一种基于目标跟踪算法的漏水漏油图像识别方法及装置制造方法及图纸

本申请提出了一种基于目标跟踪算法的漏水漏油图像识别方法及装置，涉及计算机技术领域，包括：通过摄像设备对监控现场进行视频素材样本采集；对视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据；通过特征值训练获得AI模型，其中，AI模型布局于监控设备中，由布局有AI模型的摄像设备对现场采集的视频素材进行分解和识别；当存在漏水或漏油事件时，对分解获得的图片素材进行标注，并进行告警和事件联动。本申请利用足够的训练素材和多次校正生成AI模型，实现自动识别漏水、漏油情况并告警，且检测结果的准确性和实时性都很高，系统性能稳定。系统性能稳定。系统性能稳定。

【技术实现步骤摘要】
一种基于目标跟踪算法的漏水漏油图像识别方法及装置


[0001]本申请涉及计算机
，尤其涉及一种基于目标跟踪算法的漏水漏油图像识别方法及装置。

技术介绍

[0002]电站设备漏水、漏油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。
[0003]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。

技术实现思路

[0004]针对上述问题，提出了一种基于目标跟踪算法的漏水漏油图像识别方法及装置，通过利用足够的训练素材和多次校正生成AI模型，实现自动识别漏水、漏油情况并告警，并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，且系统性能稳定。
[0005]本申请第一方面提出一种基于目标跟踪算法的漏水漏油图像识别方法，包括：
[0006]通过摄像设备对监控现场进行视频素材样本采集；
[0007]对所述视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据；
[0008]通过所述特征值训练获得AI模型，其中，所述AI模型布局于监控设备中，由布局有所述AI模型的摄像设备对现场采集的视频素材进行分解和识别；
[0009]当存在漏水或漏油事件时，对分解获得的图片素材进行标注，并进行告警和事件联动。
[0010]可选的，所述通过摄像设备对监控现场进行视频素材样本采集，包括：
[0011]所述摄像设备采集的视频素材样本使用UDP协议直接传输，所述视频素材样本采用预分片的机制，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；
[0012]所述视频数据包采用H.264的数据结构，通过调用微软提供的AVI文件操作库，将H.264视频数据按AVI文件技术的成帧规则写入AVI文件中，生成AVI文件。
[0013]可选的，所述对所述视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据，包括：
[0014]对所述图片素材样本中的液体、漏水区域与漏油区域进行定义，通过所述线上标注工具进行标注；
[0015]通过目标跟踪算法对标注的所述图片素材样本进行区别归类，所述目标跟踪算法跟踪的特征包括颜色、形状和位置特征。
[0016]可选的，所述通过所述特征值训练获得AI模型，包括：
[0017]将所述特征值样本数据输入神经网络模型，得到神经网络输出；
[0018]根据所述神经网络输出及预先指定的标签数据，计算所述神经网络模型的调整数据；
[0019]将所述调整数据发送至所述参数服务器，获取所述参数服务器反馈的按照预设叠加方式对各训练设备的调整数据叠加得到的叠加数据；
[0020]基于所述叠加数据，更新所述神经网络模型的网络参数。
[0021]可选的，所述事件联动，包括：
[0022]事件发生条件，包括指定时间、指定区域与指定时间类型；
[0023]事件联动动作，包括客户端弹窗、指定监控点视频上电视墙、指定监控点录像、指定抓图、告警短信发送与告警邮件发送。
[0024]本申请第二方面提出一种基于目标跟踪算法的漏水漏油图像识别装置，包括：
[0025]样本采集模块，用于通过摄像设备对监控现场进行视频素材样本采集；
[0026]样本处理模块，用于对所述视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据；
[0027]AI模型训练模块，用于通过所述特征值训练获得AI模型，其中，所述AI模型布局于监控设备中，由布局有所述AI模型的摄像设备对现场采集的视频素材进行分解和识别；
[0028]监测模块，用于当存在漏水或漏油事件时，对分解获得的图片素材进行标注，并进行告警和事件联动。
[0029]本申请第三方面提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法。
[0030]本申请第四方面提出一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。
[0031]本申请的实施例提供的技术方案至少带来以下有益效果：
[0032]通过利用足够的训练素材和多次校正生成AI模型，实现自动识别漏水、漏油情况并告警，并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，且系统性能稳定。
[0033]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0034]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0035]图1是根据本申请示例性实施例示出的一种基于目标跟踪算法的漏水漏油图像识别方法的流程图；
[0036]图2是根据本申请示例性实施例示出的一种基于目标跟踪算法的漏水漏油图像识
别方法的流程图；
[0037]图3是根据本申请示例性实施例示出的一种基于目标跟踪算法的漏水漏油图像识别方法的流程图；
[0038]图4是根据本申请示例性实施例示出的一种基于目标跟踪算法的漏水漏油图像识别装置的框图；
[0039]图5是一种电子设备的框图。
具体实施方式
[0040]下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0041]图1是根据本申请示例性实施例示出的一种基于目标跟踪算法的漏水漏油图像识别方法的流程图，如图1所示，包括：
[0042]步骤101，通过摄像设备对监控现场进行视频素材样本采集。
[0043]本申请实施例中，步骤101与步骤102为样本与处理的过程，步骤103为AI模型训练的过程，步骤104为AI模型应用的过程。
[0044]首先对步骤101中的视频素材样本进行说明。
[0045]本申请实施例中，视频素材样本使用UDP协议直接传输，视频素材样本采用预分片的机制，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，视频数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标跟踪算法的漏水漏油图像识别方法，其特征在于，包括：通过摄像设备对监控现场进行视频素材样本采集；对所述视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据；通过所述特征值训练获得AI模型，其中，所述AI模型布局于监控设备中，由布局有所述AI模型的摄像设备对现场采集的视频素材进行分解和识别；当存在漏水或漏油事件时，对分解获得的图片素材进行标注，并进行告警和事件联动。2.根据权利要求1所述的方法，其特征在于，所述通过摄像设备对监控现场进行视频素材样本采集，包括：所述摄像设备采集的视频素材样本使用UDP协议直接传输，所述视频素材样本采用预分片的机制，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，通过调用微软提供的AVI文件操作库，将H.264视频数据按AVI文件技术的成帧规则写入AVI文件中，生成AVI文件。3.根据权利要求1所述的方法，其特征在于，所述对所述视频素材样本进行分解以获得多个图片素材样本并通过线上标注工具进行标注，根据目标跟踪算法确定特征值样本数据，包括：对所述图片素材样本中的液体、漏水区域与漏油区域进行定义，通过所述线上标注工具进行标注；通过目标跟踪算法对标注的所述图片素材样本进行区别归类，所述目标跟踪算法跟踪的特征包括颜色、形状和位置特征。4.根据权利要求1所述的方法，其特征在于，所述通过所述特征值训练获得AI模型，包括：将所述特征值样本数据输入神经网络模型，得到神经网络输出；根据...

【专利技术属性】
技术研发人员：李俊杰，胡朋辉，林惊奇，冯建伟，杨智程，张坤，袁苑，万路，胡涛，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：