洪文健

（廣州特種承壓設備檢測研究院，廣東 廣州 510630）

1 卷積神經(jīng)網(wǎng)絡CNN概述

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN或ConvNet）是一類包含卷積計算、局部連接且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之一。卷積神經(jīng)網(wǎng)絡主要應用于計算機視覺、自然語言處理等領(lǐng)域。卷積神經(jīng)網(wǎng)絡仿造生物的視知覺機制構(gòu)建，可以進行監(jiān)督學習和非監(jiān)督學習，其中卷積核參數(shù)共享和層間連接的稀疏性使得卷積神經(jīng)網(wǎng)絡能夠以較小的計算量對格點化特征，如像素、音頻進行學習、有穩(wěn)定的效果且對數(shù)據(jù)沒有額外的特征工程要求。

卷積神經(jīng)網(wǎng)絡主要使用在圖像視頻語音識別等各種人物上，如人臉識別、物體識別、圖像分割等，其準確率一般也遠遠超出其他的神經(jīng)網(wǎng)絡模型。近年來，卷積神經(jīng)網(wǎng)絡的表征學習能力得到了關(guān)注，并隨著數(shù)值計算設備的更新得到了發(fā)展。在圖像識別方面，卷積神經(jīng)網(wǎng)絡能夠?qū)x表的數(shù)字、溫度計刻度、壓力表指針旋轉(zhuǎn)角度進行識別，對于工業(yè)鍋爐中的讀數(shù)方面起必要作用。

2 快速隨機Hough變換多直線檢測算法（FRHT）

快速隨機Hough變換多直線檢測算法（Fast multiline detection algorithm using randomized Hough transform，F(xiàn)RHT）是一種針對現(xiàn)有的隨機Hough變換直線檢測算法的無效采樣量大、計算速度慢等缺點，而采用另一種采用策略，使得無效采樣量大幅減小，計算速度提高。其主要方式是通過先在邊緣點梯度方向的統(tǒng)計分布特征確定潛在直線的主方向，再通過設定閾值消除K個分組邊緣點集中對直線檢測毫無貢獻的點集，從而提高采樣的有效率。

基于邊緣梯度方向的RHT直線檢測：每條直線的方向大概可以由邊緣梯度方向確定，只要在邊緣上的某些像素頂確定所在位置對應的邊緣梯度方向，邊緣便可看作是特定方向的邊緣像素點構(gòu)成。統(tǒng)計不同梯度方向的像素點個數(shù)便能表征圖象邊緣取向的分布特性，從而確定直線的主方向。

圖像f(x,y)所在位置的梯度向量可以表示為

其中梯度的大小表示為

梯度方向可以表示為

由基于模板的邊緣檢測算子Sobel進行邊緣檢測，用區(qū)域小的模板近似計算每個像素點的梯度值，便可同時得到邊緣梯度方向，并統(tǒng)計在中，它的定義是

該函數(shù)反映了邊緣取向的分布特征，即梯度方向相似的邊緣像素點的分布狀況。

選取不同子集的點確定直線，把邊緣像素點分成不同的子集合，每個子集合由相似梯度方向的像素點組成。這樣的過程只需要一個二維累加器來記錄。由于一個集合中的點有著相似的梯度方向，選定點很可能是共線的，當處理共線點時，就能減少投票所需要的時間和計算量。

該算法的有效采樣概率為：

相較于原來的隨機Hough算法的有效采用率：

由此可知，顯然新的算法有效采樣率顯著高于原來的有效采樣率。

3 結(jié)語

通過對特種承壓設備儀表AI識別算法的研究分析，初步確立了算法設計的大致思路，為工業(yè)鍋爐對儀表運營監(jiān)控系統(tǒng)平臺提供了儀表數(shù)據(jù)正確性穩(wěn)定性的保障。把該項目與鍋爐能耗實時在線監(jiān)測、鍋爐熱效率計算與鍋爐能耗管理結(jié)合起來，能夠為企業(yè)提供大部分對于鍋爐系統(tǒng)監(jiān)測的服務，降低企業(yè)成本，對于經(jīng)濟和社會有很高效益，將鍋爐管理由傳統(tǒng)的人工管理轉(zhuǎn)變?yōu)闄C器自動化管理，應用前景十分廣闊。