【技術實現步驟摘要】
本專利技術涉及電力智能視頻分析領域，特別是涉及基于攝像頭視頻流的電力管線閥門滲漏檢測方法。
技術介紹
1、現有的管線閥門滲漏檢測技術主要包含以下6種：1、音聽檢測法；2、相關分析滲漏法；3、聲波檢測；4、管內探測法；5、水利參數檢測法；6、人工檢測法。音聽檢測法通過在管線上面放置聽漏儀，查看是否存在滲漏；相關分析法是使用相關檢漏儀來查看管線滲漏情況；聲波檢測法利用高靈敏度聲波轉換器，聲學方法將采集到的滲漏噪聲進行放大、濾波處理，檢測是否出現滲漏；管內探測法是在管內放置探測器并帶有信號裝置，依據滲漏點噪聲的電信號找出滲漏；水利參數檢測法是比較有滲漏和無滲漏情況下水里參數的狀況，通過一定方法模擬計算，將計算結果和實測結果對比判斷是否存在滲漏；人工檢測法是通過人工進行觀察，發行管線當前運行情況，觀測是否產生滲漏。
2、通過分析和對比，現存的幾種方法均存在缺點。音聽檢測法、相關分析滲漏法、聲波檢測、管內探測法在實際操作時，不僅需要大量的傳感器支持，并且實際生產環境可能不允許管內放置傳感器，無法大批量的進行實時監測等情況，而人工檢測則需要工人時刻關注管線閥門信息，需要大量的人力才能完成這項工作，在實際生產環境中無法滿足實時專人專項監測的工作。
技術實現思路
1、本專利結合現有的智能視頻技術手段，加入對于特定場景下管線閥門滲漏檢測方法，提出一種有效的基于圖像數據的管線閥門檢測方法。
2、由于管線閥門的滲漏有多種類型多種形態的滲漏，根據管線閥門處破裂情況的大小不同、管內壓
3、神經網絡分為四個主要模塊，cspdarknet53作為骨干網絡backbone，主要借鑒cspnet思想，通過在原有的resblock上加入csp模塊，實現更豐富梯度組合，減少計算量；使用fpn作為neck的特征融合模塊，增強對于小目標檢測性能；使用spp作為neck附加模塊，增加網絡的感受野；yolo作為head連接neck的輸出，完成滲漏類別預測功能。
4、模型的具體組成結構：
5、輸入圖片張量，經過一個cbm模塊，該模塊包含一個卷積層(3×3卷積核)將維度提升到32，以及batchnorm標準化和mish激活函數，得到32維原尺寸的張量，計算方法如方程(1)所示。
6、mish?＝?x*tanh(ln(1+ex))????????????????????????(1)
7、該張量經過5個csp模塊。
8、第1個csp模塊首先從一個3×3的卷積核，輸出維度64卷積層開始，復制該卷積層輸出output1備用，原輸出再經過1個1×1的卷積核，輸出維度64的卷積層，復制該卷積層輸出output2，接下來經過一個1×1的卷積核，輸出維度32的卷積層和一個3×3的卷積核，輸出維度64的卷積層，然后這個輸出和output2矩陣相加后經過一個1×1的卷積核，輸出維度64的卷積層，該層輸出和output1進行拼接后，再經過一個1×1的卷積核，輸出維度64，得到一個64維尺寸不變的張量。
9、其中output2的使用是殘差結構的實現，通過和原輸入卷積后的結果進行矩陣相加得到該殘差塊的最終輸出；而output1的使用是cspnet思想(原始輸入拆成兩部分，這里采取直接復制的方式，一部分進行卷積，另外一部分和卷積后的結果進行拼接，得到最終的輸出)。
10、第2，3，4個csp模塊的輸出作為下一部分的輸入，即neck部分spp和fpn的輸入。
11、fpn結構提升小目標的檢測效果，具體操作就是對spp結構的輸出結合第4、5兩個csp模塊進行兩次上采樣。
12、第一次上采樣，包括兩部分輸入，一部分為spp的輸出，另外一個為第4個csp模塊的輸出，spp的輸出依次經過1個1×1的卷積核，輸出維度512的卷積層、1個3×3的卷積核，輸出維度1024的卷積層、1個1×1的卷積核，輸出維度512的卷積層、一個1×1的卷積核，輸出維度256的卷積層接下來把原圖像尺寸放大一倍；而第四個csp模塊經過一個1×1的卷積核，輸出維度256的卷積層，將這兩個輸出結果進行拼接得到一個輸出維度512，尺寸加倍的張量。
13、第二次上采樣同理，使用第一次上采樣的輸出經過多次卷積操作和尺寸加倍后，和第5個csp模塊的輸出經過卷積的結果進行拼接。最后將該張量輸入至yolo_head(yolo模型中的頭部網絡)中進行結果預測。
14、最后將fpn結構得到的三個輸出通過yolo_head的卷積處理，此處卷積層使用了batchnorm(批量歸一化)標準化和leakyrelu(泄漏修正線性單元)激活函數，計算方法如方程(2)所示。
15、leakyrelu(x)＝max(0,x)+negative_slope·min(0,x)??????(2)
16、最后使用多個logistic分類器進行預測，完成相應圖像中滲漏情況的識別和分類，計算方法如方程(3)所示。
17、
18、對于難以檢測的微小滲漏，首先根據采集視頻，選取存在微小滲漏情況的視頻集合，逐一抽取視頻幀提取每一幀中可能存在的滲漏液滴位置；通過連續多幀液滴的運動形態來確定是滲漏還是噪聲干擾，完成微小滲漏的識別。
19、對圖像序列進行幀差操作，即對于相鄰的連續幀進行減法操作，取適當閾值進行二值化，得到候選目標圖像，候選目標圖像為二值化序列，其中包含運動目標和噪聲。
20、保存最近n幀候選目標圖像結果，每次當新的一幀圖像到來時，和當前第n幀進行幀差運算，將結果圖像幀作為最后一幀，剔除最近最早的候選目標圖像。記錄其中第k幀圖像灰度值為1的點為候選目標點xi，以第k幀每個候選目標為中心建立m×m的窗口wi，計算單幅圖像單個窗口的貢獻度qi，計算方法如方程(4)所示。
21、
22、對n幀圖像每個窗口位置貢獻度進行累加，計算候選目標置信度p(xi)，計算方法如方程(5)所示。
23、
24、由于運動目標時間和空間的連續性，在真實滲漏所處的窗口位置會有多幀圖像存在灰度值為1的像素點，而孤立的噪聲由于分布隨機，窗口內灰度值累加較少，因此可以設定門限(t＝n/2)，對于超過該限定的區域認為存在目標，即可能存在滲漏點。
25、以圖像長寬分別作為x、y軸建立坐標系，把這些可能存在滲漏的窗口中心點作為坐標系中的點，若所有相鄰中心的點可以擬合為一元函數，并且該函數在這些點擬合函數的作用域內單調性唯一，說明該圖像序列中存在微小本文檔來自技高網...
【技術保護點】
1.一種電力管線閥門滲漏檢測方法，主要包含以下步驟：
2.根據權利要求1中所述方法，制作專利中基于yolo改進網絡的訓練集，首先對訓練集進行標注，標注方法如下：
3.根據權利要求1中所述方法，制作專利中基于yolo改進網絡的訓練集，首先對訓練集進行標注和分類，本專利分類為水霧、水滴、水柱三大類別。
4.根據權利要求1中所述方法，關鍵在于訓練管線滲漏檢測模型的網絡，以神經網絡為基礎，輸入待檢測圖像，檢測出是否滲漏以及滲漏類別，網絡結構包括：
5.根據權利要求1或權利要求4所述方法，為減少計算量，實現更豐富梯度組合，在原有的Resblock上加入CSP模塊的方法。
6.根據權利要求1或權利要求4所述方法，為增加網絡的感受野，使用SPP作為Neck附加模塊的方法。
7.根據權利要求1或權利要求4所述方法，為增強對于小目標檢測性能，使用FPN作為Neck的特征融合模塊的方法。
8.根據權利要求1中所述方法，通過時序信息，識別難以檢測的微小滲漏，識別方法如下：
9.根據權利要求1或權利要求8所述
10.如權利要求1或權利要求8所述方法，為增強對微小滲漏檢測，計算圖像序列中存在微小滲漏的方法：
...【技術特征摘要】
1.一種電力管線閥門滲漏檢測方法，主要包含以下步驟：
2.根據權利要求1中所述方法，制作專利中基于yolo改進網絡的訓練集，首先對訓練集進行標注，標注方法如下：
3.根據權利要求1中所述方法，制作專利中基于yolo改進網絡的訓練集，首先對訓練集進行標注和分類，本專利分類為水霧、水滴、水柱三大類別。
4.根據權利要求1中所述方法，關鍵在于訓練管線滲漏檢測模型的網絡，以神經網絡為基礎，輸入待檢測圖像，檢測出是否滲漏以及滲漏類別，網絡結構包括：
5.根據權利要求1或權利要求4所述方法，為減少計算量，實現更豐富梯度組合，在原有的resbl...
【專利技術屬性】
技術研發人員：李其源，向青海，
申請(專利權)人：國能大渡河瀑布溝發電有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。