本发明属于液体渗漏识别，具体涉及一种用于机舱的油液泄漏视觉智能检测方法及系统。
背景技术：
1、在船舶机舱内，液体渗漏会给机舱带来很多隐患，例如各油路的管路泄漏会存在火灾发生的风险，因此对船舱内部的液体渗漏的监测对机舱设备的正常使用具有重要意义。传统的液体渗漏检测方法以人工为主，但人工方式巡检效率低，受主观因素的制约。图像识算法在液体渗漏检测一定程度上提高了巡检效率，目前主要采用传统图像处理中图像分割、边缘检测以及红外成像的方法。一种方式为利用激光扫描技术和图像处理方法相结合的方式进行自动渗漏识别，此种方式算法复杂，实际工程现场应用难度较高；另一种方式为通过红外热成像摄像头检测物体比热容并根据水渍与普通物体的比热容差异来检测水渍，此种方式中红外热成像摄像头的设备费用昂贵，导致实现成本高。
2、综上，船舶机舱内的液体渗漏检测非常重要，传统的人工巡检方式效率低，显然不适用，图像识别算法存在算法复杂，应用难度高的问题，或设备昂贵，实现成本高的问题。
3、此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种用于机舱的油液泄漏视觉智能检测方法及系统，是非常有必要的。
技术实现思路
1、针对现有技术的上述船舶机舱内的液体渗漏检测非常重要，传统的人工巡检方式效率低，显然不适用，图像识别算法存在算法复杂，应用难度高的问题，或设备昂贵，实现成本高的缺陷，本发明提供一种用于机舱的油液泄漏视觉智能检测方法及系统，以解决上述技术问题。
2、第一方面，本发明提供一种用于机舱的油液泄漏视觉智能检测方法，包括如下步骤：
3、s1.采集机舱的视频及图像数据，并对采集的数据进行清洗和标注，生成数据集；
4、s2.将数据集输入yolov5模型进行模型训练，并将训练好的模型部署到目标服务器；
5、s3.在机舱内部启动模拟油液泄漏实验，并将实时采集的机舱视频数据输入目标服务器部署的模型中，验证检测结果；
6、s4.使用目标服务器部署的模型对机舱进行实时油液泄漏检测，并在检测到油液泄漏时启动告警。
7、进一步地，步骤s1具体步骤如下：
8、s11.预先在机舱内各目标检测区域布设摄像头；
9、s12.采集网络的机舱内部视频及图像数据作为第一数据，将各摄像头采集的机舱内历史视频及图像数据作为第二数据；
10、s13.启动人工模拟油液泄漏实验，并将实时采集的机舱内视频及图像数据作为第三数据；
11、s14.对第一数据、第二数据及第三数据进行数据清洗和数据标注，得到数据集；s15.将数据集按照设定比例划分为训练数据集和测试数据集。
12、进一步地，步骤s14具体步骤如下：
13、s141.依次定位第一数据、第二数据及第三数据中视频数据；
14、s142.通过python脚本将定位的视频数据处理成图片数据，得到若干图片，筛选出所需图片作为目标图片；
15、s143.对目标图片按照油液颜色进行数据标注，标注出区域位置和属性标签；
16、s144.将该完成标注的数据生成数据集。
17、进一步地，步骤s2具体步骤如下：
18、s21.获取yolov5模型框架及初始权重文件；
19、s22.将训练数据集输入yolov5模型框架进行训练，得到训练后的权重文件，最终得到训练后的模型；
20、s23.使用测试集对训练后的模型进行测试，并将测试通过后的模型使用python服务接口或容器部署到目标服务器上。
21、进一步地，步骤s22具体步骤如下：
22、s221.启动yolov5模型框架的训练迭代；
23、s222.yolov5模型框架的骨干网络对训练数据集进行漏液特征提取；
24、s223.yolov5模型框架的颈部网络进行漏液特征增强；
25、s224.yolov5模型框架的头部网络的管路位置、是否漏液类别以及类别判定得分结构，完成初步模型预测；
26、s225.根据数据集标注的标签计算损失函数，并通过损失函数验证初步模型预测结果是否符合要求；
27、若是，进入步骤s23；
28、若否，继续进行模型训练迭代，返回步骤s222。
29、进一步地，步骤s3具体步骤如下：
30、s31.在机舱内部选择目标管路，并在目标管路处涂抹设定类型的油色液体，启动人工模拟油液泄漏实验；
31、s32.将实时采集的机舱视频数据通过py脚本处理后生成图片数据，再将图片数据输入目标服务器上部署的模型中，得到模型的预测结果；
32、s33.根据模型的预测结果计算精确率评价指标和召回率评价指标，并根据两个指标判断模型的训练结果是否符合要求；
33、若是，进入步骤s4；
34、若否，重新进行模型训练，返回步骤s2。
35、进一步地，步骤s4具体步骤如下：
36、s41.各摄像头将实时采集的机舱视频数据推流到视频监控服务器；
37、s42.目标服务器从视频监控服务器进行拉流获取视频数据，并通过py脚本将视频数据处理后生成图片数据；
38、s43.目标服务器将图片数据输入部署的模型中进行油液泄漏推理，得到推理结果，并将推理结果通过消息队列发送到后台监测服务器；
39、s44.后台监测服务器将推理结果与预设的泄漏告警规则进行比对判断是否启动告警，并在启动告警时通过web线程将告警信息向前端终端设备发送。
40、第二方面，本发明提供一种用于机舱的液油泄漏视觉智能检测系统，包括后台监测服务器、视频监控服务器、边缘计算服务器和若干视频采集终端；
41、视频采集终端，用于分布式布设在机舱内部，采集机舱的视频及图像数据；
42、视频监控服务器，用于接入各视频采集终端，接收视频及图像数据并进行存储，同时将视频及图像数据向边缘计算服务器转发；
43、边缘计算服务器，用于作为目标服务器进行训练完成的油液泄漏检测模型部署，并根据采集视频及图像数据并使用油液泄漏检测模型进行油液泄漏推理；
44、后台监测服务器，用于为视频监控服务器布设视频及图像数据处理算法，接收边缘计算服务器的推理结果，进行泄漏告警规则配置，以及根据推理结果与泄漏告警规则比对判断是否进行告警。
45、进一步地，视频采集终端采用摄像头，摄像头预先布设在机舱内的目标区域；视频监控服务器包括视频存储单元、视频接入单元、视频转发单元；
46、视频接入单元，用于接收各视频采集终端上传的机舱视频数据；
47、视频存储单元，用于将保存接收的机舱视频数据；
48、视频转发单元，用于将保存的机舱视频数据向边缘计算服务器进行转发。
49、进一步地，边缘计算服务器，包括若干边缘计算节点，各边缘计算节点分布式部署；
50、各边缘计算节点预先部署有训练完成的油液泄漏检测模型，并将机舱视频数据输入油液泄漏检测模型进行油液泄漏推理，并将推理结果上传到后台监测服务器；
51、后台监测服务器包括：
52、视频算法配置单元，用于接收用户的视频处理算法配置，并将配置的视频处理算法下发到视频监控服务器；
53、告警规则配置单元，用于接收用户预先设置的告警规则；
54、告警管理单元，用于将预设告警规则与边缘计算服务器上传的推理结果进行比对，并在符合报警规则时，通过web线程将告警信息向前端终端设备发送；日志单元，用于将告警信息及边缘计算服务器上传的推理结果记录日志。本发明的有益效果在于：
55、本发明提供的用于机舱的油液泄漏视觉智能检测方法及系统，通过引入yolov5模型的深度学习算法构建检测模型对机舱内油液泄漏进行检测，节省人力，检测效率高，成本低，且监测范围广，实时性高，对船舶机舱的监控具有重要意义。
56、此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
57、由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
1.一种用于机舱的油液泄漏视觉智能检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s1具体步骤如下：
3.如权利要求2所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s14具体步骤如下：
4.如权利要求2所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s2具体步骤如下：
5.如权利要求4所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s22具体步骤如下：
6.如权利要求4所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s3具体步骤如下：
7.如权利要求6所述的用于机舱的油液泄漏视觉智能检测方法，其特征在于，步骤s4具体步骤如下：
8.一种用于机舱的液油泄漏视觉智能检测系统，其特征在于，包括后台监测服务器、视频监控服务器、边缘计算服务器和若干视频采集终端；
9.如权利要求8所述的用于机舱的液油泄漏视觉智能检测系统，其特征在于，视频采集终端采用摄像头，摄像头预先布设在机舱内的目标区域；
10.如权利要求8所述的用于机舱的液油泄漏视觉智能检测系统，其特征在于，边缘计算服务器，包括若干边缘计算节点，各边缘计算节点分布式部署；
