 2024-02-05 | 2024-03-15 | 中海油田服务股份有限公司 | 基于深度学习的跑冒滴漏检测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156600A1 (en) * | 2006-11-16 | 2019-05-23 | Ge Global Sourcing Llc | Locomotive sensor system for monitoring engine and lubricant health |
| CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
| CN111814754A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 面向夜间场景的单帧图像行人检测方法和装置 |
| CN112348828A (zh) * | 2020-10-27 | 2021-02-09 | 浙江大华技术股份有限公司 | 基于神经网络的实例分割方法和装置以及存储介质 |
| CN113191362A (zh) * | 2021-04-26 | 2021-07-30 | 南瑞集团有限公司 | 一种变电设备油渗漏缺陷检测装置及方法 |
-
2021
- 2021-08-06 CN CN202110903193.1A patent/CN113591752B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156600A1 (en) * | 2006-11-16 | 2019-05-23 | Ge Global Sourcing Llc | Locomotive sensor system for monitoring engine and lubricant health |
| CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
| CN111814754A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 面向夜间场景的单帧图像行人检测方法和装置 |
| CN112348828A (zh) * | 2020-10-27 | 2021-02-09 | 浙江大华技术股份有限公司 | 基于神经网络的实例分割方法和装置以及存储介质 |
| CN113191362A (zh) * | 2021-04-26 | 2021-07-30 | 南瑞集团有限公司 | 一种变电设备油渗漏缺陷检测装置及方法 |
Non-Patent Citations (5)
| Title |
|---|
| SHIHUAI XU 等: "Improved Cascade R-CNN for Medical Images of Pulmonary Nodules Detection Combining Dilated HRNet", 《ICMLC \'20: PROCEEDINGS OF THE 2020 12TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND COMPUTING》, 29 February 2020 (2020-02-29), pages 283 - 288 * |
| 张凯 等: "基于轻量化YOLOv4 的发电机定子表面缺陷检测算法", 《计算机与数字工程》, vol. 49, no. 4, 30 April 2021 (2021-04-30), pages 686 - 710 * |
| 李涛 等: "原油管线泄漏巡检视频智能识别方法研究", 《中国信息化》, no. 8, 20 August 2020 (2020-08-20), pages 49 - 50 * |
| 欧阳进 等: "联合检测技术在SF_6微漏中的检测应用", 《湖南电力》, vol. 37, no. 2, 25 October 2017 (2017-10-25), pages 98 - 101 * |
| 谢小瑜 等: "深度学习在泛在电力物联网中的应用与挑战", 《电力自动化设备》, vol. 40, no. 4, 30 April 2020 (2020-04-30), pages 77 - 87 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710374A (zh) * | 2024-02-05 | 2024-03-15 | 中海油田服务股份有限公司 | 基于深度学习的跑冒滴漏检测方法、装置、设备及介质 |
| CN117710374B (zh) * | 2024-02-05 | 2024-05-24 | 中海油田服务股份有限公司 | 基于深度学习的跑冒滴漏检测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591752B (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545262B (zh) | 一种在自然场景图像中检测文本的方法及装置 | |
| CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
| CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
| CN110968712B (zh) | Bim族模型获取的方法、装置及系统 | |
| CN113807342A (zh) | 基于图像获取设备信息的方法及相关装置 | |
| CN110689518A (zh) | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 | |
| CN111192312A (zh) | 基于深度学习的深度图像获取方法、装置、设备及介质 | |
| CN118396576B (zh) | 一种施工进度监控预警方法及系统 | |
| CN114417995A (zh) | 管网风险预警方法、装置、计算机设备及存储介质 | |
| CN114549904B (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
| CN111814776A (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
| CN113591752B (zh) | 基于卷积神经网络的设备漏油监控方法及相关设备 | |
| CN113344064A (zh) | 事件处理方法和装置 | |
| CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN111709346B (zh) | 基于深度学习和高分影像的历史建筑识别与检测方法 | |
| CN112969032A (zh) | 光照模式识别方法、装置、计算机设备及存储介质 | |
| CN116631003A (zh) | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 | |
| CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 | |
| CN115063826A (zh) | 一种基于深度学习的移动端驾驶证识别方法和系统 | |
| CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 | |
| CN113936286A (zh) | 图像文本识别方法、装置、计算机设备及存储介质 | |
| CN114187245A (zh) | 视频污损检测方法、装置、电子设备及存储介质 | |
| CN111191593A (zh) | 图像目标检测方法、装置、存储介质及污水管道检测装置 | |
| CN115861321B (zh) | 应用于工业互联网的生产环境检测方法及系统 | |
| CN115205555B (zh) | 确定相似图像的方法、训练方法、信息确定方法及设备 |
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 |