CN115578672A - 检测液体外溢情况的方法以及装置、监控系统 - Google Patents
检测液体外溢情况的方法以及装置、监控系统 Download PDFInfo
- Publication number
- CN115578672A CN115578672A CN202211247764.1A CN202211247764A CN115578672A CN 115578672 A CN115578672 A CN 115578672A CN 202211247764 A CN202211247764 A CN 202211247764A CN 115578672 A CN115578672 A CN 115578672A
- Authority
- CN
- China
- Prior art keywords
- images
- neural network
- network model
- initial
- determining
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V10/70—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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种检测液体外溢情况的方法以及装置、监控系统。该发明包括:获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;将多个初始图像进行降维处理,以获得多个降维图像;将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;在任意一个差异值大于预设阈值的情况下,触发报警。通过本发明,解决了相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化的技术问题。
Description
技术领域
本发明涉及电子信息技术领域,具体而言,涉及一种检测液体外溢情况的方法以及装置、监控系统。
背景技术
煤炭洗选工艺在提高煤矿产品质量的同时,也产生了大量的“三废”:煤泥、煤矸石、洗煤废水(煤泥水)。其中,煤泥水是危害最大,也最难处理的污染物。
煤泥水是湿法选煤所产生的工业尾水,其中含有大量的煤泥颗粒,是煤矿的主要污染源之一。我国是煤炭生产和消耗的大国,煤炭作为第一能源,在一次能源消耗的结构中占比76%。虽然近几年大多数选煤厂装备了一些水处理设备,但由于技术、资金等方面的原因,每年仍有大量的煤泥水排放。煤泥水的外排,严重污染了煤矿周围地区的环境。
洗煤废水已成为煤炭工业的主要污染源之一,其主要污染物是煤和泥岩粉末及其水解后形成的悬浮物,以及少量的金属离子和有机药剂等。煤泥水的污染主要表现在以下几个方面:
(1)煤泥水中悬浮物浓度较高,一般可达9000-40000mg/L,超过国家规定排放标准的20-130倍,被污染的水体呈黑色,降低水的透明度,影响水生动植物光合作用,同时造成水域的景观污染。
(2)煤泥水中溶解了大量的金属离子,对地表水和地下水造成污染。
(3)当煤泥水中含油量增加,水表面油膜影响水的再次充氧,同时对水生动植物产生不利影响。
(4)浮选法选煤过程中添加的各种选矿药剂,有些具有一定毒性,煤泥水中残余的浮选药剂将给环境带来危害。
煤泥水中含有大量的泥浆、煤泥、有机物和重金属离子,煤泥水性质复杂,也特别稳定,静置几个月也不会自然沉降,所以导致多数选煤厂的煤泥水很难自然澄清,在不进行任何适当处理的条件下排入外环境,既对地表水、地下水及地貌环境的安全造成危害,又浪费了宝贵的水资源。
煤泥水的外溢,不仅会严重地污染周围的环境,而且还会造成大量煤泥的流失。煤泥水经适当处理后回用于洗煤,不仅解决了环境污染问题,而且还会为企业带来显著的经济效益,其中包括回收煤泥所得、节省洗煤用水的水费和免交的排污费。
综上,煤泥水外溢现象已成为矿业生产过程中对自然界的重要污染之一。
相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化。
针对相关技术中存在的上述问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种检测液体外溢情况的方法以及装置、监控系统,以解决相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化的技术问题。
为了实现上述目的,根据本发明的一个方面,提供了一种检测液体外溢情况的方法。该发明包括:获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;将多个初始图像进行降维处理,以获得多个降维图像;将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;在任意一个差异值大于预设阈值的情况下,触发报警。
进一步地,在将多个降维图像输入至目标神经网络模型中,以得到输出结果之前,方法还包括:获取卷积神经网络模型,对卷积神经网络模型进行优化,以得到初始神经网络模型,其中,初始神经网络模型包括第一预设数量的Inception Resnet模块以及第二预设数量的卷积层;确定训练数据集,并通过训练数据集对初始神经网络模型进行训练,以得到目标神经网络模型。
进一步地,对卷积神经网络模型进行优化,以得到初始神经网络模型,包括:确定卷积神经网络的全连接层,将全连接层替换为全局池化层;确定卷积神经网络中的多个不同的卷积层,通过Resnet残差网络将每个卷积层中的输入以及输出连接起来构成残差块,并获得多个卷积层对应的多个残差块;通过Inception结构将多个残差块并联,以得到目标神经网络模型,其中,在Inception结构中多个残差块对应使用不同尺寸的多个过滤器。
进一步地,确定训练数据集,包括:获取多个初始图像,并确定多个初始图像对应的多个像素值;计算多个像素值对应的协方差矩阵;确定协方差矩阵对应的多个特征向量以及多个特征值,剔除多个特征值之中大于预设阈值的特征值,并获得多个目标特征值;依据协方差矩阵以及多个目标特征值,得到变换矩阵,并依据变换矩阵,构建降维子空间;将多个初始图像向降维子空间进行投影,得到一组低维向量,并将一组低维向量确定为训练数据集。
进一步地,获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像,包括:获取一个时间域中的多个连续视频帧;对多个两两连续视频帧之间做三帧插处理,以得到叠加结果,其中,叠加结果至少包括像素点发生变化的区域的边缘上的像素点对应的坐标信息;确定多个连续视频帧对应的背景像素,依据背景像素以及叠加结果,确定多个连续视频帧中像素发生变化的多个像素点的坐标信息;依据坐标信息,将像素发生变化的多个像素点对应的区域的图像,确定为初始图像。
进一步地,确定多个连续视频帧对应的背景像素,包括:确定每个视频帧中目标位置的像素点对应的像素,以获得多个像素;确定多个像素的平均值,并将平均值确定为背景像素。
进一步地,将多个初始图像进行降维处理,以获得多个降维图像,包括:通过经验值法,对多个初始图像进行灰度化处理得到多个第一初始图像;通过PCA算法对多个第一初始图像进行降维处理以得到多个降维图像。
为了实现上述目的,根据本发明的另一方面,提供了一种检测液体外溢情况的装置。该装置包括:第一获取单元,用于获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;第二获取单元,用于将多个初始图像进行降维处理,以获得多个降维图像;输入单元,用于将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;触发单元,用于在任意一个差异值大于预设阈值的情况下,触发报警。
为了实现上述目的,根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述一种检测液体外溢情况的方法。
为了实现上述目的,根据本发明的另一方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述一种检测液体外溢情况的方法。
通过本发明,采用以下步骤:获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;将多个初始图像进行降维处理,以获得多个降维图像;将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;在任意一个差异值大于预设阈值的情况下,触发报警,解决了相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化的技术问题,进而达到了提高选煤厂生产过程的安全风险管控和应急处置能力的技术效果。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例提供的一种检测液体外溢情况的方法的流程图;
图2为本申请提供的一种可选的监控系统对应的示意图;
图3为本申请提供的Inception模块结构的示意图;
图4是根据本发明实施例提供的一种检测液体外溢情况的装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请针对传统图像检测算法的不足,通过深度学习算法对煤泥水外溢进行实时监测预警,经过实验验证该算法识别率高具有较好的检测效果,并且大幅优化了深度学习中由于复杂的神经网络而造成的大量运算,相比于传统图像识别方法有更好的自适应性和灵活性。
根据本发明的实施例,提供了一种检测液体外溢情况的方法。
图1是根据本发明实施例提供的一种检测液体外溢情况的方法的流程图。如图1所示,该发明包括以下步骤:
步骤S101,获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;
步骤S102,将多个初始图像进行降维处理,以获得多个降维图像;
步骤S103,将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;
步骤S104,在任意一个差异值大于预设阈值的情况下,触发报警。
本申请提供了一种监控系统,该监控系统包括目标容器,设置在目标容器上方的第一预设区域内的至少一个照明灯,设置在目标容器上方的第二预设区域内的图像采集装置,以及检测液体外溢情况的装置,其中,图像采集装置与计算机连接,图2所示,图2为本申请提供的一种可选的监控系统对应的示意图,在该具体监控系统中,保函有两个照明灯,目标容器为盛放煤泥水的水箱。
其中,视频摄像头为图像采集装置,摄像头用于采集水箱所在的区域对应的视频,本申请提供的一个场景中,选煤厂在所有煤泥水水箱的上方均部署了视频摄像头,煤厂附近已经部署4G基站,实现视频数据的实时上传。每个基站目前可实现上传带宽20M,主要用于传输选煤厂基础生产数据。
进一步地,本申请中将采集的多个连续视频帧进行处理成为多个初始图像,将初始图像输入至训练好的神经网络模型中,并输出检测结果,在检测结果异常的情况下,确定预设区域的水箱发生煤泥水外溢的情况,并及时出发报警。通过本申请提供的上述方法,实现对生产现场危险现象的态势感知和智能报警,变被动响应为主动搜寻式安全,极大地保证选煤厂安全可靠运行。
卷积神经网络(CNN)是一种深度学习的架构,在人工智能、文本处理、图像识别等方面被广泛应用。卷积神经网络对煤泥水外溢识别的主要过程是使用现有煤泥水外溢图像对网络进行训练,进而提取煤泥水外溢图像特征,由于类似于人类的记忆学习过程近似,故被称为网络的学习过程。
相关技术中的卷积神经网络通常是由一系列卷积层、非线性层、池化层和完全连接层组成的。与普通神经网络不同,在卷积层中一个神经元只与部分相邻层的神经元相连,在前几层里每一层的节点和上一层部分节点相连,全连接层中每个节点与上一层的全部节点连接。根据不同需求可以构建多层神经网络,为使神经网络能够解决更复杂的问题,使用具有更多层次的网络可以识别更高级的特征,多层网络中上一个卷积层的输出即为下一层的输入。但是网络层数增加的同时也带来参数过多、资源消耗过大、网络退化等问题。
针对深层网络的退化、效率低、资源消耗大等问题,本申请在Inception Resnetv2网络模型的基础上对相关技术中的卷积神经网络进行了优化改进。在增加了卷积层数提高特征提取的精度的同时,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。
具体地,Inception结构将不同的卷积层以并联的方式连接;Inception使用不同尺寸的过滤器(卷积核),将每个卷积层各自的处理结果拼接成一个更深的矩阵;Inception结构增加了网络深度和宽度,可以更好地提取特征,同时减少了参数,保证了计算效率。图3为本申请提供的Inception模块结构的示意图。
在将多个降维图像输入至目标神经网络模型中,以得到输出结果之前,获取卷积神经网络模型,对卷积神经网络模型进行优化,以得到初始神经网络模型,其中,初始神经网络模型包括第一预设数量的Inception Resnet模块以及第二预设数量的卷积层;确定训练数据集,并通过训练数据集对初始神经网络模型进行训练,以得到目标神经网络模型。
进一步的,本申请提供的目标神经网络模型,在网络模型的最后一层,使用全局池化层代替全连接层。
再进一步地,本申请中的目标神经网络模型中,通过确定卷积神经网络中的多个不同的卷积层,通过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,使用以下公式表达残差块公式:
y=F(x,{Wi})+x
其中,x是输入向量,y是及输出向量,{Wi}为残差函数,当残差函数F(x)与输入向量大小不同时,用以下公式表达残差块:
y=F(x,{Wi})+Ws
需要说明的是,上式中通过使用线性投影Ws来与输入的图像中的维度进行匹配。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。
还需要说明的是,本申请中优化后的网络结构,由于模型深度很深,为了能更直观地展示,将部分重复的残差区块进行了压缩。整个模型架构由40个Inception Resnet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。
本申请中,由于优化得到目标神经网络模型,在使用该模型前需要对目标神经网络模型进行训练,本申请中的神经网络模型为对图像的特征进行分析,通常一个图像数据中包含了大量信息,而对最终的学习效果产生影响的只有主要特征,而大量特征造成了数据冗余而使得运算效率大打折扣。例如:一个500×500大小的视频帧图像其原始特征就会达到M=250000维,这在应用过程中产生了庞大的运算量,严重影响到运算效率。由于本申请的目的是对煤泥水进行实时的监控报警,对算法实时性有较高要求,因此为了减少图像在训练、测试和检测过程中的运算量、提高运算效率,对图像数据使用经验值法进行灰度化处理后利用PCA算法进行数据的降维处理,以减少无关特征的影响。
本申请通过主成分分析算法(PCA)对图像进行处理以实现图像降维的过程,将高维的数据投射到低维空间内,可以使用较少的维度来表示高维信息,同时保留贡献较大的数据特征。
通过计算得到协方差矩阵的特征向量ui和对应特征值λi,并将特征值由大到小排列之后,将特征值小于λd的特征值丢弃只保留较大的特征值,得到主成分构成的变换矩阵U=(u1,u2,……,ud),U是一个经过降维的子空间,其维数为M×d,之后将煤泥水样本图像向该子空间进行投影得到维数为d×1的低维向量y:
将得到的一组低维向量L作为目标神经网络模型的训练数据集,在煤泥水检测过程中,对输入的一个测试样本x,求出它与数据集中平均样本的偏差(一张图片这个像素点的均值),通过以下公式得到其在主特征子空间中的投影向量y:
U的维数为M×d,的维数为M×1,y的维数d×1。对于一个500×500的图像,M维数为500×500=250000维,取300个主成分,即300个特征向量,则最后投影的系数向量y维数降到300维。通过上述方法,将目标神经网络模型的的训练数据集进行降维处理。
由于在发生煤泥水外溢情况下煤泥水不是静止不动的而是运动状态,因此可以对视频中运动物体进行检测来提取疑似发生煤泥水外溢的区域,但是由于煤泥水外溢时具有移动缓慢的特点,相关技术中的传统光流法、帧间插法、背景插法等运动检测算法检测效果不佳。针对这些不足,本申请综合帧插与背景插法结果叠加从而准确有效地检测运动区域,也即视频帧中像素发生变化的像素点对应的区域图像。
具体地,首先对具有n帧的连续视频片断中全部的n帧进行三帧插处理,即在第i帧与i-1帧、i+1帧这3帧之间做两两帧插,帧插公式如下:
其中,Ki为帧插后的结果,T为阈值,阈值的选取对帧插结果会有较大影响,本文使用Ostu法确定阈值。将第i帧与前后两帧两两帧插的结果做与运算得到第i帧的三帧插结果Di。将一个时间域内多帧的三帧插结果加过叠加得到结果D(边缘检测),公式如下:
上述地,通过D描绘出视频帧中的像素发生变化的像素点对应的区域的边缘坐标。
进一步地,对连续视频帧中的n帧视频帧的像素,取平均作为背景B,然后提取视频第k帧对其做背景插运算,具体公式如下:
通过上述运算,排除了初始图像中的噪声、光照以及阴影带来的噪音,同时,其中背景模型需要随着时间推进不断更新,以下为背景更新的公式,其中β为背景学习率:
最后,将三帧插结果D与背景插结果做或运算,结果即为本申请中运行检测结果,也即本申请中的初始图像。
在一种可选的实施例中,将多个初始图像进行降维处理,以获得多个降维图像,包括:通过经验值法,对多个初始图像进行灰度化处理得到多个第一初始图像;通过PCA算法对多个第一初始图像进行降维处理以得到多个降维图像。本申请中,在初始图像送入目标神经网络模型之前,需要将初始图像通过上述PCA算法(主成分分析算法)进行降维处理,将高维的数据投射至低维空间,以将初始图像处理成降维图像。
在本申请中,将降维图像输入至目标神经网络模型中厚,目标神经网络模型对降维图像进行识别,若检测到煤泥水外溢图像,则对煤泥水外溢图像对应的原始图像进行标记,并报警。
本发明实施例提供的一种检测液体外溢情况的方法,通过分析和识别选煤厂生产现场常见的煤泥水外溢现象,及时、精准、自动推送报警,提高选煤厂生产过程的安全风险管控和应急处置能力。相比于传统的图像识别方法,基于深度学习的识别具有自学习和适应能力,可以更好地对图像进行识别。经实验验证,该方法具有较高的识别率,可以有效地对煤泥水外溢现象进行检测,对煤泥水外溢现象的有效预防有较好的应用价值。
进而实现了全天候全自主智能监控,减轻了对人工的依赖性,减少了人为因素带来的疏漏,降低劳动成本,减少选煤厂运营成本,提高了选煤厂的生产效率和管理的自动化、智能化水平,为推进智慧煤场的建设做出了重要贡献。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例还提供了一种检测液体外溢情况的装置,需要说明的是,本发明实施例的一种检测液体外溢情况的装置可以用于执行本发明实施例所提供的用于一种检测液体外溢情况的方法。以下对本发明实施例提供的一种检测液体外溢情况的装置进行介绍。
图4是根据本发明实施例提供的一种检测液体外溢情况的装置的示意图。如图4所示,该装置包括:第一获取单元401,用于获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;第二获取单元402,用于将多个初始图像进行降维处理,以获得多个降维图像;输入单元403,用于将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;触发单元404,用于在任意一个差异值大于预设阈值的情况下,触发报警。
可选地,装置还包括:优化单元,用于在将多个降维图像输入至目标神经网络模型中,以得到输出结果之前,获取卷积神经网络模型,对卷积神经网络模型进行优化,以得到初始神经网络模型,其中,初始神经网络模型包括第一预设数量的Inception Resnet模块以及第二预设数量的卷积层;第一确定单元,用于确定训练数据集,并通过训练数据集对初始神经网络模型进行训练,以得到目标神经网络模型。
可选地,优化单元,包括:第一确定子单元,用于确定卷积神经网络的全连接层,将全连接层替换为全局池化层;第二确定子单元,用于确定卷积神经网络中的多个不同的卷积层,通过Resnet残差网络将每个卷积层中的输入以及输出连接起来构成残差块,并获得多个卷积层对应的多个残差块;第一获取子单元,用于通过Inception结构将多个残差块并联,以得到目标神经网络模型,其中,在Inception结构中多个残差块对应使用不同尺寸的多个过滤器。
可选地,第一确定单元,包括:第二获取子单元,用于获取多个初始图像,并确定多个初始图像对应的多个像素值;计算子单元,用于计算多个像素值对应的协方差矩阵;第三确定子单元,用于确定协方差矩阵对应的多个特征向量以及多个特征值,剔除多个特征值之中大于预设阈值的特征值,并获得多个目标特征值;构建子单元,用于依据协方差矩阵以及多个目标特征值,得到变换矩阵,并依据变换矩阵,构建降维子空间;投影子单元,用于将多个初始图像向降维子空间进行投影,得到一组低维向量,并将一组低维向量确定为训练数据集。
可选地,第一获取单元401,包括:第三获取子单元,用于获取一个时间域中的多个连续视频帧;第一处理子单元,用于对多个两两连续视频帧之间做三帧插处理,以得到叠加结果,其中,叠加结果至少包括像素点发生变化的区域的边缘上的像素点对应的坐标信息;第四确定子单元,用于确定多个连续视频帧对应的背景像素,依据背景像素以及叠加结果,确定多个连续视频帧中像素发生变化的多个像素点的坐标信息;第五确定子单元,用于依据坐标信息,将像素发生变化的多个像素点对应的区域的图像,确定为初始图像。
可选地,第四确定子单元,包括:第一确定模块,用于确定每个视频帧中目标位置的像素点对应的像素,以获得多个像素;第二确定模块,用于确定多个像素的平均值,并将平均值确定为背景像素。
可选地,第二获取单元402,包括:第二处理子单元,用于通过经验值法,对多个初始图像进行灰度化处理得到多个第一初始图像;降维处理子单元,用于通过PCA算法对多个第一初始图像进行降维处理以得到多个降维图像。
本发明实施例提供的一种检测液体外溢情况的装置,通过第一获取单元401,用于获取预设区域对应的多个连续视频帧,并对多个连续视频帧进行处理以确定多个初始图像;第二获取单元402,用于将多个初始图像进行降维处理,以获得多个降维图像;输入单元403,用于将多个降维图像输入至目标神经网络模型中,以得到输出结果,其中,输出结果至少包括多个降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;触发单元404,用于在任意一个差异值大于预设阈值的情况下,触发报警,解决了相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化的技术问题,进而达到了提高选煤厂生产过程的安全风险管控和应急处置能力的技术效果。
一种检测液体外溢情况的装置包括处理器和存储器,上述第一获取单元401等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中,煤泥水外溢的发现还得依靠现场工作人员的人工定期巡检,如果巡检的地方不到位或者巡检过后才发生煤泥水外溢,容易造成煤泥水外溢事故的扩大化的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现的一种检测液体外溢情况的方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行的一种检测液体外溢情况的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现一种检测液体外溢情况的方法中的步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本发明还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化一种检测液体外溢情况的方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读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。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明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,本发明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。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种检测液体外溢情况的方法,其特征在于,包括:
获取预设区域对应的多个连续视频帧,并对多个所述连续视频帧进行处理以确定多个初始图像;
将多个所述初始图像进行降维处理,以获得多个降维图像;
将多个所述降维图像输入至目标神经网络模型中,以得到输出结果,其中,所述输出结果至少包括多个所述降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;
在任意一个所述差异值大于预设阈值的情况下,触发报警。
2.根据权利要求1所述的方法,其特征在于,在将多个所述降维图像输入至目标神经网络模型中,以得到输出结果之前,所述方法还包括:
获取卷积神经网络模型,对所述卷积神经网络模型进行优化,以得到初始神经网络模型,其中,所述初始神经网络模型包括第一预设数量的Inception Resnet模块以及第二预设数量的卷积层;
确定训练数据集,并通过所述训练数据集对所述初始神经网络模型进行训练,以得到所述目标神经网络模型。
3.根据权利要求2所述的方法,其特征在于,对所述卷积神经网络模型进行优化,以得到初始神经网络模型,包括:
确定所述卷积神经网络的全连接层,将所述全连接层替换为全局池化层;
确定所述卷积神经网络中的多个不同的卷积层,通过Resnet残差网络将每个所述卷积层中的输入以及输出连接起来构成残差块,并获得多个所述卷积层对应的多个所述残差块;
通过Inception结构将多个所述残差块并联,以得到所述目标神经网络模型,其中,在所述Inception结构中多个所述残差块对应使用不同尺寸的多个过滤器。
4.根据权利要求2所述的方法,其特征在于,确定训练数据集,包括:
获取多个所述初始图像,并确定多个所述初始图像对应的多个像素值;
计算多个所述像素值对应的协方差矩阵;
确定所述协方差矩阵对应的多个特征向量以及多个特征值,剔除多个所述特征值之中大于预设阈值的特征值,并获得多个目标特征值;
依据所述协方差矩阵以及多个所述目标特征值,得到变换矩阵,并依据所述变换矩阵,构建降维子空间;
将多个所述初始图像向所述降维子空间进行投影,得到一组低维向量,并将一组所述低维向量确定为所述训练数据集。
5.根据权利要求1所述的方法,其特征在于,获取预设区域对应的多个连续视频帧,并对多个所述连续视频帧进行处理以确定多个初始图像,包括:
获取一个时间域中的多个所述连续视频帧;
对多个两两所述连续视频帧之间做三帧插处理,以得到叠加结果,其中,所述叠加结果至少包括像素点发生变化的区域的边缘上的像素点对应的坐标信息;
确定多个所述连续视频帧对应的背景像素,依据所述背景像素以及所述叠加结果,确定多个所述连续视频帧中像素发生变化的多个像素点的坐标信息;
依据所述坐标信息,将像素发生变化的多个所述像素点对应的区域的图像,确定为所述初始图像。
6.根据权利要求5所述的方法,其特征在于,确定多个所述连续视频帧对应的背景像素,包括:
确定每个视频帧中目标位置的像素点对应的像素,以获得多个像素;
确定多个所述像素的平均值,并将所述平均值确定为所述背景像素。
7.根据权利要求1所述的方法,其特征在于,将多个所述初始图像进行降维处理,以获得多个降维图像,包括:
通过经验值法,对多个所述初始图像进行灰度化处理得到多个第一初始图像;
通过PCA算法对多个所述第一初始图像进行降维处理以得到多个所述降维图像。
8.一种检测液体外溢情况的装置,其特征在于,包括:
第一获取单元,用于获取预设区域对应的多个连续视频帧,并对多个所述连续视频帧进行处理以确定多个初始图像;
第二获取单元,用于将多个所述初始图像进行降维处理,以获得多个降维图像;
输入单元,用于将多个所述降维图像输入至目标神经网络模型中,以得到输出结果,其中,所述输出结果至少包括多个所述降维图像中的目标像素点对应的像素值与预设像素值之间的多个差异值;
触发单元,用于在任意一个所述差异值大于预设阈值的情况下,触发报警。
9.一种监控系统,其特征在于,包括目标容器,设置在所述目标容器上方的第一预设区域内的至少一个照明灯,设置在所述目标容器上方的第二预设区域内的图像采集装置,以及检测液体外溢情况的装置,其中,所述图像采集装置与计算机连接,所述检测液体外溢情况的装置用于执行权利要求1至7中任意一项所述的检测液体外溢情况的方法。
10.一种设备,其特征在于,包括计算机可读存储介质以及处理器,所述计算机可读存储介质包括存储的程序,所述处理器用于运行所述程序,其中,在所述程序运行时控制所述设备执行权利要求1至7中任意一项所述的一种检测液体外溢情况的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211247764.1A CN115578672A (zh) | 2022-10-12 | 2022-10-12 | 检测液体外溢情况的方法以及装置、监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211247764.1A CN115578672A (zh) | 2022-10-12 | 2022-10-12 | 检测液体外溢情况的方法以及装置、监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578672A true CN115578672A (zh) | 2023-01-06 |
Family
ID=84585142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211247764.1A Pending CN115578672A (zh) | 2022-10-12 | 2022-10-12 | 检测液体外溢情况的方法以及装置、监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113211A (zh) * | 2023-01-16 | 2023-11-24 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
-
2022
- 2022-10-12 CN CN202211247764.1A patent/CN115578672A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113211A (zh) * | 2023-01-16 | 2023-11-24 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
CN117113211B (zh) * | 2023-01-16 | 2024-03-12 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
CN112308826B (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN109214253B (zh) | 一种视频帧检测方法及装置 | |
CN111896540B (zh) | 一种基于区块链的水质在线监测系统 | |
CN111429425B (zh) | 一种基于深度学习的轧机入口异常识别方法 | |
CN113255626B (zh) | 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置 | |
CN115578672A (zh) | 检测液体外溢情况的方法以及装置、监控系统 | |
CN111210412B (zh) | 一种包装检测方法、装置、电子设备及存储介质 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN116597411A (zh) | 极端天气下无人驾驶车辆识别交通标志的方法及系统 | |
Wang et al. | Real-time and embedded compact deep neural networks for seagrass monitoring | |
CN115311631A (zh) | 一种隧道内的图像采集方法、设备及介质 | |
CN115880598A (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
CN117197896A (zh) | 一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN111967473B (zh) | 基于图像分割和模板匹配的粮库仓储情况监测方法、设备和介质 | |
Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
CN112818836B (zh) | 一种变电站场景的人员目标检测方法及系统 | |
CN115631457A (zh) | 建筑施工监控视频中的人机协作异常检测方法及系统 | |
CN114299012A (zh) | 一种基于卷积神经网络的物体表面缺陷检测方法及系统 | |
Alexeev et al. | End to end learning for a driving simulator | |
CN117437591A (zh) | 镜头污染程度的检测方法、装置和电子设备 | |
CN117350985B (zh) | 井盖病害检测方法、装置、计算机设备及存储介质 | |
Paraskevas et al. | Detecting Holes in Fish Farming nets: A Two–Method approach |
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 |