基于深度学习的回转窑燃煤图像去雾与燃烧状态识别研究

摘要

回转窑在许多工业领域都获得了应用，如冶炼金属、生产水泥、生产钢铁等，在窑内高温环境下，物料混合物处于运动过程中，通常会发生比较复杂的物理反应与化学反应，窑内的燃烧状态与稳定性对物料的烧结质量、能量的消耗以及污染物的排放有着重要的影响。由于回转窑烧结过程复杂，对烧结过程进行数学建模，通常都有一定的困难。窑内燃烧状态的实时监测是在燃煤烧结过程中稳定性控制的重点和难点，检测的准确性直接影响回转窑自动控制的水平，对于回转窑应用在工业行业中，有着非常重要的意义。通过燃煤火焰图像能把回转窑在燃烧时的烧结状态很好的表现出来，比如可以由亮度信息把回转窑在烧结时的辐射热度以及燃烧效果反应出来。　　传统的回转窑监测系统直接以温度为测量目标，如热电偶、高温比色测量仪等监测方法。而因为现场的环境以及窑体的结构存在局限性，这些方法都不能准确监测烧结带的烧结状况，不能使回转窑自动监测系统获得较好的效果。近年来，以火焰图像识别燃烧状态的方法应用于智能监测系统得到许多学者的研究，利用燃煤图像识别燃烧状态的方法引起了国内外学术界的关注。当前对燃煤火焰图像做处理方法主要有把图像进行分割、人工特征提取以后做模式识别。这些图像处理方法通常存在算法复杂度高、依赖人工经验等问题。并且基于图像的检测方法通常以清晰的图像为识别对象，而窑前恶劣的现场环境会严重影响火焰图像质量，由于窑内经常充满烟尘导致拍摄到的火焰图像较模糊、清晰度较低。本文针对回转窑燃煤火焰图像受烟尘影响的问题以及对燃烧状态识别的研究，提出了利用深度学习的方法对回转窑火焰图像去雾与燃烧状态识别。本文的研究工作主要包括以下内容：　　1.提出基于深度学习的方法去除回转窑火焰图像的雾度。该去雾方法是在重新配置了大气散射模型的基础上设计的，它与大多数去雾模型不同的地方是没有分别估算传输矩阵和全球大气光值两个参数，而是使用一个轻量级卷积神经网络把雾图直接恢复成清晰图像。这种端到端去雾方法的设计很容易嵌入到其他深度学习模型(例如，fasterR-CNN)，对模糊图像的高级任务性能有所提高。在合成雾图、自然模糊图像和回转窑火焰图像数据集上的实验结果证明了该算法在PSNR，SSIM和主观视觉质量方面都要优于传统图像去雾技术的性能。此外，当将本文的卷积神经网络与fasterR-CNN连接并从头到尾训练联合管道时，通过实验表明对模糊图像的检测性能上有大幅度提升。　　2.提出基于迁移学习的方法识别回转窑的燃烧状态识。CNN对于图像特征提取有很好的性能，并且对运算具有一定的不变性。目前的神经网络模型具有计算量大、计算资源高的特点，而深度卷积神经网络模型容易出现局部优化问题，因此迁移学习成为理想的选择。为了提高整体识别性能，本文应用了迁移学习方法对图像进行分类，将参数初始化模型与迁移学习模型进行了比较，并与其他传统的图像分类方法进行了比较。通过实验结果表明，该方法能明显提高回转窑燃烧状态的准确率，具有较好的鲁棒性和泛化能力，并且能克服传统图像识别算法依赖人工提取特征的特点。　　研究表明，利用卷积神经网络对回转窑火焰图像去雾不管是在测量指标上还是视觉效果上都有很好的性能，这为图像的高级处理奠定了基础；并且基于深度学习识别回转窑的燃烧状态，该方法识别的准确率高、处理速度快，优于传统的图像识别方法。

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 回转窑燃烧状态识别研究现状

1.2.2图像去雾算法的研究现状

1.2.3 深度学习在图像识别技术的应用现状

1.3 本文研究内容与各章节安排

第2章 图像去雾与燃烧状态识别的理论基础

2.1大气散射模型

2.2神经网络

2.3卷积神经网络

2.3.1卷积神经网络的结构

2.3.2卷积神经网络的训练

2.3.3卷积网络的生物视角

2.4本章小结

第3章 基于卷积神经网络的回转窑火焰图像去雾

3.1 引言

3.2基于卷积神经网络的图像去雾算法

3.3基于卷积神经网络的回转窑火焰图像去雾

3.3.1去雾后图像表达式

3.3.2去雾网络模型设计

3.4实验与结果分析

3.4.1 数据集和实验设置

3.4.2合成雾图的实验结果

3.4.2视觉效果评估

3.4.3与高级视觉任务联合的性能评估

3.4.3时间的评估

3.5 本章小结

第4章 基于深度学习的回转窑燃烧状态识别

4.1引言

4.2 VGG-16网络

4.3 基于深度学习的回转窑燃烧控制系统

4.3.1 回转窑火焰图像燃烧状态分析

4.3.2基于CNN模型的迁移学习

4.3.3 基于迁移VGG-16网络的燃烧状态识别模型

4.4 实验与结果分析

4.4.1实验数据集

4.4.2实验设置

4.4.3 实验结果分析

4.5 本章小结

结论

1 全文工作总结

2 未来工作展望

参考文献

致谢

附录 A 攻读硕士学位期间所发表的学术论文