基于深度学习的管道热图像泄漏识别

为了降低输液管道多泄漏点微小泄漏的检测难度,提高输液管道无损检测的检测精度与检测速度,通过搭建水循环管道泄漏实验系统,改变管道泄漏点尺寸、泄漏点数量及输送介质温度,应用红外热像仪实时采集红外图像,提出基于非线性平稳小波和双边滤波算法实现图像降噪;并结合红外检测技术和YOLO(You Only Look Once)v4模型实现输液管道单、多漏点的自动化智能检测。结果表明,与传统滤波算法相比,该降噪方法的峰值信噪比、结构相似性均有所提升;该模型能够快速且准确地检测管道单、多漏点,检测精度（m AP）分别达到了0.9822及0.98,准确率分别达到了98.3%及98.36%,单帧检测时间分别达到了0.3021s及0.3096s,实现了在复杂背景干扰下对单、多泄漏点的识别。通过与YOLO v3、Faster R-CNN和SSD 300这3种算法比较发现,YOLO v4算法对管道单一漏点及多泄漏点检测的准确率、m AP和检测时间均更佳,具有更高的检测准确性与检测效率。