技术特征：
1.一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，包括以下步骤：步骤1、对埋地管道第三方破坏进行分析，确定目标检测对象；步骤2、对步骤1所确定的目标检测对象，收集图像数据，并进行数据增强，得到样本数据集；对样本数据集进行分类，分为训练集、验证集、测试集；步骤3、引入注意力机制，构建管道第三方破坏检测模型；步骤4、将训练集输入步骤3构建的模型中，训练结束后得到权重参数；步骤5、测试步骤3构建模型的性能，得到查全率recall、查准率precision；步骤6、对管道进行风险预警；步骤7、实时检测并更新管道第三方破坏检测模型。2.根据权利要求1所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤1包括：将目标检测对象确定为挖掘机、卡车、汽车、人这四个典型对象。3.根据权利要求2所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤2包括：步骤2.1、对步骤1确定的四种目标检测对象收集图像数据，得到初始样本数据集；步骤2.2、对步骤2.1得到的初始样本数据集进行扩充数据集，使用平移、旋转、翻转、对比增强的方式，最终得到样本数据集；步骤2.3、对步骤2.2得到的样本数据集进行标注，框选出图像中需要识别的检测目标，并给目标命名为excavator、truck、car、person四种类别，excavator、truck、car、person四种类别分别对应挖掘机、卡车、汽车、人；每张图像都对应生成各自与图像样本相同命名的.xml文件，.xml文件中包括图像名称、图像存储位置、图像尺寸大小、图像通道数、框选待检测目标名称、矩形框左上角点的横坐标、纵坐标以及矩形框右下角点的横坐标、纵坐标；步骤2.4、对.xml文件进行归一化处理，按照voc2007标准数据集的格式并以txt文档的形式进行保存，将样本数据集按照比例划分训练集和测试集，再将训练集按照比例划分用于训练和验证。4.根据权利要求3所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤3包括：步骤3.1、管道第三方破坏检测模型是由5个残差单元进行堆叠构成的，而其中每个残差单元包含两个分支：主干分支和注意力分支；所述主干分支用于对图像进行特征提取，生成与原始图像尺寸相同的特征图；所述注意力分支代替原有残差边，通过下采样层，提取高层特征并增大模型的感受野，下采样通过池化完成，再通过与下采样层层数相同的上采样层，将特征图的尺寸放大为与原始图像尺寸相同的特征图，上采样通过双线性插值完成，最终生成注意力掩码；步骤3.2、将原始图像x输入残差单元，主干分支输出提取到的特征图为t(x)，注意力分支输出注意力掩码m(x)；步骤3.3、在残差单元中加入恒等映射，则残差单元输出的特征图h(x)如下式：h(x)＝(1+m(x))*t(x)式中，m(x)的取值范围为[0，1]，当m(x)近似于0时，h(x)将近似于原始特征图t(x)，主
干分支输出提取到的特征图t(x)与注意力分支输出注意力掩码m(x)进行融合时，主干分支输出提取到的特征图t(x)与注意力分支输出注意力掩码m(x)进行对应像素点的之间相乘，将注意力分支输出注意力掩码m(x)的权重分配到主干分支输出提取到的特征图t(x)上。5.根据权利要求4所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤4包括：步骤4.1、使用k-means聚类算法重新设置样本数据集的聚类中心anchor box，在所有的矩形框中，随机挑选n个聚类中心；步骤4.2、采用n个anchor box与所有真实目标边框的面积交并比iou作为评价指标，计算真实目标边框与n个anchor box的距离d(i，j)，将矩形框分类到距离d(i，j)最小的anchor box中；面积交并比iou的表达式如下式：式中，表示预测框与真实目标边框的面积交并比，area表示真实框和预测框所围成的面积，box
pred
表示预测框，box
truth
表示真实目标边框；真实目标边框与聚类中心anchorbox的距离d(i，j)的表达式如下式：d(i，j)＝＝1-iou(i，j)式中，iou(i，j)为anchorbox与真实目标边框的面积交并比；步骤4.3、所有矩形框经过遍历，完成分类之后，计算每个聚类中心中所有矩形框宽和高的中值，将矩形框宽和高的中值作为聚类中心anchor box的新尺寸；步骤4.4、重复步骤4.2、步骤4.3，直到损失函数值达到提前终止训练的条件或达到最大迭代次数后停止训练，得到最终训练模型，损失函数loss(object)如下所示：其中，object表示目标检测对象，上述损失函数中，原损失函数中的定位损失，包括预测框中心点损失和边框损失，替换为定位损失giou损失，置信度损失和类别损失不变；λ
noobj
为不包含识别目标时的置信度误差系数，s*s为将输入图像划分的网格数量，b为每个网格预测的目标边框数量，表示第j个候选框所在的第i个网格负责检测该对象，w
i
表示的是第i个网格的宽，h
i
表示的是第i个网格的高，表示第j个候选框所在的第i个网格不负责检测该对象，c
i
和分别表示第i个网格中存在待检测目标的预测置信度和真实置信度，p
i
和分别表示第i个网格中目标识别属于一个类别的预测概率值和真实概率值，c表示目标检测对象挖掘机、卡车、汽车、人中的一种。
6.根据权利要求5所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤5包括：将测试集输入训练好的管道第三方破坏检测模型，测试模型性能，得到查全率recall、查准率precision，查全率recall表示在所有的真实目标中被模型检测出的真实目标所占比例，查准率precision表示模型检测出的目标中的真实目标所占比例；查全率recall、查准率precision的计算公式分别如下式所示：率precision的计算公式分别如下式所示：式中，tp表示将正样本正确分类为正样本的样本数，fn表示将正样本错误分类为负样本的样本数，fp表示将负样本错误分类为正样本的样本数，正样本为属于目标类别的样本框，负样本为不属于目标类别的样本框。7.根据权利要求6所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤6包括：步骤6.1、通过有限元分析软件，确定危险管段的失效损伤模式，进行弱点定位；步骤6.2、根据现场管段实际情况，排布传感器，将采集到的数据与图像资料整合在现场数据采集模块中，上传至云平台并加以分析，将分析结果显示在总控制台上，对危险管道实时进行风险预警。8.根据权利要求7所述的一种基于yolov3的管道第三方破坏智能识别方法，其特征在于，步骤7具体包括：步骤7.1、云平台有一个初始的管道第三方破坏检测模型，根据各管段实际情况的不同，以及实时上传的图像信息，针对每一个重点管段进行模型更新；步骤7.2、云平台存储有各管段的基本信息，结合上传得到的管道实时检测数据，对管道进行第三方破坏的智能检测。
技术总结
本发明提供了一种基于YOLOv3的管道第三方破坏智能识别方法，包括：步骤1、对埋地管道第三方破坏进行分析，确定目标检测对象；步骤2、建立目标检测数据集，并对数据集进行预处理和分类；步骤3、以YOLOv3为基本框架，并引入Attention机制，构建管道第三方破坏检测模型；步骤4、训练并得到权重文件；步骤5、测试并验证模型的有效性；步骤6、现场数据采集模块及云平台部署；步骤7、实时检测并更新训练。本发明方法为管道的第三方破坏智能识别提供了技术支撑。同时，本发明基于YOLOv3深度学习框架并引入Attention机制，提高了识别速度与识别精度，进一步提高了管道风险预警的及时性与有效性。进一步提高了管道风险预警的及时性与有效性。进一步提高了管道风险预警的及时性与有效性。
技术研发人员：赵建平 张宇鹏 赵国栋 孙昊天 熊耀强 时中猛
受保护的技术使用者：南京工业大学
技术研发日：2021.11.23
技术公布日：2022/2/18