CN109886231A - 一种垃圾焚烧厂火焰燃烧状态识别方法 - Google Patents

Abstract

本发明提供一种能够准确判别垃圾焚烧状态的火焰识别方法，包括以下步骤，建立火焰识别模型并对火焰识别模型进行训练；通过火焰识别模型对火焰图片进行识别。本发明的有益效果是，本发明以垃圾焚烧系统为改进对象，围绕炉内火焰视频图像，对深度学习方法和PCA分类识别算法进行改进，进行深度学习方法网络结构与PCA算法参数的优化，实验仿真并确定最优的垃圾焚烧炉内火焰燃烧状态识别模型；以此作为判断当前焚烧状态的依据；从而实时监控垃圾焚烧炉内火焰的燃烧状态。

Description

一种垃圾焚烧厂火焰燃烧状态识别方法

技术领域

本发明涉及垃圾焚烧领域，具体涉及一种垃圾焚烧火焰识别方法。

背景技术

由于我国人口数量多，产生的垃圾总量也非常巨大，现有技术中，垃圾处理的主要方式是掩埋，但是掩埋的方式存在垃圾渗出液，污染严重，现有技术中，焚烧设备在焚烧垃圾时通常不能及时自动判断焚烧设备内的燃烧情况是否理想，现有技术通过人工判断的方式，存在较大的误差，不能合理准确的判断燃烧状态，往往导致调整失误，造成资源浪费和环境污染。

发明内容

为了解决上述问题，本发明提供一种能够准确判别垃圾焚烧状态的火焰识别方法，包括以下步骤，

建立火焰识别模型并对火焰识别模型进行训练；

通过火焰识别模型对火焰图片进行识别。

进一步的，

所述建立火焰识别模型并对火焰识别模型进行训练包括以下步骤，

获取灰度图样本训练矩阵；

计算训练图片的平均值与差值；

构建协方差矩阵；

求特征值和特征向量并构造特征图像空间。

进一步的，

所述获取灰度图样本训练矩阵包括，

设定训练集有n个由灰度图像素矩阵组成的样本，每个样本大小为L×W；

获取样本矩阵，

x＝(x₁,x₂,x₃,x₄,…x_n)^T，

其中，x为得到的样本矩阵，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量；

将样本矩阵向量化。

进一步的，

所述计算训练图片的平均值与差值包括，

通过以下公式获取训练图片每一维的平均值，

其中Ψ代表训练图片的平均值，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量；

计算每张图片像素矩阵与训练图片平均值的差值，

d_i＝x_i-ψ,i＝1,2,3,...,n，

其中d_i表示每张图片像素矩阵与训练图片平均值的差值，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量。

进一步的，

所述构建协方差矩阵包括，

采用以下公式构建协方差矩阵，

其中C为构建的协方差矩阵，n为样本容量，d_i为训练图片与训练图片平均值的差值，A＝(d₁,d₂,d₃,d₄,…d_n)。

进一步的，

所述求特征值和特征向量并构造特征图像空间包括，

求出A^TA的特征值λⁱ及其正交归一化特征向量v_i，根据特征值的贡献率选取前p个最大特征向量及其对应的特征向量，贡献率指选取的特征值的和与占所有特征值的和比：

取a＝99％采用以下公式求出协方差矩阵的特征向量，

其中u_i为协方差矩阵的特征向量，λ_i为A^TA的特征值，A＝(d₁,d₂,d₃,d₄,…,d_n)；

特征图像空间为w＝(u₁,u₂,u₃,u₄,…,u_n)。

进一步的，

所述通过火焰识别模型对火焰图片进行识别包括，

将待识别的图像Γ与平均图像的差值图像投影到特征空间，得到特征向量表示如下：

Ω^Γ＝w^T(Γ-ψ)

其中，Ω^Γ就是待识别的图像与平均图像的差值，ψ代表训练图片的平均值,w＝(u₁,u₂,u₃,u₄,…,u_n)。

若欧式距离小于预设值则判定待识别火焰图片所代表的火焰燃烧状态与标准库中的图片所代表的火焰燃烧状态相同。

本发明的有益效果是，本发明以垃圾焚烧系统为改进对象，围绕炉内火焰视频图像，对深度学习方法和PCA分类识别算法进行改进，进行深度学习方法网络结构与PCA算法参数的优化，实验仿真并确定最优的垃圾焚烧炉内火焰燃烧状态识别模型；以此作为判断当前焚烧状态的依据；从而实时监控垃圾焚烧炉内火焰的燃烧状态。

附图说明

图1为本发明一实施例流程图。

图2为本发明一实施例燃烧过程图像。

图3为本发明一实施例正在灭火过程图像。

图4为本发明一实施例已经灭火过程图像。

图5为本发明一实施例PCA基本实现方法流程图。

具体实施方式

本发明解决背景技术中所描述问题的发明思路之一是，通过深度学习方法和PCA分类识别算法建立火焰识别模型，并对火焰识别模型进行训练，采用火焰识别模型对实时拍摄到的火焰燃烧图像进行识别以准确判断火焰的燃烧状态并根据火焰燃烧状态对垃圾焚烧装置进行调整。

本发明通过摄像头获取锅炉内部火焰视频，再根据深度学习方法和PCA分类识别算法相应的进行火焰状态识别，判断锅炉内的火焰分为燃烧过程，正在灭火过程和已经灭火状态。

本发明一实施例截取的帧图片的像素大小为768×576，彩色图用矩阵表示，则矩阵大小为768×576×3，灰度图用矩阵大小表示为768×576。

取某一幅燃烧过程图为例，本发明通过摄像头得到的帧图片是彩色图像并将其转换为灰度图如图2所示。

取某一幅正在灭火过程图为例，本发明得到的帧图片是彩色图像，将其转换为灰度图如图3所示。

取某一幅已经灭火过程图为例，得到的帧图片是彩色图像，将其转换为灰度图如图4所示。

获取视频的当前一帧图像，图2，图3和图4分别为燃烧过程图像，正在灭火过程图像以及已经灭火过程图像。

PCA最基本的思想就是降维，也就是将n维特征映射到k维上，由k维构成全新的正交特征。其中k维特征称为主元，要注意的是k维特征是重新构造出来的k维特征，而不是简单的从n维特征中减去n-k维特征。

本发明的映射也叫做投影，遵循的最基本的原则是：找出最能够代表原始数据的主元成分。本发明运用PCA方法进行降维，保证降维后的数据不失真，也就是说被PCA降掉的那些维度是那些噪声或是冗余的等不影响原数据特征的数据。

所谓冗余，就是去除线性相关的向量(纬度)，因为可以被其他向量代表，这部分信息量是多余的。而噪声，就是去除较小特征值对应的特征向量，因为特征值的大小就反映了变换后在特征向量方向上变换的幅度，幅度越大，说明这个方向上的元素差异也越大，换句话说这个方向上的元素更分散。实际上，本发明又回到了对角化，寻找极大线性无关组，然后保留较大的特征值，去除较小特征值，组成一个投影矩阵，对原始样本矩阵进行投影，得到降维后的新样本矩阵。

然后就需要构建协方差矩阵，这里本发明运用了奇异分解定理，也就是通过求原矩阵的转置与原矩阵的乘积的特征值和特征向量来获得原矩阵的与其转置矩阵的乘积的特征值和特征向量。通过这种方法，减少了特征值和特征向量的个数，并且大大降低了计算量，由于图片像素表示的矩阵比较大，这就给图片处理提供了可能性。

PCA的实现方法如图5所示。

如图1所示，本发明提供一种准确判别垃圾焚烧的状态的火焰识别方法

包括以下步骤，

建立火焰识别模型并对火焰识别模型进行训练；

通过火焰识别模型对火焰图片进行识别。

下面对本发明中建立火焰识别模型并对火焰识别模型进行训练步骤进行解释说明。

在本发明实施过程中，将图片变换成矩阵的形式进行处理。在提取像素矩阵时，有三种选择，分别是提取彩色图、灰度图和黑白图的像素矩阵。其中，彩色图的每个像素点都是用红蓝绿三原色分量来表示的，对图像的还原度最高，但是数据量过大，处理比较困难。而黑白图的每个像素点都只有黑白两个数据，用0和1来表示，但是无法准确的表示图片的特征，因此本发明直接提取灰度图的像素矩阵。

灰度图的每个像素点是由0-255之间的数组成的。将白色和黑色之间按对数关系分为若干等级，称为灰度，灰度分为256阶。提取的灰度图的像素矩阵能够较好的还原图片特征，并且矩阵大小较彩色图小了很多，更方便进行数据处理。

下面对本发明实施过程中获取灰度图样本训练矩阵步骤进行说明。

一般情况下，需要对其进行处理的图片都是彩色图，为了更简单有效的获取图片的特征，需要将其转换成灰度图进行处理，然后再将灰度图的像素点提取出来构成矩阵的形式，得到接下来要处理的灰度图的像素矩阵。

首先假设训练集有n个由灰度图像素矩阵组成的样本，每个样本大小为L×W。

那么可以得到如下所示的样本矩阵，

x＝(x₁,x₂,x₃,x₄,…x_n)^T，

其中，x为得到的样本矩阵，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量，即把矩阵向量化，具体过程如下：

若第i个图像矩阵为则x_i为

即x矩阵的每一行为一个样本，每一列为一个维度。

下面对本发明计算训练图片的平均值与差值步骤进行说明

通过以下公式即可得到训练图片每一维的平均值。

其中Ψ代表训练图片的平均值，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量。

得到训练图片的平均值之后即可计算每张图片像素矩阵与训练图片平均值的差值。

d_i＝x_i-ψ,i＝1,2,3,...,n，

其中d_i表示每张图片像素矩阵与训练图片平均值的差值，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量，ψ代表训练图片的平均值，n为样本容量。

下面对本发明构建协方差矩阵步骤进行说明。

其中C就是构建的协方差矩阵，n为样本容量，d_i为训练图片与训练图片平均值的差值，A＝(d₁,d₂,d₃,d₄,…d_n)。

下面对本发明求特征值和特征向量并构造特征图像空间步骤进行说明。

协方差矩阵的维数为LW×LW，考虑其维数较大，计算量比较大，所以采用SVD定理，即我们常说的奇异值分解定理。通过求解A^TA的特征值和特征向量来获得AA^T的特征值和特征向量。

首先求出A^TA的特征值λⁱ及其正交归一化特征向量v_i，根据特征值的贡献率选取前p个最大特征向量及其对应的特征向量，贡献率是指选取的特征值的和与占所有特征值的和比，即：

一般取a＝99％即使训练样本在前P个特征向量集上的投影有99％的能量，求出原协方差矩阵的特征向量。

其中u_i就为原协方差矩阵的特征向量，λ_i为A^TA的特征值，A＝(d₁,d₂,d₃,d₄,…,d_n)。则特征图像空间为

w＝(u₁,u₂,u₃,u₄,…,u_n)，

下面对本发明通过火焰识别模型对火焰图片进行识别步骤进行说明。

将每一副待识别图像与平均图像的差值图像投影到特征图像空间。

Ω_i＝w^Td_i,(i＝1,2,3,4,…,n)，

其中Ω_i就是待识别图像与平均图像的差值图像投影到特征图像空间得到的矩阵，d_i表示每张图片像素矩阵与训练图片平均值的差值，w＝(u₁,u₂,u₃,u₄,…,u_n)。

在本发明中，平均图像的差值指用于训练火焰识别模型的样本图片的平均值。

将待识别的图像Γ与平均图像的差值图像投影到特征空间，得到特征向量表示如下：

Ω^Γ＝w^T(Γ-ψ)，

其中，Ω^Γ就是待识别的图像与平均图像的差值，ψ代表训练图片的平均值,w＝(u₁,u₂,u₃,u₄,…,u_n)。

本发明一实施例中，采用以下公式定义阈值

阈的意思是临界，阈值又叫临界值，是指一个效应能够产生的最低值和最高值，这里θ就表示我们得到的阈值。Ω_i-Ω_j得到的是待识别图像与平均图像的差值图像投影到特征图像空间得到的矩阵的最大值与最小值之差。

采用欧式距离来计算Ω^Γ与每张标准图片的距离ε_i：

其中Ω_i待识别图像与平均图像的差值图像投影到特征图像空间得到的矩阵，Ω^Γ待识别的图像与平均图像的差值，ε_i代表Ω^Γ与每张标准图片的距离。

通过上述方法计算每张待识别火焰与标准库中火焰图片的欧式距离，与哪张图片的欧式距离最近，就代表改图片与标准库中的图片燃烧状态相同。

本发明的有益效果是，本发明以垃圾焚烧系统为改进对象，围绕炉内火焰视频图像，对深度学习方法和PCA分类识别算法进行改进，进行深度学习方法网络结构与PCA算法参数的优化，实验仿真并确定最优的垃圾焚烧炉内火焰燃烧状态识别模型；以此作为判断当前焚烧状态的依据；从而实时监控垃圾焚烧炉内火焰的燃烧状态。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种垃圾焚烧厂火焰燃烧状态识别方法，其特征在于，包括以下步骤，

建立火焰识别模型并对火焰识别模型进行训练；

通过火焰识别模型对火焰图片进行识别。

2.如权利要求1所述的一种垃圾焚烧厂火焰燃烧状态识别方法，其特征在于，

所述建立火焰识别模型并对火焰识别模型进行训练包括以下步骤，

获取灰度图样本训练矩阵；

计算训练图片的平均值与差值；

构建协方差矩阵；

求特征值和特征向量并构造特征图像空间。

3.如权利要求2所述的一种垃圾焚烧厂火焰燃烧状态识别方法,其特征在于，

所述获取灰度图样本训练矩阵包括，

设定训练集有n个由灰度图像素矩阵组成的样本，每个样本大小为L×W；

获取样本矩阵，

x＝(x₁,x₂,x₃,x₄,…x_n)^T，

其中，x为得到的样本矩阵，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量；

将样本矩阵向量化。

4.如权利要求3所述的一种垃圾焚烧厂火焰燃烧状态识别方法,其特征在于，

所述计算训练图片的平均值与差值包括，

通过以下公式获取训练图片每一维的平均值，

其中Ψ代表训练图片的平均值，n为样本容量，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量；

计算每张图片像素矩阵与训练图片平均值的差值，

d_i＝x_i-ψ,i＝1,2,3,...,n，

其中d_i表示每张图片像素矩阵与训练图片平均值的差值，x_i为由第i个样本的每一列向量堆叠成一列的L×W维列向量。

5.如权利要求4所述的一种垃圾焚烧厂火焰燃烧状态识别方法,其特征在于

所述构建协方差矩阵包括，

采用以下公式构建协方差矩阵，

其中C为构建的协方差矩阵，n为样本容量，d_i为训练图片与训练图片平均值的差值，A＝(d₁,d₂,d₃,d₄,…d_n)。

6.如权利要求5所述的一种垃圾焚烧厂火焰燃烧状态识别方法,其特征在于，

所述求特征值和特征向量并构造特征图像空间包括，

求出A^TA的特征值λⁱ及其正交归一化特征向量v_i，根据特征值的贡献率选取前p个最大特征向量及其对应的特征向量，贡献率指选取的特征值的和与占所有特征值的和比：

取a＝99％采用以下公式求出协方差矩阵的特征向量，

其中u_i为协方差矩阵的特征向量，λ_i为A^TA的特征值，A＝(d₁,d₂,d₃,d₄,…,d_n)；特征图像空间为w＝(u₁,u₂,u₃,u₄,…,u_n)。

7.如权利要求1所述的一种垃圾焚烧厂火焰燃烧状态识别方法,其特征在于，

所述通过火焰识别模型对火焰图片进行识别包括，

将待识别的图像Γ与平均图像的差值图像投影到特征空间，得到特征向量表示如下：

Ω^Γ＝w^T(Γ-ψ)，

其中，Ω^Γ就是待识别的图像与平均图像的差值，ψ代表训练图片的平均值,w＝(u₁,u₂,u₃,u₄,…,u_n)，

采用以下公式计算Ω^Γ与每张标准图片的欧式距离ε_i,

其中Ω_i为待识别图像与平均图像的差值图像投影到特征图像空间得到的矩阵，Ω^Γ待识别的图像与平均图像的差值，ε_i代表Ω^Γ与每张标准图片的欧式距离；

若欧式距离小于预设值则判定待识别火焰图片所代表的火焰燃烧状态与标准库中的图片所代表的火焰燃烧状态相同。