段志偉 邵女 豆全輝 徐武

基金項(xiàng)目：國(guó)家自然科學(xué)基金（批準(zhǔn)號(hào)：51474069）資助的課題。

作者簡(jiǎn)介：段志偉（1980-），副教授，從事測(cè)控技術(shù)與儀器的研究。

通訊作者：邵女（1998-），碩士研究生，從事測(cè)控技術(shù)與儀器、目標(biāo)檢測(cè)等的研究，sn1830108173@163.com。

引用本文：段志偉，邵女，豆全輝，等.基于改進(jìn)YOLOv7的轉(zhuǎn)爐火焰燃燒狀態(tài)檢測(cè)研究[J].化工自動(dòng)化及儀表，2024，

51（3）：388-395.

DOI：10.20030/j.cnki.1000?3932.202403003

摘 要 針對(duì)某煉鋼廠(chǎng)A號(hào)轉(zhuǎn)爐爐膛火焰燃燒狀態(tài)分析判定問(wèn)題，提出基于改進(jìn)YOLOv7深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)結(jié)合視頻火焰狀態(tài)的判斷方法。首先引入無(wú)參平均注意力機(jī)制（PfAAM），在不添加參數(shù)或超參數(shù)的情況下捕獲通道注意力和空間注意力，并使用輕量化上采樣算子（CARAFE）、功能的內(nèi)容感知重組進(jìn)行上采樣，使YOLOv7網(wǎng)絡(luò)獲得更好的魯棒性和準(zhǔn)確性。優(yōu)化后的網(wǎng)絡(luò)，MAP_0.5值提升了2.4%，精確率提升了5.5%，幀率達(dá)到了51.5幀/秒。結(jié)合視頻圖像Matlab火焰狀態(tài)分析方法，充分利用圖像和特征信息增加了對(duì)火焰狀態(tài)判斷的可解釋性和魯棒性，并提高了算法的安全性和可信度。實(shí)驗(yàn)結(jié)果也表明改進(jìn)算法能夠有效提升對(duì)火焰燃燒狀態(tài)識(shí)別的準(zhǔn)確率和實(shí)時(shí)性。

關(guān)鍵詞 深度學(xué)習(xí) 燃燒狀態(tài) 火焰區(qū)域 注意力機(jī)制 轉(zhuǎn)爐火焰 特征信息 火焰燃燒視頻? Matlab

中圖分類(lèi)號(hào) TP311.13;TH?39?? 文獻(xiàn)標(biāo)志碼 A?? 文章編號(hào) 1000?3932（2024）03?0388?08

鋼鐵工業(yè)冶煉生產(chǎn)過(guò)程中，煉鋼轉(zhuǎn)爐是一種常用設(shè)備，轉(zhuǎn)爐內(nèi)燃燒火焰情況是燃燒狀態(tài)是否穩(wěn)定最直接的判斷方式[1，2]，轉(zhuǎn)爐爐膛火焰燃燒的穩(wěn)定性會(huì)直接影響爐膛燃燒的安全。在燃燒不穩(wěn)定的情況下，燃燒效率極易降低，并伴隨污染物、噪聲等，甚至導(dǎo)致嚴(yán)重事故，危及人員和設(shè)備安全。因此，研究火焰識(shí)別以及火焰燃燒情況判斷方法具有應(yīng)用價(jià)值和意義。

在火焰檢測(cè)中，常用的卷積神經(jīng)網(wǎng)絡(luò)包括CNN[3]、Faster RCNN[4]和YOLO系列，其中YOLO系列在提取圖像的全局信息方面優(yōu)于其他卷積神經(jīng)網(wǎng)絡(luò)，并且可以端到端進(jìn)行訓(xùn)練，因此在火焰檢測(cè)方面更具優(yōu)勢(shì)。但YOLO模型只能判斷圖像中是否存在火焰和火焰位置，無(wú)法提供火焰燃燒的詳細(xì)信息，如火焰強(qiáng)度、燃燒程度或其他相關(guān)屬性。要判斷火焰的燃燒狀態(tài)，需要更多的信息和專(zhuān)門(mén)的算法。因此，筆者以鞍鋼建設(shè)集團(tuán)有限公司煉鋼總廠(chǎng)西區(qū)2150生產(chǎn)線(xiàn)A號(hào)260 t轉(zhuǎn)爐為研究背景，提出一種改進(jìn)的YOLOv7目標(biāo)檢測(cè)算法，在火焰狀態(tài)判斷部分，結(jié)合視頻火焰燃燒狀態(tài)Matlab判斷方法，根據(jù)火焰顏色特征、火焰圓形度、火焰面積增長(zhǎng)率及尖角特性等形態(tài)特征實(shí)現(xiàn)火焰檢測(cè)和燃燒狀態(tài)的判定[5，6]。

1 算法原理與關(guān)鍵技術(shù)

1.1 改進(jìn)的YOLOv7網(wǎng)絡(luò)

1.1.1 YOLOv7網(wǎng)絡(luò)架構(gòu)

YOLOv7網(wǎng)絡(luò)由3部分組成：input、backbone和head（YOLOv7將neck層與head層合稱(chēng)為head層）。backbone用于提取特征，head用于預(yù)測(cè)。首先將輸入圖片預(yù)處理成640×640的RGB圖片，然后輸入到backbone網(wǎng)絡(luò)，在head層通過(guò)backbone網(wǎng)絡(luò)繼續(xù)輸出3層不同size的特征圖像，經(jīng)過(guò)Rep和Conv，輸出最后結(jié)果。

1.1.2 實(shí)驗(yàn)數(shù)據(jù)與擴(kuò)增

數(shù)據(jù)集擴(kuò)增可增加訓(xùn)練數(shù)據(jù)的多樣性，提高模型的泛化能力和魯棒性，從而讓模型更好地適應(yīng)實(shí)際場(chǎng)景。

在Make Sense平臺(tái)將現(xiàn)場(chǎng)獲取的鞍鋼建設(shè)集團(tuán)有限公司煉鋼總廠(chǎng)西區(qū)2150生產(chǎn)線(xiàn)A號(hào)260 t轉(zhuǎn)爐火焰圖像以及相似火焰圖像數(shù)據(jù)集中的1 800張圖片進(jìn)行標(biāo)注，以保證目標(biāo)檢測(cè)實(shí)驗(yàn)中火焰數(shù)據(jù)的多樣性，提高轉(zhuǎn)爐火焰檢測(cè)的準(zhǔn)確度。為提升YOLOv7深度學(xué)習(xí)模型的性能，通過(guò)增加訓(xùn)練數(shù)據(jù)規(guī)模，用圖像旋轉(zhuǎn)、隨機(jī)剪裁、旋轉(zhuǎn)、正向剪裁等數(shù)據(jù)擴(kuò)增方式對(duì)原始火焰圖像進(jìn)行數(shù)據(jù)擴(kuò)增（圖1），并用變換、組合等方式生成新的數(shù)據(jù)樣本，擴(kuò)大原數(shù)據(jù)集，提高數(shù)據(jù)量，對(duì)處理前后的圖像進(jìn)行融合，共同構(gòu)成擴(kuò)增數(shù)據(jù)集5 400張。從圖1可以看出，擴(kuò)增后的每張圖像基本都保持了原圖像的關(guān)鍵信息。

1.1.3 無(wú)參平均注意力機(jī)制PfAAM和輕量化上采樣算子CARAFE

一般來(lái)說(shuō)，注意力機(jī)制可以分為通道注意力和空間注意力兩種[7～9]，或是兩者的結(jié)合[10]。而這些注意力模塊中的大多數(shù)都是在訓(xùn)練過(guò)程中添加可學(xué)習(xí)的模型參數(shù)實(shí)現(xiàn)的。作為現(xiàn)有模塊的擴(kuò)展，從圖2所示的PfAAM原理可以看出，給定一個(gè)形狀為H×W×C的輸入特征圖，PfAAM注意力機(jī)制將原輸入特征圖分兩次進(jìn)行平均池化[11]，一種是通道注意力，另一種是空間注意力;然后將它們拉伸成原特征圖尺寸，再將兩特征圖相乘并作用于原特征圖。PfAAM注意力機(jī)制在不添加參數(shù)或超參數(shù)的情況下捕獲通道和空間注意力，通過(guò)平均激活來(lái)促進(jìn)自我強(qiáng)化效果。

CARAFE特征上采樣是許多卷積網(wǎng)絡(luò)架構(gòu)中的關(guān)鍵操作，這種設(shè)計(jì)對(duì)于密集的預(yù)測(cè)任務(wù)至關(guān)重要。

CARAFE特征具有以下3個(gè)特點(diǎn)[12]：

a. 感受野大。CARAFE可以在一個(gè)大的接收域中聚合上下文信息。

b. 內(nèi)容感知。CARAFE沒(méi)有對(duì)所有樣本使用固定的內(nèi)核（如反卷積），而是支持特定于實(shí)例的內(nèi)容感知處理，可以動(dòng)態(tài)生成自適應(yīng)內(nèi)核。

c. 輕量級(jí)、計(jì)算速度快。CARAFE引入的計(jì)算開(kāi)銷(xiāo)很小，并且可以很容易地集成到現(xiàn)有的網(wǎng)絡(luò)體系結(jié)構(gòu)中。

CARAFE的整體框架如圖3所示。CARAFE由兩個(gè)關(guān)鍵組件組成，即內(nèi)核預(yù)測(cè)模塊和內(nèi)容感知重組模塊。在圖3中，大小為H×W×C的特征圖被上采樣了σ（取值2）倍。

CARAFE作為一個(gè)內(nèi)容感知的內(nèi)核重組算子，由兩個(gè)步驟組成：

a. 根據(jù)每個(gè)目標(biāo)位置的內(nèi)容預(yù)測(cè)重組核。

b. 與預(yù)測(cè)的檢查特征進(jìn)行重組，給定大小為H×W×C的特征圖X和上采樣率σ（假設(shè)σ是整數(shù)），CARAFE將生成大小為σH×σW×C的新特征圖X′。對(duì)于輸出X′的任意目標(biāo)位置l′=（i′，j′）在輸入X處都有對(duì)應(yīng)的源位置l=（i，j），其中i=i′/σ，j=j′/σ。將

N（X，k）表示為以位置l為中心的X的k×k子區(qū)域，即X的鄰居。

在步驟a中，核預(yù)測(cè)模塊Ψ根據(jù)X的鄰居預(yù)測(cè)每個(gè)位置l′的位置核W。假設(shè)上采樣核尺寸k×

k（越大的上采樣核代表著更大的感受野），如果要想在輸出特征圖不同位置使用不同的上采樣核，那么期望的上采樣核的形狀就是σH×σW×

k×k，對(duì)于通道壓縮器輸出的特征圖，使用一個(gè)

k×k的卷積層來(lái)預(yù)測(cè)上采樣核。輸入通道數(shù)為C，輸出通道數(shù)為σ2k2，在空間維度展開(kāi)為σH×σW×k，重組步驟公式化為以下方程式：

W=Ψ（N（X，k））（1）

X=?（N（X，k），W）（2）

其中，?是內(nèi)容感知重組模塊，將X的鄰居與位置核W進(jìn)行重組。

1.1.4 優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)

優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，使用SiLU激活函數(shù)，并加入PfAAM無(wú)參注意力機(jī)制，同時(shí)在head網(wǎng)絡(luò)結(jié)構(gòu)中采用新的CARAFE上采樣，在保持特征豐富性和準(zhǔn)確性的同時(shí)可以提高分辨率。

1.2 視頻圖像火焰狀態(tài)分析原理

YOLOv7進(jìn)行高效率火焰檢測(cè)后，獲取每個(gè)幀中火焰的邊界框。將視頻輸入到本研究的Matlab檢測(cè)系統(tǒng)中，通過(guò)火焰顏色特征、火焰尖角、面積增長(zhǎng)率、圓形度等形態(tài)特征[13]，可以進(jìn)一步診斷轉(zhuǎn)爐爐膛燃燒的狀態(tài)。

1.2.1 火焰顏色特征

火焰燃燒時(shí)，顏色特征比較明顯，火焰燃燒區(qū)域和背景圖像有明顯的視覺(jué)差異，因此可以用火焰的顏色特征判斷火焰的燃燒狀態(tài)。HSV色彩模型可以更好地反映人眼對(duì)顏色的認(rèn)知，將顏色分為色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）3個(gè)參數(shù)，HSV色彩模型還能更好地?cái)?shù)字化處理顏色，因此本研究采用HSV色彩模型進(jìn)行轉(zhuǎn)爐火焰圖像的色彩分析。

1.2.2 火焰圓形度特征

火焰圓形度是用來(lái)描述火焰形狀的一個(gè)指標(biāo)，它反映了火焰在平面投影上的圓形程度，火焰圓形度越高，表示火焰形狀越接近圓形;反之，火焰圓形度越低，表示火焰形狀越不規(guī)則或拉長(zhǎng)了。

火焰圓形度的計(jì)算可以基于火焰的外輪廓進(jìn)行。一種常用的計(jì)算方法是使用火焰外輪廓的周長(zhǎng)L和火焰外輪廓所包圍的面積A來(lái)計(jì)算圓形度c：

c=（3）

計(jì)算得到的圓形度值在0～1，值接近1表示火焰形狀近似于圓形，接近0表示火焰形狀不規(guī)則或拉長(zhǎng)。

1.2.3 火焰面積增長(zhǎng)率

火焰燃燒時(shí)，火焰面積的增長(zhǎng)會(huì)有變大的正面積增長(zhǎng)或是變小的負(fù)面積增長(zhǎng)。根據(jù)當(dāng)前幀中火焰像素總數(shù)與這段時(shí)間后另一幀火焰圖像像素?cái)?shù)的差值，可以計(jì)算出火焰在一定時(shí)間內(nèi)的面積增長(zhǎng)率，其結(jié)果可以作為下一步識(shí)別火焰燃燒情況的依據(jù)?；鹧婷娣e增長(zhǎng)率通過(guò)計(jì)算火焰面積的區(qū)域增長(zhǎng)率來(lái)表示，火焰面積的增長(zhǎng)率可以用圖像區(qū)域的像素變化率表示，因?yàn)閳D像中最小的組成部分是像素。在視頻幀中，每一幀的圖像形態(tài)對(duì)目標(biāo)物體占據(jù)不同的區(qū)域，不同的形態(tài)具有不同的像素值，它可以通過(guò)像素的變化來(lái)反映目標(biāo)區(qū)域的變化，然后目標(biāo)區(qū)域的變化可以直接反映火焰面積的變化。在連續(xù)視頻火焰圖像中，通過(guò)計(jì)算前、后幀數(shù)來(lái)劃分時(shí)間，設(shè)第i幀也就是第t時(shí)刻目標(biāo)區(qū)域像素總值為E，則第i+j幀也就是第

t時(shí)刻的像素總值為E，再令第i幀區(qū)域的面積為S，第i+j幀區(qū)域面積為S，則連續(xù)視頻圖像中火焰的面積變化率ΔA的計(jì)算式為：

ΔA====（4）

注意：火焰的面積變化率ΔA的時(shí)間范圍為t～t。

1.2.4 火焰尖角特性

因?yàn)榛鹧嬖谌紵^(guò)程中具有不穩(wěn)定性，有很多尖角，并且尖角數(shù)目呈現(xiàn)無(wú)規(guī)則的跳動(dòng);而穩(wěn)定光源的尖角數(shù)目不大，而且基本固定在一定的范圍內(nèi)，二者的差異比較大。因而可以利用火焰在燃燒過(guò)程中的邊緣抖動(dòng)現(xiàn)象特征，將火焰尖角數(shù)作為火焰燃燒情況的判據(jù)。

2 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析

YOLOv7可以高效檢測(cè)目標(biāo)物體（包括火焰），但對(duì)燃燒狀態(tài)的判斷相對(duì)欠缺。因此，本研究采用YOLOv7對(duì)圖像進(jìn)行目標(biāo)檢測(cè)，識(shí)別出火焰區(qū)域，獲取其位置信息。然后，結(jié)合傳統(tǒng)火焰燃燒狀態(tài)判斷方法，分析形狀特征進(jìn)一步判斷火焰燃燒狀態(tài)，這樣既可充分發(fā)揮各自的優(yōu)勢(shì)又提高了火焰燃燒狀態(tài)判斷的準(zhǔn)確性和魯棒性。

2.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)代碼在YOLOv7深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行改進(jìn)。訓(xùn)練迭代次數(shù)（epoch）為300次，批次大?。╞atchsize）為8，初始學(xué)習(xí)率為0.01，采用隨機(jī)梯度下降方法。

實(shí)驗(yàn)配置為Windows11，64位操作系統(tǒng)，Intel（R）Xeon （R）Gold6330 CPU@2.00 GHz， NVIDI

ADeForceRTX3090（24 GB）顯卡，Pytorch 1.11.0 Cuda11.3深度學(xué)習(xí)框架，Python版本為3.8。

2.2 評(píng)價(jià)指標(biāo)

將平均精度均值MAP_0.5（Mean Average Precision）、精確率P（Precision）、召回率R（Recall）和幀率FPS作為火焰識(shí)別檢測(cè)模型性能的評(píng)價(jià)指標(biāo)。

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 改進(jìn)YOLOv7算法的實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)采用改進(jìn)YOLOv7火焰檢測(cè)算法，分別與Faster RCNN、SSD、YOLOv3、YOLOv5、YOLOv7網(wǎng)絡(luò)模型算法在同一測(cè)試集上進(jìn)行實(shí)驗(yàn)，結(jié)果見(jiàn)表1。分析表1可知，使用筆者模型相比于Faster RCNN、SSD、YOLOv3、YOLOv5、YOLOv7，平均精度均值MAP_0.5分別提升了21.1%、2.2%、8.0%、0.6%、2.4%。改進(jìn)后YOLOv7算法的FPS高于其他火焰檢測(cè)算法，達(dá)到51.5 幀/秒，滿(mǎn)足火焰檢測(cè)的實(shí)時(shí)性要求。

在300個(gè)訓(xùn)練迭代時(shí)，SiLU激活函數(shù)加上不同注意力機(jī)制的對(duì)比實(shí)驗(yàn)（表2）可以看出，相比于其他注意力機(jī)制，加入了PfAAM注意力機(jī)制的P值和MAP_0.5值最高，分別為87.3%和86.6%，P值和MAP_0.5值比原YOLOv7網(wǎng)絡(luò)分別提升3.3%和0.7%。在進(jìn)一步改進(jìn)了上采樣方法CARAFE后，P值和MAP_0.5值比原YOLOv7提升了5.5%和2.4%，總體提升了原YOLOv7網(wǎng)絡(luò)提取圖像特征的能力和檢測(cè)精度。

如圖5所示，優(yōu)化后的網(wǎng)絡(luò)MAP_0.5值和P值均好于原YOLOv7網(wǎng)絡(luò)。

2.3.2 視頻火焰燃燒狀態(tài)判斷GUI界面結(jié)果展示

圖形用戶(hù)界面（Graphical User Interface，GUI）能可視化計(jì)算機(jī)操作用戶(hù)界面。筆者通過(guò)獲取每幀圖像火焰部分的顏色、圓形度、火焰面積增長(zhǎng)率及火焰角點(diǎn)等特征，將火焰燃燒狀態(tài)顯示在GUI界面上，可進(jìn)一步判斷鍋爐火焰燃燒的情況。

如圖6所示，圖片在HSV顏色空間比在RGB顏色空間中更便于理解和處理。

取視頻里每一幀，根據(jù)轉(zhuǎn)換公式將RGB圖像轉(zhuǎn)換到HSV色彩模型中，再將HSV各通道的圖像轉(zhuǎn)化為灰度圖，簡(jiǎn)化圖像處理和分析過(guò)程，同時(shí)保留有用信息。設(shè)（R，G，B）分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，其值是0～1之間的實(shí)數(shù)。RGB顏色空間轉(zhuǎn)HSV顏色空間的轉(zhuǎn)換公式為：

H=0°????????????????????????????? ， max=min

60°×

+0°??? ， max=R and G≥B

60°×

+360°， max=R and G

60°×

+120°， max=G

60°×

+240°， max=B

S=0?????????????????????????? ， max=0

=1-

，其他

V=max

其中，max為R、G、B中的最大值;min為R、G、B中的最小值。

獲取HSV顏色分量后，再對(duì)HSV圖像設(shè)置紅色閾值，提取紅色分量進(jìn)行上下幀的對(duì)比，如果上下幀均有紅色分量就計(jì)算火焰的動(dòng)態(tài)特征。

火焰是實(shí)時(shí)動(dòng)態(tài)跳躍的，本研究Matlab程序設(shè)計(jì)當(dāng)圓形度小于1并且面積增長(zhǎng)率大于0時(shí)，表示有火焰在燃燒。火焰的圓形度和其他干擾物的圓形度明顯不同，火焰燃燒的形態(tài)尖角多，而一般的燈光等干擾物的圓形度普遍大于火焰燃燒圓形度。而火焰的尖角數(shù)量要比其他干擾物大很多。因此，從火焰的圓形度和尖角數(shù)目可以很好地區(qū)分火焰和其他干擾物?；鹧婷娣e變化率則通過(guò)對(duì)火焰上下幀圖像進(jìn)行處理，計(jì)算出相鄰兩幀圖像中火焰面積的變化率，當(dāng)火焰面積變化率較大時(shí)，說(shuō)明火焰處于燃燒狀態(tài);當(dāng)火焰面積變化率較小或趨近于0時(shí)，說(shuō)明火焰處于不燃燒狀態(tài)或熄滅狀態(tài)。

為了減小視頻中的火焰圖像受到噪聲干擾，以及更好地捕捉火焰的動(dòng)態(tài)特性，筆者將幀間隔設(shè)置為3。如圖7所示，相鄰兩幀的火焰圓形度均小于1，并且火焰面積增長(zhǎng)率大于0，角點(diǎn)數(shù)目較大，變化較小，火焰處于穩(wěn)定燃燒狀態(tài)。

3 結(jié)束語(yǔ)

通過(guò)改進(jìn)的YOLOv7深度學(xué)習(xí)網(wǎng)絡(luò)算法識(shí)別火焰區(qū)域，識(shí)別圖像中的火焰位置、火焰數(shù)目及置信度等，準(zhǔn)確檢測(cè)并識(shí)別出火焰。再結(jié)合Matlab進(jìn)行火焰的顏色特征、圓形度特征、面積增長(zhǎng)率特征和角點(diǎn)特征分析，更準(zhǔn)確地判斷出無(wú)火焰、有火焰及穩(wěn)定燃燒等火焰狀態(tài)。實(shí)驗(yàn)結(jié)果也證實(shí)筆者方法不僅準(zhǔn)確率高、魯棒性強(qiáng)，同時(shí)增加了對(duì)火焰狀態(tài)判斷的可解釋性和準(zhǔn)確性。

參 考 文 獻(xiàn)

[1] 周懷春，胡志方，郭建軍，等.面向智能發(fā)電的電站燃煤鍋爐在線(xiàn)運(yùn)行優(yōu)化[J].分布式能源，2019（3）：7-15.

[2] 戚凱旋，朱凌云.基于圖像處理的燃?xì)忮仩t燃燒狀態(tài)檢測(cè)研究[J].自動(dòng)化儀表，2021，42（11）：34-38.

[3] CHUNG Y L，CHUNG H Y，CHOU C W.Efficient flame recognition method based on a deep convolutional neural network and image processing[C]//2019 IEEE 8th Global Conference on Consumer Electronics（GCCE）.2019：573-574.

[4]??? CHAOXIA C Y，SHANG W W，ZHANG F.Information guided flame detection based on faster R?CNN[J].IEEE Access，2020，8：58923-58932.

[5] 趙媛媛，朱軍，謝亞坤，等.改進(jìn)Yolo?v3的視頻圖像火焰實(shí)時(shí)檢測(cè)算法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2021，46（3）：326-334.

[6] 沐小會(huì)，陳嘉卿，宋英磊.火焰特征提取研究在火災(zāi)探測(cè)中的運(yùn)用[J].電子設(shè)計(jì)工程，2016（21）：188-190.

[7] JIE H，LI S， ALBANIE S，et al.Squeeze?andexcitation networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2018：7132-7141.

[8] ???SANGHYUN W，JONGCHAN P，JOONYOUNG L，et al.Cbam：Convolutional block attention module[C]//Computer Vision?ECCV European Conference.LNCS，2018：112-118.

[9]?? WANG Q L，WU B G，ZHU P F，et al.Eca?net：Efficient channel attention for deep convolutional neural networks[C]//IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.2020：11534-11542.

[10]?? OKTAY O，SCHLEMPER J，F(xiàn)OLGOC L L，et al.Attention u?net：Learning where to look for the pancreas[J].arXiv Preprint arXiv：1804.03999，2018. doi.org/10.48550/arXiv.1804.03999.

[11]?? KORBER N.Parameter?Free Average Attention Improves Convolutional Neural Network Performance（Almost）Free of Charge[J]. arXiv：Computer? Science，arXiv：2210.07828，2022.https： //arxiv.org/pdf/

2210.07828.pdf.

[12]?? WANG J Q，CHEN K，XU R，et al.CARAFE：Content?Aware ReAssembly of FEatures[C]//ICCV 2019 Oral Presentation.2019.https：//arxiv.org/pdf/1905.02188v2.

[13] 繆存可，楊煉，姜玥穎.基于神經(jīng)網(wǎng)絡(luò)的視頻圖像火焰檢測(cè)方法[J].自動(dòng)化應(yīng)用，2021（4）：71-74.

（收稿日期：2023-09-18，修回日期：2024-04-16）

Research on Flame Combustion Detection of the Converter

Based on Improved YOLOv7

DUAN Zhi?wei1， SHAO Nv1， DOU Quan?hui1， XU Wu2

（1. School of Physics and Electronic Engineering， Northeast Petroleum University; 2. Angang Construction Group Co.， Ltd.）

Abstract?? ?Aiming at analyzing and judging? flame combustion of? No. A converter furnace in a steel mill， a judgment method based on improved YOLOv7 deep learning network architecture and video flame state was proposed. Firstly， having a parameter?free average attention mechanism（PfAAM）? introduced to capture channel attention and spatial attention without adding parameters or hyperparameters， including having? a lightweight up?sampling operator （CARAFE） and functional content?aware recombination adopted to upsample the YOLOv7 network so as to achieve better robustness and accuracy. In the optimized network， the MAP_0.5 value can be increased by 2.4%， the precision value increased by 5.5%， and the frame rate reached 51.5 frames per second. Through combined with video image Matlab flame state analysis method， both interpretability and robustness of the flame state judgment can be increased by making full use of image and feature information， and both security and reliability of the algorithm were improved. The experimental results also show that the improved algorithm can effectively improve both accuracy rating and real time recognition of flame combustion state.

Key words?? deep learning， combustion state， flame region， attention mechanism， converter flame， characteristic information， video of flame combustion， Matlab