一种基于深度学习的厂房水淹检测方法与流程

本发明属于水利水电检测方法应用，具体涉及一种基于深度学习的厂房水淹检测方法。

背景技术：

1、在电厂的各类安全事故中，水淹电厂事故的破坏强度远远大于其他各类常见事故，强大的水流涌入电厂可以在短时间内淹没厂房，造成设备短路损坏、线路停运、人身伤亡等严重后果。

2、目前，现有的水淹厂房预警方案通常是采用监控摄像头结合人力观察或者使用传感器勘探厂房水的液面高低。采用传统的摄像头结合人力观察的方法无法实现对电厂全天候全方位的监测，而使用传感器等方法受制于灵敏度及反应时间等，导致其监测效果较差。

3、近年来，随着计算机计算能力的增强，人工智能与深度学习技术不断发展，目标检测领域取得了长足的进步，基于深度学习的智能技术实现对厂房水淹的检测，是提升电厂运维效率的有效手段。

4、目前，计算机视觉领域目标检测算法主要分为两类：rcnn系列的两阶段目标检测算法和yolo系列的一阶段目标检测算法，rcnn系列算法检测精度高，但由于过多的模板匹配和特征计算导致检测速度慢，yolo系列将目标检测问题转化为回归检测问题，极大地提升了目标检测的速度，但回归预测也带来了检测框的不稳定性。为了进一步提升特征的表达，fpn、mask rcnn、pa-net和bi-fpn等算法提出了多种不同的特征金字塔以强化特征表达，结合encode-decode的沙漏似网络结构作为网络的基本骨架，这也使得网络的计算复杂度升高。

5、基于上述问题，本发明提供一种基于深度学习的厂房水淹检测方法。

技术实现思路

1、发明目的：本发明的目的是提供一种基于深度学习的厂房水淹检测方法，其解决背景技术中所存在现有厂房水淹检测方法灵敏度差，反应时间慢的不足的问题，通过工业摄像头实时获取厂房图像数据，利用深度学习算法，可方便、快速且准确地检测出厂房是否存在水淹的情况。

2、技术方案：本发明提供的一种基于深度学习的厂房水淹检测方法，包括依次顺序连接的图像获取模块、图像预处理模块、图像检测模块和预警模块；所述图像获取模块，用于获取工业摄像头的图像，并传输至图像预处理模块；所述图像预处理模块，用于对工业摄像头获取的图像处理，并传输至图像检测模块；所述图像检测模块，用于对输入的图像进行厂房水淹检测判断，输出厂房是否水淹的判断结果，并传输至预警模块；所述预警模块，用于将报警信息通知厂房内工作人员、厂房中控室及集控中心。

3、本技术方案的，所述图像获取模块通过工业摄像头获取的图像，包括但不仅限于蜗壳层的机尾水管、机蜗壳进入门和渗漏集水井的实时图像数据。

4、本技术方案的，所述图像检测模块，对工业摄像头获取的图像进行亮度增强，并进行裁剪，裁剪成640×640的大小的图像输入至神经网络，以防高分辨率图像进行目标检测算法的速度。

5、本技术方案的，所述图像检测模块，利用区域上下文信息补充水淹厂房周围的有效信息，在主干网络中对sppf位置加以改进，构造区域上下文模块rcm；在多尺度检测阶段，将检测输出头与主干浅层特征进行融合。

6、本技术方案的，所述图像检测模块的rcm模块一共有四路分支可分为两类，分别用于提取较远处的上下文信息和邻近的上下文信息；其中，较远处上下文信息首先通过空洞卷积扩大感受野获得，其次通过1×1卷积将信息细节处理；相邻区域信息先通过1×1卷积获得，然后经过空洞卷积将信息局部扩大处理，这两类上下文信息中空洞卷积膨胀率选择相同，都采用了膨胀率d=3与d=4，从而可以获得多个感受野信息，最后将较远处区域信息与相邻区域信息进行融合，构成了区域上下文信息模块rcm。

7、本技术方案的，所述将主干特征层中输出大小为40×40、20×20 的特征层分别与中等、大目标检测层进行融合，可以获得小目标的边界信息。

8、与现有技术相比，本发明的一种基于深度学习的厂房水淹检测方法的有益效果在于：1、本发明的检测方法，其检测成本远远小于在每个厂房部署水淹检测传感器系统，通过利用工业摄像头实时获取厂房图像，当在工业摄像头的画面中检测到水就会及时产生报警信息，而不像传感器需要等液面得到一定高度才会发出警报，其反应迅速；2、本发明的检测方法，其基于人工智能的算法，依托于各个厂房的采集的海量数据，在实际应用中其准确度非常高。

技术特征：

1.一种基于深度学习的厂房水淹检测方法，其特征在于：包括依次顺序连接的图像获取模块、图像预处理模块、图像检测模块和预警模块；

2.根据权利要求1所述的一种基于深度学习的厂房水淹检测方法，其特征在于：所述图像获取模块通过工业摄像头获取的图像，包括但不仅限于蜗壳层的机尾水管、机蜗壳进入门和渗漏集水井的实时图像数据。

3.根据权利要求1所述的一种基于深度学习的厂房水淹检测方法，其特征在于：所述图像检测模块，对工业摄像头获取的图像进行亮度增强，并进行裁剪，裁剪成640×640的大小的图像输入至神经网络，以防高分辨率图像进行目标检测算法的速度。

4.根据权利要求1所述的一种基于深度学习的厂房水淹检测方法，其特征在于：所述图像检测模块，利用区域上下文信息补充水淹厂房周围的有效信息，在主干网络中对sppf位置加以改进，构造区域上下文模块rcm；在多尺度检测阶段，将检测输出头与主干浅层特征进行融合。

5.根据权利要求4所述的一种基于深度学习的厂房水淹检测方法，其特征在于：所述图像检测模块的rcm模块一共有四路分支可分为两类，分别用于提取较远处的上下文信息和邻近的上下文信息；

6.根据权利要求4所述的一种基于深度学习的厂房水淹检测方法，其特征在于：所述将主干特征层中输出大小为40×40、20×20 的特征层分别与中等、大目标检测层进行融合，可以获得小目标的边界信息。

技术总结
本发明属于水利水电检测方法应用技术领域，具体公开了一种基于深度学习的厂房水淹检测方法，包括依次顺序连接的图像获取模块、图像预处理模块、图像检测模块和预警模块。本发明的一种基于深度学习的厂房水淹检测方法的有益效果在于：1、本发明的检测方法，其检测成本远远小于在每个厂房部署水淹检测传感器系统，通过利用工业摄像头实时获取厂房图像，当在工业摄像头的画面中检测到水就会及时产生报警信息，而不像传感器需要等液面得到一定高度才会发出警报，其反应迅速；2、本发明的检测方法，其基于人工智能的算法，依托于各个厂房的采集的海量数据，在实际应用中其准确度非常高。

技术研发人员：肖建军,田维青,张显,饶毅,黄勇,冯威然,张超,胡毅,周超,贺文慧
受保护的技术使用者：贵州黔源电力股份有限公司
技术研发日：
技术公布日：2024/1/11