基于雙光譜融合的輸煤棧橋過溫預警系統

摘要：燃煤電廠的輸煤棧橋因空間狹小、位置高、設備集中、廊道竄風效應大，導致著火初期不易發現，產生過溫后發展迅速、撲救困難等特點。本文研究了基于可見光目標檢測和熱成像溫度場融合分析技術，實時獲取輸煤棧橋各個部件和場地環境的溫度，不僅可以將紅外熱圖得到的過溫點在可見光圖像中定位，而且可以利用可見光圖像來判斷視頻圖片中的陽光直射、反射對紅外熱圖的干擾，提高了系統的整體識別準確度，現場測試結果達到95%的識別率。

關鍵詞：輸煤棧橋；雙光融合；過溫預警；多元化告警

Abstract：Thecoaltransportwharfofcoalfiredpowerplantsisdifficulttodetectintheearlystageoffireduetoitssmallspace，highlocation，concentratedequipment，andlargecorridorwindeffect.Afteroverheatingoccurs，itdevelopsrapidlyandisdifficulttoextinguish.Thisarticlestudiesthefusionanalysistechnologyofvisiblelighttargetdetectionandthermalimagingtemperaturefield，whichcanrealtimeobtainthetemperatureofvariouscomponentsandsiteenvironmentofcoaltransportationwharf.Itcannotonlylocatetheoverheatingpointsobtainedfrominfraredthermalimagesinvisiblelightimages，butalsousevisiblelightimagestojudgetheinterferenceofdirectsunlightandreflectiononinfraredthermalimagesinvideoimages，improvingtheoverallrecognitionaccuracyofthesystem.Theonsitetestresultsachievearecognition rateof95%.

Keywords：coaltransportationwharf;Duallightfusion;Overtemperaturewarning;Diversifiedalarms

輸煤棧橋輸送線路長，運行設備種類多，棧橋內環境質量差，巡檢點多，在運行前、運行中都要定時、定點巡檢，這些都會導致人工巡檢作業勞動強度高、積極性差、安全性低。棧橋內現有工業電視監控范圍局限，棧橋內現場狀態監測要素少，難以實現輸煤棧橋全線路的狀態實時、量化監測與管理，存在環境起火難預測、設備運行故障難監測、惡劣環境下的人員安全難保障的問題。同時，輸煤棧橋采用全封閉鋼結構棧橋，棧橋內相對密封，無供暖、降溫設施，通風方式為機械通風；溫濕度受氣候、季節影響較大，受棧橋內設備運行時的升溫散熱影響。輸煤棧橋內部溫度約為空氣環境溫度的1.3倍，夏季，棧橋內環境溫度最高約44℃。該溫度已經超出DL50002000規定的室內高溫作業溫度。

一個典型的案例分析如下：皮帶拉緊裝置的導向滾筒軸承在受力方向嚴重磨損，有部分金屬熔化，外殼破碎，軸承損壞。滾筒軸端頭被磨成錐形，面呈藍黑色（估計溫度達1000℃以上），由于軸承的破碎，導向滾筒掉落時將兩端的軸承座拉碎，滾筒脫出軸承座掉在棧橋地板上，高達1000℃以上的滾筒軸頭埋在棧橋積存的煤粉中，將著火點為410℃的煤粉引燃。導向滾筒掉落后，運轉中的皮帶與拉緊皮帶進口的槽鋼接觸，與皮帶直接摩擦使其過熱（表面已烤成藍色），溫度高達600℃以上的鋼板又將煤粉引燃。引燃的煤粉和過熱的鋼板與皮帶接觸，將阻燃皮帶（430℃～480℃）引燃。因此，如何采用有效的監測技術提供輸煤棧橋相關區域、部件的過溫預警，對于起火前皮帶、軋輥等部件以及重點區域進行溫度實時監控，實現火災的早期預警，對保障工作人員、現場設備的生命財產安全具有重要意義［1］。

采用傳統的傳感器來探測火災，較難滿足火災早期階段的檢測需求，也就是發現過溫源［1］。隨著計算機技術、新一代信息技術的發展，巡檢機器人技術、圖像識別技術和紅外測溫技術在業界獲得了廣泛的應用。與傳統的傳感器過溫檢測設備相比，基于機器人視覺的過溫檢測技術具備準確度高、識別時間短、使用范圍廣等優勢。基于火焰的溫度特性，工程項目中經常使用熱像儀的紅外測溫功能，當溫度超過設定閾值時，則判定為發生火災。但該方式對現場的陽光直射、高溫物體容易引起誤報。針對上述兩種檢測方法的局限性，本文研究了基于可見光目標檢測和熱成像溫度場融合分析技術，實時獲取輸煤棧橋各個部件和場地環境的可見光圖像和紅外熱圖，并利用可見光的特征識別，初步確定環境太陽光直射、發熱等區域，同時判斷紅外熱圖的過溫度閾值的熱圖區域，不僅僅可以將紅外熱圖得到的過溫點在可見光圖像中定位，而且可以利用可見光圖像來判斷視頻圖片中的陽光直射、反射對紅外熱圖的干擾，提高了系統的整體識別準確度。

1技術方案

本文提出了一種可見光和紅外熱圖的雙通道實時過溫預警系統，通過雙通道同時采集可見光和紅外熱圖的實時視頻，采用神經網絡算法對可見光視頻中的特征進行分析，識別出陽光直射、反射等干擾區域。再將可見光中干擾區域的位置映射到同一時刻的熱成像視頻中，通過溫度矩陣分析出過溫位置區域內的溫度信息，并濾除可見光判斷的干擾區域后，判定剩余紅外熱圖的過溫閾值區域并觸發報警，如圖1所示。

1.1可見光目標檢測

目前，隨著圖像檢測技術的不斷發展，主要有兩大類目標檢測算法：基于RegionProposal的RCNN系列和YOLO、SSD系列。前者屬于兩階段目標檢測算法［34］，如RCNN、FastRCNN、FasterRCNN，它需要先使用SelectiveSearch或者CNN網絡來產生候選區域，然后對候選區域上做目標分類和回歸。后者屬于單個網絡結構算法［56］，它能夠在產生候選區域的同時直接預測出不同目標的類別和位置。雖然RCNN系列精確度比較高，但速度較慢；與之相對，YOLO系列的精確度相對較低，但速度更快。實際上，YOLOv3的檢測速度非常快，比RCNN快1000倍，比FastRCNN快100倍［7］。考慮到火災事故發生迅速，為了滿足快速檢出的需求，最終本文選用了單網絡結構中的YOLOv3作為實現算法。

為了提高目標場景下的識別率，本文在真實輸煤場景下模擬了太陽光直射、發熱等場景，也包括過溫點，用于采集對應的可見光視頻作為原始樣本。結合實際過溫點的多樣性，本文采集樣本時遵循了太陽光線、過溫類型、采集地點、采集角度等相關元素的組合分布原則，并通過圖2開發實現步驟，最終實現了基于熱輻射的紅外圖譜的干擾源的分離。

1.2熱像儀溫度分析

紅外熱成像技術是利用紅外輻射的“大氣窗口”的波段進行成像，目前研究較多的是采用中波紅外（3～5μm）和長波紅外（8～14μm）兩個波段進行探測，將這些波段的輻射轉換為人眼可觀測并可供測量分析的圖像數據。紅外熱像儀可以在不接觸被測量物體的情況下準確測量出目標物體的溫度，并將其溫度分布情況進行可視化顯示，如相對溫度分析、溫度直方圖分析、歷史溫度曲線圖、線上溫度曲線圖等輔助溫度分析，因此可對測量到的溫度進行精確化分析。

本文通過調用熱像儀廠商的SDK，獲取了熱成像的實時溫度矩陣。溫度矩陣的數據類型為float類型，每個float占用4個字節。通過溫度矩陣文件，獲得了矩陣寬度（INT）和矩陣高度（INT），最終通過從左往右、從上往下掃描的方式獲取了具體像素點上的溫度數據，如圖3所示。為了更好地分析輸煤場景的溫度特征，本文在輸煤的真實場景下模擬了大量的熱成像視頻，用于評估部件的溫度特性。

1.3雙光譜融合過溫檢測

圖4（a）給出了太陽光的全光伏圖，圖4（b）是大氣的光譜透過率曲線［2］，很明顯，由于8～14μm之間存在一個高透過率的窗口，因此，熱像儀的像敏單元的光譜響應也利用這個窗口來探測，并能給出熱像視場中的數字化熱圖及其相對應的各種現場設備、背景的溫度圖譜。與此同時，也存在由于太陽光直射、反射帶來的干擾。利用上方兩種方式的互補性，可在快速識別的基礎上提高識別準確度。

本文選用巨哥MAG24AI智能熱像儀，紅外分辨率320×240，紅外像素尺寸22μm，可見光分辨率1920×1080，測溫精度1.5℃，測溫范圍-20℃～150℃，測溫環境溫度-10℃～50℃。選用大視場角鏡頭，鏡頭焦距6.5mm，視場角61°×46°，提高過溫檢測的范圍。該相機內置了2T算力的NPU，支持TensorFlow、Pytorch、Caffe、ONNX等框架，用于YOLOv3過溫檢測的神經網絡加速。同時該雙光譜相機搭載的可見光和熱成像視場同軸，可見光和熱像儀的雙視場可精確同步，基于可見光中的準過溫位置精準換算出該準過溫在熱像儀中的位置。因此，可通過熱像儀的溫度矩陣分析出過溫位置的溫度值信息，當超過設定的閾值后，可確認為潛在的發生火災風險并觸發報警。通過調參，降低可見光過溫檢測的漏報率，再通過熱成像溫度校驗，降低過溫的誤報率，最終提高整體的識別準確度，如圖5所示。

2系統功能

2.1系統組成

本系統的機器人本體配置了高性能工控機（NVIDIAJetson系列芯片），將機器人從底層驅動到前端展示程序全套軟件部署在機器人內部的工控機上，實現單機部署單機運行。整體上由三大部分組成，如圖6所示：

（1）設備層：配備行走電機、升降電機、云臺電機用于驅動機器人運動，搭載可見光和熱像儀視覺傳感器用于實時監控項目現場；

（2）控制層：由運動控制和云臺控制兩個嵌入式程序組成，用于機器人的軌道行走控制和云臺轉動控制；

（3）應用層：核心業務系統根據設定的任務調度機器人執行巡檢任務，在巡檢過程中智能識別系統對視野范圍內的畫面進行實時檢測，并最終在機器人控制系統的Web端和APP端進行巡檢結果和告警信息的查看。

2.2基本功能

本系統的機器人可用于輸煤棧橋過溫自動報警，主要具備以下功能：

（1）機器人具備低電回沖功能，保障機器人持續不斷電巡檢；

（2）機器人具備自主巡檢功能，根據設定的任務自動執行即時任務、定期任務和周期任務；

（3）機器人具備過溫檢測功能，機器人開機后將實時檢測視野范圍內是否存在過溫；

（4）機器人具備異常告警功能，當檢測到過溫時機器人將告警信息立即告知相關人員。

2.3告警功能

2.3.1多元告警設計

與單一方式告警相比，多種告警方式將會更加可靠、適用范圍更廣。本文設計了三大類告警方式，如下：

（1）機器人本體聲光報警：通過機器人本體揚聲器和燈帶，告知在生產現場的工作人員。

（2）Web端彈窗和語音播報：通過PC電腦，告知監控室內的工作人員。

（3）手機APP消息推送：通過手機APP，告知不受地理位置限制的工作人員。

以上每種方式都有各自的適用場景和優缺點，機器人本體聲光告警適用于機器人附近有人的場景；Web端彈窗和語音播報適用于監控室內值班人員；而APP消息推送則不受人員工作位置限制，可遠程實時知曉告警信息。因此，本文選擇采用多元化的告警方式，而不是單一的告警，提高告警信息的知曉率。

2.3.2人機交互設計

2.3.2.1機器人本體聲光告警

機器人本體搭載的語音模塊和狀態指示燈如圖7所示，一方面可自定義過溫告警是否開啟本體語音聯動、播報次數、播報間隔、播報內容、音量大小；另一方面可自定義過溫告警是否開啟本體指示燈聯動、指示燈顏色、閃爍順序、閃爍頻率，用于滿足不同客戶的不同訴求。

2.3.2.2電腦Web端彈窗和語音告警

機器人Web端全局彈窗設置和語音播報，不論當前Web停留在何頁面，不論值班人員是否坐在電腦前，只要檢測到過溫，Web端將第一時間彈出彈窗并語音播報，使得監控室內的工作人員知曉異常，并可查看可見光和熱像儀照片，確認是否真實發生過溫，如圖8中的（a）（b）（c）所示。

2.3.2.3手機APP端告警通知

手機APP端告警通知，可以隨時隨地不論APP在線、離線，都能通知到責任人，并可查看可見光和熱像儀照片，確認是否真實發生過溫，如圖9、圖10所示。

結語

本文基于雙光融合方案，采用可見光YOLOv3目標檢測算法和熱像儀溫度分析，開發出了過溫實時視頻檢測系統。本系統在大量的輸煤棧橋場景項目中進行了部署和運行，項目應用表明本系統能在第一時間發現過溫并通知到人。本系統機器人本體聲光告警、電腦Web端彈窗和語音告警、手機APP端告警通知，大大提高了人員知曉率，使得相關人員在第一時間知曉過溫告警，很大程度上解決了輸煤棧橋場景下第一時間發現過溫的痛點需求。

參考文獻：

［1］萬傳寶.輸煤皮帶燃點煤超溫檢測及噴淋滅火裝置［J］.華電技術，2015，37（08）：52+55+78.

［2］趙義文，郭瀚文.線型感溫火災探測器現場定量檢測技術研究［J］.消防科學與技術，2018，37（11）：15541556.

［3］黃明珠，黃文清.基于改進FasterRCNN的Logo目標檢測方法［J］.計算機系統應用，2019，28（02）：4148.

［4］王林，張鶴鶴.FasterRCNN模型在車輛檢測中的應用［J］.計算機應用，2018，38（03）：666670.

［5］張彬彬，帕孜來·馬合木提.基于YOLOv3改進的火焰目標檢測算法［J］.激光與光電子學進展，2021，58（24）：289296.

［6］高桂雨，李丁祎，趙娟娟，等.基于目標檢測SSD算法的森林火災監測模型研究［J］.電腦知識與技術：學術交流，2022（002）：018.

［7］蔡毅，湯錦亞.對紅外熱成像技術發展的幾點看法［J］.紅外技術，2000（02）：26.

作者簡介：陳劍華（1971—），漢族，男，上海市人，學士，中級職稱，研究方向：火力發電廠智能運維。