基于特征增强及多层次融合的火灾火焰检测

为提升火灾火焰识别检测方法性能,将传统图像处理与神经网络结合,提出1种基于特征增强及多层次融合的轻量级火灾火焰检测模型。模型利用多种色彩空间转换算法增强火焰特征信息,并设计双阶段多层次特征提取融合结构,配合空间注意力机制对火焰信息由粗到精进行提取;同时,针对火灾火焰特点,引入由浅到深逐步融合的自适应多尺度融合结构,提升对不同阶段火灾目标的检测精度。研究结果表明:本文模型可有效提升火灾火焰的检测效果,且具有更高的稳定性和鲁棒性,可准确高效地实现火灾火焰检测。研究结果可为现有火灾检测设备提供更准确的识别结果,从而更好地预防火灾事故发生。

基于YOLOv5的消防机器人火焰检测研究

消防机器人是辅助消防人员获得火灾现场信息、及时做出决策的有力帮手。针对消防机器人在火灾现场消防作业时面临的检测精确度有待进一步提高、模型运算量大的问题,提出一种改进YOLOv5的消防机器人火焰检测算法。该方法在YOLOv5原始模型的特征提取部分加入Involution算子,扩大感受野的同时使网络更轻量化,并且在特征提取和特征融合部分加入CBAM注意力机制,增强网络中对特征的提取,并保证底层特征图的特征信息,还在损失函数计算中引入新的边界框损失函数α-CIoU,以提升模型的收敛速度和对数据集的鲁棒性。实验结果表明,改进后的模型平均检测精度达93.6%,模型计算量下降58%,该方法有效提升了火焰检测的精度,降低了模型的计算量。

基于Fire-MCANet的火焰检测模型

针对火焰检测参数量和计算量较大及准确度较低的问题,提出一种基于Fire-MCANet(Fire-Max Convolution Activate Networks)的火焰检测模型。该模型首先构建一种MCA(Max Convolution Activate)模块,使用大卷积核获取感受野,提高特征提取的能力;其次构建主干网络MCANet Block,在提升感受野的同时,降低模型的参数量和计算量;最后引入CA(Coordinate Attention)注意力机制获取火焰的位置信息。实验结果表明,基于Fire-MCANet的火焰模型的检测准确率达到95.75%,计算量仅有2.13 GMac;其网络模型的结构比ConvNeXt网络更加轻量化,检测效果也更好。

危废焚烧火焰检测和安全管理系统的应用和研究

随着生态环境部和发展改革委联合发布的《危险废物重大工程建设总体实施方案(2023~2025年)》,势必会再次迎来一波危废处置工程建设小高潮。危险焚烧炉(以下简称:焚烧炉)为废物处置装置的核心设备,焚烧炉的平稳、安全地运行对废物处置行业的高效、持续发展起着至关重要的作用。如何保证焚烧炉的安全性、稳定性是各废物处置中心长久的研究课题。焚烧炉燃烧安全保障措施主要由燃烧安全管理系统进行保障,主要包含以下措施:燃烧室大吹扫,自动切断阀密闭性测试,点火枪点火(含离子火焰检测),主燃气点火及其他安全联锁控制。全面推广焚烧炉燃烧安全管理系统的工程应用,将从根本上提高焚烧炉的运行可靠性、安全系和平稳性,消除焚烧炉在开停工以及燃料不稳的状态下出现闪燃闪爆风险。

浅谈硫回收装置火焰检测器的选型与维护

结合生产实际,从火焰检测的原理出发,针对硫回收装置不同燃烧器的火焰检测器选型进行探讨,并介绍运行维护中的重要手段和方法,以期达到火焰检测器正确选型与维护的目的,保证装置安全、稳定、长周期运行。

蓄电池电路火焰检测实验平台设计

介绍了蓄电池电路的起火原因,设计了基于视频图像处理的蓄电池电路火焰检测实验平台。该实验平台首先对蓄电池电路的监控视频图像进行特征提取,分割出火焰目标,并进行图像增强,然后监控特征参数的变化趋势,对火焰进行报警。该实验平台可以用于课堂演示、实验教学和学生自主探究,有助于学生熟练掌握电路故障知识、视频图像处理方法和故障诊断方法,有利于培养学生的学科交叉和工程实践能力。

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络(BiFPN)结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。

FIRE-DET:一种高效的火焰检测模型

模型的效率在计算机视觉中变得越来越重要.本文通过研究用于火焰检测的神经网络结构,提出了几个关键的优化方案,以提高模型效率和检测效果.第一,提出一种由多卷积组合结构构建的主干网络(FIRE-Net),它能高效地从多个尺度上提取丰富的火焰特征;第二,提出一种改进的加权双向特征金字塔网络(BiFPN-mini)以快速地实现多尺度特征融合;第三,提出一种新的注意力机制(FIRE-Attention),让检测器对火焰特征更敏感.基于上述优化,本文开发出了一种全新的火焰检测器FIRE-DET,它在硬件资源有限的条件下能够取得比现有基于深度学习的火焰检测方法更高的检测效率.FIRE-DET模型在自建数据集上进行训练后,最终对火焰检测的准确率和帧率分别达到97%和85 FPS.实验结果表明,与主流算法相比,本文火焰检测模型检测性能更优.本文为解决火焰探测问题提供了一个更通用的解决方案.

基于改进YOLOv5的火焰检测方法

现有基于图像的火焰检测方法难以兼顾实时性和准确性,且缺乏对小火焰目标精准识别的能力,无法有效应对小火点灭火等应用场景。YOLOv5算法与传统主流算法相比在检测的实时性上有很大优势,为提升火焰检测精度,提出一种基于改进YOLOv5的火焰实时检测方法。针对YOLOv5模型进行改进:在特征提取部分嵌入协同注意力机制模块,在不损失特征信息的情况下减少特征冗余,以帮助模型更精确地定位火焰特征;在特征融合部分增加一个专门针对小火焰目标的检测层,并添加对应的特征提取及特征融合模块,以帮助模型有效获取感受野小于8×8像素的火焰特征;在损失函数的计算部分使用α-CIoU作为新的边界框损失函数,以提升模型的收敛速度和对小数据集的鲁棒性。此外,通过模型预训练和迁移学习的方法对火焰检测模型各层结构的权重参数进行初始化,防止梯度消失,提升训练效果。实验结果表明,改进后的火焰检测模型检测精度为96.6%,较YOLOv5原始模型提升7.4个百分点,并且检测速度达到68帧/s,模型大小仅15.4 MB,在大幅提升精度的基础上能够同时满足消防灭火机器人对火焰检测实时性和轻量化的要求。

基于高效液相色谱-二极管阵列检测器结合气相-质谱/脉冲火焰检测器分析香橙中类黄酮和挥发性物质

以香橙不同部位(果肉和果皮)为研究对象,采用高效液相色谱-二极管阵列、固相微萃取结合气相色谱-质谱/脉冲火焰检测器对香橙果实中6种类黄酮物质(芸香柚皮苷、柚皮苷、橙皮苷、新橙皮苷、柚皮素和橙皮素)和挥发性物质进行定性和定量分析,探讨香橙不同部位目标类黄酮物质和挥发性物质的分布规律。结果表明,香橙果肉和果皮中仅检测出芸香柚皮苷、柚皮苷、橙皮苷和新橙皮苷4种目标类黄酮物质,且果皮中总目标类黄酮物质含量明显高于果肉中含量;在香橙果实中共检测到69种挥发性化合物,果肉中的挥发性化合物种类(60种)多于果皮中(57种),而果肉中的含量低于果皮中;此外,芳樟醇(花香)、柠檬烯(橘香)、丁酸乙酯(果香)、对伞花烃(橘香)、α-蒎烯(松香)、β-月桂烯(果香和香脂味)、萜品油烯(松香)和乙酸丁酯(果香)是果肉中气味活性值(odor activity values,OAV)>100的重要特征风味组分;芳樟醇(花香)、柠檬烯(橘香)、α-蒎烯(松香)、β-月桂烯(果香和香脂味)、对伞花烃(橘香)、α-水芹烯(橘香)、石竹烯(油炸味、香料味)、丁酸乙酯(果香)是果皮中OAV>1000的重要特征风味组分;芳樟醇是香橙中最具有风味活性的物质;该研究可为香橙加工生产提供理论依据。

基于CXANet-YOLO的火焰检测方法

快速准确的火焰检测对于降低火灾危害具有重要意义,为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题,利用XSepConv (Extremely Separated Convolution)、大卷积核、Mish激活函数等构建CXANet-block(Convolution Extremely Attention Network)作为YOLOv5的骨干网络,引入CBAM (Convolution Block Attention Module)注意力机制,提出一种基于CXANet-YOLO的火焰检测方法,通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练,提升模型的鲁棒性和泛化能力.实验结果表明,CXANet-YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度,准确率提高了8.2%,检测速度每秒提升25帧.

基于YOLOv4的轻量级火焰检测算法

为改善现有火焰检测算法参数量大、训练时间长等缺点,本研究提出基于YOLOv4改进的轻量级火焰检测算法。算法以YOLOv4为基本框架,采用MobileNet v3作为主干网络,利用深度可分离卷积替代YOLOv4中颈部网络和检测网络的3×3普通卷积,并将激活函数更换为H-swish函数,构建出一种轻量级火焰检测算法。不仅参数大幅度减少,而且能提升火焰检测精确度,降低火焰漏报率。实验证明,在相同的训练条件下,本研究提出的算法参数量个数降为YOLOv4的18%,训练时间减少44%。当检测相同火焰图像时,与MobileNet v3-DW-YOLOv4算法相比,本研究算法的精确度提升1%,检测速度为每秒46帧,能更好地嵌入到终端设备上进行实时检测。

基于独立成分分析与FFT的火焰检测算法

针对锅炉炉膛火焰检测产品普遍存在的偷看现象,采用独立成分分析(ICA)和FFT相结合的算法,对燃烧火焰进行盲源分离和功率谱分析。结果表明:FastICA+FFT算法能够正确分离出本体火焰信号、旁路火焰信号和炉膛背景火焰信号,判断出锅炉燃烧状态,提高了系统检火的可靠性,降低了偷看漏看概率。

提升锅炉火焰检测系统运行稳定性的实践

火焰检测系统是燃煤、燃油锅炉炉膛安全监控系统的关键设备,其作用是根据火焰的物理特性对炉膛燃烧工况进行实时检测,一旦火焰燃烧状态不满足正常条件或熄火时,按一定的方式输出信号,作为故障报警及FSSS系统逻辑判断条件,保证锅炉灭火时停止燃料供应,防止可燃物在炉膛或管道聚集,发生爆燃甚至锅炉爆炸。

R9454火焰传感器在火灾火焰检测中的应用研究

近年来,频发的火灾成为威胁人们生存的隐患,给人们的生命和财产造成损失。火灾检测传感器是判断是否发生火灾的重要依据,利用传统的温度、烟雾传感器对火灾进行检测存在灵敏度和准确度不高等问题,为此使用了R9454火焰传感器。实验证明R9454火焰传感器准确性、可靠性和可行性较高。

氯化氢合成炉自动点火与火焰检测技术

介绍了氯化氢合成炉自动点火与火焰检测技术,主要包括自动点火装置及控制程序、自动点火调试的注意事项和火焰检测技术等。

发电厂燃煤机组炉膛火焰检测系统改造及效果分析

本文主要介绍了徐州华润电力有限公司320MW燃煤机组炉膛火焰检测系统改造工程实例,机组典型的升级改造技术应用及实践效果为同类型燃煤锅炉火焰检测系统改造方案选择提供借鉴和参考,在行业中以推广,从而实现锅炉的有效控制及优化。

融合EfficientViT的YOLOv5石墨化火焰检测模型

石墨化车间火焰识别监测对企业安全生产、污染物治理及节约能耗有着重要意义。针对现有深度学习目标检测模型存在对小火焰的识别精度较低,模型参数较多,不适用于嵌入式设备等问题,提出一种改进的YOLOv5轻量级石墨化火焰检测模型。采用EfficientViT模型为主干网络,在减少模型整体参数量的同时提高注意力的多样性。其次,使用(normalized wasserstein distance,NWD)改进损失函数,提高对小火焰的检测性能。经实验验证,所提出的模型查准率为90.2%,AP@0.5为94.3%。检测精度与YOLOv5网络相当的同时,参数数量减少了47%,模型大小减少了49%,具有识别精度高、占用内存少的优势。

GSP气化炉火焰检测器的优化与改造

火焰检测器是GSP气化炉安全监测系统的重要组成部分,也是操作人员远程掌握气化炉内火焰燃烧情况的重要设备。火焰检测器在GSP气化炉点火初期无法检测到火焰,投煤、燃料气切换期间存在火检频繁波动等情况。如何保证准确、可靠的检测气化炉内火焰情况,在深入分析了GSP气化炉烧嘴结构、火焰检测器构成及工作原理的基础上,针对火焰检测器使用过程中存在火检信号丢失、频繁波动等缺陷,提出了对火焰检测器基于全光谱动态的三重化冗余改造方法,通过改造有效地解决了以上问题。

用火焰检测电子管检测火焰的实验方法

介绍了采用新型传感元件 GP- 16火焰检测电子管实现非接触式火焰检测的方法 ,并给出了完成其功能的电路图 .