【技术实现步骤摘要】
基于背景差分法和深度学习的挖掘机实时检测方法和系统
本专利技术涉及管道巡检领域,尤其涉及一种基于背景差分法和深度学习的挖掘机实时检测方法和系统。
技术介绍
近年来,随着国家和地方对许多新型燃气发电项目的投资和运营,“煤制气”等环保政策的执行力度加大,天然气得到了公众的广泛青睐。为了继续扩大天然气能源的利用,提高资源配置效率,必须加快油气管道网络系统的建设,确保管道的安全运行。多年的研究和管理经验降低了整体管道事故的可能性。然而,挖掘机施工作业引起的管道事故仍然时有发生。如何实时正确地检测管道网络附近的挖掘机在改善管道风险管理中起着重要的作用。现有的技术主要是利用无人机在高空对管网进行航拍,获取带有挖掘机目标对象的图片制作成数据集,对数据集利用卷积神经网络的相关算法达到挖掘机检测的效果。例如,专利号为201811351933.X的专利公开了一种基于深度学习用于高空巡检下的挖掘机检测方法,使用网络抓取或飞行器实地采样获得高空拍摄下管网系统附近的图像,经深度学习图像识别后判断是否有挖掘机施工作业。但由于带有挖掘机目标图像的数据集是高空拍摄的,噪声多,数据集质量不高,导致挖掘机检测准确率不高,且高空巡检实时性不强,不能第一时间检测到挖掘机,因此由于准确率和动态性不足的缺陷,现有技术无法满足第三方破坏高风险区域对挖掘机的检测要求。
技术实现思路
本专利技术提供一种基于背景差分法和深度学习的挖掘机实时检测方法和系统,基于背景差分法,以红外背景库和可见光背景库作为数据集,通过红外背景库的挖掘机检测粗略的判断管网
【技术保护点】
1.基于背景差分法和深度学习的挖掘机实时检测方法,其特征在于,包括步骤:/nS1.采集管网区域在无挖掘机情况下的背景图像,建立红外背景图像库和可见光背景图像库;/nS2.利用所述红外背景图像库建立管网区域的红外背景模型;/nS3.采集管网区域的红外实时监测图像,对所述红外实时监测图像与所述红外背景模型进行背景差分,获得二值化图像;/nS4.判断所述二值化图像是否具有符合挖掘机尺寸的高亮区域;若是,则采集管网区域的可见光实时监测图像,对所述可见光实时监测图像与所述可见光背景图像库进行背景差分,提取感兴趣区域;若否,则转至步骤S3;/nS5.将所述感兴趣区域使用卷积神经网络模型进行图像分类,确定所述感兴趣区域是否存在挖掘机。/n
【技术特征摘要】
1.基于背景差分法和深度学习的挖掘机实时检测方法,其特征在于,包括步骤:
S1.采集管网区域在无挖掘机情况下的背景图像,建立红外背景图像库和可见光背景图像库;
S2.利用所述红外背景图像库建立管网区域的红外背景模型;
S3.采集管网区域的红外实时监测图像,对所述红外实时监测图像与所述红外背景模型进行背景差分,获得二值化图像;
S4.判断所述二值化图像是否具有符合挖掘机尺寸的高亮区域;若是,则采集管网区域的可见光实时监测图像,对所述可见光实时监测图像与所述可见光背景图像库进行背景差分,提取感兴趣区域;若否,则转至步骤S3;
S5.将所述感兴趣区域使用卷积神经网络模型进行图像分类,确定所述感兴趣区域是否存在挖掘机。
2.根据权利要求1所述的基于背景差分法和深度学习的挖掘机实时检测方法,其特征在于,所述步骤S1,具体包括:
S10.在管网区域安装红外摄像机和可见光摄像机;
S11.红外摄像机采集管网区域在无挖掘机情况下的红外背景图像,可见光摄像机采集管网区域在无挖掘机情况下的可见光背景图像;
S12.利用红外背景图像建立红外背景图像库,利用可见光背景图像建立可见光背景图像库。
3.根据权利要求1所述的基于背景差分法和深度学习的挖掘机实时检测方法,其特征在于,所述步骤S2,具体包括:
利用高斯混合分布模型对红外背景图像库中的红外背景图像进行背景建模,设t时刻
图像中每个像素点的像素值为Xt,所述高斯混合分布模型P(Xt)为;
上式中k是高斯混合模型中高斯概率密度函数的个数,wk,t是第k个高斯概率密度函数
在t时刻的权值,且各个高斯分量的权值之和为1,以确保概率密度函数在其作用域内的积
分之和为1;是像素Xt在t时刻的第k个高斯概率密度函数,是第k个
高斯概率密度函数在t时刻的协方差矩阵,是第k个高斯概率密度函数在t时刻的样本
均值。
4.根据权利要求1所述的基于背景差分法和深度学习的挖掘机实时检测方法,其特征
在于,所述二值化图像为:,上式中Ek(x,y)是二
值化图像坐标处的像素值,T是进行二值化处理所需要的阈值,Ak(...
【专利技术属性】
技术研发人员:滕卫明,杨秦敏,解剑波,钱济人,沈佳园,邓庆健,范海东,李清毅,张嵘,丁楠,陈积明,周君良,杨哲明,张国民,
申请(专利权)人:浙江浙能天然气运行有限公司,浙江省能源集团有限公司,浙江大学,
类型:发明
国别省市:浙江;33
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。