Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.25729/ESI.2026.42.2.009
Ключевые слова: active learning, convolutional neural networks, yolov8, industrial safety, thermal power plants, активное обучение, сверточные нейросети, промышленная безопасность, объекты теплоэнергетики
Аннотация: Обеспечение промышленной безопасности объектов теплоэнергетики сопряжено с необходимостью применения эффективных и надежных средств раннего обнаружения потенциально пожароопасных и аварийных ситуаций. Эта задача осложняется специфическими условиями эксплуатации, характеризующимися широким диапазоном рабочих режимов, высоким уровнемПоказать полностьюэлектромагнитных помех и вибраций, а также, зачастую, ограниченным объемом размеченных данных, пригодных для обучения и верификации систем мониторинга и прогнозирования. Целью данной работы является разработка и экспериментальная валидация комплексного подхода к повышению точности и надежности систем компьютерного зрения для мониторинга безопасности теплоэнергетических объектов на основе методологии активного обучения. В качестве основных методов используются сверточные нейросетевые модели детекции объектов архитектуры YOLOv8, эвристический механизм отбора информативных данных по метрике неопределенности, а также инструменты объяснимого искусственного интеллекта и отказоустойчивого принятия решений с участием эксперта. Научная новизна работы заключается в адаптации методов Active Learning к однопроходным детекторам для задач промышленной безопасности, а также в интеграции цикла целевой доразметки сложных примеров с механизмами интерпретации и гибридной верификации результатов (что позволяет минимизировать затраты на разметку (за счёт выборочного запроса «сложных» примеров); оперативно адаптироваться к новым типам аномалий (например, нестандартным утечкам, локальным перегревам)); тогда как в большинстве публикаций по безопасности теплоэнергетических объектов используются классические методы машинного обучения (SVM, случайные леса) либо предобученные CNN без адаптации под специфику отрасли. В выполненной работе экспериментальные исследования на специализированном датасете изображений объектов теплоэнергетики показали, что применение активного обучения обеспечивает прирост показателя mAP@0.5:0.95 на 28,32 % и увеличение полноты обнаружения на 7,82 % по сравнению со стандартным обучением. Полученные результаты подтверждают перспективность предложенного подхода для практического применения в системах мониторинга и раннего оповещения, способных обеспечить своевременное выявление отклонений от нормальных параметров функционирования оборудования и предотвращение развития аварийных сценариев. Ensuring industrial safety at thermal power facilities requires effective and reliable early detection of potentially fire-hazardous and emergency situations. This task is complicated by specific operating conditions characterized by a wide range of operating modes, high levels of electromagnetic interference and vibration, and often a limited amount of labeled data suitable for training and verifying monitoring and forecasting systems. The goal of this study is to develop and experimentally validate a comprehensive approach to improving the accuracy and reliability of computer vision systems for monitoring thermal power facility safety based on an active learning methodology. The primary methods utilized include convolutional neural network models for object detection based on the YOLOv8 architecture, a heuristic mechanism for selecting informative data based on an uncertainty metric, and tools for explainable artificial intelligence and fault-tolerant decision-making with expert participation. The scientific novelty of the work lies in the adaptation of Active Learning methods to single-pass detectors for industrial safety tasks, as well as in the integration of a cycle of targeted additional labeling of complex examples with mechanisms for interpretation and hybrid verification of results (which allows for minimizing labeling costs (due to a selective request for "complex" examples); prompt adaptation to new types of anomalies (e.g., non-standard leaks, local overheating)); whereas most publications on the safety of thermal power facilities use classical machine learning methods (SVM, random forests) or pre-trained CNNs without adaptation to the specifics of the industry. In the completed work, experimental studies on a specialized dataset of images of thermal power facilities showed that the use of active learning provides an increase in the mAP@0.5:0.95 indicator by 28.32% and an increase in the detection recall by 7.82% compared to standard learning. The obtained results confirm the potential of the proposed approach for practical application in monitoring and early warning systems capable of ensuring the timely detection of deviations from normal operating parameters of equipment and preventing the development of emergency scenarios.
Журнал: Информационные и математические технологии в науке и управлении
Выпуск журнала: №2
Номера страниц: 117-127
ISSN журнала: 24130133
Место издания: Иркутск
Издатель: Институт систем энергетики им. Л.А. Мелентьева СО РАН