一种基于YOLOV5的漏液情况监测方法与流程

一种基于yolov5的漏液情况监测方法
技术领域
1.本发明涉及计算机视觉和物联网技术领域，尤其涉及一种基于yolov5的漏液情况监测方法。


背景技术：

2.目前已有一些危险液体漏液监测方法，这些方法主要通过对漏液进行感知和检测，以及对监测数据进行处理和分析来实现漏液监测。其中一些方法可以结合图像处理技术进行漏液区域的识别和分割，从而实现对漏液的监测和预警。
3.关于漏液监测方法，目前的一些现有技术主要包括以下方面：
4.电容式漏液检测法：该方法通过在被监测区域的地面上安装电容传感器，当有液体漏出时，会改变电容传感器的电容值，从而检测出漏液事件。这种方法不需要依赖光照和相机视角等条件，适用范围较广，但是对于液体的种类和体积等有一定限制。
5.超声波漏液检测法：该方法通过在被监测区域的地面或管道上安装超声波传感器，当有液体漏出时，会造成超声波信号的反射变化，从而检测出漏液事件。这种方法对于被监测区域的材料和液体的种类等有一定限制，且对于信号的干扰和噪声等问题需要进行处理。
6.光纤传感漏液检测法：该方法通过在被监测区域的地面或管道上铺设光纤传感器，当有液体漏出时，会改变光纤传感器的光学性能，从而检测出漏液事件。这种方法对于被监测区域的材料和液体的种类等有一定限制，但是对于信号的干扰和噪声等问题具有一定的稳定性。
7.因此，现有技术存在缺陷，需要改进。


技术实现要素：

8.本发明的目的是克服现有技术的不足，提供一种基于yolov5的漏液情况监测方法。
9.本发明的技术方案如下：提供一种基于yolov5的漏液情况监测方法，包括如下步骤：
10.步骤1：采集漏液情况视频画面，并逐帧标注出针状液体的位置和状态，形成用于训练模型的数据集；
11.步骤2：对数据集进行处理，包括数据增强、标准化、随机化处理；
12.步骤3：采用yolov5作为目标检测算法，将数据集导入训练程序中，进行模型深度学习训练；
13.步骤4：将训练好的模型应用于漏液检测任务中，通过摄像头捕获设备中的漏液情况视频凸显，将图像输入完成训练的模型中，利用yolov5算法检测设备状态与液体位置，得到检测结果并输出；
14.步骤5：根据检测到的针状液体数量，输出当前漏液情况。
15.进一步地，检测漏液情况的具体公式为：
[0016][0017]
其中，avg_water_number是监控视频内48帧内检测到的平均针状液体数量，具体公式为：
[0018][0019]
其中water_numi指模型检测到的第i秒的针状液体数量，t指当前所检测的视频的时间。
[0020]
进一步地，所述数据集分为训练集、验证集以及测试集。
[0021]
进一步地，所述漏液情况分为四个等级，分别为无、低、中、高，其中：
[0022]
漏液情况-无：平均针状水滴数量为0-3；
[0023]
漏液情况-低：平均针状水滴数量为3-6；
[0024]
漏液情况-中：平均针状水滴数量为6-10；
[0025]
漏液情况-高：平均针状水滴数量大于10。
[0026]
采用上述方案，本发明具有如下优点：
[0027]
(1)基于yolov5模型，利用监控摄像头完成漏液情况检测：本技术方案是将yolov5模型应用于仅有视觉传感器的场景中完成漏液情况检测，实现了对该场景的有效检测。
[0028]
(2)实时检测和处理：本技术方案将训练好的模型部署到嵌入式设备中，实现了实时检测和处理，能够快速响应漏液情况，及时采取措施。
附图说明
[0029]
图1为工作状态下湿式除尘机内部工作场景。
[0030]
图2为在roboflow中对数据集标注结果。
[0031]
图3为湿式除尘机漏液情况为无的场景图片。
[0032]
图4为湿式除尘机漏液情况为低的场景图片。
[0033]
图5为湿式除尘机漏液情况为中的场景图片。
[0034]
图6为湿式除尘机漏液情况为高的场景图片。
具体实施方式
[0035]
以下结合附图和具体实施例，对本发明进行详细说明。
[0036]
本发明提供一种基于yolov5的漏液情况监测方法，包括如下步骤：
[0037]
步骤1：采集漏液情况视频画面，并逐帧标注出针状液体的位置和状态，形成用于
训练模型的数据集。所述数据集分为训练集、验证集以及测试集。
[0038]
步骤2：对数据集进行处理，包括数据增强、标准化、随机化处理，以提高模型的泛化能力和稳定性。
[0039]
步骤3：采用yolov5作为目标检测算法，将数据集导入训练程序中，进行模型深度学习训练。在训练过程中，可以采用不同的超参数和优化算法，以获得更好的检测效果。
[0040]
步骤4：将训练好的模型应用于漏液检测任务中，通过摄像头捕获设备中的漏液情况视频凸显，将图像输入完成训练的模型中，利用yolov5算法检测设备状态与液体位置，得到检测结果并输出。
[0041]
步骤5：根据检测到的针状液体数量，输出当前漏液情况。
[0042]
检测漏液情况的具体公式为：
[0043][0044]
其中，avg_water_number是监控视频内48帧内检测到的平均针状液体数量，具体公式为：
[0045][0046]
其中water_numi指模型检测到的第i秒的针状液体数量，t指当前所检测的视频的时间。
[0047]
进一步地，所述漏液情况分为四个等级，分别为无、低、中、高，其中：
[0048]
漏液情况-无：平均针状水滴数量为0-3；
[0049]
漏液情况-低：平均针状水滴数量为3-6；
[0050]
漏液情况-中：平均针状水滴数量为6-10；
[0051]
漏液情况-高：平均针状水滴数量大于10。
[0052]
本发明提供具体系统工作实施例如下：
[0053]
通过实际采样的工作状态下湿式除尘机内部视频，将视频数据输入到基于yolov5的漏液情况检测模型中进行验证。
[0054]
实验参数设置：将视频分割为每秒24帧，每帧画面的分辨率为1280*720像素，模型通过对视频中每一帧的处理，输出图像中包含漏液情况的区域。
[0055]
工作状态下湿式除尘机内部视频按帧抽取图片，共抽帧2653张。工作状态下湿式除尘机的内部工作场景如图1所示。
[0056]
在roboflow网站上将图片中的针状液体逐帧进行标注，共标注483张。标注后数据集如图2所示。
[0057]
将标注的数据集按照70％/20％/10％的比例分别切分为训练集、验证集、测试集。
[0058]
采用yolov5作为目标检测算法，将数据集导入训练程序中，训练专用于湿式除尘机机舱内的漏液情况检测模型。
[0059]
使用工作状态下另一湿式除尘机的内部视频作为测试对照，并对实验结果进行展示：
[0060]
(1)请参阅图3，在除尘机未开机的情况下，视频画面中的整个场景中无针状液体，模型检测出漏液情况为：“监测到的平均针状水滴数量为0.95918，猜测无水流”，判断漏液情况为无。
[0061]
(2)请参阅图4，在除尘机初开机的情况下，视频画面中的整个场景中有少许针状液体，模型检测出漏液情况为：“监测到的平均针状水滴数量为3.10204，猜测水流强度低”，判断漏液情况为低。
[0062]
(3)请参阅图5，在除尘机开机后的情况下，视频画面中的整个场景中有部分针状液体，模型检测出漏液情况为：“监测到的平均针状液体数量为7.16326，猜测水流强度中”，判断漏液情况为中。
[0063]
(4)请参阅图6，在除尘机工作过程中，视频画面中的整个场景中有许多症状液体，模型检测出漏液情况为：“监测到平均针状液体数量为10.9795，猜测水流强度高”，判断漏液情况为高。
[0064]
系统根据模型检测判断的漏液情况进行显示，可以很好的完成大部分视觉场景下的漏液情况监测任务。
[0065]
本发明利用yolov5模型来对在危险品运输、储存过程中的对如机油或其他危险液体的漏液情况进行目标检测，物联网技术包括传感器网络和数据处理等技术。本发明在目标检测和跟踪的基础上，通过引入传感器网络和数据处理等物联网技术，实现了在危险品运输、储存过程中对如机油或其他危险液体的漏液情况的准确监测。可以自动检测漏液状态，减少人力投入和检测成本，提高检测效率和准确度，同时应对仅有视觉条件下完成漏液情况监测。本发明基于yolov5模型，结合设备生产、检测场景，实现对漏液情况的监测。本发明通过采集和预处理数据集，训练得到适用于检测目标的检测模型，并将其部署到嵌入式设备或其他设备中进行实时检测。
[0066]
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于yolov5的漏液情况监测方法，其特征在于，包括如下步骤：步骤1：采集漏液情况视频画面，并逐帧标注出针状液体的位置和状态，形成用于训练模型的数据集；步骤2：对数据集进行处理，包括数据增强、标准化、随机化处理；步骤3：采用yolov5作为目标检测算法，将数据集导入训练程序中，进行模型深度学习训练；步骤4：将训练好的模型应用于漏液检测任务中，通过摄像头捕获设备中的漏液情况视频凸显，将图像输入完成训练的模型中，利用yolov5算法检测设备状态与液体位置，得到检测结果并输出；步骤5：根据检测到的针状液体数量，输出当前漏液情况。2.根据权利要求1所述的基于yolov5的漏液情况监测方法，其特征在于，检测漏液情况的具体公式为：其中，avg_water_number是监控视频内48帧内检测到的平均针状液体数量，具体公式为：其中water_num
i
指模型检测到的第i秒的针状液体数量，t指当前所检测的视频的时间。3.根据权利要求1所述的基于yolov5的漏液情况监测方法，其特征在于，所述数据集分为训练集、验证集以及测试集。4.根据权利要求1所述的基于yolov5的漏液情况监测方法，其特征在于，所述漏液情况分为四个等级，分别为无、低、中、高，其中：漏液情况-无：平均针状水滴数量为0-3；漏液情况-低：平均针状水滴数量为3-6；漏液情况-中：平均针状水滴数量为6-10；漏液情况-高：平均针状水滴数量大于10。

技术总结
本发明公开一种基于YOLOV5的漏液情况监测方法。本发明利用YOLOV5模型来对在危险品运输、储存过程中的对如机油或其他危险液体的漏液情况进行目标检测。本发明在目标检测和跟踪的基础上，通过引入传感器网络和数据处理等物联网技术，实现了在危险品运输、储存过程中对如机油或其他危险液体的漏液情况的准确监测。可以自动检测漏液状态，减少人力投入和检测成本，提高检测效率和准确度，同时应对仅有视觉条件下完成漏液情况监测。本发明基于YOLOV5模型，结合设备生产、检测场景，实现对漏液情况的监测。本发明通过采集和预处理数据集，训练得到适用于检测目标的检测模型，并将其部署到嵌入式设备或其他设备中进行实时检测。入式设备或其他设备中进行实时检测。入式设备或其他设备中进行实时检测。


技术研发人员：张新球 蓝海梅 何昊
受保护的技术使用者：深圳华创电科技术有限公司
技术研发日：2023.04.23
技术公布日：2023/7/21