CN102506444A - 基于智能控制的计算机视觉技术的炉膛火焰检测方法 - Google Patents

Abstract

本发明公开了一种基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，包括以下步骤：利用CCD摄像机通过光纤图像传感器拍摄炉膛火焰，并将拍摄采集的图像信息信号传送至实时信号处理机；实时信号处理机中采用小波包算法对图像信息进行信号的去噪处理；采用BP神经网络模型对经过去噪处理的图像信息进行检测识别。将基于小波包及BP神经网络的计算机视觉技术应用到电厂炉膛火焰的图像信息分析与处理中，能够实现电厂炉膛火焰图像信息的智能处理，能够有效地将背景火焰中的信号噪音去除，得到一个更加真实准确的信号，从而能够相对定量地掌握每个燃烧器的燃烧状况，维持锅炉的最佳燃烧状态，实现设备的安全，高效运行。

Description

基于智能控制的计算机视觉技术的炉膛火焰检测方法

技术领域

本发明涉及一种利用计算机视觉技术检测分析电厂炉膛火焰的方法，尤其涉及一种基于小波包和BP神经网络的计算机视觉技术的炉膛火焰检测方法。

背景技术

发电厂锅炉的稳定燃烧对于发电机组的安全和电力的充足供应至关重要。随着大型机组的燃料和燃烧方式的多样化，在锅炉启停和处理事故过程中对燃烧系统的监视即锅炉炉膛火焰检测就显得尤为重要。

电厂煤粉锅炉火焰检测是提高电站运行安全性和经济性的重要措施。目前，我国电厂中广泛采用的火焰检测器属于红外线型、可见光型或上述的组合型。这类火焰检测器的视场角较小，当煤种变化或负荷变化引起着火位置漂移时，将严重影响炉膛火焰的检测效果。并且这种火焰检测器只能给出有无火焰的开关量信号，不能进一步判断火焰燃烧的状况。

图像信息在电厂应用中所起的作用越来越重要，对电厂炉膛火焰的图像信息分析与处理的要求也越来越高，使得在一些应用场合必须利用计算机视觉技术由计算机替代监控人员进行图像理解。通过计算机视觉技术分析解释图像中所代表的信息来判断设备的运行状况，在分析解释中需提高其准确率，以防止误报和漏报。

通常，过程测量数据都是含噪数据，为了后续更高层次的处理，必需对信号进行去噪。众多学者根据实际信号的特点、噪声的统计特征和频谱分布的规律，发展了各式各样的去噪方法，其中最为直观的方法是根据噪声能量一般集中于高频，而真实信号的频谱则分布于一个有限区间的特点，采用低通滤波方式进行去噪，如傅立叶变换、滑动平均窗滤波器、Wiener线性滤波器。其它的去噪方法还有基于秩阶滤波、马尔可夫场模型、偏微分方程的方法。而在小波包分析中，其去噪信号的算法思想和在小波分析中的基本相同，所不同的就是小波包提供了一种更为复杂，也更为灵活的分析手段。因为小波包分析对上一层的低频部分和高频部分同时进行分解，具有更加精确的局部分析能力。

发明内容

本发明所要解决的技术问题是提供一种可以克服传统火焰检测器的缺点的基于小波包和BP神经网络的计算机视觉技术的炉膛火焰检测方法，可以快速准确的识别炉膛火焰的状况。

为解决上述技术问题，本发明提出了一种将小波包及BP神经网络的计算机视觉技术应用于电厂炉膛火焰的检测的方法。

一种基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，包括以下步骤：

a.图像获取：利用CCD摄像机通过光纤图像传感器拍摄炉膛火焰，并将拍摄采集的图像信息信号实时传送至信号处理机；

b.小波包算法的信号去噪处理：信号处理机中采用小波包算法对图像信息进行信号的去噪处理；

c.BP神经网络图像检测识别：采用BP神经网络模型对经过去噪处理的图像信息进行检测识别。

2.根据权利要求1所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，小波包进行信号去噪的步骤为：

小波包分解：对含噪信号进行小波包分解，得到各个尺度下的小波包分解系数；

系数收缩：对小波包分解系数进行收缩，将各尺度上由噪声产生的小波分量去掉，保留原始信号的小波包分解系数；

小波包重构：对收缩的小波包分解系数进行小波逆变化，重构去噪信号。

小波包分解系数收缩是通过选取一阈值对小波包分解系数进行量化处理，将小于或等于阈值的小波包分解系数作为零处理，仅用阈值以上的小波包分解系数来重构去噪信号，包含以下步骤：

Y＝W(X)

Z＝D(Y，T)

$\hat{X}=W^{-1}\left(Z\right)$

其中，W(X)和W^-1(Z)分别表示小波包分解与重构算法，D(Y，T)表示给定阈值T的小波包分解系数的收缩操作，X表示含噪信号，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，表示去噪后的信号。

BP神经网络模型的训练步骤为：

(1)初始化：对权值矩阵W和阈值V赋随机数，将样本模式计数器p和训练次数计数器q取为1，总误差为0，学习率η设为0和1之间的小数。网络训练后达到的精度E_min设为正小数，网络最大迭代次数为N；

(2)输入训练样本计算各层输出：用当前样本X_p和D_p对向量数组输入样本X、期望输出样本d赋值，计算隐含层的输入量Y和输出量O中各分量；

(3)计算网络输出误差：设共有P对训练样本，样本模式计数器p初值为1，不同的样本对应不同的误差E_p，网络的总误差E：

$E=\sqrt{\frac{1}{p}}{\mathrm{\Σ}}_{p=1}^P{\left(E_p\right)}^2;$

(4)计算各层误差信号

和

(5)调整各层权值：计算W、V中各分量；

(6)判断所有样本是否都得到训练：若p＜P，则计数器p、q各自增1转到步骤(2)，否则转下一步骤(7)；

(7)检查网络总误差E是否达到精度要求或训练次数是否超过最大迭代次数，若E＜E_min或q＞N则训练结束，否则转到步骤(2)。

还包含对检测识别的火焰估算其火焰的大小、强弱和火焰中心位置参数的步骤。

还包含将炉膛火焰检测识别的结果进行显示的步骤。

本发明所达到的有益效果：

本发明的方法在保证电厂安全运行的情况下，将基于小波包及BP神经网络的计算机视觉技术应用到电厂炉膛火焰的图像信息分析与处理中，实现了电厂炉膛火焰图像信息的智能处理。利用光纤图像传感器和CCD摄像机作为一次传感元件，经图像采集卡，将火焰图像实时采集到计算机中，计算机对采集的信号进行处理，通过小波包的信号去噪处理和BP神经网络的识别，使其能快速精确地识别炉膛火焰的状况。由于光纤图像传感器的视场角可达很大，因此它检测的区域非常大，检测结果基本不受煤种和负荷变化的影响。应用边缘检测和图像分割技术，通过BP神经网络的识别，便可进一步分析炉膛火焰的燃烧状况。可以有效地从背景火焰中提取单个燃烧器火焰，并估算出燃烧器火焰的大小和强弱、火焰中心的位置等参数。作为对传统的电厂炉膛火焰的检测方法的改进，基于小波包和BP神经网络的计算机视觉技术能够有效地将背景火焰中的信号噪音去除，得到一个更加真实准确的信号，从而能够相对定量地掌握每个燃烧器的燃烧状况，维持锅炉的最佳燃烧状态，实现设备的安全、高效运行。

附图说明

图1为图像采集处理示意图；

图2为二层小波分解示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，基于小波包和BP神经网络的计算机视觉技术的炉膛火焰检测方法，包括以下步骤：

(1)图像获取：利用CCD摄像机通过光纤图像传感器拍摄炉膛火焰，并将采集的图像信息的信号传送至实时信号处理机；

(2)小波包算法的信号去噪处理：信号处理机中采用小波包算法对图像信息进行信号的去噪处理；

(3)采用BP神经网络模型对图像进行检测识别：采用BP设计网络进行图像的检测识别。

下面详细说明利用小波包进行信号去噪的原理和过程：

小波包是由多分辨率分析中的尺度函数Φ(t)和小波函数Ψ(t)生成的函数集合{u_n(t)}满足下列递归定义：

$u_{2n}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}h\left(k\right)u_n(2t-k)$

$u_{2n+1}\left(t\right)=\sqrt{2}\underset{k\∈Z}{\mathrm{\Σ}}g\left(k\right)u_n(2t-k)$

其中，u₀(t)是尺度函数Φ(t)，u₁(t)是小波函数Ψ(t)，h(k)和g(k)分别是有限长冲激响应滤波器组的低通滤波器系数和高通滤波器系数，且满足正交关系：

g(k)＝(-1)^kh(1-k)

{u_n(t)}是包括尺度函数Φ(t)和小波函数Ψ(t)在内有一定联系的函数集合。小波包分解能对信号的频带进行多层次划分，对小波变换没有细分的部分进一步分解，提高了时频分辨率。它实质上是将Hibert空间通过h(k)和g(k)分解成低频和高频两部分，一维信号的二层小波包分解如图2所示。

图中V(0，0)节点代表原始节点，U(1，0)节点代表小波包分解的第一层低频系数，U(1，1)节点代表小波包分解的第一层高频系数，其它依次类推。

含加性噪声的一维信号模型可表示为如下形式：

x(n)＝s(n)+σe(n)，n＝0，1，...，N-1

其中，x(n)为含噪信号，s(n)为真实信号，e(n)～N(0，1)分布的高斯白噪声，即表示e(n)服从N(0，1)分布的高斯白噪声，σ为噪声信号的偏差。去噪的目标是从被污染的测量信号x(n)中恢复信号s(n)。

信号s(n)可以由小波包分解后的小波包系数来刻画，小波包系数较大者，其携带的信号能量较多；小波包系数较小者，其携带的信号能量较少。小波包分解系数收缩去噪的基本思想是根据噪声与信号在各尺度上的小波包系数具有不同的特性的特点，将各尺度上由噪声产生的小波分量，特别是将那些噪声分量占主导地位的尺度上的噪声小波分量去掉，这样保留下来的小波包系数基本上就是原始信号的小波包系数，然后再利用小波包重构算法，重构原始信号。由此可知小波包分解系数收缩去噪的关键是如何滤去由噪声产生的小波包分解系数。选取合适的阈值对小波包分解系数进行量化处理，将小于或等于阈值的小波包系数作为零处理，仅用阈值以上的小波包系数来重构信号s(n)，既除去了大部分噪声，又保留了原始信号的特征。小波包分解系数收缩去噪的过程分为三个步骤：

Y＝W(X)

Z＝D(Y，T)

$\hat{X}=W^{-1}\left(Z\right)$

W(X)和W^-1(Z)分别表示小波包分解与重构算法，D(Y，T)表示给定阈值的小波包分解系数的收缩操作，X表示含噪信号，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，

表示去噪后的信号。小波包分解系数收缩去噪流程一般为小波包分解、系数收缩和小波包重构。在此选择Stein无偏似然估阈值。

通过对含噪历史数据进行四层小波分解，得到各个尺度下的分解系数，利用Stein无偏似然估阈值进行收缩操作，并对分解系数进行小波逆变化，重构去噪信号。当完成图像的去噪处理后，通过特征量的提取，采用已训练过的三层BP神经网络模型进行识别。

BP神经网络的步骤为：

(1)初始化：对权值矩阵W和阈值V赋随机数，将样本模式计数器p和训练次数计数器q取为1，总误差为0，学习率η设为0和1之间的小数。网络训练后达到的精度E_min设为正小数，网络最大迭代次数为N；

(2)输入训练样本计算各层输出：用当前样本X_p和D_p对向量数组输入样本X、期望输出样本d赋值，计算隐含层的输入量Y和输出量O中各分量；

(3)计算网络输出误差：设共有P对训练样本，样本模式计数器p初值为1，不同的样本对应不同的误差E_p，网络的总误差E：

$E=\sqrt{\frac{1}{p}}{\mathrm{\Σ}}_{p=1}^P{\left(E_p\right)}^2$

(4)计算各层误差信号

和

(5)调整各层权值：计算W、V中各分量；

(6)判断所有样本是否都得到训练：若p＜P，则计数器p、q各自增1转到步骤(2)，否则转下一步骤(7)；

(7)检查网络总误差E是否达到精度要求或训练次数是否超过最大迭代次数，若E＜E_min或q＞N则训练结束，否则转到步骤(2)。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，包括以下步骤：

a.图像获取：利用CCD摄像机通过光纤图像传感器拍摄炉膛火焰，并将拍摄采集的图像信息信号实时传送至信号处理机；

b.小波包算法的信号去噪处理：信号处理机中采用小波包算法对图像信息进行信号的去噪处理；

c.BP神经网络图像检测识别：采用BP神经网络模型对经过去噪处理的图像信息进行检测识别。

2.根据权利要求1所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，小波包进行信号去噪的步骤为：

小波包分解：对含噪信号进行小波包分解，得到各个尺度下的小波包分解系数；

系数收缩：对小波包分解系数进行收缩，将各尺度上由噪声产生的小波分量去掉，保留原始信号的小波包分解系数；

小波包重构：对收缩的小波包分解系数进行小波逆变化，重构去噪信号。

3.根据权利要求2所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，小波包分解系数收缩是通过选取一阈值对小波包分解系数进行量化处理，将小于或等于阈值的小波包分解系数作为零处理，仅用阈值以上的小波包分解系数来重构去噪信号，包含以下步骤：

Y＝W(X)

Z＝D(Y，T)

$\hat{X}=W^{-1}\left(Z\right)$

其中，W(X)和W^-1(Z)分别表示小波包分解与重构算法，D(Y，T)表示给定阈值T的小波包分解系数的收缩操作，X表示含噪信号，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，

表示去噪后的信号。

4.根据权利要求1或2所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，BP神经网络模型的训练步骤为：

(1)初始化：对权值矩阵W和阈值V赋随机数，将样本模式计数器p和训练次数计数器q取为1，总误差为0，学习率η设为0和1之间的小数。网络训练后达到的精度E_min设为正小数，网络最大迭代次数为N；

(2)输入训练样本计算各层输出：用当前样本X_p和D_p对向量数组输入样本X、期望输出样本d赋值，计算隐含层的输入量Y和输出量O中各分量；

(3)计算网络输出误差：设共有P对训练样本，样本模式计数器p初值为1，不同的样本对应不同的误差E_p，网络的总误差E：

$E=\sqrt{\frac{1}{p}}{\mathrm{\Σ}}_{p=1}^P{\left(E_p\right)}^2;$

(4)计算各层误差信号

和

(5)调整各层权值：计算W、V中各分量；

(6)判断所有样本是否都得到训练：若p＜P，则计数器p、q各自增1转到步骤(2)，否则转下一步骤(7)；

(7)检查网络总误差E是否达到精度要求或训练次数是否超过最大迭代次数，若E＜E_min或q＞N则训练结束，否则转到步骤(2)。

5.根据权利要求1所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，还包含对检测识别的火焰估算其火焰的大小、强弱和火焰中心位置参数的步骤。

6.根据权利要求1或5所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，还包含将炉膛火焰检测识别的结果进行显示的步骤。

Images