摘要：电厂设备复杂,容易发生跑冒滴漏问题,人工巡检存在发现滞后、人为疏忽、不能实时传达异常情况等问题。基于深度学习卷积神经网络、迁移学习和小样本学习技术,设计电厂异常状态智能识别报警系统,利用深度学习模型检测监控系统捕获的现场图片,识别常见的设备跑冒滴漏现象,准确并且及时地发出警告,以此提高电厂的安全监管和对意外事故的应急能力。采用相对成熟的YOLOv5作为目标检测网络基础框架,针对跑冒滴漏数据稀少问题,对网络结构进行优化并采用迁移学习与小样本学习方法来提高网络识别精度。结果表明,基于深度学习卷积神经网络的电厂异常状态智能识别报警系统,能够保持电厂异常状态识别的准确性和实时性。该系统可以实现自主全天候智能检测,及时推送报警信息,减少利用人力关注监控设备排查异常状态可能发生的疏漏,降低电厂运行维护成本,提高电厂的安全监管与对意外事故的应急能力。