CN113781513A - 一种电厂供水管道泄漏检测方法及系统 - Google Patents
一种电厂供水管道泄漏检测方法及系统 Download PDFInfo
- Publication number
- CN113781513A CN113781513A CN202110957349.4A CN202110957349A CN113781513A CN 113781513 A CN113781513 A CN 113781513A CN 202110957349 A CN202110957349 A CN 202110957349A CN 113781513 A CN113781513 A CN 113781513A
- Authority
- CN
- China
- Prior art keywords
- image
- leakage
- images
- detection result
- class
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000691 measurement method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 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
- 239000012466 permeate Substances 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开了一种电厂供水管道泄漏检测方法及系统,该方法包括:获取视频图像并对进行背景预处理获取管道泄漏候选区域图像;根据自动数据增强技术与代价敏感学习方法处理候选区域图像,并训练获取EfficientDet分类识别模型;确定m张候选区域图像并输入EfficientDet分类识别模型获取检测结果;根据检测结果确定视频图像中对应的多张视频图像,采用Hausdorff Distance图像相似度衡量方法对检测结果进行二次判断,获取最终的检测结果。本发明通过对背景数据进行预处理并构建EfficientDet分类识别模型获取检测结果,进一步对检测结果进行二次判断,提高了管道泄漏识别的准确度。
Description
技术领域
本发明涉及管道检测技术领域,尤其涉及一种电厂供水管道泄漏检测方法及系统。
背景技术
供水管道是电厂中不可或缺的组成部分,用于取水、输入、水质处理和配水等,由于电厂环境一般较为恶劣,管道老化或者大型机器机械振动引起的管道接头松动,都可能导致供水管道出现泄漏问题。根据泄漏程度,可分为渗漏、滴漏、重漏以及流淌,无论哪种都会影响电厂的正常运行,甚至引发安全事故如短路、火灾等,给电厂造成巨大损失。因此,监控供水管道工作状态对于电厂安全生产至关重要。
由于管道泄漏的多样性和复杂性,现有技术通常是针对不同的应用场景使用不同的检测策略,其中,管道泄漏检测的方法大致可分成四类:
第一类:人工巡检法,由有经验的技术人员携带检测仪器设备或经过训练的动物对管道进行泄漏检测和定位,然而,虽然人工巡检法具有定位精度高和低误报率,但不能及时发现泄漏,检测只能间断地进行,需要耗费大量的人力物力,部分隐蔽或不易靠近区域,人工检测实施困难,安全隐患无法排除。
第二类:基于超声、磁通、摄像等技术的管内检漏法。然而,管内检漏法具有定位精度高和低误报率,但无法实现在线监测,由于探测球在管内随介质漂流,无法进行往复运动,容易发生堵塞、停运等事故,并且探测球比较昂贵,运行成本较高。
第三类:基于电缆检漏法,电缆与管道平行铺设,当泄漏的物质渗入电缆后,会引起电缆特征的变化,以此来实现对泄漏的检测和定位。然而,电缆检漏法非常灵敏,对于小漏和缓慢泄漏均有较好的效果,但电缆价格和施工费都较高,电缆一旦沾染上泄漏物后,需进行更换。
第四类:基于管道压力、流量、温度等运行参数的外部检漏法,如负压波检漏法、压力梯度法、质量或体积平衡法、实时模型法、统计检漏法、声波检漏法。然而,外部检漏法,一般只能测量某一点的物理量,并且输出为电信号。若要对长距离液体输送管道进行及时泄漏检测和精确定位,则需增加输送管道上的采样点密度,即增装传感器,使泄漏检测系统的复杂程度及成本增加,并且还存在着信号传输衰减,电磁干扰及仪器供电、维护等问题。
到目前为止,对于电厂室内管道泄漏的检测上,因为室内空间较小且环境复杂,主要还是采用人工定期巡检的方式进行检查。虽然基于传统图像处理的视觉方法也可以用于管道泄漏检测,而且成本低,可实现24小时不间断检测,但现有技术难以应对现实环境中多种光照条件和多种泄漏类型,通用性较差。深度神经网络可实现多种光照条件和多种泄漏类型的识别,但电厂中采集的泄漏数据通常较少,难以支持直接训练获得精确的识别模型。此外,管道正常状态下的样本很多,而管道泄漏的样本很少,出现数据不平衡的问题,如果直接使用不平衡的数据集来训练网络,这会导致训练得到的网络会过分的关注多数类的特征,而忽视了少数类,从而导致少数类的分类性能下降。
发明内容
本发明目的在于,提供一种电厂供水管道泄漏检测方法及系统,以解决现有检测技术中数据不足、数据不均衡下电厂供水管道复杂光照条件以及多种泄漏类型的识别分类问题。
为实现上述目的,本发明提供一种电厂供水管道泄漏检测方法,包括:
获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像;
采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型;
根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果;
根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
优选地,所述背景预处理包括:bernsen背景减除、背景图像滤波及形态学处理。
优选地,所述对所述视频图像进行背景预处理获取管道泄漏候选区域图像,包括:
采用LaBGen背景生成方法对获取所述视频图像中的前n帧视频图像进行训练,并结合中值滤波器进行所述背景图像滤波处理,获取背景图像;
根据所述背景图像构建背景模型,并将所述视频图像中前n帧图像之后的每一帧进行背景减除,获取差值图像,并更新所述背景模型;
采用bernsen阈值法对更新后的所述背景模型进行背景减除,获取所述候选区域图像。
优选地,所述获取EfficientDet分类识别模型,包括:
采用所述自动数据增强技术对所述候选区域图像进行图像增强,并采用所述代价敏感学习方法确定增强后的候选区域图像中的每一类图像的损失值一致;
采用MPS响应面优化方法确定所述EfficientDet深度神经网络的超参数;
根据图像增强后的候选区域图像以及所述超参数,构建所述EfficientDet分类识别模型。
优选地,所述用于根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果,包括:
若所述检测结果包括:渗漏类、滴漏类、重漏类或流淌类,分别获取对应的所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像;
根据预设的泄漏情况分别与所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像中的图像特征进行相似度衡量,若所述图像特征相似度衡量一致,则判断所述最终的检测结果为相应的泄漏情况,若所述图像特征相似度衡量不一致,则判断所述最终的检测结果为异常泄漏情况。
本发明还提供一种电厂供水管道泄漏检测系统,包括:
获取模块,用于获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像;
训练模块,用于采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型;
识别模块,用于根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果;
二次识别模块,用于根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
优选地,所述获取模块,还用于:bernsen背景减除、背景图像滤波及形态学处理。
优选地,所述获取模块,还用于:
采用LaBGen背景生成方法对获取所述视频图像中的前n帧视频图像进行训练,并结合中值滤波器进行所述背景图像滤波处理,获取背景图像;
根据所述背景图像构建背景模型,并将所述视频图像中前n帧图像之后的每一帧进行背景减除,获取差值图像,并更新所述背景模型;
采用bernsen阈值法对更新后的所述背景模型进行背景减除,获取所述候选区域图像。
优选地,所述训练模块,还用于:
采用所述自动数据增强技术对所述候选区域图像进行图像增强,并采用所述代价敏感学习方法确定增强后的候选区域图像中的每一类图像的损失值一致;
采用MPS响应面优化方法确定所述EfficientDet深度神经网络的超参数;
根据图像增强后的候选区域图像以及所述超参数,构建所述EfficientDet分类识别模型。
优选地,所述二次识别模块,还用于:
若所述检测结果包括:渗漏类、滴漏类、重漏类或流淌类,分别获取对应的所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像;
根据预设的泄漏情况分别与所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像中的图像特征进行相似度衡量,若所述图像特征相似度衡量一致,则判断所述最终的检测结果为相应的泄漏情况,若所述图像特征相似度衡量不一致,则判断所述最终的检测结果为异常泄漏情况。
相对于现有技术,本发明的有益效果在于:
本发明通过对视频图像进行预处理获取管道泄漏候选区域图像,采用自动数据增强技术与代价敏感学习方法处理候选区域图像,将处理后的候选区域图像输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型,将实时获取的管道视频图像输入训练好的EfficientDet分类识别模型进行识别,获取检测结果,再采用Hausdorff Distance图像相似度衡量方法进行二次识别,解决了现有技术中由于数据不足、数据不平衡造成的多种泄漏类型的识别准确度不高的问题。
进一步的,采用自动数据增强技术对候选区域图像进行图像增强,增大训练数据集,通过MPS响应面优化方法确定EfficientDet深度神经网络的超参数,以提高该模型的精确度,且本发明成本较低,更符合实际需求。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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的附图。
图1是本发明某一实施例提供的电厂供水管道泄漏检测方法的流程示意图;
图2是本发明另一实施例提供的bernsen阈值法计算流程示意图;
图3是本发明又一实施例提供的候选区域提取流程示意图;
图4是本发明某一实施例提供的EfficientDet管道泄漏分类识别模型构造流程示意图;
图5是本发明另一实施例提供的电厂供水管道泄漏检测方法的流程示意图;
图6是本发明某一实施例提供的电厂供水管道泄漏检测系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种电厂供水管道泄漏检测方法,包括以下步骤:
S101:获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像。
具体的,背景预处理包括:bernsen背景减除、背景图像滤波及形态学处理。采用LaBGen背景生成方法对获取视频图像中的前n帧视频图像进行训练,并结合中值滤波器进行背景图像滤波处理,获取背景图像,根据背景图像构建背景模型,并将视频图像中前n帧图像之后的每一帧进行背景减除,获取差值图像,并更新背景模型,采用bernsen阈值法对更新后的所述背景模型进行背景减除,获取候选区域图像,关于背景预处理以及获取候选区域图像的过程,具体如下:
1)提取视频前n帧图像进行背景模型的建立,建模步骤如下:
步骤1.1:输入视频图像序列,利用中值滤波器进行平滑处理;
步骤1.2:获取视频图像序列前n帧,一般取n=40,利用LaBGen背景生成方法对视频图像序列前40帧进行训练;
步骤1.3:根据训练的结果获得运动量最少的斑块子集,利用中值滤波器得到较为纯净的背景图像L-BG;
步骤1.4:将较为纯净的背景图像L-BG作为ViBe算法的背景模型初始化并输入首帧,获得其背景模型V-BM;
步骤1.5:在ViBe算法上检测运动目标,提取目标前景BG。
2)将视频图像序列前n帧之后的每一帧图像的灰度值减去背景的灰度值可得到一个差值图像,计算公式如下:
Dt(x,y)=It(x,y)-Bt(x,y);
其中T为预设阈值,It(x,y)是t时刻(x,y)处的输入图像像素值,Bt(x,y)是t时刻(x,y)处的背景图像,Dt(x,y)是t时刻(x,y)处输入图像与背景图像的减除图像,fd(x,y,t)是相应的二值化检测结果,当fd(x,y,t)等于255时,此像素点表现为白色,代表着前景运动目标,当fd(x,y,t)等于0时,此像素点表现为黑色,代表着背景模型像素,并将背景模型像素更新到已有的背景模型。
3)请参阅图2,设差值图像在像素点(i,j)处的灰度值大小为f(i,j),生成以像素点(i,j)为中心的(2w+1)×(2w+1)窗口,其中,2w+1表示窗口的边长,利用bernsen阈值法截取候选区域的步骤如下:
步骤3.1:计算图像中各个像素点(i,j)的阈值T(i,j),如下:
式中,m和n为[-w,w]区间内任意值,(i+m,j+n)表示(2w+1)×(2w+1)窗口内某一具体像素点坐标。
步骤3.2:对图像中各像素点(i,j)用b(i,j)值逐点进行二值化,如下:
步骤3.3:用I存储灰度图像的值,设I的大小为N×M,把I边界扩展成(N+2)×(M+2)的extend矩阵。
步骤3.4:把灰度图像矩阵I赋值于另一矩阵B,以免改变当前得到的灰度图像矩阵,遍历该矩阵B,对当前灰度值与t比较,如果大于t则赋予1,判为目标象素类,否则赋予0,作为背景象素类,显示得到的二值图像B。
4)请参阅图3,所得二值图像B即为前景图像,对该图像进行形态学处理,先用形态学开运算对前景图像进行处理,去除小噪音和平滑运动目标的轮廓,断开连在一块的不同物体,然后利用形态学闭运算填充前景图像的内部细小空洞,连接同一前景的像素,最终得到候选区域图像。
5)收集历史视频素材,重复以上步骤1)到步骤4)的操作,得到一定数量的候选区域图像集,按照实际情况标记为泄漏和正常两种类型,并将其划分为训练集和验证集,两个数据集的图像数据各自独立、互不交叉。
S102:采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型。
具体的,请参阅图4,采用自动数据增强技术对候选区域图像进行图像增强,并采用代价敏感学习方法确定增强后的候选区域图像中的每一类图像的损失值一致,采用MPS响应面优化方法确定EfficientDet深度神经网络的超参数,根据图像增强后的候选区域图像以及超参数,构建所述EfficientDet分类识别模型。
首先,采用自动数据增强技术对输入的训练图像进行处理,具体的,给定图像增强子策略,如平移、旋转(或剪切)以及使用量的搜索范围,进一步对于训练数据批量中的每张图像,利用网格搜索算法获取子策略组合对其进行增强。
其次,利用与样本分布相适应的代价敏感学习方法解决训练数据不平衡问题,具体的,计算每次增强后训练数据集中不同种类图像在所有图像中的比例值,并对每一类各自的总损失值进行平均得到各个类平均损失值,然后将各个类的平均损失值相加得整体的损失值,使得所有类别对于整体损失值都有相同的影响,最后,利用混淆矩阵生成误分类代价矩阵,把样本代价矩阵(即由错误分类惩罚系数构成的矩阵)与误分类代价矩阵共同作用于模型训练的损失函数。
最后,采用MPS响应面优化方法获取EfficientDet深度神经网络最优超参数组合,以使得训练获取的EfficientDet模型的验证集损失函数值最小,分类识别精度最高。具体为:首先,给定神经网络的宽度、深度和输入训练图像分辨率大小等超参数的取值范围,利用随机搜索算法在以上范围中产生超参数组合并构造网络,然后,将训练集输入网络进行训练,并获取网络在验证集上的损失函数值,进一步地,分别利用线性样条函数和二次函数逼近超参数组合与验证损失之间的关系,获取全局和局部响应面,最后,利用可信域局部优化算法在局部响应面上获取最优超参数组合构造EfficientDet模型。若满足预设的精度要求,则终止训练,得到EfficientDet分类识别模型,若不满足识别精度要求,则继续训练直至满足要求。
S103:根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果。
具体的,利用摄像机现场采集泄漏监测点视频图像,重复步骤S101步骤,对一段视频进行预处理得到m张可能发生泄漏的候选区域图像,分别将这m张区域图作为EfficientDet分类识别模型的输入,利用EfficientDet分类识别模型对输入的区域图像进行分类,若检测结果为渗漏类、滴漏类、重漏类或流淌类,则判断出现泄漏情况。
S104:根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
请参阅图5,若出现了步骤S103的泄漏情况,若检测结果包括:渗漏类、滴漏类、重漏类或流淌类,分别获取对应的渗漏类、滴漏类、重漏类或流淌类的同一时间段内多张视频图像,根据预设的泄漏情况分别与渗漏类、滴漏类、重漏类或流淌类的同一时间段内多张视频图像中的图像特征进行相似度衡量,若图像特征相似度衡量一致,则判断最终的检测结果为相应的泄漏情况,若图像特征相似度衡量不一致,则判断最终的检测结果为异常泄漏情况。
对于EfficientDet模型识别为泄漏的图像,利用Hausdorff Distance图像相似度衡量方法,截取同一时间段泄漏位置的k张视频图像(k的大小视实际情况而定),与已知泄漏类型如渗漏、滴漏、重漏或流淌等图像的特征进行相似度衡量,若均满足衡量标准,则输出结果为相对应泄漏现象,若不满足,则输出结果为异常现象。
本发明相较于现有技术,利用bernsen背景减除、滤波处理及形态学处理等操作分割获取监控视频中管道泄漏候选区域图像,利用基于权重共享的新型自动数据增强方法扩增管道泄漏图像数据,解决训练数据不足问题,利用基于响应面的超参数优化技术和EfficientDet深度神经网络来训练构造管道泄漏识别模型,利用与样本分布相适应的代价敏感学习方法,提高数据不平衡下EfficientDet模型的性能,结合EfficientDet模型的检测结果,截取同一时间段内多张视频图像,利用Hausdorff Distance图像相似度衡量方法对泄漏情况进行二次判断,不仅解决了现有技术中数据不足、数据不均衡下电厂供水管道复杂光照条件以及多种泄漏类型的识别分类问题,还提高了泄漏类型识别的准确度,且成本较低,更符合实际需求。
请参阅图6,本发明还提供一种电厂供水管道泄漏检测系统,包括:
获取模块11,用于获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像。
训练模块12,用于采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型。
识别模块13,用于根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果。
二次识别模块14,用于根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
关于电厂供水管道泄漏检测系统的具体限定可以参见上文中对于电厂供水管道泄漏检测方法的限定,在此不再赘述。上述电厂供水管道泄漏检测系统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。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电厂供水管道泄漏检测方法,其特征在于,包括:
获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像;
采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型;
根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果;
根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
2.根据权利要求1所述的电厂供水管道泄漏检测方法,其特征在于,所述背景预处理包括:bernsen背景减除、背景图像滤波及形态学处理。
3.根据权利要求2所述的电厂供水管道泄漏检测方法,其特征在于,所述对所述视频图像进行背景预处理获取管道泄漏候选区域图像,包括:
采用LaBGen背景生成方法对获取所述视频图像中的前n帧视频图像进行训练,并结合中值滤波器进行所述背景图像滤波处理,获取背景图像;
根据所述背景图像构建背景模型,并将所述视频图像中前n帧图像之后的每一帧进行背景减除,获取差值图像,并更新所述背景模型;
采用bernsen阈值法对更新后的所述背景模型进行背景减除,获取所述候选区域图像。
4.根据权利要求3所述的电厂供水管道泄漏检测方法,其特征在于,所述获取EfficientDet分类识别模型,包括:
采用所述自动数据增强技术对所述候选区域图像进行图像增强,并采用所述代价敏感学习方法确定增强后的候选区域图像中的每一类图像的损失值一致;
采用MPS响应面优化方法确定所述EfficientDet深度神经网络的超参数;
根据图像增强后的候选区域图像以及所述超参数,构建所述EfficientDet分类识别模型。
5.根据权利要求4所述的电厂供水管道泄漏检测方法,其特征在于,所述用于根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果,包括:
若所述检测结果包括:渗漏类、滴漏类、重漏类或流淌类,分别获取对应的所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像;
根据预设的泄漏情况分别与所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像中的图像特征进行相似度衡量,若所述图像特征相似度衡量一致,则判断所述最终的检测结果为相应的泄漏情况,若所述图像特征相似度衡量不一致,则判断所述最终的检测结果为异常泄漏情况。
6.一种电厂供水管道泄漏检测系统,其特征在于,包括:
获取模块,用于获取电厂供水管道多种实际应用场景的视频图像,对所述视频图像进行背景预处理获取管道泄漏候选区域图像;
训练模块,用于采用自动数据增强技术与代价敏感学习方法处理所述候选区域图像,并输入EfficientDet深度神经网络进行训练,获取EfficientDet分类识别模型;
识别模块,用于根据实时获取的视频图像确定m张候选区域图像,将所述m张候选区域图像输入所述EfficientDet分类识别模型获取检测结果;
二次识别模块,用于根据所述检测结果确定视频图像中所述检测结果对应的同一时间段内多张视频图像,采用Hausdorff Distance图像相似度衡量方法对所述检测结果进行二次判断,获取最终的检测结果;其中,所述二次判断包括将所述检测结果与预设的泄漏情况进行比对。
7.根据权利要求6所述的电厂供水管道泄漏检测系统,其特征在于,所述获取模块,还用于:bernsen背景减除、背景图像滤波及形态学处理。
8.根据权利要求7所述的电厂供水管道泄漏检测系统,其特征在于,所述获取模块,还用于:
采用LaBGen背景生成方法对获取所述视频图像中的前n帧视频图像进行训练,并结合中值滤波器进行所述背景图像滤波处理,获取背景图像;
根据所述背景图像构建背景模型,并将所述视频图像中前n帧图像之后的每一帧进行背景减除,获取差值图像,并更新所述背景模型;
采用bernsen阈值法对更新后的所述背景模型进行背景减除,获取所述候选区域图像。
9.根据权利要求8所述的电厂供水管道泄漏检测系统,其特征在于,所述训练模块,还用于:
采用所述自动数据增强技术对所述候选区域图像进行图像增强,并采用所述代价敏感学习方法确定增强后的候选区域图像中的每一类图像的损失值一致;
采用MPS响应面优化方法确定所述EfficientDet深度神经网络的超参数;
根据图像增强后的候选区域图像以及所述超参数,构建所述EfficientDet分类识别模型。
10.根据权利要求9所述的电厂供水管道泄漏检测系统,其特征在于,所述二次识别模块,还用于:
若所述检测结果包括:渗漏类、滴漏类、重漏类或流淌类,分别获取对应的所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像;
根据预设的泄漏情况分别与所述渗漏类、所述滴漏类、所述重漏类或所述流淌类的同一时间段内多张视频图像中的图像特征进行相似度衡量,若所述图像特征相似度衡量一致,则判断所述最终的检测结果为相应的泄漏情况,若所述图像特征相似度衡量不一致,则判断所述最终的检测结果为异常泄漏情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957349.4A CN113781513B (zh) | 2021-08-19 | 2021-08-19 | 一种电厂供水管道泄漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110957349.4A CN113781513B (zh) | 2021-08-19 | 2021-08-19 | 一种电厂供水管道泄漏检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781513A true CN113781513A (zh) | 2021-12-10 |
CN113781513B CN113781513B (zh) | 2023-11-28 |
Family
ID=78838647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110957349.4A Active CN113781513B (zh) | 2021-08-19 | 2021-08-19 | 一种电厂供水管道泄漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781513B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150117761A1 (en) * | 2013-10-29 | 2015-04-30 | National Taipei University Of Technology | Image processing method and image processing apparatus using the same |
US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110470429A (zh) * | 2019-08-12 | 2019-11-19 | 上海应用技术大学 | 基于机器视觉的供热管道泄漏检测装置 |
CN111521279A (zh) * | 2020-06-05 | 2020-08-11 | 中国有色金属长沙勘察设计研究院有限公司 | 一种管线渗漏巡查方法 |
CN111859254A (zh) * | 2020-07-15 | 2020-10-30 | 中国安全生产科学研究院 | 一种输油管道受限空间泄漏事故后果计算方法和系统 |
CN111915579A (zh) * | 2020-07-24 | 2020-11-10 | 天津大学 | 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 |
CN112364931A (zh) * | 2020-11-20 | 2021-02-12 | 长沙军民先进技术研究有限公司 | 基于元特征和权重调整的少样本目标检测方法及网络模型 |
CN112508944A (zh) * | 2020-12-27 | 2021-03-16 | 中信重工开诚智能装备有限公司 | 一种应用于煤矿井下供水管路的泄漏检测方法 |
-
2021
- 2021-08-19 CN CN202110957349.4A patent/CN113781513B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150117761A1 (en) * | 2013-10-29 | 2015-04-30 | National Taipei University Of Technology | Image processing method and image processing apparatus using the same |
US20180300639A1 (en) * | 2017-04-13 | 2018-10-18 | Oracle International Corporation | Novel autonomous artificially intelligent system to predict pipe leaks |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110470429A (zh) * | 2019-08-12 | 2019-11-19 | 上海应用技术大学 | 基于机器视觉的供热管道泄漏检测装置 |
CN111521279A (zh) * | 2020-06-05 | 2020-08-11 | 中国有色金属长沙勘察设计研究院有限公司 | 一种管线渗漏巡查方法 |
CN111859254A (zh) * | 2020-07-15 | 2020-10-30 | 中国安全生产科学研究院 | 一种输油管道受限空间泄漏事故后果计算方法和系统 |
CN111915579A (zh) * | 2020-07-24 | 2020-11-10 | 天津大学 | 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 |
CN112364931A (zh) * | 2020-11-20 | 2021-02-12 | 长沙军民先进技术研究有限公司 | 基于元特征和权重调整的少样本目标检测方法及网络模型 |
CN112508944A (zh) * | 2020-12-27 | 2021-03-16 | 中信重工开诚智能装备有限公司 | 一种应用于煤矿井下供水管路的泄漏检测方法 |
Non-Patent Citations (4)
Title |
---|
_HELEN_520: "Marc Van Droogenbroeck的会议PPT阅读背景提取和背景生成", pages 1, Retrieved from the Internet <URL:https://blog.csdn.net/haronchou/article/details/108489554> * |
李猛: "基于极限学习机的输油管道泄漏诊断方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2018, pages 140 - 44 * |
琚泽立;孔志战;侯?;蒲路;宋莉;段玮;: "面向输电线路的锈蚀缺陷检测", 电工技术, no. 17, pages 77 - 81 * |
赵春晖;李佳伟;闫奕名;宿南;: "基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现", 沈阳大学学报(自然科学版), no. 04, pages 284 - 293 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081957A (zh) * | 2022-08-18 | 2022-09-20 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
CN115081957B (zh) * | 2022-08-18 | 2022-11-15 | 山东超华环保智能装备有限公司 | 一种危废暂存及监测的危废管理平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113781513B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
Schmugge et al. | Crack segmentation by leveraging multiple frames of varying illumination | |
CN109029381A (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN112284619B (zh) | 一种漏油实时监测装置和检测方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
KR20230132686A (ko) | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 | |
Yuan et al. | Underwater image fish recognition technology based on transfer learning and image enhancement | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN116228659A (zh) | 一种ems小车漏油的视觉检测方法 | |
CN115393700A (zh) | 水位高度识别方法、装置、电子设备以及存储介质 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
Wang et al. | Vision measurement of gear pitting based on DCGAN and U-Net | |
Harshini et al. | Sewage Pipeline Fault Detection using Image Processing | |
Zhang et al. | A New Image Detection Method of Transmission Line Icing Thickness | |
Zhao et al. | The combined cloud model for edge detection |
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 |