【技术实现步骤摘要】
一种跑冒滴漏检测方法、装置、智能设备和存储介质
[0001]本申请涉及安全监测
,尤其涉及一种跑冒滴漏检测方法、装置、智能设备和存储介质。
技术介绍
[0002]在工业现场运维过程中,跑冒滴漏检测是最重要的工作之一,通过对工业设备的液体、气体泄漏及时检测,能够有效降低企业的生产成本和生产事故。但在目前的实际运维中,跑冒滴漏检测主要依靠人工定期巡视方式,成本巨大,巡检安全系数低且效率低下。随着计算机视觉技术及神经网络的发展,目前正逐步将该算机视觉技术及神经网络应用于巡检机器人,利用巡检机器人进行跑冒滴漏检测。
[0003]从实际调研中发现,目前的跑冒滴漏的深度学习检测方法都是监督学习网络,通过工业现场采集液体、气体泄漏图像,并构造跑冒滴漏的正负样本训练拟合深度学习模型。然而,工业现场往往不会有比较多的泄漏样本被采集到,训练过程中会出现样本数量不足或者正负样本不均衡的问题,导致模型在已见过的场景下检测能力较好,在新场景下的泛化能力较差。
[0004]综上所述,如何提升深度学习模型的泛化能力以便快速应对新场景,提高巡检机器人对跑冒滴漏检测效率及准确性,是当前需要考虑的问题。
技术实现思路
[0005]本申请实施例提供了一种跑冒滴漏检测方法、装置、智能设备和存储介质,可以有效提升深度学习模型的泛化能力以便快速应对新场景,提高巡检机器人对跑冒滴漏检测效率及准确性。
[0006]第一方面,本申请实施例提供了一种跑冒滴漏检测方法,应用于巡检机器人,包括:
[0007]获取监测点 ...
【技术保护点】
【技术特征摘要】
1.一种跑冒滴漏检测方法,其特征在于,应用于巡检机器人,包括:获取监测点位的目标巡检图像,以及所述监测点位的目标录点图像,其中,所述目标巡检图像为所述巡检机器人当前巡检至所述监测点位拍摄的图像,所述目标录点图像是预先录制的所述监测点位的正常图像;将所述目标巡检图像和所述目标录点图像输入至预先训练完成的神经网络模型,获得所述目标巡检图像相对于所述目标录点图像的图像特征变化值,所述神经网络模型为基于正常样本图像数据集进行训练、用于计算图像特征变化值的网络模型,所述正常样本图像数据集包括各监测点位无液体或气体泄露的正常样本图像;基于所述图像特征变化值,对所述目标监测点位进行跑冒滴漏检测。2.根据权利要求1所述的方法,其特征在于,在所述将所述目标巡检图像和所述目标录点图像输入至预先训练完成的神经网络模型的步骤之前,包括:构建神经网络模型,所述神经网络模型包括特征提取网络和非对称比对孪生网络,所述特征提取网络用于提取图像特征,所述非对称比对孪生网络用于比对所述图像特征后输出图像特征变化值;获取正常样本图像数据集,并将所述正常样本图像数据集内同一个监测位点不同时刻的正常样本图像组成正常样本对;将所述正常样本对中的正常样本图像依次输入至所述特征提取网络,利用所述特征提取网络提取所述正常样本图像的图像特征;将提取的所述正常样本图像的图像特征输入至所述非对称比对孪生网络,获得所述正常样本对的损失;基于所述损失,迭代更新所述神经网络模型的模型参数,直至所述损失满足预设阈值时,得到训练完成的神经网络模型。3.根据权利要求2所述的方法,其特征在于,所述非对称比对孪生网络包括第一编码模块、第二编码模块和投影模块,所述第一编码模块与所述第二编码模块参数共享;所述将提取的所述正常样本图像的图像特征输入至所述非对称比对孪生网络,获得所述正常样本对的损失的步骤,包括:将提取的所述正常样本图像的图像特征同时输入至所述第一编码模块和所述第二编码模块,得到第一编码结果和第二编码结果;利用所述投影模块分别对所述第一编码结果和所述第二编码结果进行变换;将所述第二编码结果与变换后的所述第一编码结果进行匹配,所述第一编码结果与变换后的所述第二编码结果进行匹配;根据所述匹配的结果计算所述正常样本对的损失。4.根据权利要求3所述的方法,其特征在于,所述根据所述匹配的结果计算所述正常样本对的损失的步骤,包括:根据下式将所述第二编码结果与变换后的所述第一编码结果进行匹配根据下式将所述第二编码结果与变换后的所述第一编码结果进行匹配其中,P1表示投影模块对所述第一编码结果进行变换后输出的结果,E2表示所述第二编码结果;
根据下式将所述第一编码结果与变换后的所述第二编码结果进行匹配根据下式将所述第一编码结果与变换后的所述第二编码结果进行匹配其中,P2表示投影模块对所述第二编码结果进行变换后...
【专利技术属性】
技术研发人员:彭志远,王开雄,徐劲莉,余亚玲,董琼,肖倩,
申请(专利权)人:深圳市朗驰欣创科技股份有限公司,
类型:发明
国别省市:
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。