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.
引言
火電廠運行現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節，這些環節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”現象就存在于這些重要的管道和設備上，為保證設備安全穩定，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場“跑冒滴漏”現象的自學習與自診斷也有了深入的研究。快速基于區域的卷積神經網絡（Faster Region-based Convolutional Network，Faster R-CNN）、基于區域的全卷積網絡（Region-based Fully Convolutional Network，R-FCN）、單次多邊框檢測（Single Shot MultiBox Detector，SSD）、YOLO（You Only Look Once）等算法與傳統目標識別算法相比[3]，具有從大量圖像數據中自動學習目標特征、不用設計特征提取器等優勢，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，實現了設備跑冒滴漏現象識別并及時向運行人員發送警報。攝像頭監控、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，極大地減輕了現場巡檢人員工作[5]。但這些研究往往基于原有的算法和數據庫，對于現場環境復雜、泄漏情況多樣的現象識別率不高，會出現漏檢或錯檢情況，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，并將模型存儲在統一數據平臺中，最終實現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://www.tom3567.com/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.中國電子信息產業集團有限公司，廣東 深圳 518057）
