本發(fā)明涉及管線泄露檢測(cè)，尤其是涉及一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法。

背景技術(shù)：

1、管線系統(tǒng)是現(xiàn)代工業(yè)中關(guān)鍵的能源運(yùn)輸和供應(yīng)網(wǎng)絡(luò)，但管線泄漏是一個(gè)嚴(yán)重的問(wèn)題，會(huì)導(dǎo)致環(huán)境損害、安全風(fēng)險(xiǎn)和經(jīng)濟(jì)損失。泄漏原因主要有五類：外力、人為疏忽、設(shè)備故障、自然原因和腐蝕。因此有效檢測(cè)和處理管線泄漏至關(guān)重要。目前的檢測(cè)方法包括人工檢測(cè)、聲學(xué)檢測(cè)和光纖檢測(cè)。人工檢測(cè)實(shí)時(shí)性和效率低；聲學(xué)檢測(cè)在復(fù)雜網(wǎng)絡(luò)中存在挑戰(zhàn)；光纖檢測(cè)雖精準(zhǔn)但成本高且需要預(yù)先鋪設(shè)。

2、因此，研究人員逐漸采用深度學(xué)習(xí)方法進(jìn)行泄漏檢測(cè)。深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可以分為雙階段和單階段。雙階段如faster?r-cnn，準(zhǔn)確但速度慢；單階段如yolo，將目標(biāo)檢測(cè)作為一個(gè)整體處理，提升了實(shí)時(shí)性。yolo系列不斷改進(jìn)，yolov5輕量靈活，yolov7速度更快、精度更高，適合實(shí)時(shí)檢測(cè)需求。

3、然而yolov7算法在管線泄露領(lǐng)域的研究較少，泄漏檢測(cè)精度有待提高，且模型數(shù)據(jù)處理量大，導(dǎo)致數(shù)據(jù)處理速度下降，從而影響了檢測(cè)效率。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法。

2、第一方面，本發(fā)明實(shí)施例提供了一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法，該方法包括：

3、獲取泄漏管線表面的初始圖像；

4、基于esrgan策略對(duì)圖像進(jìn)行清晰化處理，得到當(dāng)前圖像；

5、將當(dāng)前圖像輸入預(yù)先訓(xùn)練完成的改進(jìn)的yolov7模型，主干網(wǎng)絡(luò)內(nèi)的shufflenet網(wǎng)絡(luò)和卷積注意力模塊對(duì)輸入的當(dāng)前圖像進(jìn)行特征提取并進(jìn)行特征融合后輸送至包含pconv模塊的頭部網(wǎng)絡(luò)，輸出檢測(cè)結(jié)果。

6、結(jié)合第一方面，獲取泄漏管線表面的初始圖像的步驟包括：

7、采集泄漏管線表面的視頻影像；

8、根據(jù)預(yù)設(shè)視頻幀截取規(guī)則，對(duì)視頻影像進(jìn)行截取，得到多張初始圖像。

9、結(jié)合第一方面，改進(jìn)的yolov7模型的訓(xùn)練過(guò)程如下：

10、獲取初始訓(xùn)練數(shù)據(jù)集，初始訓(xùn)練數(shù)據(jù)集包括多個(gè)初始訓(xùn)練圖片數(shù)據(jù)；

11、基于esrgan策略對(duì)全部的初始訓(xùn)練圖片數(shù)據(jù)進(jìn)行清晰化處理，得到第一訓(xùn)練數(shù)據(jù)集；

12、針對(duì)第一訓(xùn)練數(shù)據(jù)集中的每個(gè)圖像數(shù)據(jù)，對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注，添加泄漏位置標(biāo)注，得到訓(xùn)練數(shù)據(jù)集；

13、構(gòu)建數(shù)據(jù)集，將預(yù)訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集；

14、利用訓(xùn)練集對(duì)初始改進(jìn)的yolov7模型進(jìn)行訓(xùn)練，并通過(guò)驗(yàn)證集進(jìn)行驗(yàn)證，得到滿足預(yù)設(shè)要求的訓(xùn)練完成的yolov7模型。

15、結(jié)合第一方面，獲取初始訓(xùn)練數(shù)據(jù)集，初始訓(xùn)練數(shù)據(jù)集包括多個(gè)初始訓(xùn)練圖片數(shù)據(jù)的步驟之前，還包括：

16、搭建yolov7初始模型，yolov7初始模型包括輸入端、主干網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)；

17、利用shufflenetv2網(wǎng)絡(luò)替代主干網(wǎng)絡(luò)；

18、利用包含pconv模塊的elan-p結(jié)構(gòu)替代頭部網(wǎng)絡(luò)中的elan結(jié)構(gòu)；

19、在主干網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)之間添加卷積注意力模塊，得到改進(jìn)的yolov7模型。

20、結(jié)合第一方面，利用shufflenetv2網(wǎng)絡(luò)替代主干網(wǎng)絡(luò)的步驟之前，還包括：

21、在輸入端與主干網(wǎng)絡(luò)之間添加max?pool模塊。

22、結(jié)合第一方面，利用訓(xùn)練集對(duì)初始改進(jìn)的yolov7模型進(jìn)行訓(xùn)練的步驟，包括：

23、利用訓(xùn)練集對(duì)max?pool模塊、shufflenetv2網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以生成特征數(shù)據(jù)；

24、利用特征數(shù)據(jù)對(duì)卷積注意力模塊進(jìn)行訓(xùn)練，以輸出目標(biāo)特征數(shù)據(jù)；

25、利用目標(biāo)特征數(shù)據(jù)對(duì)包含pconv模塊的頭部網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以輸出檢測(cè)預(yù)測(cè)結(jié)果。

26、結(jié)合第一方面，針對(duì)第一訓(xùn)練數(shù)據(jù)集中的每個(gè)圖像數(shù)據(jù)，對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注，添加缺陷類型標(biāo)簽及標(biāo)注缺陷位置，得到訓(xùn)練數(shù)據(jù)集的步驟，包括：

27、利用labeling工具對(duì)圖像數(shù)據(jù)中管線泄漏位置框選；

28、對(duì)框選區(qū)域數(shù)圖像增強(qiáng)處理，并標(biāo)注；

29、將標(biāo)注后的圖像數(shù)據(jù)存儲(chǔ)為設(shè)定文件格式。

30、第二方面本申請(qǐng)?zhí)峁┮环N基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)裝置，該裝置包括：

31、獲取模塊，用于獲取泄漏管線表面的初始圖像；

32、處理模塊，用于基于esrgan策略對(duì)圖像進(jìn)行清晰化處理，得到當(dāng)前圖像；

33、檢測(cè)模塊，用于將當(dāng)前圖像輸入預(yù)先訓(xùn)練完成的改進(jìn)的yolov7模型，主干網(wǎng)絡(luò)內(nèi)的shufflenet網(wǎng)絡(luò)和卷積注意力模塊對(duì)輸入的當(dāng)前圖像進(jìn)行特征提取并進(jìn)行特征融合后輸送至包含pconv模塊的頭部網(wǎng)絡(luò)，輸出檢測(cè)結(jié)果。

34、第三方面，本申請(qǐng)?zhí)峁┮环N電子設(shè)備，電子設(shè)備包括存儲(chǔ)器以及處理器，存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，處理器運(yùn)行計(jì)算機(jī)程序以使電子設(shè)備執(zhí)行上述的方法。

35、第四方面，本申請(qǐng)?zhí)峁┮环N可讀存儲(chǔ)介質(zhì)，可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序指令，計(jì)算機(jī)程序指令被一處理器讀取并運(yùn)行時(shí)，執(zhí)行上述的方法。

36、本發(fā)明實(shí)施例帶來(lái)了以下有益效果：本發(fā)明實(shí)施例提供了一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法，該方法包括：獲取泄漏管線表面的初始圖像；基于esrgan策略對(duì)圖像進(jìn)行清晰化處理，得到當(dāng)前圖像；將當(dāng)前圖像輸入預(yù)先訓(xùn)練完成的改進(jìn)的yolov7模型，主干網(wǎng)絡(luò)內(nèi)的shufflenet網(wǎng)絡(luò)和卷積注意力模塊對(duì)輸入的所述當(dāng)前圖像進(jìn)行特征提取并進(jìn)行特征融合后輸送至包含pconv模塊的頭部網(wǎng)絡(luò)，輸出檢測(cè)結(jié)果。

37、本申請(qǐng)?zhí)峁┑囊环N基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法，通過(guò)shufflenet網(wǎng)絡(luò)替代現(xiàn)有yolov7中的主干網(wǎng)絡(luò)，結(jié)合包含pconv模塊的頭部網(wǎng)絡(luò)，并添加注意力單元可以在保持檢測(cè)精度的前提下，輕量化模型處理數(shù)據(jù)量，提高數(shù)據(jù)處理效率，進(jìn)而提高管線泄漏檢測(cè)效率。

38、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說(shuō)明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

39、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。

技術(shù)特征：

1.一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取泄漏管線表面的初始圖像的步驟包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述改進(jìn)的yolov7模型的訓(xùn)練過(guò)程如下：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述獲取初始訓(xùn)練數(shù)據(jù)集，所述初始訓(xùn)練數(shù)據(jù)集包括多個(gè)初始訓(xùn)練圖片數(shù)據(jù)的步驟之前，還包括：

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，利用shufflenetv2網(wǎng)絡(luò)替代所述主干網(wǎng)絡(luò)的步驟之前，還包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，利用所述訓(xùn)練集對(duì)初始改進(jìn)的yolov7模型進(jìn)行訓(xùn)練的步驟，包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，針對(duì)所述第一訓(xùn)練數(shù)據(jù)集中的每個(gè)圖像數(shù)據(jù)，對(duì)所述圖像數(shù)據(jù)進(jìn)行標(biāo)注，添加缺陷類型標(biāo)簽及標(biāo)注缺陷位置，得到訓(xùn)練數(shù)據(jù)集的步驟，包括：

8.一種基于改進(jìn)的yolov7模型的管線泄漏檢測(cè)裝置，其特征在于，所述裝置包括：

9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括存儲(chǔ)器以及處理器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述處理器運(yùn)行所述計(jì)算機(jī)程序以使所述電子設(shè)備執(zhí)行權(quán)利要求1至7中任一項(xiàng)所述的方法。

10.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被一處理器讀取并運(yùn)行時(shí)，執(zhí)行權(quán)利要求1至7任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明涉及管線泄露檢測(cè)技術(shù)領(lǐng)域，尤其是涉及一種基于改進(jìn)的YOLOv7模型的管線泄漏檢測(cè)方法，該方法包括：獲取泄漏管線表面的初始圖像；基于ESRGAN策略對(duì)圖像進(jìn)行清晰化處理，得到當(dāng)前圖像；將當(dāng)前圖像輸入預(yù)先訓(xùn)練完成的改進(jìn)的YOLOv7模型。本申請(qǐng)?zhí)峁┑囊环N基于改進(jìn)的YOLOv7模型的管線泄漏檢測(cè)方法，通過(guò)ShuffleNet網(wǎng)絡(luò)替代現(xiàn)有YOLOv7中的主干網(wǎng)絡(luò)，結(jié)合包含Pconv模塊的頭部網(wǎng)絡(luò)，并添加注意力單元可以在保持檢測(cè)精度的前提下，輕量化模型處理數(shù)據(jù)量，提高數(shù)據(jù)處理效率，進(jìn)而提高管線泄漏檢測(cè)效率。

技術(shù)研發(fā)人員：蘭孝文,張佳麗,王少鋒,張二清
受保護(hù)的技術(shù)使用者：內(nèi)蒙古科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2