CN118071735B - 一种液漏检测方法及*** - Google Patents
一种液漏检测方法及*** Download PDFInfo
- Publication number
- CN118071735B CN118071735B CN202410452289.4A CN202410452289A CN118071735B CN 118071735 B CN118071735 B CN 118071735B CN 202410452289 A CN202410452289 A CN 202410452289A CN 118071735 B CN118071735 B CN 118071735B
- Authority
- CN
- China
- Prior art keywords
- difference
- value
- sequence
- representing
- liquid leakage
- 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.)
- Active
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000005484 gravity Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及液漏检测领域，尤其涉及一种液漏检测方法及***，方法包括步骤：获取视频流中的帧图像的灰度图像，计算相邻的帧图像的灰度图像中像素值的差值，生成差值序列，根据差值序列设置拟合曲线，进行图像增强，对增强后的图像进行阈值分割以区分前景区域和背景区域，计算增强效果评价值；判断增强效果评价值是否大于预设阈值，若否，根据预设的增值，更新拟合曲线，重复计算及判断，直至增强效果评价值不小于预设的评价阈值，完成图像增强；计算前景区域的面积与图像区域面积的占比，响应于占比大于预设的占比阈值时，进行漏液报警。本申请具有提高透明液体图像识别精度的效果。
Description
技术领域
本申请涉及液漏检测领域，尤其涉及一种液漏检测方法及***。
背景技术
漏液检测是一种重要的工业应用，特别是在化工厂管道监控中，确保及时发现潜在的泄漏点。传统技术依赖于人工巡检或使用专门的检测设备，但这些方法往往效率低下且容易受人为因素影响。随着技术的发展，特别是图像处理技术和机器学习算法的进步，自动化和智能化的漏液检测***应运而生，显著提高了检测的准确性和效率。
现代漏液检测***采用的图像处理技术来捕捉和分析图像数据。这些技术能够对环境噪声具有鲁棒性，即使在光线不足或有干扰的情况下也能保持较高的检测准确率。例如，通过运用深度学习算法，***可以学习识别各种漏液模式，进而快速准确地定位泄漏点。
在使用图像处理技术对液漏进行检测时，当液体为透明状态时，透明液体在视觉上不容易与背景或其他物体区分开来，这使得通过常规图像处理方法来精确识别液体的泄漏边界变得困难，容易造成图像的识别精度低的问题。
发明内容
为了精确识别液体的泄漏边界，尤其是透明液体，提高图像的识别精度，本申请提供一种液漏检测方法及***。
第一方面，本申请提供一种液漏检测方法及***，采用如下的技术方案：
一种液漏检测方法，包括步骤：获取视频流中的帧图像的灰度图像，计算相邻的帧图像的灰度图像中像素值的差值，按差值由小到大的顺序排序，生成差值序列；设置拟合曲线为：，其中，表示第个像素值的增强比重，表示差值序列中第个像素点在相邻的帧图像中的差值，表示超参数；根据拟合曲线，对图像中像素点的像素值进行图像增强，对增强后的图像进行阈值分割，以区分前景区域和背景区域，前景区域为液体区域，背景区域为非液体区域；利用前景区域和背景区域的像素值，设置高斯模型，使用高斯模型得到前景区域和背景区域的像素强度分布，计算增强效果评价值；判断增强效果评价值是否大于预设阈值，若否，根据预设的增值，更新拟合曲线，重复计算及判断，直至增强效果评价值不小于预设的评价阈值，完成图像增强；在增强后的图像中，计算前景区域的面积与图像区域面积的占比，响应于占比大于预设的占比阈值时，进行漏液报警。
可选的，增强效果评价值的计算公式为：
，其中，代表增强效果评价值，为前景区域的像素值均值。为前景区域的像素值标准差，为背景区域的像素值均值，为背景区域的像素值标准差，表示交集运算，表示并集运算。
可选的，拟合曲线中，超参数的计算方法包括：对差值序列进行二分类，得到一个差值小的类别和一个差值大的类别，差值序列的表达式为，差值大的类别的表达式为，差值小的类别的表达式为：，表示差值序列中第个像素点在相邻的帧图像中的差值，第个像素点为差值序列中的任意一个像素点，表示差值序列中第1个像素点在相邻的帧图像中的差值，表示差值序列中最后一个像素点在相邻的帧图像中的差值；计算类别差值，表达式为，表示第个像素点所在类别的类别差值，表示标准差计算；遍历得到所有的类别差值，构建类别差值序列，表达式为，表示类别差别序列，代表类别差值序列中第一个类别差值，代表类别差值序列中最后一个类别差值；计算拟合曲线的二阶导并表达式为：，令，将类别差值序列中最大值对应的差值作为代入二阶导表达式计算，得到的取值。
可选的，获取视频流中的帧图像，包括：根据预设的抽帧频次及预设的抽帧间隔，获取同一拍摄位置的两张帧图像。
可选的，根据预设的增值，增大拟合曲线中的的取值。
第二方面，本申请提供一种液漏检测***，采用如下的技术方案：
液漏检测***，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的液漏检测方法。
本申请具有以下技术效果：
1、通过相邻的帧图像中像素点像素值的差值得到对应位置上像素点像素值发生的变化，当水滴或者水流经过时，像素值发生变化，因此通过差值可以找到水流区域（漏液区域）。
2、设置关于差值与增强比重的拟合曲线，根据增强比重对图像的每个像素点进行增强，增强比重越大，代表前后帧图像中像素点差值越大的区域为有水流经过的区域的可能性越高，此类像素点越需要被增强，所以设置的图像增强的增强比重越大，这样不断的迭代对可能是水流区域（漏液区域）的像素点进行增强，以增大液体区域（前景区域）与非液体区域（背景区域）的区分度。
3.在增强后的图像中，计算前景区域的面积与图像区域面积的占比，响应于占比大于预设的占比阈值时，进行漏液报警。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种液漏检测方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种液漏检测方法，参照图1，包括步骤S1-步骤S6，具体如下：
S1：获取视频流中的帧图像的灰度图像，计算相邻的帧图像的灰度图像中像素值的差值，按差值由小到大的顺序排序，生成差值序列。
在视频流中，获取根据预设的抽帧频次及预设的抽帧间隔，获取同一拍摄位置的两张帧图像。示例性的，抽帧频次为30秒，抽帧间隔为1秒，即每30秒抽两帧图像，两帧图像之间间隔1秒，抽完第二帧图像后等待30秒再抽两帧图像，每次抽取的两帧图像为相邻的帧图像。
抽取的帧图像为RGB（Red，Green，Blue，红，绿，蓝）图像，将RGB图像转为灰度图像，计算相邻两张灰度图像之间的像素点值的差值，按像素值差值由小到大进行排列，得到差值序列。
做差的目的是通过相邻的帧图像中像素点像素值的差值得到对应位置上像素点像素值发生的变化，当水滴或者水流经过时，像素值发生变化，因此通过差值可以找到水流区域（漏液区域）。
S2：设置拟合曲线。
拟合曲线为：，其中，表示第个像素值的增强比重，表示差值序列中第个像素点在相邻的帧图像中的差值，表示超参数。
超参数的计算方法包括：
对差值序列进行二分类，得到一个差值小的类别和一个差值大的类别，差值序列的表达式为，差值大的类别的表达式为，差值小的类别的表达式为：，表示差值序列中第个像素点在相邻的帧图像中的差值，第个像素点为差值序列中的任意一个像素点，表示差值序列中第1个像素点在相邻的帧图像中的差值，表示差值序列中最后一个像素点在相邻的帧图像中的差值。
计算类别差值，表达式为，表示第个像素点所在类别的类别差值，表示标准差计算。
遍历得到所有的类别差值，构建类别差值序列，差值序列的表达式为：，表示类别差别序列，代表类别差值序列中第一个类别差值，代表类别差值序列中最后一个类别差值。
计算拟合曲线的二阶导并表达式为：，令，将类别差值序列中最大值对应的差值作为代入二阶导表达式计算，得到的取值。
S3：根据拟合曲线，对图像中像素点的像素值进行图像增强，对增强后的图像进行阈值分割，以区分前景区域和背景区域，前景区域为液体区域，背景区域为非液体区域。
拟合曲线中，每一个对应一个增强比重，越小，增强比重越小，越大，增强比重越大，代表前后帧图像中像素点差值越大的区域为有水流经过的区域的可能性越高，此类像素点越需要被增强，所以设置的图像增强的增强比重越大。
S4：利用前景区域和背景区域的像素值，设置高斯模型，使用高斯模型得到前景区域和背景区域的像素强度分布，计算增强效果评价值。
增强效果评价值的计算公式为：，其中，代表增强效果评价值，为前景区域的像素值均值。为前景区域的像素值标准差，为背景区域的像素值均值，为背景区域的像素值标准差，表示交集运算，表示并集运算。
3倍的标准差表示在一个数据集中，某个数值与平均值的距离是其标准差的3倍。在正态分布的情况下，99.73%的数据会落在平均值加减3个标准差的范围内。这意味着如果一个数据点落在平均值加减3个标准差之外，那么这个数据点被认为是异常值或离群值。
通过增强效果评价值的计算公式可以得到，增强效果评价值的范围是0到1。当越接近1时，表示增强效果非常好，因为此时前景区域和背景区域的像素值分布的重叠部分非常小。相反，当越接近0时，表示增强效果较差，因为此时前景区域和背景区域的像素值分布的重叠部分非常大。因此，可以通过调整和的值来优化增强效果评价值，使尽可能接近1。
S5：判断增强效果评价值是否大于预设阈值，若否，根据预设的增值，更新拟合曲线，重复计算及判断，直至增强效果评价值不小于预设的评价阈值，完成图像增强。
阈值设置的范围为，示例性的，阈值的取值可以为0.8，0.9或1，越接近于1，阈值越优。
当增强效果评价值小于预设阈值，不进行拟合曲线更新。当增强效果评价值大于或等于预设阈值，则更新拟合曲线，更新拟合曲线的方法为：根据预设的增值，增大拟合曲线中的的取值，示例性的，将拟合曲线的值域取值范围由更新为。重复判断，直至增强效果评价值不小于预设的评价阈值，完成图像增强。
S6：在增强后的图像中，计算前景区域的面积与图像区域面积的占比，响应于占比大于预设的占比阈值时，进行漏液报警。
占比阈值的范围为，示例性的，阈值的取值可以为，或。
将增强后的图像转化为二值图像，以将图像的像素值转化为只有黑白两种颜色，这样可以更容易地区分前景区域和背景区域。然后，使用图像处理库（如OpenCV）中的连通区域标记功能，将图像中相连的白色像素区域标记为一个单独的区域。计算区域面积：对于每个标记的区域，计算其包含的像素数量，即可得到该区域的面积。
当增强图像中前景区域的面积与图像区域面积的占比大于预设阈值的时候，进行漏液报警，漏液报警可以是声音报警，当检测到漏液时，***可以发出警报声或者播放预先录制好的警告语音。漏液报警还可以是视觉报警，在屏幕上显示警告信息或者在监控画面上突出显示漏液的区域。
本申请实施例还公开一种液漏检测***，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的一种液漏检测方法。
上述***还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (5)
1.一种液漏检测方法，其特征在于，包括步骤：
获取视频流中的帧图像的灰度图像，计算相邻的帧图像的灰度图像中像素值的差值，按差值由小到大的顺序排序，生成差值序列；
设置拟合曲线为：，其中，表示第个像素值的增强比重，表示差值序列中第个像素点在相邻的帧图像中的差值，表示超参数；
根据拟合曲线，对图像中像素点的像素值进行图像增强，对增强后的图像进行阈值分割，以区分前景区域和背景区域，前景区域为液体区域，背景区域为非液体区域；
利用前景区域和背景区域的像素值，设置高斯模型，使用高斯模型得到前景区域和背景区域的像素强度分布，计算增强效果评价值；
判断增强效果评价值是否大于预设阈值，若否，根据预设的增值，更新拟合曲线，重复计算及判断，直至增强效果评价值不小于预设的评价阈值，完成图像增强；
在增强后的图像中，计算前景区域的面积与图像区域面积的占比，响应于占比大于预设的占比阈值时，进行漏液报警；
拟合曲线中，超参数的计算方法包括：
对差值序列进行二分类，得到一个差值小的类别和一个差值大的类别，差值序列的表达式为，差值大的类别的表达式为，差值小的类别的表达式为：，表示差值序列中第个像素点在相邻的帧图像中的差值，第个像素点为差值序列中的任意一个像素点，表示差值序列中第1个像素点在相邻的帧图像中的差值，表示差值序列中最后一个像素点在相邻的帧图像中的差值；
计算类别差值，表达式为，表示第个像素点所在类别的类别差值，表示标准差计算；
遍历得到所有的类别差值，构建类别差值序列，表达式为，表示类别差别序列，代表类别差值序列中第一个类别差值，代表类别差值序列中最后一个类别差值；
计算拟合曲线的二阶导并表达式为：，令，将类别差值序列中最大值对应的差值作为代入二阶导表达式计算，得到的取值。
2.根据权利要求1所述的液漏检测方法，其特征在于，增强效果评价值的计算公式为：
，其中，代表增强效果评价值，为前景区域的像素值均值，为前景区域的像素值标准差，为背景区域的像素值均值，为背景区域的像素值标准差，表示交集运算，表示并集运算。
3.根据权利要求1所述的液漏检测方法，其特征在于，获取视频流中的帧图像，包括：根据预设的抽帧频次及预设的抽帧间隔，获取同一拍摄位置的两张帧图像。
4.根据权利要求1所述的液漏检测方法，其特征在于，更新拟合曲线的方法为：根据预设的增值，增大拟合曲线中的的取值。
5.一种液漏检测***，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-4任一项所述的液漏检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410452289.4A CN118071735B (zh) | 2024-04-16 | 2024-04-16 | 一种液漏检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410452289.4A CN118071735B (zh) | 2024-04-16 | 2024-04-16 | 一种液漏检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118071735A CN118071735A (zh) | 2024-05-24 |
| CN118071735B true CN118071735B (zh) | 2024-07-02 |
Family
ID=91107676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410452289.4A Active CN118071735B (zh) | 2024-04-16 | 2024-04-16 | 一种液漏检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118071735B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132947A (zh) * | 2023-10-27 | 2023-11-28 | 山东拓新电气有限公司 | 基于监控视频的危险区域人员识别方法 |
| CN117830315A (zh) * | 2024-03-05 | 2024-04-05 | 渭南大东印刷包装机械有限公司 | 基于图像处理的印刷机实时监控方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079663B (zh) * | 2019-12-19 | 2022-01-11 | 深圳云天励飞技术股份有限公司 | 高空抛物的监测方法、装置、电子设备及存储介质 |
-
2024
- 2024-04-16 CN CN202410452289.4A patent/CN118071735B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132947A (zh) * | 2023-10-27 | 2023-11-28 | 山东拓新电气有限公司 | 基于监控视频的危险区域人员识别方法 |
| CN117830315A (zh) * | 2024-03-05 | 2024-04-05 | 渭南大东印刷包装机械有限公司 | 基于图像处理的印刷机实时监控方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118071735A (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
| CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
| CN111444809A (zh) | 一种基于改进YOLOv3的输电线路异常目标检测方法 | |
| CN110084817B (zh) | 基于深度学习的数字高程模型生产方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN112417955B (zh) | 巡检视频流处理方法及装置 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
| CN111539456B (zh) | 一种目标识别方法及设备 | |
| CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
| EP4318395A1 (en) | A training method and an image instance segmentation method for an image mask generator | |
| CN106815851B (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
| CN118071735B (zh) | 一种液漏检测方法及*** | |
| CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
| CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
| CN111275642A (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
| CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
| CN116091784A (zh) | 一种目标跟踪方法、设备及存储介质 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN116977249A (zh) | 缺陷检测的方法、模型训练的方法和装置 |
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 |