基于YOLOv5網絡模型的戶內燃氣安全檢查儀

薄 軍, 未力丹

(重慶燃氣集團股份有限公司,重慶400020)

1 概述

隨著新型城市化建設、大氣污染治理、能源轉型升級的推進,城鎮燃氣行業實現了高速發展,燃氣安全形勢愈加嚴峻。2022年全年共收集到媒體報道的國內(不含港澳臺)燃氣事故802起,造成66人死亡,487人受傷,其中較大事故10起。按氣源種類統計:全年發生天然氣事故270起,死亡18人,受傷89人;液化石油氣事故450起,死亡45人,受傷294人;氣源待核實事故82起,死亡3人,受傷104人。《城鎮燃氣管理條例》規定,燃氣經營者應當對燃氣設施定期進行安全檢查。目前,大多數燃氣企業安全檢查主要通過安檢人員進入居民家中借助測漏儀對燃氣立管、表具、表后管、燃具、用氣環境等進行檢查,發現隱患時手寫隱患通知書告知用戶。用戶居家時間不固定、部分用戶拒絕入戶安檢、房屋長期無人居住、租賃房增加等因素,導致燃氣安全檢查入戶困難,入戶率偏低,未入戶的隱患難以發現。鑒于以上問題,本文設計了基于YOLOv5網絡模型的戶內燃氣安全檢查儀(簡稱檢查儀),目前僅限于內部測試研究,后期由燃氣企業決定是否由用戶購買或發放。

2 功能設計

檢查儀主要具有安全告知、甲烷檢測、圖片采集、隱患識別、人工審核、生成檢查報告等功能。

安全告知:檢查前,播放用氣安全視頻,告知用戶在安全環境下進行檢查,給出一旦發生意外應采取的應急措施及救援電話。

甲烷檢測:檢查中,通過甲烷傳感器采集用氣場所氣體進行分析,判斷是否存在燃氣泄漏。一旦有燃氣泄漏,將發出警報,提醒用戶立即進行漏氣處置。

圖片采集:按系統提示,通過CMOS(互補金屬氧化物半導體)攝像頭依次采集環境、燃氣立管、燃氣表、表后管、灶具、燃氣熱水器等圖片并上傳。

隱患識別:通過預先訓練好的YOLOv5網絡模型,對圖片進行識別,判斷是否存在管道銹蝕、軟管老化、連接頭無管箍、燃氣熱水器無煙道或破損等隱患,并對隱患點進行標注。

人工審核:通過無線通信將檢測出的隱患照片和相關信息傳輸至后臺進行人工審核,對隱患進行確認,對錯誤進行糾正。

生成檢查報告:人工審核后,根據模板生成檢查報告并發送至檢查儀上,顯示檢查結果和隱患,提出整改措施。

3 硬件設計

采用Python語言開發硬件程序,通過QT軟件開發用戶端界面。硬件設計結構主要有主控模塊、甲烷傳感器模塊、無線通信模塊、圖像采集模塊、觸屏顯示控制模塊等,見圖1。主控模塊是檢查儀的控制中心,通過發送指令和接收信號實現對各模塊的控制。甲烷傳感器模塊通過采集氣體參數并傳輸至主控模塊進行分析。無線通信模塊通過移動網絡實現主控模塊數據和后臺數據的信息交互。圖像采集模塊通過圖像傳感器采集目標圖像并傳輸至主控模塊進行分析。觸屏顯示控制模塊通過輸入、輸出、顯示等實現主控模塊和人之間的信息交互。

圖1 硬件設計結構

3.1 主控模塊

選擇樹莓派4B平臺作為主控制器,樹莓派平臺將Python語言作為主編程語言,自帶板載網口、Wi-Fi和藍牙,內存硬盤為SD卡。采用Cortex-A72架構Broadcom BCM2711B0處理器,4個內核,時鐘頻率為1.5 GHz,具有15指令流水線深度,提供無序執行,支持Linux系統和Windows系統的開發,價格低廉。安裝Linux系統需要下載鏡像并使用軟件進行燒錄,同時還需要使用SSH(安全外殼協議)、MQTT(消息隊列遙測傳輸協議)及SMB(服務器消息塊)完成整個設計的配置,其體積小,便于部署和安裝[1]。

3.2 甲烷傳感器模塊

甲烷傳感器模塊采用型號為GM-402B的甲烷傳感器。該傳感器通過內部電導率變化判斷氣體濃度情況,具有尺寸小、功耗低、靈敏度高、響應恢復快、驅動電路簡單、穩定性好等特點。

3.3 圖像采集模塊

采用樹莓派4B平臺配套的USB攝像頭,與主控制器之間通過USB接口相連,具有可調焦、170°視角的特點。

3.4 無線通信模塊

無線通信采用ME909s-821a模塊,基于華為巴龍Hi6921M芯片開發,支持2G、3G、4G、5G信號。

3.5 觸屏顯示控制模塊

分辨率為1 024×600,支持樹莓派平臺,采用USB/HDMI接口。通過觸摸屏幕進行用戶界面操作,實現圖片采集、數據查詢等功能。

4 軟件設計

軟件設計在Linux環境下。檢查儀開機后,進行初始化,通過顯示屏播放安全宣傳視頻,告知用戶用氣安全常識、檢查注意事項、應急處置等信息。接著主控制器發送指令啟動甲烷傳感器模塊,采集用氣場所氣體并判斷是否漏氣,一旦發生漏氣,主控制器提醒用戶打開門窗,關閉閥門,盡快對漏氣處進行處理,也可撥打燃氣公司電話請求處理,同時中止程序。檢查無漏氣時,主控制器將發送指令提醒用戶打開攝像頭,按提示對關鍵部位進行拍照并上傳圖片。上傳完畢后,檢查儀自動調用其內部訓練好的YOLOv5網絡模型,識別圖片有無管道銹蝕、軟管老化、煙道破損、無煙道、無管箍等隱患,生成檢測報告并將檢測報告和隱患照片傳輸至后臺進行人工審核。后臺的燃氣企業員工對隱患進行確認后生成檢查報告,發送至檢查儀,顯示檢查結果,告知用戶存在的隱患,提出整改措施。通過檢查儀界面實現登錄、數據顯示查詢、拍照、上傳等可視化操作。軟件設計流程見圖2。

圖2 軟件設計流程

5 隱患識別算法

5.1 YOLOv5網絡模型

2016年,Redmon J提出了YOLO算法,該算法可以一次性地識別圖片內多個物品的類別和位置,實現了端到端的圖像識別,運行速度大大提高。YOLO系列算法逐步更新換代,2020年已推出了第5代,即YOLOv5,其包含4個目標檢測版本YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x[2],網絡基本結構類似,但網絡深度及寬度存在差異,本文選擇YOLOv5m算法。

YOLOv5網絡結構按照處理階段分為Input、Backbone、Neck、Prediction共4部分。Input部分完成數據增強、自適應圖片縮放、錨框計算等基本處理任務;Backbone部分作為主干網絡,主要使用CSP結構提取出輸入樣本中的主要信息,供后續階段使用;Neck部分使用FPN及PAN結構,利用Backbone部分提取到的信息,加強特征融合;Prediction部分做出識別,并計算GIOU_Loss等損失值。

5.2 數據集制作

數據集制作主要包含4個步驟:數據采集和整理、數據預處理、數據篩選和數據集標注。本設計共收集管道銹蝕、軟管老化、煙道破損、無煙道、未用氣接頭未封堵、無管箍的非正常和正常數據共12組,每組數據包含不同角度、不同環境下拍攝的照片500張。

5.3 YOLOv5網絡模型的訓練和測試

在上述12組數據中,每組中的400張照片組成訓練集的輸入,每組中的50張照片組成驗證集的輸入,每組中的50張照片組成測試集的輸入。用方框框出隱患點和用標簽顯示隱患名稱和識別準確率的圖片作為輸出。

本次選取120輪次訓練,Objectness loss(目標檢測損失)和Classification loss(分類檢測損失)參數越接近0,Precision(精確率)、Recall(召回率)、mAP(綜合評估指標)[3]參數越接近1,表示模型訓練效果越好。

從測試結果(見圖3)來看,未用氣接頭未封堵、軟管老化、管道銹蝕的隱患識別準確率較高,無管箍、無煙道、煙道破損的隱患識別準確率較低。

圖3 模型測試結果

6 結束語

基于YOLOv5網絡模型的戶內燃氣安全檢查儀基本實現了燃氣泄漏檢測、簡單隱患識別、檢查結果告知等功能,在燃氣公司工作人員不入戶的情況下掌握用戶使用燃氣安全風險,及時發現隱患并告知用戶整改,有助于減少燃氣事故和安全檢查的系統開展。由于圖片由用戶采集,所以檢查報告不具法律效力。受硬件、數據集和算法影響,部分隱患識別準確率不高,后續將通過提高硬件性能、增加數據集、優化算法等措施加以改進。