一种设备漏油检测方法技术

本发明专利技术提供一种设备漏油检测方法，该检测方法包括以下步骤：收集各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型；在设备油箱前上方安装摄像头，对所述摄像头视频图像中的油箱及油箱下地面区域进行设定；通过网络以及RTSP协议实时获取所述摄像头的视频图像；利用所述漏油油块识别模型对获取的视频图像进行检测分析，判断设备是否漏油以及漏油的严重程度。本发明专利技术通过对各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型，利用漏油油块识别模型对摄像头获取的视频图像进行实时检测，从而判断设备是否漏油，实现了设备漏油情况的实时智能检测，检测效率高、准确性高，提高了生产的安全性。

A detection method of equipment oil leakage

【技术实现步骤摘要】
一种设备漏油检测方法
本专利技术涉及设备漏油检测
，特别涉及一种设备漏油检测方法。
技术介绍
设备漏油的治理是设备管理及维修工作中的主要任务之一。设备漏油不仅浪费大量油料，而且污染环境、增加润滑保养工作量，严重时甚至造成设备事故而影响生产。因此，治理漏油是改善设备技术状态的重要措施之一。现有技术中主要采用人工巡检的方式对设备漏油情况进行检测，巡检人员发现设备漏油后，立刻操作设备停机，并通知相关人员维修。然而这种检测方式不能对设备漏油情况进行实时监控，难以及时发现异常状况，具有一定的滞后性，给设备带来安全隐患。此外，油渍地面也会给巡检人员带来安全隐患。
技术实现思路
本专利技术的目的在于提供一种设备漏油检测方法，以实现对设备漏油情况的实时智能检测，提高检测的效率和安全性。为解决上述技术问题，本专利技术的实施例提供一种设备漏油检测方法，包括以下步骤：S1、收集各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型；S2、在设备油箱前上方安装摄像头，对所述摄像头视频图像中的油箱及油箱下地面区域进行设定；S3、通过网络以及RTSP协议实时获取所述摄像头的视频图像；S4、利用所述漏油油块识别模型对获取的视频图像进行检测分析，判断设备是否漏油以及漏油的严重程度。优选地，所述步骤S1包括：收集不同时间段的漏油油块图片样本，并根据形状进行分类；基于深度学习卷积神经算法对每一种形状的漏油油块图片样本分别进行目标识别训练，生成漏油油块识别模型。优选地，所述收集不同时间段的漏油油块图片样本，并根据形状进行分类的步骤具体包括：根据实际需求对所述漏油油块图片样本的大小进行裁剪处理；利用标注工具对所述漏油油块图片样本中油块的轮廓进行标注；根据标注的轮廓形状对收集的漏油油块图片样本进行分类。优选地，在所述步骤S2中，所述摄像头的监控区域覆盖整个油箱及油箱下面的地面，并且所述摄像头支持RTSP、ONVIF协议。优选地，所述步骤S4包括：将获取的视频图像载入生成的漏油油块识别模型进行图像检测；当视频图像中检测不到漏油油块时，判断设备没有发生漏油；当视频图像中检测到漏油油块时，判断设备发生漏油。优选地，所述步骤S4还包括：当视频图像中检测到漏油油块时，将漏油油块的轮廓与所述漏油油块识别模型中的漏油油块图片样本的轮廓进行对比；根据对比结果判断设备漏油的严重程度。优选地，所述检测方法还包括在所述步骤S4之后进行的：当判断出设备漏油时，向工作人员进行报警，报警方式包括声光报警、监控屏展示报警和移动终端信息推送报警。优选地，所述检测方法还包括在所述步骤S4之后进行的：当判断出设备漏油时，向设备控制器发送指令，控制设备停机或调整运行参数。本专利技术的上述技术方案的有益效果如下：上述方案中，本专利技术通过对各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型，利用漏油油块识别模型对摄像头获取的视频图像进行实时检测，从而判断设备是否漏油以及漏油的严重程度。本专利技术能够实现设备漏油情况的实时智能检测，检测效率高、准确性高，并且在判断出设备漏油时能够及时进行报警和设备联动，提高了生产的安全性。附图说明图1是本专利技术实施例提供的设备漏油检测方法的流程图；图2a-图2c是本专利技术实施例中漏油油块轮廓标注示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术的实施例提供了一种设备漏油检测方法，如图1所示，所述方法包括以下步骤：S1、收集各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型；S2、在设备油箱前上方安装摄像头，对所述摄像头视频图像中的油箱及油箱下地面区域进行设定；S3、通过网络以及RTSP协议实时获取所述摄像头的视频图像；S4、利用所述漏油油块识别模型对获取的视频图像进行检测分析，判断设备是否漏油以及漏油的严重程度。上述方案中，本专利技术通过对各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型，利用漏油油块识别模型对摄像头获取的视频图像进行实时检测，从而判断设备是否漏油以及漏油的严重程度，实现了设备漏油情况的实时智能检测，检测效率高、准确性高，提高了生产的安全性。进一步地，步骤S1包括：收集不同时间段的漏油油块图片样本，并根据形状进行分类；在本步骤中，漏油油块图片样本的形状要求尽量多，可以通过模拟漏油的实验获取数据样本；基于深度学习卷积神经算法对每一种形状的漏油油块图片样本分别进行目标识别训练，生成漏油油块识别模型。其中，所述收集不同时间段的漏油油块图片样本，并根据形状进行分类的步骤具体包括：根据实际需求对所述漏油油块图片样本的大小进行裁剪处理；利用标注工具对所述漏油油块图片样本中油块的轮廓进行标注；根据标注的轮廓形状对收集的漏油油块图片样本进行分类。模型训练的具体算法如下：1)数据集预处理按照实际需求对漏油油块图片样本的大小进行裁剪处理，利用标注工具labelme对收集的漏油油块图片样本进行标注。例如图2a-图2c所示，对各种形状的漏油油块的轮廓进行标注。2)模型训练步骤为：配置训练参数→训练head部分→训练所有层训练参数配置如下：加载预训练模型：训练模型：模型预测：配置一个测试类类InferenceConfig类：进一步地，在步骤S2中，摄像头的监控区域覆盖整个油箱及油箱下面的地面，并且摄像头支持RTSP、ONVIF协议。获取摄像头实时视频图像的实现算法如下：其中，cv2是opencv库，rtsp://admin:admin@192.168.1.45:554//Streaming/Channels/1为摄像头的rtsp流媒体地址，根据实际的摄像头获取，frame为实时获取到的视频图像。进一步地，步骤S4包括：将获取的视频图像载入生成的漏油油块识别模型进行图像检测；当视频图像中检测不到漏油油块时，判断设备没有发生漏油；当视频图像中检测到漏油油块时，判断设备发生漏油。进一步地，步骤S4还包括：当视频图像中检测到漏油油块时，将漏油油块的轮廓与所述漏油油块识别模型中的漏油油块图片样本的轮廓进行对比；根据对比结果判断设备漏油的严重程度。具体实现算法如下：根据results返回的结果情况，如果检测到任何一种形状的漏油图像，都判断为设备本文档来自技高网...

【技术保护点】
1.一种设备漏油检测方法，其特征在于，包括以下步骤：/nS1、收集各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型；/nS2、在设备油箱前上方安装摄像头，对所述摄像头视频图像中的油箱及油箱下地面区域进行设定；/nS3、通过网络以及RTSP协议实时获取所述摄像头的视频图像；/nS4、利用所述漏油油块识别模型对获取的视频图像进行检测分析，判断设备是否漏油以及漏油的严重程度。/n

【技术特征摘要】
1.一种设备漏油检测方法，其特征在于，包括以下步骤：
S1、收集各种形状的漏油油块图片样本进行目标识别训练，生成漏油油块识别模型；
S2、在设备油箱前上方安装摄像头，对所述摄像头视频图像中的油箱及油箱下地面区域进行设定；
S3、通过网络以及RTSP协议实时获取所述摄像头的视频图像；
S4、利用所述漏油油块识别模型对获取的视频图像进行检测分析，判断设备是否漏油以及漏油的严重程度。


2.根据权利要求1所述的设备漏油检测方法，其特征在于，所述步骤S1包括：
收集不同时间段的漏油油块图片样本，并根据形状进行分类；
基于深度学习卷积神经算法对每一种形状的漏油油块图片样本分别进行目标识别训练，生成漏油油块识别模型。


3.根据权利要求2所述的设备漏油检测方法，其特征在于，所述收集不同时间段的漏油油块图片样本，并根据形状进行分类的步骤具体包括：
根据实际需求对所述漏油油块图片样本的大小进行裁剪处理；
利用标注工具对所述漏油油块图片样本中油块的轮廓进行标注；
根据标注的轮廓形状对收集的漏油油块图片样本进行分类。


4.根据权利要求1所述的设备漏油检测方法，其特征在于，在所述步...

【专利技术属性】
技术研发人员：吴坤海，赵利清，卞贤军，李静思，
申请(专利权)人：安徽银河物联通信技术有限公司，
类型：发明
国别省市：安徽;34