特种承压设备仪表AI识别算法研究

洪文健

（广州特种承压设备检测研究院，广东 广州 510630）

1 卷积神经网络CNN概述

卷积神经网络（Convolutional Neural Network，CNN或ConvNet）是一类包含卷积计算、局部连接且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络主要应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其中卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，如像素、音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。

卷积神经网络主要使用在图像视频语音识别等各种人物上，如人脸识别、物体识别、图像分割等，其准确率一般也远远超出其他的神经网络模型。近年来，卷积神经网络的表征学习能力得到了关注，并随着数值计算设备的更新得到了发展。在图像识别方面，卷积神经网络能够对仪表的数字、温度计刻度、压力表指针旋转角度进行识别，对于工业锅炉中的读数方面起必要作用。

2 快速随机Hough变换多直线检测算法（FRHT）

快速随机Hough变换多直线检测算法（Fast multiline detection algorithm using randomized Hough transform，FRHT）是一种针对现有的随机Hough变换直线检测算法的无效采样量大、计算速度慢等缺点，而采用另一种采用策略，使得无效采样量大幅减小，计算速度提高。其主要方式是通过先在边缘点梯度方向的统计分布特征确定潜在直线的主方向，再通过设定阈值消除K个分组边缘点集中对直线检测毫无贡献的点集，从而提高采样的有效率。

基于边缘梯度方向的RHT直线检测：每条直线的方向大概可以由边缘梯度方向确定，只要在边缘上的某些像素顶确定所在位置对应的边缘梯度方向，边缘便可看作是特定方向的边缘像素点构成。统计不同梯度方向的像素点个数便能表征图象边缘取向的分布特性，从而确定直线的主方向。

图像f(x,y)所在位置的梯度向量可以表示为

其中梯度的大小表示为

梯度方向可以表示为

由基于模板的边缘检测算子Sobel进行边缘检测，用区域小的模板近似计算每个像素点的梯度值，便可同时得到边缘梯度方向，并统计在中，它的定义是

该函数反映了边缘取向的分布特征，即梯度方向相似的边缘像素点的分布状况。

选取不同子集的点确定直线，把边缘像素点分成不同的子集合，每个子集合由相似梯度方向的像素点组成。这样的过程只需要一个二维累加器来记录。由于一个集合中的点有着相似的梯度方向，选定点很可能是共线的，当处理共线点时，就能减少投票所需要的时间和计算量。

该算法的有效采样概率为：

相较于原来的随机Hough算法的有效采用率：

由此可知，显然新的算法有效采样率显著高于原来的有效采样率。

3 结语

通过对特种承压设备仪表AI识别算法的研究分析，初步确立了算法设计的大致思路，为工业锅炉对仪表运营监控系统平台提供了仪表数据正确性稳定性的保障。把该项目与锅炉能耗实时在线监测、锅炉热效率计算与锅炉能耗管理结合起来，能够为企业提供大部分对于锅炉系统监测的服务，降低企业成本，对于经济和社会有很高效益，将锅炉管理由传统的人工管理转变为机器自动化管理，应用前景十分广阔。