CN115063584A - 基于深度学习的管道蒸汽泄漏检测方法及检测系统 - Google Patents

基于深度学习的管道蒸汽泄漏检测方法及检测系统 Download PDF

Info

Publication number
CN115063584A
CN115063584A CN202210829264.2A CN202210829264A CN115063584A CN 115063584 A CN115063584 A CN 115063584A CN 202210829264 A CN202210829264 A CN 202210829264A CN 115063584 A CN115063584 A CN 115063584A
Authority
CN
China
Prior art keywords
steam leakage
deep learning
neural network
network model
convolutional neural
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
Application number
CN202210829264.2A
Other languages
English (en)
Inventor
徐凯成
张伟
蒋文骏
金军辉
茆宇忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Wisdom Information Technology Co ltd
Original Assignee
Shanghai Wisdom Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Wisdom Information Technology Co ltd filed Critical Shanghai Wisdom Information Technology Co ltd
Priority to CN202210829264.2A priority Critical patent/CN115063584A/zh
Publication of CN115063584A publication Critical patent/CN115063584A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供了一种基于深度学习的管道蒸汽泄漏检测方法及检测系统，检测方法包括：搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像，并以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。通过搭建基于时序的卷积神经网络模型，分析相邻时刻的图像差异以为蒸汽识别提供有用的线索，提高了蒸汽泄漏的识别精度。

Description

基于深度学习的管道蒸汽泄漏检测方法及检测系统
技术领域
本发明涉及蒸汽泄漏检测技术领域，尤其涉及一种基于深度学习的管道蒸汽泄漏检测方法及检测系统。
背景技术
生产安全是工业制造环节中的核心基础，在实际生产中不可避免会发生设备器件老化、松动、泄露等问题，这带来了不可控的安全风险，为了能够及时发现异常情况，避免人员受伤，需要频繁地安排专人进行现场巡检，这种人工巡检的方式不仅效率低，而且是对人力资源的浪费。例如，发电厂管道因受环境、人为等因素的影响容易发生蒸汽泄漏，这不但会浪费资源，还会威胁现场工作人员的生命安全。而发电厂设备长期稳定运行关乎整个电力系统供电的可持续性，所以快速准确识别出管道是否发生蒸汽泄漏具有重大的现实意义。
目前蒸汽泄漏检测的方法大致可以分为两类：一种是基于硬件，另一种是基于软件。基于硬件的方法通常是使用传感器或探测器，但是该方法对泄漏的气体有较高要求，且大部分精密度较高的蒸汽泄漏检测硬件设备的成本较高，因此基于软件的方法目前有着更为广泛的应用前景。但是，对于高压蒸汽泄漏常常会出现复杂情况的事件，目前基于软件的蒸汽泄漏检测方法难以保证检测的准确性。
发明内容
本发明的目的在于提供一种基于深度学习的管道蒸汽泄漏检测方法及检测系统，解决了目前基于软件的蒸汽泄漏检测方法的准确性难以得到保证的问题。
为了达到上述目的，根据本发明的第一个方面，提供了一种基于深度学习的管道蒸汽泄漏检测方法，包括：
搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像，并以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，得到第二特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。
根据本发明的第二个方面，提供了一种基于深度学习的管道蒸汽泄漏检测系统，包括：
拍照模块，用于获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像；
图像处理模块，用于将当前时刻的初始图像及相邻时刻的初始图像以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
深度学习模块，用于搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
所述深度学习模块还用于使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图之后，展开之前，所述深度学习模块还用于：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，得到第二特征图之后，展开之前，所述深度学习模块还用于：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
可选的，所述管道蒸汽泄漏检测系统还包括合并模块，所述合并模块用于合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。
根据本发明的第三个方面，提供了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指令，当其在计算机上运行时，使得计算机执行如上所述的基于深度学习的管道蒸汽泄漏检测方法。
在本发明提供的基于深度学习的管道蒸汽泄漏检测方法及检测系统中，至少具有以下有益效果之一：
1)通过搭建基于时序的卷积神经网络模型，将当前时刻与相邻时刻的初始图像不同色相或明度的方式进行合并作为所述卷积神经网络模型的输入数据，来分析相邻时刻的图像差异以为蒸汽识别提供有用的线索，能够有效提高蒸汽泄漏不明显时的识别效果；
2)根据学习得到的权重，对特征进行筛选，抑制了无用信息的干扰，提高了蒸汽泄露预测的准确性；
3)考虑到蒸汽泄露时量的不同，通过将特征图分别输入到不同尺寸的全局最大池化层中生成不同尺寸的特征图，能够提供不同尺寸的感受野，以适用于不同泄漏量下的蒸汽识别。
附图说明
本领域的普通技术人员应当理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1为本实施例提供的基于深度学习的管道蒸汽泄漏检测方法的流程图；
图2a为本实施例提供的摄像机检测到当前时刻蒸汽泄露时的示意图；
图2b为本实施例提供的摄像机检测到蒸汽泄露随时序变化的示意图；
图3a-图3b为本实施例提供的基于时序的卷积神经网络模型的对于管道蒸汽泄漏的识别算法图；
图4a为本实例提供的图像合并前的效果示意图；
图4b为本实例提供的图像合并前的效果示意图。
附图中：
1-摄像机；2-管道。
具体实施方式
生产安全是工业制造环节中的核心基础，在实际生产中不可避免会发生设备器件老化、松动、泄露等问题，这带来了不可控的安全风险，为了能够及时发现异常情况，避免人员受伤，需要频繁地安排专人进行现场巡检，这种人工巡检的方式不仅效率低，而且是对人力资源的浪费。
随着人工智能技术的兴起，工业智能化转型成为了全球企业的主流发展趋势。深度学习作为近年来最热门的图像识别算法，被广泛地应用于工业领域中，深度学习技术赋予了计算机图像分析的能力，相较于低效的人工巡检，深度学习实现了长期、实时的现场安全预警。
本申请针对管道蒸汽泄漏场景，设计了一种基于深度学习的管道蒸汽泄漏检测方法及检测系统，通过搭建基于时序的卷积神经网络模型，将当前时刻与相邻时刻的初始图像不同色相或明度的方式进行合并作为所述卷积神经网络模型的输入数据，来分析相邻时刻的图像差异以为蒸汽识别提供有用的线索，能够有效提高蒸汽泄漏不明显时的识别效果。
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。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。
请参照图1，图1为本实施例提供的基于深度学习的管道蒸汽泄漏检测方法的流程图。本实施例提供了一种基于深度学习的管道蒸汽泄漏检测方法，包括以下步骤：
S1、搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
S2、获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像，并以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
S3、使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果；
首先执行步骤S1，搭建基于时序的卷积神经网络模型(ResNet)，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成。本实施例中，使用的实验平台为CentOS 7.7，选用深度学习框架Pytorch 1.6.0搭建模型。
然后执行步骤S2，获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像，并以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据。由于蒸汽是气态物质，具有较强的流动性，且透明度高，当只有少量蒸汽泄露时，单张图像上能够获得的信息十分有限，识别的准确度较低。故本实施例中通过将当前时刻的初始图像与相邻时刻的初始图像进行组合，作为所述卷积神经网络模型的输入数据，相当于在输入数据中加入了时序信息，能够有效提高蒸汽泄漏不明显时的识别精度。应当理解的是，这里的相邻时刻可以包括前后一个或多个相邻的时刻，本申请对于所述相邻时刻的数量不作具体限制。
本实施例中，结合图4a及图4b，将当前时刻的初始图像与相邻时刻的初始图像以不同色相或明度的方式合并在一起得到三通道图，这里的色相可以理解为不同的色彩，明度可以理解为颜色的明暗程度，其目的是为了让蒸汽在所述三通道图上表现出来的颜色不同，以提高蒸汽泄漏不明显时的识别效果。例如，当前时刻与前后时刻以不同色相合并时，当前时刻t的初始图像的灰度的最大值是[255，0，0]，t-1时刻的初始图像的灰度的最大值是[0，255，0]，t+1时刻的初始图像灰度的最大值是[0，0，255]。
若所述相邻时刻大于2个时，通过改变图像色相和明度的方式进行合并，以下以4个不同时刻的初始图像的合并为例，当前时刻t的初始图像的灰度的最大值是[255，0，0]，t-1时刻的初始图像的灰度的最大值是[0，127，0]，t+1时刻的初始图像灰度的最大值是[0，0，127]，例如t+2时刻的初始图像灰度的最大值是[0，127，127]，由此可推出更多时刻图像的合并。
本实施例中，结合图2a和图2b所示，图2a为本实施例提供的摄像机检测到当前时刻蒸汽泄露时的示意图；图2b为本实施例提供的摄像机检测到蒸汽泄露随时序变化的示意图。所述摄像机1安装在所述管道2的待检测区域附近，应当理解的是，所述待检测区域为所有可能出现的蒸汽泄漏的区域，可以是一个，也可以是多个，当通过所述摄像机1实时拍照时，可能存在一张原始照片上存在至少两个待检测区域的情况，此时可对所述原始图像进行裁剪，并以统一的图像尺寸从所述原始图像中进行裁剪得到多个所述待检测区域的初始图像，以便于后续对各个待检测区域的初始图像进行处理，得到各个待检测区域的蒸汽泄漏情况。
得到所述三通道图之后，执行步骤S3，结合图3a，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
进一步的，结合图3b，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
此步骤的目的在于根据学习得到的权重，对特征进行筛选，抑制了无用信息的干扰，提高了蒸汽泄露预测的准确性。
更进一步的，得到第二特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
考虑到蒸汽泄露时量的不同，此步骤的目的在于提供不同尺寸的感受野，使得本方法适用于不同泄漏量下的蒸汽识别。
执行步骤S4之后，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。由于蒸汽泄漏是一个持续的过程，预测结果的合并抑制了突发情况下模型的误识别。
例如，假设一个预设时段包括五个时刻，设定所述阈值为2，若其中三个及三个以上时刻对应的预测结果被识别为蒸汽泄漏，则认定蒸汽发生泄露，可进一步发出蒸汽泄漏的警报信号，反之，则未泄露。应当理解的是，所述阈值的大小可认为设定，本申请对此不作具体限制。
基于此，本实施例还提供了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指令，当其在计算机上运行时，使得计算机执行如上所述的基于深度学习的管道蒸汽泄漏检测方法。
另一方面，本实施例还提供了一种基于深度学习的管道蒸汽泄漏检测系统，包括：
拍照模块，用于获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像；
图像处理模块，用于将当前时刻的初始图像及相邻时刻的初始图像以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
深度学习模块，用于搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
所述深度学习模块还用于使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
本实施例中，所述拍照模块例如为摄像机，所述摄像机安装在管道待检测区域的附近，用于获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像。
进一步的，在得到第一特征图之后，展开之前，所述深度学习模块还用于：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。根据学习得到的权重，对特征进行筛选，抑制了无用信息的干扰，提高了蒸汽泄露预测的准确性。
更进一步的，得到第二特征图之后，展开之前，所述深度学习模块还用于：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。考虑到蒸汽泄露时量的不同，如此处理能够提供不同尺寸的感受野，使得本系统适用于不同泄漏量下的蒸汽识别。
进一步的，所述基于深度学习的管道蒸汽泄漏检测系统还包括合并模块，所述合并模块用于合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。由于蒸汽泄漏是一个持续的过程，预测结果的合并抑制了突发情况下模型的误识别。
应当理解的是，本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例系统中的模块可以根据实际需要进行合并、划分和删减。
综上，本发明提供了一种基于深度学习的管道蒸汽泄漏检测方法及检测系统，通过搭建基于时序的卷积神经网络模型，将当前时刻与相邻时刻的初始图像不同色相或明度的方式进行合并作为所述卷积神经网络模型的输入数据，来分析相邻时刻的图像差异以为蒸汽识别提供有用的线索，能够有效提高蒸汽泄漏不明显时的识别效果。
此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (9)

1.一种基于深度学习的管道蒸汽泄漏检测方法，其特征在于，包括：
搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像，并以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
2.如权利要求1所述的基于深度学习的管道蒸汽泄漏检测方法，其特征在于，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
3.如权利要求2所述的基于深度学习的管道蒸汽泄漏检测方法，其特征在于，得到第二特征图之后，展开之前，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
4.如权利要求1所述的基于深度学习的管道蒸汽泄漏检测方法，其特征在于，所述基于深度学习的管道蒸汽泄漏检测方法还包括：
合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。
5.一种基于深度学习的管道蒸汽泄漏检测系统，其特征在于，包括：
拍照模块，用于获取待检测区域在当前时刻的初始图像及相邻时刻的初始图像；
图像处理模块，用于将当前时刻的初始图像及相邻时刻的初始图像以不同色相或明度的方式合并在一起得到三通道图，作为所述卷积神经网络模型的输入数据；
深度学习模块，用于搭建基于时序的卷积神经网络模型，所述卷积神经网络模型的主体由具有残差结构的分类卷积神经网络所组成；
所述深度学习模块还用于使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
6.如权利要求5所述的基于深度学习的管道蒸汽泄漏检测系统，其特征在于，使用所述卷积神经网络模型的卷积核来提取所述输入数据中的时序特征，得到第一特征图之后，展开之前，所述深度学习模块还用于：
采用两个卷积核尺寸为1×1的2D卷积计算所述第一特征图中各个时序特征的权重，并将所述权重与对应的时序特征相乘得到第二特征图；
将所述第二特征图展开后再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
7.如权利要求6所述的基于深度学习的管道蒸汽泄漏检测系统，其特征在于，得到第二特征图之后，展开之前，所述深度学习模块还用于：
将所述第二特征图分别输入至1×1、2×2和5×5的全局最大池化层中生成不同尺寸的第三特征图；
合并不同尺寸的第三特征图并将其展开，再经过两层全连接层输出所述当前时刻蒸汽泄漏的预测结果。
8.如权利要求5所述的基于深度学习的管道蒸汽泄漏检测系统，其特征在于，所述管道蒸汽泄漏检测系统还包括合并模块，所述合并模块用于合并预设时段内所有时刻蒸汽泄漏的预测结果，若所述预设时段内包含的所有时刻对应的预测结果中被识别为蒸汽泄漏的预测结果的数量大于阈值，则说明蒸汽发生泄露。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1-4中任一项所述的基于深度学习的管道蒸汽泄漏检测方法。
CN202210829264.2A 2022-06-28 2022-06-28 基于深度学习的管道蒸汽泄漏检测方法及检测系统 Pending CN115063584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210829264.2A CN115063584A (zh) 2022-06-28 2022-06-28 基于深度学习的管道蒸汽泄漏检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210829264.2A CN115063584A (zh) 2022-06-28 2022-06-28 基于深度学习的管道蒸汽泄漏检测方法及检测系统

Publications (1)

Publication Number Publication Date
CN115063584A true CN115063584A (zh) 2022-09-16

Family

ID=83207043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210829264.2A Pending CN115063584A (zh) 2022-06-28 2022-06-28 基于深度学习的管道蒸汽泄漏检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN115063584A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855070A (zh) * 2023-03-01 2023-03-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN115993268A (zh) * 2023-03-22 2023-04-21 福建天甫电子材料有限公司 无水氟化氢的取样系统及其方法
CN117218128A (zh) * 2023-11-09 2023-12-12 成都格理特电子技术有限公司 一种整合时序信息的跑冒滴漏目标检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855070A (zh) * 2023-03-01 2023-03-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN115855070B (zh) * 2023-03-01 2023-04-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN115993268A (zh) * 2023-03-22 2023-04-21 福建天甫电子材料有限公司 无水氟化氢的取样系统及其方法
CN117218128A (zh) * 2023-11-09 2023-12-12 成都格理特电子技术有限公司 一种整合时序信息的跑冒滴漏目标检测方法及系统
CN117218128B (zh) * 2023-11-09 2024-03-22 成都格理特电子技术有限公司 一种整合时序信息的跑冒滴漏目标检测方法及系统

Similar Documents

Publication Publication Date Title
CN115063584A (zh) 基于深度学习的管道蒸汽泄漏检测方法及检测系统
CN112183414A (zh) 一种基于混合空洞卷积的弱监督遥感目标检测方法
CN112446870B (zh) 管道损伤检测方法、装置、设备及存储介质
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN116152254B (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN113052103A (zh) 一种基于神经网络的电气设备缺陷检测方法及装置
CN111210412A (zh) 一种包装检测方法、装置、电子设备及存储介质
CN114049356A (zh) 一种结构表观裂缝检测方法、装置及系统
WO2024183317A1 (zh) 一种光伏组件热斑检测方法、系统和电子设备
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN117315584A (zh) 一种基于改进YOLOv7-tiny的危化品车辆目标检测方法
CN115482473A (zh) 提取航拍图像特征的图卷积网络模型及检测异常的方法
CN114708247A (zh) 基于深度学习的烟盒包装缺陷识别方法和装置
CN112837281B (zh) 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备
CN118038555A (zh) 一种基于改进YOLOv8的化工企业人员的危险行为检测方法
CN117218583A (zh) 基于YOLOv5-Mobilenet网络模型的安检图片违禁品图像检测方法、设备和计算机存储介质
CN115511821A (zh) 管道缺陷识别方法、装置、电子设备及存储介质
CN115601675A (zh) 一种基于Swin-transformer与yolov5模型集成的手术器械清点方法
CN113034432A (zh) 一种产品缺陷检测方法、系统、装置及存储介质
Xudong et al. Research of YOLOv5s Model Acceleration Strategy in AI Chip
CN112396104A (zh) 一种基于机器学习的等离子体放电识别方法及系统
CN117152646B (zh) 无人电力巡检ai轻量大模型方法及系统
CN116740385B (zh) 一种设备质检方法、装置和系统
CN117853496A (zh) 轨道扣件弹条变形检测方法、系统、设备及存储介质
CN118865400A (zh) 一种电力设备铭牌文本检测方法及装置

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