【技术实现步骤摘要】
本专利技术涉及渗漏识别，具体为通过识别液体形态和特性的渗漏识别方法及系统。
技术介绍
1、目前一些常见的渗漏识别技术如红外成像、超声波检测、声学检测以及基于图像识别的技术等，各种渗漏识别技术都有其独特的优势，但是在实际面对各种复杂的环境时，每项技术都难免有自己的局限性，容易发生误判和漏判的情况。特别是对于电力生产行业来说，渗漏识别技术往往需要应用于一些高温、高压、强电磁干扰、强噪声等环境，此时如果单依靠一种或几种渗漏识别技术很难满足电力行业的生产需求，无法确保检测结果的准确性和可靠性，无法解决电力生产中检测管道、阀门、罐体、特殊场所的漏水、漏油问题。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的渗漏识别方法无法满足电力行业的需求。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种通过识别液体形态和特性的渗漏识别方法，包括：
4、通过激光扫描设备、摄像设备、传感器获取渗漏液体的形态和特性数据；
5、对三种方式采集的数据分别进行预处理，处理完成后对数据进行特征提取；
6、构建多模态深度学习模型进行特征融合，使用训练数据集对模型进行训练，训练完成后进行测试，根据测试结果对模型进行优化和调整；
7、识别出渗漏液体的形态和特性，使用蚂蚁算法判断出发生渗漏的位置。
8、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：
9、通过激光扫描设备获取液体表面形状、轮廓和位置数据；
10、通过摄像设备监测获取液体颜色、表面形状、轮廓的图像和视频数据；
11、通过光学、位移、电阻及温度传感器获取液体表面形状、轮廓、表面波动及电导率变化数据。
12、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：所述预处理包括，分别对三种方式采集的数据进行预处理；
13、通过滤波、降噪、平滑表面数据以及液体轮廓识别，对激光扫描设备获取的数据进行预处理；
14、通过降噪、校正、增加对比度、图像分割，对摄像设备获取的图像数据进行预处理；通过去噪、校正、视频帧数切割对摄像设备获取的视频数据进行预处理；
15、通过去噪、数据清洗、平滑、变换对传感器获取的数据进行预处理。
16、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：所述特征提取包括，激光扫描设备数据的特征提取包括，利用所述激光扫描设备获取的数据，构建液体表面的三维点云模型；具体为：
17、分析三维点云模型的几何特征，计算点云的表面粗糙度指标，公式表示为：
18、
19、其中，表示点云中第个点的高度值；表示点云高度的平均值；表示点云中点的总数；
20、三维点云表面曲率包括高斯曲率和平均曲率，公式表示为：
21、
22、
23、其中，表示表面点在一个方向的主曲率；表示表面点垂直方向的主曲率；表示表面点在x方向的斜率；表示表面点在y方向的斜率；
24、体积和表面积公式表示为：
25、
26、其中，表示三角网格的三个顶点；每个三角形由相邻的点云点构成；
27、通过计算所有三角形面积的总和估计整体表面积，表面积的公式表示为：
28、
29、摄像设备数据的特征提取包括，提取液体的颜色特征，纹理特征，形状轮廓特征；
30、提取渗漏液体颜色直方图，计算颜色矩，公式表示为：
31、
32、其中，表示颜色在直方图中的计数；表示像素总数；表示颜色的平均值；表示颜色的标准差；应用灰度共生矩阵分析液体表面的纹理特征，使用局部二值模式方法提取表面纹理信息；
33、使用统计分析方法提取传感器设备数据特征。
34、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：所述构建多模态深度学习模型包括，使用多层感知机学习不同特征间的关系，执行特征融合，多层感知机结构表示为：
35、输入层，设有个不同的数据源，每个数据源的输入特征向量为;
36、隐藏层，第一隐藏层为每个输入特征向量应用变换，第一隐藏层的输出，表示为：
37、
38、其中，表示第一隐藏层的权重；表示第一隐藏层的偏置，表示激活函数；
39、特征融合层，将所有数据源的第一隐藏层输出进行融合，融合的综合特征向量，公式表示为：
40、
41、对融合后的特征向量应用进一步的变换，产生综合特征，融合层输出，公式表示为：
42、
43、其中，表示融合层的权重；表示融合层的偏置；
44、输出层，根据具体的应用任务，进行分类任务和回归任务的线性输出，公式表示为：
45、
46、其中，表示输出层的激活函数；表示输出层的权重和表示输出层的偏置。
47、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：所述对模型进行优化和调整包括，对数据集进行划分，将随机将融合后的数据集分为70%训练集、15%验证集和15%测试集；
48、使用早停法，设置监控指标，包括准确率和损失率，在没有应用早停的情况下使用训练集训练模型，记录每次训练的周期数和最终性能，平均后得到性能基线；
49、根据性能基线，设置初始耐心阈值，在每个周期结束时，评估模型在验证集上的性能；
50、若模型性能没有改善，则计数器加一；若性能改善，则重置计数器；
51、判断是否提前停止，若连续多个周期模型性能提高没有大于性能基线，且计数器计数达到设定的耐心阈值，停止训练；
52、在独立的测试集上评估模型性能，监控和预防过拟合，确保模型的泛化能力，将训练好的模型部署到生产监控环境中，用于实时识别液体渗漏。
53、作为本专利技术所述的通过识别液体形态和特性的渗漏识别方法的一种优选方案，其中：所述判断渗漏液体的类别和渗漏位置包括，使用多模态深度学习模型识别出渗漏液体的形态特征，使用蚂蚁算法进行渗漏液体识别；
54、定义搜索空间，分析渗漏液体可能类型，将渗漏液体类型的可能路径划分为多个节点；将渗漏液体的潜在类型定义为连接路径和渗漏节点；
55、初始化信息素，每条路径上的信息素，初始化为一个常数值；
56、
57、其中，表示路径从节点到节点的信息素浓度，即根据识别出的渗漏液体形态和特性判断渗漏液体类型的分布概率；设置算法参数，蚁群大小、信息素挥发率、信息素强度影响因子和启发式影响因子；
58、路径构建与搜索包括，模拟蚂蚁行为，每只蚂蚁根据当前信息素浓度和本文档来自技高网...
【技术保护点】
1.一种通过识别液体形态和特性的渗漏识别方法，其特征在于，包括：
2.如权利要求1所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述三种方式采集的数据包括，在开启数据采集时，自动执行对设备的校准；
3.如权利要求2所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述预处理包括，分别对三种方式采集的数据进行预处理；
4.如权利要求3所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述特征提取包括，激光扫描设备数据的特征提取包括，利用所述激光扫描设备获取的数据，构建液体表面的三维点云模型；具体为：
5.如权利要求4所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述构建多模态深度学习模型包括，使用多层感知机学习不同特征间的关系，执行特征融合，多层感知机结构表示为：
6.如权利要求5所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述对模型进行优化和调整包括，对数据集进行划分，将随机将融合后的数据集分为70%训练集、15%验证集和15%测试集；
7.如权利要求6所述的通过识
8.一种采用如权利要求1-7任一所述方法的通过识别液体形态和特性的渗漏识别系统，其特征在于：
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1-7所述通过识别液体形态和特性的渗漏识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-7所述通过识别液体形态和特性的渗漏识别方法的步骤。
...【技术特征摘要】
1.一种通过识别液体形态和特性的渗漏识别方法，其特征在于，包括：
2.如权利要求1所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述三种方式采集的数据包括，在开启数据采集时，自动执行对设备的校准；
3.如权利要求2所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述预处理包括，分别对三种方式采集的数据进行预处理；
4.如权利要求3所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述特征提取包括，激光扫描设备数据的特征提取包括，利用所述激光扫描设备获取的数据，构建液体表面的三维点云模型；具体为：
5.如权利要求4所述的通过识别液体形态和特性的渗漏识别方法，其特征在于：所述构建多模态深度学习模型包括，使用多层感知机学习不同特征间的关系，执行特征融合，多层感知机结构表示为：
6.如权利要求5所述的通过识别液体形态和特性的渗...
【专利技术属性】
技术研发人员：郭洪锐，张义愿，罗雯，邓凯，姚美定，吉星宇恒，
申请(专利权)人：三峡金沙江云川水电开发有限公司，
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。