基于YOLOv5s的電廠蒸汽泄漏檢測研究

葉劍青，汪義賀，母久狀，吳冰，朱峰

（國能神皖池州發電有限責任公司，安徽 池州 247100）

0 引 言

電廠運行過程中，管道的正常輸送和日常維護關乎發電過程是否能夠順利進行、電力系統是否能夠穩定運行。在日常生產過程中，蒸汽管網中一般為高溫高壓的蒸汽流體，發生泄漏時，會影響蒸汽管道的正常運行，同時，泄露一般依靠運營人員日常巡檢發現，存在安全隱患，效率不高。因此通過技術手段準確的識別出是否發生蒸汽泄漏情況具有重要意義。

針對此問題，眾多研究人員進行了大量相關的研究。早期氣體泄漏檢測主要依靠經驗人工觀測，之后發展為通過空氣或者其他氣體的氣密性檢測方法，依靠傳感器和探測器等專門的檢測裝置，通過氣體參數變化判斷泄漏情況，Rivers等[1]介紹了一種在低溫和機械載荷下通過復雜幾何結構測量泄漏的方法，該方法已被開發、校準并用于通過X-33 液氫罐結構測量氦和氫泄漏，馬胤剛等[2]將溫度傳感器與紅外熱成像儀安裝于蒸汽管路當中，形成完整的檢測系統，實現對蒸汽泄漏的定位，但溫度傳感器與紅外成像儀的安裝位置不當會影響真實管道蒸汽溫度測量和泄漏氣體輪廓的情況判斷。隨著檢測算法的發展，龔其春等[3]以超聲波原理為基礎，通過分析小孔氣體泄漏情況，通過氣體動力學分析，提出了一種微量泄露檢測方法，實現了對氣體微泄漏量的估算，王濤等[4]提出了基于帶有溫差因子的模糊核聚類分割算法，對紅外熱像圖進行圖像增強和加權差分處理，提高了對紅外熱像圖噪聲的抗干擾能力，在電廠蒸汽泄漏檢測研究中，李智華等[5]同樣利用紅外測溫傳感器識別泄漏點附近的溫度場分布，然后根據溫度場對應的紅外色譜圖進行分析，最終確定是否存在泄漏并找到泄漏點。隨著深度學習的研究和發展，基于圖像檢測的研究取得了長足的進展，2014年，Ross Girshick 等[6]提出R-CNN 模型，首次將深度學習應用于目標檢測，并將在Pascal VOC 2012 數據集上的測試結果中的重要指標均值平均精度由23.3%提升到53.3%，為基于深度學習的目標檢測任務快速發展奠定了基礎。在2016年，Joseph Redmon 等[7]提出YOLO 算法，舍棄了候選框提取階段，簡化了網絡結構，提高了目標檢測速度，基于此，基于深度學習的目標檢測算法正式開始滿足實時檢測的要求，目前YOLO 系列算法得到了不斷地改進和提高，在目標檢測領域擁有優秀的表現。

但是目前應用深度學習的目標檢測方法對電廠蒸汽泄漏檢測進行研究的實例較少，同時蒸汽泄漏時的特征性不強，排量不定，易受光線影響，本文依據電廠蒸汽泄漏的實時檢測要求和現場檢測需求，利用高精度，高速度YOLOv5s 目標檢測算法，針對現有電廠發生的蒸汽泄漏情況，在不同光線，不同排量情況進行了檢測研究，并從最終得到模型訓練結果，實際測試并評估檢測的效果。

1 系統網絡結構與檢測流程

1.1 YOLOv5s 算法網絡模型

目標檢測算法目前主要分為雙步檢測和單步檢測兩類，雙步檢測包括識別與定位兩部分，有較高的準確率但運算速度較慢，運算量較大；單步檢測是將識別與定位融合至同一網絡，輸入圖像可直接得到目標的類別與位置，精度損失不會太多且能夠滿足實時性要求。YOLO 系列算法屬于單步目標檢測算法，具有良好的檢測精度，運算速度快，且對硬件要求不高，目前已迭代至v5 版本。YOLOv5 算法模型主要包括4 類不同深度和寬度的網絡結構，而綜合目前的需求，選用深度最小，模型文件最小的YOLOv5s 模型進行蒸汽泄漏檢測研究，主要網絡結構由四部分組成，依次為輸入端，Backbone，Neck 和Head，如圖1 所示。

圖1 YOLOv5s 網絡模型結構

1.1.1 輸入端

（1）自適應錨框計算。錨框（Anchor）是由網絡設定的，用于框選目標的初始框設置，在YOLO 系列算法中，針對不同的數據樣本，會設置不同大小的錨框，當啟動訓練后，根據初始設定的錨框輸出預測框，將預測框與標定的真實框（Ground Truth）進行對比，比較差異后反向傳播，進而更新網絡的參數，達到訓練的目的。

因而初始錨框的設定具有重要的作用，會影響到預測框的的生成，而YOLOv5 前的YOLO 系列算法，都將該部分獨立在整體網絡代碼外，YOLOv5 算法將計算初始錨框整合到整體網絡程序中，在正式訓練時，算法能夠根據不同的數據樣本輸入，計算最佳的初始錨框，如不需要設置自適應錨框時，可將代碼中的“—noautoanchoer”參數設置為False。

（2）自適應圖片縮放。目標檢測算法在輸入端對于不同長寬的圖片，一般統一處理為同一種標準尺寸，再進行后續檢測網絡的訓練任務，實際情況中對于長寬比不同的圖片，一般進行縮放填充黑邊的方式得到輸入圖像。黑邊具體實現如圖2 所示，首先根據原始輸入圖像計算縮放比例，如圖1中輸入圖像像素為3 000×4 000 時，需要最終得到的輸入為640×640，則短邊與長邊的縮放比例分別為0.21 和0.16，選擇最小的縮放比例0.16；將原圖像按照縮放比例縮放后的應得到480×640 的縮放圖像；最后將短邊兩側對稱補充黑邊得到640×640 的網絡圖像輸入。

圖2 自適應圖像縮放原理

YOLOv5 中填充的是灰色，在網絡訓練過程中同樣是按照上述方法進行圖像輸入的縮放操作。但如果兩側的灰邊填充信息較多，則存在信息冗余，影響推理速度。在YOLOv5s 算法網絡中，默認的圖片尺寸（image size）輸入為640×640，在測試和推理過程中，對于常用的處理方法做了進一步處理和優化，采用自適應算法減少了輸入圖像的灰邊填充，明顯提高了檢測推理速度。

1.1.2 Backbone

（1）Focus 結構。YOLOv5 不同于之前的YOLO 系列算法，首次加入了Focus 結構，而Focus 結構中最關鍵的是切片的操作，例如會將4×4×3 的圖像切片為2×2×12的特征圖，如圖3 所示。在YOLOv5 算法中，若輸入為640×640×3 的圖像，采用Focus 結構，經過一系列的切片操作，得到320×320×12 的特征圖，最后經過卷積核為32的卷積層將會得到320×320×32 的特征圖[8]。

圖3 切片操作

（2）CSP 結構。CSP 結構在之前的YOLO 系列算法網絡已經應用，設計思路源于CSPNet。但與之前不同的是，YOLOv5s 算法網絡中應用了兩處CSP 結構，一處CSP1_X結構應用于Backbone 中，另一處CSP2_X 結構應用于Neck中。其中的X 表示有幾個殘差組件，以此使得算法輕量化，在減少計算量的同時又能夠提高模型的學習能力[9]。

1.1.3 Neck

（1）Focus 結構。YOLOv5 算法網絡在最初出現時，Neck 結構只由FPN 結構組成，目前的Neck 結構與YOLOv4中一樣，都采用FPN+PAN 的特征金字塔結構。FPN 結構是將高層特征與低層特征進行特征融合的結構，通過將高層特征上采樣的方式自上而下的做融合出進行預測的特征圖，增強了語義信息，而PAN 結構金字塔是對FPN 的補充，將自下而上的將低層的強定位特征傳遞上去，如圖4 所示。而上述提到的CSP 結構，YOLOv5s 的Neck 中有所使用，加強了了網絡特征融合的能力。

圖4 FPN+PAN 結構

1.1.4 Head

（1）Bounding box 損失函數。YOLOv5 中采用其中的CIOU_Loss 做Bounding box 的損失函數。CIoU_Loss，表達式如下：

其中：α表示權重，ν表示衡量長寬比的相似度，b，bgt分別表示預測框和真實框的中心坐標，兩者之間距離采用歐式距離ρ。c表示能同時包含預測框和真實框的最小包圍框的斜距[10]。

CIoU_Loss 增加了檢測真實框高度和寬度的長度數值loss，能夠使預測框和真實框的中心坐標之間的距離加速收斂，使得最終的預測框大小和位置更加接近真實框。

（2）nms 非極大值抑制。在目標檢測算法中，對于最后可能出現的同一目標出現多個預測框的問題，一般通過nms 的方法進行篩選。YOLOv4 在DIOU_Loss 的基礎上采用DIOU_nms 的方式，而YOLOv5 中仍然采用加權nms 的方式。在同樣的參數情況下，將nms 中IOU 修改成DIOU_nms，對于一些遮擋重疊的目標，確實會有一些改進。

1.2 電廠蒸汽泄漏檢測流程

綜上，蒸汽泄漏檢測主要包括檢測網絡訓練階段和檢測網絡推理階段，總體流程如圖5 所示，其中利用PyTorch 深度學習框架通過YOLOv5s 目標檢測網絡訓練公共數據集與自建數據集，達到能夠檢測蒸汽泄漏的能力，將訓練好的模型轉換為ONNX 格式，獨立利用OpenCV-DNN 模塊完成對蒸汽泄漏的實時檢測，具體實現方法在實驗結果分析中闡釋。

圖5 蒸汽泄漏檢測流程圖

2 實驗結果與分析

2.1 實驗數據與配置

2.1.1 數據來源

關于蒸汽泄漏的圖像采集工作較難，且目前還未有蒸汽泄漏的公開數據集[11]，因此通過模擬電廠蒸汽泄漏場景，收集了總共400 張圖片作為訓練和驗證數據集，采集圖像舉例如圖6 所示，分為四種場景，明亮無遮擋場景，明亮無遮擋，昏暗無遮擋和昏暗有遮擋場景。采用labelimg 工具進行標注，生成VOC 格式數據集，并轉換為能夠使用YOLOv5s算法網絡訓練的數據集格式。

圖6 四種模擬蒸汽泄漏場景圖片

2.1.2 訓練環境

實驗運行于Ubunt u20.04 環境，利用PyTorch 深度學習框架[13]完成訓練與模型轉換任務，利用OpenCV-DNN 模塊完成模型部署。具體配置如表1 所示。

表1 實驗環境配置

2.2 訓練過程與結果分析

2.2.1 訓練過程

本實驗利用YOLOv5s 網絡模型進行訓練，針對自建數據集設置訓練集與驗證集比例為9：1，預訓練模型為Yolov5s.pt，采用不同的輸入大小和Batch Size 進行實驗[14]，具體實驗參數設置如表2 所示。

表2 訓練參數配置

2.2.2 訓練結果與測試

4 種訓練結果如圖7 所示，訓練實驗結果主要由三項指標衡量，包括準確率，召回率和平均精度均值[15]，即Precision，Recall 和mAP（mean average precision）。準確率表示預測為正的樣本中有多少是真正的正樣本，即預測結果中真正的正例的比例，召回率表示樣本中的正例有多少被預測正確，即所有正例中被正確預測出來的比例，mAP 為學習的所有類別精度均值的平均值。mAP@0.5 表示將交并比IOU 設為0.5 時，計算每一類的所有圖像數據集的AP，然后所有類別求平均的值。準確率與召回率的公式依次如式（2）和式（3）所示。

圖7 不同輸入訓練結果

式中：TP 表示目標為正例，檢測結果為Positive；FP表示目標為負例，檢測結果為Positive；FN 表示目標為正例，檢測結果為Negative。

通過對比不同的輸入訓練結果[16]可以發現，同樣為訓練50 個epoch 情況下，各項指標都在20 輪左右趨于平穩或增長緩慢，四種情況下模型都有不錯的Precision，接近于1，其中640×640 輸入精度稍差；輸入為224×224 的recall 值最高為0.99，其他三種輸入的recall 值為0.86 ～0.89 之間；160×160，224×224，320×320 訓練輸入的mAP 值均能達到0.98，640×640 的輸入訓練mAP 值稍差。綜上，輸入為224×224 的訓練表現最佳。

2.3 OpenCV-DNN 模塊部署

通過YOLO v5s 算法模型訓練出的模型文件，轉換為通用的模型部署文件ONNX 格式，脫離PyTorch 環境庫，只需要OpenCV 庫[17]即可完成蒸汽泄漏檢測。將上述4 種輸入訓練出的網絡模型，通過YOLOv5 算法中的export 文件，轉換為ONNX 格式模型文件，通過編寫使用OpenCV-DNN模塊，實現對蒸汽泄漏視頻流的檢測，其中通過綜合比較，輸入圖像尺寸為224×224 的ONNX 模型文件具有良好的檢測精度，虛警和漏警情況較少，同時具有較快的處理速度，FPS 在實驗設備CPU 上能夠達到約43。

3 結 論

運用YOLOv5s 算法網絡模型，通過自建蒸汽泄漏模擬數據集，對蒸汽圖像進行裁剪，標注等處理過程，建立訓練集與驗證集，運用預訓練模型進行模型訓練，通過調整不同的圖像輸入大小，對比網絡訓練結果指標，獲得較好的實驗檢測與實驗模型，通過將訓練模型轉換為通用的ONNX模型，只運用OpenCV-DNN 模塊，完成對現階段電廠蒸汽泄漏問題的檢測任務，模型具有較好的檢測效果，同時滿足了實時檢測的要求。

圖8 檢測結果