熔炼炉炉前烟尘视觉识别：轻量级CNN三分类与边缘部署实战

1. 项目缘起与整体设计思路

1.1 为什么要在熔炼炉炉前做烟尘视觉识别

熔炼炉车间有个很现实的问题：炉前加料、扒渣、出铜、出铝这些工序，烟尘状态直接反映炉内反应情况和环保排放水平。老师傅凭经验看烟色就能判断燃烧是否充分、要不要调风量、什么时候该关炉门，但这种经验很难量化，更没法24小时盯着。环保在线监测设备通常测的是烟囱末端排放，炉前逸散烟尘反而成了盲区。

我接触这个项目的出发点很朴素：用普通工业摄像头对着炉门拍，让算法实时判断当前是浓烟、淡烟还是无烟，把结果推给中控室和除尘系统。浓烟触发加大引风、淡烟维持、无烟降频节能。整套方案不依赖昂贵的红外热像仪或激光散射设备，一台带PoE的枪机加一台边缘计算盒子就能跑起来，单炉口硬件成本能压到几千块。

这个题目适合谁参考？做工业视觉的算法工程师、冶金企业的自动化技术人员、以及计算机视觉方向想做落地项目的学生。它不像人脸识别那样有现成数据集，但场景足够垂直，三类状态边界清晰，标注成本可控，是个很好的工业视觉入门实战。

1.2 三分类任务的定义与边界划分

浓烟、淡烟、无烟这三个类别听起来简单，实际定义起来要非常小心。我最初按“烟的浓度”去分，结果标注员之间分歧很大。后来改成可操作的视觉判据：

• 浓烟：炉门开口区域被烟尘大面积遮挡，背景炉壁或炉内亮光基本不可见，烟团有明显的翻滚纹理，灰度值整体偏暗且方差大。
• 淡烟：能看到烟尘飘动，但炉门开口的亮区或炉壁轮廓仍可辨认，烟呈半透明状，边缘模糊。
• 无烟：炉门区域清晰，无持续飘动的烟尘，可能有少量热气扰动但无颗粒感。

注意：火焰和烟要分开。炉内明火属于正常状态，不能因为画面有亮橙色就判成浓烟。我在标注规范里明确写了“火焰不计入烟尘”，否则模型会把出渣时的火光误判。

1.3 技术路线选型：为什么不用目标检测而用分类

有人第一反应是用YOLO去检测“烟”这个目标。我试过，效果不稳定。原因是烟没有固定形状，边界模糊，标注框很难画一致，而且炉前烟尘经常和背景、炉壁、火焰粘连，检测框会飘。改成整图分类后，问题简单很多：把炉门区域裁出来，缩到224×224，直接分三类。分类任务对边界不敏感，标注只需要给整张图打一个标签，标注效率提升至少三倍。

模型选型上，我最终用了轻量级CNN，主干是MobileNetV3-Small，输入224×224，输出3类。理由很直接：边缘盒子算力有限，工业现场要的是稳定和低延迟，不是刷榜。MobileNetV3-Small在INT8量化后单帧推理能压到10ms以内，配合每秒5帧的采样，完全够用。训练阶段用ResNet18做对比，精度只差1.2个百分点，但推理速度慢了一倍多，不划算。

1.4 整体系统架构

整套系统分四层：

1. 采集层：炉门侧上方装一台200万像素工业枪机，PoE供电，RTSP推流，帧率25fps，实际抽帧到5fps做推理。
2. 边缘推理层：一台带NPU的边缘计算盒子，跑量化后的分类模型，输出三类概率和置信度。
3. 业务逻辑层：连续多帧投票，避免单帧抖动误报；浓烟持续超过3秒才触发除尘联动。
4. 展示与联动层：中控室大屏显示当前状态，同时通过Modbus TCP把信号给PLC，控制引风机频率。

这个架构的好处是推理在本地，不依赖网络，断网也能跑；坏处是模型更新要现场刷机，所以我在盒子上留了远程模型热更新的接口。

2. 数据采集与标注的实操细节

2.1 摄像头安装位置与成像质量

摄像头装得好不好，直接决定项目成败。我踩过的坑：一开始把摄像头装在炉门正前方，结果炉门一开，强光直射，画面过曝，烟和火焰全白成一片。后来改到炉门侧上方约30度俯角，距离炉口3到4米，画面里炉门开口占画面下半部分，背景是车间墙壁，对比度好很多。

参数设置上，曝光用自动但限制上限，避免炉门打开瞬间过曝；白平衡固定，不要用自动，否则烟色会随光线漂移；增益调低，噪点少。镜头选6mm定焦，视野刚好覆盖炉门和周边一米范围。如果炉口尺寸变化大，可以用2.8-12mm变焦镜头，但变焦后要重新标定ROI。

实操心得：装好后先录一段包含加料、扒渣、出料全过程的视频，回放检查有没有反光、水雾、镜头脏污。镜头前加个简易气帘或防尘罩，熔炼车间粉尘大，镜头两天不擦就糊了。

2.2 数据采集策略与样本均衡

我采集了连续两周的视频，覆盖三个班次、不同天气、不同原料批次。抽帧策略是每秒抽1帧，但遇到状态切换时加密到每秒5帧，因为切换瞬间的样本最有价值。最终原始帧约12万张，去重和筛选后保留约3万张。

样本均衡很关键。实际生产中无烟状态占60%以上，浓烟可能只占10%。如果直接训练，模型会偏向无烟。我的做法是：无烟随机下采样到1万张，淡烟和浓烟各保留1万张左右，再补充一些边界样本，比如刚起烟、烟将散尽的过渡帧。最终训练集2.8万张，验证集4千张，测试集4千张，三类基本均衡。

2.3 标注规范与质量控制

标注用LabelImg或CVAT都行，但规范必须统一。我写了三页的标注手册，核心几条：

• 只标注炉门开口区域内的烟，炉门外飘散的烟不算。
• 火焰、热气、水蒸气不计入烟尘。
• 烟尘遮挡面积超过开口区域70%判浓烟，30%到70%判淡烟，低于30%判无烟。
• 画面模糊、镜头脏污、完全过曝的帧直接丢弃，不标注。

标注员培训后先标500张，我逐张检查，分歧率控制在5%以内才开始批量标。最终3万张里，我抽检了3000张，错误率约2.1%，主要是淡烟和浓烟的边界帧。这些边界帧后来单独拿出来做难例挖掘，对提升模型鲁棒性帮助很大。

2.4 数据增强与预处理

工业场景不像自然图像，增强不能乱用。我用的增强包括：随机水平翻转、亮度对比度微调（±10%）、高斯噪声、随机裁剪（裁掉边缘5%到10%）。不用垂直翻转，因为炉门上下方向有物理意义；不用大角度旋转，摄像头是固定的。

预处理统一到224×224，归一化用ImageNet均值方差。这里有个细节：炉门区域只占原图一部分，我先把ROI裁出来再缩放，而不是整图缩放。ROI用固定坐标，因为摄像头位置不动。如果摄像头可能被碰歪，加一个基于炉门边缘的自动校正，但那是后期优化，第一版固定ROI够用。

3. 模型训练与边缘部署全流程

3.1 训练环境与基础配置

训练在本地工作站上跑，单卡RTX 3060 12G，PyTorch 1.13，CUDA 11.7。数据加载用DataLoader，batch size 64，num_workers 8。优化器用AdamW，学习率3e-4，余弦退火，权重衰减1e-4。损失函数用交叉熵，但给浓烟类加了1.5倍权重，因为浓烟漏报的代价比误报高——漏报浓烟可能导致环保超标，误报只是多开一会儿风机。

训练轮次设了80轮，实际在第52轮验证集准确率到峰值98.3%，之后开始过拟合。我保存了验证集最优的权重，同时用EMA（指数移动平均）平滑参数，最终测试集准确率97.8%，浓烟召回率98.5%，淡烟召回率96.2%，无烟召回率98.1%。

3.2 模型量化与推理加速

边缘盒子是瑞芯微RK3588，NPU算力6TOPS。PyTorch模型不能直接跑，要转成ONNX再转RKNN。转换过程中有几个坑：

• ONNX opset版本选11，太高RKNN不支持。
• 输入固定为1×3×224×224，动态shape在NPU上效率低。
• 量化用混合量化，第一层和最后一层保持FP16，中间INT8，精度损失最小。

量化后模型大小从9.8MB降到2.6MB，单帧推理从FP16的28ms降到INT8的8ms。实测连续跑24小时，NPU占用率稳定在35%左右，盒子温度控制在55度以内，不需要额外风扇。

3.3 多帧投票与状态机设计

单帧分类会有抖动，比如烟刚起时模型在淡烟和浓烟之间跳。我加了一个长度为15帧的滑动窗口，窗口内多数投票决定当前状态。同时设计了一个简单状态机：

• 当前状态为无烟，连续5帧浓烟才切到浓烟。
• 当前状态为浓烟，连续10帧无烟才切回无烟。
• 淡烟作为过渡态，切换条件放宽到3帧。

这样处理之后，状态切换次数从每分钟十几次降到两三次，中控室看曲线不再眼花。状态机参数可以根据现场烟尘变化速度调，反应慢的炉子可以把窗口拉长。

3.4 与PLC和除尘系统的联动

联动通过Modbus TCP。边缘盒子作为客户端，PLC作为服务端，盒子把当前状态写到一个寄存器：0无烟，1淡烟，2浓烟。PLC程序里做逻辑：浓烟持续3秒，引风机频率加到45Hz；淡烟维持30Hz；无烟降到20Hz。同时中控大屏用WebSocket推状态，每500ms更新一次。

注意：联动逻辑一定要加延时和死区，否则烟尘一闪就调风机，设备频繁启停容易坏。我在PLC里加了最小运行时间保护，风机频率变化间隔不低于30秒。

4. 现场常见问题与排查实录

4.1 模型误报漏报的典型场景

现场跑起来后，误报主要集中在几种情况：

4.2 边缘盒子稳定性问题

盒子跑久了会遇到内存泄漏、NPU驱动崩溃。我做了几件事：推理进程用systemd守护，崩溃自动重启；每24小时定时重启一次推理服务；日志轮转，避免磁盘写满。另外盒子电源要稳，车间电压波动大，加了个小UPS，实测能扛住瞬间掉电。

4.3 网络与数据回传

RTSP流如果直接拉，带宽占用高。我在盒子上做了抽帧，只把推理结果和关键帧截图回传，原始视频本地存7天。关键帧是状态切换前后各5秒的图，用于事后追溯。回传用MQTT，轻量且支持断线重连。

4.4 模型迭代与远程更新

现场数据分布会变，比如换了原料、改了工艺，模型需要迭代。我在盒子上留了一个模型更新接口，通过内网上传新模型文件，校验MD5后热替换，推理服务自动重载。更新过程不影响PLC联动，因为状态机在业务层，模型只负责出概率。

5. 实操心得与后续扩展方向

这个项目从立项到稳定运行花了约三个月，其中数据采集和标注占了一半时间。我的体会是：工业视觉项目，算法只占三成，七成在数据和现场适配。模型精度从95%提到98%可能只要一周，但从98%到稳定运行要解决镜头脏污、光照变化、设备抖动、网络中断一堆杂事。

几个具体建议：第一，标注规范一定要先小批量试标，分歧率降下来再铺开，否则返工成本极高。第二，边缘部署优先选支持INT8量化的芯片，FP16在工业盒子上往往跑不动。第三，联动逻辑一定要加延时和死区，别让算法直接控设备。第四，留好远程更新和日志回传，现场跑起来后你不可能天天去车间。

后续可以扩展的方向：一是加烟尘浓度回归，不只分类，还输出一个0到1的浓度值，更精细地控风机；二是多炉口统一管理，一个盒子跑多路视频，分摊成本；三是结合炉内温度、风量等时序数据做多模态融合，提前预测烟尘变化趋势。这些我还在试，等跑稳了再整理出来。