CN106920241A - 一种汽包水位监控方法、装置及系统 - Google Patents
一种汽包水位监控方法、装置及系统 Download PDFInfo
- Publication number
- CN106920241A CN106920241A CN201710146340.9A CN201710146340A CN106920241A CN 106920241 A CN106920241 A CN 106920241A CN 201710146340 A CN201710146340 A CN 201710146340A CN 106920241 A CN106920241 A CN 106920241A
- Authority
- CN
- China
- Prior art keywords
- image
- steam drum
- liquid level
- water level
- camera
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 239000007788 liquid Substances 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 33
- 241000254158 Lampyridae Species 0.000 claims description 20
- 238000012806 monitoring device Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 24
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 21
- 210000002569 neuron Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000131894 Lampyris noctiluca Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的汽包水位监控方法、装置和系统，汽包水位监控系统包括双色水位计，安装在汽包上，根据汽包水位在对应的刻度标尺上进行显示；摄像头，用于采集所述双色水位计上的刻度显示的图像；摄像头保护装置，设置在所述摄像头周围用户保护所述摄像头；汽包水位监控装置，与所述摄像头连接，接收所述摄像头采集的图像信息并进行处理。该方案中将实时采集的汽包液位图像信号通过信号电缆实时传输到控制室的汽包水位监控装置，采用智能图像识别算法自动辨识出汽包液位的精确数值，不受测量噪声或其他干扰信号污染，极大地提高了测量精度和准确度，有利于锅炉的安全经济运行，确保汽包炉发电机组的安全可靠运行。
Description
技术领域
本发明涉及自动控制领域，具体涉及一种汽包水位监控方法、装置及系统。
背景技术
发电厂锅炉汽包水位对于保证汽轮发电机组的安全经济运行有着至关重要的意义。汽包水位过低，可能会导致“烧干锅”，引发四管爆漏等一系列安全问题，引发停机、停炉乃至MFT主燃料跳闸等严重后果；另一方面，如果汽包水位过高，可能导致汽轮机进汽带水，产生汽蚀等问题。所以，实现对汽包水位的精确实时自动监控对于保证汽包安全稳定运行，对于实现发电机组的高效安全经济节能优化运行是极其重要的前提和保证手段。
双色水位计是应用在锅炉汽包上或其它压力容器上、用来监视水位变化的一种仪表，通过光的反射、折射、透视等不同原理，使气相呈红色，液相呈绿色，运行人员在现场可直接看到水位计里面水位的变化，比较直观可靠。为了便于远程获取汽包压力，可以通过摄像头采集现场的视频监控信号，工作人员在监控室的监控器(如工业监控电视)上通过水位计外面显示的刻度用肉眼读出液位值。但由于工业监控电视上的视频信号受虚假水位、气相混合、液位计受到污染等各种原因经常导致读数不准确，经常出现模糊不清楚导致错误判断水位的真实值，对锅炉的安全稳定运行造成一定的影响，存在巨大的潜在威胁。
发明内容
因此，本发明要解决的技术问题在于现有技术中的汽包水位监控设备上的视频信号受外部影响导致读数不准确、对锅炉运行存在潜在威胁的缺陷。
为此，本发明提供一种汽包水位监控方法，包括
获取用于测量汽包液位的双色水位计的图像信息；
对所述图像信息进行第一预处理；
在第一预处理后的图像中定位汽包液位刻度所在的位置；
将定位后的图像采用基于边缘的图像分割算法分割成若干个独立的字符图像；
把分割后的单个字符图像进行第二预处理；
将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量；
根据所述特征向量识别出其对应的汽包液位信号。
可选地，所述根据所述特征向量识别出其对应的汽包液位信号的处理，包括：
将该特征向量输入神经网络模型；
采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法；采用该算法对各个字符图像的特征向量进行识别；
将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。
可选地，还包括训练所述神经网络模型的过程，预先采集若干汽包液位图像进行定位、分割，然后把分割后的字符作为神经网络的训练样本进行训练。
可选地，所述第一预处理包括图像灰度化、几何校正、平滑去噪、二值化、归一化中的一种或几种。
可选地，所述第二预处理包括二值化、归一化处理。
此外，本发明还提供一种汽包水位监控装置，包括
图像获取单元，用于获取用于测量汽包液位的双色水位计的图像信息；
第一预处理单元，用于对所述图像信息进行第一预处理；
定位单元，用于在第一预处理后的图像中定位汽包液位刻度所在的位置；
分割单元，用于将定位后的图像采用基于边缘的图像分割算法分割成若干个独立的字符图像；
第二预处理单元，用于把分割后的单个字符图像进行第二预处理；
特征向量提取单元，用于将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量；
识别单元，用于根据所述特征向量识别出其对应的汽包液位信号。
可选地，所述识别单元包括：
输入子单元，用于将该特征向量输入神经网络模型；
识别子单元，用于采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法；用于采用该算法对各个字符图像的特征向量进行识别；
输出子单元，用于将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。
可选地，还包括神经网络训练单元，用于训练所述神经网络模型的过程，预先采集若干汽包液位图像进行定位、分割，然后把分割后的字符作为神经网络的训练样本进行训练。
此外，本发明还提供一种汽包水位监控系统，包括
双色水位计，安装在汽包上，根据汽包水位在对应的刻度标尺上进行显示；
摄像头，用于采集所述双色水位计上的刻度显示的图像；
摄像头保护装置，设置在所述摄像头周围用于保护所述摄像头；
所述的汽包水位监控装置，与所述摄像头连接，接收所述摄像头采集的图像信息并并进行识别处理得到液位数值。
可选地，还包括上位机，与所述汽包水位监控装置远程连接。
本发明技术方案，具有如下优点：
本发明提供的汽包水位监控方法，用于汽包水位监控系统中，首先获取双色水位计的图像信息，该双色水位计设置在汽包内采集汽包液位；然后对所述图像信息进行第一预处理后定位汽包液位刻度所在的位置，然后采用基于边缘的图像分割算法将定位后的图像分割成若干个独立的字符图像；进行第二预处理，采用粗网格与外围特征相结合的方法提取特征向量，最后根据所述特征向量识别出其对应的汽包液位信号。该方案中通过将图像信号转化为特征向量，利用智能识别的方法自动识别双色水位计的信号，避免了人工识别导致的各种干扰导致的准确率低、锅炉运行存在潜在威胁的问题。该方案立足于通过采集来自现场双色水位计的视频信号，采用图像处理的方法实时自动计算出汽包液位的当前值，因此可以直接通过通讯的方式显示在监控画面上，极大地提高了读数的准确性和可靠性。
本发明中的汽包水位监控系统，双色水位计、摄像头及其保护装置以及汽包水位监控装置。通过现场的摄像头采集的双色水位计的液位图像信号，采用精确度较高的智能图像识别算法直接识别得到汽包水位，与现有技术中将图像回传到显示端再人工读取的方式相比，没有经过4～10mA的模拟信号转换为数字信号、量化、滤波处理等各种中间环节，不存在量化误差等问题，不受测量噪声或其他干扰信号污染，极大地提高了测量精度和准确度，有利于锅炉的安全经济运行，确保汽包炉发电机组的安全可靠运行。适用于各种规格的工业锅炉、电站锅炉汽包液位在全工况条件下的连续准确性测量、控制，并且可以将汽包液位实时自动准确显示在操作的监控画面上，无需人工读取双色水位计的刻度，极大地方便运行人员监控操作。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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获得其他的附图。
图1为本发明实施例1中汽包水位监控系统的系统结构图；
图2为本发明实施例2中的汽包水位监控方法的一个具体示例的流程图；
图3为本发明实施例3中汽包水位监控装置的一个具体示例的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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做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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例中提供一种汽包水位监控系统，用于对发电厂锅炉汽包水位进行实时监控。系统结构框图如图1所示，双色水位计1、高清摄像头2、摄像头保护装置3、传输线缆4、汽包水位监控装置5和上位机6，其中：
双色水位计1，安装在汽包上，根据汽包水位在对应的刻度标尺上进行显示。该双色水位计可以根据汽包的内的实际情况显示液位。
高清摄像头2，用于采集所述双色水位计上的刻度显示的图像。可以实时清晰地拍摄出汽包双色水位计上的刻度显示出来的图像。
摄像头保护装置3，设置在所述摄像头周围用于保护所述摄像头。保护高清摄像头免受日晒、淋雨、灰尘等因素的影响，可采用包裹式方式将摄像头包裹起来，起到保护摄像头的作用。
高清摄像头2和汽包水位监控装置5之间通过传输线缆4连接，传输线缆4为光纤。当然高清摄像头和汽包水位监控装置5之间也可以通过无线的方式连接。高清摄像头2拍摄的水位刻度图像信号经由光纤传输至汽包水位监控装置5。汽包水位监控装置5采用智能模式识别算法将接受的液位图像信号实时转换为精确的数值式液位信号(汽包水位监控装置5的具体方法见实施例2和3)，再通过内置的ZigBee无线发射终端发送出去。带ZigBee无线接收终端的上位机6就可以接收到该液位信号，就可以直接将接收到的该液位信号显示在监控画面上。上位机6可以是已有控制系统如DCS(分散控制系统)或PLC(可编程逻辑控制器)控制装置中的某一台操作员站，直接在该操作员站上加装一个ZigBee无线接收终端即可。上位机6也可以是单独设置的操作员站。
综上所述，本实施例中的汽包水位监控系统，包括双色水位计、摄像头及其保护装置以及汽包水位监控装置。在采用双色水位计的汽包液位测量现场适当位置，现场安装摄像头及摄像头保护装置，将实时采集的汽包液位图像信号通过信号电缆实时传输到控制室的汽包水位监控装置，采用智能图像识别算法自动辨识出汽包液位的精确数值，通过ZigBee无线传感器网络通讯方式发送给PLC或DCS的操作员站或工业控制计算机上位机，在PLC或DCS的操作员站或工业控制计算机上位机监控画面上实时显示。
该方案中，通过现场的摄像头采集的双色水位计的液位图像信号，采用精确度较高的智能图像识别算法直接识别得到汽包水位，没有经过4～10mA的模拟信号转换为数字信号、量化、滤波处理等各种中间环节，不存在量化误差等问题，不受测量噪声或其他干扰信号污染，极大地提高了测量精度和准确度，有利于锅炉的安全经济运行，确保汽包炉发电机组的安全可靠运行。适用于各种规格的工业锅炉、电站锅炉汽包液位在全工况条件下的连续准确性测量、控制，并且可以将汽包液位实时自动准确显示在操作的监控画面上，无需人工读取双色水位计的刻度，极大地方便运行人员监控操作。
实施例2：
本实施例中提供一种汽包水位监控方法，用于实施例1中的汽包水位监控装置中，用于根据摄像头拍摄到的双色水位计的图像识别出液位数值，该方法的流程图如图1所示，包括以下步骤：
S21、获取用于测量汽包液位的双色水位计的图像信息。
接收由通过光纤传输线缆发送过来的高清摄像头2采集的双色水位计的水位刻度视频信号，并将其转换为图像信号。
S22、对所述图像信息进行第一预处理，所述第一预处理包括图像灰度化、几何校正、平滑去噪、二值化、归一化等等。
对汽包液位图像信号进行预处理，主要是将采集的实时数字图像进行一系列图像信号预处理操作，图像的预处理操作主要是转化为灰度图像、边缘检测、滤波处理增强图像，完成图像灰度化、几何校正、平滑去噪、二值化、细化和归一化等一系列操作。
S23、在第一预处理后的图像中定位汽包液位刻度所在的位置。
从预处理后的汽包液位刻度显示图片的图像信息中找出汽包液位刻度所在的位置，实现对视频图像信号中的汽包液位刻度值的自动定位。
S24、将定位后的汽包液位图像信号采用基于边缘的超像素图像分割算法分割成若干个独立的字符图像。这些字符图像是指对应于双色水位计的各个刻度的图像，有的刻度旁边有数值。
S25、把分割后的单个字符图像进行第二预处理；所述第二预处理包括二值化、归一化处理。
S26、将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量，获得双色水位计的汽包液位图像信号对应的特征向量，用做下一步智能识别的依据。
具体地提取外围特征的过程如下：首先将采集到的汽包液位字符图像归一化，将其等分成N行N列的网格，分别统计各个网格中黑像素的数量，获得一个N*N维的网格特征向量，提取代表汽包液位大小的字符外围特征的具体步骤如下：
①将获得的点阵网格特征向量等分为N行。
②第i(i＝1,2,…,N)行中，计算出该行中点从图像左边缘至第一项由白变黑的长度(如果没有由白变黑的点，则默认为0)。
③第i(i＝1,2,…,N)行中，计算出该行中点从图像左边缘至第二项由白变黑的长度(如果没有由白变黑的点，则默认为0)。
④依次重复上述各步骤，提取获得代表汽包液位大小的字符外围特征的其它3个边缘(上、下、右)的特征。
采用上述方法可以提取另一个4×2×N＝8N维的外围特征向量。通过采用基于像素数量的粗网格特征与外围特征相结合方法可以提取获得汽包液位大小的字符的2*N*N维特征向量，用于下一步的字符智能自动识别。
S27、根据所述特征向量识别出其对应的汽包液位信号。该步骤具体包括以下步骤：
S27-1、将该特征向量输入神经网络模型。将上述步骤S6中提取到的特征向量作为神经网络算法的输入。
在开始整个智能自动识别过程之前，需要首先训练所述神经网络模型，预先采集若干汽包液位图像进行定位、分割(具体过程同上述过程，不再赘述)，然后把分割后的字符作为神经网络的训练样本进行训练。训练的样本越丰富，则识别的准确率就会越高。采用训练后的神经网络模型进行智能识别。
S27-2、采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法，采用该算法对各个字符图像的特征向量进行识别。
采用萤火虫算法优化广义回归神经网络(Glowworm Swarm Optimization,GSO-GRNN)中的扩展常数(SPREAD)，形成萤火虫—广义回归神经网络汽包液位智能自动识别算法，然后采用该萤火虫—广义回归神经网络汽包液位智能自动识别算法实现对各个字符的智能自动识别。
针对单个字符图像的智能自动识别采用基于萤火虫优化算法的广义回归神经网络方法，其智能自动识别过程详细描述如下：
广义回归神经网络(General Regression Neural Network，简称GRNN)是径向基神经网络的一种，具有较强的非线性映射能力和学习速度，最后收敛于样本量集聚较多的优化回归，比径向基神经网络(RBF)运算速度更快，且对数字识别精度更高，所以采用该方法在学习速度和逼近能力上更强，能获得较快的自动识别速度和较高的识别准确率。
萤火虫优化算法将求解空间中的解模拟为萤火虫个体，每个萤火虫个体含有各自的荧光素值和感知半径。其中荧光素值的大小用来衡量个体位置的优劣，即解的优劣，感知半径的大小用来决定个体的搜索范围，个体只能在一定的搜索范围内寻找优秀个体，向其移动。当个体在自身的搜索范围内寻找到了荧光素值大的个体，则向该个体移动。萤火虫优化算法通过比较每个个体的荧光素值大小来达到彼此交流信息的目的，从而实现在求解空间内寻优。
考虑到GRNN模型中需要事先调节的参数较少，神经网络的训练主要取决于输入的图像样本，能最大可能地降低主观因素对识别正确率的影响。由于扩展常数是至关重要的影响因素，故采用萤火虫优化算法加以优化。
隐含层传输函数为径向基函数。加和层中有两个节点，第一个节点为每个隐含层节点的输出和，第二个节点为预期的结果与每个隐含层节点的加权和。输出层输出是第二个节点除以第一个节点得到的结果。
GRNN模型是一种基于非线性回归理论的前馈式神经网络,是由输入层、隐含层和输出层构成的三层前向网络，它具有一个径向基网络层和一个特殊的线性网络层。GRNN的第一层为信号输入层，维度为m，样本个数为n，输入层仅将输入向量传递到隐含层，并不真正参与运算。隐含层与输入层全连接，层内无连接，隐含层神经元个数等于输入的样本个数，也为n，该层的权值函数为欧式距离函数(用||·||表示)，主要是用来计算网络输入与第一层的权值FW1.1之间的距离，θ1为隐含层的阈值。隐含层的传递函数为径向基函数，采用Gauss函数作为网络的传递函数。网络的第三层为线性输出层，其权函数为规范化点积权函数,采用nprod表示，计算网络的向量为n2，它的每个元素就是向量ρ1和权值矩阵为SW2.1。每行元素的点积再除以向量ρ1的各元素之和得到的，并将结果n2提供给线性传递函数a2＝purelin(n2),计算网络输出。
GRNN的学习算法和BP神经网络的学习算法类似，但是在输出层部分区别比较大。
第一步：首先要确定隐含层神经元径向基函数中心，设训练集样本输入矩阵P和输出矩阵T分别为
其中，pij表示第j个训练样本的第i个输入变量；tij表示第j个训练样本的第i个输出变量；M为输入变量的维数；N为输出变量的维数；Q为训练集样本数。
与RBF神经网络相同，隐含层的每个神经元对应一个训练样本，即Q个隐含层神经元对应的径向基函数中心为:
C＝PT
之后确定隐含层神经元阈值
为简便起见，Q个隐含层神经元对应的阈值为
θ1＝[θ11,θ12,…,θ1Q]T
其中，Spread为径向基函数的扩展速度。
第二步：再确定隐含层与输出层间权值
当隐含层神经元的径向基函数中心和阈值确定后，隐含层的输出便可以如下计算：
ρi＝exp(-||C-pi||2θi)，i＝1,2,…,Q
与RBF神经网络不同的是，GRNN中隐含层与输出层间的连接权值W取为训练集输出矩阵，即
W＝t
第三步：最后计算输出层神经元输出
当隐含层与输出层神经元之间的连接权值确定后，便可以计算出输出层的神经元输出，即
yi＝purelin(xi)，i＝1,2,…,Q
在GRNN的训练中，径向基神经元的数目、线性神经元的数目与输入训练样本中输入向量个数相同，网络训练的目的就在于生成合适的权值矩阵SW1,1和LW2,1。以及阈值向量θ1。GRNN的训练属于有监督式训练，分为两步：第1步为无教师式学习，确定训练输入层与隐含层间的权值SW1,1，生成的阈值θ由网络设计参数即扩展常数Spread决定，θ＝0.8326/Spread；第2步为有教师学习，根据提供的目标向量集来训练生成隐含层与输出层问的权值矩阵SW1,1。
上述GRNN中的扩展常数Spread由下述萤火虫优化算法优化获得。
萤火虫优化算法总体可分为：萤光素值更新阶段、寻找最亮个体阶段、萤火虫位置更新阶段、邻域半径更新阶段。
荧光素值更新过程如下：
萤火虫个体i的荧光素值Li按照下式进行更新，荧光素值的大小模拟了求解空间中某个解的适应度的大小，荧光素值越高，该个体的吸引能力就越强，其他个体向其移动的概率也就越大，荧光素值与求解函数相关。
Li(k+1)＝(1-ρ)*Li(k)+γ*J(xi(k+1))
式中：
Li(k+1)——个体i在(k+1)次迭代时的荧光素值；
Li(k)——个体i在k次迭代时的荧光素值；
ρ——荧光素挥发系数；
γ——荧光素值增强系数；
J(xi(k+1))——个体i在(k+1)次迭代时所处位置的适应度值大小。
寻找最亮个体的过程如下：
每个萤火虫个体都可以被荧光素值高的个体吸引，但是，吸引动作受到感知范围影响，个体只能在其感知范围内寻找荧光素值高的个体，并且向其移动。
感知范围的大小由感知半径决定，当个体i与个体j的距离||xi-xj||小于时，认为个体j在个体i的感知范围内，如果个体j的荧光素浓度Lj同时满足大于个体i的荧光素浓Li，就认为个体i在其感知范围内找到了一个较优个体j。
个体i的感知范围内可能存在很多荧光素值大于自己的个体，因此萤火虫优化算法为每个个体建立了邻域集合将个体感知范围内的所有荧光素值大于自己的个体釆用邻域集合进行保存，其中dij(k)表示个体i与j之间的距离。
建立邻域集合之后按照下式计算个体i的邻域集合中所有个体j(j∈Ni(k))被选择作为目标个体的概率，然后，根据计算的概率大小选择较优个体作为目标并向其移动。
萤火虫位置更新过程如下：
对个体i的邻域集合进行概率计算后，个体i按照概率大小在其感知范围内找到荧
光素值比自己高的个体j，然后按下式进行位置的移动，向个体j靠近。
式中：
i——要发生位置移动的个体；
j——按照概率大小选择的荧光素值高的个体；
H——移动步长；
xi(k)——个体移动前的位置；
xi(k+1)——个体移动后的位置。
邻域半径更新过程如下：
个体i的位置移动后，其感知半径要进行更新，即个体的感知范围要进行放大或者缩小，以利于找到更多的局部最优解，从而找到全局最优解。
感知半径的更新和个体的邻域集合Ni(k)有关，如果个体i的感知范围内存在较多荧光素值高的个体，|Ni(k)|较大，那么，感知半径应当适当缩小，这样可以找到更多的局部较优解。如果个体i感知范围内只有少数的荧光素值高的个体，|Ni(k)|较小，那么，感知半径应当适当放大，以利于个体有更多的选择，可以向着更好的位置进行移动。
个体i的邻域半径按下式进行更新，
式中：
rs——所有个体的最大感知半径；
β——感知半径变化系数；
ni——感知范围内限定的优秀个体数；
|Ni(k)|——个体感知范围内搜索到的较优个体数，即邻域集合大小。
通过上述过程可以准确的识别出汽包液位图像中对应的液位数值信号。
S27-3、将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。这样就可以将实时自动识别的汽包液位信号以工程单位的数字量形式发送给上位机或DCS中的运行员操作站。
通过上述过程完成了实时采集的汽包水位监测图像信号的信号预处理、汽包水位刻度图像定位、汽包水位刻度图像分割和汽包水位刻度图像自动识别、汽包水位刻度信号输出等功能。
该方案中通过将图像信号转化为特征向量，利用智能识别的方法自动识别双色水位计的信号，避免了人工识别导致的各种干扰导致的准确率低、锅炉运行存在潜在威胁的问题。该方案立足于通过采集来自现场双色水位计的视频信号，采用图像处理的方法实时自动计算出汽包液位的当前值，因此可以直接通过通讯的方式显示在监控画面上，极大地提高了读数的准确性和可靠性。
实施例3：
本实施例中提供一种汽包水位监控装置，用于执行实施例2所述的汽包水位监控方法，可以用于实施例1中的汽包水位监控系统中，采用智能图像识别算法自动辨识出汽包液位的精确数值，该汽包水位监控装置结构框图如图3所示，包括：
图像获取单元31，用于获取用于测量汽包液位的双色水位计的图像信息；
第一预处理单元32，用于对所述图像信息进行第一预处理；
定位单元33，用于在第一预处理后的图像中定位汽包液位刻度所在的位置；
分割单元34，用于将定位后的图像采用基于边缘的图像分割算法分割成若干个独立的字符图像；
第二预处理单元35，用于把分割后的单个字符图像进行第二预处理；
特征向量提取单元36，用于将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量；
识别单元37，用于根据所述特征向量识别出其对应的汽包液位信号。
其中，所述识别单元37包括：
输入子单元，用于将该特征向量输入神经网络模型；
识别子单元，用于采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法；用于采用该算法对各个字符图像的特征向量进行识别；
输出子单元，用于将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。
其中，还包括神经网络训练单元，用于训练所述神经网络模型，预先采集若干汽包液位图像进行定位、分割，然后把分割后的字符作为神经网络的训练样本进行训练。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种汽包水位监控方法，其特征在于，包括
获取用于测量汽包液位的双色水位计的图像信息；
对所述图像信息进行第一预处理；
在第一预处理后的图像中定位汽包液位刻度所在的位置；
将定位后的图像采用基于边缘的图像分割算法分割成若干个独立的字符图像；
把分割后的单个字符图像进行第二预处理；
将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量；
根据所述特征向量识别出其对应的汽包液位信号。
2.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量识别出其对应的汽包液位信号的处理，包括：
将该特征向量输入神经网络模型；
采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法，采用该算法对各个字符图像的特征向量进行识别；
将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。
3.根据权利要求2所述的方法，其特征在于，还包括训练所述神经网络模型的过程，预先采集若干汽包液位图像进行定位、分割，然后把分割后的字符作为神经网络的训练样本进行训练。
4.根据权利要求1所述的方法，其特征在于，所述第一预处理包括图像灰度化、几何校正、平滑去噪、二值化、归一化中的一种或几种。
5.根据权利要求1或2或3所述的方法，其特征在于，所述第二预处理包括二值化、归一化处理。
6.一种汽包水位监控装置，其特征在于，包括
图像获取单元，用于获取用于测量汽包液位的双色水位计的图像信息；
第一预处理单元，用于对所述图像信息进行第一预处理；
定位单元，用于在第一预处理后的图像中定位汽包液位刻度所在的位置；
分割单元，用于将定位后的图像采用基于边缘的图像分割算法分割成若干个独立的字符图像；
第二预处理单元，用于把分割后的单个字符图像进行第二预处理；
特征向量提取单元，用于将第二预处理后的字符图像采用粗网格与外围特征相结合的方法提取特征向量；
识别单元，用于根据所述特征向量识别出其对应的汽包液位信号。
7.根据权利要求6所述的装置，其特征在于，所述识别单元包括：
输入子单元，用于将该特征向量输入神经网络模型；
识别子单元，用于采用萤火虫算法优化广义回归神经网络中的扩展常数，形成萤火虫-广义回归神经网络汽包液位智能自动识别算法；采用该算法对各个字符图像的特征向量进行识别；
输出子单元，用于将各个字符识别的结果按顺序依次输出，形成文本形式的液位数值信号。
8.根据权利要求6或7所述的装置，其特征在于，还包括神经网络训练单元，用于训练所述神经网络模型的过程，预先采集若干汽包液位图像进行定位、分割，然后把分割后的字符作为神经网络的训练样本进行训练。
9.一种汽包水位监控系统，其特征在于，包括
双色水位计，安装在汽包上，根据汽包水位在对应的刻度标尺上进行显示；
摄像头，用于采集所述双色水位计上的刻度显示的图像；
摄像头保护装置，设置在所述摄像头周围用于保护所述摄像头；
权利要求6-8任一项所述的汽包水位监控装置，与所述摄像头连接，接收所述摄像头采集的图像信息并进行识别处理得到液位数值。
10.根据权利要求9所述的系统，其特征在于，还包括上位机，与所述汽包水位监控装置远程连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710146340.9A CN106920241A (zh) | 2017-03-13 | 2017-03-13 | 一种汽包水位监控方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710146340.9A CN106920241A (zh) | 2017-03-13 | 2017-03-13 | 一种汽包水位监控方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106920241A true CN106920241A (zh) | 2017-07-04 |
Family
ID=59462112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710146340.9A Pending CN106920241A (zh) | 2017-03-13 | 2017-03-13 | 一种汽包水位监控方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106920241A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256688A (zh) * | 2018-02-05 | 2018-07-06 | 东北石油大学 | 改进萤火虫算法优化grnn的蒸汽驱开发效果预测方法 |
| CN109035335A (zh) * | 2018-07-03 | 2018-12-18 | 厦门大学 | 一种基于单目视觉的海底隧道渗水水位识别方法 |
| CN110174154A (zh) * | 2019-04-22 | 2019-08-27 | 华北电力大学（保定） | 一种汽包液位测量装置 |
| CN111311580A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像识别的汽包液位异常识别方法及系统 |
| CN115601713A (zh) * | 2022-12-15 | 2023-01-13 | 中国电建集团江西省电力设计院有限公司（Cn） | 一种汽包水位图像识别方法及其装置 |
| CN116342965A (zh) * | 2023-05-26 | 2023-06-27 | 中国电建集团江西省电力设计院有限公司 | 一种水位测量误差分析与控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1710389A (zh) * | 2005-07-19 | 2005-12-21 | 彭大维 | 带自动识别功能的汽包水位监视系统 |
| CN201600164U (zh) * | 2009-12-29 | 2010-10-06 | 新疆信通水利电子有限公司 | 一种视频水位计 |
| CN103759787A (zh) * | 2014-02-13 | 2014-04-30 | 北京博雅中控科技有限公司 | 一种四头两尾式锅炉汽包水位工业电视监控系统 |
| CN104048287A (zh) * | 2014-05-30 | 2014-09-17 | 上海电力学院 | 一种基于rbf网络的锅炉汽包水位报警方法 |
-
2017
- 2017-03-13 CN CN201710146340.9A patent/CN106920241A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1710389A (zh) * | 2005-07-19 | 2005-12-21 | 彭大维 | 带自动识别功能的汽包水位监视系统 |
| CN201600164U (zh) * | 2009-12-29 | 2010-10-06 | 新疆信通水利电子有限公司 | 一种视频水位计 |
| CN103759787A (zh) * | 2014-02-13 | 2014-04-30 | 北京博雅中控科技有限公司 | 一种四头两尾式锅炉汽包水位工业电视监控系统 |
| CN104048287A (zh) * | 2014-05-30 | 2014-09-17 | 上海电力学院 | 一种基于rbf网络的锅炉汽包水位报警方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李论: "数字识别在双色水位计智能遥视中的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 王昕等: "基于萤火虫-广义回归神经网络的光伏发电功率组合预测", 《电网技术》 * |
| 黄襄念等: "《文字识别原理与策略》", 30 November 2002 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256688A (zh) * | 2018-02-05 | 2018-07-06 | 东北石油大学 | 改进萤火虫算法优化grnn的蒸汽驱开发效果预测方法 |
| CN109035335A (zh) * | 2018-07-03 | 2018-12-18 | 厦门大学 | 一种基于单目视觉的海底隧道渗水水位识别方法 |
| CN109035335B (zh) * | 2018-07-03 | 2021-11-19 | 厦门大学 | 一种基于单目视觉的海底隧道渗水水位识别方法 |
| CN110174154A (zh) * | 2019-04-22 | 2019-08-27 | 华北电力大学（保定） | 一种汽包液位测量装置 |
| CN111311580A (zh) * | 2020-02-19 | 2020-06-19 | 中冶赛迪重庆信息技术有限公司 | 一种基于图像识别的汽包液位异常识别方法及系统 |
| CN115601713A (zh) * | 2022-12-15 | 2023-01-13 | 中国电建集团江西省电力设计院有限公司（Cn） | 一种汽包水位图像识别方法及其装置 |
| CN116342965A (zh) * | 2023-05-26 | 2023-06-27 | 中国电建集团江西省电力设计院有限公司 | 一种水位测量误差分析与控制方法及系统 |
| CN116342965B (zh) * | 2023-05-26 | 2023-11-24 | 中国电建集团江西省电力设计院有限公司 | 一种水位测量误差分析与控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106920241A (zh) | 一种汽包水位监控方法、装置及系统 | |
| CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
| CN104913797A (zh) | 指针式仪表的读数识别方法及系统 | |
| CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及系统 | |
| CN108154498A (zh) | 一种裂缝缺陷检测系统及其实现方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| WO2024159915A1 (zh) | 一种电站设备的运行巡检与趋势分析方法及系统 | |
| CN111141653A (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
| CN116167968A (zh) | H型钢表面缺陷检测方法及系统 | |
| CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
| CN118135469B (zh) | 一种管道cctv缺陷识别方法、系统、设备及存储介质 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN117601143B (zh) | 基于多传感器融合的智能巡检机器人及方法 | |
| CN114155468A (zh) | 一种变压器渗漏油检测方法、装置、设备及介质 | |
| CN117271979A (zh) | 一种基于深度学习的赤道印度洋表层海流流速预测方法 | |
| CN110084203A (zh) | 基于上下文关联的全卷积网络飞机层级检测方法 | |
| CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
| CN115601713A (zh) | 一种汽包水位图像识别方法及其装置 | |
| CN115880613A (zh) | 一种基于深度学习的海洋柔性管道监测系统的监测方法 | |
| CN113486599B (zh) | 一种抽油机有效冲程的计算方法 | |
| CN115147349A (zh) | 转炉冶炼终点的确定方法、装置、电子设备及存储介质 | |
| CN113761785A (zh) | 一种确定锅炉的减薄值的方法、装置以及存储介质 | |
| CN113538351A (zh) | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 | |
| CN113177513B (zh) | 一种安全帽佩戴检测方法、装置、设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170704 |
|
| RJ01 | Rejection of invention patent application after publication |