一种监控装置泄露的智能预警***
技术领域
本发明涉及一种智能视频监控***,尤其是涉及一种基于深度学习神经网络模型的监控装置泄露的智能预警***。
背景技术
石油化工装置存在大量生产、储存和运输过程中易燃、易爆或易腐蚀液体的输送管道、塔、罐等设备,这些设备在使用过程中容易发生泄漏,进而可能火灾***,给企业带来损失。根据相关标准,各企业在现场设置了一定数量的监控设备,但针对海量的视频数据,管控平台的工作人员注意力难以长时间保持高度集中,人工搜索效率低,受到现场光线强弱、雨雪天气以及雾霾的影响从而影响工作人员对监控视频的判断,这极大的影响了利用视频监控现场装置泄漏的进行预警的准确度。
目前,针对装置泄漏监测的技术有很多,如CN103596824B《夜压产生装置以及液压制动***》、TW200820940A《在减压传递***之覆盖处用于定位液体泄漏之***及方法》等。这些监测技术大多采用传感电路、超声波等技术,随着视频监控***的发展,人工智能视频化技术具有广阔的应用前景。如何实现对现场进行24小时不间断的监控,以及快速准确识别现场装置泄漏点,特别是涉及现场光线昏暗(夜晚、阴天或光线昏暗)、雨天、雾霾的泄漏点,及时对现场的警情进行提示或报警,避免事故扩大化;同时可提取现场事故发生的视频,对分析事故发生的原因有很大的作用。
发明内容
为解决不间断实时监控并准确识别装置泄露情况,尤其是在光线昏暗、雨天和雾霾情况下的泄露情况,本发明提供了一种监控装置泄露的智能预警***及监控装置泄露的智能预警方法,具体技术方案为:
一种监控装置泄露的智能预警***,包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学***台发布管控命令。
优选的是,视频图像增强模块具体是,通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到增强视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到增强视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到增强视频图像。
还优选的是,基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,处理得到增强视频图像的表达式为处理方法具体包括以下步骤:
步骤一:对光线昏暗情况下的视频图像进行低通滤波处理,得到包含轮廓信息的低频图像A(x,y);
步骤二:获取包含视频图像细节的高频信息,具体是用原始图像F(x,y)减去低频图像A(x,y),即F(x,y)-A(x,y);
步骤三:增强对比度,具体是通过将高频图像乘以增强因子a,即
步骤四:条件图像亮度,具体是加上一个调节图像亮度的因子b。
还优选的是,所述模糊C均值算法处理雨雪天气情况下的视频图像包括以下步骤:
步骤一:视频图像由多个像素点构成,设像素点为I(x,y),设图像中的光强度序列I(t)=I(1),I(2),…,I(k),其中t=1,2,…,k;
步骤二:设置背景类和雨滴类两个类别,通过亮度比较,将背景类平均亮度设定为Bcenter;将雨滴类平均亮度设定为Rcenter;
步骤三:初始化隶属度矩阵U,使U满足隶属度的和总为1;
步骤四:计算背景类和雨滴类两类像素点的平均亮度,具体为Bcenter=Min(I),Rcenter=Max(I);
步骤五:计算各个像素点I(t)与背景类和雨滴类两个类别平均亮度的绝对值,设JB=|I(t)-Bcenter|,JR=|I(t)-Rcenter|,进行对比,如果JB≤JR,把像素点I(t)归纳到背景类,如果JB≥JR,把像素点I(t)归纳到雨滴类;
步骤六:计算如果J的值小于设定的阙值,则分类结束;如果J的值不小于设定的阙值,则计算新的矩阵U,从步骤三开始计算;
步骤七:完成分类,将背景类和雨滴类亮度分别进行算术平均,计算出背景类和雨滴类两个类别的中心亮度Center。
进一步优选的是,所述模糊C均值算法处理雨雪天气情况下的视频图像过程中将背景亮度估算出的像素设为C,背景类中数目占总数目k的百分比设定为α,设定C=αBcenter+(1-α)Rcenter。
还优选的是,所述Retinex算法处理雾霾天气情况下的视频图像包括以下步骤:
步骤一:大气光强估计,将视频图像各像素点的亮度值按照递减顺序进行排序,选择亮度值到达前0.1%的最亮点的位置,与原视频图像进行对照,选择其中最大的值作为大气光强的值;
步骤二:求传递图,计算估计获得照射分量,并将视频图像转换为灰度图像,得到传递图t(x);
步骤三:求解方程,利用大气去雾模型求解得到去雾视频图像。
优选的是,所述模型构建模块构建的五层深度神经网络模型具体是,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机,输入数据为通过所述视频采集模块转化的图片或视频帧,输出数据为装置泄露位置和液体泄露状态。
还优选的是,所述模型学习模块获取液体泄露状态的特征参数包括颜色布局描述特征、颜色结构描述特征、纹理描述特征、边缘直方图描述特征和光谱反射率特征。
进一步优选的是,所述泄漏预警模块诊断泄露状态为渗透时,视频管控平台显示为一般风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;所述泄漏预警模块诊断泄露状态为滴漏时,视频管控平台显示为中等风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人;所述泄漏预警模块诊断泄露状态为喷射时,视频管控平台显示为重大风险,平台报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人和主管。
另外优选的是,所述的监控装置泄露的智能预警***的预警方法具体为:
步骤一:采集视频,视频采集模块将装置现场监控拍摄的视频转化为图片或视频帧;
步骤二:清晰化处理视频图像,视频图像增强模块通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到清晰化的视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到清晰化的视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到清晰化的视频图像;
步骤三:视频图像标注,采用图像标注工具对得到的清晰化的视频图像用边界框进行标注,将渗透、滴漏和喷射三种液体泄露状态标注在边界框内;
步骤四:视频图像划分,将步骤三获得的视频图像划分为训练用视频图像和验证用视频图像;
步骤五:构建深度学习神经网络,构建五层的深度神经网络模型,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机;
步骤六:确定输入输出数据,选取步骤四中的训练用视频图像,输入层输入通过所述视频采集模块转化的图片或视频帧,输出层输出结果为装置泄露位置和液体泄露状态;
步骤七:训练深度学习神经网络,利用模型学习模块获取液体泄露状态的特征参数包括颜色布局描述特征、颜色结构描述特征、纹理描述特征、边缘直方图描述特征和光谱反射率特征;
步骤八:调整深度神经网络,根据步骤七获得的特征参数,调整深度神经网络的第五层;
步骤九:模型验证,将步骤四中的验证用视频图像输入步骤八得到的深度神经网络模型,输出结果;
步骤十:模型优化,根据步骤九视频图像的验证结果对深度神经网络模型进行优化;
步骤十一:泄露预警,将监控视频接入视频采集模块,将***识别结果输入到视频管控平台,视频管控平台对渗透、滴漏和喷射三种液体泄露状态分别预警。
本发明的有益效果有:(1)利用视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块结合的***自动智能识别装置泄露,解决了利用视频监控装置泄露的过程中不能第一时间发现装置泄露问题,避免了由于人员注意了长时间集中导致判断失误的问题;(2)视频图像增强模块利用基于闭运算的自适应增强算法、模糊C均值算法和Retinex算法分别处理夜间、雨天和雾霾天气情况下的视频图像,使得监控***能够自动识别不同的恶劣天气影响下的视频监控情况;(3)该智能预警方法还具有高度智能化和自动化的监控功能,实现了装置泄露情况的安全自动监控;(4)本发明还具有泄漏预警模块能够及时的对现场的监控情况进行提示或报警,避免事故扩大化,并通过提取现场事故发生的视频,作为分析事故发生的原因的重要依据。
附图说明
图1为预警装置结构示意图;
图2为预警***工作流程图。
具体实施方式
结合图1和图2所示,对本发明的监控装置泄露的智能预警***及监控装置泄露的智能预警方法做进一步具体说明。
实施例1
结合图1所示,本实施例是对监控装置泄露的智能预警***结构及预警方法的详细说明。
监控装置泄露的智能预警***具体包括视频采集模块、视频图像增强模块、数据标注模块、模型构建模块、模型学习模块、数据验证模块和泄漏预警模块,通过上述模块的组合***实现了自动智能识别装置泄露,解决了利用视频监控装置泄露的过程中不能第一时间发现装置泄露问题,避免了由于监控操作人员注意了长时间集中导致判断失误的问题。
视频采集模块与装置视频监控之间实现监控数据实时传输,视频采集模块主要是将输入的装置现场监控视频转化为图片或视频帧。视频图像增强模块处理光线昏暗、雨雪天气和雾霾天气情况下的视频图像,视频图像增强模块具体是,通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到增强视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到增强视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到增强视频图像。数据标注模块根据液体泄漏的图片或视频帧,采用图像标注工具,将渗透、滴漏和喷射三种液体泄露状态分别用边界框在图像中标注。通过对模糊视频图像的清晰化处理,使得监控***能够自动识别不同的恶劣天气影响下的视频监控情况,并且通过图像自动化清晰处理视频图像对泄露的原因分析具有重要意义。
模型构建模块构建五层的深度神经网络模型,模型构建模块构建的五层深度神经网络模型具体是,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机,输入数据为通过所述视频采集模块转化的图片或视频帧,输出数据为装置泄露位置和液体泄露状态。模型学习模块采取有监督训练获取液体泄露状态的特征参数,模型学习模块获取液体泄露状态的特征参数包括颜色布局描述特征、颜色结构描述特征、纹理描述特征、边缘直方图描述特征和光谱反射率特征。数据验证模块利用输入的液体泄露验深度神经网络模型的识别能力,并优化深度神经网络结构。
泄漏预警模块利用训练成功的液体泄露验深度神经网络模型诊断泄露状态,并通过视频管控平台发布管控命令,根据不同的泄露情况采取不同的处理措施,并根据泄露位置通知相关人员。泄漏预警模块诊断泄露状态为渗透时,视频管控平台显示为一般风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;所述泄漏预警模块诊断泄露状态为滴漏时,视频管控平台显示为中等风险,在平台内报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人;所述泄漏预警模块诊断泄露状态为喷射时,视频管控平台显示为重大风险,平台报警,自动弹出泄露图像并对泄露位置进行标注,同时以文字状态显示泄露位置;并以短信或微信方式即时推送至负责人和主管。
实施例2
结合图2所示,本实施例是对监控装置泄露的智能预警方法的进一步的说明。
监控装置泄露的智能预警***的预警方法具体为:
步骤一:采集视频,视频采集模块将装置现场监控拍摄的视频转化为图片或视频帧,通过数据传输线路将视频图像传输至视频图像增强模块;
步骤二:清晰化处理视频图像,视频图像增强模块通过采用基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,得到清晰化的视频图像;通过采用模糊C均值算法处理雨雪天气情况下的视频图像,得到清晰化的视频图像;通过采用Retinex算法处理雾霾天气情况下的视频图像,得到清晰化的视频图像;
步骤三:视频图像标注,采用图像标注工具对得到的清晰化的视频图像用边界框进行标注,将渗透、滴漏和喷射三种液体泄露状态标注在边界框内;
步骤四:视频图像划分,将步骤三获得的视频图像划分为训练用视频图像和验证用视频图像;
步骤五:构建深度学习神经网络,构建五层的深度神经网络模型,第一层采用稀疏自动编码器,第二层和第三层采用通用自动编码器,第四层采用降噪自动编码器,第五层采用SVM支持向量机;
步骤六:确定输入输出数据,选取步骤四中的训练用视频图像,输入层输入通过所述视频采集模块转化的图片或视频帧,输出层输出结果为装置泄露位置和液体泄露状态;
步骤七:训练深度学习神经网络,利用模型学习模块获取液体泄露状态的特征参数包括颜色布局描述特征、颜色结构描述特征、纹理描述特征、边缘直方图描述特征和光谱反射率特征;
步骤八:调整深度神经网络,根据步骤七获得的特征参数,选取合适的的特征参数并依据此来调整深度神经网络的第五层;
步骤九:模型验证,将步骤四中的验证用视频图像输入步骤八得到的深度神经网络模型,输出结果;
步骤十:模型优化,根据步骤九视频图像的验证结果对深度神经网络模型进行优化;
步骤十一:泄露预警,将监控视频接入视频采集模块,将***识别结果输入到视频管控平台,视频管控平台对渗透、滴漏和喷射三种液体泄露状态分别预警。
该智能预警方法具有高度智能化和自动化的监控功能,实现了装置泄露情况的安全自动监控,并根据深度神经网络模型进行调整优化,其具有学习能力,通过不断识别装置泄露情况来提高预警的准确度。
实施例3
本实施例是对实施例2中监控装置泄露的智能预警方法中视频图像处理方法的进一步详细说明。
清晰化处理视频图像中,对于基于闭运算的自适应增强算法处理光线昏暗情况下的视频图像,处理得到增强视频图像的表达式为处理方法具体包括以下步骤:
步骤一:对光线昏暗情况下的视频图像进行低通滤波处理,得到包含轮廓信息的低频图像A(x,y);
步骤二:获取包含视频图像细节的高频信息,具体是用原始图像F(x,y)减去低频图像A(x,y),即F(x,y)-A(x,y);
步骤三:增强对比度,具体是通过将高频图像乘以增强因子a,即
步骤四:条件图像亮度,具体是加上一个调节图像亮度的因子b。
清晰化处理视频图像中,对于模糊C均值算法处理雨雪天气情况下的视频图像,模糊C均值算法处理雨雪天气情况下的视频图像过程中将背景亮度估算出的像素设为C,背景类中数目占总数目k的百分比设定为α,设定C=αBcenter+(1-α)Rcenter,包括以下步骤:
步骤一:视频图像由多个像素点构成,设像素点为I(x,y),设图像中的光强度序列I(t)=I(1),I(2),…,I(k),其中t=1,2,…,k;
步骤二:设置背景类和雨滴类两个类别,通过亮度比较,将背景类平均亮度设定为Bcenter;将雨滴类平均亮度设定为Rcenter;
步骤三:初始化隶属度矩阵U,使U满足隶属度的和总为1;
步骤四:计算背景类和雨滴类两类像素点的平均亮度,具体为Bcenter=Min(I),Rcenter=Max(I);
步骤五:计算各个像素点I(t)与背景类和雨滴类两个类别平均亮度的绝对值,设JB=|I(t)-Bcenter|,JR=|I(t)-Rcenter|,进行对比,如果JB≤JR,把像素点I(t)归纳到背景类,如果JB≥JR,把像素点I(t)归纳到雨滴类;
步骤六:计算如果J的值小于设定的阙值,则分类结束;如果J的值不小于设定的阙值,则计算新的矩阵U,从步骤三开始计算;
步骤七:完成分类,将背景类和雨滴类亮度分别进行算术平均,计算出背景类和雨滴类两个类别的中心亮度Center。
清晰化处理视频图像中,对于Retinex算法处理雾霾天气情况下的视频图像,具体包括以下步骤:
步骤一:大气光强估计,将视频图像各像素点的亮度值按照递减顺序进行排序,选择亮度值到达前0.1%的最亮点的位置,与原视频图像进行对照,选择其中最大的值作为大气光强A的值;
步骤二:求传递图,计算估计获得照射分量,并将视频图像转换为灰度图像,得到传递图t(x);
步骤三:求解方程,利用大气去雾模型求解得到去雾视频图像。
其中Retinex算法处理的大气去雾模型的表达式为F(x,y)=I(x,y)R(x,y),式中F(x,y)表示原始的视频图像;I(x,y)表示为光照分量,即大气传递模型的传递图t(x);R(x,y)表示反射分量,包括视频图像中的细节信息。
求传递图t(x)的表达式为:式中t(x)为传递图,1-ρ(x)表示逆反照率C(x);其中,反照率C(x)的计算方法为C(x)=L(x,y)=IO(x,y)*G,式中L(x,y)是需要估计的照射分量,IO(x,y)是原始视频图像I(x,y)转化为的灰度图像,G是高斯函数,*表示卷积。
对于高斯函数G有定义如下其中
去雾图像J(x)的表达式为:
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。