[发明专利]基于Selective Search和LeNet-5的液体泄漏检测方法

说明书

本发明涉及一种基于Selective Search和LeNet‑5的液体泄漏检测方法，包括下列步骤：从供暖站点的监控系统中截取管道状态的监控视频，包括存在管道的液体泄漏和其他干扰物体的图片；对采集视频的每张图片通过算法Selective Search从供暖管道所在的静态场景中提取出疑似泄漏液体的候选区域，包括泄漏的液体和其他干扰物体两种图片；将候选区域的数据集划分训练数据集和测试数据集；设置网络模型LeNet‑5的参数；对VGG‑16模型进行训练，并进行超参数的调整。

技术领域

本发明涉及一种液体泄漏检测方法，属于Selective Search、LeNet-5技术和光学泄漏检测领域的融合。

背景技术

管道泄漏直接导致环境污染和能源浪费，甚至发生安全事故，造成重大的经济损失，因此管道的泄漏检测和维修是管道工程中的一个重要环节。多年来国内外很多的研究人员一直在从事管道泄漏诊断的工作，研究出了各种检测方法。从原理上来看，管道泄漏检测方法可以分为硬件法和软件法两大类。硬件法有光纤温度传感器检漏、声学测量法等。光纤温度传感器检漏是通过对管道周围环境的温度检测进而判断管道的运行状态以及泄漏情况。然而光纤温度传感器检测误检率高、局限性大、且需要定期维护。声学检测法是当管道发生泄漏时，通过对管道壁产生的高频震动噪声进行分析，判断是否发生泄漏。该方法易受噪声和环境干扰，造成误判。软件法有测量流速和压力变化、瞬态流模拟法等。测量流速和压力变化的方法是通过观察管道输入端和输出端的流速或压力值的变化来判断是否泄漏。该方法只能检测出较大的泄漏，且仅适用于近似静止状态的、压力较低的流体泄漏检测。瞬态流模拟法需要建立管道的实时数学模型，模型考虑多种变量来预测管道的状态，当实际的测量值与模型的计算值的差异超过了阈值，说明有泄漏存在。该方法虽可确定泄漏发生的时间及泄漏量的大小，但建模及计算的工作量都相当大，且维护费用较高。随着深度学习的发展，基于图像的检测方法因其检测范围大、速度快、精度高、抗干扰能力强等特点而成为主流。

发明内容

本发明的目的是提供一种效率高、鲁棒性强，且具有泛化能力的新的基于Selective Search和LeNet-5的非接触式液体泄漏检测方法。本发明使用的是存在管道液体泄漏和其他干扰物体的图像数据，采用区域识别的方案，使用Selective Search算法在每张图片中提取疑似液体泄漏的候选区域(泄漏的液体和其他干扰物体)，对每个候选区域通过网络LeNet-5的特征提取层提取相应的特征，经过LeNet-5的分类层进行泄漏的液体和其他干扰物体的二分类，最终实现对管道泄漏液体的检测。技术方案如下：

一种基于Selective Search和LeNet-5的液体泄漏检测方法，包括下列步骤：

第一步，从供暖站点的监控系统中截取管道状态的监控视频，包括存在管道的液体泄漏和其他干扰物体的图片。

第二步，对采集视频的每张图片通过算法Selective Search从供暖管道所在的静态场景中提取出疑似泄漏液体的候选区域，包括泄漏的液体和其他干扰物体两种图片；

第三步，将Selective Search算法检测的结果作为待二分类的候选区域的数据集；

第四步，将候选区域的数据集划分训练数据集和测试数据集；

第五步，设置网络模型LeNet-5的参数；

LeNet-5共有7层，包括3个卷积层、两个池化层、两个全连接层；7层网络模型结构分别为卷积层、池化层、卷积层、池化层、卷积层、全连接层、全连接层；前五层的卷积层和池化层进行泄漏液体或其他干扰物体区域的局部特征提取，后两层的全连接层将局部特征整合为全局特征，提取泄漏液体或其他干扰物体区域更加丰富的全局特征；经过第七层全连接层后还有一个输出层，即分类层，输出设置为2，即泄漏的液体和其他干扰物体的二分类；

第六步，对VGG-16模型进行训练，并进行超参数的调整；