CN110222633A - 基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法 - Google Patents

Abstract

本发明涉及基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法。国内城市固体废物(MSW)的组分复杂，领域专家通常依据经验观测火焰视频图像识别焚烧炉燃烧状态进而调整MSW焚烧(MSWI)过程操作参数，难以维持稳定的运行工况。首先，对焚烧火焰图像进行去雾和去噪预处理，提高图像清晰度；接着，将图像转换到适合视觉系统识别的HSV空间后采用滑窗分块提取颜色矩特征，采用主成分分析(PCA)提取潜在特征以消除高维颜色矩特征间的共线性；最后，以提取的相互独立的潜在特征为输入，采用最小二乘支持向量机(LSSVM)算法构建燃烧工况识别模型。基于国内某厂的实际焚烧图像仿真验证了所提方法的有效性。

Description

基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识 别方法

技术领域

本发明属于城市固体废物焚烧领域。

背景技术

城市固体废物(MSW)的产生数量随工业化、城市化的发展以及人民生活水平的日益提高已达到8％的全球年增长率^[1][2]。MSW焚烧(MSWI)发电技术因其减量效果好、处理速度快和能源利用高等优点已经逐渐成为我国解决“垃圾围城”问题的主要方式^[3]。

MSWI过程的固废焚烧状态与焚烧装置和蒸汽发电装置的安全运行、全流程的运行优化化控制、污染物生成量及排放量密切相关。目前，发展中国家的MSWI 仍然存在许多亟待解决的问题^[4]，其中最为突出的问题是污染物排放不达标^[5][6]，其与燃烧过程的运行状态不稳定密切相关。我国MSW的成分特殊、热值波动大，国外引进成套设备难以自动运行，多由领域专家摸索经验后手动控制运行，易造成炉膛内结焦、积灰、腐蚀等问题，甚至引起炉膛爆炸^[7]。因此， MSWI过程的优化运行需要准确识别焚烧状态和及时调整操作参数，以确保焚烧的充分性，提高运行的经济性和环保性。国内某MSWI发电厂的工艺流程如图1 所示。

由图1可知，我国MSWI过程对焚烧状态的识别主要依靠领域专家观测焚烧炉内的火焰视频图像，凭经验识别焚烧状态进而调整操作参数，存在随意性和差异性，难以维持MSWI过程运行在最佳燃烧工况。因此，非常有必要研究基于机器视觉的MSWI燃烧工况识别技术。

目前，识别MSWI过程的燃烧工况主要依据固废焚烧图像中火焰燃烬线分布的不同位置进行，机器视觉在MSWI火焰状态识别中的研究还不够成熟。针对复杂多变的MSWI环境，如何构造可靠、鲁棒的焚烧工况识别模型还是一个开放性难题。MSWI过程工况识别存在诸多难点，如焚烧过程中炉膛内固废灰烬的影响、图像传输中的噪声干扰等因素导致火焰边缘模糊，MSW成分及其热值的大范围波动性、燃烧区域划分的特定性等因素需要依据焚烧对象特性提取特征。此外，如何构建分类器模型对非典型工况进行准确识别也是需要深入的问题。

针对焚烧图像预处理，文献^[8]提出的基于暗通道先验的去雾算法有效提高了图像能见度；文献^[9]通过对比实验，验证了中值滤波算法能够有效抑制图像传输噪声；文献^[10]指出，中值滤波算法能够有效去除脉冲噪声和保留图像边缘；但上述预处理算法在MSWI过程火焰图像中的应用还未见报道。

针对焚烧图像特征提取，文献^[11]依据据火焰的颜色特点和空间分布特点，提取火焰平均亮度、火焰图像锋面中心点位置、火焰锋面轴向位移和火焰颜色分量比等4个特征；文献^[12]提取焚烧火焰图像有效区平均灰度及其方差、火焰高温区面积、着火面积、火焰中心水平偏移距离等7个特征；文献^[13]提取了感兴趣区域的色彩特征、全局形态特征和局部形态特征。上述研究所提取的特征重点在于火焰的大小、位置和亮度，其提取过程较为繁琐。通常，MSWI过程的焚烧图像的直观特征是颜色。目前常用的颜色特征有颜色直方图、颜色不变量、颜色矩、颜色熵、颜色聚合向量和颜色相关图，其中颜色矩具有简单有效、处理效率高等特点。针对MSWI火焰图像在不同燃烧区域的特点，提取不同区域颜色矩特征的研究还未见报道。针对焚烧图像的高维特征，文献[12]运用粗糙集理论进行维数约简，但该方法主要是进行特征的删减，未能有效去除特征间的多重共线性。文献^[14]采用主成分分析法(PCA)处理高维图像特征获得相互独立的潜在变量。

针对焚烧工况识别，文献[12]采用BP神经网络模型识别MSWI燃烧状态，但方法要求数据之间存在明显差异性；文献^[15]的研究表明，与其他方法相比，支持向量机(SVM)和最小二乘支持向量机(LSSVM)具有较高的分类准确率，能够很好的解决小样本、非线性问题。相比SVM，LSSVM具有较快的求解速度快，求解所需计算资源少。

综上，本文提出基于火焰图像颜色特征的MSWI过程燃烧工况识别方法。首先，对焚烧火焰图像进行去雾和去噪预处理，提高图像清晰度；接着，将图像转换到适合视觉系统识别的HSV空间后采用滑窗分块提取颜色矩特征，采用 PCA提取潜在特征以消除高维颜色矩特征间的共线性；最后，以提取的相互独立的潜在特征为输入，采用LSSVM算法构建燃烧工况识别模型。基于国内某厂的实际焚烧图像验证了所提方法的有效性。

发明内容

MSW由专用运输车收集后运至卸料大厅，倾倒至密封的存放池内后由人工操控的吊斗将MSW放入焚烧炉进料斗内，再由给料机将其推至炉排炉。在焚烧炉的炉排内依次经历干燥、点燃、燃烧和烧尽四个阶段。相应的燃烧工况可以分为：(1)燃烬线前移；(2)燃烬线正常；(3)燃烬线后移。通过图像中火焰燃烬线的分布位置能够识别工况。不同工况的描述和相应操作为：(1)燃烬线前移，即靠近推料器下方，易出现结焦阻碍下料口等情况，此时需要增加上炉排或者推料器速度，降低一次风量；(2)燃烬线正常，火焰集中在燃烧线附近，火焰明亮，垃圾充分燃烧，燃烧状态良好；(3)燃烬线后移，固废在燃烬区焚烧，造成垃圾焚烧不充分，需要减慢燃烬炉排推进速度，增加一次风量。当火焰燃烬线正常时是最佳燃烧状态，符合工业生产要求。

根据上述描述可知，当前主要依靠人工方式观察焚烧炉内固废焚烧视频，通过观察火焰燃烬线的分布位置判断工况，但是该方式易受操作者经验，状态和工作态度的影响。

随着图像处理技术的不断发展和成熟，本文将机器视觉技术应用到固废焚烧中，提出了由图像预处理、基于滑窗分块的颜色矩特征提取和燃烧工况识别3 个模块组成的MSWI过程燃烧工况识别方法，如图2所示。

图2中，表示原始图像集合，I_n(s,t)表示第n幅图像，N表示全部图像数量，即建模样本数量，(s,t)表示像素点的空间坐标；表示经过中值滤波后得到的图像。表示经预处理之后得到的全部火焰图像； X^color∈R^N×P表示提取颜色矩后特征集合，P表示颜色矩特征的维数；Z^color∈R^N×M表示对颜色矩特征进行潜在变量提取后的特征集合，M表示潜在变量的维数；表示燃烧工况的识别结果。

上述模块的功能是：

(1)图像预处理模块：对图像进行去雾和去噪处理。

(2)基于滑窗分块的颜色矩特征提取模块：对图像进行颜色空间转换，利用滑窗分块并提取图像的颜色矩特征，将不同滑块的颜色矩特征进行串行融合后进行潜在特征提取和选择。

(3)燃烧工况识别模块：基于选择的潜在特征构建燃烧工况识别模型。

固废焚烧图像的噪声主要来源于采集和传输过程，其造成图像质量差进而影响后续燃烧工况的识别。在实际焚烧图像采集过程中，固废焚烧内部环境复杂，如较大的光线强弱变化以及焚烧过程中伴有的飞灰和烟雾，会导致火焰图像的清晰度变差，进而在图像生成和传输过程中增加了图像噪声的随机性。

采用暗通道先验去雾算法还原了固废焚烧火焰图像的颜色和能见度。以固废焚烧原始图像数据集中的第n张图片I_n(s,t)为例，其为L_en*W_id*3大小的 RGB图像，各颜色空间下像素点总数N_P＝L_en*W_id，其中L_en和W_id分别表示图像的长度和宽度。基于暗通道先验的图像去雾算法可描述如下。

首先，定义局部块Ω＝k×l，以Ω大小的模板对有雾图像I_n(s,t)在R、G、B 三个通道里做最小值滤波得到

接着，计算大气光成分A，步骤如下首先在暗通道图中选择图像像素点个数 (Np)千分之一个像素值最高的点Np_num，如下所示：

并记录这些点对应的坐标(s,t)；再根据这些点的坐标(s,t)分别在原图像I_n的三个通道里找到对应像素点求和分别得到r_sum、g_sum和b_sum，统一表示为(r_sum,g_sum,b_sum)；最后得到大气光成分A＝[A^r A^g A^b],A^r、A^g和A^b分别表示R、G、B三个通道下对应A值的大小，即A^r＝r_sum/N_P；A^g＝g_sum/N_P； A^b＝b_sum/N_P。

然后，基于以下公式计算透射率

其中λ是深度系数，该参数的设定可以为远处的景物保留一定量的雾，使图像更为自然，一般视实际应用而定，在本文中λ取值是0.95。

利用如下公式得到去雾后的图像J_n(s,t)，

当透射率接近0时，直接衰减项也接近0，这样会导致复原图像产生噪声，考虑到原始焚烧图像的暗度，需对设定一个阈值 r₀。r₀的典型值是0.1。则式(3)改写为：

其中，max(·)表示取最大值函数。

采用非线性中值滤波算法对图像进行去噪，能够在图像去噪的同时保留火焰边缘。假定S表示大小为m_win*n_win的矩形窗口，中值滤波器是指m_win*n_win的窗口中将像素值从小到大排序，将中间像素值赋给对应模板中心的像素，即

其中，表示去噪声后的第n幅图像。

基于滑窗分块的颜色矩特征提取包括颜色空间转换、图像滑窗分块、颜色矩特征提取、特征串行组合和潜在特征提取等共5个模块，分别描述如下。

(1)颜色空间转换

由于采集到的固废焚烧图像具有明显的亮度变化，不易与背景进行区分，故将图像从RGB颜色空间转换到符合人类视觉系统的HSV颜色空间，过程如下所示，

其中，表示转到HSV颜色空间的第n幅图像。

(2)图像滑窗分块

以为例，采用滑动窗口进行图像分块特征提取。采用无重叠像素的滑窗，令G＝m_sli*n_sli为滑窗大小，其中G为单个滑窗包含的像素点数，m_sli和n_sli分别表示滑窗的长和宽，令d²表示每个颜色空间下进行滑窗的次数，其计算如下：

其中滑窗大小与图像大小成比例。

(3)颜色矩特征提取

选择3个颜色空间的一阶矩、二阶矩和三阶矩作为图像特征。以第n幅图像的第q次滑窗块为例，各颜色空间下的一阶矩二阶矩和三阶矩如下所示：

其中，和分别表示H、S和V三个颜色空间下的一阶矩；和分别表示H、S和V三个颜色空间下的二阶矩；和分别表示H、S和V三个颜色空间下的三阶矩；表示大小为G的滑窗内第g个像素点值。

(4)特征串行组合

全部样本的颜色矩特征X^color表示为，

其中，和分别表示第n张图片的第q个滑窗对应的一阶矩、二阶矩和三阶矩。由上式可知，每幅图像提取的特征维数为P＝d²×3×3，故 X^color∈R^N×P。

(5)潜在特征提取

采用PCA对潜在特征进行提取，将颜色矩特征从高维空间映射到低维空间。此处将累计方差贡献率的阈值记为θ_PCA，该阈值用于确定主成分的个数，即获得潜在特征变量的数量。一般实际应用中，要求θ_PCA的取值大于等于85％，因此本文选取θ_PCA为90％。所提取与选择的潜在特征数量M，则获得的输入特征数据集表示为，

其中，z_n表示第n个样本，z^m表示第m个变量。

构建基于LS-SVM的燃烧工况识别模型。

LS-SVM的优化问题描述为：

其中，w表示权重，c表示正则化项，ξ_n表示误差变量，保证一定的容错率， y_n表示第n个样本对应的类别，Ψ(z_n)表示非线性映射，将输入数据从低维映射到高维，b表示偏差，n＝1,2,…,N，N表示全部图像数量。

用拉格朗日法求解上述优化问题，构造如下方程为：

式中α_n为拉格朗日乘子，将式(17)分别对w，b，ξ_n和α_n求导，并令等式为零可得到：

LS_SVM优化问题转化为求解线性方程：

其中K(z_i,z_j)为支持向量机的核函数，i＝1,2,...,N，j＝1,2,...,N。本文中，核函数选择径向基函数：

其中z_i和z_j表示图像样本，σ表示核函数的宽度。

则LS-SVM的分类决策函数表达式为：

其中sgn(·)表示符号函数，表示图像的分类结果。

附图说明

图1国内某MSWI发电厂工艺流程

图2基于火焰图像颜色特征的MSWI过程燃烧工况识别

图3固废焚烧状态1

图4固废焚烧状态2

图5固废焚烧状态3

图6工况1的去雾图像

图7工况2的去雾图像

图8工况3的去雾图像

图9工况1的去噪图像

图10工况2的去噪图像

图11工况3的去噪图像

图12工况1的颜色空间转换结果

图13工况2的颜色空间转换结果

图14工况3的颜色空间转换结果

图15滑窗块操作后的工况1

图16滑窗块操作后的工况2

图17滑窗块操作后的工况3

图18不同工况下特征串行后的分布

图19 PCA提取的潜在特征选择曲线

具体实施方式

本文中的建模数据参考于北京某MSWI焚烧企业。以间隔一分钟的速度对焚烧火焰视频进行截图。样本数量N＝270，其中训练样本180个，测试样本90 个，图片大小为1436*507。炉膛内左右两侧均安装有摄像机，采集到的图像分为左右两部分。结合现场专家经验，将焚烧工况分为三种，火焰分别集中位于燃一段、燃烧线和燃烬段。三种工况分别如图3-图5所示。

首先采用暗通道先验去雾算法对图像进行去雾，参数设定值：局部块Ω＝9*9, 阈值r₀＝0.1，λ＝0.95。不同工况下的处理结果如图6-图8所示。

由图6-8可知，经去雾处理后，焚烧图片中的烟雾明显减少，火焰颜色明亮且易于与背景分离，但是仍然存在随机噪声，需进一步对图像进行去噪。

采用S＝5*5模板对图像进行去噪处理。不同工况下的处理结果如图9-图11 所示。

由图9-11可知，图像经中值滤波去噪处理后，噪点明显减少，提高图像质量的同时保留了边缘细节。

(1)颜色空间转换结果

三种工况下对图像进行颜色空间转换结果。如图12-图14所示。

根据上述图像可知，与背景相比，火焰的亮度和颜色较为突出，因此火焰图像由RGB转换到HSV颜色空间之后，其明亮程度分布就能很好的体现出来，在不同工况下，分布也不相同。

(2)滑窗分块结果

本次实验中采用的滑窗大小为287*101，将图像分为25块，如图15-图17 所示。

由图15-图17可知，经过滑窗块操作得到不同工况下差别化的焚烧区域，其滑窗块分别位于焚烧火焰图像的燃一段，燃烧线和燃烬段。

利用上述滑窗块提取的颜色矩是表征焚烧工况的关键特征。将所有滑窗块提取到的特征串行组合后得到225维特征，不同工况下这些特征的分布如图18 所示。

从图18中可以看出，采用225维的数据集在不同工况下的分布差异不明显，不利于分类器进行识别，因此需要对颜色矩特征进行潜在变量提取。

(3)潜在特征提取结果

利用PCA进行潜在变量提取结果如表1所示。

表1不同维数下的累计方差贡献率

PCA潜在特征选择曲线如图19所示。

结合表1和图19，本文选择阈值θ_PCA＝0.9，最终确定的输入样本的维数大小为27。

基于不同颜色特征的分类器模型比较

本实验中采LSSVMlabv1_8_R2009b_R2011a工具箱进行仿真，对三种特征提取方法分别运行5次得到的结果如表2所示。

表2基于不同颜色特征的分类器模型比较结果

由表可知：第1种方法不进行滑窗操作，对9维的数据集仿真得到平均准确率是50.44％，最高准确率是52.22％，对应的c和σ分别取1.55和4.28；第2种方法引入滑窗操作，输入数据为225维，仿真结果平均准确率是64％，最高准确率是68.89％；对应的c和σ分别取6.58和60.17；第3种方法对225 数据进行潜在特征提取，得到27维的数据，仿真结果平均准确率是71.67％，最高准确率是75％，对应的c和σ分别取17.34和13.24。

实验结果表明，第3种方法进行滑窗操作和潜在变量提取之后得到的数据无论是平均准确率还是最高准确率都要优于前两种方法，所提方法具有有效性。

本文提出了基于火焰图像颜色特征提取的MSWI过程燃烧工况识别方法。该方法的贡献表现在：(1)基于暗通道的图像去雾算法提高了焚烧火焰图像的清晰度；(2)基于滑窗分块在HSV空间提取高维颜色矩特征和基于PCA 再提取潜在特征消除高维颜色矩特征间的共线性的策略能够提取有效特征和降低特征维数。基于北京某固废焚烧发电企业的工业过程数据，仿真验证了所提方法的有效性和可行性。

。

Claims (1)

1.基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法，其特征在于：

首先定义如下：表示原始图像集合，I_n(s,t)表示第nth幅图像，N表示全部图像数量，即建模样本数量，(s,t)表示像素点的空间坐标；表示经过中值滤波后得到的图像；表示经预处理之后得到的全部火焰图像；X^color∈R^N×P表示提取颜色矩后特征集合，P表示颜色矩特征的维数；Z^color∈R^N×M表示对颜色矩特征进行潜在变量提取后的特征集合，M表示潜在变量的维数；表示燃烧工况的识别结果；

包括以下模块：

(1)图像预处理模块：对图像进行去雾和去噪处理；

(2)基于滑窗分块的颜色矩特征提取模块：对图像进行颜色空间转换，利用滑窗分块并提取图像的颜色矩特征，将不同滑块的颜色矩特征进行串行融合后进行潜在特征提取和选择；

(3)燃烧工况识别模块：基于选择的潜在特征构建燃烧工况识别模型；

采用暗通道先验去雾算法还原了固废焚烧火焰图像的颜色和能见度；以固废焚烧原始图像数据集中的第n张图片I_n(s,t)为例，其为L_en*W_id*3大小的RGB图像，各颜色空间下像素点总数N_P＝L_en*W_id，其中L_en和W_id分别表示图像的长度和宽度；

基于暗通道先验的图像去雾算法描述如下；

首先，定义局部块Ω＝k×l，以Ω大小的模板对有雾图像I_n(s,t)在R、G、B三个通道里做最小值滤波得到

接着，计算大气光成分A，步骤如下：首先在暗通道图中选择图像像素点个数(Np)千分之一个像素值最高的点Np_num，如下所示：

并记录这些点对应的坐标(s,t)；再根据这些点的坐标(s,t)分别在原图像I_n的三个通道里找到对应像素点求和分别得到r_sum、g_sum和b_sum，统一表示为(r_sum,g_sum,b_sum)；最后，得到大气光成分A＝[A^r A^g A^b],A^r、A^g和A^b分别表示R、G、B三个通道下对应A值的大小，即A^r＝r_sum/N_P；A^g＝g_sum/N_P；A^b＝b_sum/N_P；

然后，基于以下公式计算透射率

其中λ是深度系数，该参数的设定可以为远处的景物保留一定量的雾，使图像更为自然，一般视实际应用而定，在本文中λ取值0.95；，；

利用如下公式得到去雾后的图像J_n(s,t)，

当透射率接近0时，直接衰减项也接近0，这样会导致复原图像产生噪声，考虑到原始焚烧图像的暗度，需对设定一个阈值r₀，r₀的典型值是0.1；则式(3)改写为：

其中，max(·)表示取最大值函数；

采用非线性中值滤波算法对图像进行去噪，能够在图像去噪的同时保留火焰边缘；假定S表示大小为m_win*n_win的矩形窗口，中值滤波器是指m_win*n_win的窗口中将像素值从小到大排序，将中间像素值赋给对应模板中心的像素，即

其中，表示去噪声后的第nth幅图像；

基于滑窗分块的颜色矩特征提取包括颜色空间转换、图像滑窗分块、颜色矩特征提取、特征串行组合和潜在特征提取等共5个模块，分别描述如下；

(1)颜色空间转换

将图像从RGB颜色空间转换到符合人类视觉系统的HSV颜色空间，过程如下所示，

其中，表示转到HSV颜色空间的第nth幅图像；

(2)图像滑窗分块

以为例，采用滑动窗口进行图像分块特征提取；采用无重叠像素的滑窗，令G＝m_sli*n_sli为滑窗大小，其中G为单个滑窗包含的像素点数，m_sli和n_sli分别表示滑窗的长和宽，令d²表示每个颜色空间下进行滑窗的次数，其计算如下：

其中滑窗大小与图像大小成比例；

(3)颜色矩特征提取

选择3个颜色空间的一阶矩、二阶矩和三阶矩作为图像特征；以第n幅图像的第q次滑窗块为例，各颜色空间下的一阶矩二阶矩和三阶矩如下所示：

其中，和分别表示H、S和V三个颜色空间下的一阶矩；和分别表示H、S和V三个颜色空间下的二阶矩； 和分别表示H、S和V三个颜色空间下的三阶矩；表示大小为G的滑窗内第g个像素点值；

(4)特征串行组合

全部样本的颜色矩特征X^color表示为，

其中，和分别表示第n张图片的第q个滑窗对应的一阶矩、二阶矩和三阶矩；由上式可知，每幅图像提取的特征维数为P＝d²×3×3，故X^color∈R^N×P；

(5)潜在特征提取；

采用PCA对进行潜在特征提取，将颜色矩特征从高维空间映射到低维空间；此处将累计方差贡献率的阈值记为θ_PCA，该阈值用于确定主成分的个数，即获得潜在特征变量的数量；一般实际应用中，要求θ_PCA的取值大于等于85％，因此本文中选取θ_PCA为90％；所提取与选择的潜在特征数量M，则获得的输入特征数据集表示为，

其中，z_n表示第n个样本，z^m表示第m个变量；

构建基于LS-SVM的燃烧工况识别模型；

LS-SVM的优化问题描述为：

其中，w表示权重，c表示正则化项，ξ_n表示误差变量，-，y_n表示第n个样本对应的类别，Ψ(z_n)表示非线性映射，将输入数据从低维映射到高维空间，b表示偏差，n＝1,2,…,N，N表示全部图像数量；用拉格朗日法求解上述优化问题，构造如下方程为：

式中α_n为拉格朗日乘子，将式(17)分别对w，b，ξ_n和α_n求导，并令等式为零得到：

LS_SVM优化问题转化为求解线性方程：

其中K(z_i,z_j)为支持向量机的核函数，i＝1,2,...,N，j＝1,2,...,N；本文中，核函数选择径向基函数：

其中z_i和z_j表示图像样本，σ表示核函数的宽度；

则LS-SVM的分类决策函数表达式为：

其中sgn(·)表示符号函数,表示图像的分类结果。