基于Parallelogram-YOLOv4的火电厂雨排口污染物识别方法技术

本发明专利技术涉及一种基于Parallelogram

【技术实现步骤摘要】
基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法


[0001]本专利技术涉及图像处理
，尤其是涉及一种基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法。

技术介绍

[0002]随着社会的进步和经济的发展，人们对于生活质量的要求不断提高，相应的对环境保护的需求也随之升高。新能源的发展在一定程度上缓解了传统火电厂运行时对于环境污染的压力。但是火电厂在发电环节中仍然处于主导地位，世界上仍以火力发电为主要发电方式。因此如果想要解决能源与环境治理间的冲突，如何减小火电厂对于环境的负面影响是一个重要的突破点。
[0003]在环境保护方面，近年来火电厂的环境保护得到了社会的广泛关注。在火电厂中，油在润滑、液压传递等方面发挥着重要作用，但在火电厂的运行和检修过程中难免发生漏油等现象，若不能快速发现并对泄漏的油污进行回收处理，可能造成环境污染，加大河流对于污染物的消化压力。近些年来火电厂多次发生污染物泄漏的情况，主要是污水从雨排水系统排入护厂河污染护厂河环境，由于护厂河连通长江等水域，当污染物泄漏严重时甚至可能对较远的水域造成污染。近年来主要污染原因有以下几方面：电厂重油库积油进入油库雨排水沟，经降雨冲刷进入护厂河；检修期间，部分设备冲洗废水，如铁锈水汇入护厂河影响河水环境；施工单位将泥浆水直接排入雨排水系统；脱硫废水产生泄漏，污染了附近路面；其他还有泥浆水外泄和油污泄漏等多种情况。
[0004]针对火电厂雨排口的传统监测方式为人工巡检，但在雨排口复杂的现场环境中，人工巡检不但浪费大量人力，还有很多危险因素威胁巡检工作人员的人身安全。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法，该方法包括下列步骤：
[0008]S1：在火电厂雨排口安装高清摄像头进行实时监测，在调整高清摄像头为固定角度后，按一定的时间间隔截取现场环境图像，通过对现场环境图像进行切割获取水域的待监测位置图像，并将现场环境图像作为原始图像保存至管理系统服务器。
[0009]S2：将现场的图像通过通信协议传送到预警系统服务器并在预警系统服务器保存原始图像，将涉及到的路径图像等信息保存在数据库中。路径图像通过FTP得到，用于提取待检测图像。
[0010]S3：利用图像分析和处理方法，在程序中对保存的图像进行加工处理，使图像满足识别网络的输入要求。
[0011]S4：预警系统服务器在后台通过Parallelogram
‑
YOLOv4目标检测算法对原始图像进行识别，得到初步的识别信息和识别后框定目标物体的识别图像。
[0012]在本专利技术中，所述Parallelogram
‑
YOLOv4目标检测算法是在YOLOv4算法的基础上，采用平行四边形锚框代替基于YOLOv4算法中的矩形锚框作为候选框，针对监控摄像头从倾斜角度拍摄的图像进行图像识别。
[0013]S5：通过图像后置处理技术对识别后图像和信息进行进一步加工。
[0014]S6：针对火电厂现场环境，当检测到油污后，电厂使用油毡吸收雨排口油污，防止大雨等因素将雨排口油污排入河流中。因油毡排布密集，当出现油毡时使用NMS算法难以统计油毡数量，相邻油毡难以正确识别，采用Soft
‑
NMS算法，提高识别油毡类别的能力和油污分布识别的准确性。
[0015]S7：将最终检测信息通过数据交互在预警系统服务器的监控页面展示，其中包括经过数据分析后的环境信息、原始图像和框定的最终图像。
[0016]进一步地，S1中，考虑到多口检测和图像清晰度较高，需要较大的检测成本，Parallelogram
‑
YOLOv4目标检测算法在检测高清图像时仍可实现每秒十帧以上的检测速度，又因短时间内现场环境变化不明显，作为优选方式，选取每分钟一帧图像进行检测，在该速度下主服务器使用率小，扩展性强。
[0017]进一步地，S2中，通过TCP协议进行图像的实时传输。
[0018]进一步地，S3在图像加工处理过程中，采用Mosaic图像增强技术和Mixup图像增强技术增加batch并提升检测模型的鲁棒性，在实际检测时只需对原始图像进行切割提取操作，将图像缩放为416*416大小，并对标记框采取相同比例缩放。
[0019]进一步地，S4的输入为将待检测图像经过处理后的图像，像素为416*416*3，通过网络提取后得到13*13、26*26、52*52三个特征图，其深度代表了预测信息，主要预测的参数为xywh四个偏移量、对应类别的概率和物体置信度C，每个像素点根据初始采用聚类获得的三个box进行最终位置调整，最后得到包含大量box的预测结果列表。
[0020]S4在网络训练阶段选取的参数为：learning_rate(学习率)＝0.01，decay(学习率衰减)＝0.0005，epoch(代)＝500，类别数为12且输出的特征大小为13*13*51、26*26*51和52*52*51。
[0021]针对网络训练的输出，前两维数据输出的是高和宽，对应的是将原像素图像提取特征后的特征图的平面大小，第三维数据输出的是深度，其参数代表每一像素点的预测信息值。
[0022]深度的计算公式为：
[0023]Deep＝3*(4+1+classes)
[0024]式中，系数3表示有三个预设框，4代表中心点坐标和长宽的偏移量，1表示该像素点对应预设框的置信度，classes代表类别数量。
[0025]网络根据以上参数计算损失函数，并使用Focal loss解决在预测过程中正负样本比例不均衡的问题，降低了负样本在简单训练时在整体训练过程中所占的权重。Focal loss损失函数的计算公式为：
[0026][0027]其中y表示样本标签，y
k
表示正类概率。
[0028]网络采用CIOU作为计算最终损失的IOU(Intersection over Union，重叠度)的损失函数，在网络设计过程中应用于最后计算总损失函数时。在计算NMS或其他中间过程参数时仍采用原始的IOU损失函数。
[0029]进一步地，网络采用网格作为背景存放参数计算中心点横坐标b
x
、纵坐标b
y
、长b
h
、宽b
w
和角度cota
p
五个参数的偏移量，其计算公式分别为：
[0030]b
x
＝σ(t
x
)+c
x
[0031]b
...

【技术保护点】

【技术特征摘要】
1.基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法，其特征在于，包括下列步骤：1)在火电厂雨排口安装高清摄像头进行实时监测，从现场高清摄像头获取实时图像信息，对图像进行切割，获取水域的待监测位置图像并保存至管理系统服务器中；2)将获取水域的待监测位置图像通过TCP协议实时传输至预警系统服务器，并在预警系统服务器保存原始图像，将涉及到的路径图像信息保存在预警系统服务器数据库中后，采用Mixup和Mosaic图像增强技术对获取的图像进行预处理；3)所述预警系统服务器采用Parallelogram
‑
YOLOv4算法，取每分钟一帧的预处理后图像进行识别检测，获取识别结果，若针对火电厂现场环境识别检测到油污，则对识别结果采用Soft
‑
NMS进行后置处理；4)将识别结果信息保存在本地数据库并上传到监控服务器实时展示。2.根据权利要求1所述的基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法，其特征在于，步骤3)中，采用Parallelogram
‑
YOLOv4算法对预处理后的图像进行识别检测的具体内容为：采用平行四边形锚框代替基于YOLOv4算法中的矩形锚框作为候选框，针对监控摄像头从倾斜角度拍摄的图像进行识别。3.根据权利要求2所述的基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法，其特征在于，步骤3)中，在Parallelogram
‑
YOLOv4算法的网络训练阶段选取的参数为：学习率learning_rate＝0.01，学习率衰减decay＝0.0005，代epoch＝500，类别数为12，且输出的特征大小为13*13*51、26*26*51和52*52*51。4.根据权利要求3所述的基于Parallelogram
‑
YOLOv4的火电厂雨排口污染物识别方法，其特征在于，Parallelogram
‑<...

【专利技术属性】
技术研发人员：周洋，彭道刚，张皓，高义民，林红英，王永坤，李红星，戚尔江，朱春建，王丹豪，杨亦良，
申请(专利权)人：宝山钢铁股份有限公司，
类型：发明
国别省市：