一种工业管道漏水检测方法、装置、设备和可读存储介质与流程

1.本发明属于工业管道漏水检测技术领域，具体涉及一种工业管道漏水检测方法、装置、设备和可读存储介质。


背景技术：

2.随着经济的发展和城市化进程的加快，导致水污染严重，不合理的用水等问题，使得水资源供需矛盾加剧。特别是在工业管道漏水现象十分严重，泄露带来的影响，不仅会造成经济上的损失，更为严重会破坏周围环境，进一步造成生活中的水资源流失，这直接影响人民群众的日成生活。所以工业管道实时漏水检测与定位技术显得十分重要。
3.目前传统的工业管道漏水检测检测技术大多基于探测传感器对管道漏水进行检测。由于管道传输过程中的各种噪声干扰、长距离的传输对泄露信号的衰减，以及微小的工业漏水等多种原因，都会使得传感器实际采集到的传感信号非常弱，信噪比极低，严重影响工业管道漏水检测的精度。特别是随着工业管道检测距离的增加，从实际测得的传感器信号提取的漏水信号就更难。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供了一种工业管道漏水检测方法、装置、设备和可读存储介质，能够提升工业管道漏水检测的精度。
5.为了解决上述技术问题，本发明通过以下技术方案予以实现：
6.一种工业管道漏水检测方法，包括：
7.获取待检测工业管道视频数据；
8.对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；
9.将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。
10.进一步地，所述改进的yolov5模型包括添加有4倍下采样层的neck网络层和每一层均添加有带自注意力机制的gam模块的head网络层；
11.所述工业管道漏水检测模型的训练包括：
12.获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括包含漏水特征的工业管道图像以及漏水特征标签；
13.利用所述训练数据集训练所述改进的yolov5模型，得到所述工业管道漏水检测模型，其中，所述neck网络层中的4倍下采样层用于增强浅层网络漏水特征信息提取，所述head网络层中的每一层带自注意力机制的gam模块用于增强全局漏水特征信息提取。
14.进一步地，所述4倍下采样层为4倍下采样fpn网络。
15.进一步地，所述改进的yolov5模型还包括backbone网络层和通过k-means生成的4
组12个锚框。
16.进一步地，所述训练数据集的获取方法包括：
17.获取漏水工业管道的视频数据；
18.对所述漏水工业管道的视频数据的每一帧图像进行预处理，所述预处理包括清洗和增广；
19.采用via工具对所述预处理后的每一帧图像进行标注。
20.进一步地，所述对所述视频数据中的每一帧图像进行裁剪之前，还包括：
21.对所述视频数据中的每一帧图像进行清洗处理。
22.进一步地，采用滑动窗口图像处理方法对所述视频数据中的每一帧图像进行裁剪。
23.一种工业管道漏水检测装置，包括：
24.获取模块，用于获取待检测工业管道视频数据；
25.裁剪模块，用于对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；
26.检测模块，用于将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。
27.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种工业管道漏水检测方法的步骤。
28.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种工业管道漏水检测方法的步骤。
29.与现有技术相比，本发明至少具有以下有益效果：
30.本发明提供的一种工业管道漏水检测方法，通过将待检测工业管道视频数据中的每一帧图像进行裁剪，得到了每一帧图像对应的若干图像单元，并将每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。通过对待检测工业管道视频数据中的每一帧图像进行裁剪的方式得到若干图像单元，更突显了目标区域图像的特征内容信息，进而提升漏水检测的精度；改进的yolov5模型的neck网络层中添加了4倍下采样层，即在yolov5模型的neck网络层的浅层信息中添加一层检测输出，可以更多的得到小目标水滴特征信息的占空比，进而提高对小水滴目标检测的精度；改进的yolov5模型的head网络层的每一层均添加有带自注意力机制的gam模块，对工业管道漏水液体的颜色不明显和形状多变的特征，通过加入跨域的带自注意力机制的gam模块，可以更多的获取图像的内容和位置信息，减少了传统检测在深层语义信息和位置的丢失的缺点，提升了全局特征信息交流的能力，从而进一步提高了工业漏水的探测精度。
31.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
means生成的4组12个锚框，示例的，4组12个锚框为：
[0051][0052]
具体的说，结合图2所示，backbone网络层用于对图像内容信息的特征进行提取。现有的yolov5模型中的neck网络层包括8倍下采样fpn网络、16倍下采样fpn网络和32倍下采样fpn网络，所述改进的yolov5模型中的neck网络层包括4倍下采样fpn网络、8倍下采样fpn网络、16倍下采样fpn网络和32倍下采样fpn网络，所述改进的yolov5模型中的neck网络层中的4倍下采样层用于增强浅层网络漏水特征信息提取。现有的yolov5模型中的head网络层的每一层为block模块，所述改进的yolov5模型中的head网络层的每一层添加有带自注意力机制的gam模块，所述改进的yolov5模型中的head网络层中的每一层带自注意力机制的gam模块用于增强全局漏水特征信息提取。
[0053]
本实施方式中，所述工业管道漏水检测模型的训练具体如下：
[0054]
获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括包含漏水特征的工业管道图像以及漏水特征标签。
[0055]
利用所述训练数据集训练所述改进的yolov5模型，直到训练梯度损失不下降停止训练，保存最好的模型，得到所述工业管道漏水检测模型。
[0056]
优选的，所述训练数据集的获取方法如下：
[0057]
获取漏水工业管道的视频数据，具体地说，利用摄像头采集包含工业管道漏水现场的视频，得到漏水工业管道的视频数据；
[0058]
对所述漏水工业管道的视频数据的每一帧图像进行预处理，所述预处理包括清洗和增广，预处理后扩充增大训练数据集样本；
[0059]
采用via工具对所述预处理后的每一帧图像进行标注，通过via工具对所述预处理后的每一帧图像进行目标位置类别标注，类别分为正常和漏水两类。
[0060]
为了便于理解，结合3、图4和图5对所述改进的yolov5模型进行更加详细的解释说明如下：
[0061]
具体的，gam是由通道注意力模块和空间注意力模块两部分组成，定义参照图3。输入特征图f1经过通道注意力机制mc处理后的输出与输入特征图f1进行点积得到特征图f2；将特征图f2经过空间注意力机制处理后的输出与特征图f2进行点积，得到特征图f3，最后得到gam处理后的输出特征图。
[0062]
参照图4所示，为gam的通道注意力模块，可以提升待检测目标的信息学习能力，具体的，将输入的f1特征图(c,w,h)的维度转置成(h,w,c)维度，然后通过编解码器mlp来增强通道间的信息交换，从而达到提高网络的非线性拟合能力，再将维度转置为原本的(c，w，h)维度特征，最后通过sigmiod函数归一化处理，输出特征图。
[0063]
参照图5所示，为gam空间注意力模块，会更关注图像目标的位置信息学习，提升目标的位置准确度，具体的，将特征图f2输入到第一个的7*7卷积网络中，会将通道信息压缩为融合，大大降低了网络减少计算量，提升网络性能。然后将输出的特征图通过第二个7*7
卷积网络将通道信息转变为目标的空间位置信息进而提升目标的定位准确率。
[0064]
采用小滑动窗口图像对图像进行检测如下：
[0065]
设置小滑动窗口的图像大小系数k；
[0066]
根据滑动窗口的图像大小系数将每一帧图像划分n个图像单元进行检测；
[0067]
将所有图像单元上的识别结果回归到原图中；
[0068]
通过soft-nms过滤出重复的检测内容。
[0069]
本发明还提供了一种工业管道漏水检测装置，具体包括：
[0070]
获取模块，用于获取待检测工业管道视频数据。优选的，获取模块与安装在待检测工业管道位置的摄像头连接，摄像头将实时拍摄的待检测工业管道视频数据发送给获取模块。
[0071]
裁剪模块，用于对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；
[0072]
检测模块，用于将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。
[0073]
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种工业管道漏水检测方法的操作。
[0074]
本发明在一个实施例中，一种工业管道漏水检测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
[0075]
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。
[0076]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0077]
本技术是参照本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0078]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0079]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0080]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种工业管道漏水检测方法，其特征在于，包括：获取待检测工业管道视频数据；对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。2.根据权利要求1所述的一种工业管道漏水检测方法，其特征在于，所述改进的yolov5模型包括添加有4倍下采样层的neck网络层和每一层均添加有带自注意力机制的gam模块的head网络层；所述工业管道漏水检测模型的训练包括：获取训练数据集，所述训练数据集包括若干组训练数据，每组所述训练数据均包括包含漏水特征的工业管道图像以及漏水特征标签；利用所述训练数据集训练所述改进的yolov5模型，得到所述工业管道漏水检测模型，其中，所述neck网络层中的4倍下采样层用于增强浅层网络漏水特征信息提取，所述head网络层中的每一层带自注意力机制的gam模块用于增强全局漏水特征信息提取。3.根据权利要求2所述的一种工业管道漏水检测方法，其特征在于，所述4倍下采样层为4倍下采样fpn网络。4.根据权利要求2所述的一种工业管道漏水检测方法，其特征在于，所述改进的yolov5模型还包括backbone网络层和通过k-means生成的4组12个锚框。5.根据权利要求2所述的一种工业管道漏水检测方法，其特征在于，所述训练数据集的获取方法包括：获取漏水工业管道的视频数据；对所述漏水工业管道的视频数据的每一帧图像进行预处理，所述预处理包括清洗和增广；采用via工具对所述预处理后的每一帧图像进行标注。6.根据权利要求1所述的一种工业管道漏水检测方法，其特征在于，所述对所述视频数据中的每一帧图像进行裁剪之前，还包括：对所述视频数据中的每一帧图像进行清洗处理。7.根据权利要求1所述的一种工业管道漏水检测方法，其特征在于，采用滑动窗口图像处理方法对所述视频数据中的每一帧图像进行裁剪。8.一种工业管道漏水检测装置，其特征在于，包括：获取模块，用于获取待检测工业管道视频数据；裁剪模块，用于对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；检测模块，用于将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一
项所述的一种工业管道漏水检测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种工业管道漏水检测方法的步骤。

技术总结
本发明公开了一种工业管道漏水检测方法、装置、设备和可读存储介质，获取待检测工业管道视频数据；对所述视频数据中的每一帧图像进行裁剪，得到每一帧图像对应的若干图像单元；将所述每一帧图像对应的若干图像单元输入预先训练好的工业管道漏水检测模型，所述工业管道漏水检测模型输出包含漏水特征的图像单元；所述工业管道漏水检测模型为利用包含漏水特征的工业管道图像训练改进的yolov5模型得到。本发明能够提升工业管道漏水检测的精度。本发明能够提升工业管道漏水检测的精度。本发明能够提升工业管道漏水检测的精度。


技术研发人员：王田 刘威 宁智民 马肖波 刘心童 寇媛媛 刘平 常威武 马乐 郝德锋
受保护的技术使用者：西安西热控制技术有限公司 华能集团技术创新中心有限公司
技术研发日：2023.06.07
技术公布日：2023/8/6