CN114241725A - 基于神经网络的煤气泄漏监测方法、装置及电子设备 - Google Patents
基于神经网络的煤气泄漏监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114241725A CN114241725A CN202210171722.8A CN202210171722A CN114241725A CN 114241725 A CN114241725 A CN 114241725A CN 202210171722 A CN202210171722 A CN 202210171722A CN 114241725 A CN114241725 A CN 114241725A
- Authority
- CN
- China
- Prior art keywords
- gas
- layer
- digital
- groups
- gas meter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及安全技术领域,揭露了一种基于神经网络的煤气泄漏监测方法、装置、电子设备,包括:接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备,利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数,判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。本发明可解决煤气泄漏监测具有滞后性,进而导致安全性不高的问题。
Description
技术领域
本发明涉及安全技术领域,尤其涉及一种基于神经网络的煤气泄漏监测方法、装置、电子设备及计算机可读存储介质。
背景技术
伴随科技发展,煤气使用已基本普及至千家万户,不仅如此,工业生产中煤气作为动力输出扮演重要作用,但煤气若使用不当,也极容易造成重大安全事故,因此安全有效的煤气泄漏监测手段极其必要。
目前主流的煤气泄漏监测手段主要监测室内环境的煤气浓度,通过分析室内环境的煤气浓度达到危险数值而自动报警。这种方法虽然可实现煤气监测,但监测室内环境的煤气浓度具有滞后性,监测效率不高。
发明内容
本发明提供一种基于神经网络的煤气泄漏监测方法、装置及计算机可读存储介质,其主要目的在于解决煤气泄漏监测具有滞后性,进而导致安全性不高的问题。
为实现上述目的,本发明提供的一种基于神经网络的煤气泄漏监测方法,包括:
接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
可选地,所述利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,包括:
将所述预设时间段细化为指定段数,获取当前时间点,根据所述指定段数确定在所述当前时间点为基础下的多组拍摄时间点;
当时间依次达到每组所述拍摄时间点时,利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图;
汇总每组拍摄时间点下的煤气表图,得到多组所述煤气表图。
可选地,所述利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图,包括:
将每组所述拍摄时间点输入至预先构建在所述摄像设备的自动拍摄程序中;
当所述自动拍摄程序成功接收所述拍摄时间点时,启动自动计时,在自动计时与所述拍摄时间点相同时,运行所述自动拍摄程序拍摄煤气表,得到包括拍摄时间点的所述煤气表图。
可选地,所述从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,包括:
对每组所述煤气表图均执行像素灰度处理,得到多组煤气灰度图;
对每组所述煤气灰度图均计算灰度误差值;
选择灰度误差值具有连续性的区域,将具有连续性的区域裁剪出来,得到多组所述煤气计数图。
可选地,所述预训练完成的数字识别模型,包括:
接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型;
接收数字训练集及数据标签集;
将所述数字训练集按照所述输入层的输入规则传输至所述卷积层及所述池化层;
利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集;
将所述数字特征集在所述全连接层执行全连接操作,得到数字单维集;
在所述输出层中对所述数字单维集执行激活处理,得到数字预测集;
根据所述数字预测集与所述数字标签集的误差,调整所述数字识别模型的参数,并返回上述卷积、池化步骤,直至卷积、池化次数达到预设阈值,得到预训练完成的所述数字识别模型。
可选地,所述接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型,包括:
根据Python编程程序构建Pytorch深度学习框架;
在所述Pytorch深度学习框架内,接收用户输入的所述模型深度,其中所述模型深度包括所述卷积层的层数和所述池化层的层数。
当接收所述模型深度成功时,在所述Pytorch深度学习框架内编写与所述卷积层的层数和所述池化层的层数相同数量的层数程序;
调用预先构建的模型框架程序,其中所述模型框架程序包括输入层、卷积层、池化层、全连接层和输出层;
将所述层数程序与所述模型框架程序组合,得到所述数字识别模型。
可选地,所述利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集,包括:
利用所述卷积层中的卷积核,按照预设步长对所述数字训练集中的每张数字训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述数字特征集。
为了解决上述问题,本发明还提供一种基于神经网络的煤气泄漏监测装置,所述装置包括:
摄像设备启动模块,用于接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
煤气表拍摄模块,用于利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
煤气显示区域提取模块,用于从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
煤气计数识别模块,用于将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
泄漏报警模块,用于判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于神经网络的煤气泄漏监测方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于神经网络的煤气泄漏监测方法。
相比于背景技术所述:主流煤气泄漏监测手段主要监测室内环境的煤气浓度,这种方法具有滞后性,监测效率不高进而导致安全性不高的问题。本发明实施例为提高煤气监测的安全性,根据接收的煤气泄漏监测指令启动摄像设备,通过摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,可理解的是,当预设时间段设置的足够精细,可达到几秒内拍摄一组煤气表图时,则有助于提高室内环境的煤气监测效率,此外,为了提高识别煤气数值,从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数,由于数字识别模型是通过多次训练得到,可有效识别煤气计数图的煤气数值,提高监测准确率,最后,判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。因此本发明提出的基于神经网络的煤气泄漏监测方法、装置、电子设备及计算机可读存储介质,可以解决煤气泄漏监测具有滞后性,进而导致安全性不高的问题。
附图说明
图1为本发明一实施例提供的基于神经网络的煤气泄漏监测方法的流程示意图;
图2为基于神经网络的煤气泄漏监测方法的煤气表示意图;
图3为基于神经网络的煤气泄漏监测方法的煤气计数图;
图4为本发明一实施例提供的基于神经网络的煤气泄漏监测装置的功能模块图;
图5为本发明一实施例提供的实现所述基于神经网络的煤气泄漏监测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于神经网络的煤气泄漏监测方法。所述基于神经网络的煤气泄漏监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于神经网络的煤气泄漏监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
参照图1所示,为本发明一实施例提供的基于神经网络的煤气泄漏监测方法的流程示意图。在本实施例中,所述基于神经网络的煤气泄漏监测方法包括:
S1、接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备。
本发明实施例中,所述煤气泄漏监测指令是预先编程完成并以图形界面或按钮形式的一键启动式指令。示例性的,如预先开发出一款煤气泄漏监测APP,在煤气泄漏监测APP中集成了煤气泄漏监测指令的图形案件,当用户完成煤气使用后,打开煤气泄漏监测APP,并在煤气泄漏监测APP中点击煤气泄漏监测指令实现煤气泄漏的目的。
可理解的是,本发明实施例为减少反复监测环境中煤气所带来的资源消耗问题,利用摄像设备直接拍摄煤气表,通过智能识别煤气表的煤气值判断煤气是否泄漏,因此需先启动摄像设备。
S2、利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图。
详细地,所述利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,包括:
将所述预设时间段细化为指定段数,获取当前时间点,根据所述指定段数确定在所述当前时间点为基础下的多组拍摄时间点;
当时间依次达到每组所述拍摄时间点时,利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图;
汇总每组拍摄时间点下的煤气表图,得到多组所述煤气表图。
示例性的,当用户点击煤气泄漏监测指令实现煤气泄漏后,记录此时的时间点为夜晚8点,并将夜晚8点作为当前时间点。此外,预设时间段表示从当前时间点为起点,需要检测的时间周期,如预设时间段为10个小时,表示在10个小时内,均需要检测煤气是否泄漏。但可想象的是,在10个小时的时间段内检测的次数的不同,会影响检测精度,因此需将10个小时细化为指定段数,如将10个小时细化为100段,表示从夜晚8点开始,每1个小时检测10次。
进一步地,当确定指定段数为100段后,可在夜晚8点为基础,确定每次拍摄时间点分别为8点10分、8点20、8点30……以此类推,得到与拍摄时间点对应的煤气表图。详细地,所述利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图,包括:
将每组所述拍摄时间点输入至预先构建在所述摄像设备的自动拍摄程序中;
当所述自动拍摄程序成功接收所述拍摄时间点时,启动自动计时,在自动计时与所述拍摄时间点相同时,运行所述自动拍摄程序拍摄煤气表,得到包括拍摄时间点的所述煤气表图。
示例性的,当夜晚8点开始后启动自动计时,时间从夜晚8点开始计算,当计时达到8点10分时,与拍摄时间点相同,则自动拍摄得到所述煤气表图。
S3、从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图。
参阅图2的煤气表结构图可知,煤气表主要包括煤气入口(图2左上部)、煤气出口(图2右上部)及煤气显示区域(图2中部玻璃内的显示区域)。
因此可见,煤气显示区域可动态显示当前煤气是否泄漏,是本发明实施例重点关注的图片,因此为提高煤气泄漏监测准确率,需从煤气表图中提取煤气显示区域。
详细地,所述从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,包括:
对每组所述煤气表图均执行像素灰度处理,得到多组煤气灰度图;
对每组所述煤气灰度图均计算灰度误差值;
选择灰度误差值具有连续性的区域,将具有连续性的区域裁剪出来,得到多组所述煤气计数图。
示例性的,煤气表图原本为RGB类型,但为了有效识别出煤气显示区域,先将RGB类型转为灰度类型。
有图2所示可见,煤气显示区域位于整个煤气表中部玻璃内的显示区域,因此在中部玻璃的边缘地带所对应的像素值与煤气表非玻璃区域具有较大的像素差,因此通过像素差可智能识别出煤气表中部玻璃,具体煤气计数图可参阅图3所示。
S4、将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数。
需解释的是,本发明实施例所述数字识别模型主要识别煤气计数图中的煤气数,为提高数字识别模型对煤气数的识别准确率,所述数字识别模型由深度学习模型构建得到,主要包括输入层、卷积层、池化层、全连接层和输出层。
详细地,所述预训练完成的数字识别模型,包括:
步骤A:接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型;
步骤B:接收数字训练集及数据标签集;
步骤C:将所述数字训练集按照所述输入层的输入规则传输至所述卷积层及所述池化层;
步骤D:利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集;
步骤E:将所述数字特征集在所述全连接层执行全连接操作,得到数字单维集;
详细地,所述全连接操作又称维度转化操作,即将多维度转为单维度。
步骤F:在所述输出层中对所述数字单维集执行激活处理,得到数字预测集;
步骤G:根据所述数字预测集与所述数字标签集的误差,调整所述数字识别模型的参数,并返回上述卷积、池化步骤,直至卷积、池化次数达到预设阈值,得到预训练完成的所述数字识别模型。
详细地,所述接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型,包括:
根据Python编程程序构建Pytorch深度学习框架;
在所述Pytorch深度学习框架内,接收用户输入的所述模型深度,其中所述模型深度包括所述卷积层的层数和所述池化层的层数。
当接收所述模型深度成功时,在所述Pytorch深度学习框架内编写与所述卷积层的层数和所述池化层的层数相同数量的层数程序;
调用预先构建的模型框架程序,其中所述模型框架程序包括输入层、卷积层、池化层、全连接层和输出层;
将所述层数程序与所述模型框架程序组合,得到所述数字识别模型。
需解释的是,Pytorch深度学习框架是一种基于Python编程程序构建的用于快速实现深度学习模型的框架。示例性的,如用户输入卷积层的层数和池化层的层数分别为6和6,则表示数字识别模型的输入层为1,卷积层为6,池化层为6,全连接层为1和输出层为1的模型结构。
需解释的是,数字训练集包括数字0-9及其组合,一般提前从网络中下载、爬取并整理汇总得到。本发明另一实施例中,所述数字训练集可使用已公开的MNIST手写数字数据集。所述数据标签集是记录每个数字训练图中的数字,如在数字训练集中共有10000万组数字训练图,第一组在数据标签集中记录为数字3,第二组在数据标签集中记录为数字5,第三组在数据标签集中记录为数字9等,以此类推。
本发明较佳实施例中,所述卷积层及所述池化层共12层,其中卷积层6层、池化层6层。
详细地,所述利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集,包括:
利用所述卷积层中的卷积核,按照预设步长对所述数字训练集中的每张数字训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述数字特征集。
本发明实施例中,所述卷积核包括3*3、5*5,所述步长可设置为1、2。另外,所述卷积层及池化层的层数可以为8层、10层、15层等。
应了解的是,本发明实施例可采用梯度下降算法结合误差,调整所述数字识别模型的参数,其中,所述梯度下降算法包括但不限于小批量梯度下降算法、随机梯度下降算法。
进一步地,当数字识别模型完成训练后,可将每组所述煤气计数图输入至训练完成的所述数字识别模型后,在所述数字识别模型即可识别出该图中所显示的煤气计量结果。
S5、判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
可想象的是,上述将10个小时细化为100段,表示从夜晚8点开始,每1个小时检测10次,通过本发明所构建的数字识别模型识别可得到多组煤气数,如8点10所识别的煤气数为32,8点20所识别的煤气数为32,但8点30所识别的煤气数为35,表示在8点20-8点30阶段发生了煤气泄漏,因此自动化的启动报警指令,通知用户查看室内环境,以免发生危险。
相比于背景技术所述:主流煤气泄漏监测手段主要监测室内环境的煤气浓度,这种方法具有滞后性,监测效率不高进而导致安全性不高的问题。本发明实施例为提高煤气监测的安全性,根据接收的煤气泄漏监测指令启动摄像设备,通过摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,可理解的是,当预设时间段设置的足够精细,可达到几秒内拍摄一组煤气表图时,则有助于提高室内环境的煤气监测效率,此外,为了提高识别煤气数值,从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数,由于数字识别模型是通过多次训练得到,可有效识别煤气计数图的煤气数值,提高监测准确率,最后,判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。因此本发明提出的基于神经网络的煤气泄漏监测方法、装置、电子设备及计算机可读存储介质,可以解决煤气泄漏监测具有滞后性,进而导致安全性不高的问题。
实施例2:
如图4所示,是本发明一实施例提供的基于神经网络的煤气泄漏监测装置的功能模块图,其可以实现实施例1中的监测方法。
本发明所述基于神经网络的煤气泄漏监测装置100可以安装于电子设备中。根据实现的功能,所述基于神经网络的煤气泄漏监测装置100可以包括摄像设备启动模块101、煤气表拍摄模块102、煤气显示区域提取模块103、煤气计数识别模块104及泄漏报警模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
所述摄像设备启动模块101,用于接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
所述煤气表拍摄模块102,用于利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
所述煤气显示区域提取模块103,用于从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
所述煤气计数识别模块104,用于将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
所述泄漏报警模块105,用于判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
详细地,本发明实施例中所述基于神经网络的煤气泄漏监测装置100中的所述各模块在使用时采用与上述的图1中所述的基于神经网络的煤气泄漏监测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图5所示,是本发明一实施例提供的实现基于神经网络的煤气泄漏监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于神经网络的煤气泄漏监测方法程序12。
其中,所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于神经网络的煤气泄漏监测方法程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于神经网络的煤气泄漏监测方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于神经网络的煤气泄漏监测方法程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的煤气泄漏监测方法,其特征在于,所述方法包括:
接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
2.如权利要求1所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图,包括:
将所述预设时间段细化为指定段数,获取当前时间点,根据所述指定段数确定在所述当前时间点为基础下的多组拍摄时间点;
当时间依次达到每组所述拍摄时间点时,利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图;
汇总每组拍摄时间点下的煤气表图,得到多组所述煤气表图。
3.如权利要求2所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述利用所述摄像设备拍摄煤气表,得到包括拍摄时间点的煤气表图,包括:
将每组所述拍摄时间点输入至预先构建在所述摄像设备的自动拍摄程序中;
当所述自动拍摄程序成功接收所述拍摄时间点时,启动自动计时,在自动计时与所述拍摄时间点相同时,运行所述自动拍摄程序拍摄煤气表,得到包括拍摄时间点的所述煤气表图。
4.如权利要求1所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图,包括:
对每组所述煤气表图均执行像素灰度处理,得到多组煤气灰度图;
对每组所述煤气灰度图均计算灰度误差值;
选择灰度误差值具有连续性的区域,将具有连续性的区域裁剪出来,得到多组所述煤气计数图。
5.如权利要求1所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述预训练完成的数字识别模型,包括:
接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型;
接收数字训练集及数据标签集;
将所述数字训练集按照所述输入层的输入规则传输至所述卷积层及所述池化层;
利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集;
将所述数字特征集在所述全连接层执行全连接操作,得到数字单维集;
在所述输出层中对所述数字单维集执行激活处理,得到数字预测集;
根据所述数字预测集与所述数字标签集的误差,调整所述数字识别模型的参数,并返回上述卷积、池化步骤,直至卷积、池化次数达到预设阈值,得到预训练完成的所述数字识别模型。
6.如权利要求5所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述接收用户输入的模型深度,根据所述模型深度构建包括输入层、卷积层、池化层、全连接层和输出层的数字识别模型,包括:
根据Python编程程序构建Pytorch深度学习框架;
在所述Pytorch深度学习框架内,接收用户输入的所述模型深度,其中所述模型深度包括所述卷积层的层数和所述池化层的层数;
当接收所述模型深度成功时,在所述Pytorch深度学习框架内编写与所述卷积层的层数和所述池化层的层数相同数量的层数程序;
调用预先构建的模型框架程序,其中所述模型框架程序包括输入层、卷积层、池化层、全连接层和输出层;
将所述层数程序与所述模型框架程序组合,得到所述数字识别模型。
7.如权利要求6所述的基于神经网络的煤气泄漏监测方法,其特征在于,所述利用所述卷积层及所述池化层对所述数字训练集执行卷积、池化,得到数字特征集,包括:
利用所述卷积层中的卷积核,按照预设步长对所述数字训练集中的每张数字训练图执行卷积操作,得到卷积特征集;
根据最大池化原理,在所述池化层中对所述卷积特征集执行池化操作,得到所述数字特征集。
8.一种基于神经网络的煤气泄漏监测装置,其特征在于,所述装置包括:
摄像设备启动模块,用于接收煤气泄漏监测指令,根据所述煤气泄漏监测指令启动摄像设备;
煤气表拍摄模块,用于利用所述摄像设备在预设时间段内拍摄煤气表,得到多组煤气表图;
煤气显示区域提取模块,用于从多组所述煤气表图提取煤气显示区域,得到多组煤气计数图;
煤气计数识别模块,用于将多组所述煤气计数图输入至预训练完成的数字识别模型中执行煤气计数识别,得到多组煤气数;
泄漏报警模块,用于判断每组煤气数之间是否相同,若存在不相同的煤气数,启动报警指令完成煤气泄漏监测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于神经网络的煤气泄漏监测方法。
10.一种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7中任意一项所述的基于神经网络的煤气泄漏监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171722.8A CN114241725A (zh) | 2022-02-24 | 2022-02-24 | 基于神经网络的煤气泄漏监测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171722.8A CN114241725A (zh) | 2022-02-24 | 2022-02-24 | 基于神经网络的煤气泄漏监测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241725A true CN114241725A (zh) | 2022-03-25 |
Family
ID=80748074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210171722.8A Pending CN114241725A (zh) | 2022-02-24 | 2022-02-24 | 基于神经网络的煤气泄漏监测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241725A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010113457A (ja) * | 2008-11-05 | 2010-05-20 | Ricoh Elemex Corp | ガス漏れ警報システム |
CN106527327A (zh) * | 2017-01-10 | 2017-03-22 | 清华大学 | 一种民用燃气安全监测方法 |
CN207621688U (zh) * | 2017-12-15 | 2018-07-17 | 重庆工商职业学院 | 基于nb-iot的燃气计量系统 |
CN109442213A (zh) * | 2018-10-12 | 2019-03-08 | 江门市新会区古井源丰资产管理有限公司 | 一种基于物联网的燃气预警系统 |
CN109614974A (zh) * | 2018-12-24 | 2019-04-12 | 浙江大学常州工业技术研究院 | 一种数字水表的数据识别方法 |
CN110263790A (zh) * | 2019-04-18 | 2019-09-20 | 汕头大学 | 一种基于卷积神经网络的电厂电表字符定位和识别方法 |
CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
CN212620930U (zh) * | 2020-07-03 | 2021-02-26 | 广州金燃智能系统有限公司 | 一种智能燃气表及燃气表检测系统 |
CN112525309A (zh) * | 2020-11-24 | 2021-03-19 | 重庆市山城燃气设备有限公司 | 自动化成表检测方法、系统及装置 |
CN113505776A (zh) * | 2021-07-16 | 2021-10-15 | 青岛新奥清洁能源有限公司 | 一种用于燃气表读数的智能识别方法及装置 |
CN113902914A (zh) * | 2021-09-03 | 2022-01-07 | 华南理工大学 | 基于微控制器和卷积神经网络的水表读数自动识别方法 |
-
2022
- 2022-02-24 CN CN202210171722.8A patent/CN114241725A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010113457A (ja) * | 2008-11-05 | 2010-05-20 | Ricoh Elemex Corp | ガス漏れ警報システム |
CN106527327A (zh) * | 2017-01-10 | 2017-03-22 | 清华大学 | 一种民用燃气安全监测方法 |
CN207621688U (zh) * | 2017-12-15 | 2018-07-17 | 重庆工商职业学院 | 基于nb-iot的燃气计量系统 |
CN109442213A (zh) * | 2018-10-12 | 2019-03-08 | 江门市新会区古井源丰资产管理有限公司 | 一种基于物联网的燃气预警系统 |
CN109614974A (zh) * | 2018-12-24 | 2019-04-12 | 浙江大学常州工业技术研究院 | 一种数字水表的数据识别方法 |
CN110263790A (zh) * | 2019-04-18 | 2019-09-20 | 汕头大学 | 一种基于卷积神经网络的电厂电表字符定位和识别方法 |
CN212620930U (zh) * | 2020-07-03 | 2021-02-26 | 广州金燃智能系统有限公司 | 一种智能燃气表及燃气表检测系统 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
CN112525309A (zh) * | 2020-11-24 | 2021-03-19 | 重庆市山城燃气设备有限公司 | 自动化成表检测方法、系统及装置 |
CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
CN113505776A (zh) * | 2021-07-16 | 2021-10-15 | 青岛新奥清洁能源有限公司 | 一种用于燃气表读数的智能识别方法及装置 |
CN113902914A (zh) * | 2021-09-03 | 2022-01-07 | 华南理工大学 | 基于微控制器和卷积神经网络的水表读数自动识别方法 |
Non-Patent Citations (3)
Title |
---|
刘凡平: "《神经网络与深度学习应用实战》", 31 March 2018 * |
高志强,黄剑,李永,刘明明: "《深度学习 从入门到实战》", 30 June 2018 * |
魏溪含,涂铭,张修鹏: "《深度学习与图像识别 原理与实践》", 31 July 2019 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN110716778B (zh) | 应用兼容性测试方法、装置及系统 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN116664949A (zh) | 目标物缺陷检测方法、装置、设备及存储介质 | |
CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
CN114241725A (zh) | 基于神经网络的煤气泄漏监测方法、装置及电子设备 | |
CN113221888B (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN114267064A (zh) | 一种人脸识别方法、装置、电子设备及存储介质 | |
CN112084092B (zh) | 一种诊断规则的确定方法、装置、设备及存储介质 | |
CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113869385A (zh) | 基于目标检测的海报比对方法、装置、设备及存储介质 | |
CN113052496A (zh) | 业务处理流程的生成方法、装置、电子设备及介质 | |
CN113095284A (zh) | 人脸选取方法、装置、设备及计算机可读存储介质 | |
CN114742828B (zh) | 基于机器视觉的工件定损智能分析方法及装置 | |
CN113705690B (zh) | 正脸定位方法、装置、电子设备及计算机可读存储介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN114120122B (zh) | 基于遥感影像的灾损识别方法、装置、设备及存储介质 | |
CN114723400B (zh) | 业务授权管理方法、装置、设备及存储介质 |
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 |