CN112884036A - 一种锅炉受热面异常图像识别方法、标记方法及系统 - Google Patents
一种锅炉受热面异常图像识别方法、标记方法及系统 Download PDFInfo
- Publication number
- CN112884036A CN112884036A CN202110178263.1A CN202110178263A CN112884036A CN 112884036 A CN112884036 A CN 112884036A CN 202110178263 A CN202110178263 A CN 202110178263A CN 112884036 A CN112884036 A CN 112884036A
- Authority
- CN
- China
- Prior art keywords
- image
- heating surface
- images
- boiler
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 263
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 50
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000004939 coking Methods 0.000 claims description 17
- 230000007797 corrosion Effects 0.000 claims description 17
- 238000005260 corrosion Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000003416 augmentation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 239000004071 soot Substances 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000000151 deposition Methods 0.000 description 10
- 230000008021 deposition Effects 0.000 description 10
- 239000000428 dust Substances 0.000 description 8
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004205 dimethyl polysiloxane Substances 0.000 description 1
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 1
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- CXQXSVUQTKDNFP-UHFFFAOYSA-N octamethyltrisiloxane Chemical compound C[Si](C)(C)O[Si](C)(C)O[Si](C)(C)C CXQXSVUQTKDNFP-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004987 plasma desorption mass spectroscopy Methods 0.000 description 1
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种锅炉受热面异常图像识别、标记方法及系统,包括:获取大量炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。通过图像识别模型识别出炉内受热面是否异常,将异常受热面图像标记在锅炉模型上,发送给维修工人,减少人力投入。
Description
技术领域
本发明涉及煤电领域,具体涉及一种锅炉受热面异常图像识别方法、标记方法及系统。
背景技术
燃煤电厂在日常生产运转中会产生大理的灰粒、硫和氮的氧化物的物质,这些物质在锅炉运行的过程中有时会以各种形式沉积在受热面的表面,造成受热面的结焦、积灰、腐蚀,锅炉结焦、积灰、腐蚀不但增加了锅炉受热面的传热阻力,使受热面传热恶化,降低锅炉热经济性,还可能造成烟气通道的堵塞,影响锅炉的安全运行,严重时会发生设备损坏、人身伤害事故。
在实现本发明过程中,申请人发现现有技术中至少存在如下问题:由于锅炉受热面结焦、积灰、腐蚀,不但增加了锅炉受热面的传热阻力,降低锅炉热经济性,还可能造成烟气通道的堵塞,影响锅炉的安全运行,燃煤发电厂会凭借检修经验,利用停炉机会定期检查锅炉受热面情况。尽管当前检修位置已充分考虑了锅炉运行工况,但是受视野、检修经验限制,效率较低。
发明内容
本发明实施例提供一种锅炉受热面异常图像识别方法、标记方法及系统,通过训练得到图像识别模型,图像识别模型自动提取图像特征信息,能够识别出炉内受热面是否异常,何种异常(结焦、积灰、腐蚀),并将异常的受热面图像标记在锅炉模型上,发送给维修工人,可以减少大量的人力投入。
为达上述目的,一方面,本发明实施例提供一种锅炉受热面异常图像识别、标记方法,包括:
获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;以及,根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
优选地,所述对各受热面图像进行预处理,得到预处理受热面图像,具体包括:
对各受热面图像进行增广处理,所述增广处理操作包括:通过对受热面图像进行旋转、镜像翻转、对图像整体或图像局部像素亮度的变化、和/或,在图像全局加入随机噪声模拟不同的真实场景;
将增广后的受热面图像放缩到预设尺寸;
对预定尺寸的受热面图像去均值处理以凸显各预定尺寸的受热面图的对比度,得到预处理受热面图像。
优选地,所述特征学习器为卷积神经网络;
所述采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型,具体包括:
提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵;并通过激活函数对特征矩阵进行非线形激活后输入池化层进行特征压缩;且采用卷积神经网络的卷积层和池化层重复进行多次重复,得到一组固定大小的特征矩阵;
将该组固定大小的特征矩阵输入积神经网络中的全连接层,通过全连接层将该组固定大小的特征矩阵结构变换,得到固定长度的特征向量;
将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像。
优选地,所述提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵,具体包括:
通过卷积层所包括的积核表示该预处理图像RGB分量的权重;
通过卷积核与和其所对应的RGB分量进行点乘,从而提取出各预处理预热图像该层的特征,将所提取的特征形成特征矩阵;且在提取各预热预处理图像该层特征时保持该特征所在的预处理图像本征的空间位置不变。
优选地,所述将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像,具体包括:
所述分类器为softmax激活函数,通过softmax激活函数将全连接层输出的固定长度的特征向量中各向量映射到图像类别的概率空间,得到该特征向量在个类别下的真实概率值;再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,将更新后的真实概率值作为当前训练轮次下该预处理图像被认定为某一类别的概率;根据概率将预处理受热面图像匹配为正常受热面、或者不同种类的异常受热面图像。
优选地,所述再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,具体包括:
设定卷积神经网络的损失函数,最小化损失函数时,通过反向传播算法将该损失函数依次反馈到全连接层、卷积层各像素的权重上;在反向传播的过程中,采用梯度下降法分别对卷积层、全连接层各像素的权重,并根据误差调整交叉熵损失函数的参数值;不断迭代上述过程,直至交叉熵损失函数收敛,完成将卷积神经网络的损失函数风险最小化,得到将预处理受热面图像归类为某种类型的真实概率的损失,根据损失更新预处理受热面图像归类为某种类型的权重,得到该预处理受热面图像更新的真实概率值。
优选地,所述自动图像采集设备为搭设有高清摄像头的无人机;
所述获取大量的煤电厂锅炉炉内受热面图像,具体包括:
通过自动图像采集设备获取大量的煤电厂锅炉炉内受热面图像。
优选地,所述根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,具体包括:
采用三维绘图工具按照锅炉的实际尺寸构建锅炉的三维仿真模型,为不同种类的异常受热面图像预设相应的醒目标识;根据各异常受热面图像在锅炉受热面的空间位置,将相应的预设醒目标志标注在三维仿真模型相应的异常区域上,用于检修人员基于该三维仿真模型的异常受热面图像定位受热面的检修位置。
优选地,所述根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,具体包括:
对识别出的各异常受热面图像在三维仿真模型相应的区域上进行宽泛标记,用于根据宽泛标记的三维仿真模型来生成不同受热面区域的受热面异常情况的诊断报告,所述诊断报告用于推送给检修人员。
为达上述目的,另一方面,本发明实施例还提供一种锅炉受热面异常图像识别及标记系统,包括:
炉内受热面图像获取单元,用于获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
图像识别模型形成单元,用于采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
异常受热面图像识别单元,用于通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;
异常受热面图像标记单元,用于根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
上述技术方案具有如下有益效果:通过训练得到图像识别模型,图像识别模型自动提取图像特征信息,能够识别出炉内受热面是否异常,何种异常(结焦、积灰、腐蚀),并将异常的受热面图像标记在锅炉模型上,发送给维修工人,可以减少大量的人力投入。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的锅炉受热面异常图像识别、标记方法的流程图;
图2是本发明实施例的锅炉受热面异常图像识别、标记系统的结构图;
图3是本发明实施例的图像识别模型的训练流程;
图4是本发明实施例的卷积神经网络的卷积层;
图5是本发明实施例的特征学习算法工作流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,结合本发明的实施例,提供一种锅炉受热面异常图像识别及标记方法,包括:
S101:获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
S102:采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
S103:通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像
S104:根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
优选地,在步骤101中,所述对各受热面图像进行预处理,得到预处理受热面图像,具体包括:
S1011:对各受热面图像进行增广处理,所述增广处理操作包括:通过对受热面图像进行旋转、镜像翻转、对图像整体或图像局部像素亮度的变化、和/或,在图像全局加入随机噪声模拟不同的真实场景;
S1012:将增广后的受热面图像放缩到预设尺寸;
S1013:对预定尺寸的受热面图像去均值处理以凸显各预定尺寸的受热面图的对比度,得到预处理受热面图像。
优选地,所述特征学习器为卷积神经网络;
步骤102具体包括:
S1021:提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵;并通过激活函数对特征矩阵进行非线形激活后输入池化层进行特征压缩;且采用卷积神经网络的卷积层和池化层重复进行多次重复,得到一组固定大小的特征矩阵;
S1022:将该组固定大小的特征矩阵输入积神经网络中的全连接层,通过全连接层将该组固定大小的特征矩阵结构变换,得到固定长度的特征向量;
S1023:将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像。
优选地,步骤1021具体包括:
通过卷积层所包括的积核表示该预处理图像RGB分量的权重;
通过卷积核与和其所对应的RGB分量进行点乘,从而提取出各预处理预热图像该层的特征,将所提取的特征形成特征矩阵;且在提取各预热预处理图像该层特征时保持该特征所在的预处理图像本征的空间位置不变。
优选地,步骤1023具体包括:
所述分类器为softmax激活函数,通过softmax激活函数将全连接层输出的固定长度的特征向量中各向量映射到图像类别的概率空间,得到该特征向量在个类别下的真实概率值;再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,将更新后的真实概率值作为当前训练轮次下该预处理图像被认定为某一类别的概率;根据概率将预处理受热面图像匹配为正常受热面、或者不同种类的异常受热面图像。
优选地,所述再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,具体包括:
设定卷积神经网络的损失函数,最小化损失函数时,通过反向传播算法将该损失函数依次反馈到全连接层、卷积层各像素的权重上;在反向传播的过程中,采用梯度下降法分别对卷积层、全连接层各像素的权重,并根据误差调整交叉熵损失函数的参数值;不断迭代上述过程,直至交叉熵损失函数收敛,完成将卷积神经网络的损失函数风险最小化,得到将预处理受热面图像归类为某种类型的真实概率的损失,根据损失更新预处理受热面图像归类为某种类型的权重,得到该预处理受热面图像更新的真实概率值。
优选地,所述自动图像采集设备为搭设有高清摄像头的无人机;
在步骤101中,所述获取大量的煤电厂锅炉炉内受热面图像,具体包括:
S1014:通过自动图像采集设备获取大量的煤电厂锅炉炉内受热面图像。
优选地,步骤104具体包括:
S1041:采用三维绘图工具按照锅炉的实际尺寸构建锅炉的三维仿真模型,为不同种类的异常受热面图像预设相应的醒目标识;根据各异常受热面图像在锅炉受热面的空间位置,将相应的预设醒目标志标注在三维仿真模型相应的异常区域上,用于检修人员基于该三维仿真模型的异常受热面图像定位受热面的检修位置。
优选地,步骤104具体包括:
S1042:对识别出的各异常受热面图像在三维仿真模型相应的区域上进行宽泛标记,用于根据宽泛标记的三维仿真模型来生成不同受热面区域的受热面异常情况的诊断报告,所述诊断报告用于推送给检修人员。
如图2所示,结合本发明的实施例,还提供一种锅炉受热面异常图像识别及标记系统,包括:
炉内受热面图像获取单元21,用于获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
图像识别模型形成单元22,用于采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
异常受热面图像识别单元23,用于通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;
异常受热面图像标记单元24,用于根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
优选地,在炉内受热面图像获取单元21中,所述对各受热面图像进行预处理,得到预处理受热面图像,具体包括:
对各受热面图像进行增广处理,所述增广处理操作包括:通过对受热面图像进行旋转、镜像翻转、对图像整体或图像局部像素亮度的变化、和/或,在图像全局加入随机噪声模拟不同的真实场景;
将增广后的受热面图像放缩到预设尺寸;
对预定尺寸的受热面图像去均值处理以凸显各预定尺寸的受热面图的对比度,得到预处理受热面图像。
优选地,所述特征学习器为卷积神经网络;
所述图像识别模型形成单元22具体包括:
提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵;并通过激活函数对特征矩阵进行非线形激活后输入池化层进行特征压缩;且采用卷积神经网络的卷积层和池化层重复进行多次重复,得到一组固定大小的特征矩阵;
将该组固定大小的特征矩阵输入积神经网络中的全连接层,通过全连接层将该组固定大小的特征矩阵结构变换,得到固定长度的特征向量;
将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像。
优选地,所述提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵,具体包括:
通过卷积层所包括的积核表示该预处理图像RGB分量的权重;
通过卷积核与和其所对应的RGB分量进行点乘,从而提取出各预处理预热图像该层的特征,将所提取的特征形成特征矩阵;且在提取各预热预处理图像该层特征时保持该特征所在的预处理图像本征的空间位置不变。
优选地,所述将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像,具体包括:
所述分类器为softmax激活函数,通过softmax激活函数将全连接层输出的固定长度的特征向量中各向量映射到图像类别的概率空间,得到该特征向量在个类别下的真实概率值;再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,将更新后的真实概率值作为当前训练轮次下该预处理图像被认定为某一类别的概率;根据概率将预处理受热面图像匹配为正常受热面、或者不同种类的异常受热面图像。
优选地,所述再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,具体包括:
设定卷积神经网络的损失函数,最小化损失函数时,通过反向传播算法将该损失函数依次反馈到全连接层、卷积层各像素的权重上;在反向传播的过程中,采用梯度下降法分别对卷积层、全连接层各像素的权重,并根据误差调整交叉熵损失函数的参数值;不断迭代上述过程,直至交叉熵损失函数收敛,完成将卷积神经网络的损失函数风险最小化,得到将预处理受热面图像归类为某种类型的真实概率的损失,根据损失更新预处理受热面图像归类为某种类型的权重,得到该预处理受热面图像更新的真实概率值。
优选地,所述自动图像采集设备为搭设有高清摄像头的无人机;
所述炉内受热面图像获取单元21具体包括:
通过自动图像采集设备获取大量的煤电厂锅炉炉内受热面图像。
优选地,所述异常受热面图像标记单元24具体包括:
采用三维绘图工具按照锅炉的实际尺寸构建锅炉的三维仿真模型,为不同种类的异常受热面图像预设相应的醒目标识;根据各异常受热面图像在锅炉受热面的空间位置,将相应的预设醒目标志标注在三维仿真模型相应的异常区域上,用于检修人员基于该三维仿真模型的异常受热面图像定位受热面的检修位置。
优选地,所述异常受热面图像标记单元24具体包括:
对识别出的各异常受热面图像在三维仿真模型相应的区域上进行宽泛标记,用于根据宽泛标记的三维仿真模型来生成不同受热面区域的受热面异常情况的诊断报告,所述诊断报告用于推送给检修人员。
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明,实施过程中没有介绍到的技术细节,可以参考前文的相关描述。
本发明的一种锅炉受热面异常图像识别、标记方法,利用无人机大批量采集煤电厂锅炉炉内受热面图片信息,通过特征学习算法自动自炉内受热面图片信息提取相关图像特征信息,识别具有一定差异性的锅炉炉内受热面异常情况,并基于三维可视化平台进行异常位置管理,形成一套完整的锅炉受热面智能检测分析方法和系统,可有效辅助判断锅炉炉膛受热面是否存在结焦、积灰、腐蚀问题,能够及时进行维修工作,克服“凭借检修经验,利用停炉机会定期检查锅炉受热面情况;尽管当前检修位置已充分考虑了锅炉运行工况,但是受视野、检修经验限制,效率较低”的困难。本发明的技术方案主要概括为:
1.通过自动图像采集设备,比如无人机进行炉内图像采集,形成大量的样本,采用特征学习器(卷积神经网络)自动提取炉内图像的特征信息,通过特征训练拟合可以在面对不同场景下依然保持良好的表现,从而实现对炉内积灰/结焦/腐蚀情况的有效识别;
2.基于三维绘图工具,构建与锅炉同等大小的三维模型,将机器人拍摄图像的空间位置在模型中标注,突出展示,实现锅炉异常区域的突出展示,使检修人员可以基于图像信息,定位检修位置,实现锅炉受热面的高效管理。
本发明应用实例的技术方案具体如下:
1.1图像采集:由无人机采集图像
基于搭设高清摄像头的无人机,对炉内图像进行采集,采集像素要求200W以上,大小为1*1m的图像拍摄规格,单次拍摄预计产生1000张以上的图片样本,其中包括各种正常及异常样本。克服了“锅炉设备管理人员必须搭设脚手架进行现场检查,不仅存在安全风险,效率较低;而且每次只可针对部分管段进行近距离检查;虽然检修人员经验可以实现对锅炉受热面积灰结焦腐蚀等异常,但是由于效率较低,无法在一次停炉检修期间完成全部受热面检查工作”的难题。
1.2图像预处理
i图像增广:通过对炉内受热面图像进行旋转、镜像翻转、明暗变化,加入随机噪声去模拟更多的真实场景以提高模型的泛化能力;其中,真实场景:比如增广的新的一张图片可以是随机噪声和亮度调整组合的方式生成的;比单纯的亮度调整生成的图片又多引入一个因素,也是形成一张新的图片。
ii图像放缩:需要将图像放缩到合适模型输入的大小。
主要方法:双线性差值法,利用坐标反向面换后坐标的周围点,然后根据距离关系得出权值,通过权值和多点复合出像素点。
iii去均值(标准化):
特征标准化指的是(独立地)使得数据的每一个维度具有零均值和单位方差:首先计算每一个维度上数据的均值(使用全体数据计算),之后在每一个维度上都减去该均值。下一步便是在数据的每一维度上除以该维度上数据的标准差。对于自然图像,更多的是做图像零均值化,并不需要估计样本的方差。也就是:对预定尺寸的受热面图像去均值处理以凸显各预定尺寸的受热面图的对比度,得到预处理受热面图像。
1.3特征提取技术
如图4、图5所示,提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵;并通过激活函数对特征矩阵进行非线形激活后输入池化层进行特征压缩;且采用卷积神经网络的卷积层和池化层重复进行多次重复,得到一组固定大小的特征矩阵。
将该组固定大小的特征矩阵输入积神经网络中的全连接层,通过全连接层将该组固定大小的特征矩阵结构变换,得到固定长度的特征向量。
将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像。
具体如下:
i.卷积神经网络
采用深度学习图像识别的是卷积神经网络,图像输入后通过多次的卷积层和池化层加权采样提取特征后通过全连接层将固定大小的特征向量输入分类器进行空间概率映射,最终得到分类结果。具体为:
将炉内受热面图像的RGB分量分别输入卷积神经网络,网络中的卷积层基于不同的卷积核进行加权计算获得该层特征矩阵并通过激活函数进行非线形激活后输入池化层进行特征压缩,多层卷积神经网络中往复多次以上步骤后,最终得到一组固定大小的特征矩阵输入全连接,全连接层通过结构变换;
全连接层在结构变换后得到固定长度的特征向量,输入softmax激活函数将其映射到实际类别的概率空间。
在卷积层中,主要组成是卷积核,其代表对应的权重(weight),通过卷积核与图像的卷积操作即卷积核和图像进行点乘,代表卷积核里的权重单独对相应位置的像素进行作用,提取图片中的特征,同时保持在本征上的空间不变性。
卷积计算的数学表示:
1.4模型训练
训练主要是损失函数风险最小化的过程,通过反向传播算法不断的反馈到各层权重上,梯度下降法来对每一层权重的进行调整,最终逼近全局最优或较优的局部最优。
训练过程采用的函数有:
交叉熵损失函数
交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度,在机器学习中就表示为真实概率分布与预测概率分布之间的差异。交叉熵的值越小,模型预测效果就越好;其常常与softmax是标配,softmax将输出的结果进行处理,使其多个分类的预测值和为1,再通过交叉熵来计算损失。
多分类交叉熵公式:
如图3所示,反向传播
(1)将训练集数据输入到神经网络的输入层,经过隐藏层,最后达到输出层并输出结果,这是神经网络的前向传播过程;
(2)由于神经网络的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
1.5图像识别与位置标注
基于PDMS等三维绘图软件,构建1:1的三维模型,并以此为基础构建三维空间坐标体系。基于搭设高清摄像头的自动图像采集设备(比如,无人机),对炉内受热面图像进行采集,采集数据包括炉内受热面影像及所拍摄图像的位置信息。通过图像识别模型进行异常图像的识别,基于三维模型进行异常图像位置的归拢展示,具体包括:
采用三维绘图工具按照锅炉的实际尺寸构建锅炉的三维仿真模型,为不同种类的异常受热面图像预设相应的醒目标识;根据各异常受热面图像在锅炉受热面的空间位置,将相应的预设醒目标志标注在三维仿真模型相应的异常区域上,用于检修人员基于该三维仿真模型的异常受热面图像定位受热面的检修位置。
对识别出的各异常受热面图像在三维仿真模型相应的区域上进行宽泛标记,用于根据宽泛标记的三维仿真模型来生成不同受热面区域的受热面异常情况的诊断报告,所述诊断报告用于推送给检修人员。
从而使锅炉管理人员可以快速查看全炉膛受热面的积灰结焦腐蚀情况,实现辅助锅炉检修管理的效果。
本发明所取得技术效果如下:
1.充分利用机器人等技术,形成海量的锅炉受热面图像样本,利用大数据技术对海量图片数据进行分析挖掘并加以利用,实现对炉内图像数据的深度应用。
2.通过特征学习算法(卷积神经网络)自动提取相关图像特征信息,有效辅助判断炉膛受热面是否存在结焦、积灰、腐蚀等问题。可以判断出采集的图片哪些有结焦、积灰、腐蚀,再辅以人工确认纠正,可以减少大量的人力投入。
3.识别后自动推送异常情况,是运维人员可以基于实际故障位置进行对应的检修工作,避免传统检修工作过于依赖经验的问题。
避免了现有技术的“凭借人工经验判断针对炉内受热面是否存在异常所存在作业风险大、检查费用高、工作环境恶劣等”一系列问题,也避免了“通过人工识别图片判断锅炉结焦、积灰、腐蚀情况,工作量很大”的问题。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锅炉受热面异常图像识别、标记方法,其特征在于,包括:
获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;
根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
2.根据权利要求1所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述对各受热面图像进行预处理,得到预处理受热面图像,具体包括:
对各受热面图像进行增广处理,所述增广处理操作包括:通过对受热面图像进行旋转、镜像翻转、对图像整体或图像局部像素亮度的变化、和/或,在图像全局加入随机噪声模拟不同的真实场景;
将增广后的受热面图像放缩到预设尺寸;
对预定尺寸的受热面图像去均值处理以凸显各预定尺寸的受热面图的对比度,得到预处理受热面图像。
3.根据权利要求2所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述特征学习器为卷积神经网络;
所述采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型,具体包括:
提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵;并通过激活函数对特征矩阵进行非线形激活后输入池化层进行特征压缩;且采用卷积神经网络的卷积层和池化层重复进行多次重复,得到一组固定大小的特征矩阵;
将该组固定大小的特征矩阵输入积神经网络中的全连接层,通过全连接层将该组固定大小的特征矩阵结构变换,得到固定长度的特征向量;
将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像。
4.根据权利要求3所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述提取各预处理受热面图像的RGB分量并将各预处理受热面图像的RGB分量分别输入卷积神经网络,卷积神经网络的卷积层基于不同的卷积核进行加权计算获得特征矩阵,具体包括:
通过卷积层所包括的积核表示该预处理图像RGB分量的权重;
通过卷积核与和其所对应的RGB分量进行点乘,从而提取出各预处理预热图像该层的特征,将所提取的特征形成特征矩阵;且在提取各预热预处理图像该层特征时保持该特征所在的预处理图像本征的空间位置不变。
5.根据权利要求3所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述将固定长度的特征向量输入分类器进行空间概率映射,将预处理受热面图像进行分类,归类为正常受热面、不同种类的异常受热面图像,具体包括:
所述分类器为softmax激活函数,通过softmax激活函数将全连接层输出的固定长度的特征向量中各向量映射到图像类别的概率空间,得到该特征向量在个类别下的真实概率值;再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,将更新后的真实概率值作为当前训练轮次下该预处理图像被认定为某一类别的概率;根据概率将预处理受热面图像匹配为正常受热面、或者不同种类的异常受热面图像。
6.根据权利要求3所述的锅炉受热面异常图像识别方法,其特征在于,所述再通过损失函数计算将预处理受热面图像归类为某种类型的真实概率与真实样本的误差进行前馈更新权重,得到该预处理受热面图像更新的真实概率值,具体包括:
设定卷积神经网络的损失函数,最小化损失函数时,通过反向传播算法将该损失函数依次反馈到全连接层、卷积层各像素的权重上;在反向传播的过程中,采用梯度下降法分别对卷积层、全连接层各像素的权重,并根据误差调整交叉熵损失函数的参数值;不断迭代上述过程,直至交叉熵损失函数收敛,完成将卷积神经网络的损失函数风险最小化,得到将预处理受热面图像归类为某种类型的真实概率的损失,根据损失更新预处理受热面图像归类为某种类型的权重,得到该预处理受热面图像更新的真实概率值。
7.根据权利要求1所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述自动图像采集设备为搭设有高清摄像头的无人机;
所述获取大量的煤电厂锅炉炉内受热面图像,具体包括:
通过自动图像采集设备获取大量的煤电厂锅炉炉内受热面图像。
8.根据权利要求1所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,具体包括:
采用三维绘图工具按照锅炉的实际尺寸构建锅炉的三维仿真模型,为不同种类的异常受热面图像预设相应的醒目标识;根据各异常受热面图像在锅炉受热面的空间位置,将相应的预设醒目标志标注在三维仿真模型相应的异常区域上,用于检修人员基于该三维仿真模型的异常受热面图像定位受热面的检修位置。
9.根据权利要求8所述的锅炉受热面异常图像识别、标记方法,其特征在于,所述根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,具体包括:
对识别出的各异常受热面图像在三维仿真模型相应的区域上进行宽泛标记,用于根据宽泛标记的三维仿真模型来生成不同受热面区域的受热面异常情况的诊断报告,所述诊断报告用于推送给检修人员。
10.一种锅炉受热面异常图像识别及标记系统,其特征在于,包括:
炉内受热面图像获取单元,用于获取大量的煤电厂锅炉炉内受热面图像,所述受热面图像已经被人为认定为正常受热面图像和不同种类的异常受热面图像,对各受热面图像进行预处理,得到预处理受热面图像;其中,所述异常受热面图像的种类包括至少一种:受热面积灰图像、受热面结焦图像、受热面腐蚀图像;
图像识别模型形成单元,用于采用特征学习器自各预处理受热面图像内提取特征,对各预处理受热面图像的特性进行训练得到图像识别模型;
异常受热面图像识别单元,用于通过自动图像采集设备采集多张煤电厂锅炉炉内受热面的图像以及各图像的在炉内受热面上的空间位置,通过图形识别模型识别所采集的炉内受热面图像,识别出异常的受热面图像;
异常受热面图像标记单元,用于根据锅炉设计图纸绘制与锅炉实际尺寸、空间分布一致的三维模型,将异常的受热面图像标记在锅炉模型上,形成诊断报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178263.1A CN112884036A (zh) | 2021-02-09 | 2021-02-09 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178263.1A CN112884036A (zh) | 2021-02-09 | 2021-02-09 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884036A true CN112884036A (zh) | 2021-06-01 |
Family
ID=76056247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178263.1A Pending CN112884036A (zh) | 2021-02-09 | 2021-02-09 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884036A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421194A (zh) * | 2021-06-04 | 2021-09-21 | 贵州省地质矿产勘查开发局 | 一种根据布格重力异常图像提取隐伏断层的方法 |
CN115755717A (zh) * | 2022-11-29 | 2023-03-07 | 潮州市索力德机电设备有限公司 | 一种基于物联网的窑炉设备运行检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023318A (zh) * | 2016-05-24 | 2016-10-12 | 广州特种承压设备检测研究院 | 基于图像三维重建的积灰结渣在线监测方法及系统 |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
CN111426699A (zh) * | 2020-04-20 | 2020-07-17 | 上海发电设备成套设计研究院有限责任公司 | 一种锅炉受热面外观缺陷在线检测与识别装置和方法 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
CN212379309U (zh) * | 2020-04-20 | 2021-01-19 | 上海发电设备成套设计研究院有限责任公司 | 一种锅炉受热面外观缺陷在线检测与识别装置 |
-
2021
- 2021-02-09 CN CN202110178263.1A patent/CN112884036A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023318A (zh) * | 2016-05-24 | 2016-10-12 | 广州特种承压设备检测研究院 | 基于图像三维重建的积灰结渣在线监测方法及系统 |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN111310671A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备 |
CN111426699A (zh) * | 2020-04-20 | 2020-07-17 | 上海发电设备成套设计研究院有限责任公司 | 一种锅炉受热面外观缺陷在线检测与识别装置和方法 |
CN212379309U (zh) * | 2020-04-20 | 2021-01-19 | 上海发电设备成套设计研究院有限责任公司 | 一种锅炉受热面外观缺陷在线检测与识别装置 |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
Non-Patent Citations (1)
Title |
---|
解剑波;周君良;孙科达;叶飞;熊定标: "基于卷积神经网络的火电机组锅炉高温受热面管壁泄漏诊断方法研究", 电力系统装备, no. 13, 13 August 2020 (2020-08-13), pages 53 - 56 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421194A (zh) * | 2021-06-04 | 2021-09-21 | 贵州省地质矿产勘查开发局 | 一种根据布格重力异常图像提取隐伏断层的方法 |
CN115755717A (zh) * | 2022-11-29 | 2023-03-07 | 潮州市索力德机电设备有限公司 | 一种基于物联网的窑炉设备运行检测系统 |
CN115755717B (zh) * | 2022-11-29 | 2023-08-29 | 潮州市索力德机电设备有限公司 | 一种基于物联网的窑炉设备运行检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
WO2022077605A1 (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN111696075A (zh) | 一种基于双光谱图像的风机叶片缺陷智能检测方法 | |
CN112884036A (zh) | 一种锅炉受热面异常图像识别方法、标记方法及系统 | |
CN108846418A (zh) | 一种电缆设备温度异常定位与识别方法 | |
CN107749058B (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及系统 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN112686120B (zh) | 一种基于无人机航拍图像的输电线异常检测方法 | |
CN111028238B (zh) | 一种基于机器人视觉的复杂异形曲面三维分割方法及系统 | |
CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与系统 | |
CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
CN114092478A (zh) | 一种异常检测方法 | |
CN114627044A (zh) | 一种基于深度学习的太阳能光伏组件热斑检测方法 | |
CN111915565B (zh) | 一种基于yolact算法对输变电线路瓷瓶裂缝实时分析方法 | |
DE202023105341U1 (de) | Deep-Learning-basiertes System zur Erkennung von Korrosion in metallischen Objekten | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN114066819B (zh) | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 | |
CN115457001A (zh) | 基于vgg网络的光伏板异物检测方法、系统、装置及介质 | |
CN112288694B (zh) | 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |