基于贝叶斯判别准则的机械设备泄露区域全自动检测

大型机械设备安装过程复杂、繁琐，要求密闭的区域常常出现泄漏，传统检测泄漏的方法效率低，成本文章引用: 贺德键. 基于贝叶斯判别准则的机械设备泄露区域全自动检测[J]. 计算机科学与应用, 2018, 8(10): 1589-1593.

在大型机械设备安装过程中，常常要求密封条件满足一定的要求，但是由于安装误差，人为因素等不确定事件的存在， 泄漏情况时有发生， 最终导致设备无法正常运行， 进而带来巨大的损失和安全隐患， 因此，能够快速、准确地确定安装设备的泄露区域，是很多工程实践的迫切需求。

传统检测安装设备泄漏区域的方法， 是利用肥皂水涂抹机械设备表面， 通过人工观察气泡变化情况， 判断是否存在泄露现象，即如果某区域有气泡生成，说明安装过程存在泄漏，否则，不存在泄漏，但是这种方法效率低下，而且容易引起工作人员的疲劳，导致误报率上升。随着计算机技术和人工智能技术的快速发展，利用机器学习方法实现观测目标的全自动实时检测与跟踪，已经成为一种必然趋势[1]，为此， 很多学者做出了不断的探索。

Huang Xinjuan [2]等人使用背景减除法， 实时地选择每个像素的高斯数， 用来检测移动变化的目标。Morelander [3]等人利用粒子滤波同时跟踪多个目标。此外，还有很多基于固定阈值的目标检测算法[4] [5] [6]，显示出较好的性能。

虽然这些算法都获得了很好的表现，但是由于固定阈值会引起大量有用信息的损失，因此，利用自适应阈值建立模型将更有助于动态目标的检测与跟踪。在此启发下，本文提出一种全自动的设备泄露区域实时检测方法，即实时检测设备是否存在气泡生成的区域。该方法利用贝叶斯理论，根据视频流中的每一帧图像，实时动态地调整门限阈值参数，作为区分前景泄漏目标区域和背景的准则，最终实现泄露区域生成气泡的实时检测，有效提高工作效率和准确率，降低生产的运作成本。

2. 传统固定阈值检测算法 完成智能监控任务时，传统方法中常常使用固定阈值，假设差分图像(), D i j 利用目标图像去除背景得到，其中(), i j 表示图像像素的位置，那么通过选择合适的阈值T，可以有效区分目标信息与背景，用下式所示： ()()()1, , 0, D i jTE i jD i jT>= ≤ (1) 其中(), E i j 表示目标的二值图， 阈值T 根据经验进行设置[7]。

而灰度值差分图像()()(), , , D i jF i jB i j=−， (), F i j 为前景图像， (), B i j 为背景图像。

3. 改进的动态阈值检测算法 利用固定阈值方法得到二值图，其结果在很大程度上会受到不同阈值取值的影响，阈值取的过小，