一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法

摘要

本发明公开了一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法，温度识别方法包括以下步骤：S1、获取炉膛内的燃烧视频，截图得到多幅炉膛内的燃烧火焰图像，与相应时刻的温度一一对应起来；S2、去噪处理；S3、进行特征量的提取；S4、利用建立的特征量与温度的对应关系进行数据拟合，之后输入待识别燃烧火焰图像即可直接提取该待识别燃烧火焰图像对应的温度。本发明将图像处理及识别技术用于低浓度瓦斯直接燃烧系统中，从连续图片中获得的温度信息，进行炉膛燃烧状态的判断，并且可以根据燃烧状态实现对进气量的控制，使炉膛燃烧状况更为合理。

说明书

技术领域

本发明涉及锅炉高温测量技术领域，具体地说涉及一种基于火焰图像的温 度识别方法以及低浓度瓦斯燃烧系统的控制方法。

背景技术

低浓度瓦斯直接燃烧系统需要将温度控制在900-1100℃之间，并且当温度 低于800℃时会触发温度保护系统，保障系统安全稳定运行。温度过低，无法 保证新进入的瓦斯气及时点燃和燃烧，容易产生不完全燃烧和形成可燃气体的 聚集。一旦瓦斯气没有被及时点燃，发生燃烧室的爆炸。为了避免这种情况的 发生，需要及时掌握炉膛内气体燃烧的状态，而气体燃烧状态的确定需要温度。

当前主要使用的测温方法是在炉膛内安装温度感应装置，通过温度感应装 置获取温度的相关信息。但是这些元器件是靠近或直接接触火焰的，这种方式 会大大降低元器件的寿命。通过图像识别的方法对温度进行识别不会与火焰直 接接触，同时也会减少元器件的干扰而对温度出现误读的情况，但目前缺少这 方面的研究。

发明内容

本发明所要解决的技术问题是提供一种基于火焰图像的温度识别方法以及 低浓度瓦斯燃烧系统的控制方法，旨在解决现有方法损耗元器件，且无法准确 识别炉膛温度的问题。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于火焰图像的温度识别方法，包括以下步骤：

S1、获取炉膛内的燃烧视频，并通过温度感应探测器实时探测炉膛内的温 度，然后以T时间为粒度将获取的炉膛内的燃烧视频进行截图，得到多幅炉膛 内的燃烧火焰图像，再将各幅燃烧火焰图像与温度感应探测器探测到的相应时 刻的温度一一对应起来；

S2、使用自适应加权均值—中值滤波方法对各幅燃烧火焰图像进行去噪处 理；

S3、对去噪后的各幅燃烧火焰图燃烧火焰图像进行特征量的提取，然后将 各幅燃烧火焰图燃烧火焰图像对应的温度与相应提取到的特征量一一对应起 来；

S4、利用建立的特征量与温度的对应关系进行数据拟合，之后输入待识别 燃烧火焰图像即可直接提取该待识别燃烧火焰图像对应的温度。

进一步地，步骤S1中，截图的具体操作方法如下：

使用cv2包中的VideoCapture模块进行图像的获取，通过改变延时时间获 得不同时间间隔的燃烧火焰图像。

进一步地，步骤S2的具体操作方法如下：

S21、将燃烧火焰图像转化为RGB三通道图像，得到RGB三通道图像的R、 G、B矩阵，然后将R、G、B矩阵转化为灰度矩阵；

S22、基于燃烧火焰图像对应的灰度矩阵，使用自适应加权均值—中值滤波 方法对燃烧火焰图像噪声中的脉冲噪声及高斯噪声进行去噪，去噪计算公式如 式1、式2和式3所示：

其中，zxy表示待去噪数据，即窗口正中心的数据，mean表示窗口数据均 值，med表示窗口数据中值，zxy'表示修正后数据。

进一步地，步骤S3中，特征量的提取的具体操作方法如下：

S31、沿着两条以上的横切割线和两条以上的纵切割线，对燃烧火焰图像进 行切割划分，两条以上的横切割线和两条以上的纵切割线的各交点对应的灰度 矩阵的灰度系数即为燃烧火焰图像的特征量；

S32、对所有燃烧火焰图像按上述步骤提取特征量，得到不同温度对应的特 征量，每个燃烧火焰图像的特征量对应的系数矩阵和所有燃烧火焰图像的对应 的温度构成的系数矩阵如式4所示：

其中，x

进一步地，步骤S4的具体操作方法如下：

S41、将燃烧火焰图像对应的特征量作为KNN算法的输入，燃烧火焰图像 对应的温度作为KNN算法的输出，对数据进行拟合；

S42、输入待识别燃烧火焰图像，调用已拟合好的算法直接得到该待识别燃 烧火焰图像对应的温度。

进一步地，步骤S4中，在对数据进行拟合中，包括以下处理：

使用网格搜索算法及交叉验证对KNN算法的k参数进行寻优，设置交叉 验证的参数，将数据分为训练集及验证集，使用训练集的数据在1到11的范围 内找到使得分类准确率最高的k值；使用剩余的验证集的数据验证算法的准确 率。

进一步地，步骤S41中的算法的实现步骤如下：

S411、任意选中一点x，其坐标表示为(x

S412、求出剩余点到x的欧式距离，如下式5所示：

S413、根据KNN算法的k参数找出离X最近的k个点，记做y

S414、将这k个点的坐标对应的灰度系数平均之后，即为x的预测结果。

一种低浓度瓦斯燃烧系统的控制方法，包括以下步骤：

W1、获取连续多幅炉膛内的燃烧火焰图像，采用如权利要求1至7中任一 项所述的基于火焰图像的温度识别方法得到该多幅燃烧火焰图像对应的温度；

W2、根据得到的多幅燃烧火焰图像对应的温度的变化趋势，判断炉膛燃烧 状态，最后根据炉膛燃烧状态调节进气量。

进一步地，根据多幅燃烧火焰图像对应的温度信息，判断炉膛的燃烧状态， 依据炉膛正常燃烧时的温度与进气量的对应关系得到温度为某一个量时的进气 量的合理范围，当炉膛温度处于上升状态时，在合理范围内调高进气量，当炉 膛温度处于下降状态时，在合理范围降低进气量，当炉膛温度不变时，维持进 气量不变。

本发明的有益效果体现在：

本发明通过建立燃烧火焰图像、温度和特征量的关系，带入到以特征量作 为的输入，燃烧火焰图像对应的温度作为输出的KNN算法中，可以直接从图 像中直接读取温度信息，并且通过转化为灰度矩阵和降噪等处理，保证了识别 方法具有非常高的准确性，能有效解决现有方法损耗元器件，且无法准确识别 炉膛温度的问题。

本发明将图像处理及识别技术用于低浓度瓦斯直接燃烧系统中，从连续图 片中获得的温度信息，进行炉膛燃烧状态的判断，并且可以根据燃烧状态实现 对进气量的控制，使炉膛燃烧状况更为合理。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明一实施例的实现流程图；

图2是随时间变化温度变化图(横坐标为时间，纵坐标为温度℃)；

图3是经自适应加权均值-中值处理后的炉膛图像；

图4是特征量提取的实现流程图；

图5是KNN算法实现流程图；

图6是KNN算法验证集的误差。

图7是交叉验证的原理图。

图8为连续6张图像预测得到的温度。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说 明。

具体实施方式

下面将参考附图来详细说明本发明，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不 是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创 造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了提供更安全、可靠、精准的获取温度的方法，来配合低浓度瓦斯燃烧 系统的控制，本发明设计了一种基于火焰图像的温度识别方法，该方法和低浓 度瓦斯燃烧系统的控制方法的整体实现流程图如图1所示：

本发明基于火焰图像的温度识别方法，包括以下步骤：

S1、获取炉膛内的燃烧视频，并通过温度感应探测器实时探测炉膛内的温 度，然后以T时间为粒度将获取的炉膛内的燃烧视频进行截图，得到多幅(至 少两幅)炉膛内的燃烧火焰图像，再将各幅燃烧火焰图像与温度感应探测器探 测到的相应时刻的温度一一对应起来，一张燃烧火焰图像对应一个温度；

具体实施中，可以使用cv2包中的VideoCapture模块进行图像的获取，通 过改变延时时间获得不同时间间隔的燃烧火焰图像，T可以选择为10秒钟，当 延时时间设置为10s时，输出图像为十秒钟时间间隔的图像，当然T也可以选 择为其它时间；

S2、为了减少炉膛燃烧图像中高斯噪声与脉冲噪声的干扰，使用自适应加 权均值—中值滤波方法对各幅燃烧火焰图像进行去噪处理，具体操作方法如下：

S21、将燃烧火焰图像转化为RGB三通道图像，得到RGB三通道图像的R、 G、B矩阵，然后将R、G、B矩阵转化为灰度矩阵，这样燃烧火焰图像上的一 个像素点只能对应一个灰度系数；

R、G、B矩阵转化为灰度矩阵的公式为Gray＝R*0.299+G*0.587+B*0.114， 式中：Gray表示转换后的灰度系数矩阵，R、G、B分别表示三个通道的系数矩 阵；

S22、基于燃烧火焰图像对应的灰度矩阵，使用自适应加权均值—中值滤波 方法对燃烧火焰图像噪声中的脉冲噪声及高斯噪声进行去噪，还原图像原本的 信息，去噪计算公式如式1、式2和式3所示：

其中，zxy表示待去噪数据，即窗口正中心的数据，mean表示窗口数据均 值，med表示窗口数据中值，zxy'表示修正后数据；根据中值均值分别与待去 噪数据得距离求得权重，使其兼具中值滤波与均值滤波的滤波特性；

图片处理不是一整张图片一起处理的，而是把数据分成很多小块处理的， 这里的窗口指的是算法平移的窗口，假设灰度矩阵是25×25的矩阵，这个窗口 指的是每次处理的数据的窗口，比如窗口尺寸默认为3×3时，中心的数据就是 本次滤波处理的数据，当前一个数据处理完，平移至下一个3×3窗口，继续处 理，待一行处理完之后处理下一行；

假设原灰度矩阵为如下：

窗口尺寸假定为3×3，于是图像处理的第一步为：

中间加粗的24即为本次待处理的数据，这里使用滤波算法得到一个新的结 果，代替原本的24，假定得到滤波处理后结果为23，下一步就是向右平移，变 为：

加粗的23即为第一步得到的结果，中间加粗的34是本次待处理的数据；

S3、对去噪后的各幅燃烧火焰图燃烧火焰图像进行特征量的提取，然后将 各幅燃烧火焰图对应的温度与相应提取到的特征量一一对应起来；特征量的提 取的具体操作方法如下：

S31、沿着两条以上的横切割线和两条以上的纵切割线，对燃烧火焰图像进 行切割划分，两条以上的横切割线和两条以上的纵切割线的各交点对应的灰度 矩阵的灰度系数即为燃烧火焰图像的特征量，参见图4；

S32、对所有燃烧火焰图像按上述步骤提取特征量，得到不同温度对应的特 征量，每个燃烧火焰图像的特征量对应的系数矩阵和所有燃烧火焰图像的对应 的温度构成的系数矩阵如式4所示：

其中，x

S4、利用建立的特征量与温度的对应关系进行数据拟合，之后输入待识别 燃烧火焰图像即可直接提取该待识别燃烧火焰图像对应的温度，具体操作方法 如下：

S41、将燃烧火焰图像对应的特征量作为KNN算法的输入，燃烧火焰图像 对应的温度作为KNN算法的输出，对数据进行拟合；

参见图5，算法的实现步骤如下：

S411、任意选中一点x，其坐标表示为(x

S412、求出剩余点到x的欧式距离，如下式5所示：

S413、根据KNN算法的k参数找出离X最近的k个点，记做y

S414、将这k个点的坐标对应的灰度系数平均之后，即为x的预测结果。

S42、使用网格搜索算法及交叉验证对KNN算法的k参数进行寻优，设置 交叉验证的参数，将数据分为训练集及验证集，使用训练集的数据在1到11 的范围内找到使得分类准确率最高的k值；

S43、使用剩余的验证集的数据验证算法的准确率，即预测的图像温度与实 际温度感应探测器得到的温度的误差；

网格搜索算法是一种穷举搜索算法，指的是将待寻优参数所有可能的值列 出来，逐一尝试当待寻优参数的值为这些值时的预测效果，选择误差率最小的 作为该待预测参数的值；

交叉验证指的是将原数据集合分为训练集和测试集两部分，一般训练集和 测试集的比是9：1。如图7所示，从列来看，第一列中，将训练集分成了五等 份，使用训练集2、3、4、5去拟合数据关系，使用未使用的训练集1去验证算 法的准确性，然后再预测测试集的结果，得到Test1，重复次步骤5次。将五次 用于验证的训练集组合起来得到新的训练集，将得到的Test1到Test5进行平均 之后得到新的Test，即测试集，然后用新得到的训练集和测试集去预测结果。 交叉验证可以充分利用数据，最大程度地挖掘数据的内部联系；

S44、输入待识别燃烧火焰图像，经滤波处理后，调用已拟合好的算法直接 得到该待识别燃烧火焰图像对应的温度。

本发明提供的低浓度瓦斯燃烧系统的控制方法，包括以下步骤：

W1、获取连续多幅(炉膛启动温度上升阶段到炉膛稳定燃烧)炉膛内的燃 烧火焰图像，采用本发明基于火焰图像的温度识别方法得到该多幅燃烧火焰图 像对应的温度；

W2、根据多幅燃烧火焰图像对应的温度信息，判断炉膛的燃烧状态，依据 炉膛正常燃烧时的温度与进气量的对应关系得到温度为某一个量时的进气量的 合理范围，当炉膛温度处于上升状态时，在合理范围内调高进气量，当炉膛温 度处于下降状态时，在合理范围降低进气量，当炉膛温度不变时，维持进气量 不变。

通过对连续图像的温度识别，观察其温度变化的趋势，确定其处于稳定燃 烧还是不稳定的燃烧，根据其燃烧状态及其正常燃烧时的进气量的水平调节进 气量。不同的燃烧状态及温度对应的进气量(氧气、一氧化碳、甲烷)的水平 不同，依据燃烧状态及温度调整合适的进气量，防止产生温度过高或过低等现 象，影响设备的稳定运行甚至产生严重后果。稳定燃烧指的是温度维持某种程 度的上升、下降或是平衡，此时这三种状态都会对应于一个进气量的范围，进 气量在该范围内变化使得燃烧处于稳定状态。不稳定燃烧指的是进气量不在正 常范围之内，发生突变或是进气量输入量不合适导致燃烧状态改变，这种会引 起设备的毁损等。当根据图像识别的温度显示炉膛温度处于上升状态时，需要 适当调高进气量并使其处于合适的进气量范围，使其温度处于稳步上升状态； 如果显示炉膛温度处于下降状态时，需要适当降低进气量并使其处于合适的进 气量范围，使其温度处于稳步下降状态；当显示温度不变时，这时需要维持进 气量在该温度对应的进气量范围中。

具体一实践中，按照本发明的温度识别方法，首先将炉膛燃烧视频转换成 以10秒为粒度的燃烧火焰图像，共计248张。实验数据是9时23分到10时4 分的2488个温度数据，如图2所示，取与图片对应的248个温度数据。之后再 将每一幅图像转化为R、G、B三通道数据的形式，并将R、G、B矩阵转化为 灰度矩阵，一幅图对应一组灰度数据矩阵，为了减小噪音的影响使用自适应加 权均值—中值滤波方法对图像去噪，去噪结果如图3所示。

将新的灰度矩阵数据按照图4的特征提取方式提取特征构成一组特征量， 图片尺寸为720×480，取图中15个点的灰度系数构建作为特征量，原图像就 转换成15个特征量，并且对应一个温度。

使用KNN算法以特征量为输入，以温度为输出拟合。使用网格寻优法结 合交叉验证对KNN参数进行寻优，交叉验证的折数为5，使用随机的十分之九 的数据用算法拟合，剩余十分之一的数据用于验证算法的误差率，使用MAPE 作为评价指标，MAPE的计算公式如式6所示，结果见图6。

式中：pre为根据图像预测得到的温度，y指的是传感器检测到的温度， MAPE越小，表明算法的预测误差越低。

接下来输入连续的6张图像，通过上述的温度识别方法识别出各个图像的 温度，根据图像的温度变化来判断炉膛所处的燃烧状态。连续图像温度如图8 所示。

图8为输入的连续6张图片的温度，从图上可以较明显看出温度成下降态 势，但是从温度数据上看，变化幅度在1.2℃左右，因此判断为此刻炉膛对应的 燃烧状态为稳定燃烧。

根据收集到的炉膛燃烧的数据可以知道炉膛正常燃烧时温度在1032.4到 1033.8℃时的进气量范围为：一氧化碳的输入浓度在1％到4％，氧气输入浓度 为11.8％到12.0％。因此为了保证炉膛继续稳定在该温度范围内，一氧化碳的 输入浓度计氧气的输入浓度应不得超出上述范围。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实 施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬 件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方 案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来， 该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、 光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务 器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利 用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运 用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。