[发明专利]一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法

说明书

本发明公开了一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，判断放空火炬工作状态。该网络首先由三个串联的金字塔模块构成，这三个金字塔块由3、4和5个基本卷积模块组成。然后，在每个金字塔模块中引入注意机制进行特征滤波。最后，通过反向辐射连接各金字塔模块的所有前馈输出，系统全面融合低、中、高层特征。基于反向辐射注意力金字塔网络的烟雾多分类识别方法属于大气环境保护领域和机器学习领域。

技术领域

本发明涉及一种对火力发电系统工作状态的识别方法，尤其涉及基于反向辐射注意力金字塔网络的烟雾多分类识别方法，属于大气环境保护领域和机器学习领域。

背景技术

电的发现和广泛使用是第二次技术革命的结果，也是第三次技术革命的资本，给人类生活带来了许多便利。常见的发电方式主要包括火电发电、太阳能发电、核能发电、风力发电等。但太阳能发电的成本太高，无法实现大规模使用；核能发电容易对环境造成不可恢复的污染；风力发电受到风力和地形的限制。因此，截至目前火电仍然是发电方式中主流的方法。

为了更好地维护生活生产的安全，保护生态环境，火电系统产生的废气应完全燃烧后通过放空火炬排放到大气中。在正常工作状态下，热力发电系统放空火炬应产生白烟(即水蒸气)。但当放空火炬排放黑烟(即炭黑)或无色烟(即有毒气体)时，即超出了火力发电行业所规定的不可恢复的程度，导致火电系统运行异常，造成严重的安全风险和环境问题。具体来说，黑烟是由废气的不完全燃烧造成的，容易对公众健康和生态环境造成致命的危害。无色的烟雾很可能意味着有毒的废气未经处理就直接排放到空气中，这通常会导致严重的空气污染。因此，需要设计良好的烟气识别模型来监测火力发电系统的工作状态，从而保护人体健康和生态环境。近年来，随着深度学习的飞速发展，它在许多重要的任务中都得到了成功的应用。深度卷积网络提取的特征比传统手工提取的特征具有更好的表征能力，这一点已经得到研究人员的广泛的认可。

CN201910319875.0公开了一种基于深度学习的变电站烟火智能识别监测方法，该方法将YOLO v3的框架作为基础进行优化，采用图像数据集完成图像识别模型的构建和训练；此外，该方法还利用视频数据训练伪三维卷积残差网络，完成视频识别模型的构建和训练；通过将提取视频流以及图像预处理之后，送入图像识别模型，当检测到烟雾存在时，则自动调用视频识别模型进行二次复检，核验检测结果。

CN201611116917.3公开了一种基于RGB重构的森林图像切割后的火焰/烟雾识别方法，该方法利用火焰、烟雾区域与背景区域RGB三分量值的不同破坏背景区域，并不断缩小待检测区域；经过强化火焰特征的修正灰度公式处理之后，再经过滤波、切割、腐蚀和膨胀，依据非负元素所占比例判断出是烟雾还是火焰疑似区域；此本发明应用于森林防火中识别火焰/烟雾的场合。

尽管深度学习在识别方面已经取得了令人瞩目的成就，但在烟雾多分类识别方面的研究还十分有限。因此，迫切需要建立一种新的模型来解决烟气浓度的多分类识别问题。基于上述考虑，本发明首先研究了多分类烟雾识别问题，精心研发了一种新的基于反向辐射注意力金字塔的烟雾多分类网络，以充分利用不同层次烟雾的视觉特征，从而提高分类器分类的精准性以及算法的准确度。

发明内容

针对热力发电系统在异常运行条件下，废气燃烧不完全或未经处理，向大气中排放大量黑烟或无色有毒废气，造成剧烈爆炸和大气污染的严重问题，本发明研究了火力发电系统的工作状态并设计了一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法(IRAP-Net)。本发明采用热力发电厂监控摄像头所采集的放空火炬烟雾实时监测图像作为待检测数据，通过一个基于金字塔网络的深度学习框架进行优化，利用图像数据集进行构建和训练，得到烟雾实时监测图像的整体烟雾分类情况，完成对热力发电厂烟雾实时监测。

本发明采用的技术方案为一种基于反向辐射注意力金字塔网络的烟雾多分类识别方法，主要通过以下步骤建立：

步骤1，由烟雾实时监测视频得到待检测图像。