基于5G通信與改進YOLOv5的智能爐窯測溫系統研究

王發 麻瑞 袁山山 王志富

摘? 要：目前石灰爐窯的測溫技術大多依賴于人工測溫，不僅耗時費力并且精度較低，無法及時發現潛在危險。針對該問題，提出基于5G通信與改進YOLOv5的智能爐窯測溫系統，通過5G通信傳輸遠紅外和可見光視頻數據，進一步采用改進的YOLOv5算法檢測標定塊，從而定位石灰窯的溫度異常區域，設計并實現了基于5G通信與改進YOLOv5的智能爐窯測溫裝置，最后將其集成在一個在線系統平臺上，實現了對窯體溫度的實時監測，保證了測溫的實時性、準確性以及全覆蓋性。

關鍵詞：5G通信；目標檢測；YOLOv5算法；智能測溫；石灰爐窯

中圖分類號：TN391.4；TF068 文獻標識碼：A 文章編號：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

在生石灰的生產過程中，最重要的工藝環節是石灰石的煅燒，石灰爐窯是該環節的核心，它的運轉情況直接關系到生石灰的產量、質量和原料、燃料消耗[1]。而石灰爐窯隨著生產不斷運轉，在運轉過程中窯體的耐火材料就會出現不同程度的損失、損壞或者損耗，引起窯體局部外壁溫度過高，最終導致整個窯體故障，停工停產，致使設備運營商承擔巨大的經濟損失。

目前，針對爐窯的測溫技術大多依賴人工測溫或半智能化設備，現有技術的主要缺點如下：人工測溫的準確度較低，耗費時間較大，爐窯的覆蓋面太過局限，測溫效率很低；半智能化設備測溫精度不高，且存在一定的滯后性，未實現爐窯全覆蓋測溫；現存裝置未涉及人工智能算法、智能監測溫度等，智能化處理數據水平較低。因此，本文提出基于5G通信[2]與改進YOLOv5的智能爐窯測溫系統，從而更加實時、準確地監測窯體溫度，可以克服傳統窯體溫度監測技術的準確性低、實時性差、滯后性高以及智能化水平低等缺陷。

1? 基于5G通信的在線測溫裝置硬件設計

基于5G通信的爐窯在線測溫裝置是由太陽能電池板供電單元、主控單元和監測設備單元組成，通過遠紅外視頻采集和可見光視頻采集裝置，實現對窯體溫度的實時監測。

1.1? 硬件設計

本設備采用可見光視頻采集單元和遠紅外視頻采集單元，實時采集現場的可見光視頻信息和遠紅外圖像信息，紅外熱像儀能夠直觀地顯示出圖像和溫度信息[3]，準確度高、響應快、測量范圍廣，尤其適用于測高溫的應用場景中，可以實時檢測出窯體表面的溫度，當出現溫度異常區域或溫度異常變化區域，可見光視頻將對目標區域進行跟蹤標定，能夠快速找出高溫的所在點。根據石灰爐窯測溫系統的實際需求，設計出如圖1所示的石灰爐窯溫度測量裝置硬件框圖，其主要包括：可見光視頻采集單元、遠紅外視頻采集單元、中央控制單元、邊緣計算單元、電源模塊、5G通信模塊和網絡交換模塊等。

太陽能板單元中的太陽能板在有光照的情況下，吸收光能，將光能轉化成電能存儲到太陽能蓄電池中。太陽能板單元由太陽能控制器和太陽能蓄電池組成。太陽能控制器的作用是保護太陽能蓄電池，防止過充過放，具有過流保護、短路保護、防雷等功能。太陽能蓄電池負責給監測設備供電，保證監測設備在室外正常工作。

主控板主要負責系統故障檢測、系統邏輯控制、異常情況處理、各單元電源控制、指示燈狀態控制、雙備份功能單元控制等。

監測設備中可見光視頻采集與紅外遠視頻采集單元與網絡交換模塊互聯，用于采集窯體的可見光視頻和遠紅外視頻，并傳輸到網絡交換模塊，5G通信單元與網絡接口單元雙向連接，通過網絡交換單元與其他的單元進行數據傳輸。其主要用于傳輸可見光視頻、遠紅外視頻、邊緣計算處理單元的處理結果等數據；由于5G通信單元中的網口較少，進而擴展一個網絡交換單元，用以與各種網絡設備進行數據交互；邊緣處理的單元與網絡交換單元雙向連接，用于監測窯體溫度異常，對溫度異常區域或溫度異常變化區域，在可見光視頻中對目標區域進行跟蹤標定，將處理結果傳輸至網絡交換單元。

爐窯溫度測量裝置結構示意圖如圖2所示，由于窯體本身長度過長，每個窯體需安裝三臺裝置，三臺裝置的安裝支架都處于綠化帶內且相互分離，共同作用保證窯體溫度監測全覆蓋。相機鏡頭方向需垂直于窯體，由于遠紅外溫度測量傳感器不能正對太陽，因此，為避免太陽對傳感器造成傷害，監測裝置的高度必須接近窯體中軸線高度，且裝置鏡頭必須有約10至15度的俯視角。

1.2? 裝置功能

本裝置利用5G通信技術，先將采集到的視頻信息和溫度信息傳輸到邊緣處理單元，判斷是否為溫度異常區域或溫度異常變化區域，并對目標區域在可見光視頻中進行跟蹤標定，若為異常，將生成報警信息和定異常區域的可見光視頻一并傳輸給前端，點檢人員通過前端數據可以直觀看到疑似隱患區域，便于快速定位問題。

2? 基于改進YOLOv5算法的石灰窯標定塊跟蹤算法

YOLO算法舍棄候選框提取階段，采用直接回歸的方法預測目標位置和類別，提高了目標檢測速度[4]。YOLO系列算法經過不斷的發展，為實時檢測作業環境提供了算法支撐。在實際拍攝中，石灰爐窯上的標記塊在整幅圖像中占小，并且由于拍攝角度和外界環境因素的干擾，得到的圖像存在目標邊緣信息缺失的現象，導致標記塊檢測效果達不到實際生產要求。石灰窯標定塊的定位問題在本文至關重要，只有定位到標定塊的絕對位置才能確定紅外圖像中發生局部高溫區域的位置。針對石灰窯標定塊定位問題，本文利用高性能的YOLOv5算法，對石灰窯標定塊在不同角度、不同光線情況下展開研究，提出了一種基于改進YOLOv5算法的爐窯標定塊檢測算法。

2.1? YOLOv5算法

一階段目標檢測網絡YOLOv5網絡結構包括輸入端、Backbone、Neck、Head。在輸入端，YOLOv5采用Mosaic數據增強方式[5]，對4張圖片進行隨機縮放、隨機裁剪、隨機排布后，拼接成和輸入圖像尺寸相同的新圖像，在減少GPU耗費的同時豐富了數據集；采用自適應錨框計算，對不同的數據集給定適合該數據集的最佳錨框值；采用自適應圖片縮放，對原始圖像添加最少黑邊，提高目標檢測速度。

在Backbone中，在YOLOv5中引入Focus模塊，理論上從高分辨率圖像中，周期性地抽出像素點重構到低分辨率圖像中，將圖像相鄰的四個位置進行堆疊，聚焦尺寸維度信息到通道維度，提高每個點感受野，并減少原始信息的丟失，減少計算量，增加速度；借鑒CSP模塊在減少網絡計算量的同時增強網絡學習能力。在Neck中，采用FPN和PAN結構，FPN自頂向下傳達強語義特征，而PAN則自底向上傳達強定位特征，從不同的主干層對不同的檢測層進行參數聚合，提高特征表達能力。YOLOv5采用CIoU作為Bounding box的損失函數，在IoU的基礎上計算預測框和真實框之間的歐氏距離作為懲罰項，通過最小化歐氏距離的方式為預測框提供移動方向，加快模型收斂，解決了預測框與真實中心重合時梯度無法有效回傳問題，CIoU計算公式為：

IoU表示預測框與真實框交并比，ρ（b， bgt）表示預測框和真實框中心點的距離，c表示最小外接矩形的對角線距離，v表示長寬比相似因子，定義如下：

其中w gt，h gt，w，h分別表示真實框寬、高以及預測框寬、高。

2.2? 優化策略

石灰爐窯上的標記塊會隨著爐窯一起轉動，當標記塊轉動到邊緣處像素占比量降低，容易出現漏檢，增加檢測難度；實際應用時，需要將模型部署到算力相對低下的嵌入式設備。針對以上問題，本文在YOLOv5算法的基礎上作出改進，具體細節如下。

YOLOv5的Backbone采用C3結構，參數量較大，檢測速度較慢，在算力較低的移動或者嵌入式設備中難以應用。當模型較大時，端上設備面臨著內存不足的問題，并且這些實時檢測場景要求低延遲，響應速度快。針對此問題本文提出將原主干網絡替換為更輕量的MobileNetv3[6]。MobileNetv3網絡結構圖如圖3所示，使用1×1的卷積擴張輸入特征層的維度，再使用3×3的深度可分離卷積提取特征，然后將特征層通過一次全局平均池化和兩次全連接獲取通道所占比重，并由此調整通道權重指導注意力機制，最后使用1×1的卷積降維并與輸入直接連接輸出結果，改進后的網絡框圖如圖4所示。

MobileNetv3在具有計算和求導復雜、對量化過程不友好的激活函數swish基礎上提出h-swish激活函數，有效地降低了計算開銷，h-swish激活函數公式為：

2.3? 實驗驗證

本次實驗數據集為自采數據集，包含300張可見光圖像，300張遠紅外圖像，具體訓練步驟如下：

實驗環境配置：服務器為GPU（Tesla T416G），客戶端為CPU（Intel（R）CPU@3.2 GHz）。

通過圖像增強后共有1 500張圖像，并且按照8：1：1劃分為訓練集、驗證集和測試集。使用labelImg工具對數據集進行標注，標注格式為yolo。

模型配置：使用MobileNetv3模塊替換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模塊。

使用YOLOv5源文件模型作為初始權重模型，調整訓練參數，使模型達到最佳性能。

將模型部署到硬件設備進行測試，部分測試結果如圖5所示，使用YOLOv5算法檢測標記塊的平均準確率為85.4%，經過改進后的算法比原算法平均準確率提高1.8%，不僅有效提高處于邊緣角度的標記塊準確率，同時改進后的算法的平均檢測速度為每張圖片120 ms，符合實時作業環境要求。

3? 系統平臺設計

結合石灰爐窯產線的生產工藝，研發并實現基于5G通信與改進YOLOv5算法的智能石灰窯在線測溫系統平臺，其可以對生產過程進行實時智能監測管控，有效提升生產線的生產效率及生產過程管控的安全性。該系統實時采集爐窯現場可見光視頻和遠紅外圖像信息，多維度分析爐窯溫度數據，深度挖掘有價值信息，提前預判爐窯每個點的溫度變化趨勢，第一時間發現溫度異常變化區域，對爐窯溫度異常變化區域及異常變化趨勢及時做出報警或預警決策，提醒相關工作人員結合監測數據和現場情況做出合理處置，將安全隱患消滅在萌芽狀態，將企業風險降到最低，將生產事故扼殺在搖籃里。

基于5G通信與改進YOLOv5算法的智能石灰窯在線測溫系統平臺的主要功能有：雙光視頻實時顯示功能、窯溫實時統計功能、報警日志查詢功能以及歷史數據查詢功能。

3.1? 雙光視頻實時顯示

前端實時在線監測裝置通過石灰廠內部5G基站將現場可見光視頻、遠紅外圖像實時傳輸至大數據分析處理服務器，點檢人員可以在監控中心實時直觀查看雙光視頻信息，如圖6所示。由于爐窯長度過長，需多套設備分段進行監測，所以，視頻顯示界面將分段分區域顯示。每個區域的上方將對該區域最高溫度點進行實時展示，更新頻率為3 Hz。當出現溫度異常區域或溫度異常變化區域，可見光視頻將對目標區域進行跟蹤標定，點檢人員可以直觀看到疑似隱患區域，便于快速定位問題，排除隱患。

3.2? 窯溫實時統計

只有當爐窯自轉一個圓周后，在線監測設備才可對窯體橫截面360度進行無死角監測，窯體每轉動一周或大于一周時，系統對橫截面統計出一個溫度最大值，根據窯體轉速，暫定90秒統計一次，該統計數據記為實時單周期最大溫度曲線。因此，曲線圖每90秒刷新一次數據，用于點檢人員在線直觀監測爐窯表面最大溫度值，便于及時發現異常溫度點。此外，系統還統計了窯體中軸線實時溫度曲線，窯體可視區域溫度極值動態曲線以及窯體表面溫度變化率曲線，如圖7所示。

3.3? 報警日志查詢

系統后臺可對報警日志進行篩選查詢，可以通過時間段和報警類型對報警事件進行查詢，如圖8所示，其中報警類型分為高溫異常和變化異常，報警事件的日志信息可以體現出報警時間、報警地點、報警設備、報警類型、報警視頻等信息，當點檢員關閉某個報警事件時，需手動輸入報警原因及關閉措施，同時上傳相關附件為后期報警追溯做存檔。

3.4? 歷史數據查詢

工作人員可通過系統客戶端查詢歷史數據信息，如圖9所示，由于原始溫度數據、視頻數據都保存在相應的數據庫和流媒體服務器中，因此，設備管理人員可通過多種篩選條件，檢索歷史數據，具體條件包含時間段、窯體位置、溫度類型等。同時可以根據時間點、窯體位置打印點檢報告。此外，還可查看歷史數據信息的窯體溫度詳情，如圖10所示。

4? 結? 論

本文提出的基于5G通信與改進YOLOv5的智能爐窯測溫系統很大程度提升了傳統石灰生產效率，在“人工智能+”的浪潮下，真正將智能智造應用于傳統生產線，順應國家產業發展趨勢，習近平強調，我國經濟已由高速增長階段轉向高質量發展階段，正處在轉變發展方式、優化經濟結構、轉換增長動力的攻關期，迫切需要新一代人工智能等重大創新添薪續力。該系統恰恰體現了深度學習、跨界融合、人機協同、自主操控等新特征，使企業在安全運轉、提升效率、節能減員等方面都有質的飛躍。

參考文獻：

[1] 蔡博峰，曹東，劉蘭翠，等.中國石灰生產和能源消耗分析 [J].環境工程，2012，30（1）：124-127+131.

[2] 杜海濤.5G通訊的技術現狀及面臨的挑戰 [J].大眾標準化，2020（22）：197-198.

[3] 儲李德，張丹林，王加峰.遠程紅外測溫儀在窯爐上的應用分析 [J].新世紀水泥導報，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.

作者簡介：王發（1970—），男，漢族，黑龍江齊齊哈爾人，高級工程師，本科，研究方向：建構筑物檢測技術；麻瑞（1998—），女，漢族，甘肅平涼人，碩士在讀，研究方向：計算機視覺；袁山山（1999—），女，漢族，陜西西安人，碩士在讀，研究方向：數字圖像處理；王志富（1996—），男，漢族，陜西延安人，碩士在讀，研究方向：嵌入式系統。