中文引用格式：张原，司源. 基于深度学习的电厂跑冒滴漏视频识别应用研究[J]. 电子技术应用，2025，51(2)：21-28.
英文引用格式：Zhang Yuan，Si Yuan. Research on the application of deep learning based video recognition for power plant leakage and dripping[J]. Application of Electronic Technique，2025，51(2)：21-28.
引言
火电厂运行现场存在多种管道和设备，其中存在煤炭的输送和燃烧、热能的转换、机械能的产生以及电能的生成等环节，这些环节的安全运行对于火电厂整体安全和效率至关重要。而电厂的“跑冒滴漏”现象就存在于这些重要的管道和设备上，为保证设备安全稳定，目前电厂通常采用巡点检形式进行设备的定期检查来消除这些隐患。但漏气、漏液等微小隐患往往不易察觉，增大了安全运行风险[1]。
近年来，深度学习、计算机视觉技术已在电力自动化、故障诊断、安防管控等各细分领域逐步开始应用[2]。其中针对于火电厂现场“跑冒滴漏”现象的自学习与自诊断也有了深入的研究。快速基于区域的卷积神经网络（Faster Region-based Convolutional Network，Faster R-CNN）、基于区域的全卷积网络（Region-based Fully Convolutional Network，R-FCN）、单次多边框检测（Single Shot MultiBox Detector，SSD）、YOLO（You Only Look Once）等算法与传统目标识别算法相比[3]，具有从大量图像数据中自动学习目标特征、不用设计特征提取器等优势，这种基于深度卷积神经网络的目标识别算法有效地简化了算法流程，提升了目标识别的效率、准确率以及泛化能力[4]。
目前已有电厂开展了多种无人检测研究，实现了设备跑冒滴漏现象识别并及时向运行人员发送警报。摄像头监控、视频图像识别、机器人巡检、无人机巡检、红外测温等技术手段的应用，极大地减轻了现场巡检人员工作[5]。但这些研究往往基于原有的算法和数据库，对于现场环境复杂、泄漏情况多样的现象识别率不高，会出现漏检或错检情况，给电厂安全运行带来了隐患。
本文通过视觉识别技术及深度学习的应用，针对火电厂运行现场漏油、漏水、漏灰、漏煤、漏粉、漏气、漏烟等情况[6]，提出一种基于深度学习的视频实时异常检测方法。该方法采用目标检测性能较为成熟的YOLOv5为网络结构基础[7]，构建电厂设备跑冒滴漏数据集，对原始算法进行改进，包含了引入注意力机制、激活函数的更改、模型训练以及建立评价。通过搭建训练平台进行迭代学习，不断构建和修正图像模型，并将模型存储在统一数据平台中，最终实现了检测模型的端到端的学习策略。为了验证对原始算法改进后的效果，将改进后的模型在数据集上进行训练并验证，通过目标检测和评价指标对结果进行分析，反馈模型应用效果，最终完成测试验证。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006320
作者信息：
张原1，司源2
（1.国能信控技术股份有限公司，北京 100097；
2.中国电子信息产业集团有限公司，广东 深圳 518057）
