[发明专利]一种基于深度学习的油液渗漏检测方法和检测装置

说明书

本发明提供一种基于深度学习的油液渗漏检测方法和检测装置，所述方法包括：获取初始图像训练样本；对初始图像训练样本进行数据增广，得到目标训练样本；通过初始高分辨率模型对目标训练样本进行采样，得到至少四个特征通道的信息特征；融合各个特征通道的信息特征，得到至少四个增强后的多尺度特征；对增强后的多尺度特征进行分类损失计算和定位损失计算，分别得到多尺度特征的分类概率和定位损失；根据分类概率、定位损失和预设的总损失计算函数，得到多尺度特征的损失函数；根据损失函数进行模型训练，得到目标检测模型；将待检测图像输入到目标检测模型，得到目标检测模型的预测输出结果。本发明可以准确地检测出油液渗漏异常状态的情况。

技术领域

本发明涉及油液渗漏检测的技术领域，具体涉及一种基于深度学习的油液渗漏检测方法和检测装置。

背景技术

目前的漏油、漏水检测主要分为两种，基于传感器的检测方法和基于计算机视觉的检测方法。

其中，基于机器视觉的漏液检测方法其本质是对图像进行手工算子（颜色，纹理）的特征提取。此类传统的特征提取算子的方法在光照强度变化，阴影轻微遮挡，背景变化等环境的因素下有着较大的影响。此外，其表现效果往往不好，存在漏检和错检的情况。

而基于多通道特征融合的技术方法尽管通过多种方式提取多种特征进行融合，强化的代分类的特征。然而，包含HOG通道（根据梯度获取边缘信息），LUV彩色空间特征等，其本身受到环境的影响变化较大，且边缘信息的获取受滴漏形状变化有着直观的影响，这对算法的鲁棒性存在较大的考验。此外，SVM分类器在面对大样本的训练时其空间复杂度和时间复杂度较高，且缺乏对数据的敏感。其性能的表现往往会取决于核函数的选择和超参数，但检测结果并不包含定位信息。

综上所述，现有的漏油、漏水检测方法，存在检测准确性低的问题。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于深度学习的油液渗漏检测方法和检测装置，可以准确地检测出油液渗漏异常状态的情况。

本发明的一个实施例提供一种基于深度学习的油液渗漏检测方法，包括：

获取初始图像训练样本；所述初始图像训练样本包括被图像目标框框选的油液渗透位置；

对所述初始图像训练样本进行数据增广，得到目标训练样本；

通过初始高分辨率模型对所述目标训练样本进行采样，得到至少四个特征通道的信息特征；

融合各个所述特征通道的信息特征，以得到至少四个增强后的多尺度特征；

对所述增强后的多尺度特征进行分类损失计算和定位损失计算，分别得到所述多尺度特征的分类概率和定位损失；

根据所述分类概率、定位损失和预设的总损失计算函数，得到所述多尺度特征的损失函数；

根据所述损失函数进行模型训练，得到目标检测模型；

将待检测图像输入到所述目标检测模型，得到所述目标检测模型的预测输出结果。

相对于现有技术，本发明的基于深度学习的油液渗漏检测方法通过融合各个所述特征通道的信息特征，得到增强后的多尺度特征，并对增强后的多尺度特征进行损失函数计算，以训练所述初始高分辨率模型，从而得到所述目标检测模型，并将所述目标检测模型用于预测待检测图像中的油液渗漏情况，可以提高油液渗漏异常状态检测结果的准确性。

进一步，所述对所述初始图像训练样本进行数据增广，得到目标训练样本的过程，包括：

获取所述图像目标框的范围内的随机点；

以所述随机点为圆心，以所述随机点到所述图像目标框的边框的最短距离为半径，生成目标圆；所述目标源用于遮挡所述油液渗透位置；

将生成所述目标圆之前所述初始图像训练样本和生成所述目标圆之后的初始图像训练样本，确定为目标训练样本。