CN106845434B - 一种基于支持向量机的图像型机房漏水监测方法 - Google Patents
一种基于支持向量机的图像型机房漏水监测方法 Download PDFInfo
- Publication number
- CN106845434B CN106845434B CN201710072265.6A CN201710072265A CN106845434B CN 106845434 B CN106845434 B CN 106845434B CN 201710072265 A CN201710072265 A CN 201710072265A CN 106845434 B CN106845434 B CN 106845434B
- Authority
- CN
- China
- Prior art keywords
- water leakage
- image
- support vector
- vector machine
- classification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229920001940 conductive polymer Polymers 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供了一种基于支持向量机的图像型机房漏水监测方法，通过图像采集单元采集机房中待监测区域的数字图像，同时将每个采样时刻所采集到的数字图像同步传送至处理器；处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内，并对每个采样时刻所采集到的数字图像分别进行图像预处理操作，包括图像颜色空间的转换和图像块的划分；二分类模型的输出量为有漏水和无漏水两个类别；将预处理后的图像输入支持向量机的二分类模型，得到是否漏水的结果，进而对机房漏水情况进行实时监测。本发明步骤简单，实现方便，投入成本低；能准确监测到漏水发生位置，有针对性地、及时准确地进行处理，提高了监测效率和对漏水发生的处理速度。
Description
技术领域
本发明涉及一种机房漏水的监测方法，尤其涉及一种基于支持向量机以及图像处理分类的机房漏水的监测方法。
背景技术
目前，随着计算机技术和互联网的发展，很多企业、学校和政府部门都会设有自己的专业机房，机房中的设备存储着大量的数据信息，一旦发生漏水将对机房中的电路和各种设备造成很大程度的损坏，严重影响生产和生活。
机房漏水监测，它主要职责是保护计算机机房、数据中心、电脑室、配电室、档案室、博物馆等重要资料和服务器设备安全。现阶段的漏水监测感应器应用最多的是多芯线缆，控制器监测多芯线缆组成的回路电阻，通过回路电阻的变化来确定是否漏水；当两电线之间有水发生时，因水的导电性能把两电线的导电聚合物短接，引起整个回路电阻值的变化，漏水控制器监测到回路阻值的变化，通过阻值对比和去干扰处理，从而知道漏水的发生。而遇水电线电阻阻值会发生变化，对监测设备的材料要求较高，无法及时准确地监测到漏水情况，同时对漏水位置的确认不够准确。
图像处理和分类技术的迅速发展使漏水监测和预警方式正朝着图像化、数字化、规模化和智能化方向发展。而基于图像监控的机房漏水监测技术具有探测范围广、响应时间短、成本低、不受环境影响等优势，结合计算机智能技术可以提供更直观、更丰富的信息，从而对机房的维护带来极大的便利。
发明内容
本发明要解决的技术问题是如何克服现有***依靠物理电路***和人工操作的不稳定与繁杂的缺点，提供一种对机房漏水监测及时、便捷、方便、智能、准确的监测方法。
为了解决上述技术问题，本发明的技术方案是提供一种基于支持向量机的图像型机房漏水监测方法，其特征在于：该方法包括以下步骤：
步骤1：通过图像采集单元采集机房中待监测区域的数字图像，同时将每个采样时刻所采集到的数字图像同步传送至处理器；
步骤2：处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内，并对每个采样时刻所采集到的数字图像分别进行图像预处理操作，包括图像颜色空间的转换和图像块的划分；
步骤3：建立支持向量机的二分类模型，所述二分类模型的输入量为当前采样时刻待监测区域的数字图像的特征向量，所述二分类模型的输出量为当前采样时刻待监测区域对应的漏水状态类别；漏水状态类别包括有漏水和无漏水两个类别；
步骤4：将步骤2预处理后的图像输入步骤3所建立的支持向量机的二分类模型，得到是否漏水的结果，进而对机房漏水情况进行实时监测。
优选地，所述图像采集单元包括摄像头和与摄像头相连接的视频采集卡，视频采集卡与处理器连接，处理器与数据存储器连接。
优选地，所述步骤2具体包含以下步骤：
步骤2.1、图像存储：所述处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内；
步骤2.2、图像颜色空间转换：原始图像都是在RGB空间存储的，首先将RGB空间的图像进行空间变换到HSV颜色空间；
步骤2.3、图像块划分：将颜色空间转换后的图像进行划分处理，获得目标图像。
更优选地，所述步骤2.3中，采用基于图像块划分聚类的方法得到低层特征向量；通过图像块划分把空间信息嵌入到一个个小块中，然后提取每个小块的颜色直方图，就既包含了颜色信息，又包含了空间信息；大小不同的块捕捉不同的尺度信息。
优选地，所述步骤3中，支持向量机的二分类模型的建立过程如下：
步骤3.1、图像信息采集：采用图像采集单元分别采集发生漏水时待监测区域的多帧数字图像和未发生漏水时待监测区域的多帧数字图像；
步骤3.2、特征提取：对多帧发生漏水时的数字图像和多帧未发生漏水时的数字图像分别进行特征提取，并从各数字图像中分别提取出一组能代表并区别该数字图像的特征参数；
步骤3.3、训练样本集获取：从步骤3.2中特征提取后所获得的多帧发生漏水时数字图像和多帧未发生漏水时数字图像的特征向量中，分别选取m1帧发生漏水的数字图像的特征向量和m2帧未发生漏水的数字图像的特征向量组成训练样本集；其中，m1和m2均为正整数；训练样本集中训练样本的数量M＝m1+m2个；步骤3.4、支持向量机的二分类模型训练：利用训练样本集对支持向量机的二分类模型进行训练，二分类模型的输出量为当前采样时刻待监测区域对应的漏水状态类别；漏水状态类别包括有漏水和无漏水两个类别。
更优选地，所述步骤3.3中，m1＝50～100，m2＝50～100。
更优选地，所述步骤3.4中支持向量机的二分类模型训练前，先对训练样本集中M个训练样本进行编号，训练样本集中第q个训练样本的编号为q，q为正整数且q＝1、2、...、M；第q个训练样本记作(xqyq)，其中，xp为第q个训练样本的特征参数，yq为第q个训练样本的类别号，yq＝1或-1，类别号yq为1表示有漏水，类别号yq为-1表示无漏水。
本发明提供的方法将支持向量机和图像处理结合起来，克服了现有***依靠物理电路***和人工操作的不稳定与繁杂的缺点，采用基于图像块划分聚类的方法得到低层特征向量，划分克服了图像分割的困难；方法步骤简单，设计合理，且实现方便，投入成本较低；利用机器学习的支持向量机方法对视频图像进行监控，当机房发生漏水情况时，能准确监测到漏水发生位置，有针对性地、及时准确地进行处理，提高了监测效率和对漏水发生的处理速度。
附图说明
图1为本发明提供的基于支持向量机的图像型机房漏水监测方法流程框图；
图2为本发明所用图像采集及处理***的电路原理框图；
图3为本发明采用的HSV颜色空间模型。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
图1为本发明提供的基于支持向量机的图像型机房漏水监测方法流程框图，所述的基于支持向量机的图像型机房漏水监测方法通过图像采集单元采集机房的图像信息，利用图像处理单元对所采集的图像信息进行处理，包括图像颜色空间的转换和图像块的划分，之后利用支持向量机的二分类模型进行对漏水情况的监测。
其中，图像的采集过程是利用图像采集单元以采样频率fs采集待监测区域的数字图像，同时将每一个采样时刻所采集到的数字图像同步传送至处理器；图像采集单元与处理器相连接。
结合图2，本实施例中，图像采集单元包括摄像头和与摄像头相连接的视频采集卡，摄像头与视频采集卡相连接，视频采集卡与处理器相连接，处理器与数据存储器相连接。本实施例中，各采样时刻所采集数字图像的大小均为M×N个像素点。其中，M为所采集数字图像中每一行上像素点的数量，N为所采集数字图像中每一列上像素点的数量。
处理单元对所采集图像进行处理，包括图像颜色空间的转换和图像块的划分，之后利用支持向量机的二分类模型进行对漏水情况的监测。处理单元对所采集图像进行处理的过程包含以下步骤：
步骤1、图像存储：处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内，数据存储器与处理器相接；
本实施例中，摄像头为红外摄像头，并且摄像头、视频采集卡、处理器和数据存储器组成图像采集及预处理***。
步骤2、图像颜色空间的转换：原始图像都是在RGB空间存储的，所以首先进行空间变换到HSV颜色空间；通过处理器对当前采样时刻所采集的数字图像进行图像空间转换处理，获得空间转换后的数字图像；
HSV颜色空间是基于人类对颜色的感知定义的，能够准确、定量地描述颜色特征。HSV颜色空间的三个颜色特征是色调、饱和度以及亮度值。原始图像都是在RGB空间存储的，所以首先进行空间变换。给定RGB颜色空间的值(r，g，b)；r，g，b∈[0，1，...，255]，则转换到HSV空间的(h，s，v)值计算如下：设v′＝max(r，g，b)，max()为表示取最大值的函数，min()为表示取最小值的函数，则v＝v′/255
h＝h′/6
其中，r′，g′，b′定义为
这里，r，g，b∈[0，255]，h∈[0，1]，s∈[0，1]，v∈[0，1]。
一幅彩色图像中包含至少上百种颜色。颜色直方图的高维数妨碍了有效的计算和检索，占用了过多的空间。为了减少直方图的维数，在保证图像内容损失最小的情况下，将HSV颜色空间的每一维分量等分成10份。其中只选取对分辨漏水情况较为重要的S分量和V分量，所以颜色直方图量化为100个颜色。颜色量化大大降低了后续处理的计算复杂度，而且不会丢失过多的颜色信息。
步骤3、图像块划分：通过处理器对步骤2中转换后的数字图像进行划分处理，获得目标图像。图像块划分中采用基于图像块划分聚类的方法得到低层特征向量。划分克服了图像分割的困难，通过划分把空间信息嵌入到一个个小块中，然后提取每个小块的颜色直方图就既包含了颜色信息又包含了空间信息。大小不同的块捕捉不同的尺度信息，通常较小的块可以揭示更加局部的图像内容信息。
漏水监测***采用预先建立的支持向量机分类模型，对所采集的目标图像进行处理，以得出当前采样时刻待监测区域对应的漏水状态类别；漏水状态类别包括有漏水和无漏水两个类别，支持向量机分类模型为对有漏水和无漏水两个类别进行二分类的支持向量机模型。
支持向量机分类模型的建立过程如下：
步骤1、图像信息采集：采用图像采集单元，分别采集发生漏水时待监测区域的多帧数字图像和未发生漏水时待监测区域的多帧数字图像；
步骤2、特征提取：对多帧发生漏水时的数字图像和多帧未发生漏水时的数字图像分别进行特征提取，并从各数字图像中分别提取出一组能代表并区别该数字图像的特征参数；
步骤3、训练样本获取：从步骤2中特征提取后所获得的多帧发生漏水的数字图像和多帧未发生漏水的数字图像的特征向量中，分别选取m1帧发生漏水的数字图像的特征向量和m2帧未发生漏水的数字图像的特征向量组成训练样本集；其中，m1和m2均为正整数，且m1＝50～100，m2＝50～100；训练样本集中训练样本的数量为m1+m2个。
本实施例中，获取训练样本时，采用图像采集单元采集一段时间段t1内发生漏水时的数字图像序列和未发生漏水时待监测区域的数字图像序列；发生漏水的数字图像序列中所包含数字图像的帧数为n1＝t1×fs，其中t1为发生漏水的数字图像序列的采样时间，fs为采样频率；未发生漏水的数字图像序列中所包含数字图像的帧数为n2＝t2×fs，其中t2为未发生漏水的数字图像序列的采样时间。其中，n1不小于m1，n2不小于m2。之后，从发生漏水的数字图像序列中选取m1个数字图像作为有漏水样本，并且从未发生漏水的数字图像序列中选取m2个数字图像作为无漏水样本。
本实施例中，m1＝m2。
步骤4、支持向量机分类模型建立，过程如下：
满足yi(ω*xi+b)≥1-ξi；i＝1，2，...，N
ξi≥0；i＝1，2，...，N
其中min()为表示取最小值的函数，max()为表示取最大值的函数，J()表示代价函数，ξi为非负松弛因子，g(x)＝ω*xi+b为线性判别函数，xi是第i个样本的输入，yi是第i个样本的输出，ω为权重向量，b为偏移量，||ω||为向量ω的范数；
用拉格朗日乘子法转化为：
其中，L()表示为拉格朗日乘子法转化后的函数，αi≥0，βi≥0为拉格朗日乘子，γ＞0为对错分样本的惩罚因子，用来控制对错分样本的惩罚程度；
根据KKT条件得：
可得凸二次优化的对偶形式：
满足
选用径向基函数作为所述支持向量机分类模型的核函数；
其中K()为径向基函数；
确定待惩罚因子γ与所用径向基函数的核参数σ2，便获得支持向量机分类模型的分类函数，并完成支持向量机分类模型的建立过程；其中，γ＝C-2，σ＝D-1，0.01＜C≤10，0.01＜D≤50。
对惩罚因子γ与核参数σ2进行确定时，先采用梯度下降法对参数C与D进行优化，获得优化后的参数C与D，再根据γ＝C-2和σ＝D-1将优化后的参数C与D转换成惩罚因子γ与核参数σ2。
设非线性映射为
则优化问题
其中，
为x的非线性映射；
求解得到二次优化问题的解
其中权重向量
偏移量
最后得到获得分类的支持向量机模型：
其中，sgn()为符号函数；
步骤5、支持向量机分类模型训练：将步骤3中所述训练样本集中的m1+m2个训练样本，输入到步骤4中所建立的支持向量机分类模型进行训练。
本实施例中，步骤4中进行支持向量机分类模型建立之前，先对所述训练样本集中的M个训练样本进行编号，所述训练样本集中第q个训练样本编号记为q，q为正整数且q＝1、2、...、M；第q个训练样本记作(xqyq)，将第q个训练样本的特征参数记为xq，yq为第q个训练样本的类别号且yq＝1或-1，其中类别号为1表示发生漏水，类别号为-1表示未发生漏水。
本实施例中，支持向量机分类模型建立后，最终采用的分类器模型为：
针对该模型进行对有无漏水情况的分类训练后，进行实际机房有无漏水的监测。
试验结果表明，本实施例提供的基于支持向量机的图像型机房漏水监测方法检测结果准确，且监测速度快。
Claims (7)
1.一种基于支持向量机的图像型机房漏水监测方法，其特征在于：该方法包括以下步骤：
步骤1：通过图像采集单元采集机房中待监测区域的数字图像，同时将每个采样时刻所采集到的数字图像同步传送至处理器；
步骤2：处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内，并对每个采样时刻所采集到的数字图像分别进行图像预处理操作，包括图像颜色空间的转换和图像块的划分；
步骤3：建立支持向量机的二分类模型，所述二分类模型的输入量为当前采样时刻待监测区域的数字图像的特征向量，所述二分类模型的输出量为当前采样时刻待监测区域对应的漏水状态类别；漏水状态类别包括有漏水和无漏水两个类别，其中：
支持向量机分类模型建立过程如下：
满足yi(ω*xi+b)≥1-ξi；i＝1，2，...，N
ξi≥0；i＝1，2，...，N
其中min()为表示取最小值的函数，max()为表示取最大值的函数，J()表示代价函数，ξi为非负松弛因子，g(x)＝ω*xi+b为线性判别函数，xi是第i个样本的输入，yi是第i个样本的输出，ω为权重向量，b为偏移量，||ω||为向量ω的范数；
用拉格朗日乘子法转化为：
其中，L()表示为拉格朗日乘子法转化后的函数，αi≥0，βi≥0为拉格朗日乘子，γ＞0为对错分样本的惩罚因子，用来控制对错分样本的惩罚程度；
根据KKT条件得：
可得凸二次优化的对偶形式：
满足
选用径向基函数作为所述支持向量机分类模型的核函数；
其中K()为径向基函数；
确定待惩罚因子γ与所用径向基函数的核参数σ2，便获得支持向量机分类模型的分类函数，并完成支持向量机分类模型的建立过程；其中，γ＝C-2，σ＝D-1，0.01＜C≤10，0.01＜D≤50；
对惩罚因子γ与核参数σ2进行确定时，先采用梯度下降法对参数C与D进行优化，获得优化后的参数C与D，再根据γ＝C-2和σ＝D-1将优化后的参数C与D转换成惩罚因子γ与核参数σ2；
设非线性映射为
则优化问题
其中，
为x的非线性映射；
求解得到二次优化问题的解
其中权重向量
偏移量
最后得到获得分类的支持向量机模型：
其中，sgn()为符号函数；
步骤4：将步骤2预处理后的图像输入步骤3所建立的支持向量机的二分类模型，得到是否漏水的结果，进而对机房漏水情况进行实时监测。
2.如权利要求1所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述图像采集单元包括摄像头和与摄像头相连接的视频采集卡，视频采集卡与处理器连接，处理器与数据存储器连接。
3.如权利要求1所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述步骤2具体包含以下步骤：
步骤2.1、图像存储：所述处理器将所接收的当前采样时刻所采集的数字图像同步存储在数据存储器内；
步骤2.2、图像颜色空间转换：原始图像都是在RGB空间存储的，首先将RGB空间的图像进行空间变换到HSV颜色空间；
步骤2.3、图像块划分：将颜色空间转换后的图像进行划分处理，获得目标图像。
4.如权利要求3所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述步骤2.3中，采用基于图像块划分聚类的方法得到低层特征向量；通过图像块划分把空间信息嵌入到一个个小块中，然后提取每个小块的颜色直方图，就既包含了颜色信息，又包含了空间信息；大小不同的块捕捉不同的尺度信息。
5.如权利要求1所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述步骤3中，支持向量机的二分类模型的建立过程如下：
步骤3.1、图像信息采集：采用图像采集单元分别采集发生漏水时待监测区域的多帧数字图像和未发生漏水时待监测区域的多帧数字图像；
步骤3.2、特征提取：对多帧发生漏水时的数字图像和多帧未发生漏水时的数字图像分别进行特征提取，并从各数字图像中分别提取出一组能代表并区别该数字图像的特征参数；
步骤3.3、训练样本集获取：从步骤3.2中特征提取后所获得的多帧发生漏水时数字图像和多帧未发生漏水时数字图像的特征向量中，分别选取m1帧发生漏水的数字图像的特征向量和m2帧未发生漏水的数字图像的特征向量组成训练样本集；其中，m1和m2均为正整数；训练样本集中训练样本的数量M＝m1+m2个；
步骤3.4、支持向量机的二分类模型训练：利用训练样本集对支持向量机的二分类模型进行训练，二分类模型的输出量为当前采样时刻待监测区域对应的漏水状态类别；漏水状态类别包括有漏水和无漏水两个类别。
6.如权利要求5所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述步骤3.3中，m1＝50～100，m2＝50～100。
7.如权利要求5所述的一种基于支持向量机的图像型机房漏水监测方法，其特征在于：所述步骤3.4中支持向量机的二分类模型训练前，先对训练样本集中M个训练样本进行编号，训练样本集中第q个训练样本的编号为q，q为正整数且q＝1、2、...、M；第q个训练样本记作(xq，yq)，其中，xp为第q个训练样本的特征参数，yq为第q个训练样本的类别号，yq＝1或-1，类别号yq为1表示有漏水，类别号yq为-1表示无漏水。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710072265.6A CN106845434B (zh) | 2017-02-09 | 2017-02-09 | 一种基于支持向量机的图像型机房漏水监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710072265.6A CN106845434B (zh) | 2017-02-09 | 2017-02-09 | 一种基于支持向量机的图像型机房漏水监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845434A CN106845434A (zh) | 2017-06-13 |
| CN106845434B true CN106845434B (zh) | 2020-05-05 |
Family
ID=59122333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710072265.6A Expired - Fee Related CN106845434B (zh) | 2017-02-09 | 2017-02-09 | 一种基于支持向量机的图像型机房漏水监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845434B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107833221B (zh) * | 2017-11-29 | 2020-08-07 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水检测方法 |
| CN109268928B (zh) * | 2018-09-12 | 2020-10-23 | 长安大学 | 一种供热监控*** |
| CN109990205B (zh) * | 2019-01-14 | 2021-05-04 | 中国矿业大学 | 一种井下中央泵房泄漏监测装置及方法 |
| CN109900785B (zh) * | 2019-03-30 | 2022-05-27 | 山东大学 | 水下排气声学时-空-频一体化实验装置及其运行方法 |
| CN110728679A (zh) * | 2019-10-23 | 2020-01-24 | 合肥盛东信息科技有限公司 | 一种管接头漏水智能监测方法 |
| CN113065416B (zh) * | 2021-03-16 | 2024-07-05 | 深圳供电局有限公司 | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 |
| CN115993210B (zh) * | 2023-03-24 | 2023-06-20 | 山东金宇信息科技集团有限公司 | 一种机房漏水检测方法及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000035372A (ja) * | 1998-07-16 | 2000-02-02 | Ishikawajima Inspection & Instrumentation Co | 赤外線を用いた発泡検査方法 |
| CN1991324A (zh) * | 2005-12-28 | 2007-07-04 | 陈乃克 | 一种利用红外成像技术检测密封物体泄漏的方法 |
| CN102636313A (zh) * | 2012-04-11 | 2012-08-15 | 浙江工业大学 | 基于红外热成像图像处理的渗漏源检测装置 |
| CN103217397A (zh) * | 2013-01-23 | 2013-07-24 | 山西省电力公司晋城供电分公司 | 基于红外图像处理的sf6气体检测方法 |
| CN105447471A (zh) * | 2015-12-04 | 2016-03-30 | 国网技术学院 | 基于红外检测的设备气体泄漏识别方法和装置 |
| CN105844298A (zh) * | 2016-03-23 | 2016-08-10 | 中国石油大学(华东) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
| CN105868444A (zh) * | 2016-03-23 | 2016-08-17 | 天津城建大学 | 一种基于特征图像的燃气管网泄漏检测和定位方法 |
| CN106022288A (zh) * | 2016-05-30 | 2016-10-12 | 电子科技大学 | 基于sar图像的海洋溢油信息识别与提取方法 |
-
2017
- 2017-02-09 CN CN201710072265.6A patent/CN106845434B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000035372A (ja) * | 1998-07-16 | 2000-02-02 | Ishikawajima Inspection & Instrumentation Co | 赤外線を用いた発泡検査方法 |
| CN1991324A (zh) * | 2005-12-28 | 2007-07-04 | 陈乃克 | 一种利用红外成像技术检测密封物体泄漏的方法 |
| CN102636313A (zh) * | 2012-04-11 | 2012-08-15 | 浙江工业大学 | 基于红外热成像图像处理的渗漏源检测装置 |
| CN103217397A (zh) * | 2013-01-23 | 2013-07-24 | 山西省电力公司晋城供电分公司 | 基于红外图像处理的sf6气体检测方法 |
| CN105447471A (zh) * | 2015-12-04 | 2016-03-30 | 国网技术学院 | 基于红外检测的设备气体泄漏识别方法和装置 |
| CN105844298A (zh) * | 2016-03-23 | 2016-08-10 | 中国石油大学(华东) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
| CN105868444A (zh) * | 2016-03-23 | 2016-08-17 | 天津城建大学 | 一种基于特征图像的燃气管网泄漏检测和定位方法 |
| CN106022288A (zh) * | 2016-05-30 | 2016-10-12 | 电子科技大学 | 基于sar图像的海洋溢油信息识别与提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| Amanda Berg等.《Classification of leakage detections acquired by airborne thermography of district heating networks》.《2014 8th IAPR Workshop on Pattern Reconition in Remote Sensing》.2014,第1-4页. * |
| 姜云安.《大中型机房环境监控***浅谈》.《智能建筑与城市信息》.2010,(第8期),第12-15页. * |
| 李晶哲等.《基于红外热成像技术的隧道衬砌渗漏水检测方法研究》.《公路交通科技 应用技术版》.2014,(第8期),第223-226页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845434A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
| CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
| CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及*** | |
| CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN115829999A (zh) | 一种绝缘子缺陷检测模型生成方法、装置、设备和存储介质 | |
| CN109635676A (zh) | 一种从视频中定位音源的方法 | |
| CN106960176B (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
| Tripathi et al. | An image processing and neural network based approach for detection and classification of plant leaf diseases | |
| CN105654141A (zh) | 基于Isomap和SVM算法的俯视群养猪个体识别方法 | |
| CN113160200B (zh) | 一种基于多任务孪生网络的工业图像缺陷检测方法及*** | |
| CN103985130B (zh) | 一种针对复杂纹理图像的图像显著性分析方法 | |
| CN111507275B (zh) | 一种基于深度学习的视频数据时序信息提取方法及装置 | |
| CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及*** | |
| CN113515655B (zh) | 一种基于图像分类的故障识别方法及装置 | |
| CN108537196B (zh) | 基于运动历史点云生成的时空分布图的人体行为识别方法 | |
| CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和*** | |
| CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
| CN111950457A (zh) | 油田安全生产图像识别方法及*** | |
| CN117557775A (zh) | 基于红外和可见光融合的变电站电力设备检测方法及*** | |
| CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
| CN116740808A (zh) | 基于深度学习目标检测和图像分类的动物行为识别方法 | |
| CN111402223B (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
| CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
| CN113610021A (zh) | 视频分类方法及装置、电子设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200505 |