涉及炉膛水冷壁异常检测领域，尤其涉及一种基于深度卷积神经网络的炉膛水冷壁异常检测识别算法。
背景技术：
1、火力发电是现代社会电力发展的主力军，火力发电厂是利用可燃物(例如煤)作为燃料生产电能的工厂。现代化火电厂是一个庞大而又复杂的生产电能与热能的工厂。它由下列5个系统组成：①燃料系统。②燃烧系统。③汽水系统。④电气系统。⑤控制系统。在上述系统中，最主要的设备是锅炉、汽轮机和发电机，它们安装在发电厂的主厂房内。
2、火电厂锅炉加热需要及时的冷却，由于锅炉中煤炭燃烧发热以及积灰结渣等情况的出现，会对炉膛内部冷却管壁造成一些损伤，这种水冷壁损伤的现象，不仅造成了资源的浪费，严重还会造成锅炉停运，火电厂停工
3、目前现有技术中，对冷却管水冷壁的检测识别分类存在识别不精准，分类不准确等问题。如何能够准确地对炉膛水冷壁的各种异常情况进行检测分类是一个亟待解决的问题。
技术实现思路
1、为解决现有技术中存在的，目前现有技术中，对冷却管水冷壁的检测识别分类存在识别不精准，分类不准确的技术问题，本发明提供的技术方案为：
2、一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建方法，包括：
3、获得火电厂炉膛水冷壁系统中各个管道位置所拍摄到的原始管道数据的步骤；
4、对所述原始管道数据进行预处理，分成训练数据样本和测试数据样本的步骤；
5、对所述训练数据样本和测试数据样本分别进行混合增强处理的步骤；
6、将经过混合增强处理的训练数据样本输入深度卷积神经网络中进行模型训练，获得训练后模型的步骤。
7、进一步，提供一个优选实施方式，所述预处理包括将原始管道数据进行人工分类和标记，将数据分为正常数据、磨损数据和机械损伤数据。
8、进一步，提供一个优选实施方式，所述深度卷积神经网络为yolov8模型。
9、进一步，提供一个优选实施方式，在进行混合增强处理时，还包括构建漏损数据标签索引的步骤。
10、基于同一发明构思，本发明还提供了一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建装置，包括：
11、获得火电厂炉膛水冷壁系统中各个管道位置所拍摄到的原始管道数据的模块；
12、对所述原始管道数据进行预处理，分成训练数据样本和测试数据样本的模块；
13、对所述训练数据样本和测试数据样本分别进行混合增强处理的模块；
14、将经过混合增强处理的训练数据样本输入深度卷积神经网络中进行模型训练，获得训练后模型的模块。
15、基于同一发明构思，本发明还提供了一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，包括：
16、实时获取管道数据，对实时获取的数据进行预处理的步骤；
17、将预处理后的所述管道数据输入到得到的模型，获得预测结果的步骤；
18、将预测结果与预设漏损数据标签索引进行对比，判断管道的异常情况的步骤。
19、基于同一发明构思，本发明还提供了一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别装置，包括：
20、实时获取管道数据，对实时获取的数据进行预处理的模块；
21、将预处理后的所述管道数据输入到得到的模型，获得预测结果的模块；
22、将预测结果与预设漏损数据标签索引进行对比，判断管道的异常情况的模块。
23、基于同一发明构思，本发明还提供了计算机储存介质，用于储存计算机程序，当所述计算机程序被计算机读取时，所述计算机执行所述的方法。
24、基于同一发明构思，本发明还提供了计算机，包括处理器和储存介质，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行所述的方法。
25、基于同一发明构思，本发明还提供了计算机程序产品，作为计算机程序，当所述计算机程序被执行时，实现所述的方法。
26、与现有技术相比，本发明提供的技术方案的有益之处在于：
27、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，提高了数据的质量和多样性，使得模型在训练过程中能够更好地识别和分类不同的异常情况。混合增强处理通过增加数据的数量和复杂性，克服了原始数据量不足的问题，提高了模型的泛化能力。
28、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，yolov8模型具有强大的特征提取和分类能力，能够高效地处理复杂的图像数据。模型经过充分训练后，可以精确识别炉膛水冷壁管道的磨损、机械损伤和正常状态，大幅提高检测的准确性和效率。
29、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，实时数据处理确保了检测的及时性，能够快速响应异常情况，避免延误带来的安全隐患。通过实时预测，系统可以连续监控炉膛水冷壁的状态，提供即时反馈，增强了系统的可靠性。
30、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，精确的异常检测可以区分出磨损、机械损伤等不同类型的异常，为维护和修复提供准确的参考信息。通过对比标签索引，提高了检测的准确度和置信度，减少了误报和漏报的可能性。
31、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，通过混合增强和预处理技术，大幅提高了训练数据的质量，提升了模型的识别能力。使用yolov8模型进行深度学习训练，实现了高效、精确的异常检测。实时处理和预测确保了系统的响应速度和可靠性，明显优于传统方法。
32、本发明提供的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，可以应用于炉膛水冷壁异常检测识别工作中。
1.一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建方法，其特征在于，所述预处理包括将原始管道数据进行人工分类和标记，将数据分为正常数据、磨损数据和机械损伤数据。
3.根据权利要求1所述的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建方法，其特征在于，所述深度卷积神经网络为yolov8模型。
4.根据权利要求1所述的一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建方法，其特征在于，在进行混合增强处理时，还包括构建漏损数据标签索引的步骤。
5.一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别模型构建装置，其特征在于，包括：
6.一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别方法，其特征在于，包括：
7.一种基于深度卷积神经网络学习的炉膛水冷壁异常检测识别装置，其特征在于，包括：
8.计算机储存介质，用于储存计算机程序，其特征在于，当所述计算机程序被计算机读取时，所述计算机执行权利要求1所述的方法。
9.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时，所述计算机执行权利要求1所述的方法。
10.计算机程序产品，作为计算机程序，其特征在于，当所述计算机程序被执行时，实现权利要求1所述的方法。
