一种液体泄漏监测方法及系统技术方案

本发明专利技术公开了一种液体泄漏监测方法及系统，采集监控设备的监控图像；利用

【技术实现步骤摘要】
一种液体泄漏监测方法及系统


[0001]本专利技术涉及液体泄漏检测领域，具体涉及一种液体泄漏监测方法及系统
。

技术介绍

[0002]液体泄漏是工厂环境中常见的事故和安全隐患之一，可能导致环境污染
、
设备损坏
、
生产中断以及人员伤亡等严重后果
。
现有的液体泄漏检测技术主要是传感器技术，以及流量计和液位计技术
。
但是，一些传感器技术容易受到环境因素的干扰不能检测小规模的液体泄漏，导致误报率较高，这可能会导致资源浪费和不必要的紧急响应
。
同时，在应对不同类型的液体
(
如水
、
化学品
、
石油产品等
)
时表现不佳，需要定制化的解决方案
。
[0003]因此，开发一种能够实时监测和及时响应液体泄漏事件的系统至关重要
。
目标识别技术是计算机视觉和人工智能领域的重要技术之一，通过对图像或视频中的目标进行检测
、
分类和跟踪，可以实现对特定目标的自动识别和定位
。
在实时化工厂液体泄漏监测系统中，目标识别技术被应用于检测和识别液体泄漏相关的目标，如液体流动
、
喷溅
、
积聚等
。
可以很好的检测液体小规模的液体泄漏以及对不同的液体进行检测
。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种液体泄漏监测方法及系统，能够高效
、
准确的方法来监测和识别工厂液体泄漏，并且可以保存工厂内液体泄漏的信息，以便于以后的分析和改进
。
[0005]技术方案：本专利技术公开了一种液体泄漏监测方法，包括如下步骤：
[0006]步骤
S1
：采集监控设备的监控图像，并在设备下方人工的模仿设备液体泄漏形成的水渍，以此得到训练所需要的原始数据集；
[0007]步骤
S2
：对获取到的图像数据，利用
ATECFN
模型进行去雾，并将获取到的透射率估计特征传递给
YOLO
模型；
[0008]步骤
S3
：所述
YOLO
模型将
ATECFN
模型获取的透射率估计特征和所述
YOLO
模型的
backbone
提取的特征进行特征加权融合，再传递给
Neck
部分，所述
Neck
部分使用
FPN
与
PAN
结构进行特征融合；将
ATECFN
模型输出的透射图先进行归一化，然后和
YOLO
模型的
backbone
提取的特征相乘，从而对特征图进行加权调整；
[0009]步骤
S4
：
YOLO
模块在预测结果时进行置信度校准；
[0010]步骤
S5
：在图像上标注泄漏的区域并将识别图像输出，完成液体泄漏监测
。
[0011]进一步地，所述步骤2中
ATECFN
模型采用的是对图像采用多注意力的方式进行大气光的估计特征提取和对图像物体的特征提取，将提取到的特征输入到大气扩散模型，具体公式如下：
[0012][0013]其中，
J(x)
为清晰图像，
I(x)
为有水雾的原始图像，
t(x)
为反映光的透过率的透射
图，
A
为反映大气光估计的图像
。
[0014]进一步地，所述步骤2中利用
ATECFN
模型进行去雾，并将获取到的透射率估计特征具体包括如下步骤：
[0015]步骤
2.1
：将图像进行多次卷积和残差结构相结合获取到初级的图像特征，将这几次得到的图像特征进行融合，并通过最大值池化和平均值池化与卷积相结合对其进行特征提取；
[0016]步骤
2.2
：将图像并行的进行多次步骤
2.1
，并将多次步骤
2.1
得到的特征进行融合得到对图像的大气光估计；
[0017]步骤
2.3
：采用
watershed
算法对原始图像进行语义分割，将语义分割形成的结果与原图像融合后进行一次卷积后作为输入进行多次步骤
2.1
的操作得到图像的透射图估计；
[0018]步骤
2.4
：将步骤
2.2
得到的特征与步骤
2.3
得到的特征进行公式
(1)
计算得到的粗略的结果图；
[0019]步骤
2.5
：将公式
(1)
计算得到的粗略的结果图与原始图像融合到一起，再将融合后的图像传送到编码器，并进行下采样后再传送到编码器中，最后将结果融合到一起，将融合后的结果输入到解码器中，将解码器输出的结果和粗略结果图进行逐元素相减法后输出重新定义的图像；
[0020]步骤
2.6
：将重新定义的图像与步骤
2.4
得到的粗略的结果图分别分成
10*10
的图像，在通过残差网络运算出是否为清晰图像的概率，再将其按照公式生成新的图像，具体公式如下：
[0021][0022]其中，
J(x)
是步骤
2.4
得到的粗略的结果图，
j
*
(x)
是步骤
2.6
得到的重新定义的图像，
I
p
为每一小块是清晰图的概率，
J
final
(x)
为最后的去雾完成的图像
。
[0023]进一步地，所述步骤
S3
中，将
ATECFN
模型产生的图像特征传入
YOLO
模型中，采用特征加权方法对
YOLO
模型的特征进行加权调整，具体公式如下：
[0024]W
＝
(X
tm
‑
X
min_tm
)/(X
max_tm
‑
X
min_tm
)
[0025]其中，
X
tm
为透射图的值，
X
min_tm
为透射图的最小值，
X
max_tm
为透射图的最大值；
[0026]F
＝
F
y
*W
[0027]其中，
F
为加权调整后的特征向量，
W
为透射图进行归一化后的权重，
F
y
为
...

【技术保护点】

【技术特征摘要】
1.
一种液体泄漏监测方法，其特征在于，包括如下步骤：步骤
S1
：采集监控设备的监控图像，并在设备下方人工的模仿设备液体泄漏形成的水渍，以此得到训练所需要的原始数据集；步骤
S2
：对获取到的图像数据，利用
ATECFN
模型进行去雾，并将获取到的透射率估计特征传递给
YOLO
模型；步骤
S3
：所述
YOLO
模型将
ATECFN
模型获取的透射率估计特征和所述
YOLO
模型的
backbone
提取的特征进行特征加权融合，再传递给
Neck
部分，所述
Neck
部分使用
FPN
与
PAN
结构进行特征融合；将
ATECFN
模型输出的透射图先进行归一化，然后和
YOLO
模型的
backbone
提取的特征相乘，从而对特征图进行加权调整；步骤
S4
：
YOLO
模块在预测结果时进行置信度校准；步骤
S5
：在经过
ATECFN
模型去雾后的去雾图像上标注泄漏的区域并将识别图像输出，完成液体泄漏监测
。2.
根据权利要求1所述的液体泄漏监测方法，其特征在于，所述步骤2中
ATECFN
模型采用的是对图像采用多注意力的方式进行大气光的估计特征提取和对图像物体的特征提取，将提取到的特征输入到大气扩散模型，具体公式如下：其中，
J(x)
为清晰图像，
I(x)
为有水雾的原始图像，
t(x)
为反映光的透过率的透射图，
A
为反映大气光估计的图像
。3.
根据权利要求2所述的液体泄漏监测方法，其特征在于，所述步骤2中利用
ATECFN
模型进行去雾，具体包括如下步骤：步骤
2.1
：将图像进行多次卷积和残差结构相结合获取到初级的图像特征，将这几次得到的图像特征进行融合，并通过最大值池化和平均值池化与卷积相结合对其进行特征提取；步骤
2.2
：将图像并行的进行多次步骤
2.1
，并将多次步骤
2.1
得到的特征进行融合得到对图像的大气光估计；步骤
2.3
：采用
watershed
算法对原始图像进行语义分割，将语义分割形成的结果与原图像融合后进行一次卷积后作为输入进行多次步骤
2.1
的操作得到图像的透射图估计；步骤
2.4
：将步骤
2.2
得到的特征与步骤
2.3
得到的特征进行公式
(1)
计算得到的粗略的结果图；步骤
2.5
：将公式
(1)
计算得到的粗略的结果图与原始图像融合到一起，再将融合后的图像传送到编码器，并进行下采样后再传送到编码器中，最后将结果融合到一起，将融合后的结果输入到解码器中，将解码器输出的结果和粗略结果图进行逐元素相减法后输出重新定义的图像；步骤
2.6
：将重新定义的图像与步骤
2.4
得到的粗略的结果图分别分成
10*10
的图像，在通过残差网络运算出是否为清晰图像的概率，再将其按照公式生成新的图像，具体公式如下：其中，
J(x)
是步骤
2.4
得到的粗略的结果图，
J
*
(x)
是步骤
2.6
得到的重新定义的图像，
I
p
为每一小块是清晰图的概率，...

【专利技术属性】
技术研发人员：杨俊杰，戴峻峰，冯佳兴，郭波，黄华强，张航，皇甫喜梅，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：