一种极早期煤堆自燃检测方法技术

本发明专利技术涉及一种极早期煤堆自燃检测方法，包括：采集煤堆的实时图像；部署基于改进的Yolov5s算法构建煤堆极早期自燃点识别模型，并对煤堆的实时图像进行识别处理；在识别出自燃点时进行告警。本发明专利技术的有益效果是：本发明专利技术提供的极早期煤堆自燃检测方法能够有效检测煤场自燃点，并在识别自燃点后告警，极大降低了煤场火灾的风险；并提升小目标检测能力，自燃点的检测精度较高。燃点的检测精度较高。燃点的检测精度较高。

【技术实现步骤摘要】
一种极早期煤堆自燃检测方法


[0001]本专利技术涉及煤堆检测
，更确切地说，它涉及一种极早期煤堆自燃检测方法。

技术介绍

[0002]在煤场中，煤堆的自燃现象无法避免，发生煤堆自燃事件后若不及时处理，极易引发较大的火灾事故，造成人员安全问题和财产的损失，因此对于煤堆的早期自燃状况识别和现场消防设备的快速反应，是煤场消防中的重要部分。
[0003]近几年来，火电厂煤场已逐步开始进行封闭煤场的改造，由于在封闭煤场之中环境视线和空气流通性均不如露天煤场，加上煤堆自燃时会产生大量有害气体，如一氧化碳，使得消防人员的安全受到威胁，导致煤场消防的效率低下，因此对于煤场的消防更多采取现场设备自动消防的方式，目前对于封闭煤场自动消防的方式主要有两类：
[0004]一，通过封闭煤场安装大量传感器结合现场消防设备的模式，该模式是目前较为主流的方式，其主要的传感器包含了烟尘传感器，感温光缆，火焰探测器和温度传感器等。但该模式主要的问题在于在检测时需要煤堆自燃的严重程度达到其阈值时才能触发报警，具有一定的滞后性；其次这些传感设备探测范围有限，需要在现场进行大规模部署，且这些传感器的损坏率比较高，造成了后期维护的成本很大；此外，这些传感器的无法对自燃点进行定位，一旦发现煤堆自燃现象会触发该区域所有消防设备对区域内全部煤堆进行喷水降温，使得煤堆的潮湿度增大，提高了发电的成本。
[0005]二，通过煤场安装的可见光摄像头结合图像检测算法的模式，该模式主要依靠现场摄像头结合近几年发展迅速的深度学习算法对煤堆中的火苗点和烟雾点进行检测，加上其他的一些传感器，综合判断煤堆中是否有自燃点。这种方式相对于上一种模式可以较为精确地计算出自燃点的大小和位置，处理时间较短可以对现场情况作出较快的反应，其次，该模式基于图像检测，探测范围较广无需大规模部署，后期维护成本较低。但是该方式的缺点也十分明显，一方面，煤堆自燃初期自燃点目标较小加上探测设备的精度限制，导致现有的目标检测算法难以对煤堆自燃初期的微小型自燃点进行有效探测，容易出现漏检的问题；另一方面，由于深度学习算法的模型较大，常见的模式是在后端服务器上进行部署，但煤场的恶劣环境容易造成通信受阻的问题，导致后台无法实时接收到现场的图像，造成火灾漏检的隐患，因此对煤堆自燃识别模型的轻量化使其可以在边缘端部署的需求也日益凸显。

技术实现思路

[0006]本专利技术的目的是克服现有技术的不足，提供了一种极早期煤堆自燃检测方法。
[0007]第一方面，提供了一种极早期煤堆自燃检测方法，包括：
[0008]步骤1、采集煤堆的实时图像；
[0009]步骤2、部署基于改进的Yolov5s算法构建煤堆极早期自燃点识别模型，并对煤堆
的实时图像进行识别处理；所述改进的Yolov5s算法的特征提取层的最后一个特征提取网络中加入Transformer模块；所述改进的Yolov5s算法的Neck层更换为BiFpn；所述改进的Yolov5s算法的特征提取层中的C3网络结构更换为ShuffleNetV2；
[0010]步骤3、在识别出自燃点时进行告警。
[0011]作为优选，步骤2中，所述改进的Yolov5s算法在原有的大目标、中目标和小目标的分类基础上，增加微小目标，所述微小目标的特征点面积为所述小目标的特征点面积的四分之一。
[0012]作为优选，步骤2中，所述Transformer模块包括编码器与解码器，所述编码器由多个相同的网络层组成，每个网络层下辖多头自注意力网络和全连接层前馈网络；所述多头自注意力网络表示为：
[0013][0014]其中，Q、K、V分别为输入的主语向量、关键词和上下文向量，且Q、K、V取值相同，W
i
为权重矩阵，Multihead表示多头机制，head
i
表示第i个头，Attention表示注意力机制。
[0015]作为优选，步骤2中，编码器与解码器分注意力计算采用带缩放的点积注意力机制，表示为：
[0016][0017]其中，d
k
为Q和K的向量维度，softmax为归一化指数函数。
[0018]作为优选，步骤2中，引入BiFpn，通过特征值权重的学习来得到不同特征的重要性，进而获取图像重要信息，对于任一的特征块的融合计算表示为：
[0019][0020]其中，代表特征块P3的输入，代表特征块P3的输出，代表自顶向下路径中第3级的中间特征，w
i
为输入特征值的权重，w
i
′
为输入特征值的权重，ε是小值，Resize是用于分辨率匹配的上采样或下采样。
[0021]作为优选，步骤2中，特征值的权重为标量、向量或者多维度的张量；在特征值的权重为标量时，需要进行归一化的处理，表示为：
[0022][0023]其中，O为输出，I
i
为每个特征点输入。
[0024]作为优选，步骤2中，采用Jetbot系列嵌入式芯片作为煤堆极早期自燃点识别模型加载的平台。
[0025]作为优选，步骤2中，通过现场的可见光摄像头采集煤堆的实时视频流，同时煤堆
极早期自燃点识别模型会将视频流拆分成单帧并实时进行分析处理判断煤堆中是否有自燃点，一旦发现自燃点，则会定位其位置，并将煤堆现场情况和自燃点信息分别发送至后台和控制芯片。
[0026]第二方面，提供了一种极早期煤堆自燃检测装置，用于执行第一方面任一所述极早期煤堆自燃检测方法，包括：高清摄像头、辅助传感器、AI算法模块、数据传输模块和核心控制模块，所述数据传输模块与高清摄像头、辅助传感器、AI算法模块、核心控制模块之间通信连接；所述极早期煤堆自燃检测装置的安装位置位于煤场的消防设备。
[0027]作为优选，所述辅助传感器包括煤场安装的温度传感器、一氧化碳传感器和感温光缆。
[0028]第三方面，提供了一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述极早期煤堆自燃检测方法。
[0029]第四方面，提供了一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述极早期煤堆自燃检测方法。
[0030]本专利技术的有益效果是：
[0031](1)本专利技术提供的极早期煤堆自燃检测方法能够有效检测煤场自燃点，并在识别自燃点后告警，极大降低了煤场火灾的风险。
[0032](2)本专利技术将原有的Yolov5的大中小目标的检测的基础上增加微小目标类检测，提升小目标检测能力，进而自燃点的检测精度较高。
[0033](3)本专利技术基于图像特征提取，能够在可视程度较差的情况下检测煤场自燃点。
[0034](4)本专利技术提供的煤堆自燃点检测模型在边缘端进行部署，能够保证现场消防设备在断网的情况下正常运行，进而具有较高的稳定性。
附图说明
[0035]图1为煤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极早期煤堆自燃检测方法，其特征在于，包括：步骤1、采集煤堆的实时图像；步骤2、部署基于改进的Yolov5s算法构建煤堆极早期自燃点识别模型，并对煤堆的实时图像进行识别处理；所述改进的Yolov5s算法的特征提取层的最后一个特征提取网络中加入Transformer模块；所述改进的Yolov5s算法的Neck层更换为BiFpn；所述改进的Yolov5s算法的特征提取层中的C3网络结构更换为ShuffleNetV2；步骤3、在识别出自燃点时进行告警。2.根据权利要求1所述的一种极早期煤堆自燃检测方法，其特征在于，步骤2中，所述改进的Yolov5s算法在原有的大目标、中目标和小目标的分类基础上，增加微小目标，所述微小目标的特征点面积为所述小目标的特征点面积的四分之一。3.根据权利要求1所述的极早期煤堆自燃检测方法，其特征在于，步骤2中，所述Transformer模块包括编码器与解码器，所述编码器由多个相同的网络层组成，每个网络层下辖多头自注意力网络和全连接层前馈网络；所述多头自注意力网络表示为：其中，Q、K、V分别为输入的主语向量、关键词和上下文向量，且Q、K、V取值相同，W
i
为权重矩阵，Multihead表示多头机制，head
i
表示第i个头，Attention表示注意力机制。4.根据权利要求3所述的极早期煤堆自燃检测方法，其特征在于，步骤2中，编码器与解码器分注意力计算采用带缩放的点积注意力机制，表示为：其中，d
k
为Q和K的向量维度，softmax为归一化指数函数。5.根据权利要求1所述的极早期煤堆自燃检测方法，其特征在于，步骤2中，引入BiFpn，通过特征值权重的学习...

【专利技术属性】
技术研发人员：王战，周郅皓，徐洁，张英驰，吴孚辉，陈跃明，
申请(专利权)人：浙江浙能嘉华发电有限公司，
类型：发明
国别省市：