CN114383735B - 基于机器视觉的火电机组空冷阵列温度场监测方法及装置 - Google Patents
基于机器视觉的火电机组空冷阵列温度场监测方法及装置 Download PDFInfo
- Publication number
- CN114383735B CN114383735B CN202111555802.5A CN202111555802A CN114383735B CN 114383735 B CN114383735 B CN 114383735B CN 202111555802 A CN202111555802 A CN 202111555802A CN 114383735 B CN114383735 B CN 114383735B
- Authority
- CN
- China
- Prior art keywords
- image
- temperature field
- air cooling
- fin tube
- infrared thermal
- 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.)
- Active
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 20
- 238000005520 cutting process Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 230000005764 inhibitory process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 230000009467 reduction Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 8
- 241000657949 Elderberry carlavirus D Species 0.000 description 7
- 230000004913 activation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000242583 Scyphozoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及基于机器视觉的火电机组空冷阵列温度场监测方法，包括以下：获取待监测的翅片管束的红外热图像；将所述红外热图像进行预处理得到第一图像；将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员。本发明实现空冷单元的热力温度场的快速地准确测量。
Description
技术领域
本发明涉及空冷系统在线检测相关领域，尤其涉及基于机器视觉的火电机组空冷阵列温度场监测方法及装置。
背景技术
在火力发电厂中，实时准确检测空冷岛阵列各单元的温度场对空冷阵列动态特性具有重要的意义，温度场的变化能够反映空冷阵列的热工变换，如空冷机组背压、蒸汽凝结量等。相对于传统的湿冷机组，空冷机组的冷端运行成本高，轴流风机群耗电占厂内用电内超过10％，约为机组发电功率的1％。其次，空冷设备是露天布置，在极寒气候下，翅片管易冻结；并且受自然风横向流动影响，空冷岛内各空冷单元之间的温度场有着明显的差异。因此，温度场关系着空冷岛的安全性和经济性。
空冷阵列是典型分布参数复杂热力系统，并且由于空冷凝汽器采用翅管结构，只在蒸汽与凝结水母管设置温度测点。有限点的接触式测量很难全面表征主凝汽区热动力场，且有限点的监测方法使用的传感器元器件容易受高温和低温的影响，其使用寿命有限，且成本高。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供基于机器视觉的火电机组空冷阵列温度场监测方法及装置。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出基于机器视觉的火电机组空冷阵列温度场监测方法，包括以下：
获取待监测的翅片管束的红外热图像；
将所述红外热图像进行预处理得到第一图像；
将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员。
进一步，具体的，所述红外图像进行的预处理操作包括以下，
将所述红外图像进行灰度化得到第一图像，其中灰度转换的公式包括以下，
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的第一图像的尺寸为shape＝[w×h×c]，其中C为1。
进一步，具体的，预训练的空冷阵列温度场监测模型通过以下方式进行训练得到，
数据集的获取，
获取翅片管束的多个红外热图像
对多个所述红外热图像进行处理得到第二图像，具体的处理过程包括，
将红外温度图像转为灰度图，需要用到的公式为：
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的图像尺寸为shape＝[w×h×c]，其中C为1，
将灰度化后的红外温度图像中的像素值标记为k维的独热码，当第i像素点的真实标签为j时，其独热码表现形式为标记后的真实标签尺寸为shapeGT＝[wgt×hgt×cgt]，其中cgt为k，
对灰度化后的图像进行数据扩充，设置3个不同的原始裁剪框，如size＝[w1×h1,w2×h2,w3×h3]，并且设置3种规模，最终能得到9种不同的裁剪框
得到不同的裁剪框后，使用基于交并比的非极大值抑制方法筛选裁剪后图像，交并比的公式为其中area(G)为被标记为真实标签的区域大小，area(O)为标记为背景的区域大小，
计算每个裁剪后图像的交并比，设置非极大值抑制的阈值D，设裁剪后第p个图像的交并比为IoUp，则有若IoUp≥D，则保留，若IoUp＜D，则筛除；
数据集的划分，
将获取的数据集划分为训练数据集、验证数据集和测试数据集；
模型的获取，
根据划分的数据集，设置多组不同的网络参数和超参数，选取损失函数和优化器，训练计算机视觉模型，最终选取一个效果最好的模型。
进一步，具体的，
设置的网络参数包括卷积核大小Wconv×Hconv、卷积核的个数Cconv、卷积步长strideconv、填充选项、下采样类型设置为最大值下采样、下采样步长为stridemaxpooling、上采样采用双线性插值和激活函数采用ReLu函数，超参数的设置包括学习率、批处理大小、最大迭代次数和最小误差，
计算机视觉模型采用卷积神经网络模型，其中包括卷积公式：
为特征图的输入，/>为卷积核；
下采样采用最大池化，公式为fout＝max(fin)，为特征图的输入，p,q按照池化大小设置，
计算机视觉模型概率输出采用softmax函数，其公式为：Pij为第i个样本预测为第j个类别的预测概率，fij为第i个样本预测为第j个类别的输出，
损失函数公式为其中M为类别个数，pi为样本i的预测概率，yi为样本i的独热码，
计算机视觉模型中，对卷积操作完成后的特征图降维采用奇异值分解的方法，其公式为则降维后的特征图/>
计算机视觉模型中激活函数采用修正线性单元，其表示为其中xi为特征图的第i个输入，
权值更新，采用随机梯度下降的方法：其中α为学习率，wij为卷积核中坐标为i，j的权值，
设置不同的参数和超参数能够训练多个计算机视觉模型，当相邻两次的误差之间的差小于设定的最小误差或者训练次数达到设定的最大迭代次数，则停止训练，通过验证数据集，根据预测结果选取最佳的计算机视觉模型。
进一步，具体的，
所述的卷积神经网络的卷积次数设置为22个、激活函数设置为22个，下采样个数设置为4个、基于SVD的降维设置为4个、上采样个数设置为4个。
本发明还提出基于机器视觉的火电机组空冷阵列温度场监测装置，包括以下，图像获取模块，用于获取待监测的翅片管束的红外热图像；
预处理模块，用于将所述红外热图像进行预处理得到第一图像；
第一预测模块，用于将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
温度场分布获取模块，用于根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
死区检测模块，用于根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员。
进一步，具体的，所述图像获取模块包括，
安装在空冷阵列上的红外热成像仪，与一个空冷单元的两个方向上的翅片管束分别对应位于其左右两侧的两处红外热成像仪。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上任一项所述基于机器视觉的火电机组空冷阵列温度场监测方法的步骤。
本发明的有益效果为：
本发明提出基于机器视觉的火电机组空冷阵列温度场监测方法，通过预训练空冷阵列温度场监测模型，对输入的翅片管束的红外热图像进行检测分割出翅片管束区域，并得到准确的温度场信息，进而根据温度场信息监测空岛翅片管束是否出现死区并及时报警和根据当前翅片管束的温度特征调节风机的转速，既能实时获得更丰富全面的空冷阵列温度场，又提高了火电机组空冷岛阵列温度场的测量准确度和效率，为后续对空冷风机群节能优化控制提供测量基础。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为本发明基于机器视觉的火电机组空冷阵列温度场监测方法的流程图；
图2所示为本发明基于机器视觉的火电机组空冷阵列温度场监测方法的空冷岛红外热像图实时采集示意图；
图3所示为本发明基于机器视觉的火电机组空冷阵列温度场监测方法的计算机视觉分割模型结构示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，实施例1，本发明提出基于机器视觉的火电机组空冷阵列温度场监测方法，包括以下：
步骤110、获取待监测的翅片管束的红外热图像；
步骤120、将所述红外热图像进行预处理得到第一图像；
步骤130、将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
步骤130、根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
步骤140、根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员。
在本优选实施方式中，通过预训练空冷阵列温度场监测模型，对输入的翅片管束的红外热图像进行检测分割出翅片管束区域，并得到准确的温度场信息，进而根据温度场信息监测空岛翅片管束是否出现死区并及时报警和根据当前翅片管束的温度特征调节风机的转速，既能实时获得更丰富全面的空冷阵列温度场，又提高了火电机组空冷岛阵列温度场的测量准确度和效率，为后续对空冷风机群节能优化控制提供测量基础。相比传统接触式测量技术，基于计算机视觉驱动的模式图像识别，已被证明为一种更准确、全面和鲁棒的监测手段。
具体的，在进行检测时，
利用已经安装在空冷阵列上的红外热成像仪，实时获取空冷阵列的红外温度图像。红外热像仪布置空冷单元翅片管束外对面，一个空冷单元的两个方向上的翅片管束各对应一个红外热成像仪，用来实时获取空冷单元的红外温度图像。
将训练好的计算机视觉分割模型加载如后端处理系统中，将实时获取红外温度图像传输至已经计算机视觉分割模型中，计算视觉模型输出红外温度图像中每一像素点的预测概率，比较预测为钢条的概率、异常区域的概率和翅片管束的概率大小，若预测为翅片管束的概率最大，则确定该像素点的位置索引，并利用索引信息获取该点的温度值，从而获得空冷翅片管束准确的红外温度分布。
如图2，红外热像仪将实时获取的红外图像传入到总系统模块，总系统模块会根据输入的红外图像转化为灰度图，然后将灰度图传入到已经计算视觉分割模型当中，然后将模型的输出进行后处理，则每个红外热像仪分别获取不同空冷单元的红外温度图，并得到相应的红外温度图像的分割结果，从而达到实时输出空冷阵列分布温度场分布，并进行后续异常检测和维护控制。
空冷岛翅片管束异常的监测：根据计算机视觉模型的预测结果，可以得到翅片是否出现死区，当出现翅片管束出现死区(翅片管束变形、冻裂)时，将死区出现的位置反馈给检修人员，同时根据提取的实时空冷翅片管束的温度场分布，及时调节对应风机的转速，从而达到理想的空冷翅片管束温度场分布。
作为本发明的优选实施方式，具体的，所述红外图像进行的预处理操作包括以下，
将所述红外图像进行灰度化得到第一图像，其中灰度转换的公式包括以下，
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的第一图像的尺寸为shape＝[w×h×c]，其中C为1。
作为本发明的优选实施方式，具体的，预训练的空冷阵列温度场监测模型通过以下方式进行训练得到，
数据集的获取，
获取翅片管束的多个红外热图像
对多个所述红外热图像进行处理得到第二图像，具体的处理过程包括，
将红外温度图像转为灰度图，需要用到的公式为：
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的图像尺寸为shape＝[w×h×c]，其中C为1，
将灰度化后的红外温度图像中的像素值标记为k维的独热码，当第i像素点的真实标签为j时，其独热码表现形式为标记后的真实标签尺寸为shapeGT＝[wgt×hgt×cgt]，其中cgt为k，
对灰度化后的图像进行数据扩充，设置3个不同的原始裁剪框，如size＝[w1×h1,w2×h2,w3×h3]，并且设置3种规模，最终能得到9种不同的裁剪框
得到不同的裁剪框后，使用基于交并比的非极大值抑制方法筛选裁剪后图像，交并比的公式为其中area(G)为被标记为真实标签的区域大小，area(O)为标记为背景的区域大小，
计算每个裁剪后图像的交并比，设置非极大值抑制的阈值D，设裁剪后第p个图像的交并比为IoUp，则有若IoUp≥D，则保留，若IoUp＜D，则筛除；
数据集的划分，
将获取的数据集划分为训练数据集、验证数据集和测试数据集；
模型的获取，
根据划分的数据集，设置多组不同的网络参数和超参数，选取损失函数和优化器，训练计算机视觉模型，最终选取一个效果最好的模型。
具体的，本优选实施方式中，
将红外温度图像转为灰度图，需要用到的公式为：
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的图像尺寸为shape＝[w×h×c]，其中C设置为1。
数据标记需要将图像中的像素值标记为3维的独热码，当第i个像素点的真实标签为翅片管束时，则在3维独热码的第1个位置索引设置为1，其独热码表现形式为GTi＝[1,0,0]；当第i个像素点的真实标签为钢管时，其独热码表现形式为GTi＝[0,1,0]；当第i个像素点的真实标签为异常区域时，其独热码表现形式为GTi＝[0,0,1]。标记后的真实标签尺寸为shapeGT＝[wgt×hgt×3]，其中wgt、hgt为图像长和宽。
对灰度化后的图像进行数据扩充，采用锚点(anchor)的方法裁剪数据集，锚点方法需要设置3个不同的原始裁剪框，如size＝[w1×h1,w2×h2,w3×h3]，并且设置3种规模，如scale＝[s1,s2,s3]，最终能得到9种不同的裁剪框在被实例中，size＝[16×16,32×16,16×32]，scale＝[1,2,4]，将得到9中不同尺寸的裁剪框/>
得到不同的裁剪框后，使用基于交并比(IoU)的非极大值抑制方法筛选裁剪后图像，交并比的公式为其中area(G)为被标记为真实标签的区域大小，area(O)为标记为背景的区域大小。
计算每个裁剪后图像的交并比，设置非极大值抑制的阈值D＝0.5，设裁剪后第p个图像的交并比为IoUp，则有若IoUp≥D，则保留，若IoUp＜D，则筛除。
数据集的划分包括划分为70％训练数据集、15％验证数据集和15％测试数据集。训练数据集的处理需要使用上述锚点方法对数据进行扩充，训练数据集和验证数据集中的灰度图像要与真实标签文件起到一一对应关系。
作为本发明的优选实施方式，具体的，
设置的网络参数包括卷积核大小Wconv×Hconv、卷积核的个数Cconv、卷积步长strideconv、填充选项、下采样类型设置为最大值下采样、下采样步长为stridemaxpooling、上采样采用双线性插值和激活函数采用ReLu函数，超参数的设置包括学习率、批处理大小、最大迭代次数和最小误差，
计算机视觉模型采用卷积神经网络模型，其中包括卷积公式：
为特征图的输入，/>为卷积核；
下采样采用最大池化，公式为fout＝max(fin)，为特征图的输入，p,q按照池化大小设置，
计算机视觉模型概率输出采用softmax函数，其公式为：Pij为第i个样本预测为第j个类别的预测概率，fij为第i个样本预测为第j个类别的输出，
损失函数公式为其中M为类别个数，pi为样本i的预测概率，yi为样本i的独热码，
计算机视觉模型中，对卷积操作完成后的特征图降维采用奇异值分解的方法，其公式为则降维后的特征图/>
计算机视觉模型中激活函数采用修正线性单元，其表示为其中xi为特征图的第i个输入，
权值更新，采用随机梯度下降的方法：其中α为学习率，wij为卷积核中坐标为i，j的权值，
设置不同的参数和超参数能够训练多个计算机视觉模型，当相邻两次的误差之间的差小于设定的最小误差或者训练次数达到设定的最大迭代次数，则停止训练，通过验证数据集，根据预测结果选取最佳的计算机视觉模型。
具体的，本优选实施方式在施行中，
设置的网络参数包括卷积核大小3×3、卷积核的个数22、卷积步长1、在输入特征图外侧填充0、下采样类型设置为最大值池化、下采样大小设置为2×2，下采样步长为2、上采样采用双线性插值和激活函数采用ReLu函数。超参数的设置包括学习率、批处理大小、最大迭代次数和最小误差。
每一次进行最大池化之前都要重复进行两次的卷积加激活操作，为了维持在最大池化前的各个操作的输出尺寸保持不变，需要对输入进行0填充，为了方便说明，将卷积加激活操作结合称为卷积操作模块，在进行上采样(up sample)后的卷积操作不需要进行填充，并且卷积后输出尺寸将减半，再通过激活函数，为了方便说明将上采样加卷积加激活合称为上卷积操作模块。在下采样前，还需要将两次卷积操作后的特征图进行SVD降维，将降维后的特征图与对称的上卷积操作后的特征图拼接在一起，其能够将获取的红外温度图像的浅层信息和深层信息结合在一起。
在上述设置中卷积操作模块包括一次卷积计算和一次激活计算，上卷积模块包括一次上采样、一次卷积计算和一次激活计算。在训练计算机视觉模型中，Wout＝(Win-Wconv+2p)/s+1，Hout＝(Hin-Hconv+2p)/s+1，Cout＝Cconv，其中输入特征图大小为[Win,Hin,Cin]，卷积核大小为[Wconv,Hconv,Cin]，卷积核的数量为Cconv，输出特征图大小[Wout,Hout,Cout]，p为填充行数。以16×16的图像输入为例，为了保持卷积操作模块的输出特征图与输入图像尺寸不变，需要对输入图像进行0填充，则经过一个卷积操作模块的特征图尺寸保持不变。16×16的输入图像经过两次卷积操作模块后，需要进行两种操作，卷积公式为：为特征图的输入，/>为卷积核，激活函数为：/>其中xi为特征图的第i个输入。包括下采样和基于SVD的降维：/>第一次SVD需要将16×16降维成8×8的特征图，所以令m＝16，n＝18，所以有/>因此四个SVD操作的m＝[16,8,4,2]，n＝[8,4,2,1]，四次SVD的结果特征图为[S1,S2,S3,S4]。下采样需要设置采样大小为2×2，步长为2，不需要填充，经过一次下采样后的特征图大小将减半，下采样采用最大池化，公式为fout＝max(fin)，/>为特征图的输入，其中p＝2,q＝2。在上卷积模块中，需要使用线性插值的方法将特征图的大小扩充为输入的两倍，输出特征图尺寸为[Wout,Hout,Cout]＝[2×Win,2×Hin,2×Cin]，将输出的特征图作为卷积计算的输入，卷积计算设置卷积核大小为2×2，卷积步长为2，不使用填充，四次上卷积模块结果为[U1,U2,U3,U4]。将上卷积模块结果与SVD降维结果拼接在一起，作为下一个卷积模块的输入。将最后一个卷积模块的特征图输出，经过softmax函数，将得到红外温度图像中每个像素点对每一个类别的预测概率，softmax公式为：/>其结果的矩阵尺寸为[Wout,Hout,Cout]＝[16,16,3]，Cout对应着3个类别，真实标签的尺寸也为[16,16,3]，如图3所示，将原始红外图像与红外图像真实标签结合起来，计算预测的损失函数，损失函数公式为：/>其中M为类别个数取M＝3，pi为样本i的预测概率，yi为样本i的独热码，N＝256。得到损失函数后，需要对模型中的权值进行更行，权值更新的方法采用随机梯度下降的方法：/>其中α为学习率，wij为卷积核中坐标为i，j的权值。
本发明还提出基于机器视觉的火电机组空冷阵列温度场监测装置，包括以下，图像获取模块，用于获取待监测的翅片管束的红外热图像；
预处理模块，用于将所述红外热图像进行预处理得到第一图像；
第一预测模块，用于将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
温度场分布获取模块，用于根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
死区检测模块，用于根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员。
作为本发明的优选实施方式，具体的，所述图像获取模块包括，
安装在空冷阵列上的红外热成像仪，与一个空冷单元的两个方向上的翅片管束分别对应位于其左右两侧的两处红外热成像仪。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上任一项所述基于机器视觉的火电机组空冷阵列温度场监测方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (4)
1.基于机器视觉的火电机组空冷阵列温度场监测方法，其特征在于，包括以下：
获取待监测的翅片管束的红外热图像；
将所述红外热图像进行预处理得到第一图像；
将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员；
具体的，预训练的空冷阵列温度场监测模型通过以下方式进行训练得到，
数据集的获取，
获取翅片管束的多个红外热图像
对多个所述红外热图像进行处理得到第一图像，具体的处理过程包括，
将红外热图像转为灰度图，需要用到的公式为：
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的图像尺寸为shape＝[w×h×c]，其中c为1，
将灰度化后的红外热图像中的像素值标记为k维的独热码，当第i像素点的真实标签为j时，其独热码表现形式为标记后的真实标签尺寸为shapeGT＝[wgt×hgt×cgt]，其中cgt为k，
对灰度化后的图像进行数据扩充，设置3个不同的原始裁剪框，size＝[w1×h1,w2×h2,w3×h3]，并且设置3种规模，最终能得到9种不同的裁剪框
得到不同的裁剪框后，使用基于交并比的非极大值抑制方法筛选裁剪后图像，交并比的公式为其中area(G)为被标记为真实标签的区域大小，area(O)为标记为背景的区域大小，
计算每个裁剪后图像的交并比，设置非极大值抑制的阈值D，设裁剪后第p个图像的交并比为IoUp，则有若IoUp≥D，则保留，若IoUp＜D，则筛除；
数据集的划分，
将获取的数据集划分为训练数据集、验证数据集和测试数据集；
模型的获取，
根据划分的数据集，设置多组不同的网络参数和超参数，选取损失函数和优化器，训练计算机视觉模型，最终选取一个效果最好的模型。
2.基于机器视觉的火电机组空冷阵列温度场监测装置，其特征在于，包括以下，
图像获取模块，用于获取待监测的翅片管束的红外热图像；
预处理模块，用于将所述红外热图像进行预处理得到第一图像；
第一预测模块，用于将所述第一图像输入预训练的空冷阵列温度场监测模型，得到所述第一图像中每个像素点的预测类别，并根据预测类别确定翅片管束对应的像素，得到所述像素的坐标索引；
温度场分布获取模块，用于根据所述坐标索引在输入的红外热图像中获取当前像素的温度值，进而根据翅片管束对应的像素的温度值得到翅片管束的温度场分布；
死区检测模块，用于根据所述温度场分布判断所述翅片管束是否存在死区，若存在则将所述温度场分布信息以及死区的位置反馈至检修人员；
具体的，预训练的空冷阵列温度场监测模型通过以下方式进行训练得到，
数据集的获取，
获取翅片管束的多个红外热图像
对多个所述红外热图像进行处理得到第一图像，具体的处理过程包括，
将红外热图像转为灰度图，需要用到的公式为：
Ggray＝0.3R+0.59G+0.11B
其中Ggray是灰度化后的像素值，R为原图像中代表红色分量的像素值，G代表原图像中绿色分量的像素值，B代表原图像中蓝色分量的像素值，灰度化后的图像尺寸为shape＝[w×h×c]，其中c为1，
将灰度化后的红外热图像中的像素值标记为k维的独热码，当第i像素点的真实标签为j时，其独热码表现形式为标记后的真实标签尺寸为shapeGT＝[wgt×hgt×cgt]，其中cgt为k，
对灰度化后的图像进行数据扩充，设置3个不同的原始裁剪框，size＝[w1×h1,w2×h2,w3×h3]，并且设置3种规模，最终能得到9种不同的裁剪框
得到不同的裁剪框后，使用基于交并比的非极大值抑制方法筛选裁剪后图像，交并比的公式为其中area(G)为被标记为真实标签的区域大小，area(O)为标记为背景的区域大小，
计算每个裁剪后图像的交并比，设置非极大值抑制的阈值D，设裁剪后第p个图像的交并比为IoUp，则有若IoUp≥D，则保留，若IoUp＜D，则筛除；
数据集的划分，
将获取的数据集划分为训练数据集、验证数据集和测试数据集；
模型的获取，
根据划分的数据集，设置多组不同的网络参数和超参数，选取损失函数和优化器，训练计算机视觉模型，最终选取一个效果最好的模型。
3.根据权利要求2所述的基于机器视觉的火电机组空冷阵列温度场监测装置，其特征在于，具体的，所述图像获取模块包括，
安装在空冷阵列上的红外热成像仪，与一个空冷单元的两个方向上的翅片管束分别对应位于其左右两侧的两处红外热成像仪。
4.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1中所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555802.5A CN114383735B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的火电机组空冷阵列温度场监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555802.5A CN114383735B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的火电机组空冷阵列温度场监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114383735A CN114383735A (zh) | 2022-04-22 |
| CN114383735B true CN114383735B (zh) | 2024-03-26 |
Family
ID=81197174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111555802.5A Active CN114383735B (zh) | 2021-12-17 | 2021-12-17 | 基于机器视觉的火电机组空冷阵列温度场监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114383735B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512391B (zh) * | 2022-09-29 | 2023-07-21 | 珠海视熙科技有限公司 | 数据自适应重采样的目标检测模型训练方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217221A (zh) * | 2013-03-22 | 2013-07-24 | 北京航空航天大学 | 一种基于图像拼接的空冷凝汽器散热面温度场测量方法 |
| CN106017691A (zh) * | 2016-05-06 | 2016-10-12 | 中南大学 | 非接触式熔融金属溶液温度连续检测方法及系统 |
| US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN111982291A (zh) * | 2019-05-23 | 2020-11-24 | 杭州海康机器人技术有限公司 | 一种基于无人机的火点定位方法、装置及系统 |
| CN112901545A (zh) * | 2021-02-01 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 一种空冷风机温度场控制方法、装置和系统 |
| CN113267081A (zh) * | 2021-05-08 | 2021-08-17 | 浙江理工大学 | 一种加氢空冷器管束内铵盐沉积特性识别消除方法 |
| WO2021218137A1 (zh) * | 2020-04-28 | 2021-11-04 | 株洲中车时代电气股份有限公司 | 基于红外图像的弓网检测方法、装置、系统、介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10375325B2 (en) * | 2016-06-23 | 2019-08-06 | Fluke Corporation | Thermal anomaly detection |
-
2021
- 2021-12-17 CN CN202111555802.5A patent/CN114383735B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217221A (zh) * | 2013-03-22 | 2013-07-24 | 北京航空航天大学 | 一种基于图像拼接的空冷凝汽器散热面温度场测量方法 |
| US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
| CN106017691A (zh) * | 2016-05-06 | 2016-10-12 | 中南大学 | 非接触式熔融金属溶液温度连续检测方法及系统 |
| CN109870617A (zh) * | 2018-09-21 | 2019-06-11 | 浙江大学 | 一种基于宽度学习和红外图像时空特征的智能电厂电气设备故障诊断方法 |
| CN111982291A (zh) * | 2019-05-23 | 2020-11-24 | 杭州海康机器人技术有限公司 | 一种基于无人机的火点定位方法、装置及系统 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| WO2021218137A1 (zh) * | 2020-04-28 | 2021-11-04 | 株洲中车时代电气股份有限公司 | 基于红外图像的弓网检测方法、装置、系统、介质及设备 |
| CN112901545A (zh) * | 2021-02-01 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 一种空冷风机温度场控制方法、装置和系统 |
| CN113267081A (zh) * | 2021-05-08 | 2021-08-17 | 浙江理工大学 | 一种加氢空冷器管束内铵盐沉积特性识别消除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114383735A (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
| CN114383735B (zh) | 基于机器视觉的火电机组空冷阵列温度场监测方法及装置 | |
| CN112629851A (zh) | 基于数据增强方法与图像识别的海上风电机组齿轮箱故障诊断方法 | |
| CN114742820A (zh) | 一种基于深度学习的螺栓松动检测方法、系统及存储介质 | |
| Zhang et al. | Data anomaly detection for bridge SHM based on CNN combined with statistic features | |
| CN115655717A (zh) | 一种基于深度领域泛化网络的轴承故障诊断方法 | |
| CN112052894A (zh) | 一种动力舱状态实时监控评价方法 | |
| CN116091786B (zh) | 猪只估重的全息体尺自编码方法、系统、设备及存储介质 | |
| CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
| CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
| CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
| 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 | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN116052211A (zh) | 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及系统 | |
| CN113239800B (zh) | 目标检测方法及目标检测装置 | |
| CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 | |
| Li et al. | On deep learning models for detection of thunderstorm gale | |
| CN113296072B (zh) | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 | |
| CN114549589A (zh) | 一种基于轻量化神经网络的旋转体振动位移测量方法及系统 | |
| CN114549536A (zh) | 一种基于注意力机制的微生物菌落分割方法 | |
| CN111931596A (zh) | 一种基于代数图论的群目标分群方法 | |
| CN113962928A (zh) | 一种基于多尺度特征蒸馏的缺陷检测方法、装置及介质 | |
| JP2020144619A (ja) | 異常検知装置及び異常検知方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |