一种阀冷系统管道渗漏视觉检测方法及计算机与存储介质与流程

1.本发明涉及深度学习应用技术领域，尤其是涉及一种阀冷系统管道渗漏视觉检测方法及计算机设备与存储介质。


背景技术：

2.换流阀冷却系统是确保换流阀正常运行的重要设备，由于换流阀塔一般采用组件式串行分层分布结构，阀冷系统管道分布复杂、管道型号不一且管道连接口众多，容易出现渗漏情况。冷却水的渗漏，会对换流阀的安全运行带来危害，影响对换流阀的冷却能力，同时渗漏的水会导致下层元器件的电气性能受到影响。当阀冷却系统出现渗漏情况时，会影响换流阀正常运行，甚至烧毁阀体，危及高压直流输电系统稳定运行。因此，在高压直流输电工程中，必须对换流阀的阀塔漏水情况进行在线实时监测。
3.目前已有的渗漏检测方法主要包括两种：一种是基于传感器检测换流阀各内冷水管路分支的进出口流量值和压力值等数据来计算渗漏总值的方法，通过设定阈值判定是否发生渗漏；另一种是基于机器视觉的方法，通过人工设计能够从当前应用场景中将前景与背景分开的图像处理方法，并设计能够反映前景中渗漏区域信息的特征提取方法，最后用传统机器学习的方法将所提取的特征进行训练从而实现对所检测视频流图像中是否渗漏的判断。
4.不同于通过检测管路流量和压力来判定渗漏情况的间接式检测，基于视觉的渗漏检测显然更直接并且实时性更佳，但基于传统机器学习的图像渗漏检测算法依赖人工设计的特征对当前问题的区分能力，对每一个检测环境都需要设计新的表征渗漏能力强的特征，应用场景局限。而随着深度学习方法在各种工业领域的应用，如工业缺陷检测、智能视频监控、自动驾驶等。其强大的学习和分类、检测等能力早已得到检验，并且深度学习算法属于端到端的算法，对深度学习分类判断模型的输入就是图像，无需人工设计基于特定场景的特征，而是由深度学习模型中的人工神经网络通过训练优化自动地从当前的场景中学习能够实现对是否渗漏进行判定的特征并最终实现渗漏情况判定。并且进行渗漏检测的工业环境使得摄像头在采集和传输过程中受到更加严重的噪声影响，传统的非局部均值滤波，卡尔曼滤波，小波图像去噪，以及由中值滤波、低通滤波、维纳滤波等方法虽然都具有一定程度的去噪效果，但是这些图像去噪算法都直接或间接地在去噪模型的构建中采用了整数阶积分，这样会在去除噪声的同时损失图像的纹理信息。


技术实现要素：

5.本发明的目的是针对以上问题，提供一种阀冷系统管道渗漏视觉检测方法、系统及计算机设备与存储介质，其中检测方法首先采用基于小概率策略的大津法图像分割算法和分数阶掩模对原始图像进行自适应去噪和纹理边缘增强处理，然后构建包括特征提取、融合、分类等三个模块的伪孪生神经网络，其中特征提取模块由伪孪生的全局与局部特征提取子网络和边缘特征增强子网络构成，分别用于提取原始图像和边缘增强图像的特征，
再用特征融合模块将两子网络的特征融合为后续的分类任务提供更富含语义的特征，最终输入网络的特征分类模块进行分类决策实现对是否渗漏的判定。本发明的伪孪生网络增强了神经网络对图像纹理边缘信息的感知能力，提高了神经网络对管道渗漏图像的识别分类能力。
6.本发明的第一个目的在于提供一种换流站阀冷系统管道渗漏视觉检测方法。
7.本发明的第二个目的在于提供一种换流站阀冷系统管道渗漏视觉检测系统。
8.本发明的第三个目的在于提供一种换流站阀冷系统管道渗漏视觉检测设备。
9.本发明的第四个目的在于提供一种存储介质。
10.为实现以上第一个目的，本发明采用的技术方案是：一种阀冷系统管道渗漏的视觉检测方法，包括以下步骤：
11.a、获取数据集阶段：包括采集现场原始图像，即利用前端摄像头从检测现场采集数字图像；以及边缘增强图像生成过程，即对原始图像进行灰度变换，得到二维梯度图像，然后利用小概率策略和大津法对图像进行分割，得到图像的各个区域(干扰噪声区域、纹理区域和平滑区域)，再采用不同阶次的分数阶微积分掩模对各个区域进行处理，得到自适应的去噪和边缘增强图像；
12.b、模型训练阶段：构建具有特征级融合能力的伪孪生神经网络，包括基于伪孪生网络的特征提取模块、特征融合模块以及特征分类模块，首先利用由伪孪生的全局与局部特征提取子网络和边缘特征增强子网络构成的特征提取模块对原始图像和边缘增强图像的特征分别进行提取，再用特征融合模块将两子网络的特征融合，然后输入网络的特征分类模块进行渗漏预测，最后通过优化模型的损失函数使得模型收敛，从而得到训练好的模型；
13.c、模型测试阶段：即将待测的原始图像和边缘增强图像输入上述训练好的模型，实现对渗漏情况的预测。
14.进一步的，所述获取数据集阶段，具体包括：
15.在需进行渗漏检测的现场搭建图像采集平台获取原始图像；采用基于小概率策略的大津算法对原始图像进行分割，具体为将噪声点视为小概率事件，并将噪声点转换为背景像素后用大津算法进行基于阈值的图像分割，最后将原图的干扰噪声区域、纹理区域和平滑区域区分出来分别用分数阶掩模进行去噪。
16.具体的，所述的分数阶掩模具体定义为：
17.根据分数阶g-l定义，当分数阶的阶次是正数时为微分运算，当分数阶的阶次是负数时为积分运算：
18.当v＞0时，g-l定义下v阶次的分数阶微分为:
[0019][0020]
当-v＜0时，g-l定义下的分数阶积分公式为：
[0021][0022]
当h＝1，通过朗格朗日等算法到v阶微分的近似表达式：
[0023][0024]
其中，ξ0,ξ1,ξ2,...,ξn都是微分v阶次的函数。一共可以得到8个方向的分数阶偏微分掩模(与x

轴方向成0
°
,45
°
,90
°
,135
°
,180
°
,225
°
,270
°
,315
°
)，再将8个方向的掩模算子叠加起来，就可以得到分数阶微分掩模，需要将每一个元素除以8
×
(ξ0 ξ1 ξ2
…
ξn)来完成模板的归一化处理，再与图像进行卷积运算后，就可以得到经过阶次为v的分数阶微分处理后的图像。
[0025]
依据分数阶的阶次可以连续变化这一特性，本发明制定相应的自适应分数阶微积分阶次的函数，在图像的噪声处具有负阶次，在图像的边缘处具有较大的微分阶次，在图像的弱纹理和平滑区域具有较小微分阶次，从而实现自适应图像去噪效果和自适应图像边缘增强效果。自适应分数阶微积分阶次的函数为：
[0026][0027]
其中，m(i,j)为图像中每一个像素点的8个方向上的平均梯度，t是由小概率策略求取的噪声阈值，s为图像的边缘阈值，v是每一个像素点对应的分数阶阶次，参数v1,v2,v3分别为边缘和纹理对应阶次的阈值。将具变化阶次的分数阶掩模与摄像头采集的图像进行卷积运算就可以得到增强后的图像，增强后的图像纹理更加清晰，边缘更加明显。
[0028]
进一步的，所述模型训练阶段：
[0029]
构建伪孪生神经网络，其特征提取模块包含两个伪孪生的特征提取子网络：
[0030]
其一为所述全局与局部特征提取子网络，用于对所述原始图像的局部与全局特征进行提取，所述全局与局部特征提取子网络具体由2个用于提取图像局部与全局浅层特征的shallow模块以及3个用于提取图像局部与全局的深层特征的deep模块依次串联，将所述原始图像x0输入第一个shallow子模块并将输出特征x1作为下一个模块的输入，按此规则x0经过5个特征提取子模块后得到全局与局部特征提取子网络的输出fn，如下所示：
[0031][0032]
式中shallow(
·
)、deep(
·
)分别为shallow模块和deep模块的等效函数，conv
(
·
)、pool(
·
)分别为卷积和池化操作，所述shallow模块具体由两层卷积操作加一次池化操作组成，所述deep模块具体由三层卷积操作加一次池化操作组成，这5个特征提取子模块共同构成这个特征提取子网络；
[0033]
其二为所述边缘特征增强子网络，用于提取所述边缘增强图像的特征，当管道出现渗漏时首先就会在管道的边缘发生突出变化，因此有必要构建这个边缘敏感的特征提取子网络，其具体由1个下采样卷积层模块和3个边缘增强模块组成，每个边缘增强模块又包含一个dense模块和一个transition模块，将所述边缘增强图像输入第一个下采样卷积层模块并将输出特征作为下一个模块的输入，按此规则经过4个特征提取子模块后得到边缘特征增强子网络的输出fd，如下所示：
[0034][0035]
式中f
ee
(
·
)、transition(
·
)、dense(
·
)分别为边缘增强模块、dense模块和transition模块的等效函数，为第i个模块的输出特征；所述dense模块包含四个卷积层，通过模块内不同层间的密集连接，将低层次的边缘特征输入模块内后续每一层卷积层中，使得网络的输出特征对边缘信息更加敏感，所述transition模块由一个卷积层和下采样池化层构成，用于实现特征图下采样来减少参数量，两模块的计算公式如下所示：
[0036][0037]
式中，为该子网络第i个模块的输出特征，为dense模块中第j层卷积层输出的特征，concat(
·
)、pool(
·
)分别表示将所有特征按通道合并的函数和下采样池化函数。
[0038]
进一步的，所述伪孪生神经网络的特征融合模块是用于将两子网络提取到的特征进行融合，融合步骤具体如下：
[0039]
step1、分别采用两个1
×
1的卷积，对边缘特征增强子网络的输出特征fd进行压缩，得到两个算子θ和另外，采用一个1
×
1的卷积，对全局与局部特征提取子网络输出的特征fn进行压缩，得到算子g，计算公式如下：
[0040][0041]
其中，conv1×1(
·
)表示1
×
1卷积操作。假设特征fd和特征fn的形状均为[b,c,h,w]，则算子θ、和g的形状均为[b,c/x,h,w]，其中，b为批大小，c为通道数，h为特征图高度，
w为特征图宽度，x为压缩倍数；
[0042]
step2、分别对算子θ、和g的宽、高这两个维度执行维度延展操作，将其展平成一维，形状由原来的[b,c/x,h,w]变为[b,c/x,h
×
w]；再对其中的算子θ和g执行转置操作，即将通道维度与flatten后的宽高维度进行转置变换，形状由[b,c/x,h,w]变为[b,h
×
w,c/x]；将此时的算子θ与算子进行矩阵乘法操作，再经过softmax函数归一化后，得到一个形状为[b,h
×
w,h
×
w]的注意力权图ω，该注意力权图根据边缘特征中的有效信息分布情况，生成了相应的权重，计算公示如下：
[0043][0044]
其中，flatten(
·
)表示维度延展操作，(
·
)
t
表示转置操作，表示矩阵相乘操作，softmax(
·
)表示softmax函数。
[0045]
step3、将得到的注意力权图ω与算子g相乘，再利用一个1
×
1卷积将压缩的通道数还原为c，即得到融合后的特征图fa，融合特征fa的形状与原来输入的特征fn和fd相同，为[b,c,h,w]，计算公式如下：
[0046][0047]
上述特征融合模块利用边缘特征生成表达重点边缘信息的注意力权图，再将权图与全局与局部特征进行叠加，使得两者信息得到充分的交互与融合，为后续的分类任务提供更富含语义的特征；
[0048]
所述伪孪生神经网络的特征分类模块是以融合特征为输入，输出网络模型对水管是否发生渗漏的预测概率。特征分类模块具体由三个全连接层和最后的softmax函数组成。由于融合特征的维数与模块最后输出的维数差异较大，为避免融合特征信息损失，三个全连接层的神经元个数采用由多到少、逐层递减的形式来过渡。该模块的功能可由如下表达式表示：
[0049]
p0,p1＝softmax(fc3(fc2(fc1(fa))))
[0050]
其中，fc1、fc2和fc3分别表示三个全连接层，p0和p1分别表示水管无渗漏和水管出现渗漏的概率。若p0＞p1，则最终判定水管无发生渗漏；若p0＜p1，则最终判定水管发生渗漏。
[0051]
所述的该模型的损失函数为交叉熵函数，其计算公式为：
[0052][0053]
式中，l为损失函数值，y
′i为输入图像的真实类别对应的分布，yi为预测概率分布，n为一次输入的图像数量。通过计算模型预测分类结果与真实标签之间的交叉熵并以使损失函数减小为目标反向传播优化模型中每个人工神经元上的权重参数和偏置，使得模型实现收敛，从而得到具有较强分类能力的神经网络模型，进而实现对是否发生渗漏的区分。
[0054]
本发明的第二个目的可以通过采取如下技术方案达到：
[0055]
本发明还提供了一种换流站阀冷系统管道渗漏深度学习视觉检测系统，所述系统包括：
[0056]
图像采集模块，用于采集现场图像来制作训练数据集和待检测的测试集；
[0057]
图像增强模块，用于对原始图像进行基于小概率策略的大津阈值分割并采用分数阶微分掩模实现高保真去噪和边缘增强；
[0058]
数据集制作模块，用于将增强好的图像打上标签并记录在终端的绝对路径然后制作成可输入训练模块和预测分类模块的训练集与测试集文本文件；
[0059]
模型训练模块，可将原始图像和增强好的图像分别输入构建好的伪孪生神经网络的全局与局部特征提取子网络和边缘特征增强子网络来提取特征，再进行特征融合并预测出分类结果；并通过优化损失函数实现模型参数收敛；
[0060]
预测分类模块，用于将原始图像和边缘增强图像的测试集输入训练好的模型，得到渗漏预测结果即总的预测准确率，并由此评估模型的好坏。
[0061]
本发明的第三个目的可以通过采取如下技术方案达到：
[0062]
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的渗漏图像分类任务。
[0063]
本发明的第四个目的可以通过采取如下技术方案达到：
[0064]
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的渗漏图像分类任务。
[0065]
本发明的有益效果：
[0066]
1、本发明将深度学习神经网络算法应用于换流站阀冷系统管道渗漏检测任务，可以实现对工业现场的实时监控以及对渗漏状况快速警报。
[0067]
2、本发明构建的伪孪生神经网络能够分别提取图像全局与局部特征和突出表达边缘信息的特征，并且能够进行特征级融合实现深层的语义特征之间充分的交互与融合，提高了检测的准确率。
[0068]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0069]
图1为本发明检测方法的流程简图。
[0070]
图2为本发明实施例1的换流站阀冷系统管道渗漏视觉检测方法的流程图。
[0071]
图3为本发明实施例1的图像自适应增强流程图。
[0072]
图4为本发明实施例1的伪孪生神经网络结构图。
[0073]
图5为本发明实施例1中全局与局部特征提取子网络结构图。
[0074]
图6为本发明实施例1中边缘特征增强子网络的结构图。
[0075]
图7为本发明实施例2的换流站阀冷系统管道渗漏视觉检测系统的结构框图。
[0076]
图8为本发明实施例3的计算机设备的结构框图。图8为本发明的示意图。
具体实施方式
[0077]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。一种阀冷系统管道渗漏的视觉检测方法，包括。
[0078]
实施例1：
[0079]
本实施例基于pytorch框架和pycharm开发环境。pytorch是基于python语言的深度学习开发架构，提供了深度学习中的众多封装函数和图像处理函数的接口，方便用户搭建深度学习网络，同时能够使用gpu为图形计算加速。pycharm集成开发环境是python程序设计开发的主要工具之一，提供了程序设计、测试和调试工具，可调用远程服务器的编译器运行程序。
[0080]
如图1所示，本实施例公开了一种换流站阀冷系统管道渗漏深度学习视觉检测方法，具体包括以下步骤：
[0081]
s101、获取数据集阶段。在换流站阀冷系统管道的现场搭建图像采集系统，采集现场真实图像。将原始图像经过基于小概率策略的大津算法的图像分割和基于分数阶掩模的图像自适应去噪和边缘增强处理，生成边缘增强图像。如图2所示，具体的，用基于小概率策略的大津算法将图像基于取得阈值分割为干扰噪声区域、纹理区域和平滑区域，再分别采用负阶次、正阶次和零阶次分数阶掩模对这三个区域进行增强处理，基于这两步便实现了对原始图像的自适应增强处理。
[0082]
s102、模型训练阶段。利用pytorch框架中的卷积神经网络模块搭建伪孪生神经网络，如图3所示，包括具有全局与局部特征提取子网络和边缘特征增强子网络的特征提取模块，以及实现高级语义的交互的特征融合模块和最终实现分类预测的特征分类模块。具体的：
[0083]
(1)特征提取模块：全局与局部特征提取子网络。
[0084]
如图4所示，其具体包括：2个用于提取图像局部与全局浅层特征的shallow模块以及3个用于提取图像局部与全局的深层特征的deep模块，所述shallow模块具体由两层卷积层加一次池化操作组成，所述deep模块具体由三层卷积层加一次池化操作组成，这5个特征提取子模块共同构成这个特征提取子网络。将所述原始图像x0输入第一个shallow子模块并将输出特征x1作为下一个模块的输入，按此规则x0经过5个特征提取子模块后得到全局与局部特征提取子网络的输出fn，如下所示：
[0085][0086]
式中shallow(
·
)、deep(
·
)分别为shallow模块和deep模块的等效函数，conv
(
·
)、pool(
·
)分别为卷积和池化操作，其中所有卷积操作conv(
·
)的卷积核大小均为3
×
3，步长为1，池化操作pool(
·
)的核大小为2
×
2，步长为2。
[0087]
(2)特征提取模块：边缘特征增强子网络。
[0088]
如图5所示，其具体由1个下采样卷积层模块和3个边缘增强模块组成，每个边缘增强模块又包含一个dense模块和一个transition模块，将所述边缘增强图像输入第一个下采样卷积层模块并将输出特征作为下一个模块的输入，按此规则经过4个特征提取子模块后得到边缘特征增强子网络的输出fd，如下所示：
[0089][0090]
式中f
ee
(
·
)、transition(
·
)、dense(
·
)分别为边缘增强模块、dense模块和transition模块的等效函数，为第i个模块的输出特征，conv(
·
)是卷积核为7
×
7步长为2的卷积核，bn(
·
)为归一化操作，relu(
·
)为激活函数；所述dense模块包含四个卷积层，通过模块内不同层间的密集连接，将低层次的边缘特征输入模块内后续每一层卷积层中，使得网络的输出特征对边缘信息更加敏感，所述transition模块由一个卷积层和下采样池化层构成，用于实现特征图下采样来减少参数量，两模块的计算公式如下所示：
[0091][0092]
式中，为该子网络第i个模块的输出特征，为dense模块中第j层卷积层输出的特征，concat(
·
)、pool(
·
)分别表示将所有特征按通道合并的函数和下采样池化函数，当j为奇数时conv(
·
)是卷积核大小为1
×
1的卷积层，用于降维减少计算量，又能融合各个通道的特征，当j为偶数时conv(
·
)是为卷积核大小为3
×
3的卷积层。
[0093]
(3)特征融合模块。
[0094]
用于将两子网络提取到的特征进行融合，融合步骤具体如下：
[0095]
step1、分别采用两个1
×
1的卷积，对边缘特征增强子网络的输出特征fd进行压缩，得到两个算子θ和另外，采用一个1
×
1的卷积，对全局与局部特征提取子网络输出的特征fn进行压缩，得到算子g，计算公式如下：
[0096][0097]
其中，conv1×1(
·
)表示1
×
1卷积操作。本实施例中，取通道的压缩倍数x＝8，假设
特征fd和特征fn的形状均为[b,c,h,w]，则算子θ、和g的形状均为[b,c/8,h,w]，其中，b为批大小，c为通道数，h为特征图高度，w为特征图宽度；
[0098]
step2、分别对算子θ、和g的宽、高这两个维度执行维度延展操作，将其展平成一维，形状由原来的[b,c/8,h,w]变为[b,c/8,h
×
w]；再对其中的算子θ和g执行转置操作，即将通道维度与flatten后的宽高维度进行转置变换，形状由[b,c/8,h,w]变为[b,h
×
w,c/8]；将此时的算子θ与算子进行矩阵乘法操作，再经过softmax函数归一化后，得到一个形状为[b,h
×
w,h
×
w]的注意力权图ω，该注意力权图根据边缘特征中的有效信息分布情况，生成了相应的权重，计算公示如下：
[0099][0100]
其中，flatten(
·
)表示维度延展操作，(
·
)
t
表示转置操作，表示矩阵相乘操作，softmax(
·
)表示softmax函数。
[0101]
step3、将得到的注意力权图ω与算子g相乘，再利用一个1
×
1卷积将压缩的通道数还原为c，即得到融合后的特征图fa，融合特征fa的形状与原来输入的特征fn和fd相同，为[b,c,h,w]，计算公式如下：
[0102][0103]
(4)特征分类模块。
[0104]
特征分类模块以融合特征为输入，输出网络模型对水管是否发生渗漏的预测概率。
[0105]
具体的，特征分类模块由三个全连接层和最后的softmax函数组成。由于融合特征的维数与模块最后输出的维数差异较大，为避免融合特征信息损失，三个全连接层的神经元个数采用由多到少、逐层递减的形式来过渡。本实施例中，三个全连接层的神经元个数分别为1024、512、2。该模块功能的表达式如下：
[0106]
p0,p1＝softmax(fc3(fc2(fc1(fa))))
[0107]
其中，fc1、fc2和fc3分别表示神经元个数为1024、512和2的三个全连接层，p0和p1分别表示水管无渗漏和水管出现渗漏的概率。若p0＞p1，则最终判定水管无发生渗漏；若p0＜p1，则最终判定水管发生渗漏。
[0108]
然后将构建好的模型在交叉熵损失函数下计算预测值与真实标签之间的差距，由此对模型中每一层的神经元权重系数和偏置值进行更新从而实现模型的收敛，以达到令我们满意的预测准确率。
[0109]
具体的，模型超参数方面，使用adam优化器，其参数设置为0.9/0.999；epoch设置为300，学习率初始值设置为0.001；batch size设置为2n大小，本案例上为128。通过优化交叉熵损失函数实现反向传播更新每一层的神经元权重系数和偏置值，反向传播算法为梯度下降法，直至实现模型的收敛。
[0110]
最后将收敛好的模型参数文件保存下来用于下一步的实际检测阶段。
[0111]
s103、模型测试阶段。调取训练好的模型参数并将原始图像和边缘增强图像的测试集输入其中得到检测结果，将概率最大的类别视为模型预测结果并与实际标签作比较得到模型的实际准确率。
[0112]
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
[0113]
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，或将一个步骤分解为多个步骤执行。
[0114]
实施例2：
[0115]
如图6所示，本实施例提供了一种换流站阀冷系统管道渗漏深度学习视觉检测系统，该系统包括图像采集模块601、图像增强模块602、数据集制作模块603、深度学习模型训练模块604和检测模块605，其中：
[0116]
图像采集模块601，用于采集现场图像来制作训练数据集和待检测的测试集；
[0117]
图像增强模块602，用于对原始图像进行基于小概率策略的大津阈值分割并采用分数阶微分掩模实现高保真去噪和边缘增强；
[0118]
数据集制作模块603，用于将增强好的图像打上标签并记录在终端的绝对路径然后制作成可输入训练模块和预测分类模块的训练集与测试集文本文件；
[0119]
模型训练模块604，用于将训将原始图像和增强好的图像分别输入构建好的伪孪生神经网络的全局与局部特征提取子网络和边缘特征增强子网络来提取特征，再进行特征融合并预测出分类结果；并通过优化损失函数实现模型参数收敛；
[0120]
预测分类模块605，用于将原始图像和边缘增强图像的测试集输入训练好的模型，得到渗漏预测结果即总的预测准确率，并由此评估模型的好坏。
[0121]
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
[0122]
实施例3：
[0123]
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图7所示，其通过系统总线701连接的处理器702、存储器、输入系统703、显示器704和网络接口705，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质706和内存储器707，该非易失性存储介质706存储有操作系统、计算机程序和数据库，该内存储器707为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器702执行存储器存储的计算机程序时，实现上述实施例1的渗漏检测方法，如下：
[0124]
采集现场原始图像，以及使用基于小概率策略的大津法图像分割算法和分数阶掩模对原始图像进行自适应去噪和纹理边缘增强处理，得到边缘增强图像；
[0125]
利用伪孪生神经网络模型中特征提取模块的全局与局部特征提取子网络和边缘特征增强子网络分别提取原始图像和边缘增强图像的特征，并在利用模型的特征融合模块将两组特征进行融合之后利用特征分类模块实现分类，最后通过优化网络模型的损失函数
使模型收敛从而实现模型的训练；
[0126]
调用训练好的模型直接应用于待测图像，最终得到渗漏情况的预测结果。
[0127]
实施例4：
[0128]
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的渗漏检测方法，如下：
[0129]
采集现场原始图像，以及使用基于小概率策略的大津法图像分割算法和分数阶掩模对原始图像进行自适应去噪和纹理边缘增强处理，得到边缘增强图像；
[0130]
利用伪孪生神经网络模型中特征提取模块的全局与局部特征提取子网络和边缘特征增强子网络分别提取原始图像和边缘增强图像的特征，并在利用模型的特征融合模块将两组特征进行融合之后利用特征分类模块实现分类，最后通过优化网络模型的损失函数使模型收敛从而实现模型的训练；
[0131]
调用训练好的模型直接应用于待测图像，最终得到渗漏情况的预测结果。
[0132]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0133]
综上所述，本发明针对换流站阀冷系统管道渗漏问题，设计基于小概率策略的大津法图像阈值分割算法将原图区分为不同区域，并针对图像中不同的区域使用不同的分数阶掩模实现自适应的图像去噪、纹理增强；然后构建具有特征级融合能力的伪孪生神经网络，可分别提取图像全局与局部特征和突出表达边缘信息的特征，并且能够进行特征级融合实现深层语义特征之间充分的交互与融合，有利于提高检测准确率。
[0134]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0135]
本文中对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。