具体实施方式

本发明提出了一种基于红外图像的电解槽极板故障识别方法，其利用神经网络构建了电解槽极板故障识别模型，用于电解槽极板故障检测，下述实施例将以锌电解槽为例，应当理解，本发明并不局限于此类型电解槽，在不脱离本发明构思下的其他类型电解槽也适应于本发明。为了更好地理解本发明，下面结合实施例进一步详细地说明本发明的内容。此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明，即所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。

实施例1：

1.数据集的获取和标准化处理

本实施例中在锌电解车间，电解池包括若干个电解槽，单个电解槽内基本呈阵列式排布，阴阳极板相间放置，电解槽的两端为电解液入口和出口。

红外摄像机根据其视场角安装在电解池上方3～5米处，保证可以覆盖整个槽面。由操作员使用红外摄像机对电解槽进行拍摄，获取原始红外图像数据。

收集到现场数据后，首先自适应均值滤波算法去除原始图像的噪声点。另外，由于收集到的图片包含了整个电解槽，为方便对故障板定位，需要以标准槽为模板，使用标准化差值平方和匹配的方法，提取单槽图像。由于摄像机的广角镜头的镜片折射率不一致，导致图像存在桶形畸变，因此还需根据畸变率对其进行矫正，从而获得标准的训练样本。

经过一系列操作，获得实验数据共计2000张，数据标签由专业操作员进行标记，以保证训练数据的准确性，将其中1600张划分为训练集，剩下的400张划分为验证集，不需要测试集。

其中，本实施例在红外图像样本中将故障极板、电解液出入口进行目标标定，视为前景，并针对极板以轻微短路、普通短路、严重短路等故障类型进行分类，其他位置视为背景。因此，本实施例中的检测框类别包括：电解液出口(Outlet)、电解液入口(Inlet)、轻微短路(Slightshort)、普通短路(Generalshort)和严重短路(Severeshort)。

其他可行的实施例中，根据故障分类的需求可以对目标标定进行调整，譬如，在红外图像样本中将极板进行目标标定，并对故障以及非故障进行分类标记，其他位置视为背景；再或者以不同的标准划分故障类型。本发明对此不进行具体的限定，但是应当理解，样本标记中必然包含了故障极板的目标标定，从而使得训练后的网络能够用于电解槽的极板故障检测。

2.设计检测网络(电解槽极板故障识别模型的网络结构)

首先利用ResNet101残差网络提取图像的深度特征，然后使用区域生成网络(RPN)在特征层上针对每个特征点生成4个不同尺度的检测框。

由于待检测的极板尺寸固定，仅摄像机的拍摄角度会对图像中极板的尺寸产生轻微影响，因此根据极板的尺寸特征，主要选用长宽比1:4的检测框对故障目标进行检测，但是轻微短路状态下，发热点只出现在极板与母排的接触点附近，因此使用长宽比为1:2的检测框也是十分必要的。本实施例的上述设置，相较于传统生成策略可以减少约50％的检测框，且减少了部分边界框的回归计算量，提高了对故障极板的识别速度。

应当理解，通过RPN得到很多的检测框，一个标定目标范围对应了一系列的检测框，因此，有必要对其进行筛选，本实施例中优选采用改进的非极大值抑制算法进行筛选，其他可行的实施例中，也可以采用其他方式进行筛选。

本实施例中，所述改进的非极大值抑制算法对交并比高的检测框进行淘汰或惩罚。如下：

式中，M为标定目标对应的置信度最高的检测框，bi为当前检测框，iou(M,bi)为当前检测框与置信度最高的检测框的交并比，s_i为当前检测框的原始置信度，为重新赋值后的置信度，σ为置信度阈值调节系数；其中，重新赋值后的置信度为0的检测框被淘汰，iou(M,bi)小于或等于a₁的检测框区域视为背景，所述标定目标是在样本中标记的分类目标。

筛选过程中，针对每个标定目标对应的一系列检测框，确定置信度最高的检测框，该置信度为RPN网络给出的每个框中目标的前景分数(是前景的概率)；从而按照上述公式调整检测框的置信度，淘汰部分检测框，调整部分检测框的分数。并根据前景-背景得分分出前景和背景(即正负样本)。通过筛选后，每个标定目标对应的检测框得到有效筛减。

然后，将剩下的检测框输入ROIAlign层，将每个检测框对应的特征图尺寸缩放到一致(本实施例设置为7*7)，然后分别输入至分类网络以及回归网络进行目标分类和边界框调整(网络训练)。其中，关于ROIAlign层的功能是将检测框对应的特征图尺寸缩放到一致水平，其实现过程参照现有技术，本发明对此不进行限定。但是优选取消对特征图像的数值和边界量化操作，先使用双线性内插法计算图像数值，再进行最大池化操作。

分类网络是连接在ROIAlign层后全连接层，本实施例中节点数设置为6，连接Softmax分类器，因为输出5个类别，分别是电解液出口、电解液入口、轻微短路、普通短路和严重短路、背景。回归网络是与分类网络并联在ROIAlign层后全连接层，本实施例中节点数设置为24，连接Regressor边界框回归器，因为5个类别和1个背景都有4个边界框回归参数，从而对检测框进行分类，以及对检测框边界进行调整，获得检测框的精确位置。

3.模型训练和评估

设置模型的超参数和迭代次数，如设定基础学习率为0.001，动量因子为0.9，衰减值为0.0005，优化方法为随机梯度下降算法(SGD)，迭代次数为10000次。

将训练集载入搭建好的Mask-RCNN模型(本实施例的电解槽极板故障识别模型)，开始训练。其中，本实施例中优选训练集和验证集图像数量分别占总数据集的80％和20％。

完成迭代后，对模型性能进行评估，若查准率和查全率均能达到90％，且多类平均准确率(mAP)不低于85％，则说明此模型具有较好的故障识别能力，否则继续重复以上步骤，继续训练。

综上所述，本实施例的一种基于红外图像的电解槽极板故障识别方法，其包括以下步骤：

步骤1：获取电解槽极板的红外图像数据。

如采集锌电解槽极板的红外图像数据，并对其进行标准化处理，然后划分为训练集和验证集。

步骤2：以步骤1的红外图像数据作为样本数据进行网络训练得到电解槽极板故障识别模型；

步骤3：将待识别的电解槽极板的红外图像数据输入所述电解槽极板故障识别模型得到故障识别结果。

对待识别的电解槽极板的红外图像数据进行预处理、深度特征提取、检测框生成、筛选出候选检测框、再分别从分类网络以及回归网络得到所属类别以及精确的检测框，最终得到极板的故障区域及其类型。

其中，电解槽极板故障识别模型的训练过程如下：

S2-1：将红外图像数据输入所述特征提取网络(如残差网络)得到样本的特征图；

S2-2：将所述特征图输入区域生成网络(RPN)得到检测框，并采用使用改进的非极大值抑制算法(NMS)对所述检测框进行筛选得到候选检测框；

S2-3：将每个候选检测框对应的特征图输入至分类网络和回归网络进行训练，得到所述电解槽极板故障识别模型。

本实施例中，优化方法为随机梯度下降算法(SGD)，基础学习率为0.001，衰减值为0.0005，动量因子为0.9，迭代次数为10000次。对训练好的模型进行性能评估，若查准率和查全率均能达到80％，且多类平均准确率(mAP)不低于75％，则说明此模型具有较好的故障识别能力，若不达要求则重复步骤5，继续进行迭代优化。

应当理解，若是精度或者检测框的数量达不到预设要求，可以重复进行迭代运算。迭代过程可以是利用回归网络得到精确检测框的基础上，再次返回步骤S2-2进行筛选以及再次进行训练。在步骤3利用电解槽极板故障识别模型识别时，若是检测框的数量过高，也可以采用改进的非极大值抑制算法对所述检测框进行筛选得到最终检测框，本发明对此不进行具体的限定。

实施例2：

本实施例提供一种基于电解槽极板故障识别方法的系统，其包括：图像数据获取模块、电解槽极板故障识别模型构建模块和检测模块，其中，电解槽极板故障识别模型构建模块包括特征图生成模块、检测框生成模块、检测框筛选模块以及模型训练模块。

其中，图像数据获取模块，用于获取电解槽极板的红外图像数据；电解槽极板故障识别模型构建模块用于以红外图像数据作为样本数据进行网络训练得到电解槽极板故障识别模型。

特征图生成模块，用于将红外图像数据输入所述特征提取网络得到样本的特征图；检测框生成模块，用于将所述特征图输入区域生成网络得到检测框；检测框筛选模块，用于对所述检测框进行筛选得到候选检测框；

模型训练模块，用于将每个候选检测框对应的特征图输入至分类网络和回归网络进行训练；

检测模块，用于将待识别的电解槽极板的红外图像数据输入所述电解槽极板故障识别模型得到故障识别结果。

其他可行的方式中，特征图生成模块、检测框生成模块、检测框筛选模块以及模型训练模块以独立模块工作，不集成为一个电解槽极板故障识别模型构建模块。即功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式。

其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

实施例3：

本实施例提供一种终端，其包括处理器和存储器，所述存储器存储了一个或多个程序，所述处理器调用所述程序以实现：

步骤1：获取电解槽极板的红外图像数据；

步骤2：以步骤1的红外图像数据作为样本数据进行网络训练得到电解槽极板故障识别模型；所述电解槽极板故障识别模型的网络至少包括：特征提取网络、区域生成网络、分类网络和回归网络，所述电解槽极板故障识别模型的训练过程如下：

S2-1：将红外图像数据输入所述特征提取网络得到样本的特征图；

S2-2：将所述特征图输入区域生成网络得到检测框，并对所述检测框进行筛选得到候选检测框；

S2-3：将每个候选检测框对应的特征图输入至分类网络和回归网络进行训练，得到所述电解槽极板故障识别模型；

其中，所述分类网络用于对检测框区域进行分类，鉴别类别至少包含故障类别；所述回归网络用于调整检测框边界；

步骤3：将待识别的电解槽极板的红外图像数据输入所述电解槽极板故障识别模型得到故障识别结果。

该终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。

其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。

如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。

可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。

各个步骤的具体实现过程请参照前述方法的阐述。

应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

实施例4：

本实施例提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：

步骤1：获取电解槽极板的红外图像数据；

步骤2：以步骤1的红外图像数据作为样本数据进行网络训练得到电解槽极板故障识别模型；所述电解槽极板故障识别模型的网络至少包括：特征提取网络、区域生成网络、分类网络和回归网络，所述电解槽极板故障识别模型的训练过程如下：

S2-1：将红外图像数据输入所述特征提取网络得到样本的特征图；

S2-2：将所述特征图输入区域生成网络得到检测框，并对所述检测框进行筛选得到候选检测框；

S2-3：将每个候选检测框对应的特征图输入至分类网络和回归网络进行训练，得到所述电解槽极板故障识别模型；

其中，所述分类网络用于对检测框区域进行分类，鉴别类别至少包含故障类别；所述回归网络用于调整检测框边界；

步骤3：将待识别的电解槽极板的红外图像数据输入所述电解槽极板故障识别模型得到故障识别结果。

各个步骤的具体实现过程请参照前述方法的阐述。

所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。