通过图中管道连接处目标检测方法、滴漏判断运动对比和目标检测算法、喷射判断分类方法，组合多种方法最终实现对管道连接处油料泄漏的检测和判断。

本文采用的检测算法为YOLOv5，YOLOv5是一种基于卷积神经网络（CNN）的端到端目标对象检测算法。^[4]它将目标检测问题转变为回归问题，显著提高了物体检测速度。从YOLOv3开始YOLO系列算法具有了很大的改进^[5]，YOLOv3算法在以往的结构上做出改进，增加了多尺度检测，以及更深的网络结构darknet53^[6]。YoLOv3成功应用在安全检测、火灾隐患分析等诸多安全管理领域^[7]。在此之后，更进一步的Yolov4算法被提出^[8]，Yolov4的结构图和Yolov3相比，因为多了CSP结构，PAN结构，对算法进行较大改进^[9]。YOLOv5的目标检测方法进行具体来说，输入图像被划分为S×S的网格：如果物体的真实中心在其边界内，该网格负责检测对象。然后，对象由每个网格上的一个界框预测，边界框和类别概率的最终坐标通过回归算法生成。对于Anchor Boxes聚类，为了准确检测图像中的不同尺度目标，在采集的数据集中采用了k-means聚类算法，以便提前获得更合适的锚框盒大小^[10]。YOLOv5算法结构如图所示：

2.1.1 0NN网络特征提取

YOLOv5 Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式，是Darknet-19和Res-net模块组合起来的。骨干网络使用了Focus结构，比如4*4*3的图像切片后变成2*2*12的特征图。以Yolov5s的结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图。归一化后的数据传入神经网络进行特征提取，获得三个不同大小的特征图（19*19，38*38，76*76），为了更好地学习到图像中的特征信息，19*19的特征图通过上采用，与38*38特征图进行融合，用相同的方法，将38*38特征图通过上采样与76*76特征图融合。通过这种方法，识别的准确率得到提升。

网络中采用了PAN结构，深层的特征图携带有更强的语义特征，较弱的定位信息。而浅层的特征图携带有较强的位置信息，和较弱的语义特征。FPN就是把深层的语义特征传到浅层，从而增强多个尺度上的语义表达。而PAN则相反把浅层的定位信息传导到深层，增强多个尺度上的定位能力。