基于改进三元组网络的回转窑火焰图像工况识别

针对回转窑火焰图像细节特征难以区分导致的工况识别困难的问题,提出一种基于改进三元组网络的小数据集回转窑火焰图像工况识别方法。该方法在原始三元组网络的基础上优化了距离度量方式并引入类内距离损失。首先,将回转窑火焰图像的RGB通道分离后分别进行双边滤波预处理,保留具有火焰边缘信息的特征,并在原始三元组损失中通过引入类内特征距离损失,使其能够在增大类间距离的同时,减小类内距离;然后,通过基于马氏距离的改进三元组网络获取具有细节差异性的火焰图像特征;最后,采用K均值聚类算法对有标签的特征向量进行工况识别。实验结果表明,该方法得到的特征具有更强的判别性,可以有效提高回转窑工况识别的分类精度,指导回转窑操作。

基于小波融合的SOFC燃烧室火焰图像增强方法

当固体氧化物燃料电池系统因某些原因未全额功率运行时,燃烧室会进行不充分燃烧。火焰图像会具有亮度高、对比度低等特点,不利于图像特征的提取与系统分析。针对此问题,提出了一种基于小波融合的固体氧化物燃料电池燃烧室火焰图像增强方法。首先,利用感知启发的变分框架,提升颜色混合区域的对比度,实现图像预增强;然后,利用提出的细节保持模块进行二次图像增强;最后,利用小波融合方法将已有的增强图像进行融合,获得最终图像。实验结果表明,相比于传统方法,提出的方法不仅可有效保持图像的细节信息,而且可显著增强图像的对比度,提高图像质量。

基于Mask R-CNN的锅炉火焰图像核心高温区域提取

为了提高锅炉火焰核心高温区域特征提取的准确性和稳定性,结合四角切圆燃烧锅炉火焰特点,提出了一种基于Mask R-CNN的火焰核心高温区域轮廓提取方法。通过某330 MW燃煤锅炉工业火焰监控系统获取约10 000帧历史运行工况的火焰图像进行建模,并对升负荷工况的火焰图像进行在线处理验证。结果表明:基于Mask R-CNN模型的核心高温区域检测精准率达到92.35%,相比于传统的阈值分割法、边缘检测法具有更高的稳定性;Mask R-CNN模型能更好地适应变负荷时脉动火焰波动、快速变化的特点,轮廓边缘受其他区域的影响较小,有助于针对火焰核心高温区域轮廓进行火焰几何特征、分布特征的提取计算。

城市固废焚烧过程燃烧线极端异常火焰图像对抗生成

燃烧线是表征城市固废焚烧(municipal solid waste incineration,MSWI)过程燃烧稳定性的关键参数之一。完备的火焰图像模板库是实现燃烧线量化以从检测视角代替依靠运行专家“人工看火”,进而通过实时反馈提升MSWI过程控制的智能化水平的基础。针对燃烧线极端异常火焰图像缺失问题,该文提出基于机理知识和对抗网络的燃烧线极端异常火焰图像生成方法。首先,基于焚烧炉内三维空间位置到图像像素点的机理映射关系分析燃烧线极端异常火焰图像,通过对正常火焰图像像素点的平移、拼接和组合等方式获取伪标记的燃烧线极端异常火焰图像;然后,采用循环生成对抗网络(cycle generative adversarial networks,CycleGAN)获得符合真实火焰图像分布的候选图像;最后,提出组合基于弗雷歇距离(Fréchet inception distance,FID)评估最优模型参数和根据伪标记筛选最终燃烧线极端异常火焰图像的2级评估与筛选策略。针对北京某MSWI厂的实验结果表明:依据燃烧线可划分图像为51%~73.6%正常、47%~51%和73.6%~100%异常、0%~47%极端异常;当第2级评估阈值设定为0.4时,所提方法生成合格极端异常火焰图像的比例为85.7%,优于传统评估方法。

基于火焰图像识别的材料单体燃烧性能测定

本研究提出了一种基于火焰图像识别技术的材料单体燃烧性能评定新方法。针对现有燃烧测试方法的局限性,如过程参量测定不足和测试规模影响,利用图像识别技术测量单体燃烧试验中火焰的变化规律,建立了建材燃烧发热功率与火焰发光像素面积之间的映射关系。试验中,使用基于树莓派和IMX477R摄像头模块的智能摄像系统,通过OpenCV和Python算法对火焰图像进行处理,实现了火焰像素数量的量化。通过FDS模拟不同燃烧功率的火焰,并与试验数据对比,验证了所提方法的可行性。结果显示,在相同观察角度下,火焰燃烧功率与白色像素数量之间存在接近线性的关系。此外,基于视觉分析的燃烧性能等级判定,以60 kW燃烧能量作为安全阈值,能够快速区分难燃和可燃材料。

改进MTBCD火焰图像特征提取的转炉炼钢终点碳含量预测

转炉炼钢终点时刻炉口火焰的颜色和纹理与钢水碳含量之间存在对应关系,为了提取有效的火焰图像特征以准确预测钢水碳含量,结合火焰纹理多方向多尺度等特点,提出一种改进的多趋势二进制编码彩色纹理特征表述方法。考虑颜色通道间的相关性,通过颜色通道融合策略得到火焰图像的彩色纹理表示;采用多尺度非均匀采样策略选取各尺度范围内的采样点来构建彩色纹理的多尺度表达;根据中心点对称方向和对角线对称方向上采样点不同的变化进行多趋势编码,得到彩色纹理特征,选用广义回归神经网络模型预测碳含量。实验表明,碳含量预测在误差范围0.02%以内的准确率为95.7%。

基于改进MobileNetV3烧结断面火焰图像识别

烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息,充分利用烧结火焰图像特征信息进行在线判断烧结终点状态,具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题,提出一种基于改进的MobileNetV3烧结断面火焰图像识别算法。以MobileNetV3作为烧结终点火焰状态特征信息提取的基础模型,引入注意力机制;改进通道注意力结构,减少特征损失提高识别精度;引入空间注意力机制,设计双分支通道空间注意力模块精确捕捉了红火区在烧结断面火焰图像中的位置和内容信息;引入数据增强和余弦退火学习率来提高模型的泛化能力,并采用冻结训练策略加速模型收敛。在烧结火焰数据集上的实验表明,该算法能够充分利用烧结火焰图像中的特征信息,识别准确率达到97.54%,较改进前提高了6.41%。

氧化铝回转窑烧成带火焰图像识别系统

In the rotary kiln alumina production process, because of the complexity and variability of rotary kiln burning zone conditions, some important quality index related process parameters can not be detected continuously on-line.Detecting the different burning zone conditions on-line is a key factor for the whole process automation of alumina industry. The current method depends on flame observation by naked eye.In order to realize automated recognition of burning zone conditions, a method which learned experience and knowledge from naked eye observation was proposed to recognize burning zone conditions by utilizing the image processing technique and pattern classification method.At first, features were extracted from flame images of rotary kiln burning zone and were combined with some important process parameters to constitute a hybrid feature vector.Then a model with a binary tree based SVM (support vector machine) was constructed.At last, a flame image recognition system was developed.The system was successfully applied to a domestic alumina plant, and good economic benefit was realized.

基于轻量化网络的陶瓷辊道窑火焰图像识别方法

针对热电偶在陶瓷辊道窑高温环境下容易腐蚀老化,导致其温度检测精度下降的问题,提出采用计算机视觉火焰检测代替热电偶的陶瓷辊道窑温度智能检测方法。该方法是一种基于新型轻量化卷积神经网络,通过减少网络深度,以及采用大卷积核的设计,避免模型的过拟合现象,减少了模型的复杂度和推算时间,使模型实现了检测准确性的提升。实验结果表明:该新型轻量化卷积神经网络相比原始MobelinetV2模型,识别特征平均准确率提升了4.58%、平均相对误差减少了0.0918%、运算时间减少了41.89%。显然,该新型网络模型使运算速度和分类性能大大提高。

根据火焰图像测量煤粉炉截面温度场的研究

结合火焰辐射传递方程 ,推导出辐射强度随投影路径衰减的控制方程。炉内弥散介质的辐射特性根据Mie理论进行计算。将火焰断面网格化之后 ,运用代数重建技术 (Al gebraicReconstructionTechnique)对离散方程进行迭代求解。

基于灰度差分统计的火焰图像纹理特征提取

转炉吹炼过程中,炉口火焰的纹理粗糙度与吹炼所处的阶段有密切的联系。在不同的吹炼阶段,火焰纹理呈现较明显的变化,因此该特征可以作为转炉终点识别系统的重要参数之一,目的是从火焰图像中提取出描述纹理复杂度特征的描述子,进而区分出不同的吹炼阶段。提出基于灰度差分统计的火焰纹粗糙度提取方法,首先对原始火焰图像做去噪、分割、灰度转换的预处理,然后计算灰度差分直方图,在此基础上对比各种特征描述子表述粗糙度的效果。结果表明,和灰度共生矩阵方法的能量特征值相比,灰度差分统计方法中的角度方向二阶矩描述子对不同纹理所处的吹炼时期具有较高的识别率,且具有较快的识别速度,该特征描述子能作为重要的特征参数之一用于实际的转炉吹炼终点判断识别系统中。

基于灰度熵多阈值分割和SVM的火焰图像状态识别

为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于灰度熵多阈值分割和支持向量机(supportvector machine,SVM)的火焰图像状态识别方法。对火焰图像进行基于灰度熵准则的多阈值分割,采用改进粒子群优化算法选取最优多阈值,由此快速准确地分割出火焰图像中的背景区域、有效燃烧区域及高温燃烧区域;然后,提取火焰图像的10个特征参数,以此作为训练样本训练支持向量机,最后采用支持向量机依据提取的特征对火焰图像进行分类,并通过上述改进粒子群优化算法优化支持向量机中的2个参数。实验结果表明,提出的方法分割结果正确,与采用将图像像素作为训练样本的方法相比,该方法的分类识别正确率更高,运行速度大大加快。

基于神经网络的交互式炉膛火焰图像识别

炉膛火焰燃烧状态监测的关键技术之一是炉膛火焰图像的分类和识别。由于炉膛火焰燃烧过程的复杂性,使得准确反映炉膛火焰燃烧状态的火焰图像特征参数难以确定,在用神经网络训练方法构造分类器时,神经网络的收敛速度和识别的准确性不能同时满足实际要求。文中提出了交互式火焰图像识别方法,改善神经网络的分类识别性能。在神经网络的构造过程中,将人对神经网络分类器构造结果的评价信息反馈给网络,使其根据反馈信息进一步修正分类器。由于将人工的修正信息引入到分类器构造中,加快了神经网络的收敛速度,提高了神经网络识别的准确性。对4000幅火焰图像的实验显示了此方法的有效性。

基于各向异性数学形态学的火焰图像边缘检测

为了更加有效地提取锅炉燃烧火焰图像的边缘,提出了一种基于各向异性数学形态学的火焰图像边缘检测方法。首先计算火焰图像的平均平方梯度向量并由其表示平均梯度向量,然后对平均梯度向量进行扩散得到图像的平均梯度向量场,并计算图像各像素点的平均梯度方向,最后根据各点的方向信息构造适合的形态结构元素,并计算其形态学梯度,据此检测出火焰图像的边缘。针对大量火焰图像进行的实验结果表明,与现有的边缘检测方法包括Roberts方法、Sobel方法、Prewitt方法、Canny方法、Log方法、各向同性数学形态学方法以及自适应邻域方法相比,该方法检测出的边缘,定位更加准确,边缘完整清晰,算法抗噪性更好,运算速度快。

基于火焰图像特征与GRNN的转炉吹炼状态识别

随着转炉冶炼过程的推进,炉口火焰图像在不同的冶炼阶段呈现较为明显的差别。根据火焰图像判断冶炼所处阶段的问题,其关键在于如何准确提取火焰的主要特征,提出了火焰边缘线不变矩特征,火焰图像Laws纹理能量特征,以及图像色彩特征,并研究了它们的变化过程。最后,利用广义回归神经网络(GRNN)建立图像特征和冶炼阶段之间的分类模型。实验结果表明,该方法能有效进行基于图像识别的转炉冶炼状态判断,具有较高的实用价值。

电站锅炉火焰图像检测系统

为了有效、可靠地进行火焰检测 ,针对 2 0 0 MW机组锅炉设计了一套火焰图像检测系统。提出了一种火焰图像检测算法 ,由于算法的自适性和故障判断功能 ,解决了以往火焰检测装置的各种误报问题 ,提高了系统的可靠性。该系统同时还具有火焰监测和燃烧温度场偏移的初步诊断功能。在 2 0 0 MW机组锅炉进行了工业性试验 ,取得了满意的结果。

利用火焰图像同时重建温度场和浓度场的试验研究

煤粉火焰图像是火焰辐射经过发射、衰减和散射等过程后到达摄像机靶面的投影。火焰发射出的辐射强度与火焰自身的温度密切相关 ,而辐射强度的衰减则取决于弥散介质的特性和浓度。该文首先研究了辐射衰减系数与粒子浓度场的关系 ,提出了对温度场和浓度场进行同时重建的控制方程。最后 ,在小型煤粉炉上进行断面温度场和浓度场的重建试验。图 1 1参 1

基于多尺度颜色小波纹理特征的火焰图像分割

火焰图像分割质量对基于数字成像的燃烧监测十分重要。受炉膛背景及燃烧工况的影响,难以同时满足火焰图像分割速度和准确度(即火焰图像分割结果与真实火焰接近程度)的需求。提出一种基于多尺度颜色特征和小波纹理特征(MCWT)的无监督火焰图像分割方法,用于提高火焰图像分割的质量和速度。结合火焰图像颜色特征及小波纹理特征构建特征矩阵,对特征矩阵进行压缩并初步检测压缩尺度火焰区域。根据压缩尺度火焰边缘确定原始尺度火焰边缘区域并构建火焰边缘区域特征矩阵,进一步分割得到准确火焰图像分割结果。采用该方法对某工业煤燃烧实验炉内不同燃烧工况下的火焰图像进行分割,并与传统分割方法对比。实验结果表明与其他传统分割方法相比,提出方法能够更准确且快速地实现不同燃烧工况下火焰图像的分割,并且其对于含有高斯噪声和椒盐噪声的火焰图像都具有更好的分割效果。

基于改进布谷鸟算法的火焰图像阈值分割算法

提出了改进的布谷鸟算法.在改进算法中,首先利用混沌理论进行种群的初始化,提高了种群的多样性.然后自适应选择利用莱维随机游走或者改进的蛙跳算法局部搜索方式更新新的解,提高了算法的局部搜索能力和算法的收敛速度.与其他算法相比较,改进算法显示了其强大的优化精度和高速度性,提高了图像的分割效率.

人工神经网络在火焰图像比色测温法中的应用

首先分析了基于火焰辐射图像的比色测温法在误差校正方面存在的问题 ,然后利用神经网络的BP算法在函数逼近方面的优良性质 ,提出了基于图像的神经网络逼近映射关系的比色测温法。该法现已用于实践 :将训练结束的神经网络融入到测量系统 ,并在某流化床锅炉火检系统中进行了温度测量试验 。