一种监控装置泄露的智能预警系统制造方法及图纸

技术编号:21894693 阅读:24 留言:0更新日期:2019-08-17 15:36
本发明专利技术提供了一种监控装置泄露的智能预警系统,实现了夜间以及恶劣天气情况下,装置发生液体泄露后系统自动识别并发出报警信息的快速预警处理。其包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块,视频图像增强模块通过采用基于闭运算的自适应增强算法、模糊C均值算法和Retinex算法分别处理夜间、雨天和雾霾天气情况下的视频图像;数据标注模块将液体泄露状态分为渗透、滴漏和喷射三类;模型构建模块构建五层的深度神经网络模型,采取有监督训练获取特征参数,通过数据验证模块验证并优化深度神经网络。该系统还具有反应及时,智能化程度高等优点。

An Intelligent Early Warning System for Monitoring Device Leakage

【技术实现步骤摘要】
一种监控装置泄露的智能预警系统
本专利技术涉及一种智能视频监控系统,尤其是涉及一种基于深度学习神经网络模型的监控装置泄露的智能预警系统。
技术介绍
石油化工装置存在大量生产、储存和运输过程中易燃、易爆或易腐蚀液体的输送管道、塔、罐等设备,这些设备在使用过程中容易发生泄漏,进而可能火灾爆炸,给企业带来损失。根据相关标准,各企业在现场设置了一定数量的监控设备,但针对海量的视频数据,管控平台的工作人员注意力难以长时间保持高度集中,人工搜索效率低,受到现场光线强弱、雨雪天气以及雾霾的影响从而影响工作人员对监控视频的判断,这极大的影响了利用视频监控现场装置泄漏的进行预警的准确度。目前,针对装置泄漏监测的技术有很多,如CN103596824B《夜压产生装置以及液压制动系统》、TW200820940A《在减压传递系统之覆盖处用于定位液体泄漏之系统及方法》等。这些监测技术大多采用传感电路、超声波等技术,随着视频监控系统的发展,人工智能视频化技术具有广阔的应用前景。如何实现对现场进行24小时不间断的监控,以及快速准确识别现场装置泄漏点,特别是涉及现场光线昏暗(夜晚、阴天或光线昏暗)、雨天、雾霾的泄漏点,及时对现场的警情进行提示或报警,避免事故扩大化;同时可提取现场事故发生的视频,对分析事故发生的原因有很大的作用。
技术实现思路
为解决不间断实时监控并准确识别装置泄露情况,尤其是在光线昏暗、雨天和雾霾情况下的泄露情况,本专利技术提供了一种监控装置泄露的智能预警系统及监控装置泄露的智能预警方法,具体技术方案为:一种监控装置泄露的智能预警系统,包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块;所述视频采集模块将输入的装置现场监控视频转化为图片或视频帧;所述视频图像增强模块处理光线昏暗、雨雪天气和雾霾天气情况下的视频图像;所述数据标注模块根据液体泄漏的图片或视频帧,采用图像标注工具,将渗透、滴漏和喷射三种液体泄露状态分别用边界框在图像中标注;所述模型构建模块构建五层的深度神经网络模型;所述模型学习模块采取有监督训练获取液体泄露状态的特征参数;所述数据验证模块利用输入的液体泄露验深度神经网络模型的识别能力,并优化深度神经网络结构;所述泄漏预警模块利用训练成功的液体泄露验深度神经网络模型诊断泄露状态,并通过视频管控平台发布管控命令。优选的是,视频图像增强模块具体是,通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到增强视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到增强视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到增强视频图像。还优选的是,基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,处理得到增强视频图像的表达式为处理方法具体包括以下步骤:步骤一:对光线昏暗情况下的视频图像进行低通滤波处理,得到包含轮廓信息的低频图像A(x,y);步骤二:获取包含视频图像细节的高频信息,具体是用原始图像F(x,y)减去低频图像A(x,y),即F(x,y)-A(x,y);步骤三:增强对比度,具体是通过将高频图像乘以增强因子a,即步骤四:条件图像亮度,具体是加上一个调节图像亮度的因子b。还优选的是,所述模糊C均值算法处理雨雪天气情况下的视频图像包括以下步骤:步骤一:视频图像由多个像素点构成,设像素点为I(x,y),设图像中的光强度序列I(t)=I(1),I(2),…,I(k),其中t=1,2,…,k;步骤二:设置背景类和雨滴类两个类别,通过亮度比较,将背景类平均亮度设定为Bcenter;将雨滴类平均亮度设定为Rcenter;步骤三:初始化隶属度矩阵U,使U满足隶属度的和总为1;步骤四:计算背景类和雨滴类两类像素点的平均亮度,具体为Bcenter=Min(I),Rcenter=Max(I);步骤五:计算各个像素点I(t)与背景类和雨滴类两个类别平均亮度的绝对值,设JB=|I(t)-Bcenter|,JR=|I(t)-Rcenter|,进行对比,如果JB≤JR,把像素点I(t)归纳到背景类,如果JB≥JR,把像素点I(t)归纳到雨滴类;步骤六:计算如果J的值小于设定的阙值,则分类结束;如果J的值不小于设定的阙值,则计算新的矩阵U,从步骤三开始计算;步骤七:完成分类,将背景类和雨滴类亮度分别进行算术平均,计算出背景类和雨滴类两个类别的中心亮度Center。进一步优选的是,所述模糊C均值算法处理雨雪天气情况下的视频图像过程中将背景亮度估算出的像素设为C,背景类中数目占总数目k的百分比设定为α,设定C=αBcenter+(1-α)Rcenter。还优选的是,所述Retinex算法处理雾霾天气情况下的视频图像包括以下步骤:步骤一:大气光强估计,将视频图像各像素点的亮度值按照递减顺序进行排序,选择亮度值到达前0.1%的最亮点的位置,与原视频图像进行对照,选择其中最大的值作为大气光强的值;步骤二:求传递图,计算估计获得照射分量,并将视频图像转换为灰度图像,得到传递图t(x);步骤三:求解方程,利用大气去雾模型求解得到去雾视频图像。优选的是,所述模型构建模块构建的五层深度神经网络模型具体是,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机,输入数据为通过所述视频采集模块转化的图片或视频帧,输出数据为装置泄露位置和液体泄露状态。还优选的是,所述模型学习模块获取液体泄露状态的特征参数包括颜色布局描述特征、颜色结构描述特征、纹理描述特征、边缘直方图描述特征和光谱反射率特征。进一步优选的是,所述泄漏预警模块诊断泄露状态为渗透时,视频管控平台显示为一般风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;所述泄漏预警模块诊断泄露状态为滴漏时,视频管控平台显示为中等风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人;所述泄漏预警模块诊断泄露状态为喷射时,视频管控平台显示为重大风险,平台报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人和主管。另外优选的是,所述的监控装置泄露的智能预警系统的预警方法具体为:步骤一:采集视频,视频采集模块将装置现场监控拍摄的视频转化为图片或视频帧;步骤二:清晰化处理视频图像,视频图像增强模块通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到清晰化的视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到清晰化的视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到清晰化的视频图像;步骤三:视频图像标注,采用图像标注工具对得到的清晰化的视频图像用边界框进行标注,将渗透、滴漏和喷射三种液体泄露状态标注在边界框内;步骤四:视频图像划分,将步骤三获得的视频图像划分为训练用视频图像和验证用视频图像;步骤五:构建深度学习神经网络,构建五层的深度神经网络模型,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机;步骤六:本文档来自技高网...

【技术保护点】
1.一种监控装置泄露的智能预警系统,其特征在于,包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块;所述视频采集模块将输入的装置现场监控视频转化为图片或视频帧;所述视频图像增强模块处理光线昏暗、雨雪天气和雾霾天气情况下的视频图像;所述数据标注模块根据液体泄漏的图片或视频帧,采用图像标注工具,将渗透、滴漏和喷射三种液体泄露状态分别用边界框在图像中标注;所述模型构建模块构建五层的深度神经网络模型;所述模型学习模块采取有监督训练获取液体泄露状态的特征参数;所述数据验证模块利用输入的液体泄露验深度神经网络模型的识别能力,并优化深度神经网络结构;所述泄漏预警模块利用训练成功的液体泄露验深度神经网络模型诊断泄露状态,并通过视频管控平台发布管控命令。

【技术特征摘要】
1.一种监控装置泄露的智能预警系统,其特征在于,包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块;所述视频采集模块将输入的装置现场监控视频转化为图片或视频帧;所述视频图像增强模块处理光线昏暗、雨雪天气和雾霾天气情况下的视频图像;所述数据标注模块根据液体泄漏的图片或视频帧,采用图像标注工具,将渗透、滴漏和喷射三种液体泄露状态分别用边界框在图像中标注;所述模型构建模块构建五层的深度神经网络模型;所述模型学习模块采取有监督训练获取液体泄露状态的特征参数;所述数据验证模块利用输入的液体泄露验深度神经网络模型的识别能力,并优化深度神经网络结构;所述泄漏预警模块利用训练成功的液体泄露验深度神经网络模型诊断泄露状态,并通过视频管控平台发布管控命令。2.根据权利要求1所述的监控装置泄露的智能预警系统,其特征在于,所述视频图像增强模块具体是,通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到增强视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到增强视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到增强视频图像。3.根据权利要求2所述的监控装置泄露的智能预警系统,其特征在于,所述基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,处理得到增强视频图像的表达式为处理方法具体包括以下步骤:步骤一:对光线昏暗情况下的视频图像进行低通滤波处理,得到包含轮廓信息的低频图像A(x,y);步骤二:获取包含视频图像细节的高频信息,具体是用原始图像F(x,y)减去低频图像A(x,y),即F(x,y)-A(x,y);步骤三:增强对比度,具体是通过将高频图像乘以增强因子a,即步骤四:条件图像亮度,具体是加上一个调节图像亮度的因子b。4.根据权利要求2所述的监控装置泄露的智能预警系统,其特征在于,所述模糊C均值算法处理雨雪天气情况下的视频图像包括以下步骤:步骤一:视频图像由多个像素点构成,设像素点为I(x,y),设图像中的光强度序列I(t)=I(1),I(2),…,I(k),其中t=1,2,…,k;步骤二:设置背景类和雨滴类两个类别,通过亮度比较,将背景类平均亮度设定为Bcenter;将雨滴类平均亮度设定为Rcenter;步骤三:初始化隶属度矩阵U,使U满足隶属度的和总为1;步骤四:计算背景类和雨滴类两类像素点的平均亮度,具体为Bcenter=Min(I),Rcenter=Max(I);步骤五:计算各个像素点I(t)与背景类和雨滴类两个类别平均亮度的绝对值,设JB=|I(t)-Bcenter|,JR=|I(t)-Rcenter|,进行对比,如果JB≤JR,把像素点I(t)归纳到背景类,如果JB≥JR,把像素点I(t)归纳到雨滴类;步骤六:计算如果J的值小于设定的阙值,则分类结束;如果J的值不小于设定的阙值,则计算新的矩阵U,从步骤三开始计算;步骤七:完成分类,将背景类和雨滴类亮度分别进行算术平均,计算出背景类和雨滴类两个类别的中心亮度Center。5.根据权利要求4所述的监控装置泄露的智能预警系统,其特征在于,所述模糊C均值算法处理雨雪天气情况下的视频图像过程中将背景亮度估算出的像素设为C,背景类中数目占总数目k的百分比设定为α,设定C=αBcenter+(1-α)Rcenter。6.根据权利要求2所述的监控装置泄露的智能预警系统,其特征在于,所述Retinex算法处理雾霾天气情况下的视频图像包括以下步...

【专利技术属性】
技术研发人员:颜丽敏贺辉宗吴瑞青商翼
申请(专利权)人:中国石油化工股份有限公司中国石油化工股份有限公司青岛安全工程研究院
类型:发明
国别省市:山东,37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1