CN110717495B - 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 - Google Patents
基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 Download PDFInfo
- Publication number
- CN110717495B CN110717495B CN201910938629.3A CN201910938629A CN110717495B CN 110717495 B CN110717495 B CN 110717495B CN 201910938629 A CN201910938629 A CN 201910938629A CN 110717495 B CN110717495 B CN 110717495B
- Authority
- CN
- China
- Prior art keywords
- flame
- picture
- win
- incineration
- color
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000002910 solid waste Substances 0.000 title claims abstract description 21
- 238000004056 waste incineration Methods 0.000 title claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 7
- 238000002485 combustion reaction Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 229910052739 hydrogen Inorganic materials 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 239000010813 municipal solid waste Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002956 ash Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010621 bar drawing Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法。焚烧火焰图像特征的冗余性和复杂性增加了城市固废焚烧(MSWI)燃烧工况识别的难度。固废成分的复杂性和固废焚烧过程固有的非线性、时变性和不确定性等原因造成了焚烧图像特征分布的不稳定。传统基于固定滑动窗口的方法只能提取固定尺寸特征,不能反映全局和局部特征,降低工况识别准确率。首先,对图像进行去雾和去噪预处理。接着,采用基于先验设定尺度的滑动窗口,提取火焰图像不同尺度的颜色矩特征。最后,以分类精度为准则函数,采用基于特征选择的随机森林(RF)算法,实现MSWI焚烧工况的准确识别。实验结果验证了所提方法的有效性。
Description
技术领域
本发明属于城市固废焚烧(MSWI)过程的运行优化控制。
背景技术
城市固废焚烧(MSWI)过程的固废焚烧状态与焚烧装置和蒸汽发电装置的稳定运行、全流程的运行优化控制以及污染物生成排放量密切相关,因此,对MSWI状态进行准确判断是保证焚烧炉安全稳定的关键。当前主要通过操作人员观察视频图像中火焰的分布位置来判断当前燃烧状态,但是这种方法易受工作人员的经验,操作手段以及精神状态的影响导致对当前MSWI状态的识别效率低、控制手段滞后。基于火焰图像视觉特征的MSWI燃烧工况识别成为当前研究的新思路。
目前,针对MSWI火焰图像的识别还不够成熟。受固废水分含量高,热值波动大等影响,焚烧炉内环境多变复杂,采集到的焚烧火焰图像因光照不均出现亮度变化不均匀,图像不清晰等问题,火焰在同一工况下易出现“跳变”现象,由外部环境产生的不确定性导致提取到的火焰特征点数量较大,特征之间耦合严重,冗余特征增多,这些无关、冗余的特征对分类识别造成了很大的影响。因此如何依据焚烧特性提取特征并从中选择关键特征子集是当前MSWI燃烧过程工况识别的难题。
虽然在MSWI燃烧工况识别中的研究较少,但是已有的机器学习算法以及相关论文为本研究的可行性分析提供了参考,综合考虑主要有几下几点:(1)火焰图片预处理分析。固废焚烧炉内部环境复杂多变,焚烧过程中的光线强弱变化以及飞灰导致火焰图片的清晰度变差,增加了噪声的随机性,有必要对火焰图片进行预处理分析;(2)火焰图片特征选择分析,结合现场专家经验,火焰燃烬线的分布具有一定的规律性,需要结合火焰图片自身特点进行特征选择;(3)火焰图片的特征提取分析,在处理高维问题时,对特征进行有效的提取可以大大提高分类器的分类精度;(4)MSWI燃烧工况识别模型分析,MSWI过程中主要区别三种工况,识别的难度在于多数工况不是典型工况,要求分类器具有泛化性和鲁棒性。综上,本文提出了基于多尺度颜色矩特征和RF的MSWI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;然后将图像转换到HSV颜色空间,利用变尺度滑动窗口提取图像的颜色矩特征;最后以高维颜色矩特征作为输入,采用RF算法构建基于多尺度火焰图像特征选择的MSWI识别模型。基于国内某MSWI发电厂的实际火焰图像验证了所提方法的有效性。
国内某MSWI发电厂的固废焚烧流程如图1所示。焚烧炉内的焚烧装置由三级构成,分别是:干燥炉排、燃烧炉排和燃烬炉排。进入焚烧炉之后,固废经过干燥炉排做干燥脱水处理,然后进入燃烧炉排做纵向抽条式往复运动实现充分燃烧,未完全燃烧的固废将被推送至燃烬炉排以确保完全燃烧。为了能准确识别当前燃烧工况,在焚烧炉炉膛左右两个方向分别安装摄像头进行拍摄,摄像机将拍摄到的图像经过视频传输线传送至监控室,由工作人员观察当前燃烧线分布位置判断当前燃烧工况以对焚烧炉做进一步调整,从而保证焚烧炉的安全稳定运行。
根据焚烧炉内炉排设计和摄像机的安装位置,结合现场专家经验,可将MSWI图像分为三种:燃烬线正常、燃烬线前移和燃烬线后移。如图2所示。
结合图1和图2分析,采集到的图片分为两部分,分别来自焚烧炉内左右两个方向的摄像头,这样设计的目的:(1)从不同角度观测火焰的分布位置不同,对当前工况的识别需要综合两个角度考虑,保证做到准确无误的判断;(2)能够充分观测到焚烧炉内异常情况,方便工作人员做相应调整,保证焚烧炉安全运行。领域专家将MSWI燃烧工况分为三种,如图2中(a)-(c)所示,其中:(a)燃烬线正常,表示当前固废位于燃烧炉排靠中间的位置充分燃烧,也代表了最佳的燃烧状态;(b)燃烬线前移,表示当前固废分布在燃烧炉排前端靠近干燥炉排的位置,此时易造成固废结焦导致进料口堵塞;(c)燃烬线后移,表示当前固废位于燃烧炉排后端靠近燃烬炉排的位置,表示当前固废未充分燃烧,需要做相应调整。
发明内容
MSWI过程中,火焰受焚烧炉内环境干扰,火焰亮度变化不均匀,易出现“跳变”现象,且同一时刻下两个摄像头采集到的图像中火焰分布不同,变化不一致,火焰图像结构复杂。如何准确提取和选择火焰图像的特征是识别燃烧工况的关键。随着人工智能的迅速发展,本文将图像处理技术和机器学习相结合,提出了基于多尺度颜色矩特征和RF的MSWI燃烧工况识别模型,如图3所示。
如图3所示,首先对采集到的原始焚烧火焰图像数据集S进行图像预处理,减少采集图像过程中产生的随机噪声带来的干扰,得到的焚烧火焰图片数据集为X=[x1,x2,...,xN]T,其中x1,x2,...,xN表示样本集中的N个火焰图片样本,N表示火焰图片样本总数;然后利用变尺度滑窗提取火焰图片的颜色矩特征,其中win_1、win_2、win_3、win_4分别对应四个尺度下的滑窗,滑窗与图像长度之比分别是1:1、1:3、1:5、1:7;各尺度滑窗下得到的火焰颜色矩特征组表示为:xwin_1、xwin_2、xwin_3和xwin_4,经过特征串行融合后得到总特征样本集Xwin∈RN×P,其中P表示原始火焰图片特征维数;最后利用RF中的MSWI燃烧工况识别准确率为判别函数进行特征选择,得到最优火焰图片特征子集为Xbest∈RN×B,其中B表示最优火焰图片特征维数,B≤P,最后以Xbest作为输入,得到最终MSWI燃烧工况识别结果。
在实际固废焚烧炉中,受炉膛内各种复杂变化的影响,焚烧过程中常常伴有烟灰,经过传输线采集到的火焰视频往往存在随机噪声,导致焚烧图像中火焰的亮度和颜色变化不明显,因此,需要对原始图像进行去雾和去噪预处理。
图像去雾
本文先采取文献[i]中的算法对火焰图片进行去雾,再采用中值滤波算法进行平滑去噪。用表示采集到的全部焚烧火焰图片S,其中N表示全部火焰图片的数量。sn表示第n幅火焰图片,图片为Lpix×Wpix×3大小的RGB图像,各颜色通道下火焰像素点总数为Υ,则Υ=Lpix×Wpix。
(1)定义局部块Ωdark,用大小为Ωdark的模板对第n幅原始焚烧火焰图片sn在R、G、B三个颜色通道中做最小值滤波得到
(2)计算第n幅图片的透射率
其中λ是场景深度,该参数的设定可以为炉膛内的焚烧环境保留一定的雾,使得图片更为自然,本文中限定λ为0.95,A是焚烧炉内大气光照成分。
(3)计算大气光照成分A。
在暗通道图中选择图片火焰像素点个数(Υ)千分之一个像素值最高的点Υmax,则这些火焰像素点对应输入图像sn的最亮的像素值作为大气光A
其中Rpix,Gpix和Bpix分别表示像素点Υmax所在位置的R、G、B三个通道下的取值。
(4)第n幅图片去雾公式表示为
其中,考虑到焚烧图像的暗度,需要对设定一个阈值r0,本文中限定r0为0.1。
图像去噪
第n幅火焰图片经过去雾后表示为使用模板大小为Ωmedian的中值滤波器对火焰图像进行去噪,即
因此,第n幅原始焚烧火焰图片经过预处理操作之后表示为xn。
基于多尺度颜色矩特征提取
颜色矩特征
针对MSWI火焰图片本身特有的颜色、亮度等特性,本文首先将图片转换到适合人的视觉系统的HSV颜色空间,然后选择各个颜色空间下的一阶矩、二阶矩和三阶矩表达焚烧图片中火焰的颜色分布。以第n幅火焰图片下尺度为win_i的第q个滑窗为例,分别计算各颜色矩:
其中,分别表示尺度为win_i的第q次滑窗对第n张火焰图片提取得到的一阶矩、二阶矩和三阶矩向量;相应的:/>和/>分别表示H、S、V颜色空间下的一阶矩;/>和/>分别表示H、S、V各颜色空间下的二阶矩;和/>分别表示H、S、V各颜色空间下的三阶矩。xH_g、xS_g和xV_g分别表示H、S、V各颜色空间下的火焰像素点g,其中G表示第q个滑窗下包含的火焰像素点个数。以第n幅火焰图片为例,在第q次滑窗下进行一次颜色矩特征提取之后得到的火焰颜色矩特征属性为:
其中表示第n张火焰图片在尺度为win_i的第q次滑窗操作下得到的颜色矩特征组合。
基于多尺度滑窗的颜色矩特征提取
在整幅火焰图片中进行颜色矩特征提取只能简单描述图片中火焰颜色特征的全局分布[ii],不能反映图片中火焰的局部分布。对于MSWI图片,不同工况下的图片中火焰分布位置不同,需要结合图片局部火焰特征表征燃烧状态。因此,本文采用多尺度滑窗法提取焚烧火焰图片的全局和局部信息。
考虑到计算复杂度和时间开销的因素,本文选取了4类不同尺度的滑动窗口,窗口大小分别是win_1,win_2,win_3,win_4。比例为win_1的窗口提取焚烧图片的全局颜色矩特征,其余3个窗口提取图片不同尺度下的局部信息。以第n幅火焰图片为例,不同尺度滑窗块得到的计算及相关表示如下所示:
式(9)中,和/>分别表示在第n幅图片下执行4种不同尺度的滑窗得到的全局和局部火焰特征子集的集合,Q1,Q2,Q3,Q4分别表示4个尺度下的滑窗个数。将不同尺度下的滑窗对第n张图片提取到的火焰特征子集进行串行融合后得到的特征集/>表示为:
因此,焚烧火焰图片样本集合Xwin表示为:
其中Xwin∈RN×P,N为火焰图片样本大小,n=1,...,N,P为原始火焰图片特征维数,表示火焰图片样本的第p维特征,p=1,...,P。
基于RF的MSWI工况识别
由式(11)可知,经过特征串行融合后得到高维的样本特征,在这高维的特征中,全局特征和局部特征之间相互冗余,火焰特征点之间存在很强的相关性,因此很有必要对特征进行筛选。RF是一种集成的机器学习算法,具有分析复杂相互作用特征的能力,对于噪声数据存在很强的鲁棒性,具有较快的学习速度,因此本文采用基于RF的特征选择算法对焚烧火焰图片特征进行降维。
(1)Bagging算法
RF算法生成过程中采用Bagging算法从原始焚烧火焰图片集中随机抽取K个与原图片集大小相同的样本,每次抽样均为随机有放回抽样。用[Data_1,Data_2,...,Data_K]表示,相应的,未被选中的火焰图片组成了K个袋外数据(Out of Bag,OOB)。并由此构建K棵决策树[Tree_1,Tree_2,...,Tree_K]。
(2)结点划分选择
在RF中,对于基决策树的每个节点,先从该节点的颜色矩特征集中随机选择含有r个颜色矩特征的集合,再从中选择最优颜色矩特征作为划分点,使用未修剪的CART方法将决策树生长到最大规模。CART决策树使用基尼指数来选择划分颜色矩特征。以第k个火焰图片集Data_k为例,样本集的纯度G表示为[iii]:
其中D表示火焰图片集中的类别总数,结合现场专家经验,D的取值为3;d表示第d类燃烧工况图片;td表示第d类燃烧工况的图片个数在图片集中所占的比例,计算公式如下:
其中∑nd表示在火焰图片数据集中第d类燃烧工况的火焰图片个数,N表示火焰图片总数。式(12)表明,G(Data_k)越小,焚烧图片集Data_k的纯度越高。
则火焰图片集中某一特征的基尼指数Gini为
其中,p表示图片集Data_k下的某一颜色矩特征,L表示图片集由第p个特征划分的燃烧工况类别个数,Data_kl表示该颜色矩特征下第l个燃烧工况类别包含图片个数。根据基尼指数最小原则,最优划分特征p*表示为:
p*=argminGini(Data_k,p),p∈P (15)
(3)基于OOB误差的特征重要性评估[iv]
计算RF中的第k棵决策树Treek在OOB上的误差,记为err_k,对特征集合中的特征向量/>加入随机噪声得到OOB',计算Treek在图片集OOB'上的误差,记为err_k',则第p个颜色矩特征向量/>的重要性为:
(4)基于RF的MSWI燃烧工况识别
基于RF的MSWI燃烧工况识别模型如图4所示。
如图4所示,整个过程可以分为两个部分:火焰图片的特征选择和MSWI燃烧工况识别。以MSWI燃烧工况识别准确率为判别函数并计算当前的全局和局部准确率,采用基于OOB的误差进行火焰图片的特征消除,最终选择出使得准确率最高的火焰特征子集。其中Xwin表示不同尺度颜色矩特征串行融合后的数据集,Xbest是能够有效表征MSWI燃烧工况的最佳火焰特征子集。
得到最优火焰特征子集Xbest之后,利用RF分类器对MSWI燃烧工况进行识别,对各个决策树的识别结果进行投票,确定最终MSWI燃烧工况识别结果。
附图说明
图1是国内某MSWI焚烧发电厂焚烧过程
图2不同工况下燃烬线分布情况
(a)燃烬线正常
(b)燃烬线前移
(c)燃烬线后移
图3基于多尺度颜色矩特征和RF的MSWI燃烧工况识别模型
图4MSWI燃烧工况识别模型
图5是图片处理过程:(a)原始图片;(b)图片去雾结果;(c)图片去噪结果;(d)RGB颜色空间转换到HSV颜色空间
图6RF中树的个数确定
图7多尺度特征选择结果
图8利用多尺度滑窗法得到的MSWI燃烧工况全局准确率和局部准确率变化:(a)全局准确率;(b)局部准确率
具体实施方式
本文实验数据参考北京某MSWI固废焚烧厂,以间隔一分钟的采样速度对焚烧视频进行截图,采集到的原始焚烧图片数据集大小为N=270,火焰图片像素比是1436*507。结合现场专家经验,对图片进行标记,分别是:工况1、工况2和工况3。
应用暗通道先验去雾算法,设置Ω=9*9,阈值r0=0.1,λ=0.95;接着采用大小为5*5
的模板对图片进行去噪处理;最后将火焰图片从RGB空间转换到HSV颜色空间。结果如下:
焚烧图片经过去雾处理之后,图片中的烟雾和灰尘明显较少,图像呈现清晰的亮度变化和颜色分布;经过去噪处理之后,图像边缘平滑,随机噪声明显减少;最后将得到的图片转换到适合人眼视觉系统的HSV颜色空间后,图片的亮度分布较为突出便于提取图片的颜色矩特征。
滑窗尺度大小分别选取win_1=1×1,win_2=3×3,win_3=5×5,win_4=5×5,相应的每个尺度下对应的滑窗块的个数是Q1=1,Q2=9,Q3=25,Q4=49,用这四个滑窗对图片进行操作,得到的特征个数分别是pwin_1=9,pwin_2=81,pwin_3=225,pwin_4=441,总特征个数P=756。
基于多尺度的滑动窗口提取到的特征融合了焚烧过程中火焰分布的全局和局部特征,使得特征更具代表性,但是全局特征和局部特征之间存在冗余,火焰特征结构的复杂性不仅增加了分类器的计算开销,降低了分类器的准确率,因此,有必要筛选出表征MSWI燃烧工况的关键特征。
(1)RF中树的个数选择
实验中选择树的个数为100,得到不同树的个数下的基于OOB的均方差(MSE)值,从图6中可以看出,当树的个数为35的时候,基于OOB的的MSE最小,因此,在实验中确定树的个数K=35。
(2)多尺度特征选择结果
基于RF的多尺度特征选择结果如图7所示。图7给出了原始火焰特征的重要性分布结果。多尺度特征总共是756,图中的标注点就是选择出的关键火焰特征点,总共是103个,代表了全局和局部特征中的关键颜色矩特征,有效表征了MSWI燃烧工况,提高了MSWI燃烧工况的识别精度。
利用多尺度滑窗法得到的MSWI燃烧工况全局准确率和局部准确率变化如图8所示。
本实验中,通过对火焰图片特征子集的不断优化,MSWI燃烧工况识别准确率也不断提高,通过图8(a)可以看到,最高准确率是94.81%,对应的最优火焰特征子集维数是104。
本文将各个固定尺度滑窗下的特征提取结果进行对比,同时为了充分证明本文方法的有效性,将本文方法与PCA+LSSVM方法进行对比,与本文方法不同的是该方法结合PCA算法和LSSVM算法,实现焚烧图片的降维和识别,结果如表1所示。
表1对比结果
由对比结果可知,本文方法得到的焚烧工况识准确率最高为94.81%。通过对比可将本文方法的优势总结以下:(1)通过与固定窗口的特征提取方法比较,本文基于多尺度颜色矩特征和RF的MSWI工况识别模型融合了图片中火焰的全局和局部特征,这些特征有效的表征了火焰图片中燃烬线的分布位置,也是识别当前工况的关键;(2)通过PCA+LSSVM的模型比较,本文的模型着重分析了火焰特征提取和选择,焚烧工况分类准确率明显提高;(3)通过将本文方法的特征选择方法前后对比,特征选择技术消除了火焰特征之间的冗余,降低了焚烧工况分类的复杂度,有效提升分类性能。
本文提出了基于多尺度颜色矩特征和RF的MSWI过程燃烧工况识别方法。该方法的贡献主要表现在:(1)基于多尺度滑窗的颜色矩特征提取方法能够有效提取出焚烧火焰图片的全局和局部特征,充分表达了焚烧图片中火焰分布特点;(2)基于RF的MSWI燃烧工况识别方法以燃烧工况识别率为判别函数,依据特征重要性对特征进行选择,降低了计算复杂度同时提高了工况分类准确率。基于北京某MSWI发电企业的工业过程数据,仿真验证了所提方法的有效性。
_______________________
[i]He K,Sun J,Fellow,et al.Single Image Haze Removal Using DarkChannel Prior[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2011,33(12):2341-2353
[ii]R.Khwildi and A.O.Zaid,"Color Based HDR Image Retrieval using HSVHistogram and Color Moments,"2018 IEEE/ACS 15th International Conference onComputer Systems and Applications(AICCSA),Aqaba,2018,pp.1-5.
[iii]Loh W Y.Classification and regression trees[J].WileyInterdisciplinary Reviews Data Mining&Knowledge Discovery,2011,1(1):14-23.
[iv]Verikas A,Gelzinis A,Bacauskiene M.Mining data with randomforests:A survey and results of new tests[J].Pattern Recognition,2011,44(2):330-349.
Claims (1)
1.基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法,其特征在于:
首先对采集到的原始焚烧火焰图像数据集S进行图像预处理,减少采集图像过程中产生的随机噪声带来的干扰,得到的焚烧火焰图片数据集为X=[x1,x2,...,xN]T,其中x1,x2,...,xN表示样本集中的N个火焰图片样本,N表示火焰图片样本总数;然后利用变尺度滑窗提取火焰图片的颜色矩特征,其中win_1、win_2、win_3、win_4分别对应四个尺度下的滑窗,滑窗与图像长度之比分别是1:1、1:3、1:5、1:7;各尺度滑窗下得到的特征组表示为:xwin_1、xwin_2、xwin_3和xwin_4,经过特征串行融合后得到总特征样本集Xwin∈RN×P,其中P表示原始火焰图片特征维数;最后利用RF中的MSWI燃烧工况识别准确率为判别函数进行特征选择,得到最优火焰图片特征子集为Xbest∈RN×B,其中B表示最优火焰图片特征维数,B≤P,最后以Xbest作为输入,得到最终MSWI燃烧工况识别结果;
具体为:
对火焰图片进行去雾,再采用中值滤波算法进行平滑去噪,用表示采集到的全部焚烧火焰图片S,其中N表示全部火焰图片的数量,sn表示第n幅火焰图片,图片为Lpix×Wpix×3大小的RGB图像,各颜色通道下火焰像素点总数为γ,则γ=Lpix×Wpix;
(1)定义局部块Ωdark,用大小为Ωdark的模板对原始焚烧火焰图片sn在R、G、B三个颜色通道中做最小值滤波得到
(2)计算透射率
其中λ是场景深度,λ为0.95,A是焚烧炉内大气光照成分;
(3)计算大气光照成分A:
在暗通道图中选择图片火焰像素点个数Υ千分之一个像素值最高的点Υmax,则这些火焰像素点对应输入图像sn的最亮的像素值作为大气光A
其中Rpix,Gpix和Bpix分别表示像素点Υmax的R、G、B三个通道下的取值;
(4)图像去雾公式表示为
其中,r0为0.1;
经过去雾后得到图片表示为使用模板大小为Ωmedian的中值滤波器对火焰图像进行去噪,即
将去噪后图片转换到适合人的视觉系统的HSV颜色空间,然后选择各个颜色空间下的一阶矩、二阶矩和三阶矩表达焚烧图片中火焰的颜色分布;对于第n幅火焰图片下尺度为win_i的第q个滑窗,分别计算各颜色矩:
其中,分别表示尺度为win_i的第q次滑窗对第n张火焰图片提取得到的一阶矩、二阶矩和三阶矩向量;/>和/>分别表示H、S、V颜色空间下的一阶矩;/>和/>分别表示H、S、V各颜色空间下的二阶矩;/>和/>分别表示H、S、V各颜色空间下的三阶矩;xH_g、xS_g和xV_g分别表示H、S、V各颜色空间下的火焰像素点g;G表示第q个滑窗下包含的火焰像素点个数;因此,单个滑窗进行一次特征提取之后得到的火焰颜色矩特征属性为:
其中表示第n张火焰图片在尺度为win_i的第q次滑窗操作下得到的颜色矩特征组合;
采用多尺度滑窗法提取焚烧火焰图片的全局和局部信息,选取了4类不同尺度的滑动窗口,窗口大小分别是win_1,win_2,win_3,win_4;比例为win_1的窗口提取焚烧图片的全局颜色矩特征,其余3个窗口提取图片不同尺度下的局部信息;对于第n幅火焰图片,不同尺度滑窗块得到的计算及相关表示如下所示:
式(9)中,和/>分别表示不同尺度滑窗得到的全局和局部火焰特征子集,Q1,Q2,Q3,Q4分别表示4个尺度下的滑窗个数;将不同尺度下的滑窗对第n张图片提取到的火焰特征子集进行串行融合后得到的特征集/>表示为:
因此,焚烧火焰图片样本集合Xwin表示为:
其中Xwin∈RN×P,N为火焰图片样本大小,n=1,...,N,P为原始火焰图片特征维数,表示火焰图片样本的第p维特征,p=1,...,P;
采用基于RF的特征选择算法对焚烧火焰图片特征进行降维;
(1)Bagging算法
RF算法生成过程中采用Bagging算法从原始焚烧火焰图片集中随机抽取K个与原图片集大小相同的样本,每次抽样均为随机有放回抽样;用[Data_1,Data_2,...,Data_K]表示,相应的,未被选中的火焰图片组成了K个袋外数据;并由此构建K棵决策树[Tree_1,Tree_2,...,Tree_K];
(2)结点划分选择
在RF中,对于基决策树的每个节点,先从该节点的颜色矩特征集中随机选择含有r个颜色矩特征的集合,再从中选择最优颜色矩特征作为划分点,使用未修剪的CART方法将决策树生长到最大规模;CART决策树使用基尼指数来选择划分颜色矩特征;对于第k个火焰图片集Data_k,样本集的纯度G表示为:
其中D,d,td分别表示火焰图片集中的类别总数、第d类燃烧工况图片,及第d类燃烧工况的图片个数在图片集中所占的比例;
则火焰图片集中某一特征的基尼指数Gini为
其中,p表示图片集Data_k下的某一颜色矩特征,L表示图片集由第p个特征划分的燃烧工况类别个数,Data_kl表示该颜色矩特征下第l个燃烧工况类别包含图片个数;根据基尼指数最小原则,最优划分特征p*表示为:
p*=argminGini(Data_k,p),p∈P (14)
(3)基于OOB误差的特征重要性评估
计算RF中的第k棵决策树Treek在OOB上的误差,记为err_k,对特征集合中的特征向量/>加入随机噪声得到OOB',计算Treek在图片集OOB'上的误差,记为err_k',则第p个颜色矩特征向量/>的重要性为:
(4)基于RF的MSWI燃烧工况识别
分为两个部分:火焰图片的特征选择和MSWI燃烧工况识别;以MSWI燃烧工况识别准确率为判别函数并计算当前的全局和局部准确率,采用基于OOB的误差进行火焰图片的特征消除,最终选择出使得准确率最高的火焰特征子集Xbest,得到最优火焰特征子集Xbest之后,利用RF分类器对MSWI燃烧工况进行识别,对各个决策树的识别结果进行投票,确定最终MSWI燃烧工况识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938629.3A CN110717495B (zh) | 2019-09-30 | 2019-09-30 | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938629.3A CN110717495B (zh) | 2019-09-30 | 2019-09-30 | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717495A CN110717495A (zh) | 2020-01-21 |
CN110717495B true CN110717495B (zh) | 2024-01-26 |
Family
ID=69211223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938629.3A Active CN110717495B (zh) | 2019-09-30 | 2019-09-30 | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717495B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258564B (zh) * | 2020-10-20 | 2022-02-08 | 推想医疗科技股份有限公司 | 生成融合特征集合的方法及装置 |
CN112347878A (zh) * | 2020-10-27 | 2021-02-09 | 中材邦业(杭州)智能技术有限公司 | 一种水泥烧成过程看火信号辨识处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN107067007A (zh) * | 2016-12-22 | 2017-08-18 | 河海大学 | 一种基于图像特征提取的多特征融合秸秆焚烧火灾检测方法 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
CN108764310A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于多尺度多特征深度森林的sar目标识别方法 |
CN108846338A (zh) * | 2018-05-29 | 2018-11-20 | 南京林业大学 | 基于面向对象随机森林的极化特征选择及分类方法 |
CN110222633A (zh) * | 2019-06-04 | 2019-09-10 | 北京工业大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7415136B2 (en) * | 2003-12-10 | 2008-08-19 | Woods Hole Oceanographic Institution | Optical method and system for rapid identification of multiple refractive index materials using multiscale texture and color invariants |
-
2019
- 2019-09-30 CN CN201910938629.3A patent/CN110717495B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067007A (zh) * | 2016-12-22 | 2017-08-18 | 河海大学 | 一种基于图像特征提取的多特征融合秸秆焚烧火灾检测方法 |
CN106682635A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于随机森林特征选择的烟雾检测方法 |
CN108319964A (zh) * | 2018-02-07 | 2018-07-24 | 嘉兴学院 | 一种基于混合特征和流形学习的火灾图像识别方法 |
CN108764310A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于多尺度多特征深度森林的sar目标识别方法 |
CN108846338A (zh) * | 2018-05-29 | 2018-11-20 | 南京林业大学 | 基于面向对象随机森林的极化特征选择及分类方法 |
CN110222633A (zh) * | 2019-06-04 | 2019-09-10 | 北京工业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
Rotary kiln combustion working condition recognition based on flame image texture features and LVQ neural network;Jiesheng Wang 等;Proceedings of the 10th World Congress on Intelligent Control and Automation;全文 * |
基于多子系统信息熵的焦炉加热燃烧过程工况识别;雷琪 等;信息与控制;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110717495A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609470B (zh) | 野外火灾早期烟雾视频检测的方法 | |
CN109522819B (zh) | 一种基于深度学习的火灾图像识别方法 | |
CN110222633B (zh) | 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 | |
US11765321B2 (en) | Intelligent video surveillance system and method | |
CN109712083A (zh) | 一种基于卷积神经网络的单幅图像去雾方法 | |
CN110717495B (zh) | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 | |
CN106778582B (zh) | 基于rgb重构的森林图像切割后的火焰/烟雾识别方法 | |
CN109211793B (zh) | 结合光谱指数和神经网络的火灾过火迹地识别方法 | |
CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
TW201224823A (en) | A method for combustion flames diagnosis | |
CN111652822B (zh) | 一种基于生成对抗网络的单幅图像阴影去除方法及系统 | |
CN109543631A (zh) | 一种基于机器学习的火灾图像探测报警方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN114882391A (zh) | 基于多特征融合和改进级联森林的mswi过程燃烧状态识别方法 | |
CN116543241B (zh) | 泄露气体云团的检测方法、装置、存储介质和电子设备 | |
CN107644431A (zh) | 一种低照度情况下视频监控的有效浓缩方法 | |
Zheng et al. | A lightweight algorithm capable of accurately identifying forest fires from UAV remote sensing imagery | |
CN108764287B (zh) | 基于深度学习和分组卷积的目标检测方法及系统 | |
Duan et al. | Recognition of combustion condition in MSWI process based on multi-scale color moment features and random forest | |
CN110298377A (zh) | 基于深层人工神经网络的数字图像中烟火检测方法 | |
CN115100578A (zh) | 一种回转窑火焰燃烧状态识别方法 | |
CN115375654A (zh) | 基于机器视觉的荧光录井系统及其检测方法 | |
CN112560672A (zh) | 一种基于svm参数优化的火灾图像识别方法 | |
CN114155383B (zh) | 基于燃烧火焰颜色矩特征的城市固废焚烧过程风量设定方法 | |
Adhinata et al. | Real Time Fire Detection using Color Probability Segmentation and DenseNet Model for Classifier |
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 |