от коксовой батареи Создание системы автоматического определения газования Контроль за соблюдением регламентов и технологии производства Контроль качества ремонта дверей батареи В рамках работ по проекту разработан программно- аппаратный комплекс, объединяющий камеры видеонаблюдения, модули анализа видеопотока, серверирабочее местосменногомастера.
передает изображение на вычислительнуюплату смарт-модуля. Далее первая свёрточная нейронная сеть отсеивает секции батареи на изображении, перекрытые коксовыталкивателем илилюбымдругим объектом. Затем вторая свёрточная нейронная сеть анализирует не перекрытые участки и отправляет номер двери,где происходит утечкагаза,насервервместесизображением. ПО сервера отображает сигналы в графическом интерфейсе для технического персонала батареи. Смарт-модуль Сервер АРМ Камеры
на хранение 1-го месяца круглосуточной записи с камер и фотографий случаев утечки газа сроком до 6-ти месяцев. Оборудовано автоматизированное рабочее место (АРМ), где в реальном времени транслируется видео с установленных камер и отображается состояние дверей батареи на мнемосхеме с помощью цветовой индикации.
дверей батареи, в которых за прошедший период часто происходили утечки. Список требующих осмотра дверей находится в разделе графического интерфейса, показанном на слайде. Данный интерфейс поддерживает возможность составления отчетов о газованияхза любой выбранный период. Рекомендации по осмотру АРМ
была выбрана архитектура, которая включает в себя две нейронных сети: Первая нейронная сеть отвечала за отсеивание коксовыталкивателя и людей; Вторая же за обнаружение газа на батарее. В качестве основы были выбраны свёрточные нейронные сеть, написанные при помощи Tensorflow.
показаны изображения после полной обработки (изменение контраста, яркости, зануление областей изображения для упрощения формирования признаков), которые уже и подаются в модель. Для удобной отладки и визуализации прямоугольники загораются красным, если в зоне обнаружен коксовый газ. Если же газа нет, то прямоугольник остается зеленым. Преобразование
было написано множество различных программ, упрощающих этот процесс. Сначала размечаются видео. Каждые 100 кадров анализируются в ручную. Далее человек оставляет пометку в txt файле о событии, которое произошло за это время (события изображены в виде массивов из нулей и единиц). Далее эти метки обрабатываются алгоритмом и генерируются изображения, разделенные на несколько классов и зон. После, сохраненные изображение проходят стадию обработки, где на выходе получаются огромные массивы данных в формате npy.
газования коксовой батареи с фиксацией и выводом сигнализации по степени газования. Автоматическое распознавание степени газования коксовых батарей В интерфейсе АРМ создана функция для контроля за соблюдением регламентов и технологии производства кокса, а также контроля за качеством выполненного ремонта дверей коксовой батареи. В рамках развития системы реализуется применение комплекса на остальных коксовых батареях для повышения результативности их работы. В настоящее время устанавливаются цифровые камеры на угольной башне коксовой батареи №13-14.
обеспечение для анализа видеоматериалов с 4-х камер, которые определяют сверхнормативные выбросы с дымовых труб и неорганизованных источников на объектах ПАО «ММК». Реализована отправка на мнемосхему сигналов о наличии слабых и сильных выбросов на технологических объектах ПАО «ММК»: коксовый цех, доменный цех, ЭСПЦ, ККЦ, ПВЭС №2. Мнемосхемы Разработаны мнемосхемы для визуального отображения сигналов о выбросах.
вектор признаков сверхнормативных выбросов. Вектор подается в обученную нейросеть, которая определяет наличие выбросов на производственных объектах и их интенсивность. По данным, полученным из нейросети, формируется сигнал и отправляется на мнемосхему, где преобразуется в визуальное отображение.
просто изображения, на котором отображены выбросы. Их необходимо обработать. Для выделения признаков используется HOG (дескрипторы особых точек, которые используются в компьютерном зрении и обработке изображений с целью распознавания объектов). Обработка данных с выбросами
а вектор значений, который несёт в себе полезную информацию, присущую выбросу. Именно эта ценная информация и позволяет модели (при большом количестве разнообразных примеров) отличать то, что находится в области,выделенной четырехугольником. Результат после обработки HOG изображения
выделение признаков из двух классов используется Adaboost (SVM в данной задаче показал более худший результат). На рисунке изображен процесс передачи данных в модель, на которых она будет обучаться. После запуска этого кода модель незамедлительно начнет обучение с дальнейшим изменением весовых коэффициентов по которым и будут строиться ключевые признаки, присущие тому или иному классу.
наличие выбросов на объектах определяется цветовой индикацией: Зеленый – нет выбросов; Желтый – слабые выбросы; Красный – сильные выбросы; Серый – нет сигнала с камеры. Общий вид позволяет получать краткую сводку о выбросах за сутки по каждому из объектов. Краткая сводка