• Кулагина Людмила Владимировна, Сибирский федеральный университет (Красноярск, Россия)
• Шефер Эдуард Артурович, Сибирский федеральный университет (Красноярск, Россия)

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 уровнем электромагнитных 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.

активное обучение, сверточные нейросети, YOLOv8, промышленная безопасность, объекты теплоэнергетики

2026-06-05