焦化烟火智能识别系统优化研究

杨化松，杨文灯，李 辉

(1.北京佰能盈天科技股份有限公司 北京 100096；2.济南火炬科技开发有限公司 山东济南 250000)

钢铁行业SO2、NOx的排放总量一直位于固定气态污染物发生源的前列。其中，约90%的SO2、NOx的排放来自于焦化工序[1]-[5]。焦炉烟气是指焦化过程中燃烧焦炉煤气或高炉煤气所产生的烟气[6]。由于长期粗放式发展，焦炉烟气对环境产生了严重破坏和污染，其产生的PM2.5占空气中PM2.5总量的40%-50%，作为形成酸雨的主要物质，伴生一系列生态问题[7]-[8]。因此，控制焦炉烟气硫硝污染物排放，己是摆在焦化行业面前的重大任务，需要对其进行严格控制。而传统的烟火监控装置存在着监控系统庞大，操作复杂，错报率高等问题，现针对这一现象设计了一种基于AI机器深度学习视觉分析核心技术的新型烟火在线检测系统，深度学习技术是一项计算机视觉数据处理智能技术，通过客观事物提取数据信息，深入处理，达成图像识别等功能目标[9]。此外，计算机视觉技术具有处理效率高 ，数据量大，准确度高等优点[10]。采用此项技术大大提高了焦炉烟火识别的准确率。

1 系统架构

根据客户需求，本次改造可利用现有炼焦总厂于2019年建成投用了1#、2#、3#、4#、5#、6#、7#、8#焦炉环保监控系统监控点的硬件设施，网络及存储设备，由于原摄像头的清晰度及补光原因，因此本次改进需要更新摄像机设备，把原海康DS-2CD3T25-I3改为双视红外热成像在线测温仪。烟火在线监测系统主要由系统管理平台、智能双视云台以及通信供电系统构成。系统架构图如图1所示：

图1 系统架构图

系统组成系统管理平台：由服务器、平台服务器软件、AI深度学习算法等组成，能同时管理所有接入平台的智能双视云台，提供简洁、易操作的人机交互界面，具有数据存储、分析、展示的功能；

智能双视云台：搭载可见光相机、红外热成像仪，负责对现场设备进行数据采集；

通信供电系统：集成通信模块和供电模块，为智能双视云台供电和提供通信线路，并通过专用网络与系统管理平台连接，实现平台与前端之间的数据交互。允许手机移动端小程序随时查看智能识别结果和报警信息，通过微信公众号通知管理人员及时报警，支持管理人员远程办公，PC端实时呈现报警信息集成报表统计功能，支持工控室值班人员现场监控。

2 工作原理

本方案的基础为基于AI机器深度学习视觉分析核心技术应用于生产现场，采用深度学习方法实现智能检测提供软硬件一体的方案，实现对监控区域内的烟火和火焰在线识别，包括动态识别视频监控区域画面中烟火和火焰的存续时长、形态大小、状态变化等。同时可以立即将报警信息传送给相关管理人员，以便及时处理。将事故防范由被动变主动，使事故在中期或前期得到有效处理。相比于传统算法，本算法适用性更强、准确率更高，并随着数据增多可以不断提升识别准确率。

2.1 算法流程

烟火检测系统流程由神经网络训练、烟火检测实现两个部分组成。算法的整体流程如图3所示。上部分为训练神经网络的过程，原始图像数据集进行预处理后，进行卷积神经网络训练，得到训练完成网络模型。下部分为检测烟火，对原始视频流进行运动检测后，完成目标图像预处理，对提取出的运动目标进行识别。若检测出烟火，则对其图像进行标记并报警。

图3 算法流程

2.2 视频运动检测

由于火情发生时，烟火处于运动状态。通过检测监控视频中运动对象，初步提取疑似烟火目标。但由于烟火运动得比较缓慢，传统的光流法、帧插法、背景插法等运动检测算法检测效果不佳。本文系统采用帧插与背景插法相结合的方式，可以精准实现视频运动检测。

首先对全部的n帧进行三帧插处理，即在具有n帧的连续视频片断中的第i帧与i-1帧、i+1帧这3帧之间做两两帧插，帧插公式如下[11]：

(1)

其中，Ki为帧插后的结果；T为Ostu法确定的阈值。对第i帧和其三帧插处理结果做与运算，得到第i帧的三帧插结果Di，再将同一阈值内多帧的三帧插结果叠加得到结果D。公式如下:

(2)

对连续视频流中的n帧取平均作为背景B，然后提取第k帧对其做背景插运算，公式如下:

(3)

其中背景模型需要随着时间推进不断更新，式(4)为背景更新的公式其中为背景学习率。

(4)

最后对三帧插结果D与背景插结果进行或运算，结果即为运动检测结果。接着将检测到的运动目标区域送入深度学习模型检测。

2.3 数据预处理

为实现深度学习模型训练，需要对大量图像数据进行特征分析。然而，通常一个图像数据除包括关键特征信息，还包含大量冗余数据，大大限制了系统运算效率。由于本系统需对烟火进行实时监控预警，要求算法具有较高的运算效率，运算结果能够实时呈现。因此，为了减少无关特征影响和系统运算量，对图像数据进行预处理，即利用经验值法[11]灰度化处理，再通过主成分分析算法(PCA)数据降维，保证系统运算效率。

PCA算法可以将高维数据投射到低维空间，即是一种通过较少的维度表示高维信息的运算方法，并且运算结果会保留贡献较大的数据特征，从而实现图像数据降维。设一幅烟雾图像灰度值向量为xi，训练过程中的数据集为{x1,x2,x3,x4,…,xN}，通过式(1).式(2)计算数据集平均向量和数据集的协方差矩阵cov(X,Y)。

(5)

(6)

通过计算得到协方差矩阵的特征向量ui和对应特征值λi。为减少无关特征的影响，将特征值λi按大小顺序进行排列，只保留较大特征值，得到主成分构成的维数为M×d的降维子空间变换矩阵U=(u1,u2,…, ud)，之后将烟雾样本图像向该子空间进行投影得到维数为d×1的低维向量y:

y=UTx

(7)

将得到的一组低维向量L作为烟雾识别的训练数据集,在烟雾检测过程中，对输入的一个测试样本x ，求出它与数据集中平均样本的偏差，通过式(4)得到其在主特征子空间中的投影向量y：

(8)

2.4 卷积网络模型构建

卷积神经网络(CNN)是一种智能识别图像的深度学习架构，广泛应用于人工智能领域。通过大量图像对卷积神经网络进行模型训练，初步提取目标对象特征，对提取目标进行检测识别。本文对数据预处理后的图像数据集进行CNN训练，提取数据集中具有烟火特征的图像，并配合Inception Resnet v2[13]网络模型识别烟火图像。在基于TensorFlow[14]的多GPU支持下，极大地缩短了烟火特征提取时间，提高系统运算效率。

2.4.1 基本卷积神经网络原理

卷积神经网络是一个利用反向传播算法进行特征训练的多层神经网络，通常由输入层、卷积层、池化层和完全连接层以及输出层组成。图4展示了一个卷积神经网络的基本结构。根据不同需求可构建多层神经网络，以识别高级特征，解决复杂问题。但伴随网络层数增加，增加了运算效率低、能耗大、网络退化的倾向。

图4 卷积神经网络模型

2.4.2 网络模型构建

为提高运算速度、降低能源消耗，解决网络退化问题，对基于Inception Resnet v2网络模型的神经网络进行优化：增加卷积网络层数；利用Resnet残差块尽可能避免网络退化、降低资源消耗；利用Inception结构和全局池化层提高烟火特征提取精度、运算效率。

3 烟火识别的实现与分析

3.1 数据集准备

收集1000张包含烟火的图像和500张其他干扰图像作为训练数据，选取1000张作为训练数据集，500张作为测试数据集。将全部训练数据集和测试数据集图像进行数据预处理，再进入深度学习网络模型进行训练。

3.2 模型训练

通过深度学习网络模型对数据集进行训练，同时利用Tensorboard可视化工具观察分析其训练过程。

3.3 结果分析

训练结束后，使用模型对图像进行识别。为检验算法在焦炉实时烟火检测过程中的效果，此处选取了3段不同位置(焦炉顶、焦侧、机侧)的烟火视频，共有52300帧，其中有烟火的帧数为37201帧，实验结果如表1所示。焦化烟火智能识别系统的平均识别准确率高达92.3%，成功实现了焦化生产中烟火识别监控的目的。

表1 烟雾识别准确率

4 结论

本烟火识别系统实现了焦炉生产监控区域内的烟火识别，不需依赖其他传感设备，直接对视频监控区域的画面的烟火和火焰均可及时准确识别，在发现烟火图像后可立即分析并报警。

系统识别设备可及时将报警信息推送给相关管理人员，协助管理人员全天二十四小时对监控区域的火焰情况进行实时分析，并对异常烟火和火焰进行报警提醒。系统具有很强的适应能力、并且运行稳定，便于安装。

本系统可与更多的行业第三方集成，将实现多功能的物联网智能化应用。

基于深度学习火苗，大火、烟柱、浓烟目标检测算法以及海量样本训练，本文系统实现了烟火的实时监控，平衡了算法准确率和运算效率，识别准确率超过90%。