(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211397154.X (22)申请日 2022.11.09 (71)申请人 上海朗驰佰特智能技 术有限公司 地址 201700 上海市青浦区华纺路69号3幢 3层T区359室 申请人 上海电力大 学　 上海厚尚电力科技有限公司 (72)发明人 王子巍　彭道刚　李杰　潘俊臻　 王丹豪　刘世彬　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLOCBF电厂关键区域管道油液泄漏检 测方法 (57)摘要 本发明公开了一种基于YOLOCBF电厂关键区 域管道油液 泄漏检测方法， 它涉及计算机视觉技 术领域。 获取电厂关键区域管道油液泄漏图像， 构建数据集并预处理， 对训练集中图像标注； 将 图像输入到融合CBAM注意力机制的模型骨干网 络中， 获取五个不同尺度的特征图， 将其输入到 YOLOCBF颈部段进行特征融合， 输出五个不同尺 度的张量数据， 并输入到YOLOCBF网络头部端， 通 过检测头预测， 采用Focal  EIoU Loss对检测目 标定位及类别检测； 通过训练集训练网络模型并 验证， 部署 到算法服务器上进行电厂关键区域管 道油液泄漏的实时检测识别。 本发 明实现对电厂 关键区域内的管道油液泄漏的实时、 准确检测， 满足电厂应用的需求。 权利要求书2页 说明书7页 附图4页 CN 115546565 A 2022.12.30 CN 115546565 A 1.基于YOLOCBF电厂关键区域管道油液泄漏检测方法， 其特 征在于， 其 步骤为： (1)获取电厂关键区域管道油液泄漏图像， 对数据集进行数据增强、 数据清洗预处理操 作， 并将所有图像划分为训练集、 验证集、 测试集， 所有图像包含室内外管道、 阀门泄漏场 景， 并对训练集中的图像进行 标注； (2)将获取的训练集图像输入到YOLOCBF中融合了CBAM注意力机制的模型骨干网络中， 获取五个不同尺度的特 征图； (3)对获取的五个不同尺度的图像特征 图， 将其输入到YOLOCBF的颈部段， 通过颈部段 中的双向特征金字塔网络对其进行特征融合， 输出五个不同尺度的张量数据， 实现不同尺 度的信息融合； (4)对得到 的五个不同尺度的张量数据， 将其输入到YOLOCBF网络的头部端， 通过五个 检测头进行 预测， 采用Focal  EIoU Loss作为损失函数对检测目标进行定位以及类别检测； (5)通过训练集训练网络模型并在验证集上对模型进行验证， 将其部署到算法服务器 上进行电厂关键区域管道油液泄漏的实时检测识别。 2.根据权利 要求1所述的基于YOLOCB F电厂关键区域管道油液泄漏检测方法， 其特征在 于， 所述的步骤(1)将获取到的所有 管道油液泄漏图像打乱并按比例将图像划分为训练集、 验证集、 测试集， 对图像进行数据增强， 方法包括旋转、 缩放、 色域变换以及图像拼接； 并对 训练集内的缺陷图像用Label img标注软件进行 标注， 标注类别为 oil和water两个 类别。 3.根据权利 要求1所述的基于YOLOCB F电厂关键区域管道油液泄漏检测方法， 其特征在 于， 所述的步骤(2)中构建YOLOCBF的骨干网络模型部分， 其包含Focus模块、 三个C3模块、 Conv模块、 九个C3模块、 Conv模块、 九个C3模块、 Conv模块、 三个C3TR模块、 CBAM_Attention 模块、 SPFF模块， 由上述模块依次连接而成， 对管道油液泄漏图像进行多个尺度的特征提 取。 4.根据权利 要求3所述的基于YOLOCB F电厂关键区域管道油液泄漏检测方法， 其特征在 于， 所述的CBAM_Attention模块包含通道注 意力模块和空间注 意力模块这两个独立的子模 块， 分别进行通道、 空间上的注意力操作： ①在通道注意力模块中， 重新分配特征图之间的权重： 首先将输入的特征图复制成两 份， 分别经过基于宽度和高度的全局最大池化和全局平均池化， 得到两个特征图， 再将它们 分别送入到一个两层的多层感知机(MLP)， 这个两层的神经网络由两个特征图共享， 最 终将 生成的特 征传入空间注意力模块； ②在空间注意力模块中， 将通道注意力模块的输出特征图作为空间注意力模块的输入 特征图， 首先进行基于通道的全局最大池化和全局平均池化， 得到两个特征图， 再将这两个 特征图基于通道进行拼接操作(concat)， 接着经过卷积操作降维为一个通道， 最后经过 sigmoid激活函数生成空间注意力特征， 再将空间注意力模块最终输出的特征与输入特征 做乘法得到最终CBAM注意力机制所输出的特 征图。 5.根据权利 要求1所述的基于YOLOCB F电厂关键区域管道油液泄漏检测方法， 其特征在 于， 所述的步骤(3)中颈部段由卷积层、 下采样层、 特征融合模块、 上采样层组成， 采用双向 金字塔网络对获得的五种不同尺度的特征图进行特征融合， 提出模块化， 整体继续参与堆 叠， 进一步做融合， 各层关系如下：权　利　要　求　书 1/2 页 2 CN 115546565 A 2式(1)中Pin表示所在层的输入特征， Pout表示所在层的输出特征， Resize表示用于上 采样或者下采样的分辨 率匹配操作， Co nv表示用于特 征处理的卷积 操作。 6.根据权利 要求1所述的基于YOLOCB F电厂关键区域管道油液泄漏检测方法， 其特征在 于， 所述的步骤(4)中Y OLOCBF的头部端同时使用五个检测头对多层特征融合网络输出的五 个不同尺度的张量数据进行预测， 采用Focal  EIoU Loss作为损失函数对检测目标进行定 位以及类别检测， Focal  EIoU Loss损失函数定义公式如下： LFocal EIoU＝IoUγLEIoU              (2) 式(2)中， γ是一个用于控制曲线弧度的超参数， 式(3)中， EIoU将损失函数分为了IoU损失、 距离损失和边长损失三个部分， LIoU是IoU损 失， Ldis是距离损失， Lasp是边长损失， cw、 ch分别是覆盖预测框和目标框 的最小外接框 的宽 度、 高度。权　利　要　求　书 2/2 页 3 CN 115546565 A 3