(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 202211234141.0 (22)申请日 2022.10.10 (71)申请人 中国核动力研究设计院 地址 610000 四川省成 都市双流区长顺大 道一段328号 (72)发明人 曾久晟　欧柱　刘杰　聂常华　 李曈希　李嘉明　刘志龙　李朋洲　 卓文彬　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 林菲菲 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/28(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的管道泄漏检测方法、 系统、 设备和介质 (57)摘要 本发明公开了一种基于深度学习的管道泄 漏检测方法、 系统、 设备和介质， 方法包括： 采集 正常管道和泄漏管道图像， 并给图像设置标签， 构建数据集， 且将所述数据集划分为训练集和测 试集； 基于深度神经网络结构和图像的二值掩 码， 构建深度神经网络模型； 采用所述训练集训 练构建的所述深度神经网络模型； 采用所述测试 测试训练完成的深度神经网络模 型； 利用训练完 成的深度神经网络模型， 对采集的管道图像进行 识别， 从而判断管道是否发生泄漏， 即完成对管 道泄漏的检测。 本发明采用真实采集的反应堆回 路正常管道和型泄漏管道 图像以及深度神经网 络进行管道泄漏的检测， 提高了检测效率和准确 率， 大大降低了检测人员的工作难度和工作强 度。 权利要求书2页 说明书7页 附图5页 CN 115482236 A 2022.12.16 CN 115482236 A 1.一种基于深度学习的管道泄漏检测方法， 其特 征在于， 包括： 采集正常管道和泄漏 管道图像， 并给图像设置标签， 构建数据集， 且将所述数据集划分 为训练集和 测试集； 基于深度神经网络结构和图像的二 值掩码， 构建深度神经网络模型； 采用所述训练集训练构建的所述深度神经网络模型； 采用所述测试测试训练完成的深度神经网络模型； 利用训练完成的深度神经网络模型， 对采集的管道图像进行识别， 从而判断管道是否 发生泄漏， 即完成对管道泄漏的检测。 2.根据权利要求1所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 所述深 度神经网络模型的构建过程包括： 搭建深度神经网络结构， 根据 管道泄漏的特点， 生成图像的二值掩码， 将其与彩色图像 的RGB三通道连接形成四通道输入； 计算所述训练集中图像的平均像素值， 每幅图像的像素减去平均像素值， 完成图像的 标准化处理； 调整图像尺寸， 通过缩放图像将图像化归一 化到统一尺寸； 对归一化的图像进行 数据增强处 理； 在深度神经网络结构的基础上结合连接了二值掩码的四通道输入， 构建得到深度神经 网络模型。 3.根据权利要求2所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 所述二 值掩码生成过程包括： 对输入的RGB彩色图像进行 灰度化处 理， 得到原 始图像的灰度图； 计算图像中所有像素的平均灰度值， 将其作为 二值化的阈值； 依次遍历图像中的每个像素点， 若像素点的灰度值小于等于平均灰度值， 则将该像素 点的灰度值置为0； 若像素点的灰度值大于平均灰度值， 则将该像素点灰度值置为255， 从而 完成图像的二 值化处理， 构建了二 值掩码。 4.根据权利要求2所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 所述数 据增强处 理具体包括： 对归一化的图像进行随机水平翻转， 对原图像和反转后的图像进行随机 剪裁。 5.根据权利要求2所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 所述深 度神经网络结构采用ResNet结构， 构建的深度神经网络模型 结构为： 从输入至输出依次为输入层、 第一卷积层、 第一最大池化层、 第一残差块、 第二最大池 化层、 第二残差块、 第三最大池化层、 第三残差块、 第四最大池化层、 第四残差块、 平均池化 层、 全连接层和输出层。 6.根据权利要求5所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 每个残 差块中包 含3个卷积层， 且每 个残差块间使用跳跃 连接， 缓解梯度消失问题。 7.根据权利要求6所述的一种基于深度 学习的管道 泄漏检测方法， 其特征在于， 每个卷 积层之后激活函数之前加入BN层， 加速网络收敛。 8.一种基于深度学习的管道泄漏检测系统， 其特 征在于， 包括： 数据获取模块， 用于采集正常管道和泄漏 管道图像， 并给图像设置标签， 构建得到数据权　利　要　求　书 1/2 页 2 CN 115482236 A 2集， 且将所述数据集划分为训练集和 测试集； 模型构建模块， 基于深度神经网络结构和图像的二 值掩码， 构建深度神经网络模型； 模型训练模块， 采用所述训练集训练构建的所述深度神经网络模型； 模型测试模块， 采用所述测试测试训练完成的深度神经网络模型； 识别模块， 利用训练完成的深度神经网络模型， 对采集的管道图像进行识别， 从而判断 管道是否发生泄漏， 即完成对管道泄漏的检测。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1 ‑7中任一项所述方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1 ‑7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115482236 A 3