CN110379015A - 基于卷积神经网络的火焰场快速监测装置及方法 - Google Patents
基于卷积神经网络的火焰场快速监测装置及方法 Download PDFInfo
- Publication number
- CN110379015A CN110379015A CN201910517691.5A CN201910517691A CN110379015A CN 110379015 A CN110379015 A CN 110379015A CN 201910517691 A CN201910517691 A CN 201910517691A CN 110379015 A CN110379015 A CN 110379015A
- Authority
- CN
- China
- Prior art keywords
- flame
- camera
- convolutional neural
- neural networks
- coordinate system
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于卷积神经网络的火焰场快速监测装置及方法,监测装置包括多方向投影采集装置、基于MART的三维重建模块和卷积神经网络监测模块,其中多方向投影装置从12个间隔为15°的不同方向用相机对待测火焰场进行空间位置参数和相距进行标定,并对火焰图像进行采集;基于MART的三维重建模块将采集到的12个方向的图像进行三维重建,之后将重建结果输入卷积神经网络进行训练,最终得到火焰场形貌的监测结果。本发明相比于原有的代数迭代重建算法,在完成对卷积神经网络的训练后,能够迅速、准确的重建出火焰场的形貌结构,无需人为干预迭代次数。
Description
技术领域
本发明涉及火焰场形貌快速监测技术,特别是一种基于卷积神经网络的火焰场快速监测装置及方法。
背景技术
火焰场的形貌显示以及关键物理参数的测量,在现代航空航天、导弹发射以及能源等很多领域起到着至关重要的作用,合适的火焰场的诊断研究方法变得日益重要。
传统火焰场的分析和测量方法主要包括利用工程应用类软件对火焰场进行分析的数值模拟法、利用热电偶或探针测量燃烧场参数的接触式测量法和光学测量法。其中,光学测量法具有非接触式的特点,可以在不干扰待测场的前提下实现对燃烧场的实时瞬态测量,测量结果具有较高的时间和空间分辨率,尤其适用于难以放探针的复杂恶劣燃烧环境下。火焰层析发射监测技术是一种将光学测量方法和计算机层析理论相结合的方法,通过测量待测场的多个方向的信息来重建其结构信息,由于其具有非接触、无损、瞬态等优势,因此逐渐成为火焰场诊断技术研究的热点之一。然而,传统的火焰发射层析监测技术同样有很多缺点,例如重建过程较为复杂困难、重建时间较长、使用相机较多,并且需要人为控制迭代次数来达到较好的重建效果。
发明内容
本发明的目的在于提供一种基于卷积神经网络的火焰场快速监测装置及方法,快速高效的实现火焰场的三维结构的监测。
实现本发明目的的技术方案为:一种基于卷积神经网络的火焰场快速监测装置,包括多方向投影采集装置、基于MART的三维重建模块和卷积神经网络监测模块,所述多方向投影采集装置从12个间隔为15°的不同方向用相机对待测火焰场进行空间位置参数和相距进行标定,并对火焰图像进行采集;所述基于MART的三维重建模块将多方向投影采集装置所采集到的12个方向的图像进行三维形貌重建;所述卷积神经网络模块以采集到的多方向投影和MART重建结果作为训练集输入和输出,实现火焰形貌监测。
一种基于卷积神经网络的火焰场快速监测方法,包括以下步骤:
步骤1,对待测火焰场进行空间位置参数和相距进行标定,采集火焰图像;
步骤2,利用MART三维重建算法对采集到的火焰图像进行三维形貌重建;
步骤3,以采集到的多方向投影和MART三维重建结果作为训练集输入和输出,实现火焰形貌监测。
本发明与现有技术相比,其显著优点为:(1)本发明引入卷积神经网络来对火焰场进行三维形貌重建,与现有的火焰发射层析监测技术相比,在完成训练过程后,能够极快的完成重建,能够运用到火焰场的实时监测中;(2)本发明与传统的MART重建算法相比,无需人为控制迭代次数,更加方便快捷。
附图说明
图1为本发明的基于卷积神经网络的火焰场重建方法的流程框图。
图2为本发明的12个方向的发射层析系统采集装置示意图。
图3为本发明的卷积神经网络结构示意图。
具体实施方式
一种基于卷积神经网络的火焰场快速监测装置,包括多方向投影采集装置、基于MART的三维重建模块和卷积神经网络监测模块。所述多方向投影采集装置从12个间隔为15°的不同方向用相机对待测火焰场进行空间位置参数和相距进行标定,并对火焰图像进行采集;所述基于MART的三维重建模块将多方向投影采集装置所采集到的12个方向的图像进行三维形貌重建;所述卷积神经网络模块需要以采集到的多方向投影和MART重建结果作为训练集输入和输出,最终实现火焰形貌的快速监测。
进一步的,多方向投影采集装置如图2所示围绕待测火焰场放置,相邻相机间隔为15°,构成一个半圆;12个相机连接到同一台计算机,由计算机内的触发程序产生脉冲信号,再经过一个外触发卡同时触发12个相机,同一时刻采集12个投影方向上的火焰发射光强度图像。
本发明还提供一种基于卷积神经网络的火焰场快速监测装置的火焰场快速监测方法,如图1所示,包括以下步骤:
步骤1,对待测火焰场进行空间位置参数和相距进行标定,采集火焰图像;
步骤2,利用MART三维重建算法对采集到的火焰图像进行三维形貌重建;
步骤3,以采集到的多方向投影和MART三维重建结果作为训练集输入和输出,实现火焰形貌监测。
步骤1对待测火焰场进行空间位置参数和相距标定的过程包括以下步骤:
1)建立世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和相机成像面坐标系(u,v),并确定世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和离散图像坐标系(u,v)之间的关系,其中世界坐标系和相机坐标系的关系为:
其中,旋转矩阵为平移矢量为
相机成像面坐标系(u,v)与相机坐标系(X,Y,Z)的关系为:
式中,Z0为相机的相距。
2)利用所述多方向投影装置进行图像采集,确定采样点在相机成像面坐标系中的坐标。
3)根据采样点在世界坐标系中的坐标和步骤2)多得到的采样点在相机成像面坐标系中的坐标;利用步骤1)中世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和离散图像坐标系(u,v)之间的关系确定相机的空间位置参数。
4)将相机预先调节聚焦于一点,聚焦点在世界坐标系中的坐标为(xf,yf,zf),其在相机成像面的坐标位置为(x′f,y′f),在相机成像系统中聚焦点和其对应的像点满足成像方程:
其中flens为相机镜头的焦距。
根据步骤3)所得到的相机的空间位置参数,利用聚焦点的世界坐标和成像平面坐标确定相机的相距Z0,从而完成相机的标定。
步骤2所述MART三维重建算法包括以下步骤:
1)将重建区域划分为离散网格,每一个离散网格为一个物点;
2)计算第i个离散网格对第m个相机的各像素所贡献的辐射权重因子;
3)对所有离散网格重复步骤2),即可得到整个重建区域中所有离散网格在第m个相机中的权重因子;
4)对系统中所有相机重复步骤2)和3),即可得到整个系统的权重矩阵;
5)根据步骤4)的结果对火焰场强度进行重建。
步骤3中,所述的卷积神经网络快速监测模块需要用采集到的图像作为训练集输入X,并用MART三维重建算法所重建出的结果作为训练集输出Y。该模块共采用15000组训练数据进行网络训练,之后根据网络的输出结果对网络进行参数调整以得到最优的网络结构。最终将投影数据输入优化后的卷积神经网络以得到火焰形貌的监测结果。优化后的卷积神经网络具有四个卷积层,分别具有8、16、32、32个卷积核,前三个卷积层的卷积核大小为3×3,第四个卷积层的卷积核大小为2×2,四个卷积层的步长均为1,每个卷积层后都跟有一个批量正则化层,之后采用relu激活函数对卷积层进行激活,在第四个卷积层后接一个池化层,池化层大小为2×2,步长为1,最后经过一个全连接层并改变数据结构后输出图像。
在训练过程中采用了批量正则化,每个batch的size为128,总共训练了300个epoch。卷积神经网络训练过程的优化函数选择adam优化函数,损失函数选择均方误差函数(MSE),训练过程中通过观察损失函数的loss数值变化规律确定训练次数,最终完成卷积神经网络的训练。
下面结合具体实施例对本发明进行进一步说明。
实施例
一种基于卷积神经网络的火焰场快速监测装置,包括多方向投影采集装置、基于MART的三维重建模块和卷积神经网络监测模块。如图2所示,由12个相机组成的发射层析系统采集装置,每个相机由镜头和滤光片组成,将滤光片放在镜头和之间滤除杂光。将12个相机等间隔围绕燃烧场半圆放置,每个相机间隔为15°。之后将相机调为水平且等高。12个相机连接到同一台电脑内,由电脑内的触发程序产生脉冲信号,再经过一个外触发卡同时触发12个相机,实现同一时刻12个投影方向上的火焰发射光强度图像的同时采集。
将标定板放置在燃烧场正中采集图像,进行标定过程以获得相机的空间位置参数和相距。完成标定后对火焰的程进行采集图像,然后用MART三维重建算法进行图像重建。之后将所采集到的12个方向的投影图输入如图3所示的卷积神经网络作为训练数据X,将得到的重建结果作为训练数据Y,对网络进行训练,该模块共采用15000组训练数据进行网络训练,之后根据网络的输出结果对网络进行参数调整以得到最优的网络结构。最终将投影数据输入优化后的卷积神经网络以得到火焰形貌的监测结果。优化后的卷积神经网络具有四个卷积层,分别具有8、16、32、32个卷积核,前三个卷积层的卷积核大小为3×3,第四个卷积层的卷积核大小为2×2,四个卷积层的步长均为1,每个卷积层后都跟有一个批量正则化层,之后采用relu激活函数对卷积层进行激活,在第四个卷积层后接一个池化层,池化层大小为2×2,步长为1,最后经过一个全连接层并改变数据结构后输出图像。
在训练过程中采用了批量正则化,每个batch的size为128,总共训练了300个epoch。卷积神经网络训练过程的优化函数选择adam优化函数,损失函数选择均方误差函数(MSE),训练过程中通过观察损失函数的loss数值变化规律确定训练次数,最终完成卷积神经网络的训练。
在完成网络的训练后将不再需要MART重建过程,只需对火焰燃烧过程进行图像采集,将采集到的12个方向的投影数据输入卷积神经网络即可得到火焰场的监测结果。
Claims (6)
1.一种基于卷积神经网络的火焰场快速监测装置,其特征在于,包括多方向投影采集装置、基于MART的三维重建模块和卷积神经网络监测模块,所述多方向投影采集装置从12个间隔为15°的不同方向用相机对待测火焰场进行空间位置参数和相距进行标定,并对火焰图像进行采集;所述基于MART的三维重建模块将多方向投影采集装置采集到的12个方向的图像进行三维形貌重建;所述卷积神经网络模块以采集到的多方向投影和MART重建结果作为训练集输入和输出,实现火焰形貌监测。
2.根据权利要求1所述的基于卷积神经网络的火焰场快速监测装置,其特征在于,12个相机围绕待测场放置,相邻相机间隔为15°,构成一个半圆;12个相机连接到同一台计算机,由计算机内的触发程序产生脉冲信号,再经过一个外触发卡同时触发12个相机,同一时刻采集12个投影方向上的火焰发射光强度图像。
3.一种基于权利要求1所述基于卷积神经网络的火焰场快速监测装置的火焰场快速监测方法,其特征在于,包括以下步骤:
步骤1,对待测火焰场进行空间位置参数和相距进行标定,采集火焰图像;
步骤2,利用MART三维重建算法对采集到的火焰图像进行三维形貌重建;
步骤3,以采集到的多方向投影和MART三维重建结果作为训练集输入和输出,进行火焰形貌监测。
4.根据权利要求3所述的基于卷积神经网络的火焰场快速监测装置的火焰场快速监测方法,其特征在于,步骤1包括以下步骤:
1)建立世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和相机成像面坐标系(u,v),并确定世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和离散图像坐标系(u,v)之间的关系,其中世界坐标系和相机坐标系的关系为:
其中,旋转矩阵为平移矢量为
相机成像面坐标系(u,v)与相机坐标系(X,Y,Z)的关系为:
式中,Z0为相机的相距;
2)利用多方向投影采集装置进行图像采集,确定采样点在相机成像面坐标系中的坐标;
3)根据采样点在世界坐标系中的坐标和采样点在相机成像面坐标系中的坐标;利用世界坐标系(Xw,Yw,Zw)、相机坐标系(X,Y,Z)和离散图像坐标系(u,v)之间的关系确定相机的空间位置参数;
4)将相机预先调节聚焦于一点,聚焦点在世界坐标系中的坐标为(xf,yf,zf),其在相机成像面的坐标位置为(x′f,y′f),在相机成像系统中聚焦点和其对应的像点满足成像方程:
其中flens为相机镜头的焦距;
根据相机的空间位置参数,利用聚焦点的世界坐标和成像平面坐标确定相机的相距Z0,从而完成相机的标定。
5.根据权利要求3所述的基于卷积神经网络的火焰场快速监测装置的火焰场快速监测方法,其特征在于,三维形貌重建包括以下步骤:
1)将重建区域划分为离散网格,每一个离散网格为一个物点;
2)计算第i个离散网格对第m个相机的各像素所贡献的辐射权重因子;
3)对所有离散网格重复步骤2),得到整个重建区域中所有离散网格在第m个相机中的权重因子;
4)对系统中所有相机重复步骤2)和3),得到整个系统的权重矩阵;
5)根据步骤4)的结果对火焰场强度进行重建。
6.根据权利要求3所述的基于卷积神经网络的火焰场快速监测装置的火焰场快速监测方法,其特征在于,步骤3具体为:
卷积神经网络监测模块以投影采集装置所采集到的图像作为训练集输入X,以MART三维重建算法所重建出的结果作为训练集输出Y;该模块共采用15000组训练数据进行网络训练,之后根据网络的输出结果对网络进行参数调整;将投影数据输入优化后的卷积神经网络以得到火焰形貌的监测结果;
优化后的卷积神经网络具有四个卷积层,分别具有8、16、32、32个卷积核,前三个卷积层的卷积核大小为3×3,第四个卷积层的卷积核大小为2×2,四个卷积层的步长均为1,每个卷积层后都跟有一个批量正则化层,之后采用relu激活函数对卷积层进行激活,在第四个卷积层后接一个池化层,池化层大小为2×2,步长为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517691.5A CN110379015B (zh) | 2019-06-14 | 2019-06-14 | 基于卷积神经网络的火焰场快速监测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517691.5A CN110379015B (zh) | 2019-06-14 | 2019-06-14 | 基于卷积神经网络的火焰场快速监测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379015A true CN110379015A (zh) | 2019-10-25 |
CN110379015B CN110379015B (zh) | 2023-06-09 |
Family
ID=68250430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910517691.5A Active CN110379015B (zh) | 2019-06-14 | 2019-06-14 | 基于卷积神经网络的火焰场快速监测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379015B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035241A (zh) * | 2022-05-16 | 2022-09-09 | 南京理工大学 | 基于局部基函数的多方向三维背景纹影层析重建装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100246751A1 (en) * | 2009-03-25 | 2010-09-30 | Herbert Bruder | Method and image reconstruction device for reconstructing image data |
CN106600687A (zh) * | 2016-12-08 | 2017-04-26 | 南京理工大学 | 一种多方向火焰发射层析系统 |
-
2019
- 2019-06-14 CN CN201910517691.5A patent/CN110379015B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100246751A1 (en) * | 2009-03-25 | 2010-09-30 | Herbert Bruder | Method and image reconstruction device for reconstructing image data |
CN106600687A (zh) * | 2016-12-08 | 2017-04-26 | 南京理工大学 | 一种多方向火焰发射层析系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035241A (zh) * | 2022-05-16 | 2022-09-09 | 南京理工大学 | 基于局部基函数的多方向三维背景纹影层析重建装置及方法 |
CN115035241B (zh) * | 2022-05-16 | 2023-09-01 | 南京理工大学 | 基于局部基函数的多方向三维背景纹影层析重建装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110379015B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106289106B (zh) | 一种线阵相机和面阵相机相结合的立体视觉传感器及标定方法 | |
CN104299268B (zh) | 一种高动态范围成像的火焰三维温度场重建方法 | |
CN101292255B (zh) | 三维成像中的人工痕迹消除 | |
CN103099623B (zh) | 一种人体运动学参数的提取方法 | |
CN106600687B (zh) | 一种多方向火焰发射层析系统 | |
CN109076148A (zh) | 日常场景重建引擎 | |
CN105938101B (zh) | 一种基于化学发光的用于火焰三维重建的成像系统及方法 | |
CN109115348A (zh) | 一种基于火焰光场重聚焦图像的三维温度重建联合方法 | |
CN106204718A (zh) | 一种基于单个Kinect的简易高效三维人体重建方法 | |
CN104138661B (zh) | 一种巨型幕多人射击互动景物定位方法 | |
WO2015129642A1 (ja) | 可視化流体の流速計測方法及び流速計測システム | |
CN109711329A (zh) | 姿态估计及网络训练方法、装置和系统及存储介质 | |
CN103999123B (zh) | 用于生成图像分辨率更佳的超分辨率图像的方法及测量装置 | |
CN105046744B (zh) | 基于gpu加速的pet图像重建方法 | |
CN115828642B (zh) | 基于Unity的GPU加速X射线数字成像仿真方法 | |
CN109543576A (zh) | 基于骨骼检测和三维重建的列车驾驶员检测方法 | |
CN106155299A (zh) | 一种对智能设备进行手势控制的方法及装置 | |
CN105193441B (zh) | 一种放射性点源定位方法及系统 | |
CN110379015A (zh) | 基于卷积神经网络的火焰场快速监测装置及方法 | |
Khan et al. | An efficient encoder–decoder model for portrait depth estimation from single images trained on pixel-accurate synthetic data | |
CN111899344A (zh) | 基于相机阵列的火焰发射层析重建装置及方法 | |
CN104574509A (zh) | 一种由投影重建物体三维图像的方法 | |
Lopes et al. | Catadioptric system optimisation for omnidirectional Robocup MSL robots | |
CN104568214A (zh) | 光致等离子体三维温度场的测量装置和测量方法 | |
CN104463926B (zh) | 一种火焰通过环形石英玻璃在二维投影图像中的成像方法 |
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 |