《電子技術應用》
您所在的位置:首頁 > 人工智能 > 設計應用 > 基于深度學習的電廠跑冒滴漏視頻識別應用研究
基于深度學習的電廠跑冒滴漏視頻識別應用研究
電子技術應用
張原1,司源2
1.國能信控技術股份有限公司;2.中國電子信息產業(yè)集團有限公司
摘要: 為解決火電廠設備在運行過程中會存在“跑冒滴漏”現(xiàn)象,通過視覺識別技術及深度學習的應用,提出基于卷積神經網絡模型的電廠跑冒滴漏視頻識別模型,并對模型進行優(yōu)化和改進。該方法基于火電廠攝像頭進行現(xiàn)場圖像的采集,進行數(shù)據預處理和優(yōu)化,同時按照缺陷形態(tài)建立對應數(shù)據集。然后,通過語義分割、數(shù)據增強、注意力機制、更改激活函數(shù)等技術與卷積神經網絡結合,對YOLOv5算法進行深層次優(yōu)化,包括訓練策略的改進和模型評價調整,增強了模型算法對復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,具有較好的工程應用前景。
中圖分類號:TP29 文獻標志碼:A DOI: 10.16157/j.issn.0258-7998.245845
中文引用格式: 張原,司源. 基于深度學習的電廠跑冒滴漏視頻識別應用研究[J]. 電子技術應用,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

電廠運行現(xiàn)場存在多種管道和設備,其中存在煤炭的輸送和燃燒、熱能的轉換、機械能的產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備上,為保證設備安全穩(wěn)定,目前電廠通常采用巡點檢形式進行設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,增大了安全運行風險[1]。

近年來,深度學習、計算機視覺技術已在電力自動化、故障診斷、安防管控等各細分領域逐步開始應用[2]。其中針對于火電廠現(xiàn)場“跑冒滴漏”現(xiàn)象的自學習與自診斷也有了深入的研究??焖倩趨^(qū)域的卷積神經網絡(Faster Region-based Convolutional Network,F(xiàn)aster R-CNN)、基于區(qū)域的全卷積網絡(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)目標識別算法相比[3],具有從大量圖像數(shù)據中自動學習目標特征、不用設計特征提取器等優(yōu)勢,這種基于深度卷積神經網絡的目標識別算法有效地簡化了算法流程,提升了目標識別的效率、準確率以及泛化能力[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、機器人巡檢、無人機巡檢、紅外測溫等技術手段的應用,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)據庫,對于現(xiàn)場環(huán)境復雜、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及深度學習的應用,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習的視頻實時異常檢測方法。該方法采用目標檢測性能較為成熟的YOLOv5為網絡結構基礎[7],構建電廠設備跑冒滴漏數(shù)據集,對原始算法進行改進,包含了引入注意力機制、激活函數(shù)的更改、模型訓練以及建立評價。通過搭建訓練平臺進行迭代學習,不斷構建和修正圖像模型,并將模型存儲在統(tǒng)一數(shù)據平臺中,最終實現(xiàn)了檢測模型的端到端的學習策略。為了驗證對原始算法改進后的效果,將改進后的模型在數(shù)據集上進行訓練并驗證,通過目標檢測和評價指標對結果進行分析,反饋模型應用效果,最終完成測試驗證。


本文詳細內容請下載:

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


作者信息:

張原1,司源2

(1.國能信控技術股份有限公司,北京 100097;

2.中國電子信息產業(yè)集團有限公司,廣東 深圳 518057)


Magazine.Subscription.jpg

此內容為AET網站原創(chuàng),未經授權禁止轉載。