[发明专利]基于卷积神经的跑冒滴漏图像识别方法

说明书

本发明涉及计算机技术领域，具体涉及一种基于卷积神经的跑冒滴漏图像识别方法，该方法通过摄像设备对监控现场进行视频素材收集；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；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；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。该方法能够做到自动识别液体、气体跑冒滴漏情况并告警，在视频采集现场光线充足、照射角度合理、摄像设备像素充足的前提下，其检测结果的准确性和实时性都很高。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种基于卷积神经的跑冒滴漏图像识别方法。

背景技术

跑(跑气)、冒（冒水）、滴（滴液）、漏(漏液)是现代安全文明生产的大敌，在长期连续生产过程中，由于受振动、应力、变形、冲击、冲刷、腐蚀、温度、压力、环境、季节以及人为因素、材料自身缺陷等众多因素的影响，常常会造成各种形式的密封失效，进而产生介质泄漏。这些泄漏如果不能及时治理，在介质的冲刷下会使泄漏迅速扩大，造成物料的损失、生产环境的破坏，如果是有毒有害、易燃易爆的介质泄漏，还有可能造成人员中毒、火灾爆炸等重大事故。因此，如何能在不影响生产的情况下，快速治理泄漏，一直是企业设备管理人员所关注的问题。

在现有技术中，通过摄像设备对监控现场进行视频素材收集，并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，即选中图片中的跑冒滴漏区域再通过训练卷积神经网络和回归模型来对跑冒滴漏的事件进行实时监测，从而对管理人员进行实时预警。其中，传统选中图片的跑冒滴漏区域的方法为将输入图像与背景模型进行比较，通过判定灰度等特征的变化，或用直方图等统计信息的变化来判断异常情况的发生和分割运动目标，但是该方案只能大致框出目标位置，却无法输出目标类别。在Viola等人提出Adaboost级联检测方法后，目标检测快速进入了机器学习的时代，即滑动窗口的框架将其作为候选区域，然后提取候选区域相关的视觉特征，最后利用分类器进行识别。然而该方法无法达到人眼的精度，主要存在问题是手工设计的特征对于多样性的变化并没有很好的鲁棒性。而在跑冒滴漏实际场景中，高压气体、液体泄漏时，其喷射的方向、大小均是随机的，对应的待检测跑冒滴漏目标在图像中是动态变化的。上述所涉及到的目标检测方法往往不能适应这种动态变化，从而导致边界框检测不准确，边界框中往往存在不属于待检测跑冒滴漏目标的区域，从而造成待检测跑冒滴漏目标的检测精度的降低。

此外，虽然目前的区域卷积神经网络具有很高的检测精度，但在实际实施过程中需要根据加载预训练卷积网络的实际检测效果对其进行更新配置，导致检测速度不能满足实时性的要求。

发明内容

针对现有技术通过训练卷积神经网络和回归模型检测跑冒滴漏事件准确性和配置速度都较低的问题，本发明提出一种基于卷积神经的跑冒滴漏图像识别方法。

本发明的基于卷积神经的跑冒滴漏图像识别方法，其实现步骤为：

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。