一种跑冒滴漏检测方法、装置、智能设备和存储介质制造方法及图纸

本申请适用于安全监测技术领域，提供了一种跑冒滴漏检测方法、装置、智能设备和存储介质，所述方法应用于巡检机器人，包括：获取监测点位的目标巡检图像，以及监测点位的目标录点图像，将目标巡检图像和目标录点图像输入至预先训练完成的神经网络模型，获得目标巡检图像相对于目标录点图像的图像特征变化值，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，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；基于图像特征变化值，对目标监测点位进行跑冒滴漏检测。采用本方法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。确性。确性。

【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；
[0008]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；
[0009]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。
[0010]在第一方面的一种可能的实现方式中，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：
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]在第一方面的一种可能的实现方式中，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；
[0017]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：
[0018]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；
[0019]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；
[0020]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；
[0021]根据所述匹配的结果计算所述正常样本对的损失。
[0022]在第一方面的一种可能的实现方式中，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：
[0023]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
[0024][0025]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；
[0026]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
[0027][0028]其中，P2表示投影模块对所述第二编码结果进行变换后输出的结果，E1表示所述第一编码结果；
[0029]根据下式计算所述正常样本对的损失Loss：
[0030][0031]在第一方面的一种可能的实现方式中，所述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的步骤，包括：
[0032]若所述图像特征变化值大于或等于预设变化阈值，则确定所述目标监测点位存在跑冒滴漏；
[0033]若所述图像特征变化值小于所述预设变化阈值，则确定所述目标监测点位不存在
跑冒滴漏。
[0034]在第一方面的一种可能的实现方式中，所述图像特征变化值具体包括所述目标巡检图中每个像素点的图像特征变化值；
[0035]在所述若所述图像特征变化值大于或等于预设变化阈值，则确定所述目标监测点位存在跑冒滴漏的步骤之后，还包括：
[0036]基于所述图像特征变化值大于或等于所述预设变化阈值的像素点，定位并输出跑冒滴漏位置。
[0037]在第一方面的一种可能的实现方式中，所述跑冒滴漏检测方法还包括：
[0038]对所述目标录点图像进行预处理，得到包括所述目标录点图像在内的支撑数据集，所述支撑数据集用于扩增所述监测点位的正常样本图像数据；
[0039]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，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的步骤，包括：
[0040]对所述目标巡检图像和所述支撑数据集分别进行特征提取，得到所述目标巡检图像对应的目标巡检特征图像，以及所述支撑数据集对应的不同尺度的录点特征图像；
[0041]将所述不同尺度的录点特征图像进行图像融合，得到目标录点特征图像；
[0042]计算所述目标巡检特征图像和所述目标录点特征图像之间的马氏距离；
[0043]基于所述马氏距离，确定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。
[0044]第二方面，本申请实施例提供了一种跑冒滴漏检测装置，应用于巡检机器人，包括：
[0045]图像获取模单元，用于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；
[0046]特征变化检测单元，用于本文档来自技高网...

【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：