CN116721145B - 一种液体介质泄露检测方法、装置、电子设备及存储介质 - Google Patents

一种液体介质泄露检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116721145B
CN116721145B CN202310994179.6A CN202310994179A CN116721145B CN 116721145 B CN116721145 B CN 116721145B CN 202310994179 A CN202310994179 A CN 202310994179A CN 116721145 B CN116721145 B CN 116721145B
Authority
CN
China
Prior art keywords
area
image
region
liquid medium
liquid
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.)
Active
Application number
CN202310994179.6A
Other languages
English (en)
Other versions
CN116721145A (zh
Inventor
张培
姚结兵
王亚运
宗承治
许孝先
王勇
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.)
Anhui Ronds Science & Technology Inc Co
Original Assignee
Anhui Ronds Science & Technology Inc Co
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 Anhui Ronds Science & Technology Inc Co filed Critical Anhui Ronds Science & Technology Inc Co
Priority to CN202310994179.6A priority Critical patent/CN116721145B/zh
Publication of CN116721145A publication Critical patent/CN116721145A/zh
Application granted granted Critical
Publication of CN116721145B publication Critical patent/CN116721145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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

Landscapes

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

Abstract

本申请提供一种液体介质泄露检测方法、装置、电子设备及存储介质，其中，液体介质泄露检测方法包括：获取待测区域在检测过程中当前时刻的第一图像，并对第一图像进行图像分割，获取第一图像分割结果；其中，第一图像分割结果包括第一液体区域；当待测区域在历史时刻存在液体介质泄漏报警时，获取待测区域在历史时刻的第二图像分割结果；其中，第二图像分割结果包括第二液体区域；计算第一液体区域的第一面积以及第二液体区域面积的第二面积；根据第一面积和第二面积，确定待测区域在当前时刻是否发生液体介质泄露。上述方案通过第一图像和第二图像可以判断当前时刻相较于历史时刻是否发生泄露，从而降低了泄露检测误判率。

Description

一种液体介质泄露检测方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种液体介质泄露检测方法、装置、电子设备及存储介质。
背景技术
在例如化工物料运输等液体介质运输场景中，管道运输为主要的运输方式，而在采用管道运输时，可能会因为腐蚀、振动、管道老化等因素导致管道泄露，若未对泄露位置及时进行修复，一方面会导致液体介质流失并污染环境，另一方面可能会造成较为严重的安全事故，因此需要对管道泄露进行实时监测，从而提高管道运输安全性。
现阶段，相关技术大都采用基于图像识别的液体介质泄露检测方法，此种方法通过在管道图像确定是否存在泄露液体从而判断是否存在管道泄露，该方法存在对泄露处管道进行重复报警的情况，易产生对管道泄露的误判，从而导致液体介质泄露检测方法具有较高误判率。
发明内容
本申请实施例的目的在于提供一种液体介质泄露检测方法、装置、电子设备及存储介质，用以降低泄露检测误判率。
第一方面，本申请实施例提供一种液体介质泄露检测方法，该方法包括：获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果；其中，所述第一图像分割结果包括第一液体区域，所述第一液体区域表征所述第一图像中泄露液体所在区域；当所述待测区域在历史时刻存在液体介质泄漏报警时，获取所述待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，所述第二图像分割结果包括第二液体区域，所述第二液体区域表征所述第二图像中泄露液体所在区域；计算所述第一液体区域的第一面积以及所述第二液体区域面积的第二面积；根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
在上述方案的实现过程中，当待测区域历史时刻存在液体介质泄露报警时，直接采用历史报警时刻的第二图像和检测过程中当前时刻的第一图像进行液体介质泄露检测，一方面，相较于相关技术中仅通过当前时刻图像进行液体介质泄露检测的方案，上述方案通过当前时刻的第一图像和历史报警时刻的第二图像可以判断当前时刻相较于发生液体介质泄露报警的历史报警时刻是否发生泄露，从而降低了由于未清理泄露液体介质所导致管道泄露检测误判率；另一方面，第二图像已在历史报警时刻完成图像分割，可以直接获取第二图像的第二图像分割结果，减少了图像分割所产生的数据处理量，有效缓解计算压力，从而提高上述液体介质泄露检测方法的处理效率，有利于改善液体介质泄露检测的实时性。
在第一方面的一种实现方式中，所述根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露，包括：若所述第一面积大于所述第二面积，则确定所述待测区域在所述当前时刻发生液体介质泄露；或者，计算所述第一面积和所述第二面积的第一差值，若所述第一差值大于第一差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第一差值阈值包括预设差值阈值或者由所述第一面积和预设比例阈值所确定的差值阈值。
在上述方案的实现过程中，在根据第一面积和第二面积确定待测区域是否发生液体介质泄露时，可以通过仅比较第一面积和第二面积大小的方式来进行液体介质泄露检测，还可以通过计算第一面积与第二面积的第一差值，并将第一差值与差值阈值进行比较的方式进行液体介质泄露检测，一方面使得上述液体介质泄露检测方法能够应用于更多的应用场景，提高了上述液体介质泄露检测方法的适用性；另一方面，通过设置预设差值阈值或者预设比例阈值，有利于提高上述液体介质检测方法的检测精度。
在第一方面的一种实现方式中，所述方法还包括：若所述第一面积小于预设清除阈值，则清除历史报警时刻的所述液体介质泄漏报警。
在上述方案的实现过程中，采用预设清除阈值对满足预设清除阈值的历史报警时刻的液体介质泄露报警进行清除，大大降低由于对泄露液体进行清理后依然采用历史时刻的第二图像进行泄露判断所导致的泄露检测误判率，有利于提高上述液体介质泄露检测方法的检测精度。
在第一方面的一种实现方式中，在所述获取待测区域在当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果之后，所述方法还包括：当所述待测区域在历史时刻未存在液体介质泄露报警时，获取所述待测区域在检测过程中起始时刻的第三图像对应的第三图像分割结果；其中，所述第三图像分割结果包括第三液体区域，所述第三液体区域表征所述第三图像中泄露液体所在区域；计算所述第一液体区域的第一面积以及所述第三液体区域的第三面积；根据所述第一面积和所述第三面积，确定所述待测区域在当前时刻是否发生液体介质泄露。
在上述方案的实现过程中，当待测区域未存在历史报警时，通过检测过程中起始时刻图像和当前时刻图像进行液体泄露介质检测，可以判断当前检测过程中的起始时刻到当前时刻这一时间段内液体介质是否发生泄露，相较于相关技术中仅通过当前时刻图像进行液体介质泄露检测的方案，上述方案的液体介质泄露检测精度更高。
在第一方面的一种实现方式中，所述根据所述第一面积和所述第三面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露，包括：若所述第一面积大于所述第三面积，则确定所述待测区域在所述当前时刻发生液体介质泄露；或者，计算所述第一面积和所述第三面积的第二差值，若所述第二差值大于第二差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第二差值阈值包括预设差值阈值或者由所述第三面积和预设比例阈值所确定的差值阈值。
在上述方案的实现过程中，在根据第一面积和第三面积确定待测区域是否发生液体介质泄露时，可以通过仅比较第一面积和第三面积大小的方式来进行液体介质泄露检测，还可以通过计算第一面积与第三面积的第二差值，并将第二差值与差值阈值进行比较的方式进行液体介质泄露检测，一方面使得上述液体介质泄露检测方法能够应用于更多的应用场景，提高了上述液体介质泄露检测方法的适用性；另一方面，通过设置预设差值阈值或者预设比例阈值，有利于提高上述液体介质检测方法的检测精度。
在第一方面的一种实现方式中，所述第一图像和所述第二图像为通过固定位置和固定角度的相机所拍摄的待测区域图像。
在上述方案的实现过程中，当前时刻的第一图像和历史报警时刻的第二图像为具有相同拍摄位置和相同拍摄角度的相机所拍摄的待测区域图像，一方面，通过固定第一图像和第二图像的拍摄位置和拍摄角度，有利于获取更高质量的待测区域图像，从而有利于后续步骤的液体介质泄露判断，提高液体介质泄露检测精度；另一方面，通过固定拍摄位置和拍摄角度，有利于使得同一块泄露液体区域在第一图像和第二图像中的液体区域面积具有较小偏差，从而降低由于待测区域图像拍摄位置和拍摄角度不同所导致的泄露检测误判率。
在第一方面的一种实现方式中，所述第一图像分割结果和所述第三图像分割结果通过训练好的图像分割模型获取；
在所述获取待测区域在当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果之前，所述方法还包括：获取用于对所述图像分割模型进行训练的初始训练图像；采用生成对抗网络GAN对所述初始训练图像进行数据增广处理，获取增广训练图像；采用所述增广训练图像对所述图像分割模型进行训练，获取训练好的所述图像分割模型。
在上述方案的实现过程中，采用生成对抗网络对初始训练图像进行数据增广处理，从而采用增广训练图像对图像分割模型进行训练，一方面，通过数据增广处理获得了更多场景下的样本，有利于改善图像分割模型的适应性；另一方面，采用增广训练图像对图像分割模型进行训练，能够使得图像分割模型提高分割效果，有利于提高图像分割模型的性能，进而有利于进一步提高上述液体介质泄露检测方法的检测精度。
第二方面，本申请实施例提供一种液体介质泄露检测装置，该装置包括：
第一图像分割结果获取模块，用于获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果；其中，所述第一图像分割结果包括第一液体区域，所述第一液体区域表征所述第一图像中泄露液体所在区域；
第二图像分割结果获取模块，用于当所述待测区域在历史时刻存在液体介质泄漏报警时，获取所述待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，所述第二图像分割结果包括第二液体区域，所述第二液体区域表征所述第二图像中泄露液体所在区域；
第一面积计算模块，用于计算所述第一液体区域的第一面积；
第二面积计算模块，用于所述第二液体区域面积的第二面积；
第一泄露判断模块，用于根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
第三方面，本申请实施例提供一种电子设备，包括：包括：处理器、存储器、通信接口和通信总线，其中，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器读取并运行时，执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的液体介质泄露检测方法的流程示意图；
图2为本申请实施例提供的生成对抗网络的结构示意图；
图3为本申请实施例提供的U-Net++模型的处理流程示意图；
图4为本申请实施例提供的U-Net++模型跳跃路径示意图；
图5为本申请实施例提供的液体介质泄露检测装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
发明人经过研究发现，相关技术中的液体介质泄露检测方法在对运输管道进行液体介质泄露检测过程中，仅通过当前时刻的图像进行液体介质泄露检测，此种检测方法在检测到管道某处发生泄露并且在相关人员已经对管道泄露处进行修复后，会出现由于泄露管道处的泄露液体介质未被清理所导致的误报警情况，从而导致上述液体介质泄露检测方法产生较高的误报率。
基于此，本申请实施例提供一种液体介质泄露检测方法，该方法在待测区域历史时刻存在液体介质泄露报警时，通过在检测过程中当前时刻的第一图像的第一图像分割结果中获取第一液体区域，并在历史报警时刻的第二图像的第二图像分割结果中获取第二液体区域，通过第一液体区域的第一面积以及第二液体区域的第二面积判断待测区域在当前时刻是否发生液体介质泄露，相较于相关技术中仅采用待测区域当前时刻图像进行液体介质泄露检测的方式，本申请实施例提供的液体介质泄露检测方法能够大大降低由于未清理泄露液体介质所导致管道泄露检测误判率。上述液体介质泄露检测方法可以应用于管道输送液体介质的场景中。
可以理解的是，在采用上述液体介质泄露检测方法对待测区域进行泄露检测的过程中，待测区域的历史时刻可能会存在液体介质泄露报警，本申请实施例中的液体介质泄露检测方法针对历史时刻存在液体介质泄露报警和未存在液体介质泄露报警时分别设置对应的处理方式，具体的：
若存在历史报警，则采用下述步骤S120至步骤S140进行液体介质泄露检测；
若未存在历史报警，则采用下述步骤S150至步骤S170进行液体介质泄露检测。
请参见图1，本申请实施例提供一种液体介质泄露检测方法，该方法包括：
步骤S110：获取待测区域在检测过程中当前时刻的第一图像，并对第一图像进行图像分割，获取第一图像对应的第一图像分割结果；其中，第一图像分割结果包括第一液体区域，第一液体区域表征第一图像中泄露液体所在区域；
步骤S120：当待测区域在历史时刻存在液体介质泄漏报警时，获取待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，第二图像分割结果包括第二液体区域，第二液体区域表征第二图像中泄露液体所在区域；
步骤S130：计算第一液体区域的第一面积以及第二液体区域面积的第二面积；
步骤S140：根据第一面积和第二面积，确定待测区域在当前时刻是否发生液体介质泄露。
上述方案在待测区域历史时刻存在液体介质泄露报警时，直接采用历史报警时刻的第二图像和检测过程中当前时刻的第一图像进行液体介质泄露检测，一方面，相较于相关技术中仅通过当前时刻图像进行液体介质泄露检测的方案，上述方案通过当前时刻的第一图像和历史报警时刻的第二图像可以判断当前时刻相较于历史报警时刻是否发生泄露，从而降低了由于未清理泄露液体介质所导致管道泄露检测误判率。
作为上述液体介质泄露检测方法的一种可选实施方式，请参见图1，在步骤S110之后，所述方法还包括：
步骤S150：当待测区域在历史时刻未存在液体介质泄露报警时，获取待测区域在检测过程中起始时刻的第三图像对应的第三图像分割结果；其中，第三图像分割结果包括第三液体区域，第三液体区域表征第三图像中泄露液体所在区域；
步骤S160：计算第一液体区域的第一面积以及第三液体区域的第三面积；
步骤S170：根据第一面积和第三面积，确定待测区域在当前时刻是否发生液体介质泄露。
上述方案在待测区域未存在历史报警时，通过检测过程中起始时刻图像和当前时刻图像进行液体泄露介质检测，可以判断当前检测过程中的起始时刻到当前时刻这一时间段内液体介质是否发生泄露，相较于相关技术中仅通过当前时刻图像进行液体介质泄露检测的方案，上述方案的液体介质泄露检测精度更高。
可以理解的是，在检测过程中历史报警时刻是出于检测过程中起始时刻和当前时刻之间的，也即在历史报警时刻是指在检测过程开始后起始止咳到当前时刻之间发生液体介质泄露报警的时刻。
由于在历史报警时刻存在液体介质泄露，若采用起始时刻所获取的第三图像和当前时刻所获取的第一图像进行液体介质泄露检测，其是对检测过程中起始时刻到当前时刻是否发生液体介质泄露进行检测，而在历史报警时刻已经进行过报警的液体介质泄露也会被检测到，从而产生由于泄露液体未被完全清理所导致的重复报警。因此，上述步骤S120至步骤S140采用在历史报警时刻所获取的第二图像和当前时刻的第一图像进行液体介质泄露检测，其是对检测过程中历史报警时刻到当前时刻是否发生液体介质泄露进行检测，从而大大降低了由于泄露液体未被清理所导致的重复报名的概率，有利于降低上述液体介质泄露检测方法的误判率。
下面分别对上述步骤S110至步骤S170进行详细介绍：
首先，对步骤S110进行详细介绍：
步骤S110中的待测区域可以指运输管道中需要进行液体介质泄露检测的区域，可以将待测区域设置为运输管道线中易发生液体介质泄露的区域。
步骤S110中的当前时刻是指在采用上述液体介质泄露检测方法对待测区域进行液体介质泄露检测的检测过程中的当前时刻。可以理解的是，可以采用上述液体介质泄露检测方法对待测区域进行不间断的持续检测，也可以采用预设检测间隔对待测区域进行间断式检测，当然还可以采用预先设置固定检测时段来对待测区域进行液体介质泄露检测。
下面对步骤S120和步骤S150进行详细介绍：
步骤S120中的历史报警时刻是指在检测过程中起始时刻到当前时刻之间发生液体介质泄露报警的时刻，可以理解的是，由于在历史报警时刻时已经对在历史报警时刻所获取的第二图像进行了图像分割，因此可以直接从执行上述液体介质泄露检测方法的电子设备所存储的历史报警信息中获取第二图像对应的第二图像分割结果。
步骤S150中的起始时刻是指在采用上述液体介质泄露检测方法对待测区域进行液体介质泄露检测的检测过程开始的时刻。
可以理解的是，步骤S110中当前时刻的第一图像以及步骤S150中起始时刻的第三图像均可以由执行上述液体介质泄露检测方法的电子设备直接采集，也可以由其他电子设备采集后发送给执行上述液体介质泄露检测方法的电子设备。
为了解决由于待测区域图像的拍摄位置或拍摄角度不同所导致的液体介质泄露检测精度降低的问题，上述当前时刻的第一图像、历史时刻的第二图像可以通过固定位置和固定角度的相机拍摄。
当然，起始时刻的第三图像也可以采用与上述第一图像和第二图像的拍摄相机处于相同固定位置和固定角度的相机来进行拍摄。
以采用工业摄像机获取待测区域图像为例，在采集待测区域图像之前可以将工业摄像机安装在管道线上的适当位置，使得工业摄像机能够准确捕捉液体介质泄露区域，并根据实际情况调整工业摄像机的角度、焦距和位置，以获得较好的拍摄效果，在完成对工业摄像机的调整后，将工业摄像机的位置和角度固定。
在上述方案中，当前时刻的第一图像和历史报警时刻的第二图像为具有相同拍摄位置和相同拍摄角度的相机所拍摄的待测区域图像，一方面，通过固定第一图像和第二图像的拍摄位置和拍摄角度，有利于获取更高质量的待测区域图像，从而有利于后续步骤的液体介质泄露判断，提高液体介质泄露检测精度；另一方面，通过固定拍摄位置和拍摄角度，有利于使得同一块泄露液体区域在第一图像和第二图像中的液体区域面积具有较小偏差，从而降低由于待测区域图像拍摄位置和拍摄角度不同所导致的泄露检测误判率。
下面对步骤S130和步骤S160进行详细介绍：
步骤S130用于计算第一液体区域和第二液体区域的第一面积和第二面积，步骤S160用于计算第一液体区域的第一面积和第三液体区域的第三面积，可以理解的是上述第一面积、第二面积和第三面积可以通过区域内的像素点数量来表征，也可以通过区域内的像素面积来表征。
下面对步骤S140和步骤S170进行详细介绍：
作为上述液体介质泄露检测方法的一种可选实施方式，上述步骤S140根据第一面积和第二面积，确定待测区域在当前时刻是否发生液体介质泄露，包括：若第一面积大于第二面积，则确定待测区域在当前时刻发生液体介质泄露；或者，计算第一面积和第二面积的第一差值，若第一差值大于第一差值阈值，则确定待测区域在当前时刻发生液体介质泄露；其中，第一差值阈值包括预设差值阈值或者由第一面积和预设比例阈值所确定的差值阈值。
可以理解的是，上述步骤S140可以采用如下三种方式根据第一面积和第二面积确定待测区域在当前时刻是否发生液体介质泄露：
（1）直接比较第一面积与第二面积的大小，若第一面积大于第二面积，则说明当前时刻的第一图像中的液体区域面积要大于历史报警时刻的第二图像中液体区域的面积，即液体介质发生了泄露；
可以理解的是，若采用通过比较第一面积与第二面积大小的方式，则可以使得上述液体介质泄露检测方法拥有较高的泄露检测效率；
（2）计算第一面积与第二面积的第一差值，比较第一差值与第一差值阈值的大小，此时，第一差值阈值为预设的差值阈值，若第一差值大于第一差值阈值，则确定液体介质发生了泄露；
可以理解的是，由于在图像采集时，虽然采用了固定位置和固定角度的相机来采集待测区域图像，但由于温度、湿度等影响因素，针对同一待测区域中同一块液体区域的图像也可能存在微小误差，并且在采用图像分割模型对待测区域图像进行图像分割时，也会存在微小误差，当然在采用上述液体介质泄露检测方法的整个检测过程中还可能会有其他误差的存在，因此，为了对检测误差具有一定的容错，可以预设差值阈值，通过第一差值与预设差值阈值来判断待测区域在当前时刻是否发生液体介质泄露，从而提高上述液体介质泄露检测方法的检测精度；
（3）计算第一面积与第二面积的第一差值，比较第一差值与第一差值阈值的大小，此时，第一差值阈值为根据第一面积和预设比例阈值所确定的差值阈值，若第一差值大于第一差值阈值，则确定液体介质发生了泄露；
可以理解的是，由于在图像采集时，虽然可以采用固定位置和固定角度的相机来采集待测区域图像，但由于相机位置、相机角度以及相机焦距可能在使用过程中存在轻微变化，从而导致图像存在成比例的放大或缩小，为了减弱甚至消除此种拍摄误差所导致的检测精度降低的影响，可以预先设置比例阈值，通过第一面积与比例阈值的乘积确定差值阈值；
另外，在某些场景下液体介质在泄露后会在地面或者其他平面上进行一定程度的扩散，可以理解的是，若管道泄露处被修复，则泄露液体的体积一定，此时泄露液体所发生的扩散是具有一定规律的，并且可以通过实验确定一个临界比例值，然后通过这个临界比例值设置比例阈值从而可以判断液体区域的扩大是由于持续泄露所导致的还是由于液体自身扩散所导致的，从而降低由于液体自身扩散所导致的检测误判率；
可以理解的是，比例阈值可以设置两个，例如比例阈值和比例阈值/>，根据比例阈值/>与第一面积的乘积计算的差值阈值为/>，根据比例阈值/>与第一面积的乘积计算的差值阈值为/>，若第一差值小于/>，则确定待测区域在当前时刻未发生泄露，若第一差值大于/>且小于/>，则确定待测区域可能发生泄露液体扩散，若第一差值大于/>，则确定待测区域发生持续泄露，并进行液体介质泄露报警。
可以理解的是，比例阈值也可以仅设置一个，例如设置比例阈值，根据比例阈值与第一面积的乘积计算的差值阈值为/>，若第一差值大于/>，则确定待测区域发生持续泄露，并进行液体介质泄露报警。
上述方案在根据第一面积和第二面积确定待测区域是否发生液体介质泄露时，可以通过仅比较第一面积和第二面积大小的方式来进行液体介质泄露检测，还可以通过计算第一面积与第二面积的第一差值，并将第一差值与差值阈值进行比较的方式进行液体介质泄露检测，一方面使得上述液体介质泄露检测方法能够应用于更多的应用场景，提高了上述液体介质泄露检测方法的适用性；另一方面，通过设置预设差值阈值或者预设比例阈值，有利于提高上述液体介质检测方法的检测精度。
作为上述液体介质泄露检测方法的一种可选实施方式，上述步骤S170根据第一面积和第三面积，确定待测区域在当前时刻是否发生液体介质泄露，包括：若第一面积大于第三面积，则确定待测区域在当前时刻是否发生液体介质泄露；或者，计算第一面积和第三面积的第二差值，若第二差值大于第二差值阈值，则确定待测区域在当前时刻是否发生液体介质泄露；其中，第二差值阈值包括预设差值阈值或者由第三面积和预设比例阈值所确定的差值阈值。
步骤S170与步骤S140同理，针对步骤S170相关细节的描述请参见上述对步骤S170的详细描述。
上述方案在根据第一面积和第三面积确定待测区域是否发生液体介质泄露时，可以通过仅比较第一面积和第三面积大小的方式来进行液体介质泄露检测，还可以通过计算第一面积与第三面积的第二差值，并将第二差值与差值阈值进行比较的方式进行液体介质泄露检测，一方面使得上述液体介质泄露检测方法能够应用于更多的应用场景，提高了上述液体介质泄露检测方法的适用性；另一方面，通过设置预设差值阈值或者预设比例阈值，有利于提高上述液体介质检测方法的检测精度。
作为上述液体介质泄露检测方法的一种可选实施方式，所述方法还包括：若所述第一面积小于预设清除阈值，则清除所述历史报警时刻的所述液体介质泄漏报警。
上述方案采用预设清除阈值对满足预设清除阈值的历史报警时刻的液体介质泄露报警进行清除，大大降低由于对泄露液体进行清理后依然采用历史报警时刻报警信息进行泄露判断所导致的泄露检测误判率，有利于提高上述液体介质泄露检测方法的检测精度。
上述液体介质泄露检测方法是根据液体区域面积来判断待测区域是否发生液体介质泄露的。因此，可以理解的是，针对同一块泄露液体区域，若拍摄位置和拍摄角度不同，有可能会导致从图像中所计算出的同一块泄露液体的液体区域面积具有较大偏差，从而影响上述液体介质泄露检测方法的检测精度。
相关技术在采用神经网络对管道图像进行图像分割从而确定是否存在液体泄露区域时，需要对神经网络进行训练，但在对神经网络进行训练时由于真实数据匮乏，导致神经网络的训练效果不佳，从而导致液体介质泄露检测的检测精度较低。为了解决相关技术中由于真实数据匮乏所导致的液体介质泄露检测精度较低的问题，本申请实施例提供如下技术方案：
作为上述液体介质泄露检测方法的一种可选实施方式，步骤S110中的第一图像分割结果、步骤S120中的第二图像分割结果以及步骤S150中的第三图像分割结果均可以通过图像分割模型获取；
在步骤S110获取待测区域在当前时刻的第一图像，并对第一图像进行图像分割，获取第一图像对应的第一图像分割结果之前，上述液体介质泄露检测方法还包括：获取用于对所述图像分割模型进行训练的初始训练图像；采用生成对抗网络GAN对所述初始训练图像进行数据增广处理，获取增广训练图像；采用所述增广训练图像对所述图像分割模型进行训练，获取训练好的所述图像分割模型。
可以理解的是，在获取初始训练图像后，可以对初始训练图像进行例如图像归一化、对比度增强、去噪等预处理以提高初始训练图像的图像质量以及泄露区域的可见性。
另外，在获取增广训练图像后可以采用例如Labelme等标注工具对增广训练图像进行像素级标注，从而为图像分割模型提供带有标注的训练数据，通过使用带有标注的增广训练图像对图像分割模型进行训练，有利于提高图像分割模型的分割效果，从而提高上述液体介质泄露检测方法的检测精度。
可选地，如图2所示，采用生成对抗网络GAN对初始训练图像进行数据增广处理，获取增广训练图像，包括：
数据准备：收集和准备用于训练生成对抗网络GAN的真实图像集，真实图像集中应当包含带有泄露液体的液体区域的样本以及带有非泄露区域的样本；
构建生成器网络Generator：可以采用卷积神经网络CNN或其他深度学习架构构建生成器网络，生成器网络的输入为随机噪声或潜在向量，其中潜在向量为假数据的潜在表示，输出为合成的假图像；可以理解的是，生成器网络Generator应当能够将输入的随机噪声或潜在向量转换为逼真的假图像以供判别器Discriminator进行判别；
构建判别器网络Discriminator：可以采用卷积神经网络CNN或其他深度学习架构构建判别器网络，判别器网络的输入为真实图像和生成器网络所生成的假图像，输出为一个表述输入为真实图像或假图像的判别结果；
训练生成器网络和判别器网络：在训练过程中，生成器网络和判别器网络相互对抗地进行训练，其中，生成器网络生成假图像，而判别器网络试图准确地区分输入图像为真实图像还是假图像，通过反复迭代训练，生成器网络和判别器网络逐渐提高性能；
评估生成器网络性能：在训练完成后，评估生成器网络的性能，可以从生成器网络所生成的假图像与真实图像进行比较，评估其逼真程度和质量；可采用峰值信噪比定量评估假图像的逼真程度，计算方法如下：
其中，表示像素值的最大可能值，例如255；/>表示真实图像与假图像之间的像素值均方误差；
采用生成器网络生成图像：使用训练完的生成器网络，生成大量的合成图像，这些合成图像可以与真实图像集进行组合，从而对初始训练图像进行数据增广处理，获取增广训练图像。
可以理解的是，上述图像分割模型可以采用DeepLabv3+、Mask R-CNN、PANet、EfficienNet+BiFPN等模型进行图像分割。
上述方案采用生成对抗网络对初始训练图像进行数据增广处理，从而采用增广训练图像对图像分割模型进行训练，一方面，图像分割模型能够更好地学习泄露液体的液体区域的特征和上下文信息，从而生成更多样的液体泄露场景，从而使得上述液体介质泄露检测方法能够适用于更多的应用场景，有利于提高上述液体介质泄露检测方法的适用性；另一方面，采用增广训练图像对图像分割模型进行训练，能够使得图像分割模型提高分割效果，有利于进一步提高上述液体介质泄露检测方法的检测精度。
作为上述液体介质泄露检测方法的一种可选实施方式，上述图像分割模型可以采用U-Net++模型。
U-Net++模型的处理流程请参见图3，下面分别对U-Net++模型相关内容进行详细介绍：
（1）模型输入：为待分割的图像；
（2）编码器部分：U-Net++模型的编码器部分负责逐步提取液体介质泄露的高级语义特征，编码器部分由多个编码器块组成，每个编码器块包含卷积层、激活函数和池化层，通过多次下采样操作，图像的空间分辨率逐渐降低，同时提取更抽象的液体介质泄露特征；
（3）特征融合部分：在 U-Net++模型中，经过一个稠密卷积块，每个编码器块的特征图都与相应的解码器块的特征图进行融合；这样的特征融合操作通过跳跃连接实现，例如：请参见图4，节点和节点/>之间的跳跃路径是由一个有3层卷积的稠密卷积块，每一层卷积都领先于一个连接层，这个连接层结合将相同稠密块的前一个卷积层的输出与相应的上采样低稠密块的输出进行融合，将底层和高层特征进行拼接，以获得更全面的语义信息；
从公式上表示跳跃路径如下：
其中，表示节点/>的输出，/>表示沿着编码方向的下采样层，/>表示跳跃路径方向上稠密块的卷积层；函数/>是一个卷积操作，且紧跟着一个激活函数/>表示一个上采样层；/>表示连接层；
级别的节点从编码的先前的层只接收一个输入；级别/>的节点接收两个输入，这两个输入都来自编码子网络且是两个连续的层；级别/>的节点接收/>个输入，输入/>是先前节点/>的输出在相同的跳跃路径，而最后一个输入是从更低的跳跃路径的上采样的输出；所有先前的特征图积累并达到正确节点是因为沿着每一个跳跃路径上利用一个稠密卷积块。
（4）解码器部分：U-Net++模型的解码器部分负责逐步恢复图像的空间分辨率，并将低级和高级特征进行融合；解码器部分与编码器部分对称，通过反卷积层和上采样操作逐渐恢复图像的细节和边缘信息；
（5）分割输出：U-Net++模型的最后一层是分割输出层，它将解码器的输出进行逐像素分类，生成与输入图像大小相同的分割结果；分割输出可以是二值图像，其中每个像素被标记为属于目标类别或背景类别；也可以是多通道的概率图，其中每个通道表示不同类别的概率分布；
（6）后处理：对分割输出进行后处理操作，以去除噪声、填充空洞，平滑边缘等，后处理操作可以包括二值化、连通域分析、形态学操作等；
（7）模型输出：经过后处理后，U-Net++模型输出的结果是经过分割和后处理的图像，其中泄露液体的液体区域和背景区域已经被明确标记。
上述方案采用U-Net++模型进行图像分割，通过引入更深的层次结构和多层次的特征融合结构，使得图像分割模型能够更好地捕捉图像中的细节信息，相较于传统的图像分割模型，上述方案具有更高的分割准确率以及更好的细节保留能力，有利于提高上述液体介质泄露检测方法的泄露检测精度。
请参见图5，基于同一发明构思，本申请实施例中还提供一种液体介质泄露检测装置200，该装置包括：
第一图像分割结果获取模块210，用于获取待测区域在当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果；其中，所述第一图像分割结果包括第一液体区域，所述第一液体区域表征所述第一图像中泄露液体所在区域；
第二图像分割结果获取模块220，用于当所述待测区域在历史时刻存在液体介质泄漏报警时，获取所述待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，所述第二图像分割结果包括第二液体区域，所述第二液体区域表征所述第二图像中泄露液体所在区域；
第一面积计算模块230，用于计算所述第一液体区域的第一面积；
第二面积计算模块240，用于所述第二液体区域面积的第二面积；
第一泄露判断模块250，用于根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
作为上述液体介质泄露检测装置的一种可选实施方式，第一泄露判断模块250用于：当所述第一面积大于所述第二面积时，确定所述待测区域在所述当前时刻发生液体介质泄露；
或者，计算所述第一面积和所述第二面积的第一差值，若所述第一差值大于第一差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第一差值阈值包括预设差值阈值或者由所述第一面积和预设比例阈值所确定的差值阈值。
请参见图5，作为上述液体介质泄露检测装置的一种可选实施方式，液体介质泄露检测装置200还包括：
第三图像分割结果获取模块260，用于当所述待测区域在历史时刻未存在液体介质泄露报警时，获取所述待测区域在检测过程中起始时刻的第三图像对应的第三图像分割结果；其中，所述第三图像分割结果包括第三液体区域，所述第三液体区域表征所述第三图像中泄露液体所在区域；
第三面积计算模块270，用于计算所述第三液体区域的第三面积；
第二泄露判断模块280，根据所述第一面积和所述第三面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
作为上述液体介质泄露检测装置的一种可选实施方式，第二泄露判断模块280用于：若所述第一面积大于所述第三面积，则确定所述待测区域在所述当前时刻发生液体介质泄露；或者，计算所述第一面积和所述第三面积的第二差值，若所述第二差值大于第二差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第二差值阈值包括预设差值阈值或者由所述第三面积和预设比例阈值所确定的差值阈值。
作为上述液体介质泄露检测装置的一种可选实施方式，第一图像分割结果获取模块210所获取的所述第一图像以及第三图像分割结果获取模块260所获取的所述第三图像为通过固定位置和固定角度的相机所拍摄的待测区域图像。
作为上述液体介质泄露检测装置的一种可选实施方式，第一图像分割结果获取模块210和第三图像分割结果获取模块260分别通过训练好的图像分割模型获取第一图像分割结果和第三图像分割结果；
上述液体介质泄露检测装置200还包括：
初始训练图像获取模块，用于获取用于对所述图像分割模型进行训练的初始训练图像；
增广训练图像获取模块，用于采用生成对抗网络GAN对所述初始训练图像进行数据增广处理，获取增广训练图像；
图像分割模型训练模块，用于采用所述增广训练图像对所述图像分割模型进行训练，获取训练好的所述图像分割模型。
作为上述液体介质泄露检测装置的一种可选实施方式，图像分割模型为U-Net++模型。
图6为本申请实施例提供的一种电子设备的示意图。参照图6，电子设备300包括：处理器310、存储器320以及通信接口330，这些组件通过通信总线340和/或其他形式的连接机构（未示出）互连并相互通讯。
其中，存储器320包括一个或多个（图中仅示出一个），其可以是，但不限于，随机存取存储器（RandomAccessMemory，简称RAM），只读存储器（Read Only Memory，简称ROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），电可擦除可编程只读存储器（Electric Erasable Programmable Read-Only Memory，简称EEPROM）等。处理器310以及其他可能的组件可对存储器320进行访问，读和/或写其中的数据。
处理器310包括一个或多个（图中仅示出一个），其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器310可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、微控制单元（Micro Controller Unit，简称MCU）、网络处理器(NetworkProcessor，简称NP)或者其他常规处理器；还可以是专用处理器，包括数字信号处理器(DigitalSignalProcessor,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuits，简称ASIC)、现场可编程门阵列(Field ProgrammableGate Array，简称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。
通信接口330包括一个或多个（图中仅示出一个），可以用于和其他设备进行直接或间接地通信，以便进行数据的交互。例如，通信接口330可以是以太网接口；可以是移动通信网络接口，例如3G、4G、5G网络的接口；还是可以是具有数据收发功能的其他类型的接口。
在存储器320中可以存储一个或多个计算机程序指令，处理器310可以读取并运行这些计算机程序指令，以实现本申请实施例提供的液体介质泄露检测方法以及其他期望的功能。
可以理解，图6所示的结构仅为示意，电子设备300还可以包括比图6中所示更多或者更少的组件，或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。例如，电子设备300可以是单台服务器（或其他具有运算处理能力的设备）、多台服务器的组合、大量服务器的集群等，并且，既可以是物理设备也可以是虚拟设备。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被计算机的处理器读取并运行时，执行本申请实施例提供的液体介质泄露检测方法。例如，计算机可读存储介质可以实现为图6中电子设备300中的存储器320。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种液体介质泄露检测方法，其特征在于，所述方法包括：
获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果；其中，所述第一图像分割结果包括第一液体区域，所述第一液体区域表征所述第一图像中泄露液体所在区域；
当所述待测区域在历史时刻存在液体介质泄漏报警时，获取所述待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，所述第二图像分割结果包括第二液体区域，所述第二液体区域表征所述第二图像中泄露液体所在区域；
计算所述第一液体区域的第一面积以及所述第二液体区域面积的第二面积；
根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
2.根据权利要求1所述的液体介质泄露检测方法，其特征在于，所述根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露，包括：
若所述第一面积大于所述第二面积，则确定所述待测区域在所述当前时刻发生液体介质泄露；
或者，计算所述第一面积和所述第二面积的第一差值，若所述第一差值大于第一差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第一差值阈值包括预设差值阈值或者由所述第一面积和预设比例阈值所确定的差值阈值。
3.根据权利要求2所述的液体介质泄露检测方法，其特征在于，所述方法还包括：
若所述第一面积小于预设清除阈值，则清除所述历史报警时刻的所述液体介质泄漏报警。
4.根据权利要求1所述的液体介质泄露检测方法，其特征在于，在所述获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果之后，所述方法还包括：
当所述待测区域在历史时刻未存在液体介质泄露报警时，获取所述待测区域在检测过程中起始时刻的第三图像对应的第三图像分割结果；其中，所述第三图像分割结果包括第三液体区域，所述第三液体区域表征所述第三图像中泄露液体所在区域；
计算所述第一液体区域的第一面积以及所述第三液体区域的第三面积；
根据所述第一面积和所述第三面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
5.根据权利要求4所述的液体介质泄露检测方法，其特征在于，所述根据所述第一面积和所述第三面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露，包括：
若所述第一面积大于所述第三面积，则确定所述待测区域在所述当前时刻发生液体介质泄露；
或者，计算所述第一面积和所述第三面积的第二差值，若所述第二差值大于第二差值阈值，则确定所述待测区域在所述当前时刻发生液体介质泄露；其中，所述第二差值阈值包括预设差值阈值或者由所述第三面积和预设比例阈值所确定的差值阈值。
6.根据权利要求1所述的液体介质泄露检测方法，其特征在于，所述第一图像和所述第二图像为通过固定位置和固定角度的相机所拍摄的待测区域图像。
7.根据权利要求4所述的液体介质泄露检测方法，其特征在于，所述第一图像分割结果和所述第三图像分割结果通过训练好的图像分割模型获取；
在所述获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果之前，所述方法还包括：
获取用于对所述图像分割模型进行训练的初始训练图像；
采用生成对抗网络GAN对所述初始训练图像进行数据增广处理，获取增广训练图像；
采用所述增广训练图像对所述图像分割模型进行训练，获取训练好的所述图像分割模型。
8.一种液体介质泄露检测装置，其特征在于，所述装置包括：
第一图像分割结果获取模块，用于获取待测区域在检测过程中当前时刻的第一图像，并对所述第一图像进行图像分割，获取所述第一图像对应的第一图像分割结果；其中，所述第一图像分割结果包括第一液体区域，所述第一液体区域表征所述第一图像中泄露液体所在区域；
第二图像分割结果获取模块，用于当所述待测区域在历史时刻存在液体介质泄漏报警时，获取所述待测区域在历史报警时刻的第二图像对应的第二图像分割结果；其中，所述第二图像分割结果包括第二液体区域，所述第二液体区域表征所述第二图像中泄露液体所在区域；
第一面积计算模块，用于计算所述第一液体区域的第一面积；
第二面积计算模块，用于所述第二液体区域面积的第二面积；
第一泄露判断模块，用于根据所述第一面积和所述第二面积，确定所述待测区域在所述当前时刻是否发生液体介质泄露。
9.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，其中，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1~7中任一项所述的方法。
10.一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存储计算机指令，所述计算机指令被计算机运行时，使所述计算机执行如权利要求1~7中任一项所述的方法。
CN202310994179.6A 2023-08-09 2023-08-09 一种液体介质泄露检测方法、装置、电子设备及存储介质 Active CN116721145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310994179.6A CN116721145B (zh) 2023-08-09 2023-08-09 一种液体介质泄露检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310994179.6A CN116721145B (zh) 2023-08-09 2023-08-09 一种液体介质泄露检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116721145A CN116721145A (zh) 2023-09-08
CN116721145B true CN116721145B (zh) 2023-10-31

Family

ID=87873768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310994179.6A Active CN116721145B (zh) 2023-08-09 2023-08-09 一种液体介质泄露检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116721145B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117542171B (zh) * 2023-12-13 2024-04-30 中铁三局集团广东建设工程有限公司 一种用于泥浆泄露报警的数据处理方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018228551A1 (zh) * 2017-06-15 2018-12-20 成都中信华瑞科技有限公司 双层储备罐及其漏点检测系统
CN111402186A (zh) * 2018-12-14 2020-07-10 奥迪股份公司 液体泄漏检测方法、系统、计算机设备和存储介质
CN112964437A (zh) * 2021-03-11 2021-06-15 华能东莞燃机热电有限责任公司 一种油液微漏识别方法
CN114283419A (zh) * 2021-12-27 2022-04-05 科大讯飞股份有限公司 文本图像区域检测方法、相关设备及可读存储介质
CN115147403A (zh) * 2021-08-03 2022-10-04 嘉洋智慧安全生产科技发展（北京）有限公司 液体污染物的检测方法、装置、电子设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8989632B2 (en) * 2012-04-04 2015-03-24 Lexmark International, Inc. Toner anti-bridging agitator for an image forming device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018228551A1 (zh) * 2017-06-15 2018-12-20 成都中信华瑞科技有限公司 双层储备罐及其漏点检测系统
CN111402186A (zh) * 2018-12-14 2020-07-10 奥迪股份公司 液体泄漏检测方法、系统、计算机设备和存储介质
CN112964437A (zh) * 2021-03-11 2021-06-15 华能东莞燃机热电有限责任公司 一种油液微漏识别方法
CN115147403A (zh) * 2021-08-03 2022-10-04 嘉洋智慧安全生产科技发展（北京）有限公司 液体污染物的检测方法、装置、电子设备及介质
CN114283419A (zh) * 2021-12-27 2022-04-05 科大讯飞股份有限公司 文本图像区域检测方法、相关设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep learning-based classification and instance segmentation of leakage-area and scaling images of shield tunnel linings;Shuai Zhao.et.;《Structural Control Health Monitoring》;第28卷(第6期);第e2732页 *
基于综合模糊聚类算法的液体火箭发动机故障诊断;董周杰等;《航空动力学报》;第35卷(第6期);第1326-1334页 *

Also Published As

Publication number Publication date
CN116721145A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN113468967B (zh) 基于注意力机制的车道线检测方法、装置、设备及介质
CN113421305B (zh) 目标检测方法、装置、系统、电子设备及存储介质
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN116721145B (zh) 一种液体介质泄露检测方法、装置、电子设备及存储介质
Shen et al. Deep learning‐based object identification with instance segmentation and pseudo‐LiDAR point cloud for work zone safety
CN115797336A (zh) 光伏组件的故障检测方法、装置、电子设备和存储介质
CN115587987A (zh) 一种蓄电池缺陷检测方法、装置、存储介质及电子设备
CN114037834B (zh) 一种基于振动信号和rgb图像融合的语义分割方法及装置
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
CN110827263A (zh) 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法
CN114359149A (zh) 基于实时图像边缘增强的坝岸险情视频检测方法及系统
CN116630866B (zh) 音视频雷达融合的异常事件监控方法、装置、设备及介质
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
CN111767826A (zh) 一种定时定点场景异常检测方法
Choi et al. Deep‐learning‐based nuclear power plant fault detection using remote light‐emitting diode array data transmission
CN113810665A (zh) 视频处理方法、装置、设备、存储介质及产品
CN114494931A (zh) 一种针对视频图像故障的智能分类处理方法和系统
CN113239931A (zh) 一种物流站车牌识别的方法
CN112418226A (zh) 一种鱼眼分合闸状态识别的方法及装置
CN112037262A (zh) 一种目标跟踪方法、装置及电子设备
CN117115145B (zh) 检测方法及装置、电子设备、计算机可读介质
KR102619578B1 (ko) 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법
CN116630367B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN116721339B (zh) 一种输电线路的检测方法、装置、设备和存储介质
CN114648736B (zh) 基于目标检测的鲁棒工程车辆识别方法及系统

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