基于5G通信与改进YOLOv5的智能炉窑测温系统研究

王发 麻瑞 袁山山 王志富

摘  要：目前石灰炉窑的测温技术大多依赖于人工测温，不仅耗时费力并且精度较低，无法及时发现潜在危险。针对该问题，提出基于5G通信与改进YOLOv5的智能炉窑测温系统，通过5G通信传输远红外和可见光视频数据，进一步采用改进的YOLOv5算法检测标定块，从而定位石灰窑的温度异常区域，设计并实现了基于5G通信与改进YOLOv5的智能炉窑测温装置，最后将其集成在一个在线系统平台上，实现了对窑体温度的实时监测，保证了测温的实时性、准确性以及全覆盖性。

关键词：5G通信；目标检测；YOLOv5算法；智能测温；石灰炉窑

中图分类号：TN391.4；TF068 文献标识码：A 文章编号：2096-4706（2023）10-0001-05

Abstract： At present， the temperature measurement technology of lime kiln mostly relies on manual temperature measurement， which is not only time-consuming and laborious， but also has low precision， and can not find the potential danger in time. To solve this problem， an intelligent furnace temperature measurement system based on 5G communication and improved YOLOv5 is proposed. By transmitting far-infrared and visible video data through 5G communication， the improved YOLOv5 algorithm is further used to detect the calibration block， so as to locate the temperature abnormal area of the limekiln. An intelligent kiln temperature measurement device based on 5G communication and improved YOLOv5 is designed and implemented. Finally， it is integrated into an online system platform to realize real-time monitoring of kiln temperature and ensure real-time， accuracy and full coverage of temperature measurement.

Keywords： 5G communication; object detection; YOLOv5 algorithm; intelligent temperature measurement; limekiln

0  引  言

在生石灰的生产过程中，最重要的工艺环节是石灰石的煅烧，石灰炉窑是该环节的核心，它的运转情况直接关系到生石灰的产量、质量和原料、燃料消耗[1]。而石灰炉窑随着生产不断运转，在运转过程中窑体的耐火材料就会出现不同程度的损失、损坏或者损耗，引起窑体局部外壁温度过高，最终导致整个窑体故障，停工停产，致使设备运营商承担巨大的经济损失。

目前，针对炉窑的测温技术大多依赖人工测温或半智能化设备，现有技术的主要缺点如下：人工测温的准确度较低，耗费时间较大，炉窑的覆盖面太过局限，测温效率很低；半智能化设备测温精度不高，且存在一定的滯后性，未实现炉窑全覆盖测温；现存装置未涉及人工智能算法、智能监测温度等，智能化处理数据水平较低。因此，本文提出基于5G通信[2]与改进YOLOv5的智能炉窑测温系统，从而更加实时、准确地监测窑体温度，可以克服传统窑体温度监测技术的准确性低、实时性差、滞后性高以及智能化水平低等缺陷。

1  基于5G通信的在线测温装置硬件设计

基于5G通信的炉窑在线测温装置是由太阳能电池板供电单元、主控单元和监测设备单元组成，通过远红外视频采集和可见光视频采集装置，实现对窑体温度的实时监测。

1.1  硬件设计

本设备采用可见光视频采集单元和远红外视频采集单元，实时采集现场的可见光视频信息和远红外图像信息，红外热像仪能够直观地显示出图像和温度信息[3]，准确度高、响应快、测量范围广，尤其适用于测高温的应用场景中，可以实时检测出窑体表面的温度，当出现温度异常区域或温度异常变化区域，可见光视频将对目标区域进行跟踪标定，能够快速找出高温的所在点。根据石灰炉窑测温系统的实际需求，设计出如图1所示的石灰炉窑温度测量装置硬件框图，其主要包括：可见光视频采集单元、远红外视频采集单元、中央控制单元、边缘计算单元、电源模块、5G通信模块和网络交换模块等。

太阳能板单元中的太阳能板在有光照的情况下，吸收光能，将光能转化成电能存储到太阳能蓄电池中。太阳能板单元由太阳能控制器和太阳能蓄电池组成。太阳能控制器的作用是保护太阳能蓄电池，防止过充过放，具有过流保护、短路保护、防雷等功能。太阳能蓄电池负责给监测设备供电，保证监测设备在室外正常工作。

主控板主要负责系统故障检测、系统逻辑控制、异常情况处理、各单元电源控制、指示灯状态控制、双备份功能单元控制等。

监测设备中可见光视频采集与红外远视频采集单元与网络交换模块互联，用于采集窑体的可见光视频和远红外视频，并传输到网络交换模块，5G通信单元与网络接口单元双向连接，通过网络交换单元与其他的单元进行数据传输。其主要用于传输可见光视频、远红外视频、边缘计算处理单元的处理结果等数据；由于5G通信单元中的网口较少，进而扩展一个网络交换单元，用以与各种网络设备进行数据交互；边缘处理的单元与网络交换单元双向连接，用于监测窑体温度异常，对温度异常区域或温度异常变化区域，在可见光视频中对目标区域进行跟踪标定，将处理结果传输至网络交换单元。

炉窑温度测量装置结构示意图如图2所示，由于窑体本身长度过长，每个窑体需安装三台装置，三台装置的安装支架都处于绿化带内且相互分离，共同作用保证窑体温度监测全覆盖。相机镜头方向需垂直于窑体，由于远红外温度测量传感器不能正对太阳，因此，为避免太阳对传感器造成伤害，监测装置的高度必须接近窑体中轴线高度，且装置镜头必须有约10至15度的俯视角。

1.2  装置功能

本装置利用5G通信技术，先将采集到的视频信息和温度信息传输到边缘处理单元，判断是否为温度异常区域或温度异常变化区域，并对目标区域在可见光视频中进行跟踪标定，若为异常，将生成报警信息和定异常区域的可见光视频一并传输给前端，点检人员通过前端数据可以直观看到疑似隐患区域，便于快速定位问题。

2  基于改进YOLOv5算法的石灰窑标定块跟踪算法

YOLO算法舍弃候选框提取阶段，采用直接回归的方法预测目标位置和类别，提高了目标检测速度[4]。YOLO系列算法经过不断的发展，为实时检测作业环境提供了算法支撑。在实际拍摄中，石灰炉窑上的标记块在整幅图像中占小，并且由于拍摄角度和外界环境因素的干扰，得到的图像存在目标边缘信息缺失的现象，导致标记块检测效果达不到实际生产要求。石灰窑标定块的定位问题在本文至关重要，只有定位到标定块的绝对位置才能确定红外图像中发生局部高温区域的位置。针对石灰窑标定块定位问题，本文利用高性能的YOLOv5算法，对石灰窑标定块在不同角度、不同光线情况下展开研究，提出了一种基于改进YOLOv5算法的炉窑标定块检测算法。

2.1  YOLOv5算法

一阶段目标检测网络YOLOv5网络结构包括输入端、Backbone、Neck、Head。在输入端，YOLOv5采用Mosaic数据增强方式[5]，对4张图片进行随机缩放、随机裁剪、随机排布后，拼接成和输入图像尺寸相同的新图像，在减少GPU耗费的同时丰富了数据集；采用自适应锚框计算，对不同的数据集给定适合该数据集的最佳锚框值；采用自适应图片缩放，对原始图像添加最少黑边，提高目标检测速度。

在Backbone中，在YOLOv5中引入Focus模块，理论上从高分辨率图像中，周期性地抽出像素点重构到低分辨率图像中，将图像相邻的四个位置进行堆叠，聚焦尺寸维度信息到通道维度，提高每个点感受野，并减少原始信息的丢失，减少计算量，增加速度；借鉴CSP模块在减少网络计算量的同时增强网络学习能力。在Neck中，采用FPN和PAN结构，FPN自顶向下传达强语义特征，而PAN则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合，提高特征表达能力。YOLOv5采用CIoU作為Bounding box的损失函数，在IoU的基础上计算预测框和真实框之间的欧氏距离作为惩罚项，通过最小化欧氏距离的方式为预测框提供移动方向，加快模型收敛，解决了预测框与真实中心重合时梯度无法有效回传问题，CIoU计算公式为：

IoU表示预测框与真实框交并比，ρ（b， bgt）表示预测框和真实框中心点的距离，c表示最小外接矩形的对角线距离，v表示长宽比相似因子，定义如下：

其中w gt，h gt，w，h分别表示真实框宽、高以及预测框宽、高。

2.2  优化策略

石灰炉窑上的标记块会随着炉窑一起转动，当标记块转动到边缘处像素占比量降低，容易出现漏检，增加检测难度；实际应用时，需要将模型部署到算力相对低下的嵌入式设备。针对以上问题，本文在YOLOv5算法的基础上作出改进，具体细节如下。

YOLOv5的Backbone采用C3结构，参数量较大，检测速度较慢，在算力较低的移动或者嵌入式设备中难以应用。当模型较大时，端上设备面临着内存不足的问题，并且这些实时检测场景要求低延迟，响应速度快。针对此问题本文提出将原主干网络替换为更轻量的MobileNetv3[6]。MobileNetv3网络结构图如图3所示，使用1×1的卷积扩张输入特征层的维度，再使用3×3的深度可分离卷积提取特征，然后将特征层通过一次全局平均池化和两次全连接获取通道所占比重，并由此调整通道权重指导注意力机制，最后使用1×1的卷积降维并与输入直接连接输出结果，改进后的网络框图如图4所示。

MobileNetv3在具有计算和求导复杂、对量化过程不友好的激活函数swish基础上提出h-swish激活函数，有效地降低了计算开销，h-swish激活函数公式为：

2.3  实验验证

本次实验数据集为自采数据集，包含300张可见光图像，300张远红外图像，具体训练步骤如下：

实验环境配置：服务器为GPU（Tesla T416G），客户端为CPU（Intel（R）CPU@3.2 GHz）。

通过图像增强后共有1 500张图像，并且按照8：1：1划分为训练集、验证集和测试集。使用labelImg工具对数据集进行标注，标注格式为yolo。

模型配置：使用MobileNetv3模块替换YOLOv5源文件中的yolo5s.yaml文件中的backbone部分；修改common.py中的模型解析文件，加入新的MobileNetv3模块。

使用YOLOv5源文件模型作为初始权重模型，调整训练参数，使模型达到最佳性能。

将模型部署到硬件设备进行测试，部分测试结果如图5所示，使用YOLOv5算法检测标记块的平均准确率为85.4%，经过改进后的算法比原算法平均准确率提高1.8%，不仅有效提高处于边缘角度的标记块准确率，同时改进后的算法的平均检测速度为每张图片120 ms，符合实时作业环境要求。

3  系统平台设计

结合石灰炉窑产线的生产工艺，研发并实现基于5G通信与改进YOLOv5算法的智能石灰窑在线测温系统平台，其可以对生产过程进行实时智能监测管控，有效提升生产线的生产效率及生产过程管控的安全性。该系统实时采集炉窑现场可见光视频和远红外图像信息，多维度分析炉窑温度数据，深度挖掘有价值信息，提前预判炉窑每个点的温度变化趋势，第一时间发现温度异常变化区域，对炉窑温度异常变化区域及异常变化趋势及时做出报警或预警决策，提醒相关工作人员结合监测数据和现场情况做出合理处置，将安全隐患消灭在萌芽状态，将企业风险降到最低，将生产事故扼杀在摇篮里。

基于5G通信与改进YOLOv5算法的智能石灰窑在线测温系统平台的主要功能有：双光视频实时显示功能、窑温实时统计功能、报警日志查询功能以及历史数据查询功能。

3.1  双光视频实时显示

前端实时在线监测装置通过石灰厂内部5G基站将现场可见光视频、远红外图像实时传输至大数据分析处理服务器，点检人员可以在监控中心实时直观查看双光视频信息，如图6所示。由于炉窑长度过长，需多套设备分段进行监测，所以，视频显示界面将分段分区域显示。每个区域的上方将对该区域最高温度点进行实时展示，更新频率为3 Hz。当出现温度异常区域或温度异常变化区域，可见光视频将对目标区域进行跟踪标定，点检人员可以直观看到疑似隐患区域，便于快速定位问题，排除隐患。

3.2  窑温实时统计

只有当炉窑自转一个圆周后，在线监测设备才可对窑体横截面360度进行无死角监测，窑体每转动一周或大于一周时，系统对横截面统计出一个温度最大值，根据窑体转速，暂定90秒统计一次，该统计数据记为实时单周期最大温度曲线。因此，曲线图每90秒刷新一次数据，用于点检人员在线直观监测炉窑表面最大温度值，便于及时发现异常温度点。此外，系统还统计了窑体中轴线实时温度曲线，窑体可视区域温度极值动态曲线以及窑体表面温度变化率曲线，如图7所示。

3.3  报警日志查询

系统后台可对报警日志进行筛选查询，可以通过时间段和报警类型对报警事件进行查询，如图8所示，其中报警类型分为高温异常和变化异常，报警事件的日志信息可以体现出报警时间、报警地点、报警设备、报警类型、报警视频等信息，当点检员关闭某个报警事件时，需手动输入报警原因及关闭措施，同时上传相关附件为后期报警追溯做存档。

3.4  历史数据查询

工作人员可通过系统客户端查询历史数据信息，如图9所示，由于原始温度数据、视频数据都保存在相应的数据库和流媒体服务器中，因此，设备管理人员可通过多种筛选条件，检索历史数据，具体条件包含時间段、窑体位置、温度类型等。同时可以根据时间点、窑体位置打印点检报告。此外，还可查看历史数据信息的窑体温度详情，如图10所示。

4  结  论

本文提出的基于5G通信与改进YOLOv5的智能炉窑测温系统很大程度提升了传统石灰生产效率，在“人工智能+”的浪潮下，真正将智能智造应用于传统生产线，顺应国家产业发展趋势，习近平强调，我国经济已由高速增长阶段转向高质量发展阶段，正处在转变发展方式、优化经济结构、转换增长动力的攻关期，迫切需要新一代人工智能等重大创新添薪续力。该系统恰恰体现了深度学习、跨界融合、人机协同、自主操控等新特征，使企业在安全运转、提升效率、节能减员等方面都有质的飞跃。

参考文献：

[1] 蔡博峰，曹东，刘兰翠，等.中国石灰生产和能源消耗分析 [J].环境工程，2012，30（1）：124-127+131.

[2] 杜海涛.5G通讯的技术现状及面临的挑战 [J].大众标准化，2020（22）：197-198.

[3] 储李德，张丹林，王加峰.远程红外测温仪在窑炉上的应用分析 [J].新世纪水泥导报，2014，20（2）：9-11.

[4] REDMON J，DIVVALA S，GIRSHICK R，et al. You Only Look Once： Unified， Real-Time Object Detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas：IEEE，2016：779-788.

[5] BOCHKOVSKIY A，WANG CY，LIAO HY M. YOLOv4： Optimal Speed and Accuracy of Object Detection [J/OL].arXiv：2004.10934 [cs.CV].（2020-04-23）.https：//arxiv.org/abs/2004.10934.

[6] KOONCE B. Mobilenetv3 [M]//KOONCE B.Convolutional Neural Networks with Swift for Tensorflow.Berkeley：Apress，2021：125-144.

作者简介：王发（1970—），男，汉族，黑龙江齐齐哈尔人，高级工程师，本科，研究方向：建构筑物检测技术；麻瑞（1998—），女，汉族，甘肃平凉人，硕士在读，研究方向：计算机视觉；袁山山（1999—），女，汉族，陕西西安人，硕士在读，研究方向：数字图像处理；王志富（1996—），男，汉族，陕西延安人，硕士在读，研究方向：嵌入式系统。