電站鍋爐巡檢無人機(jī)圖像增強(qiáng)及智能識別技術(shù)

張堅(jiān)群

（浙江浙能樂清發(fā)電有限責(zé)任公司，浙江 溫州 325609）

0 引言

目前，燃煤發(fā)電依舊是國內(nèi)的主要電力來源，2021年燃煤電站發(fā)電量占全國總發(fā)電量約70%。在燃煤電站，鍋爐是最主要的設(shè)備之一，是化石燃料轉(zhuǎn)化為熱能的場所。煤等化石燃料在鍋爐爐膛內(nèi)燃燒，產(chǎn)生熱能，然后將熱能轉(zhuǎn)化為電能，所以鍋爐的穩(wěn)定運(yùn)行至關(guān)重要。但是由于爐膛內(nèi)燃燒溫度特別高，煙氣流速非常快，鍋爐水冷壁等受熱面經(jīng)常出現(xiàn)大面積結(jié)焦和爆管事故，嚴(yán)重威脅到鍋爐的安全運(yùn)行。

加強(qiáng)鍋爐的檢修是保證鍋爐安全運(yùn)行的有效手段，目前主要有兩種檢修方式：一類是事故后的停爐檢修，一類是日常定期檢修。鍋爐爐膛四周布滿了金屬水冷壁，是一個內(nèi)部沒有光源封閉的矩形空間，布滿了灰塵和煤焦，且富含CO等有毒氣體，環(huán)境非常惡劣，非常不利于檢修[1-3]。目前無論是日常檢修還是緊急事故檢修，都需要在鍋爐爐膛完全冷卻后（環(huán)境溫度），在爐膛內(nèi)搭建人工腳手架，檢修工人進(jìn)入爐膛后，采用人工巡視對爐膛進(jìn)行全面巡檢。這種傳統(tǒng)的人工鍋爐檢修方式，耗時耗力，消耗大量人力物力，經(jīng)濟(jì)效益較低，同時檢修風(fēng)險(xiǎn)也比較高。

利用智能化設(shè)備提高檢修效率，降低檢修成本以及提高檢修安全性，是建設(shè)智慧電廠的重要內(nèi)容。隨著無人機(jī)技術(shù)的進(jìn)步和發(fā)展，被廣泛應(yīng)用于電力巡檢等領(lǐng)域。無人機(jī)作為一個技術(shù)平臺和工具，正被應(yīng)用于各個領(lǐng)域[4,5]。在國外，德國Quenzel Jan等人開發(fā)了用于工業(yè)煙囪巡檢的無人機(jī)導(dǎo)航系統(tǒng)[6]，無人機(jī)采用多旋翼無人機(jī)，配備3D激光掃描儀以及立體聲相機(jī)等多個傳感器，多傳感器之間相互融合工作。瑞士Michael Burr 和Janosch Nikolic 等人設(shè)計(jì)并開發(fā)了基于視覺火電廠鍋爐爐膛檢測的無人機(jī)，能夠用于大型鍋爐爐膛的檢測[7]。國內(nèi)對無人機(jī)在封閉空間的導(dǎo)航問題進(jìn)行了大量研究，北京航空航天大學(xué)吳琦等人研究了封閉空間無衛(wèi)星導(dǎo)航信號條件下小型無人機(jī)的導(dǎo)航問題[8]。燕山大學(xué)王夢石和華南理工大學(xué)姚土采用超帶寬定位技術(shù)，（UWB）研究了無人機(jī)室內(nèi)導(dǎo)航問題[9,10]。

本文在某600MW超臨界機(jī)組爐膛內(nèi)，采用UBW定位技術(shù)，進(jìn)行了無人機(jī)爐膛巡視檢修測試，結(jié)果表明利用無人機(jī)可以完成鍋爐爐膛事故和日常巡檢。通過無人機(jī)攜帶高清攝像機(jī)對爐膛進(jìn)行全爐膛掃描，掃描圖像可以實(shí)時傳輸至爐外，也可以用于計(jì)算機(jī)智能分析。測試結(jié)果表明，由于爐膛內(nèi)光線昏暗，且多灰塵，所攝取的視頻圖像不能夠直接用于人工巡檢和智能巡檢。本文研究了鍋爐爐膛無人機(jī)視頻預(yù)處理和智能識別技術(shù)，將無人機(jī)獲得的視頻經(jīng)過光學(xué)校正、去噪、圖像復(fù)原等預(yù)處理措施，然后用于人工巡檢和智能巡檢，取得較好的效果。

1 燃煤電站鍋爐無人機(jī)巡視技術(shù)

燃煤電站鍋爐巡檢無人機(jī)飛控解決方案如圖1，無人機(jī)采用四旋翼機(jī)翼無人機(jī)。主要包括了主控單元、無線通信模塊、操控器、傳感器、執(zhí)行機(jī)構(gòu)，以及三維路徑規(guī)劃和定位系統(tǒng)。主控單元是控制系統(tǒng)的核心模塊，主要將采集到的飛行數(shù)據(jù)和控制指令，由高級控制算法實(shí)時計(jì)算后輸出到執(zhí)行機(jī)構(gòu)，控制飛機(jī)的飛行姿態(tài)和路徑。各種傳感器用于采集飛機(jī)的姿態(tài)、速度和高度等數(shù)據(jù)，執(zhí)行機(jī)構(gòu)控制四旋翼機(jī)翼的轉(zhuǎn)速和方向。無線通信模塊是人工操控和自動飛行的通訊接口模塊，無線通信模塊由爐外端和爐內(nèi)端構(gòu)成，兩端通過有線連接。爐外端通過無線連接著操控器和三維定位服務(wù)器，爐內(nèi)端負(fù)責(zé)在爐內(nèi)與無人機(jī)飛控通訊、數(shù)據(jù)交互以及視頻信號采集等。操控器用于人工控制飛行，三維定位服務(wù)器以鍋爐爐膛為對象，開發(fā)一個三維模型，將無人機(jī)飛行軌跡在三維模型上實(shí)時展示。在人工飛行模式下，由于無法目測無人機(jī)的飛行軌跡，參照實(shí)時三維模型上的飛行軌跡，可以解決爐外盲飛的問題。在自動飛行模式下，在三維模型上人工規(guī)劃飛行路徑，無人機(jī)將按照既定的軌跡自主飛行。同時三維定位服務(wù)器實(shí)時接收無人機(jī)的視頻數(shù)據(jù)，將爐內(nèi)的實(shí)時視頻數(shù)據(jù)傳輸至服務(wù)器保存和處理。

圖1 燃煤電站鍋爐巡檢無人機(jī)飛控解決方案Fig.1 Flight control solution of UAV for boiler inspection in coal-fired power station

圖2為600MW超臨界鍋爐爐膛無人機(jī)巡檢視頻信號處理方案，主要包括了多傳感器視頻采集和信號傳輸，視頻數(shù)據(jù)預(yù)處理，基于立體視覺的三維重建、超聲波三維定位以及故障智能識別等。本文主要介紹視頻預(yù)處理和基于神經(jīng)網(wǎng)絡(luò)的故障識別技術(shù)。

圖2 600MW超臨界鍋爐爐膛無人機(jī)視頻信號處理方案Fig.2 Video signal processing scheme of UAV in 600 MW supercritical boiler furnace

2 爐膛巡檢無人機(jī)視頻圖像增強(qiáng)技術(shù)

2.1 鍋爐受熱面視頻光學(xué)校正

電站鍋爐爐膛環(huán)境惡劣，黑暗無光源。照明是爐內(nèi)無人機(jī)飛行的主要困難之一，加裝外部電源需周期長且能耗高，受限于無人機(jī)續(xù)航和電池容量，無人機(jī)自帶照明照度有限。本文所研制的無人機(jī)采用自帶照明技術(shù)，但受限于鍋爐昏暗和多灰環(huán)境，視頻圖像亮度信息明顯不足。無人機(jī)所拍攝的動態(tài)視頻對于亮度有一定的需求，否則視頻信號會失真，導(dǎo)致鍋爐受熱面的檢查結(jié)果誤差較大，使得巡檢結(jié)果不客觀、不理想且不準(zhǔn)確。為了解決這一難題，采用基于伽馬校正方法對視頻進(jìn)行補(bǔ)光處理，調(diào)整視頻亮度圖像，同時能夠保持視頻亮度等細(xì)節(jié)信息，防止在估計(jì)亮度圖像的過程中丟失亮度信息。通過該方法有效解決了電站鍋爐爐內(nèi)光源缺乏的問題，改善視頻圖像對比度下降以及亮度不均衡的缺陷，有效解決了無人機(jī)鍋爐內(nèi)部巡視視頻質(zhì)量不佳的問題，具體校正方法如下：

為了達(dá)到亮度一致的目的，需要使屏幕色彩響應(yīng)函數(shù)滿足：

根據(jù)等式（1），得到優(yōu)化的約束條件：

Hd′ (x,y)計(jì)算影響對比度尋優(yōu)，為了能夠在約束條件限制下獲得亮度響應(yīng)曲面，提出了一種基于貪心方法的動態(tài)優(yōu)化算法。

貪心方法的基本原理是：優(yōu)化問題是尋找問題的可行解，所謂可行解是滿足一定約束條件的解。優(yōu)化問題一般存在一個目標(biāo)函數(shù)，此目標(biāo)函數(shù)能夠綜合評價優(yōu)化問題，優(yōu)化問題轉(zhuǎn)化為獲得目標(biāo)函數(shù)的可行解。它把優(yōu)化問題求解過程分成若干個子過程，使得每一個子過程的目標(biāo)函數(shù)極大（或極?。?，判斷是否是可行解，如果是則繼續(xù)進(jìn)行下一階段的求解，否則尋找目標(biāo)函數(shù)次優(yōu)解作為可行解。

為了目標(biāo)亮度問題尋優(yōu)，計(jì)算響應(yīng)曲面函數(shù)Hd′ (x,y)，給出目標(biāo)函數(shù)：

測量得到的亮度響應(yīng)曲面Hd(x,y)和目標(biāo)亮度響應(yīng)曲面Hd′ (x,y) 的均方差，通過貪心方法求使目標(biāo)函數(shù)最大的可行解。

此算法也是一種濾波算法，算法的輸出是一階連續(xù)的，所以亮度統(tǒng)一的結(jié)果也是變化平滑的。圖3是運(yùn)用該算法得到的對比圖。

圖3 無人機(jī)巡檢的圖像光學(xué)校正Fig.3 Image optical correction of UAV patrol inspection

2.2 爐膛受熱面的無人機(jī)圖像去噪

電站鍋爐爐膛多灰，無人機(jī)的飛行氣流使得空氣中的灰塵濃度升高，給無人機(jī)的視頻采集帶來困難，影響了視頻的清晰度?；覊m的大量存在，使得采集的視頻序列增加了嚴(yán)重的噪聲，這些噪聲的存在使得視頻質(zhì)量嚴(yán)重下降，影響對鍋爐受熱面的檢測質(zhì)量。因此，視頻圖像序列去噪聲是本文研究的另一項(xiàng)重點(diǎn)內(nèi)容。

維納（Wiener）濾波器是一種自適應(yīng)濾波器，為了適應(yīng)信號噪聲未知的或隨時間變換的統(tǒng)計(jì)特性，利用潛意識可以獲得的濾波器參數(shù)等結(jié)果，自動調(diào)節(jié)現(xiàn)時刻的濾波器參數(shù)。具體的，自適應(yīng)濾波器根據(jù)圖像的局部方差調(diào)整濾波器的輸出，目標(biāo)是使恢復(fù)圖像g（x,y）與原始圖像f（x,y）的均方差最小。

維納（Wiener）濾波器首先估計(jì)出像素的局部矩陣均值和方差：

對每一個像素利用Wiener濾波器估計(jì)出其像素值：

式（5）中，v2為噪聲的方差。

綜上所述，維納濾波去噪方法以濾波器的輸出根據(jù)圖像局部方差來調(diào)整。相對于線性濾波器，維納濾波器選擇性更好，圖像的邊緣和高頻細(xì)節(jié)等信息可以得到更好地保留和加強(qiáng)。在濾波處理過程中，當(dāng)圖像局部方差偏大時，濾波平滑效果較弱，反之濾波平滑效果較強(qiáng)。本文研究表明，通過本維納濾波去噪算法，有效提高算法計(jì)算速度和魯棒性，具有較好的去噪效果。

圖4是通過使用維納濾波器去噪算法進(jìn)行處理的對比圖像。

圖4 無人機(jī)巡檢的圖像去噪Fig.4 Image denoising of UAV patrol inspection

2.3 無人機(jī)運(yùn)動模糊圖像復(fù)原

攝像機(jī)在獲取景物時，如果在相機(jī)的曝光時間內(nèi)景物與相機(jī)之間有相對運(yùn)動，則得到的圖像往往會比較模糊，這類退化圖像被稱為運(yùn)動模糊圖像。一般有兩種途徑可以減少由于模糊而引起的圖像退化。一種是減少相機(jī)的曝光時間，這樣可以在一幀圖像的積分時間內(nèi)減少運(yùn)動模糊距離，也就減小了一個像素點(diǎn)的能量在多個像素點(diǎn)上的平均。但曝光時間不能無限地減小，曝光時間太短會導(dǎo)致每個像素上積累的能量太少，則獲得圖像的亮度太低而使圖像質(zhì)量嚴(yán)重下降。另一種途徑是建立圖像運(yùn)動模糊的數(shù)學(xué)模型，利用圖像處理技術(shù)將退化圖像進(jìn)行復(fù)原，達(dá)到消除圖像運(yùn)動模糊的目的。這種方法與具體的硬件設(shè)備無關(guān)，具有普遍性，因而受到了廣泛的關(guān)注。

運(yùn)動模糊圖像的恢復(fù)是圖像復(fù)原的主要分支之一，由于大多數(shù)圖象恢復(fù)問題都不具有唯一解，或者說恢復(fù)具有病態(tài)特征。為了克服這一問題，通常需要在恢復(fù)過程中對運(yùn)算施加某種約束。

設(shè)對圖施加某一線性運(yùn)算Q，求在約束條件：

利用拉格朗日乘數(shù)法，構(gòu)造輔助函數(shù)：

實(shí)際飛行結(jié)果表明，在4個方向中均出現(xiàn)運(yùn)動模糊，其中前向運(yùn)動模糊是最主要的。研究表明，飛行姿態(tài)變化對模糊尺度具有一定的影響，與前向運(yùn)動模糊還是主要的，兩者相差一個數(shù)量級，因此飛行姿態(tài)變化對模糊的影響可忽略不計(jì)。前向運(yùn)動模糊的補(bǔ)償一般有電子式、光學(xué)式和機(jī)械式等補(bǔ)償方法，利用這些補(bǔ)償方法能有效消除無人機(jī)相對運(yùn)動視頻質(zhì)量的影響，有效恢復(fù)圖像質(zhì)量。除了前向運(yùn)動模糊，大氣湍流、機(jī)翼隨機(jī)旋轉(zhuǎn)和振動等造成的運(yùn)動模糊，對視頻質(zhì)量也有一定的影響。對于該運(yùn)動模糊，通過式（6）的運(yùn)動補(bǔ)償算法，對圖像復(fù)原算法進(jìn)行改進(jìn)，開發(fā)了實(shí)時性和魯棒性都較強(qiáng)的去模糊算法。通過無人機(jī)在爐膛內(nèi)實(shí)際應(yīng)用表明，采用該去模糊算法效果良好。圖5是通過使用該去模糊圖像復(fù)原算法處理的對比圖像。

圖5 無人機(jī)巡檢的圖像去模糊Fig.5 Image deblurring of UAV patrol inspection

3 受熱面故障缺陷智能識別檢測

深度信念神經(jīng)網(wǎng)絡(luò)被廣泛用于智能巡檢等領(lǐng)域，為了確保神經(jīng)網(wǎng)絡(luò)能夠按照最大概率生成訓(xùn)練數(shù)據(jù)，需要對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，目標(biāo)是通過學(xué)習(xí)算法獲得一組最優(yōu)的權(quán)值。深度信念網(wǎng)絡(luò)屬于神經(jīng)網(wǎng)絡(luò)范疇，但其包含了多隱層網(wǎng)絡(luò)模型。多隱層網(wǎng)絡(luò)模型權(quán)值訓(xùn)練具有一定的難度，由于隱層太多，若直接使用梯度下降法，容易使網(wǎng)絡(luò)陷入局部最小。同時，隨著網(wǎng)絡(luò)隱層數(shù)目的增加，網(wǎng)絡(luò)梯度幅度急劇減小，深度也相應(yīng)增加，造成神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)節(jié)非常緩慢。在網(wǎng)絡(luò)訓(xùn)練過程中，初始權(quán)值是決定網(wǎng)絡(luò)訓(xùn)練質(zhì)量的一個主要因素，對訓(xùn)練結(jié)果和學(xué)習(xí)算法魯棒性影響較大。本文采用Hinton提出的一種非監(jiān)督的貪心逐層訓(xùn)練算法對深度信念神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行預(yù)處理，可以得到一組相對比較最優(yōu)的權(quán)值，解決了相關(guān)的深層網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化難題。

式（8）中：aj是RBM2層第j個神經(jīng)元的基；W就是RBM網(wǎng)絡(luò)的鏈接權(quán)值。

對于被訓(xùn)練的每一個樣本s，將其賦值給可見層進(jìn)行訓(xùn)練RBM，充分訓(xùn)練RBM1后，固定RBM1權(quán)值，使用式（8）得到RBM2的輸入向量，然后訓(xùn)練RBM2。以此類推，完成整個神經(jīng)網(wǎng)絡(luò)的權(quán)值預(yù)處理。

采用式（8）預(yù)訓(xùn)練完后，將輸出層神經(jīng)元的激勵函數(shù)設(shè)置為sigmoid函數(shù)，獲得了深度信念網(wǎng)絡(luò)的較優(yōu)權(quán)值。訓(xùn)練結(jié)束后，訓(xùn)練樣本的輸入和輸出可以作為神經(jīng)網(wǎng)絡(luò)初始輸入和輸出，其中權(quán)值大小的調(diào)節(jié)需要根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出和訓(xùn)練樣本中對應(yīng)輸出之間的差值反向調(diào)節(jié)，采用梯度下降法對預(yù)訓(xùn)練權(quán)值進(jìn)行調(diào)節(jié)，最終得到比較優(yōu)的權(quán)值。從輸出層和各個隱層之間的權(quán)值逐步調(diào)節(jié)開始，相應(yīng)權(quán)值全部滿足精度后，整個網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值全部確定。測試樣本的100組數(shù)據(jù)進(jìn)行測試，擬合的效果如圖6，模型輸出和期望值偏差如圖7。

圖6 模型測試輸出和實(shí)際輸出Fig.6 Model test output and actual output

圖7 模型測試輸出和實(shí)際輸出誤差Fig.7 Actual error between model test output and actual output

在實(shí)際應(yīng)用過程中，利用該深度信念神經(jīng)網(wǎng)絡(luò)算法，對爐膛內(nèi)結(jié)焦?fàn)顩r進(jìn)行智能識別，成功的發(fā)現(xiàn)了燃燒器的結(jié)焦情況，如圖8所示。

圖8 智能檢測燃燒器結(jié)焦識別Fig.8 Intelligent detection and burner coking identification

4 結(jié)論

由于鍋爐爐膛無光源，含有大量的煤灰。利用無人機(jī)所獲取的受熱面視頻圖像，不能直接用于人工檢測和智能診斷。論文研究了鍋爐受熱面無人機(jī)視頻光學(xué)校正、信號去噪以及去模糊技術(shù)。將所獲取的受熱面視頻圖像經(jīng)過預(yù)處理后，采用基于神經(jīng)網(wǎng)絡(luò)的智能檢測技術(shù)，對例如爐膛結(jié)焦等受熱面故障進(jìn)行智能分析，取得了較好的效果。

本文研究結(jié)果表明，利用無人機(jī)開展?fàn)t膛巡視和檢修是可行的，可以節(jié)約大量檢修成本，提高檢修效率，降低檢修風(fēng)險(xiǎn)，為燃煤電站的智能化和智慧化技術(shù)發(fā)展提供了思路。