一种视频监控异常检测方法、装置及设备制造方法及图纸

本发明专利技术公开一种视频监控异常检测方法、装置及设备，本发明专利技术涉及模型识别领域，用于解决现有技术中对于视频监控异常检测效率低以及检测进度低的问题。包括：获取液体火箭发动机地面热试车过程中的视频图像数据；将视频图像数据输入训练完成的YOLOv5模型中，识别所述视频图像数据中是否包含火焰图像；当视频图像数据中包含火焰图像时，确定火焰的位置信息；基于位置信息，生成火焰故障报警信息。通过加入一个改进的CA注意力机制来改进YOLOv5体系结构，且采用LeakyRlue函数作为激活函数，检测视频中特定帧中的火焰目标，具有更快的收敛速度，可以得到置信度更高的检测结果，液体火箭发动机地面热试车中，能够在出现火灾故障时发出瞬时报警信号。出瞬时报警信号。出瞬时报警信号。

【技术实现步骤摘要】
一种视频监控异常检测方法、装置及设备


[0001]本专利技术涉及模型识别
，尤其涉及一种视频监控异常检测方法、装置及设备。

技术介绍

[0002]液体火箭发动机(LRE)是液体火箭的动力源，是火箭系统的核心部件。一般来说，LRE的工作条件很苛刻，即工作温度高、压力大、转速高、工作要求不稳定。由于其极端工作条件，可能会发生各种故障，例如火焰、泄漏和传感器脱落。尽管红线切断系统以及许多其他方法已经应用于LRE，并在监控LRE的运行过程时取得了良好的性能，但不可避免的故障仍可能发生且无法检测到。目前处理这些故障的方法依赖于手动操作，这意味着需要专门的人员负责逐帧检查视频记录，并判断是否出现故障以及故障位置。但是，在实际实现过程中，人工识别故障模型通常需要中断运行。并且，识别效率以及准确率低下。因此，采用对LRE进行适当的视频监控，将节省大量资源。深度学习的繁荣使之成为可能。近些年来，深度学习在目标检测和计算机视觉中的应用已经有许多。Ren等人提出了更快的区域卷积神经网络(R
‑
CNN)，它将R
‑<br/>CNN和区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频监控异常检测方法，其特征在于，所述方法包括：获取液体火箭发动机地面热试车过程中的视频图像数据；将所述视频图像数据输入训练完成的YOLOv5模型中，识别所述视频图像数据中是否包含火焰图像，得到识别结果；训练完成的YOLOv5模型使用CA注意力机制，且所述CA注意力机制使用的激活函数为LeakyRlue函数；当所述识别结果表示所述视频图像数据中包含火焰图像时，确定火焰的位置信息；所述火焰图像中的火焰像素之间存在空间维度上的联系；基于所述位置信息，生成火焰故障报警信息。2.根据权利要求1所述的方法，其特征在于，所述将所述视频图像数据输入训练完成的YOLOv5模型中，识别所述视频图像数据中是否包含火焰图像，得到识别结果，具体包括：基于所述CA注意力机制将所述视频图像数据进行预处理，得到特征向量；将所述特征向量拆分为宽度方向以及高度方向两个维度的一维特征向量。3.根据权利要求2所述的方法，其特征在于，所述YOLOv5模型至少包括：输入层、残差层、卷积层、全连接层以及输出层；其中，所述输入层接收所述视频图像数据；所述卷积层用于对所述视频图像数据进行特征向量的提取；所述卷积层的卷积核大小为7；所述全连接层中进行权重更新，得到液体火箭发动机地面热试车过程中的视频对应的火焰特征向量；所述输出层用于根据所述火焰特征向量输出火焰检测结果。4.根据权利要求3所述的方法，其特征在于，所述将所述特征向量拆分为宽度方向以及高度方向两个维度的一维特征向量之前，还包括：所述残差层中采用平均池化以及全局最大池化，补偿所述CA注意力机制的全局空间信息。5.根据权利要求4所述的方法，其特征在于，所述残差层在进行平均池化时，对宽度方向的一维特征向量以及高度方向上的一维特征向量进行池化。6.根据权利要求1所述的方法，其特征在于，所述将所述视频图像数据输入训练完成的YOLOv5模型中之前，还包括：获取训练样本集合以及验证样本集合；所述训练样本集合以及所述验证样本集合中的每一张图像中均至少包括一个火焰目标；将所述训练样本集合输入初始YOLOv5...

【专利技术属性】
技术研发人员：杜飞平，谭永华，马猛，陈雪峰，
申请(专利权)人：西安航天动力研究所，
类型：发明
国别省市：