一种基于视觉识别的化学品泄漏液识别检测预警处理方法与流程

本技术涉及工业安全监控，尤其涉及一种基于视觉识别的化学品泄漏液识别检测预警处理方法。

背景技术：

1、在石油化工、精细化工等领域，管道法兰、阀门密封面、设备包覆层等部位是化学品泄漏的高发区域。传统的泄漏检测方法多依赖压力传感器、气体探测器或人工巡检，存在响应滞后、布点稀疏、难以定位微漏点等问题。近年来，基于计算机视觉的泄漏检测方法逐渐受到关注，通过分析监控视频中的液斑颜色、纹理或运动特征来实现自动报警。

2、然而，现有视觉检测方法普遍存在明显缺陷：对于苯系物、醇类、酮类等透明或半透明化学品，液膜在金属表面上呈无色或浅色状态，常规的颜色分割和纹理分析几乎无法识别。在泄漏极早期，液膜厚度仅为亚微米级，尚未形成可滴落的液滴或明显的湿迹，帧差法、光流法或背景减除等方法因信号能量低于噪声地板而失效。

3、此外，工业现场存在冷凝水、雨水渗迹、喷淋水迹、油污、金属热变色等多种环境干扰源，这些干扰源在图像上呈现与真实泄漏相似的低灰度或色斑特征，导致现有方法误报率居高不下。部分方案尝试采用深度学习目标检测，但透明化学品样本稀缺、早期薄膜形态多变，模型难以训练且泛化能力差。

技术实现思路

1、本技术的实施例提供一种基于视觉识别的化学品泄漏液识别检测预警处理方法，通过检测泄漏引起的间接物理量，如局部微变形、干涉色相梯度、湿迹重力溯源不连通性及滴水时域统计特征，并与正常工况下的统计波动范围进行偏离度比较及趋势校验，实现了对透明化学品和超早期薄膜泄漏的极低误报率、极早期预警，为达到上述目的，本技术采用如下技术方案：

2、本发明提供了一种基于视觉识别的化学品泄漏液识别检测预警处理方法，所述方法包括：

3、获取目标区域的可见光图像序列；

4、对所述可见光图像序列进行图像识别，得到密封面或包覆层所在的目标图像区域；

5、对所述目标图像区域进行形貌分析，得到反映局部变形量的第一特征向量；

6、获取预定义的第二特征向量，所述第二特征向量表征无泄漏工况下环境干扰源在相同空间位置下的预期变形范围；

7、计算所述第一特征向量与所述第二特征向量之间的偏离度，获得偏离度；

8、比较所述偏离度与预设门限，得到比较结果；

9、若所述比较结果指示所述偏离度超过所述门限，则结合历史偏离度序列的趋势校验，输出泄漏预警信号。

10、在某些可能实现的方式中，所述得到反映局部变形量的第一特征向量，还包括：

11、对所述目标图像区域执行二值化分割，得到湿迹掩膜；

12、对所述湿迹掩膜进行骨架化并沿逆重力方向追踪，得到源端点归属特征；

13、对所述目标图像区域上方的固定检测窗内的像素亮度进行时序采样与脉冲提取，得到滴水间隔统计特征；

14、将所述形貌分析得到的特征与所述源端点归属特征、所述滴水间隔统计特征进行向量拼接，生成所述第一特征向量。

15、在某些可能实现的方式中，所述对所述目标图像区域进行形貌分析，得到反映局部变形量的第一特征向量，所述形貌分析包括灰度曲率分析或薄膜干涉色相梯度分析中的至少一种，其中，所述薄膜干涉色相梯度分析包括：

16、将所述目标图像区域中的每一帧图像转换到hsv颜色空间，提取色相通道图像；

17、计算所述色相通道图像在水平方向和垂直方向上的梯度，得到色相梯度图；

18、对所述色相梯度图执行区域生长，得到色相值单调递增或递减的连通域；

19、计算所述连通域内色相梯度沿法线方向的变化率，得到梯度变化序列；

20、从所述梯度变化序列中提取首个元素对应的色相值作为起始色相值，提取末个元素对应的色相值作为终止色相值；

21、将所述梯度变化序列的长度、所述起始色相值和所述终止色相值编码为所述第一特征向量的一部分。

22、在某些可能实现的方式中，所述得到色相值单调递增或递减的连通域，包括：

23、获取初始连通域候选；

24、对所述初始连通域候选内的像素色相值沿法线方向执行相位展开，得到展开相位序列；

25、计算所述展开相位序列的单调性指标；

26、若所述单调性指标低于预设单调阈值，则丢弃所述初始连通域候选；

27、计算所述展开相位序列中相邻极值点之间的相位差，得到相位差序列；

28、若所述相位差序列中的各相位差与预设薄膜干涉阶次库中的任一阶次的偏差均超过预设偏差阈值，则丢弃所述初始连通域候选；

29、将未被丢弃的初始连通域候选作为所述连通域。

30、在某些可能实现的方式中，所述形貌分析包括灰度曲率分析或薄膜干涉色相梯度分析中的至少一种，其中，所述灰度曲率分析具体包括：

31、对所述目标图像区域中的每一帧图像，提取沿垂直于母线方向的灰度剖面，得到一组灰度曲线；

32、对所述灰度曲线进行高斯滤波，得到平滑曲线；

33、计算所述平滑曲线的二阶导数，得到曲率值序列；

34、将所述曲率值序列中超过预设曲率阈值的局部峰值点记录为候选变形点；

35、对所述候选变形点按空间位置聚类，得到变形簇；

36、计算所述变形簇内所有候选变形点的曲率均值与曲率方差，将所述曲率均值和所述曲率方差作为所述第一特征向量的一部分。

37、在某些可能实现的方式中，所述得到反映局部变形量的第一特征向量，还包括：

38、对所述目标图像区域执行二值化分割，得到湿迹掩膜；

39、对所述湿迹掩膜进行骨架化，得到单像素宽的骨架线；

40、沿所述骨架线从最低点向最高点追踪，得到源端点坐标；

41、获取预标定的合法水源掩膜，所述合法水源掩膜包括法兰滴水投影带、喷淋覆盖区和冷凝水集中滴落区；

42、计算所述源端点坐标到所述合法水源掩膜的欧氏距离，若所述欧氏距离大于零则生成第一特征值为第一预设值，否则生成第一特征值为第二预设值；

43、将所述第一特征值作为所述第一特征向量的一部分。

44、在某些可能实现的方式中，所述得到反映局部变形量的第一特征向量，还包括：

45、对所述目标图像区域上方的固定检测窗内的像素亮度进行时序采样，得到亮度时间序列；

46、对所述亮度时间序列执行差分运算，得到差分序列；

47、从所述差分序列中提取幅值满足亮度跳变条件且宽度满足窄脉冲条件的脉冲，每个脉冲对应一个滴水事件，得到滴水时间戳序列；

48、计算所述滴水时间戳序列中相邻时间戳的间隔，得到间隔序列；

49、对所述间隔序列进行正态性检验，得到检验统计量，将所述检验统计量作为所述第一特征向量的第一个分量；

50、对所述间隔序列进行周期图分析，得到主频强度，将所述主频强度作为所述第一特征向量的第二个分量。

51、在某些可能实现的方式中，所述对所述可见光图像序列进行图像识别，得到密封面或包覆层所在的目标图像区域，包括：

52、对所述可见光图像序列中的起始帧图像执行边缘检测，得到边缘像素点集；

53、对所述边缘像素点集执行直线段提取，得到多个线段；

54、从所述多个线段中筛选出符合密封面几何约束的至少两条平行线段，所述几何约束包括线段间距与预设螺栓圆直径的差值小于预设差值阈值；

55、将所述至少两条平行线段围成的多边形区域标记为初始区域；

56、对所述可见光图像序列中的后续每一帧图像，以前一帧的初始区域为起点执行光流跟踪，得到当前帧的更新区域；

57、将所述更新区域作为所述目标图像区域。

58、在某些可能实现的方式中，所述获取预定义的第二特征向量，包括：

59、在无泄漏工况下，采集同一目标区域的参考图像序列；

60、对所述参考图像序列重复执行边缘检测、直线段提取、光流跟踪、灰度剖面提取、曲率计算和聚类步骤，得到多个参考变形簇；

61、统计所述多个参考变形簇的曲率均值的波动范围，得到参考均值区间；

62、统计所述多个参考变形簇的曲率方差的波动范围，得到参考方差区间；

63、将所述参考均值区间的上下界和所述参考方差区间的上下界组合，生成所述第二特征向量。

64、在某些可能实现的方式中，所述计算所述第一特征向量与所述第二特征向量之间的偏离度，包括：

65、从所述第一特征向量中提取当前曲率均值和当前曲率方差；

66、从所述第二特征向量中提取参考均值区间的上界和下界、参考方差区间的上界和下界；

67、计算所述当前曲率均值偏离所述参考均值区间的第一距离，若当前曲率均值位于区间内则第一距离为零，否则第一距离为当前曲率均值与所述参考均值区间的上界或下界的差值绝对值；

68、计算所述当前曲率方差偏离所述参考方差区间的第二距离，若当前曲率方差位于区间内则第二距离为零，否则第二距离为当前曲率方差与所述参考方差区间的上界或下界的差值绝对值；

69、将所述第一距离与所述第二距离加权求和，得到所述偏离度。

70、由上述技术方案可知，本技术具有如下有益效果：

71、本技术通过形貌特征分析，即灰度曲率或薄膜干涉色调梯度提取密封面或包覆层的局部微变形量，将泄漏检测从寻找液斑转变为监测间接物理信号，从而能够在液膜厚度仅为纳米至微米级的超早期阶段发出预警，为现场处置争取宝贵时间。利用薄膜干涉色相梯度单调性和干涉阶次一致性校验，可有效区分透明液膜与金属热变色、油污等干扰，解决了透明化学品不可见的行业痛点。引入重力溯源不连通性特征，通过追踪湿迹源端点是否位于环境水源掩膜内，直接排除冷凝水、雨水等环境水迹造成的误报，判决逻辑清晰、可解释性强且无需训练样本。

72、本技术在进行与形貌特征关联特征分析时还进行滴水事件时域统计特征，通过分析亮度脉冲间隔的变异系数和主频强度，能够区分随机冷凝滴水与准周期泄漏滴落，特别适用于管廊、集液槽等区域。通过预定义第二特征向量，即正常工况下环境干扰源的统计波动范围，并与当前第一特征向量计算偏离度，再结合历史偏离度序列的趋势校验，斜率和超限比例，有效抑制了单帧噪声、飞虫、光照闪变等瞬时干扰，实现了极低的误报率，整个方案仅使用普通可见光摄像头，无需红外、紫外或结构光等特殊硬件，也无需大量标注样本训练深度学习模型，部署成本低、适应性强，可广泛应用于化工厂、制药车间、储罐区等场景。