[發(fā)明專利]一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法

在審

• 申請?zhí)枺?/td>: 202210009664.9
• 申請日: 2022-01-05
• 公開（公告）號: CN114332465A
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計）人: 鄭孟華;朱志新;孫培宇
• 申請（專利權(quán)）人: 上海秦潤數(shù)據(jù)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(jì)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31479
• 代理人: 黃佳麗

本發(fā)明提供一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法，其特征在于，包含如下步驟：S1.將圖片轉(zhuǎn)換為標(biāo)準(zhǔn)格式圖片；S2.基于模型一，識別標(biāo)準(zhǔn)格式圖片中的目標(biāo)物體，并進(jìn)行標(biāo)記，生成標(biāo)記圖片；S3.對標(biāo)記圖片進(jìn)行裁剪，形成標(biāo)準(zhǔn)圖片；S4.基于模型二，對標(biāo)準(zhǔn)圖片中的目標(biāo)物體進(jìn)行是否存在異常的判斷；當(dāng)存在異常時，對該圖片標(biāo)記“異常”；當(dāng)不存在異常時，對該圖片標(biāo)記“正常”；其中，模型一為物體識別訓(xùn)練模塊，用于識別目標(biāo)物體；模型二為物體檢測訓(xùn)練模塊，用于識別物體的異常情況。該方法能夠有效的精確的識別天然氣終端設(shè)備異常的問題。

技術(shù)領(lǐng)域

本發(fā)明提供了一種識別天然氣終端設(shè)備異常方法的領(lǐng)域，具體地，涉及一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法。

背景技術(shù)

目前國家強(qiáng)制規(guī)定民用和小型商用天然氣終端設(shè)備每年必須有一次入戶檢測，目前的檢測方法存在有以下問題：

1.入戶檢查操作無法標(biāo)準(zhǔn)化,工作人員的標(biāo)準(zhǔn)化培訓(xùn)難度大。

2.人為因素造成檢查不規(guī)范，不完整，漏檢，誤檢可能性加大。

3.檢測人員工作任務(wù)重，效率低下。

4.無法建立服務(wù)規(guī)范，客戶投訴較多。

發(fā)明內(nèi)容

本發(fā)明旨在克服上述缺陷，通過檢測人員拍攝視頻和圖片，運(yùn)用計算機(jī)視覺和深度學(xué)習(xí)等技術(shù)，在線實(shí)時發(fā)現(xiàn)燃?xì)饨K端設(shè)備可能存在的問題，并將結(jié)果反饋給檢測人員，使檢測行為標(biāo)準(zhǔn)化，規(guī)范化，最大程度避免漏檢，誤檢，大幅提高工作效率。

本發(fā)明提供了一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法，其特征在于，包含如下步驟：

S1.將圖片轉(zhuǎn)換為標(biāo)準(zhǔn)格式圖片；

S2.基于模型一，識別標(biāo)準(zhǔn)格式圖片中的目標(biāo)物體，并進(jìn)行標(biāo)記，生成標(biāo)記圖片；

S3.對標(biāo)記圖片進(jìn)行裁剪，形成標(biāo)準(zhǔn)圖片；

S4.基于模型二，對標(biāo)準(zhǔn)圖片中的目標(biāo)物體進(jìn)行是否存在異常的判斷；

當(dāng)存在異常時，對該圖片標(biāo)記“異常”；

當(dāng)不存在異常時，對該圖片標(biāo)記“正常”；

其中，上述模型一為物體識別訓(xùn)練模塊，用于識別目標(biāo)物體；

上述模型二為物體檢測訓(xùn)練模塊，用于識別物體的異常情況。

進(jìn)一步地，本發(fā)明提供了一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法，其特征還在于：

上述模型一的獲取方法為：基于yolov3算法實(shí)現(xiàn)的訓(xùn)練框架keras-yolo3，將收集的設(shè)備圖片和干擾圖片預(yù)處理成統(tǒng)一大小和格式后放到指定路徑,創(chuàng)建新文件，記錄待識別設(shè)備的類別，做好配置，執(zhí)行keras-yolo3的訓(xùn)練命令得到訓(xùn)練文件，大量重復(fù)上述訓(xùn)練步驟，直至識別結(jié)果符合預(yù)期，得到最終訓(xùn)練模型；

其中，上述設(shè)備圖片為天然氣終端設(shè)備的設(shè)備圖片；

上述干擾圖片為與天然氣終端設(shè)備相似，且容易造成混淆的設(shè)備圖片；

上述待識別設(shè)備的類別為各類天然氣終端設(shè)備。

進(jìn)一步地，本發(fā)明提供了一種基于計算機(jī)視覺和深度學(xué)習(xí)發(fā)現(xiàn)天然氣終端設(shè)備異常的方法，其特征還在于：

上述模型二的獲取方法為：基于yolov3算法實(shí)現(xiàn)的訓(xùn)練框架keras-yolo3,將收集的正常圖片和異常圖片預(yù)處理成統(tǒng)一大小和格式后放到指定路徑,創(chuàng)建新文件，記錄待識別設(shè)備的類別，做好配置,執(zhí)行keras-yolo3的訓(xùn)練命令得到訓(xùn)練文件，大量重復(fù)上述訓(xùn)練步驟，直至識別結(jié)果符合預(yù)期，得到最終訓(xùn)練模型；