CN115131340A - 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 - Google Patents
一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 Download PDFInfo
- Publication number
- CN115131340A CN115131340A CN202210878826.2A CN202210878826A CN115131340A CN 115131340 A CN115131340 A CN 115131340A CN 202210878826 A CN202210878826 A CN 202210878826A CN 115131340 A CN115131340 A CN 115131340A
- Authority
- CN
- China
- Prior art keywords
- image
- coal dust
- moving target
- power plant
- coal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003245 coal Substances 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000002817 coal dust Substances 0.000 claims abstract description 102
- 239000000428 dust Substances 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 18
- 239000000843 powder Substances 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 230000008033 biological extinction Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质,获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像;通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到;计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。本发明无需人工构造粉尘泄露特征,具有较好的检测效果,具备更好的自适应性和灵活性。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质。
背景技术
火力发电厂作业过程中,需要通过磨煤机将燃煤磨成粉尘,有助于充分燃烧。如果磨煤机由于密封、焊接缺陷、长期运行磨损等原因出现缝隙,导致煤粉泄露进入空气中,则在环境中伤害人体健康,或者发生燃烧,甚至爆炸,产生重大事故。因此,对于煤粉泄露危险进行有效预防和检测,具备重要意义。
近年来,随着人工智能技术的发展,视频分析技术得到飞速发展,计算机能够识别的场景越来越多,因此越来越多的场合开始使用基于人工智能深度学习的视频分析技术。经过研究现有电厂煤粉泄露检测方法,发现基于传统视频分析方法较多。已有的检测方法需要人工构造粉尘泄露特征,过程非常昂贵且困难,需要大量的时间和专业知识根据数据类型和域对其进行手工编码。
发明内容
针对现有技术中存在的问题,本发明提供了一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质,无需人工构造粉尘泄露特征,具有较好的检测效果,具备更好的自适应性和灵活性。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
一种电厂煤粉泄露识别方法,包括:
获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像;
通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;
将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到;
计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
进一步地,所述通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像,具体方法如下:
对构成所述视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
将所述图像像素点灰度差的绝对值与预设灰度阈值进行比较,当所述图像像素点灰度差超过预设灰度阈值时,判定该图像区域有运动目标,即得到包含运动目标的图像。
进一步地,所述通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像,具体方法如下:
将所述包含运动目标的图像转换成HSV色彩空间,在所述HSV色彩空间中通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像。
进一步地,所述深度学习模型为Inception Resnet网络模型,所述InceptionResnet网络模型包括Inception结构、全局池化层和Resnet残差块。
进一步地,Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来构成了一个所述Resnet残差块。
进一步地,所述计算所述运动目标为煤粉的图像中的煤粉浓度,具体方法如下:
建立包含黑白颜色的图片作为模板图像,模板图像中黑白之间的亮度对比K为:
式中,Bw为模板图像白色区域视亮度;Bb为模板图像黑色区域视亮度;
利用所述运动目标为煤粉的图像与所述模板图像,通过下式计算煤粉浓度;
式中,M为煤粉浓度;R为空气柱厚度;D(R)为空气柱亮度;σw(r)为大气消光系数;Jv为自然照明强度;<w(R)为运动目标为煤粉的图像距离R处的白色视亮度;Bb(R)为运动目标为煤粉的图像距离R处的黑色视亮度。
一种电厂煤粉泄露识别装置,包括:
获取模块,用于获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像;
提取模块,用于通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;
输出模块,用于将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到;
比较模块,用于计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
进一步地,所述获取模块包括:
第一单元,用于对构成所述视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
第二单元,用于将所述图像像素点灰度差的绝对值与预设灰度阈值进行比较,当所述图像像素点灰度差超过预设灰度阈值时,判定该图像区域有运动目标,即得到包含运动目标的图像。
一种设备,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所述一种电厂煤粉泄露识别方法的步骤。
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一种电厂煤粉泄露识别方法的步骤。
与现有技术相比,本发明至少具有以下有益效果:本发明提供的一种电厂煤粉泄露识别方法,首先获取电厂检测区域的视频连续画面,通过运动检测算法从视频连续画面中提取出包含运动目标的图像;通过彩色图像分割方法将包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;将运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像;计算运动目标为煤粉的图像中的煤粉浓度,将煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别,本发明从电厂检测区域的视频连续画面中识别电厂煤粉泄露特征,提高了适用场景,以及在事件未发生之前进行预测,无需人工构造粉尘泄露特征,具有较好的检测效果,具备更好的自适应性和灵活性。
进一步地,本发明在增加了卷积层数提高特征提取的精度的同时,为避免由于网络的加深训练误差和测试误差加大造成的网络退化的现象,并确保资源的消耗尽可能地低,使用Inception结构和全局池化层增加计算效率,使用Resnet残差块解决深层网络的退化问题
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式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为本发明一种电厂煤粉泄露识别方法的流程图。
图2为本发明一种电厂煤粉泄露识别装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明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做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。
作为本发明的某一具体实施方式,如图1所示,一种电厂煤粉泄露识别方法,具体包括以下步骤:
S1、获取电厂检测区域的视频连续画面,通过运动检测算法从视频连续画面中提取出包含运动目标的图像。
具体地说,根据电厂煤粉泄露特点,定义行为类型,该行为类型即因为管道受损破裂,导致煤粉受到压力从破损处喷射出,短时间内引起空中煤粉浓度大幅增高的行为。煤粉泄漏后,在空气中运动,采集的煤粉影像在不同视频帧中的位置不同。
本实施例中,采用高清摄像机对电厂检测区域进行实时拍摄,进而获取得到电厂检测区域的视频连续画面。
本实施例中,通过运动检测算法从视频连续画面中提取出包含运动目标的图像,具体包括如下步骤:
S1.1、对构成视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
Dn(x,y)=|fn(x,y)-fn-1(x,y)|
式中,Dn(x,y)为视频连续画面中相同位置图像像素点灰度差的绝对值;fn(x,y)为视频连续画面中第n帧图像fn对应的像素点灰度值;fn-1(x,y)为所述视频连续画面中第n-1帧图像fn-1对应的像素点灰度值;
S1.2、根据预设灰度阈值,按照下式逐个对像素点二值化处理,将图像中的每个像素点的灰度值与预设灰度阈值进行比较,大于预设灰度阈值的像素点,判断该图像区域有运动目标,设置灰度值为255,小于预设灰度阈值的像素点,设置灰度值为0,得到二值化图像R′n,最终在图像上灰度值为255的区域即为图像中的运动区域,得到含有完整运动目标的图像Rn
式中,T为预设灰度阈值;R′n(x,y)为比较灰度阈值后的二值化图像像素点。
S2、通过彩色图像分割方法将包含运动目标的图像进行处理,提取出运动目标为粉尘的图像。
具体地说,煤粉运动在图像显示上具有一定的均匀性条件,在运动区域内所有像素点满足灰度、纹理和颜色等特征的某种相似度准则。电厂煤粉呈现灰色到黑色,因此使用基于颜色检测图像分割技术,将运动区域分离前后端。
本实施例中,通过彩色图像分割方法将包含运动目标的图像进行处理,提取出运动目标为粉尘的图像,具体包括如下步骤:
S2.1、将包含运动目标的图像转换成HSV色彩空间,在转换过程中,将HSV空间进行适当量化,调节图像H、S、V三分量空间,按照以下公式进行转换:
式中,R、G、B为RGB色彩空间中的红(R)、绿(G)、蓝(B)三个通道的颜色;H、S、V为HSV色彩空间中的色调(H)、饱和度(S)、亮度(V)三种颜色参数。
如果H<0,色调信息H的范围为0到360度;V和S的范围为0~1。这样,H、S、V三个分量在一维矢量图上分布开来,经过量化后,突出粉尘灰黑色主体部分,减少图像受光照影响。
S2.2、对转换成HSV色彩空间的图像,选取计算图像区域对象的特征值,进行色彩连续区域对象的合并,步骤如下:
计算区域对象的均值和方差
式中,Px,y为图像在x,y位置上像素点的H、S、V值。
计算与该区域对象相邻的对象的均值与方差,根据对象之间的相似程度进行合并。
计算合并后对象的均值,作为该区域对象的彩色空间分量值。
继续重复以上过程,将图像中运动区域色彩连续前景从背景中分离出。
经过以上步骤,通过对HSV色彩空间的图像使用彩色图像分割方法,将连续色彩空间处理提取后,得到运动目标为粉尘的图像。
S3、将运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到。
为了更精确的得到的运动目标为煤粉的图像,首先利用深度学习技术,训练出煤粉识别模型。
本实施例中,使用Inception Resnet v2深度学习网络模型,对于采集和标注好的煤粉泄露图片以及正常运行图片进行训练。本实例使用的Inception Resnet深度学习网络模型包括Inception结构、全局池化层和Resnet残差块。Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来构成了一个Resnet残差块。
针对Inception Resnet网络模型的深层网络退化、效率低、资源消耗大等问题,本方法在使用的原始网络模型基础上对神经网络进行了改进。在增加了卷积层数提高特征提取的精度的同时,为避免由于网络的加深训练误差和测试误差加大造成的网络退化的现象,并确保资源的消耗尽可能地低,使用Inception结构和全局池化层增加计算效率,使用Resnet残差块解决深层网络的退化问题。
Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来即构成了一个残差块,当残差函数F(x)与输入向量大小相同时,使用下式表达残差块公式:
y=F(x,{Wi})+x
式中,x为输入向量,F(x,{Wi})为残差函数。
当残差函数F(x)与输入向量大小不同时,使用以下表达残差块公式:
y=F(x,{Wi})+Ws
公式中使用线性投影Ws进行维度匹配。残差网络的使用最大限度地解决了因为网络深度增加而带来的退化问题。在网络最后一层使用全局池化层代替全连接层,对全部的输出特征图进行全局均值池化得到输出,取消了全连接层可以大幅减少参数,避免了全连接层由于参数过多而造成的过度拟合和过度消耗资源。整个模型架构由40个InceptionResnet模块组成,整个模型中有233个卷积层。Inception Resnet模型可以快速准确地提取更多的特征,使得训练和检测过程中的效率和准确率都进一步得到了保证。
通过上述步骤的训练得到煤粉识别深度学习网络模型,对于步骤S2中的运动目标为粉尘的图像输入到煤粉识别模型中,煤粉识别模型对图像中进行分析,得到图像中运动部分粉尘是否为煤粉的概率值,将概率值与预设的阈值进行比较,大于阈值表示运动图像中有煤粉,保留此图片进行下一步煤粉浓度计算。
S4、计算运动目标为煤粉的图像中的煤粉浓度,将煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
煤粉泄露图像具有明显的亮度特征,本方案从全局对拍摄的煤粉图像进行统计分析,建立煤粉颗粒浓度与图像亮度之间的函数关系。根据函数关系计算当前画面中煤粉浓度,实现更精确的煤粉泄露测量。
S4.1首先建立包含黑白颜色的图片作为模板图像,模板图像中白色区域视亮度为Bw,黑色区域的视亮度为Bb,黑白之间的亮度对比K定义为:
S4.2将运动目标为煤粉的图像与模板图像的视亮度进行计算分析,计算图像中煤粉浓度值。
根据大气物理学知识,物体发出或反射的光在进入摄像机之前,要经历物体到摄像机之间的空气柱的削弱,同时这段空气柱对各种光的反射和一次或多次散射将会产生一附加的空气柱亮度D(R)。这样距离摄像机实际接收到的距离R处黑白图片模板的视亮度分别为Bw(R)和Bb(B),其表达式分别为:
式中,Rw为模板白色区域视亮度,Bb为模板黑色区域视亮度,R为模板图像与摄像机距离;D(R)为空气柱亮度;σw(r)为大气消光系数。
Bw、Bb可看作是模板图像的黑色与白色区域的固有亮度,经厚度为R的空气柱削弱后,对视亮度的贡献,σw(r)为大气消光系数;后一项D(R)是空气柱本身的附加亮度对距离为R的视亮度的贡献。假设自然照明强度为Jv,则厚度为B的空气柱亮度为:
式中,Jv为自然照明强度。
其中σw(r)值为大气消光系数,与煤粉浓度有关。根据大气物理学知识,煤粉浓度M正比于气体尘埃的消光系数σw(r)。电厂中光环境可控,所以入射光波长也确定,假定所得消光系数为固定值。同时由于黑白模板图像的黑色和白色区域的固有亮度Bw或Bb为定值,于是有表达式:
式中,M煤粉浓度,Bw为模板白色区域视亮度,Bb为模板黑色区域视亮度,Bw(R)为摄像机图像中距离R处的白色视亮度,Bb(R)为摄像机图像中距离R处的黑色视亮度。
得到煤粉浓度M与ln{Bw(R)-Bb(R)}成线性反比关系。因此计算出此时煤粉浓度值。
S4.3根据上步骤计算出当前图像中煤粉浓度,与预设的浓度阈值进行比较,大于阈值表示当前图像中煤粉浓度会导致危害,产生告警。
如图2所示,本发明还提供了一种电厂煤粉泄露识别装置,包括:
获取模块,用于获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像。
提取模块,用于通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像。
输出模块,用于将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到。
比较模块,用于计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
具体地说,获取模块包括:
第一单元,用于对构成所述视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
第二单元,用于将所述图像像素点灰度差的绝对值与预设灰度阈值进行比较,当所述图像像素点灰度差超过预设灰度阈值时,判定该图像区域有运动目标,即得到包含运动目标的图像。
本发明在一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种电厂煤粉泄露识别方法的操作。
本发明在一个实施例中,一种电厂煤粉泄露识别方法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取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种电厂煤粉泄露识别方法,其特征在于,包括:
获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像;
通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;
将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到;
计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
2.根据权利要求1所述的一种电厂煤粉泄露识别方法,其特征在于,所述通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像,具体方法如下:
对构成所述视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
将所述图像像素点灰度差的绝对值与预设灰度阈值进行比较,当所述图像像素点灰度差超过预设灰度阈值时,判定该图像区域有运动目标,即得到包含运动目标的图像。
3.根据权利要求1所述的一种电厂煤粉泄露识别方法,其特征在于,所述通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像,具体方法如下:
将所述包含运动目标的图像转换成HSV色彩空间,在所述HSV色彩空间中通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像。
4.根据权利要求1所述的一种电厂煤粉泄露识别方法,其特征在于,所述深度学习模型为Inception Resnet网络模型,所述Inception Resnet网络模型包括Inception结构、全局池化层和Resnet残差块。
5.根据权利要求4所述的一种电厂煤粉泄露识别方法,其特征在于,Resnet残差网络利用shortcut将一个卷积层的输入和输出连接起来构成了一个所述Resnet残差块。
7.一种电厂煤粉泄露识别装置,其特征在于,包括:
获取模块,用于获取电厂检测区域的视频连续画面,通过运动检测算法从所述视频连续画面中提取出包含运动目标的图像;
提取模块,用于通过彩色图像分割方法将所述包含运动目标的图像进行处理,提取出运动目标为粉尘的图像;
输出模块,用于将所述运动目标为粉尘的图像输入煤粉识别模型中,输出运动目标为煤粉的图像,其中,所述煤粉识别模型为使用若干煤粉图像通过深度学习模型训练得到;
比较模块,用于计算所述运动目标为煤粉的图像中的煤粉浓度,将所述煤粉浓度与预设煤粉泄露浓度进行比较,完成电厂煤粉泄露识别。
8.根据权利要求7所述的一种电厂煤粉泄露识别装置,其特征在于,所述获取模块包括:
第一单元,用于对构成所述视频连续画面的时间上连续的多帧图像进行差分运算,得到图像像素点灰度差的绝对值;
第二单元,用于将所述图像像素点灰度差的绝对值与预设灰度阈值进行比较,当所述图像像素点灰度差超过预设灰度阈值时,判定该图像区域有运动目标,即得到包含运动目标的图像。
9.一种设备,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6任一项所述一种电厂煤粉泄露识别方法的步骤。
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6任一项的一种电厂煤粉泄露识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878826.2A CN115131340A (zh) | 2022-07-25 | 2022-07-25 | 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878826.2A CN115131340A (zh) | 2022-07-25 | 2022-07-25 | 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115131340A true CN115131340A (zh) | 2022-09-30 |
Family
ID=83385589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210878826.2A Pending CN115131340A (zh) | 2022-07-25 | 2022-07-25 | 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131340A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-07-25 CN CN202210878826.2A patent/CN115131340A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN110276767B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN111368771A (zh) | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 | |
CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
Karaman et al. | Comparison of static background segmentation methods | |
Huang et al. | Low light image enhancement network with attention mechanism and retinex model | |
Mohajerani et al. | Shadow detection in single RGB images using a context preserver convolutional neural network trained by multiple adversarial examples | |
Kristensen et al. | Background segmentation beyond RGB | |
Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
CN114022732A (zh) | 一种基于raw图像的极暗光物体检测方法 | |
CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
Doshi et al. | " Hybrid Cone-Cylinder" Codebook Model for Foreground Detection with Shadow and Highlight Suppression | |
CN115131340A (zh) | 一种电厂煤粉泄露识别方法、装置、设备及刻度存储介质 | |
Kumar et al. | Haze elimination model-based color saturation adjustment with contrast correction | |
Fatichah et al. | Optical flow feature based for fire detection on video data | |
Kang et al. | Specular highlight region restoration using image clustering and inpainting | |
Abdusalomov et al. | Robust shadow removal technique for improving image enhancement based on segmentation method | |
CN115699110A (zh) | 在阿尔法通道中的基于自动编码器的分割掩模生成 | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
Sahib et al. | Deep learning for image forgery classification based on modified Xception net and dense net | |
Sun et al. | A hybrid codebook background model for background subtraction | |
Yuren et al. | Moving object detection for video monitoring systems | |
Shiota et al. | Transform domain shadow removal for foreground silhouette | |
Liu et al. | An adaptive cast shadow detection with combined texture and color models | |
Sun et al. | Retinex theory‐based shadow detection and removal in single outdoor image | |
Li et al. | An Autoencoder Based Background Subtraction for Public Surveillance |
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 |