一种整合时序信息的跑冒滴漏目标检测方法及系统技术方案

本发明专利技术公开了一种整合时序信息的跑冒滴漏目标检测方法及系统，涉及目标检测技术领域

【技术实现步骤摘要】
一种整合时序信息的跑冒滴漏目标检测方法及系统


[0001]本申请涉及目标检测
，具体而言，涉及一种整合时序信息的跑冒滴漏目标检测方法及系统
。

技术介绍

[0002]在石化工厂生产过程中，设备和管道系统的跑
、
冒
、
滴
、
漏现象可能会导致有害化学物质的泄漏，进而对人员
、
设备和环境造成潜在危害
。
因此，定期检查和维护设备，确保设备接口
、
阀门和管道的完整性，是预防跑冒滴漏的关键
。
[0003]然而，常规人工巡检不仅需要花费大量的人力，而且无法在第一时间发现问题
。
基于此，有必要研究一种跑冒滴漏目标检测方法及系统，以实时监测设备和管道系统的完整性，及时发现跑冒滴漏现象
。

技术实现思路

[0004]本说明书实施例的一个方面提供一种整合时序信息的跑冒滴漏目标检测方法，该方法包括：获取针对目标位置采集得到的多帧图像，并基于所述多帧图像对应的时序信息进行排列，得到目标图像队列；将所述目标图像队列中的所述多帧图像在通道维度上进行合并，得到一个多维张量；对所述多维张量进行卷积处理，得到第一输出结果，其中，所述第一输出结果用于表征所述多帧图像中相邻图像帧之间的帧差；基于所述第一输出结果计算所述多帧图像对应的帧差累计值；将所述帧差累计值作为输入数据输入训练好的目标检测模型，得到整合时序信息的第二输出结果
。
[0005]在一些实施例中，所述训练好的目标检测模型基于如下方式训练得到：获取样本视频，并从所述样本视频中获取
k+1
个连续图像帧；确定所述
k+1
个连续图像帧中相邻图像帧之间的帧差的绝对值，得到
k
个帧差绝对值；对所述
k
个帧差绝对值进行求和，得到所述样本视频对应的样本帧差累计值；将所述样本帧差累计值作为模型输入样本，构建样本数据集；对所述样本数据集中的每一个模型输入样本进行标注，得到每一个所述模型输入样本对应的标签；将进行标注后的所述样本数据集作为输入数据输入初始目标检测模型，并基于所述样本数据集对所述初始目标检测模型的参数进行迭代更新，直至损失函数或训练轮次达到预设阈值时结束训练，得到所述训练好的目标检测模型
。
[0006]在一些实施例中，所述标签对应的标注对象为所述模型输入样本所对应的帧差累
计图像中的跑冒滴漏目标；每一个所述模型输入样本对应的标签包括
<class id> 、<x_center>、 <y_center> 、<width> 以及
<height>
，其中，
<class id> 为目标对应的类别，
<x_center> 和 <y_center>
为目标所对应的边界框的中心点坐标，
<width> 和 <height>
表示所述边界框的宽度和高度
。
[0007]在一些实施例中，所述初始目标检测模型包括
YOLOv5
；所述初始目标检测模型的输出数据包括针对所述边界框的预测结果
、
存在跑冒滴漏目标的概率和类别；所述损失函数包括针对所述边界框的损失
、
存在跑冒滴漏目标的概率损失和类别损失
。
[0008]在一些实施例中，所述基于所述样本数据集对所述初始目标检测模型的参数进行迭代更新，包括：以
Adam
为优化算法，估计梯度的一阶矩和二阶矩的移动平均值；基于所述一阶矩和二阶矩的移动平均值以及当前学习率，对所述初始目标检测模型的参数进行更新
。
[0009]在一些实施例中，所述初始目标检测模型的参数的更新规则为：
[0010]其中，
θ
t+1
为更新后的参数，
θ
t
为更新前的参数，为所述一阶矩的移动平均值，为所述二阶矩的移动平均值，
α
为当前学习率，
ε
为固定参数
。
[0011]在一些实施例中，所述方法还包括：在前
s
个训练轮次对所述当前学习率进行线性调整，在后
T
‑
s
个训练轮次采用余弦退火学习率调整策略对所述当前学习率进行调整，其中，
T
为总训练轮次
。
[0012]在一些实施例中，所述余弦退火学习率调整策略具体如下：
[0013]其中，
lr
max
为学习率的最大值，
T
为总训练轮次，
t
为当前训练轮次，
lr
（
t
）为当前训练轮次所对应的学习率，
t
＞
s。
[0014]本说明书实施例的另一个方面还提供一种整合时序信息的跑冒滴漏目标检测系统，该系统包括：获取模块，用于获取针对目标位置采集得到的多帧图像，并基于所述多帧图像对应的时序信息进行排列，得到目标图像队列；多维张量生成模块，用于将所述目标图像队列中的所述多帧图像在通道维度上进行合并，得到一个多维张量；卷积处理模块，用于对所述多维张量进行卷积处理，得到第一输出结果，其中，所述第一输出结果用于表征所述多帧图像中相邻图像帧之间的帧差；帧差累计值计算模块，用于基于所述第一输出结果计算所述多帧图像对应的帧差累计值；目标检测模块，用于将所述帧差累计值作为输入数据输入训练好的目标检测模型，得到整合时序信息的第二输出结果
。
[0015]在一些实施例中，所述系统还包括训练模块，所述训练模块具体用于：获取样本视频，并从所述样本视频中获取
k+1
个连续图像帧；
确定所述
k+1
个连续图像帧中相邻图像帧之间的帧差的绝对值，得到
k
个帧差绝对值；对所述
k
个帧差绝对值进行求和，得到所述样本视频对应的样本帧差累计值；将所述样本帧差累计值作为模型输入样本，构建样本数据集；对所述样本数据集中的每一个模型输入样本进行标注，得到每一个所述模型输入样本对应的标签；将进行标注后的所述样本数据集作为输入数据输入初始目标检测模型，并基于所述样本数据集对所述初始目标检测模型的参数进行迭代更新，直至损失函数或训练轮次达到预设阈值时结束训练，得到所述训练好的目标检测模型
。
[0016]本说明书实施例所提供的整合时序信息的跑冒滴漏目标检测方法及系统可能带来的有益效果至少包括：（1）通过对目标图像队列中的多帧图像在通道维度上进行合并以得到多维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种整合时序信息的跑冒滴漏目标检测方法，其特征在于，包括：获取针对目标位置采集得到的多帧图像，并基于所述多帧图像对应的时序信息进行排列，得到目标图像队列；将所述目标图像队列中的所述多帧图像在通道维度上进行合并，得到一个多维张量；对所述多维张量进行卷积处理，得到第一输出结果，其中，所述第一输出结果用于表征所述多帧图像中相邻图像帧之间的帧差；基于所述第一输出结果计算所述多帧图像对应的帧差累计值；将所述帧差累计值作为输入数据输入训练好的目标检测模型，得到整合时序信息的第二输出结果
。2.
如权利要求1所述的方法，其特征在于，所述训练好的目标检测模型基于如下方式训练得到：获取样本视频，并从所述样本视频中获取
k+1
个连续图像帧；确定所述
k+1
个连续图像帧中相邻图像帧之间的帧差的绝对值，得到
k
个帧差绝对值；对所述
k
个帧差绝对值进行求和，得到所述样本视频对应的样本帧差累计值；将所述样本帧差累计值作为模型输入样本，构建样本数据集；对所述样本数据集中的每一个模型输入样本进行标注，得到每一个所述模型输入样本对应的标签；将进行标注后的所述样本数据集作为输入数据输入初始目标检测模型，并基于所述样本数据集对所述初始目标检测模型的参数进行迭代更新，直至损失函数或训练轮次达到预设阈值时结束训练，得到所述训练好的目标检测模型
。3.
如权利要求2所述的方法，其特征在于，所述标签对应的标注对象为所述模型输入样本所对应的帧差累计图像中的跑冒滴漏目标；每一个所述模型输入样本对应的标签包括
<class id> 、<x_center>、 <y_center> 、<width> 以及
<height>
，其中，
<class id> 为目标对应的类别，
<x_center> 和 <y_center>
为目标所对应的边界框的中心点坐标，
<width> 和 <height>
表示所述边界框的宽度和高度
。4.
如权利要求3所述的方法，其特征在于，所述初始目标检测模型包括
YOLOv5
；所述初始目标检测模型的输出数据包括针对所述边界框的预测结果
、
存在跑冒滴漏目标的概率和类别；所述损失函数包括针对所述边界框的损失
、
存在跑冒滴漏目标的概率损失和类别损失
。5.
如权利要求2所述的方法，其特征在于，所述基于所述样本数据集对所述初始目标检测模型的参数进行迭代更新，包括：以
Adam
为...

【专利技术属性】
技术研发人员：杨斌，张翔，代超，
申请(专利权)人：成都格理特电子技术有限公司，
类型：发明
国别省市：