管道漏液跑冒滴漏识别系统通过现场已安装的监控摄像头，管道漏液跑冒滴漏识别系统24小时不间断地对管道设备的状态进行监测，自动识别管道是否存在漏液、跑冒滴漏等异常现象。当系统检测到设备机械管道状态发生跑冒滴漏情况发生时，会自动触发报警机制，并通过短信、邮件或应用程序推送等方式，及时将报警信息发送给相关管理人员。管理人员收到报警后，可以迅速采取相应措施，如关闭阀门、停止输送、进行维修等，从而及时处理危险情况，避免事故的发生。
YOLOX在YOLO系列的基础上做了一系列的工作，其主要贡献在于：在YOLOv3的基础上，引入了Decoupled Head，Data Aug，Anchor Free和SimOTA样本匹配的方法，构建了一种anchor-free的端到端目标检测框架，并且达到了一流的检测水平。此外，本文提出的 YOLOX-L 模型在视频感知挑战赛(CVPR 2021年自动驾驶研讨会)上获得了第一名。作者还提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。
在Yolov3、Yolov4、Yolov5中，通常都是采用 Anchor Based的方式，来提取目标框。Yolox 将 Anchor free 的方式引入到Yolo系列中，使用anchor free方法有如下好处：降低了计算量，不涉及IoU计算，另外产生的预测框数量较少。假设feature map的尺度为80x80，anchor based方法在Feature Map上，每个单元格一般设置三个不同尺寸大小的锚框，因此产生3x80x80=19200个预测框。而使用anchor free的方法，仅产生80x80=6400个预测框，降低了计算量。：缓解了正负样本不平衡问题。anchor free方法的预测框只有anchor based方法的1/3，而预测框中大部分是负样本，因此anchor free方法可以减少负样本数，进一步缓解了正负样本不平衡问题。避免了anchor的调参：anchor based方法的anchor box的尺度是一个超参数，不同的超参数设置会影响模型性能。anchor free方法避免了这一点。
在工业生产中，管道作为输送流体的重要设施，其安全运行至关重要。然而，漏液是一个常见且棘手的问题。为了解决这个问题，许多企业开始采用漏液检测系统来提高生产效率和减少损失，不仅造成资源浪费，更可能引发安全事故，对人员安全和环境造成严重威胁。为了有效监测和预防管道漏液问题，管道漏液跑冒滴漏识别系统应运而生，它利用AI视觉算法和智能视频分析技术，为管道安全监控提供了一种新的解决方案，提升管道设备的安全管理水平、降低安全风险、提高监控效率方面发挥着重要作用
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid()
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
管道漏液跑冒滴漏识别系统基于深度学习算法，系统能够准确识别管道漏液等异常情况，减少误报和漏报。一旦发现异常，系统会立即报警，为处理危险情况争取宝贵时间。报警信息的实时推送，使得管理人员能够迅速响应，提高处理效率。系统能够对管道机械设备进行全方位实时监控，不留死角。通过AI视觉智能分析技术，系统实现了从被动“监督”到主动“监控”的转变。