CN110057820A - 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 - Google Patents
在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110057820A CN110057820A CN201910299333.1A CN201910299333A CN110057820A CN 110057820 A CN110057820 A CN 110057820A CN 201910299333 A CN201910299333 A CN 201910299333A CN 110057820 A CN110057820 A CN 110057820A
- Authority
- CN
- China
- Prior art keywords
- flame
- image
- chlorine
- area
- hydrogen
- 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.)
- Granted
Links
- 239000000460 chlorine Substances 0.000 title claims abstract description 116
- 229910052801 chlorine Inorganic materials 0.000 title claims abstract description 116
- 239000001257 hydrogen Substances 0.000 title claims abstract description 66
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- -1 chlorine hydrogen Chemical class 0.000 title claims abstract description 33
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910000041 hydrogen chloride Inorganic materials 0.000 title claims abstract description 28
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 244000144985 peep Species 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 83
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 32
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 11
- 238000011049 filling Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000005660 chlorination reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 238000002485 combustion reaction Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 244000171022 Peltophorum pterocarpum Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质,针对难以实现氯化氢合成炉中氯氢配比自动识别的问题,本方法利用摄像机采集氯化氢合成炉观察孔的图像,并对图像进行统计分析,提取火焰的颜色特征和形状特征来确定火焰的燃烧状态,最后结合历史样本库,利用BP神经网络进行多特征融合,快速确定氯化氢合成炉中当前的氯氢配比。并基于此方法设计了一套测试系统,以满足实际生产过程中控制氯氢配比的精度和速度的要求,保证生产的安全,提高生产产品的质量,降低生产成本。
Description
技术领域
本发明涉及合成炉燃烧工况自动识别领域,特别是一种在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质。
背景技术
在机器学习和人工智能的辅助下,图像识别技术发展迅猛,大大提高了生产效率。目前,在军事、轻工业、制造业、安防等行业中,图像识别已经得到了充分运用。在氯化氢合成炉燃烧生产氯化氢的过程中,来自氯气缓冲罐的氯气和氢气缓冲罐的氢气分别经调节阀、截止阀、阻火器后在合成炉底部混合器进行混合,并在炉膛内燃烧发生化学反应生成氯化氢。合成炉是氯气和氢气安全燃烧发生化学反应合成氯化氢的重要设备,氯氢配比是影响合成炉氯化氢合成效率并决定能否安全生产的关键。氯化氢在合成炉内发生反应时,氯气过量会引起炉内或输气管道爆炸,氢气过量则会导致能耗过高、原料利用率低等生产成本增加问题,实现合成炉氯氢配比精确控制,提高原料利用率,降低安全生产风险,是国内外氯碱工业生产中氯氢合成工序急需解决的问题。
目前生产过程中大多采用流量计检测或者人工观察火焰状态的识别方法。用于检测氯气流量的流量计目前还无法满足流量检测的精度要求。人工观察火焰燃烧状态的方法依赖于操作人员的经验,无法准确描述火焰的特征,也无法准确估计氯氢配比,导致产品氯化氢的纯度波动较大。且如果仅依靠操作人员进行长时间的观察,难免会出现疏漏,可能导致爆炸等严重的生产事故发生。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种在线检测氯化氢合成炉中氯氢配比(氯气与氢气配比)的方法、系统及存储介质,使得在生产过程中可以连续准确地预测合成炉中的氯氢配比,降低生产成本和出现生产事故的概率,从而保证生产安全,提高生产效率和产品质量。
为解决上述技术问题,本发明所采用的技术方案是:一种在线检测氯化氢合成炉中氯化氢配比的方法,包含以下步骤:
步骤1:获取氯化氢合成炉内火焰燃烧的图像;
步骤2:对图像进行中值滤波,去掉相机中的椒盐噪声。也可以根据工业现场噪声的情况使用其他滤波方式平滑图片;
步骤3:分别计算图片的RGB分量的直方图。利用直方图比较的指标快速判断当前是否属于氯气过量的状态。当合成炉中的氯气过量时,火焰外焰颜色偏黄,燃烧发出的黄光使得图片的B通道直方图与R、G通道的直方图有较大区别。计算R-B直方图之间的Bhattacharyya距离: 其中,H1和H2分别表示两个直方图,Hi(I)表示第i个直方图中灰度级为I的像素点个数,N为直方图中统计的总的像素个数。计算R-G与G-B之间的直方图相交的总像素点个数:则可以根据上述的指标 y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG)是否大于阈值来判断当前合成炉中的工况是否为氯气过量的。其中,HR、HB、HG分别表示对应颜色通道的直方图。阈值可由统计历史样本的特征得到。若y大于y0,即判断当前工况为氯气过量,否则不属于氯气过量。其中y0=30000为设定的阈值。
步骤4:若判断当前图片所反映的工况为氯气过量,则根据建立的氯气过量程度自回归判别模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算并给出氯氢配比的大致范围。其中,y(t)表示当前图片所属的氯气过量的类别; y(t-1)表示上一张图片氯气过量的程度,若上一张图片不属于氯气过量,则 y(t-1)=0;α、β、γ为权系数,可根据历史样本由最小二乘法求得。
步骤5:若当前图片所反映的工况不属于氯气过量,则继续确定图片中合成炉观察孔的位置,并在观察孔内提取火焰区域的图像并计算火焰区域的面积。先将图像转为灰度图,由于火焰区域的高亮程度明显大于观察孔内的其他区域。可以容易地设定一个较高的阈值对观察孔内的图像进行二值化,分割出火焰部分。再对二值图像进行形态学开运算快速提取火焰的位置。
对火焰的二值图像进行开运算后,小的不连通区域被消除,同时边缘适当向外围平滑扩张,获得了完全包含了火焰颜色和形状信息的外焰。将二值图像的宽度和高度各扩充两个像素,即得到漫水填充算法的二值掩模图像,再利用漫水填充算法可在原图上提取出火焰区域的RGB图像。
步骤6:将火焰区域的RGB图像转换至HSL颜色空间,计算火焰区域的颜色指标。火焰颜色主要反映了合成炉中的氯氢配比状况。提取火焰的颜色特征可以用于判断当前的氯氢配比。根据历史样本,在HSL颜色空间中划分出氯气过量时的偏黄色火焰区域、氢气过量时偏青色火焰区域和正常配比下的白色区域,对像素点进行分类:分类以后计算以下的颜色特征:
火焰图像中黄色部分所占面积比:火焰图像中青色部分所占像素比:其中I(x,y)=0和I(x,y)=2分别表示偏黄和偏青的像素点,Ω表示图像中属于火焰区域的像素点。
给出一个标准黄色点(Hh,Sh,Lh)和标准青色点(Hq,Sq,Lq),则可以计算火焰图像中黄色区域整体偏黄程度:青色区域整体偏青程度:其中Ω1和Ω2分别表示属于黄色区域和青色区域的像素点,(Hi,Si,Li)表示第i个像素点的色相H、饱和度S、明度L分量的值。
步骤7:若火焰的面积没有超过观察孔面积的90%,则火焰形状可以正常反映合成炉中的氯氢配比状况,利用火焰区域的二值掩模图像计算火焰的形状特征:
质心位移:其中xi和yi分别表示当前图片火焰质心的横坐标与纵坐标,火焰质心可由火焰区域像素点的横纵坐标之和取平均值计算得来。xi-1和yi-1分别表示上一帧图片火焰质心的横坐标与纵坐标。
面积变化率:其中Si表示当前图片的火焰面积,即火焰区域的像素点个数。Si-1表示上一帧图片的火焰面积。
火焰相似度:其中Ii-1(x,y)和Ii(x,y)分别表示图像序列中上一帧图像的像素点和当前帧图像的像素点,Ω表示图像中属于火焰区域的像素点。
以上三个特征主要反映火焰的燃烧稳定情况,当氢气过量时,火焰燃烧不稳定且左右摆动,导致前后两帧图片中火焰质心位移大,面积变化率和火焰相似度都偏大。
火焰轮廓最小外接矩形的长宽比:这个特征主要用来反映火焰的燃烧形状。当氯气过量时,火焰呈现细长条状,则对应的长宽比增大。
步骤8:根据是否使用形状指标,对应BP神经网络模型进行氯氢配比的预测。若火焰面积小于阈值,将颜色特征与形状特征均作为BP神经网络的输入;若火焰面积大于阈值,则仅输入颜色特征。根据两种不同的情况,应训练两个独立的 BP模型。BP网络神经元的激活函数为Sigmoid函数:其中,θ0、θ1为函数的参数。在训练神经网络前,要先将训练样本进行零均值标准化,即其中为样本均值,δ为样本标准差。
氯氢配比按照如下公式计算:其中K为氯氢配比理论计算结果,C为离线化验的氯化氢纯度;正常生产过程中的最佳氯氢配比为1:1.05,当氯氢配比小于1:1.05时,认定为氯气过量的状态;当氯氢配比大于或等于1:1.05时,认定不属于氯气过量状态。
相应的,本发明还提供了一种在线检测氯化氢合成炉中氯氢配比的系统,包括:采集模块,用于获取氯化氢合成炉内火焰燃烧的图像;
预处理模块,用于对所述图像进行预处理;
计算模块,用于计算预处理后得到的图片的RGB分量的直方图,计算R-B直方图之间的Bhattacharyya距离;根据y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG) 是否大于阈值来判断当前合成炉中的工况,其中,HR、HB、HG分别表示对应颜色通道的直方图;若y>y0,则属于氯气过量的状态;若y≤y0,则不属于氯气过量的状态;y0为分析历史样本后设置的阈值;B(HR,HG)为HR、HG的 Bhattacharyya距离;I(HG,HB)为HG、HB相交的像素点个数;I(HR,HG)为HR、HG相交的像素点个数;
判断模块,用于执行如下操作:若氯气过量,则根据建立的氯气过量程度自回归判别模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算氯氢配比的范围;其中,y(t)表示当前图片所属的氯气过量的类别;y(t-1)表示上一张图片氯气过量的程度,若上一张图片不属于氯气过量,则y(t-1)=0;α、β、γ为权系数;若当前图片所反映的工况不属于氯气过量,则继续确定图片中合成炉观察孔的位置,并在观察孔内提取火焰区域的图像并计算火焰区域的面积,对观察孔内的图像进行二值化,分割出火焰部分,再对二值图像进行形态学开运算快速提取火焰的位置;将二值图像的宽度和高度各扩充两个像素,即得到漫水填充算法的二值掩模图像,再利用漫水填充算法在原图上提取出火焰区域的RGB图像;
转换模块,用于将火焰区域的RGB图像转换至HSL颜色空间,计算火焰区域的颜色特征;若火焰的面积没有超过观察孔面积的90%,则利用火焰区域的二值掩模图像计算火焰的形状特征;
训练模块,用于执行如下操作:若火焰面积小于观察孔面积的90%,将颜色特征与形状特征均作为BP神经网络的输入;若火焰面积大于观察孔面积的90%,则仅将颜色特征作为BP神经网络的输入;训练BP神经网络,选择对应的BP神经网络和输入特征计算出当前合成炉中的氯氢配比。
本发明还提供了一种计算机存储介质,其存储有执行上述方法流程的程序。
与现有技术相比,本发明所具有的有益效果为:本发明在生产过程中可以连续准确地预测合成炉中的氯氢配比,降低了生产成本和出现生产事故的概率,从而保证了生产安全,提高了生产效率和产品质量。
附图说明
图1为本发明氯氢配比检测系统结构图。
图2位本发明一种在线检测氯化氢合成炉中氯氢配比方法的流程图。
具体实施方式
本发明建立了图像识别技术中的图像采集和存储的硬件系统;
利用图像采集硬件系统采集图像,实时传到中控计算机,由中控计算机对图片进行分析处理,预测拍摄时氯化氢合成炉中的氯氢配比,并将处理结果与图片一同传送到监控室中。
中控计算机将处理过的图片与预测数据一起存入到数据库中。
图像采集硬件系统建立过程包括以下步骤:
安装氯化氢合成炉观察孔自动清洗装置。将摄像头安装在固定支架上,正对氯化氢合成炉的观察孔,并把光源安装在摄像头周围。为光源和摄像头提供电源,设置好摄像头的IP地址,摄像机拍照以后,将图片传送到中控计算机,供中控计算机进行图片分析之用;
设置摄像机参数:图像宽度704、图像高度576,并将摄像头设置为三通道模式,使得所拍图像为RGB三通道彩色图像,同时将摄像头的触发拍照模式设置为软件触发,由程序控制拍摄间隔时间。
对采集到的图片进行分析处理的方法包括以下步骤:
对采集到的图片进行去噪处理,并分别计算图像R、G、B分量的直方图,对比直方图,计算R分量直方图与G分量直方图的Bhattacharyya距离,G分量直方图与B 分量直方图、G分量直方图与R分量直方图之间相交的像素点的个数,令 y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG),其中B(HR,HG)表示R分量直方图与G分量直方图间的Bhattacharyya距离、I(HG,HB)表示G分量与B分量直方图相交的总像素数,I(HR,HG)表示R分量与G分量直方图相交的总像素数。当y值大于阈值y0时,氯氢配比小于1:1.05。以实际生产过程中的最佳配比1:1.05为对比,即认定这种情况属于氯气过多。
若分析图片后认定为属于氯气过多的情况,则根据回归模型
y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]求出预测的氯氢配比,其中α、β、γ为权系数,α=0.113237,β=0.626114,γ=0.0000134126。当氯氢配比小于1:1.01时,需要进行超限报警。
若分析图片后认定不属于氯气过多,则进一步检测观察孔的位置,在观察孔内利用合理的阈值对图像进行二值化以提取火焰区域。所述的阈值范围为[0,255]。计算火焰面积,火焰面积占观察孔面积的百分比超过90%时,则只需计算火焰的颜色特征;否则并行计算火焰的颜色特征和形状特征。
将计算出的特征作为BP神经网络的输入,根据BP神经网络的输出决定图片拍摄时氯化氢合成炉中的氯氢配比。当氯氢配比大于1:1.1时要进行超限报警。
计算直方图间的差异,其阈值y0为30000。用于区分是否属于氯气过量的状态。利用回归模型预测氯气过量时的氯氢配比,权系数α、β、λ根据历史样本利用最小二乘法计算得到。
本发明提取如下的火焰颜色特征:
提取火焰在RGB图上的区域后转换到HSL颜色空间,根据历史样本,在HSL 颜色空间中划分出氯气过量时的偏黄色火焰区域、氢气过量时偏青色火焰区域和正常配比下的白色区域,并给出区域中一个标准黄色点(xh,yh)和标准青色点 (xq,yq)。则可以遍历并判断每个像素点所属的区域:据此计算以下的颜色特征:
火焰图像中黄色部分所占面积比:火焰图像中青色部分所占面积比:其中I(x,y)=0和I(x,y)=2分别表示偏黄和偏青的像素点,Ω表示图像中提取的火焰区域。
火焰图像中黄色区域整体偏黄色程度:青色区域整体偏青色程度:其中Ω1和Ω2分别表示属于偏黄色区域和偏青色区域的像素点。
当火焰面积小于观察孔面积的90%时,计算火焰以下四个形状特征:质心位移、面积变化率、火焰相似度、火焰轮廓最小外接矩形的长宽比。并将形状特征与颜色特征一起作为BP神经网络模型的输入特征;当火焰面积大于观察孔90%时,火焰形状不能真实反映合成炉中的氯氢配比,因此不计算形状特征。
火焰形状特征的计算是在火焰的二值掩模图像上进行的;火焰的颜色特征是将火焰区域的RGB图像转换到HSL空间后进行的。两者使用不同的图像,因此可以使用并行计算同时处理两种特征,加快图像分析的速度。
算得火焰特征以后需要投入到训练好的BP神经网络中进行氯氢配比预测。对于仅使用颜色特征和同时使颜色特征、形状特征两种情况,需要分开训练两个独立的BP神经网络模型。
本发明在线检测氯化氢合成炉中氯氢配比系统的结构如图1所示,摄像机正对合成炉的观察孔,观察孔配有自动清洗装置,定时清洗观察孔以保证拍摄到清晰的图像。
采集图像后传输到中控计算机处,中控计算机对图像进行分析,图像处理的流程如图2所示。获得摄像机采集的图片后,先进行去噪处理,再分析图像RGB各通道直方图间的差异,具体方法如下:
计算直方图之间的差异y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG),若 y>30000,则认为氯气过量并进行氯气过量对应的处理步骤,按照历史样本拟合出的回归模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算当前的氯氢配比。
若y≤30000,则认为不属于氯气过量,需要进一步区分是正常工况还是氢气过量,按照图2流程图所示,进一步用霍夫圆检测取出图像中观察孔的区域。由于摄像机固定后位置一般不会再变化,可以将此位置保存。若已经存有观察孔位置大小,则可以直接提取观察孔区域,并对此区域利用合适的阈值进行二值化,这里选择的灰度阈值为205,再通过形态学开运算,即可得到火焰区域的图像。计算火焰面积占观察孔面积的百分比。若该值大于或等于90%,则不计算形状特征,仅计算火焰的颜色特征并送入BP神经网络模型1中进行特征融合的计算。若该值小于90%,并行计算火焰的颜色特征和形状特征,并送至BP神经网络模型2 进行特征融合。无论哪种情况,将特征输入到BP神经网络前,需要按照和样本相同的零均值方法进行数据归一化,即由训练好的BP神经网络计算出氯氢配比的预测值。
中控计算机完成以上图像分析步骤后,即将图片和预测的结果存入到数据库中,同时也转送到监控室的大屏幕中供操作人员观察。
需要说明的是,上述装置和系统内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
Claims (10)
1.一种在线检测氯化氢合成炉中氯氢配比的方法,其特征在于,包括以下步骤:
1)获取氯化氢合成炉内火焰燃烧的图像;
2)对所述图像进行预处理;
3)分别计算预处理后得到的图片的RGB分量的直方图,计算R-B直方图之间的Bhattacharyya距离;根据y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG)是否大于阈值来判断当前合成炉中的工况,其中,HR、HB、HG分别表示对应颜色通道的直方图;若y>y0,则属于氯气过量的状态;若y≤y0,则不属于氯气过量的状态;y0为分析历史样本后设置的阈值;B(HR,HG)为HR、HG的Bhattacharyya距离;I(HG,HB)为HG、HB相交的像素点个数;I(HR,HG)为HR、HG相交的像素点个数;
4)若氯气过量,则根据建立的氯气过量程度自回归判别模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算氯氢配比的范围;其中,y(t)表示当前图片所属的氯气过量的类别;y(t-1)表示上一张图片氯气过量的程度,若上一张图片不属于氯气过量,则y(t-1)=0;α、β、γ为权系数;若当前图片所反映的工况不属于氯气过量,则继续确定图片中合成炉观察孔的位置,并在观察孔内提取火焰区域的图像并计算火焰区域的面积,对观察孔内的图像进行二值化,分割出火焰部分,再对二值图像进行形态学开运算快速提取火焰的位置;将二值图像的宽度和高度各扩充两个像素,即得到漫水填充算法的二值掩模图像,再利用漫水填充算法在原图上提取出火焰区域的RGB图像;
5)将火焰区域的RGB图像转换至HSL颜色空间,计算火焰区域的颜色特征;若火焰的面积没有超过观察孔面积的90%,则利用火焰区域的二值掩模图像计算火焰的形状特征;
6)若火焰面积小于观察孔面积的90%,将颜色特征与形状特征均作为BP神经网络的输入;若火焰面积大于观察孔面积的90%,则仅将颜色特征作为BP神经网络的输入;训练BP神经网络,选择对应的BP神经网络和输入特征计算出当前合成炉中的氯氢配比。
2.根据权利要求1所述的方法,其特征在于,所述氯氢配比按照如下公式计算:其中K为氯氢配比理论计算结果,C为离线化验的氯化氢纯度。
3.根据权利要求1所述的方法,其特征在于,所述颜色特征包括:
火焰图像中黄色区域整体偏黄程度:青色区域整体偏青程度:其中Ω1和Ω2分别表示属于黄色区域和青色区域的像素点,(Hh,Sh,Lh)和(Hq,Sq,Lq)分别表示HSL颜色空间中的标准黄色点和标准青色点,(Hi,Si,Li)表示第i个像素点的色相H、饱和度S、明度L的值;I(x,y)为当前帧图像的像素点像素值。
4.根据权利要求3所述的方法,其特征在于,
5.根据权利要求1所述的方法,其特征在于,所述形状特征包括:
质心位移:其中xi和yi分别表示当前图片火焰质心的横坐标与纵坐标,xi-1和yi-1分别表示上一帧图片火焰质心的横坐标与纵坐标;面积变化率:其中Si表示当前图片的火焰面积,即火焰区域的像素点个数,Si-1表示上一帧图片的火焰面积;
火焰相似度:其中Ii-1(x,y)和Ii(x,y)分别表示图像序列中上一帧图像的像素点和当前帧图像的像素点像素值,Ω表示图像中属于火焰区域的像素点。
6.一种在线检测氯化氢合成炉中氯氢配比的系统,其特征在于,包括:
采集模块,用于获取氯化氢合成炉内火焰燃烧的图像;
预处理模块,用于对所述图像进行预处理;
计算模块,用于计算预处理后得到的图片的RGB分量的直方图,计算R-B直方图之间的Bhattacharyya距离;根据y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG)是否大于阈值来判断当前合成炉中的工况,其中,HR、HB、HG分别表示对应颜色通道的直方图;若y>y0,则属于氯气过量的状态;若y≤y0,则不属于氯气过量的状态;y0为分析历史样本后设置的阈值;B(HR,HG)为HR、HG的Bhattacharyya距离;I(HG,HB)为HG、HB相交的像素点个数;I(HR,HG)为HR、HG相交的像素点个数;
判断模块,用于执行如下操作:若氯气过量,则根据建立的氯气过量程度自回归判别模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算氯氢配比的范围;其中,y(t)表示当前图片所属的氯气过量的类别;y(t-1)表示上一张图片氯气过量的程度,若上一张图片不属于氯气过量,则y(t-1)=0;α、β、γ为权系数;若当前图片所反映的工况不属于氯气过量,则继续确定图片中合成炉观察孔的位置,并在观察孔内提取火焰区域的图像并计算火焰区域的面积,对观察孔内的图像进行二值化,分割出火焰部分,再对二值图像进行形态学开运算快速提取火焰的位置;将二值图像的宽度和高度各扩充两个像素,即得到漫水填充算法的二值掩模图像,再利用漫水填充算法在原图上提取出火焰区域的RGB图像;
转换模块,用于将火焰区域的RGB图像转换至HSL颜色空间,计算火焰区域的颜色特征;若火焰的面积没有超过观察孔面积的90%,则利用火焰区域的二值掩模图像计算火焰的形状特征;
训练模块,用于执行如下操作:若火焰面积小于观察孔面积的90%,将颜色特征与形状特征均作为BP神经网络的输入;若火焰面积大于观察孔面积的90%,则仅将颜色特征作为BP神经网络的输入;训练BP神经网络,选择对应的BP神经网络和输入特征计算出当前合成炉中的氯氢配比。
7.一种计算机存储介质,其特征在于,该存储介质中存储的程序用于执行如下处理:
1)获取氯化氢合成炉内火焰燃烧的图像;
2)对所述图像进行预处理;
3)分别计算预处理后得到的图片的RGB分量的直方图,计算R-B直方图之间的Bhattacharyya距离;根据y=10000*B(HR,HG)+I(HG,HB)-I(HR,HG)是否大于阈值来判断当前合成炉中的工况,其中,HR、HB、HG分别表示对应颜色通道的直方图;若y>y0,则属于氯气过量的状态;若y≤y0,则不属于氯气过量的状态;y0为分析历史样本后设置的阈值;B(HR,HG)为HR、HG的Bhattacharyya距离;I(HG,HB)为HG、HB相交的像素点个数;I(HR,HG)为HR、HG相交的像素点个数;
4)若氯气过量,则根据建立的氯气过量程度自回归判别模型y(t)=α*y(t-1)+β*B(HR,HG)+γ*[I(HG,HB)-I(HR,HG)]计算氯氢配比的范围;其中,y(t)表示当前图片所属的氯气过量的类别;y(t-1)表示上一张图片氯气过量的程度,若上一张图片不属于氯气过量,则y(t-1)=0;α、β、γ为权系数;若当前图片所反映的工况不属于氯气过量,则继续确定图片中合成炉观察孔的位置,并在观察孔内提取火焰区域的图像并计算火焰区域的面积,对观察孔内的图像进行二值化,分割出火焰部分,再对二值图像进行形态学开运算快速提取火焰的位置;将二值图像的宽度和高度各扩充两个像素,即得到漫水填充算法的二值掩模图像,再利用漫水填充算法在原图上提取出火焰区域的RGB图像;
5)将火焰区域的RGB图像转换至HSL颜色空间,计算火焰区域的颜色特征;若火焰的面积没有超过观察孔面积的90%,则利用火焰区域的二值掩模图像计算火焰的形状特征;
6)若火焰面积小于观察孔面积的90%,将颜色特征与形状特征均作为BP神经网络的输入;若火焰面积大于观察孔面积的90%,则仅将颜色特征作为BP神经网络的输入;训练BP神经网络,选择对应的BP神经网络和输入特征计算出当前合成炉中的氯氢配比。
8.根据权利要求7所述的计算机存储介质,其特征在于,所述氯氢配比按照如下公式计算:其中K为氯氢配比理论计算结果,C为离线化验的氯化氢纯度。
9.根据权利要求7所述的计算机存储介质,其特征在于,所述颜色特征包括:
火焰图像中黄色区域整体偏黄程度:青色区域整体偏青程度:其中Ω1和Ω2分别表示属于黄色区域和青色区域的像素点,(Hh,Sh,Lh)和(Hq,Sq,Lq)分别表示HSL颜色空间中的标准黄色点和标准青色点,(Hi,Si,Li)表示第i个像素点的色相H、饱和度S、明度L的值;I(x,y)为当前帧图像的像素点像素值。
10.根据权利要求7所述的计算机存储介质,其特征在于,所述形状特征包括:
质心位移:其中xi和yi分别表示当前图片火焰质心的横坐标与纵坐标,xi-1和yi-1分别表示上一帧图片火焰质心的横坐标与纵坐标;面积变化率:其中Si表示当前图片的火焰面积,即火焰区域的像素点个数,Si-1表示上一帧图片的火焰面积;
火焰相似度:其中Ii-1(x,y)和Ii(x,y)分别表示图像序列中上一帧图像的像素点和当前帧图像的像素点像素值,Ω表示图像中属于火焰区域的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299333.1A CN110057820B (zh) | 2019-04-15 | 2019-04-15 | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299333.1A CN110057820B (zh) | 2019-04-15 | 2019-04-15 | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057820A true CN110057820A (zh) | 2019-07-26 |
CN110057820B CN110057820B (zh) | 2021-04-30 |
Family
ID=67317637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299333.1A Expired - Fee Related CN110057820B (zh) | 2019-04-15 | 2019-04-15 | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057820B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658797A (zh) * | 2019-10-28 | 2020-01-07 | 中南大学 | 一种氯化氢合成炉系统的优化控制方法 |
CN114460024A (zh) * | 2020-11-10 | 2022-05-10 | 蓝星智云(山东)智能科技有限公司 | 一种氯化氢合成炉中氢气、氯气在线实时监控方法及系统 |
CN114782435A (zh) * | 2022-06-20 | 2022-07-22 | 武汉精立电子技术有限公司 | 一种针对随机纹理场景的图像拼接方法及其应用 |
CN116452831A (zh) * | 2023-04-27 | 2023-07-18 | 中国长江三峡集团有限公司 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1108956A2 (en) * | 1999-12-13 | 2001-06-20 | IMIT S.p.A. | Device for combustion control |
WO2005042469A1 (ja) * | 2003-10-31 | 2005-05-12 | Japan Science And Technology Agency | 安定同位体標識芳香族アミノ酸、その標的蛋白質への組み込み方法並びに蛋白質のnmr構造解析方法 |
US20070224081A1 (en) * | 2005-04-29 | 2007-09-27 | Gary Bokerman | Gas permeable chemochromic compositions for hydrogen sensing |
CN101210900A (zh) * | 2006-12-30 | 2008-07-02 | 仇晓丰 | 一种氯化氢合成过程中游离氯在线检测工艺与装置 |
CN101665243A (zh) * | 2008-09-04 | 2010-03-10 | 中国科学院过程工程研究所 | 一种制备氯气的方法及其系统 |
CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
CN105678295A (zh) * | 2016-01-04 | 2016-06-15 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
CN107218054A (zh) * | 2017-08-01 | 2017-09-29 | 贵阳市城市轨道交通有限公司 | 微波破岩辅助装置及复合式悬臂掘进机 |
CN108052950A (zh) * | 2017-12-08 | 2018-05-18 | 东北大学 | 一种基于mia的电熔镁炉动态火焰分割及特征提取方法 |
CN108100996A (zh) * | 2018-02-13 | 2018-06-01 | 唐山三友氯碱有限责任公司 | 连续法氯乙酸生产过程中副产HCl的处理系统及方法 |
CN108698890A (zh) * | 2015-12-18 | 2018-10-23 | 贺利氏石英玻璃有限两合公司 | 利用在熔融烘箱中的露点监测制备石英玻璃体 |
CN109363642A (zh) * | 2012-12-18 | 2019-02-22 | 赛诺菲-安万特德国有限公司 | 利用数据光学传输和接收数据的光学读取装置的医疗装置 |
-
2019
- 2019-04-15 CN CN201910299333.1A patent/CN110057820B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1108956A2 (en) * | 1999-12-13 | 2001-06-20 | IMIT S.p.A. | Device for combustion control |
WO2005042469A1 (ja) * | 2003-10-31 | 2005-05-12 | Japan Science And Technology Agency | 安定同位体標識芳香族アミノ酸、その標的蛋白質への組み込み方法並びに蛋白質のnmr構造解析方法 |
US20070224081A1 (en) * | 2005-04-29 | 2007-09-27 | Gary Bokerman | Gas permeable chemochromic compositions for hydrogen sensing |
CN101210900A (zh) * | 2006-12-30 | 2008-07-02 | 仇晓丰 | 一种氯化氢合成过程中游离氯在线检测工艺与装置 |
CN101665243A (zh) * | 2008-09-04 | 2010-03-10 | 中国科学院过程工程研究所 | 一种制备氯气的方法及其系统 |
CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
CN109363642A (zh) * | 2012-12-18 | 2019-02-22 | 赛诺菲-安万特德国有限公司 | 利用数据光学传输和接收数据的光学读取装置的医疗装置 |
CN108698890A (zh) * | 2015-12-18 | 2018-10-23 | 贺利氏石英玻璃有限两合公司 | 利用在熔融烘箱中的露点监测制备石英玻璃体 |
CN105678295A (zh) * | 2016-01-04 | 2016-06-15 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
CN107218054A (zh) * | 2017-08-01 | 2017-09-29 | 贵阳市城市轨道交通有限公司 | 微波破岩辅助装置及复合式悬臂掘进机 |
CN108052950A (zh) * | 2017-12-08 | 2018-05-18 | 东北大学 | 一种基于mia的电熔镁炉动态火焰分割及特征提取方法 |
CN108100996A (zh) * | 2018-02-13 | 2018-06-01 | 唐山三友氯碱有限责任公司 | 连续法氯乙酸生产过程中副产HCl的处理系统及方法 |
Non-Patent Citations (2)
Title |
---|
DONGQING SHEN ET AL.: "Flame Detection Using Deep Learning", 《2018 4TH INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS》 * |
孙龙彬 等: "氯化氢合成过氯原因分析及控制措施总结", 《中国氯碱》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658797A (zh) * | 2019-10-28 | 2020-01-07 | 中南大学 | 一种氯化氢合成炉系统的优化控制方法 |
CN114460024A (zh) * | 2020-11-10 | 2022-05-10 | 蓝星智云(山东)智能科技有限公司 | 一种氯化氢合成炉中氢气、氯气在线实时监控方法及系统 |
CN114460024B (zh) * | 2020-11-10 | 2024-04-26 | 蓝星智云(山东)智能科技有限公司 | 一种氯化氢合成炉中氢气、氯气在线实时监控方法及系统 |
CN114782435A (zh) * | 2022-06-20 | 2022-07-22 | 武汉精立电子技术有限公司 | 一种针对随机纹理场景的图像拼接方法及其应用 |
CN116452831A (zh) * | 2023-04-27 | 2023-07-18 | 中国长江三峡集团有限公司 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
CN116452831B (zh) * | 2023-04-27 | 2024-06-07 | 中国长江三峡集团有限公司 | 天然气掺氢燃烧系统调整方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110057820B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110057820A (zh) | 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质 | |
CN105956618B (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别系统及方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN108416968A (zh) | 火灾预警方法和装置 | |
CN110427825B (zh) | 基于关键帧与快速支持向量机融合的视频火焰识别方法 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN107844770A (zh) | 一种基于视频的电熔镁炉异常工况自动识别系统 | |
CN109145756A (zh) | 基于机器视觉和深度学习的目标检测方法 | |
CN106128022A (zh) | 一种智慧金睛识别暴力动作报警方法和装置 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN106228709A (zh) | 一种智慧金睛识别单人加钞报警方法和装置 | |
CN106056597A (zh) | 物体视觉检测方法及装置 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
CN116624065B (zh) | 一种智能门窗自动折叠调控方法 | |
CN117272215B (zh) | 一种基于数据挖掘的智慧小区安全管理方法及系统 | |
CN110263719A (zh) | 基于大数据监控的人工智能油气田防范判别系统与方法 | |
CN107610106B (zh) | 一种检测方法、装置、电子设备及计算机可读存储介质 | |
CN112163481A (zh) | 一种基于视频识别的水环境污染分析方法 | |
CN105335981A (zh) | 一种基于图像的货物监控方法 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN109325946A (zh) | 一种危险化学品堆垛监测方法和系统 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN116524410A (zh) | 基于混合高斯模型的深度学习融合场面目标检测方法 | |
CN116362545A (zh) | 一种基于工业互联网的机器视觉智能监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |
|
CF01 | Termination of patent right due to non-payment of annual fee |