[发明专利]基于高斯混合模型和卷积神经网络的液体泄漏检测方法

权利要求书

1.一种基于高斯混合模型和卷积神经网络的液体泄漏检测方法，包括下列步骤：

第一步，采集供暖站点供暖管道液体泄漏状态的监控视频数据，包括存在液体泄漏的异常状态和无液体泄漏的正常状态；

第二步，利用管道液体泄漏时的流动特征，采用高斯混合模型对供暖管道所在静态场景进行背景建模，检测出运动的泄漏的液体和存在其他运动的干扰物体，方法如下：

1)使用多个高斯模型来表征供暖管道所存在静态背景中各个像素点的特征，获得新一帧图像后更新原来已经建立的混合高斯模型，并且用当前图像中的每个像素点与已经建立的像素点的各个混合高斯模型匹配，如果匹配成功则判定该点为管道所在场景的静态背景点，否则为动态前景点；

2)对供暖管道所在场景进行动态前景检测后，分离出运动前景和静态背景，其中，分离出来的背景是供暖管道所在的静态场景，分离出的运动前景是泄漏的液体和其他运动的干扰物体；

第三步，将分离出来的运动前景即泄漏的液体和其他运动的干扰物体形成待二分类的候选区域数据集；

第四步，对二分类的候选区域数据集划分训练数据集和测试数据集；

第五步，构建基于卷积神经网络的二分类模型并进行模型训练，模型架构包括2个卷积层、2个池化层和3个全连接层，以下是所构建模型的架构；

1)卷积层：第一层和第三层是卷积层，输入图像和卷积核进行卷积操作，对泄漏的液体和干扰图片中的每一个特征局部感知，提取出液体和干扰物体的特征；

2)池化层：第二层和第四层是池化层，主要用于将泄漏的液体和干扰物体特征进行降维，同时减小参数的数量，压缩数据，减小过拟合，采用平均值池化的方式，池化窗口大小2，步长为2；

3)非线性激活层：卷积层和池化层提取泄漏的液体和干扰物体的线性特征，为提取更多的非线性特征，在卷积层和池化层后使用非线性激活层，使卷积神经网络表达能力更强，为了避免了训练过程中梯度爆炸和梯度消失问题，每个卷积层后使用ReLU作为激励函数，同时迭代速度变快；为了进一步压缩泄漏液体和干扰图像的数据，每个池化层后使用Sigmoid函数作为激励函数；

4)全连接层：更高层次的全连接层对卷积层得到的泄漏的液体和干扰物体的局部特征进行综合操作，从而得到泄漏的液体和干扰物体的全局特征；全连接层后通过softmax函数得到最终的输出，最后的2个输出单元为二分类，即管道无液体泄漏的正常状态和管道液体泄漏的异常状态；

5)该模块使用10折交叉验证方式训练模型；

第六步，模型训练及超参数的调整；

1)选取交叉熵函数作为损失函数，使用优化算法Adam和反向传播调整模型结构和超参数，继续进行训练；

2)绘制出模型的验证集准确率和损失函数曲线；

第七步，模型测试及保存；

1)使用测试集测试模型的分类准确率；

2)保存准确率最高的模型，将其作为液体泄漏检测系统的最终模型。