特種承壓設備儀表AI識別算法研究

洪文健

（廣州特種承壓設備檢測研究院，廣東 廣州 510630）

1 卷積神經網絡CNN概述

卷積神經網絡（Convolutional Neural Network，CNN或ConvNet）是一類包含卷積計算、局部連接且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。卷積神經網絡主要應用于計算機視覺、自然語言處理等領域。卷積神經網絡仿造生物的視知覺機制構建，可以進行監督學習和非監督學習，其中卷積核參數共享和層間連接的稀疏性使得卷積神經網絡能夠以較小的計算量對格點化特征，如像素、音頻進行學習、有穩定的效果且對數據沒有額外的特征工程要求。

卷積神經網絡主要使用在圖像視頻語音識別等各種人物上，如人臉識別、物體識別、圖像分割等，其準確率一般也遠遠超出其他的神經網絡模型。近年來，卷積神經網絡的表征學習能力得到了關注，并隨著數值計算設備的更新得到了發展。在圖像識別方面，卷積神經網絡能夠對儀表的數字、溫度計刻度、壓力表指針旋轉角度進行識別，對于工業鍋爐中的讀數方面起必要作用。

2 快速隨機Hough變換多直線檢測算法（FRHT）

快速隨機Hough變換多直線檢測算法（Fast multiline detection algorithm using randomized Hough transform，FRHT）是一種針對現有的隨機Hough變換直線檢測算法的無效采樣量大、計算速度慢等缺點，而采用另一種采用策略，使得無效采樣量大幅減小，計算速度提高。其主要方式是通過先在邊緣點梯度方向的統計分布特征確定潛在直線的主方向，再通過設定閾值消除K個分組邊緣點集中對直線檢測毫無貢獻的點集，從而提高采樣的有效率。

基于邊緣梯度方向的RHT直線檢測：每條直線的方向大概可以由邊緣梯度方向確定，只要在邊緣上的某些像素頂確定所在位置對應的邊緣梯度方向，邊緣便可看作是特定方向的邊緣像素點構成。統計不同梯度方向的像素點個數便能表征圖象邊緣取向的分布特性，從而確定直線的主方向。

圖像f(x,y)所在位置的梯度向量可以表示為

其中梯度的大小表示為

梯度方向可以表示為

由基于模板的邊緣檢測算子Sobel進行邊緣檢測，用區域小的模板近似計算每個像素點的梯度值，便可同時得到邊緣梯度方向，并統計在中，它的定義是

該函數反映了邊緣取向的分布特征，即梯度方向相似的邊緣像素點的分布狀況。

選取不同子集的點確定直線，把邊緣像素點分成不同的子集合，每個子集合由相似梯度方向的像素點組成。這樣的過程只需要一個二維累加器來記錄。由于一個集合中的點有著相似的梯度方向，選定點很可能是共線的，當處理共線點時，就能減少投票所需要的時間和計算量。

該算法的有效采樣概率為：

相較于原來的隨機Hough算法的有效采用率：

由此可知，顯然新的算法有效采樣率顯著高于原來的有效采樣率。

3 結語

通過對特種承壓設備儀表AI識別算法的研究分析，初步確立了算法設計的大致思路，為工業鍋爐對儀表運營監控系統平臺提供了儀表數據正確性穩定性的保障。把該項目與鍋爐能耗實時在線監測、鍋爐熱效率計算與鍋爐能耗管理結合起來，能夠為企業提供大部分對于鍋爐系統監測的服務，降低企業成本，對于經濟和社會有很高效益，將鍋爐管理由傳統的人工管理轉變為機器自動化管理，應用前景十分廣闊。