目前，国内外管道漏液检测主要通过闭路电视监控系统（CCTV）、声呐、激光等方法采集管道信息，获取相关图像后在进行人工判断，效率低且难以满足快速检测的要求。本项目针对呼吸阀的漏油视觉检测问题，提出了一种基于UE4的呼吸阀漏油仿真方案和一种将支持向量机模型和yolov5模型相结合的漏油检测方案。将该检测方法实际应用于工业环境中，可以满足呼吸阀使用寿命的检测需求，降低人力成本，自动化完成检测，提高工业系统的安全性。

目前，国内外管道漏液检测主要通过闭路电视监控系统（CCTV）、声呐、激光等方法采集管道信息，获取相关图像后在进行人工判断，效率低且难以满足快速检测的要求。本项目针对呼吸阀的漏油视觉检测问题，提出了一种基于UE4的呼吸阀漏油仿真方案和一种将支持向量机模型和yolov5模型相结合的漏油检测方案。将该检测方法实际应用于工业环境中，可以满足呼吸阀使用寿命的检测需求，降低人力成本，自动化完成检测，提高工业系统的安全性。

（1）本项目通过实验获得原始呼吸阀漏油图像，并通过Blender 3.0生成呼吸阀漏油仿真图像，用labelimg软件对图像进行标注，获得适合神经网络训练的图像数据。

（2）通过在HSV空间提取颜色特征并用方差阈值降维至41维输入支持向量机训练得到的模型在测试集上查全率90%。

（3）将卷积注意力机制CBAM和加权双向特征金字塔BiFPN结构融入YOLOv5模型，得到BiFPN-CBAM-YOLOv5模型查准率为0.944，查全率为0.895，平均精度达到0.931。