CN114022804B 一种泄漏的检测方法、装置、系统及存储介质 （江苏眸视机器人科技有限公司）

质可以对不同物理状态下或不同规模下的泄漏情2对获取的视频数据中的至少部分帧图像进行差分及滤波处理，得到差将所述目标视频帧序列输入到目标泄漏检测模型，获取泄漏区域；模型用于对所述多帧待识别图像处理确定动态信其中，对于渗漏或滴漏，所述目标三维泄漏过程检测模型被维泄漏过程检测模型被配置为提取所述多帧待识别图像中的流动性特征信息输出所述动所述泄漏区域是通过将所述动态信息特征图和所述定位信息特征图进行拼接处理得对所述视频数据中的至少部分帧图像内的任一视频帧与所述任一视频帧之后的剩余对获取的训练视频数据进行差分及滤波处理，得到差分及滤波处理后将所述历史视频帧序列以及获取的原始历史视频数据对应的泄漏区域图像构建训练包括针对目标帧图像标注目标泄漏区域的泄漏区域标注数据和针对所述多帧图像分别标注泄漏区域的标注数据集合，所述泄漏区域标注数据用于训练所述二维泄漏区域检测模所述利用所述训练数据集对初始泄漏检测模根据所述目标帧图像和所述泄漏区域标注数据对所述二维泄漏区域检测模型进行训根据所述多帧图像和所述标注数据集合对所述三维泄漏过程检测模型进行35.根据权利要求1或3所述的检测方法，其特征将所述多帧待识别图像输入到目标三维泄漏过程检测模型，获取在将所述关键帧图像输入到目标二维泄漏区域检测模型，获取在所8.如权利要求1或3所述的检测方法，其特征在于，视频数据处理模块，被配置为对获取的视频数据中的至少部分帧泄漏检测模块，被配置为将所述目标视频帧序列输入到目标泄12.一种存储指令的一个或多个计算机存储介质，当所述指令由一个或多个计算机执4[0003]为了保障工业场所设备的安全运行，现有技术中利用机器巡检已然成为一种趋据中的至少部分帧图像进行差分及滤波处理，得到差分及滤波处理后的目标视频帧序列；[0007]本申请实施例将差分及滤波处理后的目标视频帧序列输入到目标泄漏检测模据集来训练的，使得该模型可以检测的范围涵盖了所有物理状态下的各种规模的泄漏事[0009]本申请实施例对获取到的视频数据进行差分处理得到的差分处理后的视频帧序5目标泄漏区域的泄漏区域标注数据和针对所述多帧图像分别标注泄漏区域的标注数据集[0013]本申请实施例的初始泄漏检测模型包括二维泄漏区域检测模型以及三维泄漏过[0015]本申请实施例通过第一检测模型和/或第二检测模型分别在时间域和空间域上对[0017]本申请实施例使用目标三维泄漏过程检测模型同时对视频帧的空间与时间信息6[0023]本申请实施例还可以通过训练得到的目标三维泄漏过程检测模型对视频帧的空[0025]本申请实施例的第一检测模型和第二检测模型还可以是利用训练数据集训练检频数据处理模块，被配置为对获取的视频数据中的至少部分帧图像进行差分及滤波处理，述一个或多个计算机执行根据第一方面中的任意实施例所述的相[0028]第四方面，本申请一些实施例提供了一种存储指令的一个或多个计算机存储介[0031]图2为本申请实施例提供的基于3D卷积网络模型和2D卷积网络模型，获取目标三维泄漏过程检测模型和目标二维泄漏区域检测模型的7[0035]图6为本申请实施例提供的基于长短期记忆网络获取泄漏区域的网络模型结构历史视频帧序列以及获取的原始历史视频数据对应的泄漏区域图像构建训练数据集。8训练所述二维泄漏区域检测模型，所述标注数据集合用于训练所述三维泄漏过程检测模域的泄漏区域标注数据和针对多帧图像分别标注泄漏区域的标集合训练3D卷积网络模型，得到目标2D卷积网络模型(作为目标二维泄漏区域检测模型的一个具体示例)和目标3D卷积网络模型(作为目标三维泄漏过程检测模型的一个具体示[0057]下面结合训练得到的目标泄漏检测模型示例性阐述本申请的一些实施例提供的9[0061]在本申请的一些实施例中，为了减小视频数据中环境因素产生的噪声及其他干的至少部分帧图像内的任一视频帧与所述任一视频帧之后的剩余视频帧做图像差分处理，[0067]可以理解的是，目标三维泄漏过程检测模型可以检测时[0069]作为一个具体示例，参见附图5提供的基于3D和2D模型获取泄漏区域的模型结构×224的图像。将5帧图像输入到目标3DConv网络模型(作为目标三维泄漏过程检测模型的帧输入到目标YOLOv1网络(作为目标二维泄漏区域检测模型的一个具体示例)中得到尺寸该初始泄漏区域特征图输入到采用两层1x1的卷积核的网络组成的融合网络结构中(作为[0071]在本申请的一些实施中，S320中的目标泄漏检测模型包括第一检测模型和/或第网络模型结构图。该示例利用深度学习神经网络中的图像分类网络即GoogLeNet获取泄漏传统的输入RGB格式图片的3个通道修改为输入差分图片序列的序列数，图片的尺寸采用本实施例采用10帧差分后的图片输入到目标GoogLeNet模型(作为第一检测模型的一个具[0076]需要说明的是，目标GoogLeNet模型和目标LSTM网络模型是分别通过训练[0078]图7的泄漏的检测装置包括至少一个能以软件或固件的形式存储于存储器中或固[0079]视频数据处理模块710，被配置为对获取的视频数据中的至少部分帧图像进行差据中的至少部分帧图像内的任一视频帧与所述任一视频帧之后的剩余视频帧做图像差分目标视频帧序列。述训练数据集包括针对目标帧图像标注目标泄漏区域的泄漏区域标注数据和针对所述多[0083]在本申请的一些实施例中，所述目标泄漏检测模型包括第一检测模型和/或第二帧图像是在所述目标时间段内拍摄的具有最大泄漏面积的图像。泄漏检测模块720还可以[0085]在本申请的一些实施例中，所述根据所述动态信息特征图和所述定位信息特征