一种应用于煤矿井下供水管路的泄漏检测方法技术

本发明专利技术提出了一种应用于煤矿井下供水管路的泄漏检测方法，该方法利用机器视觉技术，首先通过摄像机采集泄漏监测点的视频图像，然后进行预处理，基于帧差法获取疑似泄漏候选区域图，然后以泄漏候选区域图作为输入，利用神经网络模型判断泄漏候选区域图是否存在泄漏现象，最后综合泄漏频率、面积、位置信息二次确认该段视频记录的时间段内监测点是否真的出现了泄漏情况，并输出最终的判断结果。

【技术实现步骤摘要】
一种应用于煤矿井下供水管路的泄漏检测方法
本专利技术属于煤矿安全领域，具体来说是一种应用于煤矿井下供水管路的泄漏检测方法。
技术介绍
供水管路系统是矿井生产系统中重要的组成部分，由于煤矿井下生产条件复杂，环境形变、管道老化、接头松动都会造成供水管路出现泄漏问题，影响煤矿井下设备的正常运行，甚至可能引发安全事故危害井下工作人员的生命安全。因此，监测供水管路系统的工作状态对于煤矿安全生产至关重要。目前，供水管路工作状态的监测主要采用人工巡检方式，巡检效率低，存在安全隐患，且部分管路不易靠近，无法及时掌握其工作情况。
技术实现思路
为解决上述技术问题，本专利技术提出一种应用于煤矿井下供水管路的泄漏检测方法，该检测方法基于帧差法提取视野中的运动前景，通过滤波和形态学操作，消除噪声干扰得到疑似泄漏候选区域图，然后以泄漏候选区域图作为神经网络的输入，根据泄漏图出现的频率、面积、位置判断是否存在泄漏现象并报警记录，解决了煤矿井下供水管路监测难度大、泄漏发现不及时的难题，为保障煤矿安全生产提供了有效的帮助。本专利技术采用的技术方案为：一种应用于煤矿井下供水管路的泄漏检测方法，该方法利用机器视觉技术，首先通过摄像机采集泄漏监测点的视频图像，然后进行预处理，基于帧差法获取疑似泄漏候选区域图，然后以泄漏候选区域图作为输入，利用神经网络模型判断泄漏候选区域图是否存在泄漏现象，最后综合泄漏频率、面积、位置信息二次确认该段视频记录的时间段内监测点是否真的出现了泄漏情况，并输出最终的判断结果。所述预处理主要包括基于自适应阈值的帧差法、滤波、形态学处理等操作，通过该预处理获取疑似泄漏候选区域图，减少光照变化、噪声和复杂背景对后续检测结果的影响。为减小背景干扰对分类结果的影响，采用卷积神经网络，以泄漏候选区域图作为输入，利用神经网络模型预测初步判断结果。与现有人工检测方法相比，本专利技术具有以下有益效果：1）与人工检测相比，本专利技术可以连续24小时不间断检测，能够及时反馈供水管路的运行情况。2）本专利技术可以实现远程自动监测，有效保证工人的人身安全。3）本专利技术所需设备简单，经济实惠。4）本专利技术不受复杂背景干扰，鲁棒性强，可移植性高。附图说明图1为本专利技术整体算法流程图。图2为本专利技术自适应阈值计算流程图。图3为本专利技术候选区域图提取流程图。图4为本专利技术发生泄漏原始视频图。图5为本专利技术疑似泄漏的候选区域图。具体实施方式下面结合附图对本专利技术做进一步详细说明；如图1至图5所示，一种应用于煤矿井下供水管路的泄漏检测方法，首先收集泄漏监测点的历史视频，包括泄漏视频和无泄漏视频；对每一段视频进行预处理获取疑似泄漏的候选区域图图集；然后，根据现实情况将疑似泄漏的候选区域图图集进行分类标注，并按比例将图集分成训练集和测试集两部分；将训练集作为输入，训练神经网络获取分类模型。在泄漏检测阶段，利用摄像机采集泄漏监测点的视频图像；通过基于自适应阈值的帧差法、高通滤波、形态学处理操作获取疑似泄漏的候选区域图；将疑似泄漏的候选区域图作为输入，利用神经网络模型预测判断途中是否出现泄漏；最后综合泄漏频率、面积、位置二次确认视频记录的时间段内监测点是否真的发生了泄漏现象，并输出最终的判断结果。具体过程包含以下步骤：步骤一：提取原始视频当前帧图像fc和前一帧图像fp，利用帧差法获取这两张图像的差值图d，计算公式如下：其中fc(x,y)是图像fc的像素点(x,y)的灰度值，fp(x,y)是图像fp的像素点(x,y)的灰度值，d(x,y)是差值图d的像素点(x,y)的灰度值；步骤二：在差值图d中选取一块参照区域ror，根据ror所有像素点的灰度值计算差值图d的滤波阈值Tsub，要求所选区域非全白色且不会出现泄漏现象，阈值具体计算方法如下：步骤2.1：获取参照区ror内的所有像素点的灰度直方图，获取最高峰值的灰度值highest_value_idx，和像素数量非零的最大灰度值max_value_idx；步骤2.2：以highest_value_idx作为ror二值化阈值t的初始值；步骤2.3：以t为阈值对ror进行二值化，然后通过形态学处理消除噪声干扰，统计的灰度值为255的像素点的数目whites_num；步骤2.4：如果whites_num/（ror.cols*ror.rows）>rario_thresh，t值增加(max_value_idx-highest_value_idx)*ratio，重复步骤2.3直至whites_num/（ror.cols*ror.rows）<=ratio_thresh，并将当前t赋值给滤波阈值Tsub。步骤三：以Tsub为阈值获取高通滤波后的图像dhp，计算公式如下；步骤四：重复步骤一至步骤三每次得到m张dhp图像，并将这m张图像进行累加得到累积图dsum,计算公式如下：步骤五：对累计图dsum进行形态学处理消除噪声干扰，得到疑似泄漏候选区域图dst；步骤六：以疑似泄漏候选区域图dst作为输入，判断当前累计图dsum记录的时间段内监测点是否存在泄漏现象，具体包括如下步骤：步骤6.1：收集泄漏监测点的历史视频，包括出现泄漏现象的视频和无泄漏现象的视频，以这些历史视频作为原始素材，重复步骤一至步骤五获取疑似泄漏候选区域图集；步骤6.2：将步骤6.1获取的图像集进行分类标注，根据实际情况标记为泄漏和无泄漏两类，并按比例将图集划分为训练集和测试集；步骤七：将训练集的图像作为输入训练神经网络模型，当模型的损失函数趋于收敛时，开始边训练边测试，以测试集上准确率最高的权重参数作为最终的分类模型。步骤八：利用摄像机采集泄漏监测点的视频图像，重复步骤一至步骤五，处理一段视频获取k张疑似泄漏的候选区域图dst。步骤九：分别将k张疑似泄漏的候选区域图dst作为输入，利用步骤七获取的网络模型进行预测，初步判断每一张候选区域图是否存在泄漏现象。步骤十：综合k张候选区域图dst泄漏出现的位置、频率及面积信息，二次确认该段视频记录的时间段内监测点是否确实发生了泄漏，并输出最终的判断结果。本文档来自技高网...

【技术保护点】
1.一种应用于煤矿井下供水管路的泄漏检测方法，其特征在于：该方法基于机器视觉技术，通过相机采集煤矿井下供水管路泄漏监测点的视觉图像，利用图像处理和神经网络检测相结合的方法，对煤矿井下供水管路进行泄漏检测；首先通过基于自适应阈值的帧差法、滤波、形态学处理等预处理获取疑似泄漏的候选区域图，然后采用神经网络分类方法，利用神经网络模型预测判断候选区域图是否存在泄漏现象，最后综合一段时间内视频中出现泄漏的频率、位置和泄漏面积信息，二次确认该段视频记录时间段内供水管路是否真的发生了泄漏，并输出最终的判断结果。/n

【技术特征摘要】
1.一种应用于煤矿井下供水管路的泄漏检测方法，其特征在于：该方法基于机器视觉技术，通过相机采集煤矿井下供水管路泄漏监测点的视觉图像，利用图像处理和神经网络检测相结合的方法，对煤矿井下供水管路进行泄漏检测；首先通过基于自适应阈值的帧差法、滤波、形态学处理等预处理获取疑似泄漏的候选区域图，然后采用神经网络分类方法，利用神经网络模型预测判断候选区域图是否存在泄漏现象，最后综合一段时间内视频中出现泄漏的频率、位置和泄漏面积信息，二次确认该段视频记录时间段内供水管路是否真的发生了泄漏，并输出最终的判断结果。


2.根据权利要求1所述一种应用于煤矿井下供水管路的泄漏检测方法，其特征在于：该方法具体包括以下步骤：
步骤一：提取原始视频当前帧图像fc和前一帧图像fp，利用帧差法获取这两张图像的差值图d，计算公式如下：



其中fc(x,y)是图像fc的像素点(x,y)的灰度值，fp(x,y)是图像fp的像素点(x,y)的灰度值，d(x,y)是差值图d的像素点(x,y)的灰度值；
步骤二：在差值图d中选取一块参照区域ror，根据ror所有像素点的灰度值计算差值图d的滤波阈值Tsub，要求所选区域非全白色且不会出现泄漏现象，阈值具体计算方法如下：
步骤2.1：获取参照区ror内的所有像素点的灰度直方图，获取最高峰值的灰度值highest_value_idx，和像素数量非零的最大灰度值max_value_idx；
步骤2.2：以highest_value_idx作为ror二值化阈值t的初始值；
步骤2.3：以t为阈值对ror进行二值化，然后通过形态学处理消除噪声干扰，统计的灰度值为255的像素点的数目whites_num；
步骤2.4：如果whites_num/（ror.cols*ror.row...

【专利技术属性】
技术研发人员：裴文良，熊文莉，申龙，陈林坤，严海鹏，张彩江，谢海峰，杨帆，
申请(专利权)人：中信重工开诚智能装备有限公司，
类型：发明
国别省市：河北;13