一种油料泄漏的检测方法及计算机存储介质

技术领域

本申请涉及油库安全管理技术领域，具体涉及一种油料泄漏的检测方法及计算机存储介质。

背景技术

在油库管理过程中，跑冒滴漏是油料存储、运输过程中存在的安全隐患，目前传统的治理跑冒滴漏的方法主要是通过加强企业管理和质量把关，增强管理规范化的格式与标准化的操作过程，加强巡逻检查。部分石化企业建立了现场维护数据库，对设备实行在线监控，并推广实施预知检修，加强了对员工的个人要求和岗位职责要求。

进一步的油库巡检工作基本通过人工入库巡检和部分区域查看摄像机监控画面进行油库安全巡检，主要目标是实现防火、防爆、防渗漏。

本申请的发明人在长期研发中发现，持续泄露多由焊缝缺陷或者设备老化等原因所引起的，因为泄漏量相对较少，难以察觉。油库输油管道长度跨度范围在几公里到几十公里，仅靠管理人员人为管理难以掌控全局。在输油管道持续泄露问题检查方面，管理人员可能难以察觉到漏油点位置，进而影响到管道堵漏工作。在油库输油管道管理方面，管理人员可能会存在思想不重视或者玩忽职守等行为意识，导致航油管道管理出现安全隐患。因此在航油管道泄露问题处理方面，管理人员可能难以在短时间内寻找到泄露问题，这对航油泄漏事故抢修管理工作开展可能会造成影响，传统巡检作业耗时费力、效率较低、难于及时发现安全隐患，同时摄像机安全巡视也主要以人工监控为主，对人员工作强度和要求较高，容易遗漏安全隐患。

发明内容

本申请提供一种油料泄漏的检测方法及计算机存储介质，以解决现有技术中管理人员难以察觉到输油管道是否存在漏油点的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种油料泄漏的检测方法，其中，所述方法包括：

获取输油管道预设采集点的图像数据形成数据集；

对所述数据集进行处理，按照预设比例得到训练集和测试集；

将所述训练集中的数据对YOLOv3网络模型进行迭代训练，得到最优检测模型；

对所述检测模型进行定位处理得到拟定漏油区，对所述漏油区进行滴油和/或喷油检测得到检测结果；

将所述检测结果反馈至油库安全管理中心智能分析系统。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种油料泄漏的检测系统，其中，所述检测包括相互耦接的处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于加载上述实施方式中任一项方法的计算机程序并执行。

为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机存储介质，其上存有计算机程序，所述计算机程序用于实现上述实施方式中任一项方法的步骤。

本申请的有益效果是：区别于现有技术的情况，本申请提供一种油料泄漏的检测方法及计算机存储介质，该方法包括：获取输油管道预设采集点的图像数据形成数据集；对数据集进行处理，按照预设比例得到训练集和测试集；将训练集中的数据对YOLOv3网络模型进行迭代训练，得到最优检测模型；对检测模型进行定位处理得到漏油区，对漏油区进行滴油和/或喷油检测得到检测结果；将检测结果反馈至油库安全管理中心智能分析系统。通过对YOLOv3网络模型的基础网络进行简化处理，得到轻量化YOLOv3模型，在保证准确率的同时，提高运算效率，并且对漏油区进行滴油和/或喷油检测得到检测结果，通过不同的检测方式能够提高检测的准确性，将检测结果反馈至油库安全管理中心智能分析系统，使得运维人员能够快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率，节省更多人力成本，解决了现有技术中管理人员难以察觉到输油管道是否存在漏油点的问题。

附图说明

为了更清楚地说明申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的情况下，还可以根据这些附图获得其他的附图，其中：

图1是本申请一种油料泄漏的检测方法一实施例的流程示意图；

图2是本申请一种油料泄漏的检测方法另一实施例的流程示意图；

图3是改进后的YOLOv3网络结构示意图；

图4是滴油检测和漏油检测的示意图；

图5是本申请油料泄漏的检测系统一实施例的结构示意图。

实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动情况下所获得的所有其他实施例，均属于本申请保护的范围。

需要说明，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

请参阅图1，图1是本申请一种油料泄漏的检测方法一实施例的流程示意图。本实施例揭示的方法包括以下步骤：

S11：获取输油管道预设采集点的图像数据形成数据集。

在输油管道预设采集点，并预先安装监控以采集图像数据。将采集到的图像数据以VOC数据格式保存成xml文件，再将VOC数据格式转换成YOLOv3数据格式，作为数据集。

S12：对数据集进行处理，按照预设比例得到训练集和测试集。

对得到的数据集进行预处理，除去其中的干扰数据，再按照预设比例将数据集划分为训练集和测试集。例如清洗不包含目标的数据、噪声较大的数据，再按照预设比例将数据集划分为训练集和测试集后，以YOLOv3数据格式保存成txt文件。

S13：将YOLOv3网络模型的基础网络进行删减处理形成简化YOLOv3网络模型，将训练集中的数据对简化YOLOv3网络模型进行迭代训练，得到最优检测模型。

利用数据集中的训练集中的数据分别对YOLOv3网络模型进行迭代训练，并在测试集上进行测试，得到最优法兰盘检测模型。

YOLOv3是一种基于卷积神经网络（CNN）的端到端目标对象检测算法，它将目标检测问题转变为回归问题，这种方法显著提高了物体检测速度。具体来说，输入图像被划分为S×S的网格：如果物体的真实中心在其边界内，该网格负责检测对象。然后，对象由每个网格上的一个界框预测，边界框和类别概率的最终坐标通过回归算法生成。对于锚框（AnchorBoxes）聚类，为了准确检测航空图像中的不同尺度绝缘体，在采集的数据集中采用了k均值（k-means）聚类算法，以便提前获得更合适的锚框盒大小。

原始YOLOv3 Backbone采用了Darknet53，由于Darknet53网络实际应用中所消耗的计算资源较多，大量的参数导致网络训练与检测速度缓慢，为了解决这个问题，本技术方案中选用轻量化卷积神经网络 MobileNet代替 YOLOv3中使用的Darknet53网络，对将YOLOv3网络模型的基础网络进行改进，得到简化YOLOv3网络模型。将训练集中的数据对简化YOLOv3网络模型进行迭代训练，得到最优检测模型。

S14：对检测模型进行定位处理得到漏油区，对漏油区进行滴油和/或喷油检测得到检测结果。

通过对输油管道连接处的法兰盘检测模型定位得到可能出现漏油的漏油区，对漏油区进行划分处理，分别使用传统图像处理方法和申请网络分类算法检测滴油和/或喷油，得到最终是否漏油的检测结果。

S15：将检测结果反馈至油库安全管理中心智能分析系统。

油料泄漏的检测方法可以应用于油库安全管理中心智能分析系统，通过将检测结果反馈到油库安全管理中心智能分析系统中，能够辅助判断油库是否发生油料泄露，从而反馈至运维人员处，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率。

本申请提供一种油料泄漏的检测方法，该方法包括：获取输油管道预设采集点的图像数据形成数据集；对数据集进行处理，按照预设比例得到训练集和测试集；将训练集中的数据对YOLOv3网络模型进行迭代训练，得到最优检测模型；对检测模型进行定位处理得到漏油区，对漏油区进行滴油和/或喷油检测得到检测结果；将检测结果反馈至油库安全管理中心智能分析系统。通过对YOLOv3网络模型的基础网络进行简化处理，得到轻量化的简化YOLOv3模型，在保证准确率的同时，提高运算效率，并且对漏油区进行滴油和/或喷油检测得到检测结果，通过不同的检测方式能够提高检测的准确性，将检测结果反馈至油库安全管理中心智能分析系统，使得运维人员能够快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率，节省更多人力成本。

在上述实施例的基础上，请一并参阅图2，图2是本申请一种油料泄漏的检测方法另一实施例的流程示意图。本实施例揭示的方法包括以下步骤：

S20：在输油管道连接处法兰盘预设采集点。

预设采集点为输油管道连接处的法兰盘。

S21：获取输油管道预设采集点的图像数据形成数据集。

获取法兰盘的类别信息及位置信息，得到图像数据。将所述图像数据转换成YOLOv3格式，形成数据集。

输油管道预设采集点预先安装监控以采集图像数据。利用标注工具，对图像数据中输油管道连接处的法兰盘本体进行标注，以VOC数据格式保存成xml文件，里面可以包含类别信息、以及位置信息，再将VOC数据格式转换成YOLOv3数据格式，作为数据集。

S22：对数据集进行处理，按照预设比例得到训练集和测试集。

对数据集进行清洗处理、数据增强处理和拼接处理后，将YOLOv3格式的数据集保存为预设类型文件。按照训练集大于数据集的比例得到训练集和测试集。

对得到的数据集进行预处理，通过对数据进行清洗、扩充，例如清洗不包含目标的数据、噪声较大的数据，再采用数据增强策略，随机缩放、随机裁减、随机排布的方式进行拼接等处理，丰富了检测物体的背景和小目标，再按照预设比例将数据集划分为训练集和测试集后，以YOLOv3数据格式保存成txt文件。例如，将数据集进行划分为80%训练集和20%测试集，即训练集和测试集的比例为4：1。

S23：将YOLOv3网络模型的基础网络进行删减处理形成简化YOLOv3网络模型，将训练集中的数据对简化YOLOv3网络模型进行迭代训练，得到最优检测模型。

在数据喂给神经网络之前，打乱数据集顺序，再送进网络。这样训练时每个epoch（迭代的次数）接收的数据顺序就会不同，不会让模型学习到图像顺序，导致产生学习效果好的假象，可以增加模型的鲁棒性。然后对图像进行归一化处理，例如本实施例中可以将图片长边缩放到统一尺寸416*416像素，并且同时对图像中的标签位置信息做相同的变换。

将训练集中的数据对所述简化YOLOv3网络模型进行迭代训练，得到最优检测模型的步骤中还包括S231~S234：

S231：将YOLOv3网络模型的基础网络中的标准卷积结构替换为深度可分离卷积结构，并删除全连接层和归一化层。

请一并参阅图3，图3是改进后的YOLOv3网络结构示意图。首先，将原始YOLOv3的基础网络 Darknet53中的标准卷积结构替换为深度可分离卷积结构，然后去掉Darknet53后面的全连接层和Softmax（归一化）层。其中深度可分离卷积模块将卷积操作分成了深度卷积和点卷积两个步骤，其中3*3深度卷积对于不同输入通道采取不同的卷积核进行卷积，再通过1*1点卷积完成对深度卷积输出特征图的整合，这样就避免了普通卷积层中任意一个卷积核都需要对所有通道进行操作的缺陷。通过深度可分离卷积结构建立的网络模型，其参数量约为普通卷积的1/9，大大精简了整个模型的规模，极大地减少了计算量。

S232：对简化YOLOv3网络模型的原损失函数进行优化处理得到新损失函数。

将预测值和真实值的平方和作为所述简化YOLOv3网络模型的原损失函数中宽高部分损失。

对于 YOLOv3来说，损失函数共分为：

其中，各个部分损失为公式（2）、公式（3）和公式（4）：

对于上式中边界框的预测

由于油库油料泄露场景也有检测小目标的需求，为了更好地拟合数据，本专利对YOLOv3坐标误差的宽高部分损失函数进行改进：采用了预测值和真实值的平方和作为损失。这是由于较大目标的误差相对较小目标的误差对最终的损失值影响更小，若损失函数不变，则损失函数难以下降，对小目标检测结果较差。本技术方案设计简化YOLOv3的边界框预测损失函数如公式（5）所示

并且在坐标误差后加入激活函数tanh以减小预测框过大而产生的误差，使预测框更加精确的检测出油库油料泄露。最终总损失函数为公式（6）

S233：对简化YOLOv3网络模型进行特征提取得到特征图。

对简化YOLOv3网络模型进行特征提取，得到第一尺度、第二尺度和第三尺度三种不同大小的特征图。对特征图进行2次上采用处理。

YOLOv3预测bbox的思想是，以backbone输出的feature_map尺寸(13，13)看作坐标参考系，也就是所谓的栅格grid。这样可以划分出13x13个格子，把这个棋盘格对应到原图上就相当于是建立了一个坐标体系。每个格子去预测三个bbox，每个bbox负责预测一个对象，同时每个bbox有一个预设的anchor基准，把确定出bbox的信息(x，y，w，h，c，…80classes…)放在每个格子的通道中。因此，网络一个scale输出raw_tensor的shape应该为：(13，13，3*85)。一共有13x13个位置，每个位置有3个bbox，可以算出最多可以预测13x13x3个bbox(同时需要13x13x3个预设anchor)，每个bbox都是相互独立的。数据传入神经网络进行特征提取，获得三种不同尺度大小的特征图（第一尺度13*13，第二尺度26*26，第三尺度52*52）。

为了更好的学习到图像中的特征信息，对深层特征图进行2次上采用，第一尺度13*13的特征图通过2倍上采用，与第二尺度26*26特征图进行融合，用相同的方法，将第二尺度26*26特征图通过2倍上采样与第三尺度52*52特征图融合。

S234：根据特征图计算类别。

Classification利用提取的三种尺度的特征图计算类别，分别检测小、中、大目标三种目标。

在本实施例中进行了三次检测，分别是在32倍降采样，16倍降采样，8倍降采样时进行检测。在网络中使用up-sample（上采样）能够使网络越深的特征表达效果越好，比如在进行16倍降采样检测，如果直接使用第四次下采样的特征来检测，这样就使用了浅层特征，这样效果一般并不好。如果想使用32倍降采样后的特征，但深层特征的大小太小，因此yolo_v3使用了步长为2的up-sample（上采样），把32倍降采样得到的feature map的大小提升一倍，也就成了16倍降采样。同理8倍采样也是对16倍降采样的特征进行步长为2的上采样，这样就可以使用深层特征进行detection。简化YOLOv3网络模型通过上采样的方式很好的使16倍降采样和8倍降采样使用深层特征，但进行4次下采样和3次下采样得到的浅层feature map大小是一样的。简化YOLOv3网络模型想把这些浅层特征也利用起来，就有了route层。把16倍降采样得到的feature map和四次下采样得到的层拼接在一起，在channel那个维度进行拼接。这样拼接的好处：让网络同时学习深层和浅层特征，表达效果更好。8倍降采样同样也是这样的操作，把三次下采样的feature map拼接在一起。通过IoU算法：先计算两个框的最小闭包区域面积 (通俗理解：同时包含了预测框和真实框的最小框的面积)，去除IOU阈值以下的样本，然后通过NMS算法得到最终预测框，计算损失值，每个EPOCH结束后，将验证集传入网络，验证模型的可靠性，计算损失值、准确率。

重复步骤S233至S234，验证集准确率提高，训练和验证集损失均下降直到保持稳定，达到设定的迭代目标。

S24：对检测模型进行定位处理得到漏油区，对漏油区进行滴油和/或喷油检测得到检测结果。

在本实施例中，先使用YOLOv3算法，算法首先调用法兰盘检测模型，判断图像法兰盘位置坐标信息，作为定位滴油、喷油检测区域的辅助信息。滴油检测和漏油检测可以同时检测，也可以选择其中一种方式检测。

请一并参阅图4，图4是滴油检测和漏油检测的示意图，图4中包括法兰盘预测框A、滴油检测区B、喷油检测区C三个区域。下面对滴油检测和漏油检测两种不同的检测方式分别进行说明。

在滴油检测中，包括下述步骤S241~S243：

S241：根据法兰盘预测框预设滴油检测区，滴油检测区位于法兰盘预测框的正下方区域内。

通过法兰盘预测框的位置、大小信息来预设一个大致的滴油检测区，滴油检测区在输油管道连接的法兰盘正下方区域即可。

S242：基于高斯混合模型的背景减除的算法，对油滴进行检测。

在滴油检测区中，利用基于高斯混合模型的背景减除的算法，来对油滴进行检测。算法原理是利用视频后一帧减去前一帧，对像素值发生变化的区域像素值置为255，将像素值没有发生变化的区域，像素值重置为0，这样就将滴落的油滴从静态的背景中提取出来。

通过后一帧减去前一帧的方法，将不会受到环境光照变化的影响，实时更新静态背景信息。利用opencv腐蚀算法，来过滤掉一些噪声，例如摄像机极小的抖动产生的背景变化产生的噪声。由于油滴较小，为了更加明显的能够提取到油滴，利用opencv库膨胀算法，对油滴面积进行扩大。在根据滴油检测区里二值图进行轮廓面积检测，设置一个面积阈值，大致0.5-3个油滴的大小，这样作用是排除有其他人、生物经过、下雨天气等产生的干扰。

S243：根据滴油检测区油滴的状态判断是否滴油。

由于滴油是一个持续过程，如果在滴油检测区中持续检测到有动态的油滴，则发出警告信息。如果在一段时间内，只检测到一两次有油滴出现，则判断为误检测，不用发出警告信息。

在喷油检测中，包括下述步骤S244~S247：

S244：根据法兰盘预测框预设喷油检测区，喷油检测区覆盖法兰盘预测框的区域。

喷油与滴油不同在于，喷射的油方向会是任意的，不会和滴油一样固定会通过滴油检测区，喷射的量也无法预测，因此不能通过背景减法来判断是否发生喷油。与滴油同理，根据油管连接的法兰盘预测框，预先设置喷油检测区，喷油检测区大致覆盖法兰盘预测框即可。

S245：将喷油检测区划分为至少两个子检测区域。

将喷油检测区平均划分成至少两个子检测区域，对至少两个子检测区域同时进行喷油检测。本实施例中以4个子检测区域进行说明。由于喷油时产生的喷射区域不会是整个连接处，而是连接处的某一小块区域，但是对整个喷油检测区C进行喷油检测，区域面积大，检测效果不好，因此对4个子检测区域同时进行喷油检测。

S246：建立喷油三分类算法模型，训练数据为输油管道连接处无泄露数据、输油管道连接处喷油的法兰盘图像数据和以法兰盘为背景的下雨数据，对喷油三分类算法模型进行训练。

建立喷油三分类算法模型，将Resnet_50作为分类网络进行训练，训练数据为连接管道无泄露数据、以及管道连接处喷油的法兰盘图像数据和以法兰盘为背景的下雨的数据。边训练边测试模型对喷油数据的分类的准确性，当准确率不再提高时，停止训练。

S247：将喷油三分类算法模型应用于至少两个子检测区域，根据子检测区域的喷油状态判断是否喷油。

将该分类模型同时应用于4个喷油检测区，以监控油管是否发生喷油。同理一段时间内，只检测到1-2次喷油，则判定为误报，如果喷油检测区C持续分类为喷油，则发出警告，再人工复检。

S25：将检测结果反馈至油库安全管理中心智能分析系统。

油料泄漏的检测方法可以应用于油库安全管理中心智能分析系统，通过将检测结果反馈到油库安全管理中心智能分析系统中，能够辅助判断油库是否发生油料泄露，从而反馈至运维人员处，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率。

在人工智能计算机视觉技术兴起之后，越来越多枯燥的人工操作被取代，解放了双手。计算机视觉技术是计算机模拟人类的视觉过程，具有感受环境的能力和人类视觉功能的技术。图像处理、人工智能和模式识别等技术的综合。传统的图像处理方法是对环境复杂的图像背景分割和目标特征提取。通常，图像中目标的特征包括纹理、形状、颜色、梯度和边缘等。因此，边缘检测、形态学、SIFT和小波变换等通常用于从复杂背景中提取特征和分离目标，也需要建立检测目标的数学模型。这种方法需要复杂的计算和特征提取，还是难以处理多种复杂场景。

本专利采用最新的人工智能计算机视觉技术，再结合传统的图像处理技术来对油管的泄露进行实时的监控，防止事故的发生，用AI视觉智能化手段提高油库安全管理的效率与质量，为企业安全运行提供重要的技术保障。

本技术方案提出了一种结合传统图像处理技术、深度学习目标检测和分类技术，通过GPU计算集群模块管理调度技术、网络文件NFS共享系统等技术建立基于摄像头影像的一整套快速分析判定油库油料是否泄露的数据处理方法与系统。相比于传统人工的检修方法，能够及时发现油料泄露，降低损失，降低了人力成本，提高了工作的安全性；再次，设计的系统作业流程通过图像处理、深度学习算法判定+人工复检的方式，降低了人工的作业难度。

本技术方案的特点还在于：

1、采用一种基于轻量化卷积神经网络Mobilenet改进的简化YOLOv3模型，对待检测区域进行初始判定，在保证准确率和召回率在工程应用允许范围之内的同时，大大减少了模型的参数数量，提升了模型计算效率，使模型可以方便地部署到嵌入式计算平台。

2、根据油库油料泄露检测场景需求，对YOLOv3坐标误差的宽高部分损失函数进行改进，使模型对小目标检测定位效果有明显提升。

3、对待检测区域进行划分为滴油检测区和喷油检测区。

4、滴油检测区通过基于高斯混合模型的背景差分技术，通过腐蚀算法去除部分误检测，通过噪声膨胀算法，提高油滴的检测面积，然后设定噪声面积阈值，排除行人、其他生物走动的干扰。

5、喷油检测区检测是将该区域划分为多个小区域，对每个小区域同时进行检测分类，提高分类的准确性。

6、系统基于GPU计算集群模块调度技术和容器技术以及NFS文件管理技术进行开发设计，提高了GPU硬件的运算效率，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率。

本申请提供一种油料泄漏的检测方法，该方法包括：在输油管道连接处法兰盘预设采集点；获取输油管道预设采集点的图像数据形成数据集；对数据集进行处理，按照预设比例得到训练集和测试集；将训练集中的数据对YOLOv3网络模型进行迭代训练，得到最优检测模型；对检测模型进行定位处理得到漏油区，对漏油区进行滴油和/或喷油检测得到检测结果；将检测结果反馈至油库安全管理中心智能分析系统。通过对YOLOv3网络模型的基础网络进行简化处理，得到轻量化YOLOv3模型，在保证准确率的同时，提高运算效率，并且对漏油区进行滴油和/或喷油检测得到检测结果，通过不同的检测方式能够提高检测的准确性，将检测结果反馈至油库安全管理中心智能分析系统，使得运维人员能够快速的浏览智能识别结果进行人工复检确认，提高了油库安全管理系统日常运维效率，节省更多人力成本。本技术方案是利用计算机视觉技术，传统图像处理算法和深度学习目标检测算法，GPU集群管理调度技术、网络文件NFS共享系统等技术建立基于监控影像的一整套快速分析判定油库油料泄露的数据处理方法与系统。相比于以往的人工检修方法大大提高了作业的高效性与安全性；与传统的图像处理方法相比，深度学习目标检测技术可以不需要针对不同的场景来对背景进行分离，不需要对大小、型号不同的绝缘子建立不同的数学模型，且具有鲁棒性高、适用性好等特点。再结合本发明中使用的级联算法，首先通过第一个模型在油管上定位法兰盘目标区域，然后再利用第二个算法在法兰盘上判断油料是否泄露，同时模型还囊括了排除例如的其他生物、行人、下雨等干扰的判断算法，能够大大提高算法的鲁棒性，大大降低了误判的可能性。同时作为与生产指挥系统对接的数据处理系统上，通过数据判定、生成报告提交生产指挥系统等过程，提交的数据中结合了航油公司台账等信息，使运维人员能够快速的将识别的结果与现有的系统对接，系统能够及时识别并报告损伤识别情况，运维人员可通过图像进行人工复检确认，进而提高航油管道日常运行管理维护的效率，降低发生事故的概率，大大提高了航油油库运维班组的工作效率。

对应上述的方法，本申请提出一种油料泄漏的检测系统，请参阅图5，图5是本申请一种油料泄漏的检测系统一实施例的结构示意图。本申请揭示的油料泄漏的检测系统100包括相互耦接的存储器12和处理器14，存储器12用于存储计算机程序，处理器14用于执行计算机程序实现上述实施方式中任一项方法的步骤。

具体来说，处理器14用于：

获取输油管道预设采集点的图像数据形成数据集。

对数据集进行处理，按照预设比例得到训练集和测试集。

将训练集中的数据对YOLOv3网络模型进行迭代训练，得到最优检测模型。

对检测模型进行定位处理得到拟定漏油区，对漏油区进行滴油和/或喷油检测得到检测结果.

将检测结果反馈至油库安全管理中心智能分析系统。

本实施例移动终端100能够提高了油库安全管理系统日常运维效率，节省更多人力成本。

在本申请所提供的几个实施方式中，应该理解到本申请所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。