一种基于深度学习的漏液检测方法、电子装置和存储介质制造方法及图纸

本申请涉及一种基于深度学习的漏液检测方法、电子装置和存储介质，其中，该基于深度学习的漏液检测方法包括：通过获取第一待检测目标图像；将第一待检测目标图像划分为漏液检测区和雨水检测区；将进行区域划分后的第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果。通过本申请，解决了在实际应用中的大量雨天、洗刷冲洗场景下，渗漏检测方法存在漏报的问题，实现了降低系统在雨天或者清洗冲刷的情况下的误报，提高整套系统的报警准确率。提高整套系统的报警准确率。提高整套系统的报警准确率。

【技术实现步骤摘要】
一种基于深度学习的漏液检测方法、电子装置和存储介质


[0001]本申请涉及漏液处理
，特别是涉及一种基于深度学习的漏液检测方法、电子装置和存储介质。

技术介绍

[0002]在油气、化工等生产制作过程中有储罐、阀门、法兰等设备场所中，往往都有防止管道中的液体漏液的需求，以往都是采取人工现场巡视的方式进行，现在逐步利用一些智能算法部署在开始应用视频系统中进行自动化巡视。
[0003]但当前的视频远程自动巡视，在雨天或者清洗冲刷等场景下，会发现误报较多，无法区分是雨水，还是漏液形成的泄露。在系统中往往会收到告警，实际查看后，发现是误报，误报情况多了，使用人员容易对此类报警产生麻痹的心理，对系统造成不信任，从而在正常报警的情况下，也会导致忽视。
[0004]如何降低系统在雨天或者清洗冲刷的情况下的误报，提高整套系统的报警准确率成为行业应用视频远程自动巡视的重要因素之一。
[0005]针对在实际应用中的大量雨天、洗刷冲洗场景下，渗漏检测方法存在漏报的问题，目前还没有提出有效的解决方案。

技术实现思路

[0006]在本实施例中提供了一种基于深度学习的漏液检测方法、电子装置和存储介质，以解决相关技术中在实际应用中的大量雨天、洗刷冲洗场景下，渗漏检测方法存在漏报的问题。
[0007]第一个方面，在本实施例中提供了一种基于深度学习的漏液检测方法，所述方法包括：
[0008]获取第一待检测目标图像；
[0009]将所述第一待检测目标图像划分为漏液检测区和雨水检测区；<br/>[0010]将进行区域划分后的第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果。
[0011]在其中的一些实施例中，所述将进行区域划分后的所述第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果包括：
[0012]通过所述漏液检测模型对所述第一待检测目标图像的所述漏液检测区进行漏液检测，获得漏液检测结果；
[0013]通过所述漏液检测模型对所述第一待检测目标图像的所述雨水检测区进行雨水检测，获得第一雨水检测结果；
[0014]根据所述漏液检测结果和所述雨水检测结果，确定所述第一漏液判断结果。
[0015]在其中的一些实施例中，所述根据所述漏液检测结果和所述雨水检测结果，确定第一漏液判断结果包括：
[0016]设置漏液检测置信度阈值；
[0017]根据所述漏液检测结果、所述第一雨水检测结果和所述漏液检测置信度阈值，确定所述第一漏液判断结果。
[0018]在其中的一些实施例中，所述方法还包括：
[0019]当漏液检测结果为发生漏液时，获取所述第一待检测目标图像对应的漏液区域的位置点的坐标。
[0020]在其中的一些实施例中，所述方法还包括：
[0021]获取训练样本集，所述训练样本集包括带有漏液检测区和雨水检测区的目标图像数据；
[0022]将所述样本集进行数据增强处理，得到扩容样本集合；
[0023]对所述扩容样本集合进行标注，得到扩容标注样本集合；
[0024]根据所述扩容标注样本集合，训练所述漏液检测模型。
[0025]在其中的一些实施例中，所述方法还包括：
[0026]获取第二待检测目标图像；
[0027]通过所述漏液检测模型对所述第二待检测目标图像进行雨水检测，获取第二雨水检测结果。
[0028]第二个方面，在本实施例中提供了一种漏液判断方法，所述方法包括：
[0029]确定第一漏液判断结果；
[0030]获取第二雨水检测结果；
[0031]根据所述第一漏液判断结果和所述第二雨水检测结果，获取第二漏液判断结果；所述第二漏液判断结果，用于标识第一待检测目标图像的漏液检测区是否发生漏液；
[0032]其中，所述第一漏液判断结果为通过第一方面所述的基于深度学习的漏液检测方法获得的第一漏液判断结果；所述第二雨水检测结果为通过第一方面所述的基于深度学习的漏液检测方法获得的第二雨水检测结果。
[0033]第三个方面，在本实施例中提供了一种智能分析服务器，所述服务器包括：
[0034]获取单元，用于获取第一待检测目标图像；
[0035]划分单元，用于将所述第一待检测目标图像划分漏液检测区和雨水检测区；
[0036]判断单元，用于将进行区域划分后的第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果。
[0037]第四个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以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上述第一个方面所述的基于深度学习的漏液检测方法；或者，所述处理器被设置为运行所述计算机程序以执行第二个方面所述的漏液判断方法。
[0038]第五个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于深度学习的漏液检测方法；或者，所述计算机程序被处理器执行时实现第二个方面所述的基于深度学习的漏液判断方法。
[0039]与相关技术相比，在本实施例中提供的一种基于深度学习的漏液检测方法、漏液判断方法、智能分析服务器、电子装置和存储介质，通过获取第一待检测目标图像；将第一待检测目标图像划分为漏液检测区和雨水检测区；将进行区域划分后的第一待检测目标图
像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果，解决了在实际应用中的大量雨天、洗刷冲洗场景下，渗漏检测方法存在漏报的问题，实现了降低系统在雨天或者清洗冲刷的情况下的误报，提高整套系统的报警准确率。
[0040]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0041]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0042]图1是执行本实施例的一种基于深度学习的漏液检测方法的终端的硬件结构框图；
[0043]图2是本实施例的一种漏液检测系统的结构框图；
[0044]图3是本实施例的一种基于深度学习的漏液检测方法的流程图；
[0045]图4是本实施例的一种漏液判断方法的流程图；
[0046]图5是本优选实施例的一种漏液检测系统的结构示意图；
[0047]图6是本优选实施例的一种漏液检测方法的流程图；
[0048]图7是本实施例的一种智能分析服务器的结构框图。
具体实施方式
[0049]为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
[0050]除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属
具备一般技能的人所理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的漏液检测方法，其特征在于，所述方法包括：获取第一待检测目标图像；将所述第一待检测目标图像划分为漏液检测区和雨水检测区；将进行区域划分后的所述第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果。2.根据权利要求1所述基于深度学习的漏液检测方法，其特征在于，所述将进行区域划分后的所述第一待检测目标图像通过预先训练好的漏液检测模型进行漏液检测，确定第一漏液判断结果包括：通过所述漏液检测模型对所述第一待检测目标图像的所述漏液检测区进行漏液检测，获得漏液检测结果；通过所述漏液检测模型对所述第一待检测目标图像的所述雨水检测区进行雨水检测，获得第一雨水检测结果；根据所述漏液检测结果和所述雨水检测结果，确定所述第一漏液判断结果。3.根据权利要求2所述基于深度学习的漏液检测方法，其特征在于，所述根据所述漏液检测结果和所述雨水检测结果，确定第一漏液判断结果包括：设置漏液检测置信度阈值；根据所述漏液检测结果、所述第一雨水检测结果和所述漏液检测置信度阈值，确定所述第一漏液判断结果。4.根据权利要求1所述基于深度学习的漏液检测方法，其特征在于，所述方法还包括：当漏液检测结果为发生漏液时，获取所述第一待检测目标图像对应的漏液区域的位置点的坐标。5.根据权利要求1所述基于深度学习的漏液检测方法，其特征在于，所述方法还包括：获取训练样本集，所述训练样本集包括带有漏液检测区和雨水检测区的目标图像数据；将所述样本集进行数据增强处理，得到扩容样本集合；对所述扩容样本集合进行标注，得到扩容标注样本集合；根据所述扩容标注样本集合，训练所述漏液检测模型。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：施晓洲，李广义，毛勇，王婧婧，卓德城，俞炜彬，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：