一种基于深度学习的管路泄露检测系统及方法与流程
本发明属于图像识别与船舶安全监测,具体涉及一种基于深度学习的管路泄露检测系统及方法。
背景技术:
1、目前,船舶航行时对船舱管路的安全监测主要采用人力巡检和传感器监测两种方式。人力巡检方式需要船员定期对各舱室管路进行逐一检查,人力资源消耗较大,且两次巡检之间存在较长时间间隔,报警响应周期过长。传感器监测方式通过在管路节点处安装液位传感器、气体传感器等设备来感知泄露,然而,随着船舶舱室结构日趋复杂、管路数量不断增加,大规模传感器的安装施工需要穿舱布线,工程实施难度较大;此外,传感器仅能输出数值型报警信号,检测结果缺乏直观图像信息,当报警触发时,难以通过报警信号本身快速核实是否存在虚报,给损管处置带来不便。
技术实现思路
1、为了解决现有技术中存在的技术问题,本发明提供了一种基于深度学习的管路泄露检测系统,包括摄像头、服务器,还包括:
2、无线通信模块,与所述服务器通信连接,所述无线通信模块包括基带单元、数据汇聚单元和射频单元,所述基带单元与所述数据汇聚单元通信连接,所述数据汇聚单元与所述射频单元通信连接,所述射频单元用于向船舱内提供无线覆盖;
3、无线终端,与所述射频单元无线连接,用于接收报警信息;
4、报警装置,与所述服务器信号连接,用于在接收到触发指令时发出报警;
5、本地存储器,与所述服务器信号连接,用于存储泄露图像;
6、所述服务器存储有深度学习检测模型,所述服务器与所述摄像头信号连接,用于对所述摄像头采集的实时视频流进行推理检测,当检测到管路泄露时,同步触发所述报警装置发出报警、将泄露图像存储至所述本地存储器、并通过所述无线通信模块将携带泄露图像的报警信息推送至所述无线终端。
7、进一步的,还包括:交换机,所述摄像头通过所述交换机与所述服务器有线连接,所述报警装置通过所述交换机与所述服务器信号连接。
8、进一步的,所述摄像头包括标准摄像头和/或鱼眼摄像头,所述摄像头的采集分辨率不低于2560×1440像素,采集图像的格式为jpeg格式。
9、进一步的,所述深度学习检测模型被配置为对管路漏水、管路漏油、管路蒸汽泄露中的至少一种进行分类识别。
10、进一步的,所述服务器被配置为:将检测到管路泄露时的视频片段及静态图像按时间戳存储至所述本地存储器,并记录泄露类别信息。
11、上述系统的管路泄露检测方法,包括以下步骤:
12、s1、构建管路泄露检测数据集,所述数据集包含船舱场景下多类别管路泄露图像,并按泄露类别对所述图像进行标注;
13、s2、对所述数据集进行数据增强处理,得到增强后的训练集;构建负样本训练集,所述负样本训练集包含船舱正常运行场景下的图像;
14、s3、基于所述增强后的训练集和所述负样本训练集训练深度学习检测模型;
15、s4、将训练完成的深度学习检测模型部署于服务器,对摄像头采集的实时视频流进行推理检测;
16、s5、当检测到管路泄露时,将泄露图像存储至本地存储器,同步触发报警装置发出报警,并通过船内无线通信网络将携带泄露图像的报警信息推送至无线终端;
17、s6、在所述深度学习检测模型部署后,根据实际使用中产生的误检样本和漏检样本对所述深度学习检测模型进行迭代修正训练。
18、进一步的,在s1中,所述数据集包括船舱场景下的泄露图像和其他场景下的泄露图像,所述泄露类别包括管路漏水、管路漏油和管路蒸汽泄露。
19、进一步的,在s2中,所述数据增强处理包括对图像进行明暗变化处理和噪声变化处理;所述负样本训练集包含船舱内人员走动场景图像及设备正常运行状态图像,所述负样本训练集中图像的分辨率为2560×1440像素,图像格式为jpeg格式。
20、进一步的,在s3中,训练所述深度学习检测模型的初始学习率为0.001,最大训练轮次为500轮;当验证集检测精度在连续5轮内稳定在预设阈值以上时,停止训练。
21、进一步的,在s5中,推送至所述无线终端的报警信息包括泄露图像、泄露类别、检测时间戳及摄像头位置标识。
22、与现有技术相比,本发明的有益效果在于:
23、通过采用纯视觉深度学习检测方案,以摄像头替代大量分散布设的液位传感器和气体传感器,无需在管路节点处穿舱布线安装传感器,从根本上消除了复杂舱室结构中大规模传感器安装施工困难的问题,显著降低了系统部署的工程实施难度;
24、通过以真实船舶历史管路泄露图像构建专用数据集,并结合明暗变化、噪声变化等数据增强处理以及船舱人员走动、设备正常运行状态的负样本训练策略,使深度学习检测模型能够精准适配船舱内复杂背景环境,有效降低误报率,验证集检测精度可在连续多轮训练后稳定在预设阈值以上;
25、通过在船内部署由基带单元、数据汇聚单元和射频单元构成的无线通信模块,当检测到管路泄露时同步触发本地存储、报警装置和无线推送三联动响应机制,船员可通过无线终端接收携带泄露图像、泄露类别、检测时间戳及摄像头位置标识的完整报警信息,实现对报警真实性的第一时间可视化核实,克服了现有传感器方案仅能输出数值型信号、难以快速排查虚报的技术缺陷。
1.一种基于深度学习的管路泄露检测系统,包括摄像头、服务器,其特征在于,还包括:
2.根据权利要求1所述的系统,其特征在于,还包括:交换机,所述摄像头通过所述交换机与所述服务器有线连接,所述报警装置通过所述交换机与所述服务器信号连接。
3.根据权利要求1所述的系统,其特征在于:所述摄像头包括标准摄像头和/或鱼眼摄像头,所述摄像头的采集分辨率不低于2560×1440像素,采集图像的格式为jpeg格式。
4.根据权利要求1所述的系统,其特征在于:所述深度学习检测模型被配置为对管路漏水、管路漏油、管路蒸汽泄露中的至少一种进行分类识别。
5.根据权利要求1所述的系统,其特征在于,所述服务器被配置为:将检测到管路泄露时的视频片段及静态图像按时间戳存储至所述本地存储器,并记录泄露类别信息。
6.一种应用权利要求1-5任意一项所述系统的管路泄露检测方法,其特征在于,包括以下步骤:
7.根据权利要求6所述的方法,其特征在于:在s1中,所述数据集包括船舱场景下的泄露图像和其他场景下的泄露图像,所述泄露类别包括管路漏水、管路漏油和管路蒸汽泄露。
8.根据权利要求6所述的方法,其特征在于:在s2中,所述数据增强处理包括对图像进行明暗变化处理和噪声变化处理;所述负样本训练集包含船舱内人员走动场景图像及设备正常运行状态图像,所述负样本训练集中图像的分辨率为2560×1440像素,图像格式为jpeg格式。
9.根据权利要求6所述的方法,其特征在于:在s3中,训练所述深度学习检测模型的初始学习率为0.001,最大训练轮次为500轮;当验证集检测精度在连续5轮内稳定在预设阈值以上时,停止训练。
10.根据权利要求6所述的方法,其特征在于:在s5中,推送至所述无线终端的报警信息包括泄露图像、泄露类别、检测时间戳及摄像头位置标识。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com