[發明專利]一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法

在審

• 申請號: 202210009664.9
• 申請日: 2022-01-05
• 公開（公告）號: CN114332465A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 鄭孟華;朱志新;孫培宇
• 申請（專利權）人: 上海秦潤數據科技有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海政濟知識產權代理事務所(普通合伙) 31479
• 代理人: 黃佳麗

1.一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于，包含如下步驟：

S1.將圖片轉換為標準格式圖片；

S2.基于模型一，識別標準格式圖片中的目標物體，并進行標記，生成標記圖片；

S3.對標記圖片進行裁剪，形成標準圖片；

S4.基于模型二，對標準圖片中的目標物體進行是否存在異常的判斷；

當存在異常時，對該圖片標記“異常”；

當不存在異常時，對該圖片標記“正常”；

其中，所述模型一為物體識別訓練模塊，用于識別目標物體；

所述模型二為物體檢測訓練模塊，用于識別物體的異常情況。

2.如權利要求1所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述模型一的獲取方法為：基于yolov3算法實現的訓練框架keras-yolo3，將收集的設備圖片和干擾圖片預處理成統一大小和格式后放到指定路徑,創建新文件，記錄待識別設備的類別，做好配置，執行keras-yolo3的訓練命令得到訓練文件，大量重復上述訓練步驟，直至識別結果符合預期，得到最終訓練模型；

其中，其中，所述設備圖片為天然氣終端設備的設備圖片；

所述干擾圖片為與天然氣終端設備相似，且容易造成混淆的設備圖片；

所述待識別設備的類別為各類天然氣終端設備。

3.如權利要求1所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述模型二的獲取方法為：基于yolov3算法實現的訓練框架keras-yolo3,將收集的正常圖片和異常圖片預處理成統一大小和格式后放到指定路徑,創建新文件，記錄待識別設備的類別，做好配置,執行keras-yolo3的訓練命令得到訓練文件，大量重復上述訓練步驟，直至識別結果符合預期，得到最終訓練模型；

其中，所述正常圖片為處于非異常狀態的設備圖片；

所述異常圖片為處于異常狀態下的設備圖片；

所述待識別設備的類別為正常設備和異常設備。

4.如權利要求1所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述步驟S1的具體處理過程為：使用opencv處理圖片，將圖像轉為RGB格式，和訓練時圖片格式保持一致，得到圖片p1。

5.如權利要求4所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述步驟S2的具體處理過程為：使用keras加載上述模型一，設置閾值等參數，然后調YOLOv3算法，將p1,模塊一，參數作為輸入，輸出圖片記作p2；

其中，所述p2上含有設備類型的標記。

6.如權利要求5所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述步驟S3的具體處理過程為：使用opencv將p2識別到的設備剪切成指定大小的圖片,記作p3。

7.如權利要求6所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

所述步驟S4的具體處理過程為：

使用keras加載上述模型二，然后調YOLOv3算法，將p3與模塊二中數據比對，找出p3的類別，p2上面增加一個標簽,顯示p3的類別，標記后的圖片記作p4；所述p3的類別為正常設備和異常設備。

8.如權利要求1所述的一種基于計算機視覺和深度學習發現天然氣終端設備異常的方法，其特征在于：

還包括圖片拍攝步驟；

所述圖片拍攝步驟，包括如下具體步驟：

S0-1.生成拍攝框；

S0-2.基于模型一，判斷拍攝框內是否存在目標圖像；

當存在時，進行步驟S0-3；

當不存在時，進行步驟S0-1；

S0-3.判斷目標圖像在拍攝框中的占比，是否達到預期比例；

當結果為“是”時，生成圖片，并在設備前端進行提示；

當結果為“否”時，進行步驟S0-1。