CN105678295A - 基于roi平均图像分析的燃气加热炉火焰实时监测方法 - Google Patents

Abstract

本发明公开了属于工业加热炉火焰视频监控领域的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。包括以下步骤：1)采用人机交互方式设置火焰感兴趣区域(ROI)；2)从火焰监控视频流中提取ROI图像并计算平均图像；3)对ROI平均图像进行预处理，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域；4)从预处理结果图像中提取火焰特征，包括火焰区域面积、平均亮度、质心和火焰颜色主成分；5)综合分析火焰特征，建立判定规则，自动识别火焰燃烧状态并输出；6)利用历史数据建立离线自学习模型，优化系统参数，提升方法的鲁棒性。本发明可用于对单火嘴或多火嘴燃气加热炉燃烧工况进行实时监控，为工业生产提供安全保障。

Description

基于ROI平均图像分析的燃气加热炉火焰实时监测方法

技术领域

本发明属于工业加热炉火焰视频监控领域，具体涉及一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。

背景技术

燃气加热炉在石油、化工、钢铁等生产企业中地位举足轻重，火焰燃烧状况是其工况最直接的反映，一般要求保证火焰充分、稳定地燃烧，避免因炉膛熄火而引发安全事故。因此要在生产过程中对炉膛火焰燃烧状况进行实时监测，在工况异常时及时提供报警信息并采取应对措施。目前已有的火焰自动监测手段，常采用单点的紫外线、红外线或可见光光电传感元件，利用火焰亮度或闪烁频率来判断火焰燃烧状况，输出开关量为监控处理系统提供判断依据，存在探头视角小、易被烟灰玷污、参数整定困难、易被火焰串扰现象影响等诸多问题，其误报率和漏报率较高。随着计算机技术的飞速发展，基于视频/图像处理的炉膛火焰监测技术不仅看火直观、形象，而且能充分发挥计算机强大的计算处理能力，自动采集图像、提取火焰特征、进行燃烧诊断、存储事故图像等。国内外现有火焰视频监测系统主要用于燃煤或燃油工业加热炉火焰的监测，已有的图像处理方法并不适用于燃气工业加热炉的火焰监测，尤其对于多火嘴燃气工业加热炉，面临火嘴之间存在的严重火焰串扰问题，现有图像处理方法无法准确给出燃烧状态的自动判别结果。随着工业摄像机分辨率提高，对采集到的监控视频流进行全分辨率图像处理分析的计算量较大，实现实时处理分析的难度也相应增大，这也需要更有效的图像处理方法实现火焰的实时监测，并准确判定火焰的燃烧状态。

发明内容

本发明旨在解决上述问题，针对以煤气或天然气为燃料的工业加热炉，提出一种基于ROI平均图像分析的炉膛火焰实时监测方法。其主要特点在于：对耐高温成像系统采集到的炉膛火焰视频流，采用人机交互方式选定火焰感兴趣区域(ROI，RegionofInterest)并仅对ROI图像进行处理分析，提高了计算效率；在计算ROI平均图像的基础上通过一系列图像预处理算法进一步准确定位最可能的火焰像素区域，据此提取有效的燃气火焰特征量，并制定了相应特征分析策略给出实时的燃烧状态判定结果；通过不断积累的历史数据建立离线自学习模型，优化系统分析参数，提高方法鲁棒性，给工业生产提供了安全保障。

本发明提供的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法，可以用于单火嘴或多火嘴燃气加热炉。存在多火嘴时，使耐高温成像系统的探火镜头以适当视角俯视炉膛，可依据火嘴分布情况以火嘴燃烧火焰不遮挡为原则采集多路视频信号，每路视频监控一个火嘴区域或相邻的多个火嘴区域，对每个火嘴区域选定其ROI图像进行处理分析。

具体而言，本发明提供的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法，包括以下步骤：

步骤一：在正常燃烧工况下，从耐高温成像系统中采集一帧图像，采用人机交互方式在火嘴周围选定火焰感兴趣区域(ROI)，记录ROI坐标信息，并保存为模板；步骤二：对采集到的视频流(图像序列)，提取每一帧对应的ROI图像，选取适当的窗口尺寸计算平均帧(图像)；步骤三：对ROI平均图像进行预处理操作，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域，并由此得到用于提取燃气火焰特征的火焰区域B通道灰度图像及R通道灰度图像；步骤四：利用ROI平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火焰区域质心、火焰颜色主成分共4种特征量；步骤五：对提取到的火焰特征进行综合分析，建立判定规则，自动识别火焰的燃烧状态(是否正在燃烧、燃烧是否稳定、燃烧是否充分)，并作为火焰监测结果输出；步骤六：利用系统运行监测过程中保存的历史数据，建立离线自学习模型，不断优化系统分析参数，优化火焰状态判定规则，并重新应用于监测系统，提升方法的鲁棒性。

在上述技术方案中，所述步骤一包括以下步骤：

鉴于实际的耐高温成像系统中伸入炉膛中的探火镜头与炉膛中火嘴的位置相对固定，在监测系统硬件就绪后，打开监测系统软件，对每一路视频信号，在正常燃烧工况下，使用软件“火焰ROI模板设置”功能从监控视频流中采集一帧火焰燃烧图像，根据火焰燃烧情况人工判定监控画面中火嘴所在位置，并在其周围连续点击鼠标选定包含火嘴的封闭多边形区域Ω作为火嘴ROI区域。如有多个火嘴，重复选择，使每个被监控火嘴均对应一个ROI区域。以封闭多边形Ω外接矩形Rect＝{x₀,y₀；w,h}形式记录各ROI位置信息，其中(x₀,y₀)表示矩形左上角起点，w表示矩形宽度，h表示矩形宽度。为方便提取ROI图像，保存火焰ROI模板图像表示为 ${\mathrm{Mask}}_{ROI}(x,y)=\left\{\begin{array}{cc}1& (x,y)\∈\mathrm{\Ω}\\ 0& (x,y)\∉\mathrm{\Ω}\end{array}\right.,$ 其中x∈[x₀,x₀+w-1]，y∈[y₀,y₀+h-1]。

以下步骤仅针对一个ROI图像，若同一帧中存在其它ROI图像(多火嘴情形)采用相同的方法处理。

在上述技术方案中，所述步骤二包括以下步骤：

鉴于炉膛在火焰燃烧时工况复杂，剧烈运动的热浪、烟灰和火焰串扰等极易引起成像系统产生的图像受噪声污染，采用“平均图像法”计算ROI平均图像。利用火焰ROI模板提取当前帧中火嘴ROI原始图像g_k(x,y)，对应于视频流一帧图像中的ROI区域。设求取平均图像的窗口尺寸为N，则当前帧ROI平均图像可由公式 ${\stackrel{\&OverBar;}{g}}_k(x,y)=\left\{\begin{array}{cc}\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i(x,y)& k<N\\ \frac{1}{N}\underset{i=k-N+1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i(x,y)& k\&GreaterEqual;N\end{array}\right.$ 进行计算，其中，k＝1,2,…，表示当前帧序号。

对于成像模型g(x,y)＝f(x,y)+η(x,y)，其中f(x,y)表示无噪理想图像，η(x,y)表示随机加性噪声，其均值E{η(x,y)}＝0，则E{g(x,y)}＝E{f(x,y)+η(x,y)}＝E{f(x,y)}，由此可知N帧图像的平均图像为 $\stackrel{\&OverBar;}{g}(x,y)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{g}_i(x,y)=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{f}_i(x,y)+\frac{1}{N}\mathrm{\&eta;}(x,y),$ 且该平均图像方差为其中σ_g ²(x,y)为原始图像的方差，即平均图像方差是原图像的1/N。N值越大，噪声抑制作用越强，但考虑到火焰监测的实时性，应根据实际情况来确定适当的N值。

在上述技术方案中，所述步骤三包括以下步骤：

对目标图像进行预处理，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域。

为进一步去噪，采用中值滤波与高斯滤波相结合的方法。中值滤波用一个含有奇数点的滑动窗口扫描图像中的每一个像素，将窗口确定的邻域中的像素灰度排序，取其中间值为输出像素灰度值，能有效消除椒盐噪声，保持图像边缘。设S为中值滤波器滑动窗口所确定的像素(x,y)的邻域集合，|S|表示集合S中元素个数(为奇数)，Sort(·)表示排序操作，则对进行中值滤波可以表示为高斯滤波对整幅图像进行加权平均，设二维高斯核μ为均值，σ为标准差，经高斯滤波后得到图像 表示卷积操作，实际计算时利用一个高斯核确定的加权模板扫描图像中的每一个像素，用模板所确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，达到平滑去噪目的。

对于燃气火焰图像，经验发现利用RGB空间图像h₂(x,y)的蓝色通道(即B通道)B(x,y)＝h₂(x,y；B)进行阈值分割效果最好。采用了二值阈值分割，设定灰度阈值T，则图像二值化结果为 $m(x,y)=\left\{\begin{array}{cc}1& B(x,y)\&GreaterEqual;T\\ 0& B(x,y)<T\end{array}\right..$

为使得到的二值图像更好地反映火焰形状信息，紧接着对该二值图像进行一系列形态学处理。图像形态学处理是一种针对图像像素集合的处理过程，用S代表结构元素(StructureElement)，用矩阵A表示待处理的二值图像，用S对A进行腐蚀的结果就是把S平移后使S包含于A的所有像素构成的集合，即用S对A进行膨胀的结果就是把S平移后使S与A的交集非空的像素构成的集合，即对于上述二值化结果图像m(x,y)，所采用的形态学处理方法是先通过闭运算(先膨胀后腐蚀的过程)来连接近邻目标像素、填充细小空洞，然后再采用开运算(先腐蚀后膨胀的过程)来消除毛刺、断开狭窄连接，实现目标轮廓的平滑，同时目标面积基本保持不变。接着对处理后的连通区域的面积进行比较，去掉较面积小的连通区域，保留面积最大的连通区域Ω_m。以上图像形态学处理结果记为 $Mask(x,y)=\{\begin{array}{cc}1& (x,y)\&Element;{\mathrm{\&Omega;}}_m\\ 0& (x,y)\&NotElement;{\mathrm{\&Omega;}}_m\end{array},$ Mask(x,y)相当于火焰像素模板，其非零处记录了最可能的火焰像素位置。

让形态学处理后的二值图像Mask(x,y)分别与火焰RGB图像的B通道图像h₂(x,y；B)及R通道图像h₂(x,y；R)对应位置的像素灰度值相乘，就可得到火焰区域的B通道灰度图像I_B(x,y)＝h₂(x,y；B)·Mask(x,y)及R通道灰度图像I_R(x,y)＝h₂(x,y；R)·Mask(x,y)，以用于下一步提取火焰特征。

在上述技术方案中，所述步骤四包括以下步骤：

火焰燃烧状态是对火焰图像特征进行分析后得出的。本发明从上述火焰图像预处理结果中提取火焰区域面积、火焰区域平均亮度、火焰区域质心、火焰颜色主成分共4种特征，计算方法为：

(1)火焰区域面积：火焰区域面积指的是火焰灰度图像中非零像素的个数，根据B通道灰度图像计算， $\mathrm{\&omega;}(x,y)=\left\{\begin{array}{cc}1& I_B(x,y)\&NotEqual;0\\ 0& I_B(x,y)=0\end{array}\right.,$ A∈[0,w×h]，w、h分别为图像的宽和高。

(2)火焰区域平均亮度：火焰区域平均亮度指的是火焰灰度图像中非零像素灰度的平均值，根据B通道灰度图像计算。

(3)火焰区域质心(x_c,y_c)： $x_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{xI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},y_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{yI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},$ 其中x_c∈[0,w-1]，y_c∈[0,h-1]，根据B通道灰度图像计算，质心波动与火焰燃烧是否稳定有关。

(4)火焰颜色主成分:煤气或天然气燃烧时，视其燃烧充分与否，火焰颜色一般表现为蓝色或橙黄色。从RGB颜色空间看，这里将橙黄色火焰的颜色主成分定为红色(R)，蓝色火焰的颜色主成分定为蓝色(B)。比较图像I_B(x,y)和图像I_R(x,y)相同位置处像素的灰度值大小，求出蓝色分量大于红色分量的像素个数以及红色分量大于蓝色分量的像素个数 $N_R=\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}\mathrm{\&epsiv;}\left(I_R\right(x,y)-I_B(x,y)),$ 其中， $\mathrm{\&epsiv;}\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right..$ 若N_B＞N_R，则火焰的颜色主成分为蓝色；反之，则火焰的颜色主成分为红色。

在上述技术方案中，所述步骤五包括以下步骤：

对提取到的火焰特征进行综合分析，判定火焰的燃烧状态，并作为火焰监测结果输出。

(1)对于火焰是否正在燃烧，以当前帧为判定单位，建立规则1：若当前帧火焰面积A＞T_A(T_A为所设置的面积阈值)，且平均亮度μ＞T_μ(T_μ为所设定的平均亮度阈值)，则判定火焰正在燃烧，否则火焰熄灭。

(2)为了降低熄火误报率，以连续K帧为判定单位，建立规则2：对于连续K帧图像的检测结果，只要其中有一帧图像满足火焰面积A＞T_A且平均亮度μ＞T_μ，则判定火焰正在燃烧，否则火焰熄灭。

(3)对于火焰燃烧是否稳定，以连续K帧为判定单位，建立规则3：当火焰正在燃烧时，设质心平均坐标 $({\stackrel{\&OverBar;}{x}}_c,{\stackrel{\&OverBar;}{y}}_c)=(\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{x}_c^{\left(i\right)},\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{y}_c^{\left(i\right)}),$ 若质心波动范围 ${\mathrm{\&sigma;}}_c=\sqrt{\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}\&lsqb;{(x_c^{\left(i\right)}-{\stackrel{\&OverBar;}{x}}_c)}^2+{(y_c^{\left(i\right)}-{\stackrel{\&OverBar;}{y}}_c)}^2\&rsqb;}<T_c$ (T_c为所设定的质心波动范围阈值)，则火焰波动小，判定燃烧稳定；反之，则火焰波动大，燃烧不稳定。

(4)对于火焰燃烧是否充分，以连续K帧为判定单位，建立规则4：当火焰正在燃烧时，若N_B＞N_R的帧数比N_B≤N_R的帧数多，则火焰的颜色主成分为蓝色，燃烧充分；反之，则火焰的颜色主成分为红色，燃烧不充分。

在上述技术方案中，所述步骤六包括以下步骤：

系统运行监测过程中，将历史数据(包括火焰图像特征数据、图像处理或分析中用到的阈值参数、对应的火焰燃烧状态判定结果)保存到数据库，通过不断积累的有效数据建立离线自学习模型，采用机器学习方法，寻求最优的阈值参数和分析判定规则，并将优化结果重新应用于监测系统中，提升方法的鲁棒性。

本发明提供的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法，具有以下有益效果：采用人机交互方式选定火焰ROI区域，计算ROI平均图像进行处理分析，大大减少了恶劣工业环境带来的噪声干扰，计算效率高，满足实时性要求；通过有效的图像预处理算法准确定位最可能的火焰区域，提取符合燃气火焰的图像特征，进行有针对性的特征分析给出判定结果，还通过建立对历史数据的离线自学习模型，优化系统参数，提高了系统鲁棒性，从而能实现实时准确地监测火焰燃烧状态，给工业生产提供安全保障，为企业创造经济效益。该方法解决了目前国内比较缺乏的以煤气或天然气为燃料的多火嘴工业加热炉炉膛火焰燃烧状况实时监测的技术问题，具有广阔的推广前景。

附图说明

图1是本发明基于ROI平均图像分析的燃气加热炉火焰实时监测方法流程图

具体实施方式

下面结合附图和实施例对本发明的实施方式进行详细阐述，但该实施例不应理解为对本发明的限制。

参见图1，本发明所描述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法，包括以下步骤：

步骤一：在正常燃烧工况下，从耐高温成像系统中采集一帧图像，采用人机交互方式在火嘴周围选定火焰感兴趣区域(ROI)，记录ROI坐标信息，并保存为模板。实际工作时，耐高温成像系统中伸入炉膛中的探火镜头与炉膛中火嘴的位置相对固定，具体做法是：在监测系统硬件就绪后，打开监测系统软件，对每一路视频信号，在正常燃烧工况下，使用软件“火焰ROI模板设置”功能从监控视频流中采集一帧火焰燃烧图像，根据火焰燃烧情况人工判定监控画面中火嘴所在位置，并在其周围连续点击鼠标选定包含火嘴的封闭多边形区域Ω作为火嘴ROI区域。如有多个火嘴，重复选择，使每个被监控火嘴均对应一个ROI区域。以封闭多边形Ω外接矩形Rect＝{x₀,y₀；w,h}形式记录各ROI位置信息，其中(x₀,y₀)表示矩形左上角起点，w表示矩形宽度，h表示矩形宽度。为方便提取ROI图像，保存火焰ROI模板图像表示为 ${\mathrm{Mask}}_{ROI}(x,y)=\{\begin{array}{cc}1& (x,y)\&Element;\mathrm{\&Omega;}\\ 0& (x,y)\&NotElement;\mathrm{\&Omega;}\end{array},$ 其中x∈[x₀,x₀+w-1]，y∈[y₀,y₀+h-1]。

步骤二：对采集到的视频流(图像序列)，提取每一帧对应的ROI图像，选取适当的窗口尺寸N计算平均帧(图像)。以下步骤仅针对一个ROI图像，若同一帧中存在其它ROI图像采用相同的方法处理。利用火焰ROI模板提取当前帧中火嘴ROI原始图像g_k(x,y)，对应于视频流一帧图像中的ROI区域，则利用“平均图像法”计算出当前帧ROI平均图像 ${\stackrel{\&OverBar;}{g}}_k(x,y)=\left\{\begin{array}{cc}\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i(x,y)& k<N\\ \frac{1}{N}\underset{i=k-N+1}{\overset{k}{\mathrm{\&Sigma;}}}{g}_i(x,y)& k\&GreaterEqual;N\end{array}\right.,$ 其中，k＝1,2,…表示当前帧序号，N是窗口尺寸。N值越大，对炉膛中剧烈运动的热浪、烟灰和火焰串扰等引起的成像噪声抑制作用越强，但考虑到火焰监测的实时性，应根据实际情况来确定适当的N值。

步骤三：对ROI平均图像进行预处理操作，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域，并由此得到用于提取燃气火焰特征的火焰区域B通道灰度图像及R通道灰度图像。具体做法是：

(1)为进一步去噪，采用中值滤波与高斯滤波相结合的方法。中值滤波用一个含有奇数点的滑动窗口扫描图像中的每一个像素，将窗口确定的邻域中的像素灰度排序，取其中间值为输出像素灰度值，能有效消除椒盐噪声，保持图像边缘。设S为中值滤波器滑动窗口所确定的像素(x,y)的邻域集合，|S|表示集合S中元素个数(为奇数)，Sort(·)表示排序操作，则对进行中值滤波可以表示为高斯滤波对整幅图像进行加权平均，设二维高斯核μ为均值，σ为标准差，经高斯滤波后得到图像 表示卷积操作，实际计算时利用一个高斯核确定的加权模板扫描图像中的每一个像素，用模板所确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，达到平滑去噪目的。

(2)对于燃气火焰图像，经验发现利用RGB空间图像h₂(x,y)的蓝色通道(即B通道)B(x,y)＝h₂(x,y；B)进行阈值分割效果最好。因此，采用了二值阈值分割，设定灰度阈值T，则图像二值化结果为 $m(x,y)=\left\{\begin{array}{cc}1& B(x,y)\&GreaterEqual;T\\ 0& B(x,y)<T\end{array}\right..$

(3)为使得到的二值图像更好地反映火焰形状信息，紧接着对该二值图像进行一系列形态学处理。图像形态学处理是一种针对图像像素集合的处理过程，用S代表结构元素，用矩阵A表示待处理的二值图像，用S对A进行腐蚀的结果就是把S平移后使S包含于A的所有像素构成的集合，即用S对A进行膨胀的结果就是把S平移后使S与A的交集非空的像素构成的集合，即对于上述二值化结果图像m(x,y)，所采用的形态学处理方法是先通过闭运算(先膨胀后腐蚀的过程)来连接近邻目标像素、填充细小空洞，然后再采用开运算(先腐蚀后膨胀的过程)来消除毛刺、断开狭窄连接，实现目标轮廓的平滑，同时目标面积基本保持不变。接着对处理后的连通区域的面积进行比较，去掉较面积小的连通区域，保留面积最大的连通区域Ω_m。以上图像形态学处理结果记为 $Mask(x,y)=\{\begin{array}{cc}1& (x,y)\&Element;{\mathrm{\&Omega;}}_m\\ 0& (x,y)\&NotElement;{\mathrm{\&Omega;}}_m\end{array},$ Mask(x,y)相当于火焰像素模板，其非零处记录了最可能的火焰像素位置。

(4)让形态学处理后的二值图像Mask(x,y)分别与火焰RGB图像的B通道图像h₂(x,y；B)及R通道图像h₂(x,y；R)对应位置的像素灰度值相乘，就可得到火焰区域的B通道灰度图像I_B(x,y)＝h₂(x,y；B)·Mask(x,y)及R通道灰度图像I_R(x,y)＝h₂(x,y；R)·Mask(x,y)，以用于下一步提取火焰特征。

步骤四：利用ROI平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火焰区域质心、火焰颜色主成分共4种特征量。计算方法为：

(1)火焰区域面积：即火焰灰度图像中非零像素的个数，根据B通道灰度图像计算， $\mathrm{\&omega;}(x,y)=\{\begin{array}{cc}1& I_B(x,y)\&NotEqual;0\\ 0& I_B(x,y)=0\end{array},$ A∈[0,w×h]，w、h分别为图像的宽和高。

(2)火焰区域平均亮度：即火焰灰度图像中非零像素灰度的平均值，根据B通道灰度图像计算。

(3)火焰区域质心(x_c,y_c)： $x_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{xI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},y_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{yI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},$ 其中x_c∈[0,w-1]，y_c∈[0,h-1]，根据B通道灰度图像计算，质心波动与火焰燃烧是否稳定有关。

(4)火焰颜色主成分:煤气或天然气燃烧时，视其燃烧充分与否，火焰颜色一般表现为蓝色或橙黄色。从RGB颜色空间看，这里将橙黄色火焰的颜色主成分定为红色(R)，蓝色火焰的颜色主成分定为蓝色(B)。比较图像I_B(x,y)和图像I_R(x,y)相同位置处像素的灰度值大小，求出蓝色分量大于红色分量的像素个数以及红色分量大于蓝色分量的像素个数 $N_R=\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}\mathrm{\&epsiv;}\left(I_R\right(x,y)-I_B(x,y\left)\right),$ 其中， $\mathrm{\&epsiv;}\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right..$ 若N_B＞N_R，则火焰的颜色主成分为蓝色；反之，则火焰的颜色主成分为红色。

步骤五：对提取到的火焰特征进行综合分析，建立判定规则，自动识别火焰的燃烧状态(是否正在燃烧、燃烧是否稳定、燃烧是否充分)，并作为火焰监测结果输出。

(1)对于火焰是否正在燃烧，以当前帧为判定单位，建立规则1：若当前帧火焰面积A＞T_A(T_A为所设置的面积阈值)，且平均亮度μ＞T_μ(T_μ为所设定的平均亮度阈值)，则判定火焰正在燃烧，否则火焰熄灭。

(2)为了降低熄火误报率，以连续K帧为判定单位，建立规则2：对于连续K帧图像的检测结果，只要其中有一帧图像满足火焰面积A＞T_A且平均亮度μ＞T_μ，则判定火焰正在燃烧，否则火焰熄灭。

(3)对于火焰燃烧是否稳定，以连续K帧为判定单位，建立规则3：当火焰正在燃烧时，设质心平均坐标 $({\stackrel{\&OverBar;}{x}}_c,{\stackrel{\&OverBar;}{y}}_c)=(\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{x}_c^{\left(i\right)},\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{y}_c^{\left(i\right)}),$ 若质心波动范围 ${\mathrm{\&sigma;}}_c=\sqrt{\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}\&lsqb;{(x_c^{\left(i\right)}-{\stackrel{\&OverBar;}{x}}_c)}^2+{(y_c^{\left(i\right)}-{\stackrel{\&OverBar;}{y}}_c)}^2\&rsqb;}<T_c$ (T_c为所设定的质心波动范围阈值)，则火焰波动小，判定燃烧稳定；反之，则火焰波动大，燃烧不稳定。

(4)对于火焰燃烧是否充分，以连续K帧为判定单位，建立规则4：当火焰正在燃烧时，若N_B＞N_R的帧数比N_B≤N_R的帧数多，则火焰的颜色主成分为蓝色，燃烧充分；反之，则火焰的颜色主成分为红色，燃烧不充分。

步骤六：利用系统运行监测过程中保存的历史数据，建立离线自学习模型，不断优化系统分析参数，优化火焰状态判定规则，并重新应用于监测系统，提升方法的鲁棒性。具体做法是：在系统运行监测过程中，将历史数据(包括火焰图像特征数据、图像处理或分析中用到的阈值参数、对应的火焰燃烧状态判定结果)保存到数据库，通过不断积累的有效数据建立离线自学习模型，采用机器学习方法，寻求最优的阈值参数和分析判定规则，并将优化结果重新应用于监测系统中，提升方法的鲁棒性。

本发明所描述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法已在国内某钢铁集团公司煤焦化分公司的一座4火嘴燃气工业加热炉智能火焰视频监测系统中实施，利用耐高温探火镜头采集2路视频信号到工控机进行处理，每路视频信号同时监控2个火嘴。实践表明，该系统的实施运行，为燃气工业加热炉燃烧工况实时监测提供了有效的安全保障、提高了工作效率、取得了显著的经济效益。该方法解决了目前国内比较缺乏的以煤气或天然气为燃料的多火嘴工业加热炉火焰燃烧状况实时监测的技术问题，具有广阔的应用推广前景。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，包括以下步骤：

步骤一：在正常燃烧工况下，从耐高温成像系统中采集一帧图像，采用人机交互方式在火嘴周围选定火焰感兴趣区域(ROI)，记录ROI坐标信息，并保存为模板；

步骤二：对采集到的视频流(图像序列)，提取每一帧对应的ROI图像，选取适当的窗口尺寸计算平均帧(图像)；

步骤三：对ROI平均图像进行预处理操作，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域，并由此得到用于提取燃气火焰特征的火焰区域B通道灰度图像及R通道灰度图像；

步骤四：利用ROI平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火焰区域质心、火焰颜色主成分共4种特征量；

步骤五：对提取到的火焰特征进行综合分析，建立判定规则，自动识别火焰的燃烧状态(即是否正在燃烧、燃烧是否稳定、燃烧是否充分)，并作为火焰监测结果输出；

步骤六：利用系统运行监测过程中保存的历史数据，建立离线自学习模型，不断优化系统分析参数，优化火焰状态判定规则，并重新应用于监测系统，提升方法的鲁棒性。

2.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤一的实现过程为：

鉴于实际的耐高温成像系统中伸入炉膛中的探火镜头与炉膛中火嘴的位置相对固定，在监测系统硬件就绪后，打开监测系统软件，对每一路视频信号，在正常燃烧工况下，使用软件“火焰ROI模板设置”功能从监控视频流中采集一帧火焰燃烧图像，根据火焰燃烧情况人工判定监控画面中火嘴所在位置，并在其周围连续点击鼠标选定包含火嘴的封闭多边形区域Ω作为火嘴ROI区域。如有多个火嘴，重复选择，使每个被监控火嘴均对应一个ROI区域。以封闭多边形Ω外接矩形Rect＝{x₀,y₀；w,h}形式记录各ROI位置信息，其中(x₀,y₀)表示矩形左上角起点，w表示矩形宽度，h表示矩形宽度。为方便提取ROI图像，保存火焰ROI模板图像表示为 ${\mathrm{Mask}}_{ROI}(x,y)=\left\{\begin{array}{cc}1& (x,y)\&Element;\mathrm{\&Omega;}\\ 0& (x,y)\&NotElement;\mathrm{\&Omega;}\end{array}\right.,$ 其中x∈[x₀,x₀+w-1]，y∈[y₀,y₀+h-1]。

3.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤二的实现过程为：

利用火焰ROI模板提取当前帧中火嘴ROI原始图像g_k(x,y)，对应于视频流一帧图像中的ROI区域，利用“平均图像法”计算出当前帧ROI平均图像 ${\stackrel{\&OverBar;}{g}}_k(x,y)=\left\{\begin{array}{cc}\frac{1}{k}\underset{i=1}{\overset{k}{\&Sigma;}}{g}_i\left(x,y\right)& k<N\\ \frac{1}{N}\underset{i=k-N+1}{\overset{k}{\&Sigma;}}{g}_i\left(x,y\right)& k\&GreaterEqual;N\end{array}\right.,$ 其中，k＝1,2,…表示当前帧序号，N是窗口尺寸。N值越大，对炉膛中剧烈运动的热浪、烟灰和火焰串扰等引起的成像噪声抑制作用越强，但考虑到火焰监测的实时性，应根据实际情况来确定适当的N值。

4.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤三的实现过程为：

(1)为进一步平滑去噪，采用中值滤波与高斯滤波相结合的方法。设S为中值滤波器滑动窗口所确定的像素(x,y)的邻域集合，|S|表示集合S中元素个数(为奇数)，Sort(·)表示排序操作，则对ROI平均图像进行中值滤波可以表示为经高斯滤波后得到图像 $h_2(x,y)=h_1(x,y)\&CircleTimes;G_0(x,y),$ 其中， $G_0(x,y)={\mathrm{Ae}}^{\frac{-{(x-{\mathrm{\&mu;}}_x)}^2}{2{\mathrm{\&sigma;}}_x^2}+\frac{-{(y-{\mathrm{\&mu;}}_y)}^2}{2{\mathrm{\&sigma;}}_y^2}}$ 是二维高斯核(μ为均值，σ为标准差)，表示卷积操作。

(2)利用燃气火焰RGB空间图像h₂(x,y)的蓝色通道(即B通道)B(x,y)＝h₂(x,y；B)进行阈值分割，采用二值阈值分割方法，设定灰度阈值T，则图像二值化结果为 $m(x,y)=\left\{\begin{array}{cc}1& B(x,y)\&GreaterEqual;T\\ 0& B(x,y)<T\end{array}\right..$

(3)为使得到的二值图像更好地反映火焰形状信息，对阈值分割后的二值图像m(x,y)进行一系列形态学处理。具体做法是：先通过闭运算(先膨胀后腐蚀的过程)来连接近邻目标像素、填充细小空洞，然后再采用开运算(先腐蚀后膨胀的过程)来消除毛刺、断开狭窄连接，实现目标轮廓的平滑，同时目标面积基本保持不变。接着对处理后的连通区域的面积进行比较，去掉较面积小的连通区域，保留面积最大的连通区域Ω_m。图像形态学处理结果记为 $Mask(x,y)=\left\{\begin{array}{cc}1& (x,y)\&Element;{\mathrm{\&Omega;}}_m\\ 0& (x,y)\&NotElement;{\mathrm{\&Omega;}}_m\end{array}\right.,$ Mask(x,y)相当于火焰像素模板，其非零处记录了最可能的火焰像素位置。

(4)让形态学处理后的二值图像Mask(x,y)分别与火焰RGB图像的B通道图像h₂(x,y；B)及R通道图像h₂(x,y；R)对应位置的像素灰度值相乘，就可得到火焰区域的B通道灰度图像I_B(x,y)＝h₂(x,y；B)·Mask(x,y)及R通道灰度图像I_R(x,y)＝h₂(x,y；R)·Mask(x,y)，用于提取火焰特征。

5.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤四的实现过程为：

利用ROI平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火焰区域质心、火焰颜色主成分共4种特征量。计算方法为：

(1)火焰区域面积：即火焰灰度图像中非零像素的个数，根据B通道灰度图像计算， $\mathrm{\&omega;}(x,y)=\left\{\begin{array}{cc}1& I_B(x,y)\&NotEqual;0\\ 0& I_B(x,y)=0\end{array}\right.,$ A∈[0,w×h]，w、h分别为图像的宽和高。

(2)火焰区域平均亮度： $\mathrm{\&mu;}=\frac{1}{A}\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y),\mathrm{\&mu;}\&Element;\&lsqb;0,255\&rsqb;,$ 即火焰灰度图像中非零像素灰度的平均值，根据B通道灰度图像计算。

(3)火焰区域质心(x_c,y_c)： $x_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{xI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},y_c=\frac{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{\mathrm{yI}}_B(x,y)}{\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}{I}_B(x,y)},$ 其中x_c∈[0,w-1]，y_c∈[0,h-1]，根据B通道灰度图像计算，质心波动与火焰燃烧是否稳定有关。

(4)火焰颜色主成分:煤气或天然气燃烧时，视其燃烧充分与否，火焰颜色一般表现为蓝色或橙黄色。从RGB颜色空间看，这里将橙黄色火焰的颜色主成分定为红色(R)，蓝色火焰的颜色主成分定为蓝色(B)。比较图像I_B(x,y)和图像I_R(x,y)相同位置处像素的灰度值大小，求出蓝色分量大于红色分量的像素个数 $N_B=\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}\mathrm{\&epsiv;}\left(I_B\right(x,y)-I_R(x,y\left)\right),$ 以及红色分量大于蓝色分量的像素个数 $N_R=\underset{x=0}{\overset{w-1}{\&Sigma;}}\underset{y=0}{\overset{h-1}{\&Sigma;}}\mathrm{\&epsiv;}\left(I_R\right(x,y)-I_B(x,y\left)\right),$ 其中， $\mathrm{\&epsiv;}\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x\&le;0\end{array}\right..$ 若N_B＞N_R，则火焰的颜色主成分为蓝色；反之，则火焰的颜色主成分为红色。

6.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤五的实现过程为：

(1)对于火焰是否正在燃烧，以当前帧为判定单位，建立规则1：若当前帧火焰面积A＞T_A(T_A为所设置的面积阈值)，且平均亮度μ＞T_μ(T_μ为所设定的平均亮度阈值)，则判定火焰正在燃烧，否则火焰熄灭。

(2)为了降低熄火误报率，以连续K帧为判定单位，建立规则2：对于连续K帧图像的检测结果，只要其中有一帧图像满足火焰面积A＞T_A且平均亮度μ＞T_μ，则判定火焰正在燃烧，否则火焰熄灭。

(3)对于火焰燃烧是否稳定，以连续K帧为判定单位，建立规则3：当火焰正在燃烧时，设质心平均坐标 $({\stackrel{\&OverBar;}{x}}_c,{\stackrel{\&OverBar;}{y}}_c)=(\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{x}_c^{\left(i\right)},\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}{y}_c^{\left(i\right)}),$ 若质心波动范围 ${\mathrm{\&sigma;}}_c=\sqrt{\frac{1}{K}\underset{i=1}{\overset{K}{\&Sigma;}}\&lsqb;{(x_c^{\left(i\right)}-{\stackrel{\&OverBar;}{x}}_c)}^2+{(y_c^{\left(i\right)}-{\stackrel{\&OverBar;}{y}}_c)}^2\&rsqb;}<T_c$ (T_c为所设定的质心波动范围阈值)，则火焰波动小，判定燃烧稳定；反之，则火焰波动大，燃烧不稳定。

(4)对于火焰燃烧是否充分，以连续K帧为判定单位，建立规则4：当火焰正在燃烧时，若N_B＞N_R的帧数比N_B≤N_R的帧数多，则火焰的颜色主成分为蓝色，燃烧充分；反之，则火焰的颜色主成分为红色，燃烧不充分。

7.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。其特征在于，所述步骤六的实现过程为：

系统运行监测过程中，将历史数据，包括火焰图像特征数据、图像处理或分析中用到的阈值参数、对应的火焰燃烧状态判定结果，保存到数据库，通过不断积累的有效数据建立离线自学习模型，采用机器学习方法，寻求最优的阈值参数和分析判定规则，并将优化结果重新应用于监测系统中，提升方法的鲁棒性。