油滴泄露检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种油滴泄露检测方法、装置、计算机设备和存储介质。


背景技术：

2.变电站中存在大量使用油滴的待检测设备，若油滴发生泄露，可能会导致待检测设备故障，进而引起火灾等问题，同时还对周围的生态环境造成污染，因此，对待检测设备进行安全检测至关重要。
3.现有技术中，通常是利用红外相机进行待检测设备的油滴泄露检测，但由于红外相机采集到的红外图像仅包含待检测设备表面的温度变化情况，即红外图像包含的待检测设备的图像信息较少，存在对待检测设备的油滴泄露进行误判的情况，因此，亟需改进。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够精准确定油滴泄露位置的油滴泄露检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种油滴泄露检测方法。所述方法包括：
6.采集待检测设备的当前偏振光图像和当前自然光图像；
7.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
8.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
9.在其中一个实施例中，通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置，包括：
10.通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得到叠加图像对应的通道降维特征图；
11.通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息；
12.通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征；
13.通过油滴泄露检测模型中的解码器网络对油滴特征进行解码处理，得到待检测设备的油滴泄露位置。
14.在其中一个实施例中，通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息，包括：
15.通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征；
16.通过油滴泄露检测模型的门控线性单元，对加权特征进行调整，得到叠加图像的全局特征信息。
17.在其中一个实施例中，多层卷积网络包括至少两个分组卷积；
18.通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征，包括：
19.通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征；各分组卷积的卷积核为动态卷积核，且动态卷积核的大小和形状根据各分组卷积输入的全局特征信息确定。
20.在其中一个实施例中，确定待检测设备的油滴泄露位置之后，还包括：
21.根据待检测设备的油滴泄露位置，输出待检测设备的预警提示信息。
22.在其中一个实施例中，油滴泄露检测模型的训练方式，包括：
23.获取样本设备的历史偏振光图像和历史自然光图像；其中，样本设备包括油滴泄露设备和油滴未泄露设备；
24.对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像；
25.对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像；
26.基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。
27.第二方面，本技术还提供了一种油滴泄露检测装置。所述装置包括：
28.图像采集模块，用于采集待检测设备的当前偏振光图像和当前自然光图像；
29.图像叠加模块，用于对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
30.位置确定模块，用于通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
31.第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
32.采集待检测设备的当前偏振光图像和当前自然光图像；
33.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
34.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
35.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
36.采集待检测设备的当前偏振光图像和当前自然光图像；
37.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
38.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
39.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
40.采集待检测设备的当前偏振光图像和当前自然光图像；
41.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
42.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
43.上述油滴泄露检测方法、装置、计算机设备和存储介质，采集待检测设备的当前偏
振光图像和当前自然光图像，对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像，通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。通过采集偏振光图像，能够获取待检测设备表面油滴的偏振和颜色特性，并对偏振光图像和自然光图像进行叠加处理，能够更全面的获取待检测设备表面的油滴情况，进一步提高了对油滴泄露检测的合理性、准确性和及时性。同时，现有技术中通常使用红外相机对油滴泄露位置进行检测，存在红外相机成本较高的问题，而本技术则通过偏振相机对待检测设备的表面图像进行采集，偏振相机中单一的偏振系统结构简单，因此，偏振相机相比于红外相机的价格更低廉，减少了一定的采集设备成本。
附图说明
44.图1为本实施例提供的一种油滴泄露检测方法的应用环境图；
45.图2为本实施例提供的第一种油滴泄露检测方法的流程示意图；
46.图3为本实施例提供的一种确定待检测设备的油滴泄露位置的流程示意图；
47.图4为本实施例提供的一种训练油滴泄露检测模型的流程示意图；
48.图5为本实施例提供的第二种油滴泄露检测方法的流程示意图；
49.图6为本实施例提供的第一种油滴泄露检测装置的结构框图；
50.图7为本实施例提供的第二种油滴泄露检测装置的结构框图；
51.图8为本实施例提供的第三种油滴泄露检测装置的结构框图；
52.图9为本实施例提供的第四种油滴泄露检测装置的结构框图；
53.图10为本实施例提供的一种计算机设备的内部结构图。
具体实施方式
54.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处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。
55.本技术实施例提供的油滴泄露检测方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器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。该计算机设备的数据库用于存储偏振光图像、当前自然光图像和叠加图像等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种油滴泄露检测方法。
56.本实施例提供了一种油滴泄露检测方法，采集待检测设备的当前偏振光图像和当前自然光图像，并对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像，再通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
57.在一个实施例中，如图2所示，提供了一种油滴泄露检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
58.s201采集待检测设备的当前偏振光图像和当前自然光图像。
59.其中，待检测设备可以是需要检测是否存在油滴泄露情况的设备。可选地，该待检测设备可以是使用油液的变电站设备。
60.其中，当前偏振光图像可以是通过偏振滤镜捕捉到的待检测设备表面反射光线的图像。可选地，在该当前偏振光图像中，油滴泄露位置的反射光线会呈现出与周围环境不同的偏振状态，从而可以通过对比不同偏振状态下的反射光线强度来检测油滴泄露位置。
61.其中，当前自然光图像可以是通过自然光源捕捉到的待检测设备表面反射光线的图像。可选地，由于该当前自然光图像可以准确确定出油滴泄露位置的位置和形状，因此，该当前自然光图像可以与当前偏振光图像结合使用来更准确地检测油滴泄露位置。
62.可选地，在当前时刻到达预设采集周期时，通过待检测设备周围的采集设备(如偏振相机)，对待检测设备的表面进行摄录，从而获取待检测设备的当前自然光图像，同时该采集设备自动切换偏振滤镜，再通过该切换有偏振滤镜的采集设备获取待检测设备的当前偏振光图像。
63.s202对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像。
64.其中，叠加处理可以是对不同图像中的像素点进行通道叠加的处理方式。
65.其中，叠加图像可以是由不同图像进行叠加处理获取到的图像。
66.可选地，对当前偏振光图像和当前自然光图像中相同位置的像素点的像素值进行相互叠加，得到叠加像素点后的图像，作为叠加图像。
67.s203通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
68.其中，油滴泄露检测模型可以是用于通过设备图像识别出设备中的油滴泄露位置的模型。
69.可选地，将获取到的叠加图像输入至油滴泄露检测模型中，该油滴泄露检测模型会对该叠加图像进行识别，得到该叠加图像对应的掩膜图像，确定该掩膜图像中的油滴泄露位置，并将该掩膜图像对应的油滴泄露位置确定为待检测设备的油滴泄露位置。
70.需要说明的是，确定待检测设备的油滴泄露位置之后，还包括：根据待检测设备的油滴泄露位置，输出待检测设备的预警提示信息。具体的，当服务器检测到待检测设备的油滴泄露位置时，可以根据待检测设备的油滴泄露位置生成包含待检测设备编号和油滴泄露位置等信息的预警提示信息，并直接通过弹窗或视音频的形式向工作人员展示预警提示信息，还可以是将预警提示信息发送至工作人员的终端设备，以便工作人员前往待检测设备所在区域及时进行油滴泄露清理，并排查油滴泄露原因。
71.上述油滴泄露检测方法、装置、计算机设备和存储介质，采集待检测设备的当前偏振光图像和当前自然光图像，对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像，通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。通过采集偏振光图像，能够获取待检测设备表面油滴的偏振和颜色特性，并对偏振光图像和自然光图像进行叠加处理，能够更全面的获取待检测设备表面的油滴情况，进一步提高了对油滴泄露检测的合理性、准确性和及时性。同时，现有技术中通常使用红外相机对油滴泄露位置进行检测，存在红外相机成本较高的问题，而本技术则通过偏振相机对待检测设备的表面图像进行采集，偏振相机中单一的偏振系统结构简单，因此，偏振相机相比于红
外相机的价格更低廉，减少了一定的采集设备成本。
72.图3为一个实施例中确定待检测设备的油滴泄露位置的流程示意图。现有技术中，对油滴泄露位置的检测通常是基于人工来完成的，通常会存在滞后性且检测不准确的情况，因此，为保证待检测设备中油滴泄露位置能够被及时且准确的被发现，本实施例给出了一种确定待检测设备的油滴泄露位置的可选方式，包括如下步骤：
73.s301通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得到叠加图像对应的通道降维特征图。
74.其中，通道降维特征图可以是降低通道维度后的叠加图像。
75.可选地，将叠加图像输入至油滴泄露检测模型，该油滴泄露检测模型中的单层卷积网络会对该叠加图像进行通道降维处理，获取得到降低通道维度后的叠加图像，作为该叠加图像对应的通道降维特征图。
76.s302通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息。
77.其中，全局特征信息可以是叠加图像中的所有特征信息。可选地，该全局特征信息可以包括：颜色、形状和位置等特征信息。
78.可选地，通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息的方式有多种，本技术对此不做限定。
79.其中一种可选实现方式可以是，基于获取到的通道降维特征图，通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，再将编码处理后的通道降维特征图输入至前馈神经网络中，前馈神经网络对该编码处理后的通道降维特征图进行特征提取，得到叠加图像对应的全局特征信息。
80.可选地，为了提高编码器的计算效率和计算能力，本实施例还可以对油滴泄露检测模型中的编码器进行改进，插入门控线性单元，因此，另一种可选实现方式可以是，通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征；通过油滴泄露检测模型的门控线性单元，对加权特征进行调整，得到叠加图像的全局特征信息。
81.具体的，基于获取到的通道降维特征图，通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征，再将该加权特征输入至油滴泄露检测模型的门控线性单元，该门控线性单元会对加权特征进行调整，将加权特征控制在固定区间内，获取得到叠加图像的全局特征信息。
82.s303通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征。
83.其中，多层卷积网络可以包括至少两个分组卷积。
84.可选地，通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征的方式有多种，本技术对此不做限定。
85.其中一种可选实现方式可以是，基于获取到的全局特征信息，将该全局特征信息输入至多层卷积网络，该多层卷积网络会对全局特征信息进行筛选，从中提取出部分与油滴泄露位置相关的全局特征信息，作为叠加图像的油滴特征。
86.可选地，为进一步提高特征提取的效率和准确性，可以对多层卷积网络进行优化，
将原本的常规的多层卷积网络调整为分组卷积，使得油滴泄露模型可同时对多个特征信息进行分析和提取，因此，另一种可选实现方式可以是，基于获取到的全局特征信息，将该全局特征信息分成至少两个组份特征信息，并将每一组份特征信息输入至至少两个分组卷积中，该分组卷积会对组份特征信息进行特征提取，得到该组份特征信息对应的油滴特征，并将每一组份特征信息对应的油滴特征进行汇总，得到全局特征信息对应的油滴特征，作为叠加图像的油滴特征。
87.可选地，由于获取到的全局特征信息中每一特征信息的尺度不同，为了更好的适应不同特征信息，本实施例引入了动态卷积核，因此，还一种可选实现方式可以是，通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征。其中，各分组卷积的卷积核为动态卷积核，且动态卷积核的大小和形状根据各分组卷积输入的全局特征信息确定。
88.具体的，基于获取到的全局特征信息，将该全局特征信息分成至少两个组份特征信息，并将每一组份特征信息输入至至少两个分组卷积中，该分组卷积中的卷积核会根据组份特征信息对自身进行调整，调整后的卷积核会对组份特征信息进行特征提取，得到该组份特征信息对应的油滴特征，并将每一组份特征信息对应的油滴特征进行汇总，得到全局特征信息对应的油滴特征，作为叠加图像的油滴特征。
89.s304通过油滴泄露检测模型中的解码器网络对油滴特征进行解码处理，得到待检测设备的油滴泄露位置。
90.可选地，基于获取到的叠加图像的油滴特征，油滴泄露检测模型中的解码器网络会对该油滴特征进行解码处理，得到解码处理后的带有油滴特征的解码图像，并将该解码图像作为油滴泄露检测模型输出的掩膜图像，同时，确定该掩膜图像中的油滴泄露位置，并将该掩膜图像对应的油滴泄露位置确定为待检测设备的油滴泄露位置。
91.上述确定待检测设备的油滴泄露位置方法，通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得到叠加图像对应的通道降维特征图，通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息，通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征，通过油滴泄露检测模型中的解码器网络对油滴特征进行解码处理，得到待检测设备的油滴泄露位置。通过由单层卷积网络、编码器网络、多层卷积网络和解码器网络构成的油滴泄露检测模型对叠加图像进行检测，不再依赖人工，可以自动化完成对油滴设备的监控，减少了人工成本，且进一步提高了油滴泄露检测的准确性和及时性。
92.图4为一个实施例中训练油滴泄露检测模型的流程示意图。由于设备产生油滴泄露的情况较少，因此，带有油滴泄露情况的图像样本量较少，难以对油滴泄露检测模型进行训练，因此，为保证对油滴泄露检测模型进行训练，本实施例给出了一种训练油滴泄露检测模型的可选方式，包括如下步骤：
93.s401获取样本设备的历史偏振光图像和历史自然光图像。
94.其中，样本设备包括油滴泄露设备和油滴未泄露设备；
95.其中，历史偏振光图像可以是通过偏振滤镜捕捉到的样本设备表面反射光线的图像。
96.其中，历史自然光图像可以是通过自然光源捕捉到的样本设备表面反射光线的图
像。
97.可选地，将存在油滴泄露情况的样本设备作为油滴泄露设备，并通过安装在该油滴泄露设备周围的采集设备，对样本设备的表面进行摄录，从而获取油滴泄露设备的历史自然光图像和历史偏振光图像；将不存在油滴泄露情况的样本设备作为油滴未泄露设备，并通过安装在该油滴未泄露设备周围的采集设备，对样本设备的表面进行摄录，从而获取油滴未泄露设备的历史自然光图像和历史偏振光图像。
98.s402对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像。
99.可选地，对历史偏振光图像和历史自然光图像中相同位置的像素点的像素值进行相互叠加，得到叠加像素点后的图像，作为历史叠加图像。
100.s403对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像。
101.可选地，由于油滴泄露设备较少，因此，油滴泄露设备对应的历史叠加图像也较少，存在包含油滴泄露位置的历史叠加图像较少，导致难以对油滴泄露检测模型进行准确训练的问题。所以，本实施例对油滴泄露设备对应的历史叠加图像进行扩充，具体的，基于采集到的油滴泄露设备对应的历史叠加图像，对该历史叠加图像进行扩充处理(如调整历史叠加图像大小，对历史叠加图像进行裁剪和旋转等)，得到扩充叠加图像。
102.s404基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。
103.可选地，将获取到的历史叠加图像和扩充叠加图像输入至油滴泄露检测模型中，对油滴泄露检测模型进行训练。
104.需要说明的是，可以通过交叉熵损失函数来度量预测油滴泄露位置与真实油滴泄露位置之间的差值，对油滴泄露检测模型的模型参数进行调整，以提高油滴泄露检测模型的精度。
105.上述训练油滴泄露检测模型方法，获取样本设备的历史偏振光图像和历史自然光图像，对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像，对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像，基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像，能够避免由于样本设备中油滴泄露设备较少，导致的包含油滴泄露位置的历史叠加图像较少的问题，进而影响对油滴泄露检测模型训练的问题。
106.在一个实施例中，本实施例给出了一种业务参数配置的可选方式，以该方法应用于服务器为例进行说明。如图5所示，该方法包括如下步骤：
107.s501获取样本设备的历史偏振光图像和历史自然光图像。其中，样本设备包括油滴泄露设备和油滴未泄露设备。
108.s502对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像。
109.s503对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像。
110.s504基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。
111.s505采集待检测设备的当前偏振光图像和当前自然光图像。
112.s506对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像。
113.s507通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得
到叠加图像对应的通道降维特征图。
114.s508通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征。
115.s509通过油滴泄露检测模型的门控线性单元，对加权特征进行调整，得到叠加图像的全局特征信息。
116.s510通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征。各分组卷积的卷积核为动态卷积核，且动态卷积核的大小和形状根据各分组卷积输入的全局特征信息确定。
117.s511通过油滴泄露检测模型中的解码器网络对油滴特征进行解码处理，得到待检测设备的油滴泄露位置。
118.s512根据待检测设备的油滴泄露位置，输出待检测设备的预警提示信息。
119.需要说明的是，步骤s501-s504是对油滴泄露检测模型进行训练的过程，步骤s504-s512是对利用油滴泄露检测模型确定油滴泄露位置的过程。
120.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
121.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的油滴泄露检测方法的油滴泄露检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个油滴泄露检测装置实施例中的具体限定可以参见上文中对于油滴泄露检测方法的限定，在此不再赘述。
122.在一个实施例中，如图6所示，提供了一种油滴泄露检测装置1，包括：图像采集模块10、图像叠加模块11和位置确定模块12，其中：
123.图像采集模块10，用于采集待检测设备的当前偏振光图像和当前自然光图像；
124.图像叠加模块11，用于对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
125.位置确定模块12，用于通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
126.在一个实施例中，如图7所示，图6中的位置确定模块12包括：
127.图像降维单元120，用于通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得到叠加图像对应的通道降维特征图；
128.全局特征提取单元121，用于通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息；
129.油滴特征提取单元122，用于通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征；
130.油滴位置确定单元123，用于通过油滴泄露检测模型中的解码器网络对油滴特征
进行解码处理，得到待检测设备的油滴泄露位置。
131.在一个实施例中，图7中的全局特征提取单元121包括：
132.特征加权子单元，用于通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征；
133.加权特征调整子单元，用于通过油滴泄露检测模型的门控线性单元，对加权特征进行调整，得到叠加图像的全局特征信息。
134.在一个实施例中，图7中的油滴特征提取单元122还用于通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征。
135.在一个实施例中，如图8所示，图6中的油滴泄露检测装置1，还包括：
136.预警提醒模块13，用于根据待检测设备的油滴泄露位置，输出待检测设备的预警提示信息。
137.在一个实施例中，如图9所示，图6中的油滴泄露检测装置1，还包括：
138.历史图像获取模块14，用于获取样本设备的历史偏振光图像和历史自然光图像；其中，样本设备包括油滴泄露设备和油滴未泄露设备；
139.历史图像叠加模块15，用于对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像；
140.历史图像扩充模块16，用于对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像；
141.模型训练模块17，用于基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。
142.上述油滴泄露检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
143.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种油滴泄露检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
144.本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
145.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
146.采集待检测设备的当前偏振光图像和当前自然光图像；
147.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
148.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
149.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
150.通过油滴泄露检测模型中单层卷积网络，对叠加图像进行通道降维处理，得到叠加图像对应的通道降维特征图；
151.通过油滴泄露检测模型中的编码器网络对通道降维特征图进行编码处理，确定叠加图像的全局特征信息；
152.通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征；
153.通过油滴泄露检测模型中的解码器网络对油滴特征进行解码处理，得到待检测设备的油滴泄露位置。
154.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
155.通过油滴泄露检测模型的多头注意力机制，对通道降维特征图进行编码处理，得到通道降维特征图的加权特征；
156.通过油滴泄露检测模型的门控线性单元，对加权特征进行调整，得到叠加图像的全局特征信息。
157.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
158.通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征，包括：
159.通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到叠加图像的油滴特征；各分组卷积的卷积核为动态卷积核，且动态卷积核的大小和形状根据各分组卷积输入的全局特征信息确定。
160.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
161.根据待检测设备的油滴泄露位置，输出待检测设备的预警提示信息。
162.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
163.获取样本设备的历史偏振光图像和历史自然光图像；其中，样本设备包括油滴泄露设备和油滴未泄露设备；
164.对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像；
165.对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像；
166.基于历史叠加图像和扩充叠加图像，对油滴泄露检测模型进行训练。
167.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
168.采集待检测设备的当前偏振光图像和当前自然光图像；
169.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
170.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
171.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
172.采集待检测设备的当前偏振光图像和当前自然光图像；
173.对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像；
174.通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。
175.需要说明的是，本技术所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
176.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
177.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
178.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种油滴泄露检测方法，其特征在于，所述方法包括：采集待检测设备的当前偏振光图像和当前自然光图像；对所述当前偏振光图像和所述当前自然光图像进行叠加处理，得到叠加图像；通过油滴泄露检测模型，对所述叠加图像进行油滴检测，确定所述待检测设备的油滴泄露位置。2.根据权利要求1所述的方法，其特征在于，所述通过油滴泄露检测模型，对所述叠加图像进行油滴检测，确定所述待检测设备的油滴泄露位置，包括：通过油滴泄露检测模型中单层卷积网络，对所述叠加图像进行通道降维处理，得到所述叠加图像对应的通道降维特征图；通过油滴泄露检测模型中的编码器网络对所述通道降维特征图进行编码处理，确定所述叠加图像的全局特征信息；通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到所述叠加图像的油滴特征；通过油滴泄露检测模型中的解码器网络对所述油滴特征进行解码处理，得到待检测设备的油滴泄露位置。3.根据权利要求2所述的方法，其特征在于，所述通过油滴泄露检测模型中的编码器网络对所述通道降维特征图进行编码处理，确定所述叠加图像的全局特征信息，包括：通过油滴泄露检测模型的多头注意力机制，对所述通道降维特征图进行编码处理，得到通道降维特征图的加权特征；通过油滴泄露检测模型的门控线性单元，对所述加权特征进行调整，得到所述叠加图像的全局特征信息。4.根据权利要求2所述的方法，其特征在于，所述多层卷积网络包括至少两个分组卷积；所述通过油滴泄露检测模型中的多层卷积网络，对叠加图像的全局特征信息进行特征提取，得到所述叠加图像的油滴特征，包括：通过油滴泄露检测模型中至少两个分组卷积，对叠加图像的全局特征信息进行特征提取，得到所述叠加图像的油滴特征；各分组卷积的卷积核为动态卷积核，且所述动态卷积核的大小和形状根据各分组卷积输入的全局特征信息确定。5.根据权利要求1所述的方法，其特征在于，确定所述待检测设备的油滴泄露位置之后，还包括：根据所述待检测设备的油滴泄露位置，输出所述待检测设备的预警提示信息。6.根据权利要求1至5中任意一项的所述方法，其特征在于，所述油滴泄露检测模型的训练方式，包括：获取样本设备的历史偏振光图像和历史自然光图像；其中，所述样本设备包括油滴泄露设备和油滴未泄露设备；对历史偏振光图像和历史自然光图像进行通道叠加处理，得到历史叠加图像；对油滴泄露设备对应的历史叠加图像进行扩充处理，得到扩充叠加图像；基于所述历史叠加图像和所述扩充叠加图像，对所述油滴泄露检测模型进行训练。7.一种油滴泄露检测装置，其特征在于，所述装置包括：
图像采集模块，用于采集待检测设备的当前偏振光图像和当前自然光图像；图像叠加模块，用于对所述当前偏振光图像和所述当前自然光图像进行叠加处理，得到叠加图像；位置确定模块，用于通过油滴泄露检测模型，对所述叠加图像进行油滴检测，确定所述待检测设备的油滴泄露位置。8.一种计算机设备，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至6中任一项所述的方法的步骤。9.一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至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种油滴泄露检测方法、装置、计算机设备和存储介质。所述方法包括：采集待检测设备的当前偏振光图像和当前自然光图像，对当前偏振光图像和当前自然光图像进行叠加处理，得到叠加图像，通过油滴泄露检测模型，对叠加图像进行油滴检测，确定待检测设备的油滴泄露位置。采用本方法能够通过采集偏振光图像，能够获取待检测设备表面油滴的偏振和颜色特性，并对偏振光图像和自然光图像进行叠加处理，能够更全面的获取待检测设备表面的油滴情况，进一步提高了对油滴泄露检测的合理性、准确性和及时性。同时，现有技术中存在红外相机成本较高的问题，而本申请使用的偏振相机的偏振系统结构简单，因此价格更低廉，减少了一定的采集设备成本。的采集设备成本。的采集设备成本。


技术研发人员：饶竹一 张云翔
受保护的技术使用者：深圳供电局有限公司
技术研发日：2023.04.11
技术公布日：2023/7/20