(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211158753.6 (22)申请日 2022.09.22 (71)申请人 南昌工程学院 地址 330099 江西省南昌市高新 技术开发 区天祥大道 289号 (72)发明人 许志浩　宋文　康兵　丁贵立　 王宗耀　习伯泉　蒋善旗　吕奉坤　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 专利代理师 吴称生 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/30(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度强化学习的空气预热器区域 识别方法 (57)摘要 本发明涉及一种基于深度强化学习的空气 预热器区域识别方法， 选取视频流中运行状态图 像的识别 区域， 并选取模板帧， 将视频流中运行 状态图像都送入已经训练好的最优支持向量机 模型进行分类， 随后使用NanoDet模型对分类得 到的运行状态图像的识别区域进行检测， 得到所 需特征点， 以模板帧为NanoDet模型输出结果进 行特征点仿射匹配， 完成对检测帧的网格区域识 别， 从而对空气预热器转子的网格区域识别。 本 发明使用支持向量机模型对视频流进行分类得 到最佳检测帧， 使用NanoDet模型对最佳检测帧 进行检测， 最后使用仿射变换得到运行状态图像 中其他区域的具体位置， 可以较好完成空气预热 器区域定位任务。 权利要求书1页 说明书4页 附图1页 CN 115240122 A 2022.10.25 CN 115240122 A 1.一种基于深度强化学习的空气预 热器区域识别方法， 其特 征在于， 包括以下步骤： 步骤S1、 视频流采集及运行状态图像预处 理； 步骤S2、 用十字特征框对预处理后的运行状态图像进行识别区域的截取， 得到识别区 域截取图， 并做仿射变换； 步骤S3、 根据截取的识别区域特征的完整程度将识别区域截取图划分正样本与负样本 用于支持向量机模型训练； 步骤S4、 对所有运行状态图像分类并标注正样本： 遍历所有空气预热器转子的运行状 态图像， 将运行状态图像的识别区域截取图放入最优支持向量机模型中进行分类， 判断为 正样本的识别区域截取图作为 NanoDet模型的训练数据集； 步骤S5、 将标注好的训练数据集用于Nan oDet模型的训练； 步骤S6、 将红外热像仪监测的空气预热器转子其余 时刻的视频流输入训练好的最优支 持向量机模型与Nan oDet模型进行测试， 识别出空气预 热器转子的网格区域。 2.根据权利要求1所述的基于深度强化学习的空气预热器区域识别方法， 其特征在于， 所述步骤S6具体过程如下： 步骤S6.1、 截取视频流中运行状态图像的识别区域， 得到识别区域截取图， 并做仿射变 换； 步骤S6.2、 将识别区域截取图输入最优支持向量机模型进行分类， 若为正样本， 执行步 骤S6.3， 若为负 样本， 转至步骤S6.1 继续检测， 直至 视频流结束； 步骤S6.3、 将正样本 的识别区域截取 图输入NanoDet模型， 获取十字区域的具体坐标， 并得到十字区域左上、 左下与右上的顶点 坐标作为特 征点； 步骤S6.4、 从步骤S3的正样本中选取一块特征完整程度最优的识别区域截取图， 设定 该截取图的原始帧作为模板帧， 根据模板帧画出转子的网格模板， 为NanoDet模型输出结果 进行特征点仿射匹配， 从而将模板帧的网格模板匹配给检测帧， 得到模板 帧的识别区域所 对应的检测帧的识别区域， 完成对检测帧的网格区域识别， 从而对空气预热器转子的网格 区域识别。 3.根据权利要求1所述的基于深度强化学习的空气预热器区域识别方法， 其特征在于， 所述步骤S1中， 在空气预热器冷热两端分别安装红外热像仪， 用于实时监测空气预热器转 子的运行状况， 采集视频流； 红外热成像的优势使得空气预热器工况 的监测变得更加可视 化， 通过数据传输， 将空气预热器转子运行一周的监测视频流传输到本地端， 通过视频分帧 得到空气预热器转子的运行状态图像， 再通过图像预 处理模块对运行状态图像进 行高斯滤 波及去噪。 4.根据权利要求1所述的基于深度强化学习的空气预热器区域识别方法， 其特征在于， 所述步骤S2中， 截取的识别区域 为运行状态图像中间部位的十 字区域。 5.根据权利要求1所述的基于深度强化学习的空气预热器区域识别方法， 其特征在于， 步骤S3中， 支持向量机内核选用RBF径向基函数， 正则化参数C与核系数gamma通过网格搜索 的方法进行确定 。 6.根据权利要求1所述的基于深度强化学习的空气预热器区域识别方法， 其特征在于， 步骤S4中， 每判断一张正样 本识别区域， 就进行10帧的跳帧检测， 若为负样本则进 行下一帧 判断， 对训练数据集进行 标注， 标注出识别区域的十 字区域， 十 字区域的顶点即为特 征点。权　利　要　求　书 1/1 页 2 CN 115240122 A 2一种基于深度强化学习的空 气预热器区域识别方 法 技术领域 [0001]本发明涉及空气预热器的图像识别领域， 具体涉及一种基于深度强化学习的空气 预热器的区域识别方法。 背景技术 [0002]空气预热器是电站锅炉的主要部件之一， 其主要功能为利用锅炉燃烧排放的废烟 气预热即将进入锅炉的空气， 从炉膛排放的废烟气通过省煤器进入空气预热器， 在空气预 热器中与即将进入锅炉燃烧的空气进行热交换， 从而将空气进行加热， 提高了锅炉的燃烧 效率。 由于空气预热器蓄热元件内部有很多缝隙， 当蓄热元件钢铁在高温富氧的条件下会 将金属铁氧化为三氧化二铁， 此时就会发生 “二次燃烧 ”， 空气预热器将会发生大规模火灾， 这时如果没有及时进行喷水灭火处理火灾热点， 会造成巨大损失。 但若沉积可燃物并未形 成火灾热点就进行喷水灭火措施， 会引起锅炉 停炉， 损失严重。 因此要能在火灾热点形成初 期就及时采取措施将会杜绝此类事件的发生， 因此需要安装针对这种 热点的检测装置， 从 而在火灾检测初期 检测到热点， 而检测装置有效的前提是能够 对空气预热器的区域进 行有 效的区分。 现有技术只有对空气预热器进行热点检测的方法， 如CN201510651471， 但没有文 献公开空气预 热器区域识别定位 技术。 [0003]随着计算机视觉领域相关技术的不断突破， 基于计算机视觉的故障诊断技术得到 了迅猛的发展， 这为空气预热器热点检测提供了新的可能。 空气预热器热点检测环境背景 噪音大， 使得利用计算机 视觉实现空气预 热器区域识别存在较大困难。 发明内容 [0004]本发明主要解决的技术问题是一种基于深度强化学习的空气预热器的区域识别 方法， 在不改造空气预热器内原有设施的前提下， 在空气预热器冷热两端安装红外热像仪 对空气预热器转子的运行进行实时监测， 依据 空气预热器转子的运行特点， 避免重复检测 造成增加模型冗余的情况： 以空气预热器转子自转一周的时长截取一个视频流样本， 通过 视频分帧得到该时段空气预热器转子的运行状态图像， 然后对运行状态图像进行处理， 实 现对空气预 热器转子的网格区域识别。 [0005]为实现上述目的， 本发明采用如下技术方案： 一种基于深度强化学习的空气预热 器区域识别方法， 包括以下步骤： 步骤S1、 视频流采集及运行状态图像预处 理； 步骤S2、 用十字特征框对预处理后的运行状态图像进行识别区域的截取， 得到识 别区域截取图， 并做仿射变换； 步骤S3、 根据截取的识别区域特征的完整程度将识别区域截取图划分正样本与负 样本用于支持向量机模型训练； 步骤S4、 对所有运行状态图像分类并标注正样本： 遍历所有空气预热器转子的运 行状态图像， 将运行状态图像的识别区域截取图放入最优支持向量机模型中进行分类， 判说　明　书 1/4 页 3 CN 115240122 A 3