《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計應(yīng)用 > 基于深度學(xué)習(xí)的電廠跑冒滴漏視頻識別應(yīng)用研究
基于深度學(xué)習(xí)的電廠跑冒滴漏視頻識別應(yīng)用研究
電子技術(shù)應(yīng)用
張原1，司源2
1.國能信控技術(shù)股份有限公司；2.中國電子信息產(chǎn)業(yè)集團(tuán)有限公司
摘要： 為解決火電廠設(shè)備在運行過程中會存在“跑冒滴漏”現(xiàn)象，通過視覺識別技術(shù)及深度學(xué)習(xí)的應(yīng)用，提出基于卷積神經(jīng)網(wǎng)絡(luò)模型的電廠跑冒滴漏視頻識別模型，并對模型進(jìn)行優(yōu)化和改進(jìn)。該方法基于火電廠攝像頭進(jìn)行現(xiàn)場圖像的采集，進(jìn)行數(shù)據(jù)預(yù)處理和優(yōu)化，同時按照缺陷形態(tài)建立對應(yīng)數(shù)據(jù)集。然后，通過語義分割、數(shù)據(jù)增強(qiáng)、注意力機(jī)制、更改激活函數(shù)等技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合，對YOLOv5算法進(jìn)行深層次優(yōu)化，包括訓(xùn)練策略的改進(jìn)和模型評價調(diào)整，增強(qiáng)了模型算法對復(fù)雜場景識別理解能力，可有效提高視頻識別精度與速度，有助于提高火電廠巡檢的自動化、智能化水平，具有較好的工程應(yīng)用前景。
中圖分類號：TP29 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245845
中文引用格式： 張原，司源. 基于深度學(xué)習(xí)的電廠跑冒滴漏視頻識別應(yīng)用研究[J]. 電子技術(shù)應(yīng)用，2025，51(2)：21-28.
英文引用格式： Zhang Yuan，Si Yuan. Research on the application of deep learning based video recognition for power plant leakage and dripping[J]. Application of Electronic Technique，2025，51(2)：21-28.
Research on the application of deep learning based video recognition for power plant leakage and dripping
Zhang Yuan1，Si Yuan2
1.CHN Energy I&C Interconnection Technology Co.， Ltd.； 2.China Electronics Corporation Limited
Abstract： To solve the problem of “l(fā)eakage and dripping” during the operation of thermal power plant equipment, a video recognition model for power plant leakage based on convolutional neural network model is proposed through the application of visual recognition technology and deep learning, and the model is optimized and improved. Cameras in thermal power plants are utilized to collect on-site images, then data preprocessing and optimization is performed, and corresponding datasets are established based on defect morphology. Then, by combining semantic segmentation, data augmentation, attention mechanisms, and changing activation functions with convolutional neural networks, the YOLOv5 algorithm is deeply optimized, including improvements in training strategies and model evaluation adjustments. This enhances the model algorithm’s ability to recognize and understand complex scenes, effectively improving video recognition accuracy and speed, and helping to improve the automation and intelligence level of thermal power plant inspections. It has good engineering application prospects.
Key words : deep learning；power plant；leakage and dripping；video recognition

引言

火電廠運行現(xiàn)場存在多種管道和設(shè)備，其中存在煤炭的輸送和燃燒、熱能的轉(zhuǎn)換、機(jī)械能的產(chǎn)生以及電能的生成等環(huán)節(jié)，這些環(huán)節(jié)的安全運行對于火電廠整體安全和效率至關(guān)重要。而電廠的“跑冒滴漏”現(xiàn)象就存在于這些重要的管道和設(shè)備上，為保證設(shè)備安全穩(wěn)定，目前電廠通常采用巡點檢形式進(jìn)行設(shè)備的定期檢查來消除這些隱患。但漏氣、漏液等微小隱患往往不易察覺，增大了安全運行風(fēng)險[1]。

近年來，深度學(xué)習(xí)、計算機(jī)視覺技術(shù)已在電力自動化、故障診斷、安防管控等各細(xì)分領(lǐng)域逐步開始應(yīng)用[2]。其中針對于火電廠現(xiàn)場“跑冒滴漏”現(xiàn)象的自學(xué)習(xí)與自診斷也有了深入的研究?？焖倩趨^(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Faster Region-based Convolutional Network，F(xiàn)aster R-CNN）、基于區(qū)域的全卷積網(wǎng)絡(luò)（Region-based Fully Convolutional Network，R-FCN）、單次多邊框檢測（Single Shot MultiBox Detector，SSD）、YOLO（You Only Look Once）等算法與傳統(tǒng)目標(biāo)識別算法相比[3]，具有從大量圖像數(shù)據(jù)中自動學(xué)習(xí)目標(biāo)特征、不用設(shè)計特征提取器等優(yōu)勢，這種基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法有效地簡化了算法流程，提升了目標(biāo)識別的效率、準(zhǔn)確率以及泛化能力[4]。

目前已有電廠開展了多種無人檢測研究，實現(xiàn)了設(shè)備跑冒滴漏現(xiàn)象識別并及時向運行人員發(fā)送警報。攝像頭監(jiān)控、視頻圖像識別、機(jī)器人巡檢、無人機(jī)巡檢、紅外測溫等技術(shù)手段的應(yīng)用，極大地減輕了現(xiàn)場巡檢人員工作[5]。但這些研究往往基于原有的算法和數(shù)據(jù)庫，對于現(xiàn)場環(huán)境復(fù)雜、泄漏情況多樣的現(xiàn)象識別率不高，會出現(xiàn)漏檢或錯檢情況，給電廠安全運行帶來了隱患。

本文通過視覺識別技術(shù)及深度學(xué)習(xí)的應(yīng)用，針對火電廠運行現(xiàn)場漏油、漏水、漏灰、漏煤、漏粉、漏氣、漏煙等情況[6]，提出一種基于深度學(xué)習(xí)的視頻實時異常檢測方法。該方法采用目標(biāo)檢測性能較為成熟的YOLOv5為網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)[7]，構(gòu)建電廠設(shè)備跑冒滴漏數(shù)據(jù)集，對原始算法進(jìn)行改進(jìn)，包含了引入注意力機(jī)制、激活函數(shù)的更改、模型訓(xùn)練以及建立評價。通過搭建訓(xùn)練平臺進(jìn)行迭代學(xué)習(xí)，不斷構(gòu)建和修正圖像模型，并將模型存儲在統(tǒng)一數(shù)據(jù)平臺中，最終實現(xiàn)了檢測模型的端到端的學(xué)習(xí)策略。為了驗證對原始算法改進(jìn)后的效果，將改進(jìn)后的模型在數(shù)據(jù)集上進(jìn)行訓(xùn)練并驗證，通過目標(biāo)檢測和評價指標(biāo)對結(jié)果進(jìn)行分析，反饋模型應(yīng)用效果，最終完成測試驗證。


本文詳細(xì)內(nèi)容請下載：

http://ihrv.cn/resource/share/2000006320


作者信息：

張原1，司源2

（1.國能信控技術(shù)股份有限公司，北京 100097；

2.中國電子信息產(chǎn)業(yè)集團(tuán)有限公司，廣東 深圳 518057）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。