现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over U...现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。展开更多
燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行...燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行,提出一种基于遗传算法优化超参数的深度神经网络模型(deep neural network model with its hyperparameters optimized by genetic algorithm,GA-DNN),通过构建炉内风煤侧及汽水侧运行参数与屏过30片管屏出口温度之间的映射关联,对屏过超温进行分析和预测。该模型可实现对不同负荷工况下屏过温度分布的准确预测,在此基础上能够以97.5%以上的准确率识别出当前及未来5 min屏过超温(>550℃)的运行工况,同时可在89.2%的准确率下预测出未来5 min屏过超温最严重的管屏所在区域。展开更多
文摘现有的烟火检测方法主要依赖员工现场巡视,效率低且实时性差,因此,提出一种基于YOLOv5s的复杂场景下的高效烟火检测算法YOLOv5s-MRD(YOLOv5s-MPDIoU-RevCol-Dyhead)。首先,采用MPDIoU(Maximized Position-Dependent Intersection over Union)方法改进边框损失函数,以适应重叠或非重叠的边界框回归(BBR),从而提高BBR的准确性和效率;其次,利用可逆柱状结构RevCol(Reversible Column)网络模型思想重构YOLOv5s模型的主干网络,使它具有多柱状网络架构,并在模型的不同层之间加入可逆链接,从而最大限度地保持特征信息以提高网络的特征提取能力;最后,引入Dynamic head检测头,以统一尺度感知、空间感知和任务感知,从而在不额外增加计算开销的条件下显著提高目标检测头的准确性和有效性。实验结果表明:在DFS(Data of Fire and Smoke)数据集上,与原始YOLOv5s算法相比,所提算法的平均精度均值(mAP@0.5)提升了9.3%,预测准确率提升了6.6%,召回率提升了13.8%。可见,所提算法能满足当前烟火检测应用场景的要求。
文摘燃煤锅炉普遍采用空气分级燃烧技术,此举虽可大幅降低NOx生成,但造成炉内火焰中心上移,导致屏式过热器(屏过)管壁超温严重。此外,调峰运行使锅炉负荷经常性不规则变化,进一步恶化了屏过传热,使爆管泄漏事故频发。为指导锅炉安全可靠运行,提出一种基于遗传算法优化超参数的深度神经网络模型(deep neural network model with its hyperparameters optimized by genetic algorithm,GA-DNN),通过构建炉内风煤侧及汽水侧运行参数与屏过30片管屏出口温度之间的映射关联,对屏过超温进行分析和预测。该模型可实现对不同负荷工况下屏过温度分布的准确预测,在此基础上能够以97.5%以上的准确率识别出当前及未来5 min屏过超温(>550℃)的运行工况,同时可在89.2%的准确率下预测出未来5 min屏过超温最严重的管屏所在区域。
