[发明专利]基于卷积神经的跑冒滴漏图像识别方法

权利要求书

1.基于卷积神经的跑冒滴漏图像识别方法，其特征在于该方法实现步骤为：

S01，通过摄像设备对监控现场进行视频素材收集；

S02，对视频素材进行分解以获得多个图片素材，通过线上标注工具对图片素材进行标注，应用运动目标跟踪算法，根据运动目标和表达和相似性度量标注跑冒滴漏目标的区域；

S03，训练获得AI模型，并布局于监控设备当中，由布局有所述AI模型的监控设备对现场采集的视频素材进行分解和识别；

S04，当存在跑冒滴漏事件时，对分解获得的图片素材进行标注，并进行告警和事件联动；

进一步的，S01中所述的摄像设备采集的视频素材使用UDP协议直接传输，视频素材采用预分片的机制，对超过特定阈值大小的视频数据包进行主动分片，分片大小不超过阈值，将阈值设定为600字节；所述视频数据包采用H.264的数据结构，在操作系统中由H.264的数据提取出来转化成AVI文件。

2.如权利要求1所述的基于卷积神经的跑冒滴漏图像识别方法，其特征在于S02中所述的对图片素材中的液体、气体跑冒滴漏区域进行定义，利用目标跟踪算法对图片素材进行区别归类，即划分为无液体、气体跑冒滴漏的正常状态和存在液体、气体跑冒滴漏的非正常状态；目标跟踪算法采取和特征相关的算法，跟踪的特征包括颜色、形状和位置特征。

3.如权利要求1所述的基于卷积神经的跑冒滴漏图像识别方法，其特征在于S03中所述的训练获得AI模型，将特征值样本数据输入神经网络模型，得到神经网络输出；根据所述神经网络输出及预先指定的标签数据，计算所述神经网络模型的调整数据；将所述调整数据发送至所述参数服务器；接收所述参数服务器反馈的按照预设叠加方式对各训练设备的调整数据叠加得到的叠加数据；基于所述叠加数据，更新所述神经网络模型的网络参数。

4.S04中所述的事件联动具有多种配置模板，也可自定义事件联动规则，首先选择事件发生的条件，包括指定时间、指定区域和指定时间类型，其次选择事件联动动作，包括客户端弹窗、指定监控点视频上电视墙、指定监控点录像、指定抓图、告警短信发送和告警邮件发送。