CN111402249B - 基于深度学习的图像演化分析方法 - Google Patents

基于深度学习的图像演化分析方法 Download PDF

Info

Publication number
CN111402249B
CN111402249B CN202010211522.1A CN202010211522A CN111402249B CN 111402249 B CN111402249 B CN 111402249B CN 202010211522 A CN202010211522 A CN 202010211522A CN 111402249 B CN111402249 B CN 111402249B
Authority
CN
China
Prior art keywords
image
layer
gray
formula
air preheater
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
Application number
CN202010211522.1A
Other languages
English (en)
Other versions
CN111402249A (zh
Inventor
刘君
杨延西
魏永贵
黄雪飞
邓毅
宋念龙
王卫平
潘正权
易广宙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfang Boiler Group Co Ltd
Original Assignee
Dongfang Boiler Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfang Boiler Group Co Ltd filed Critical Dongfang Boiler Group Co Ltd
Priority to CN202010211522.1A priority Critical patent/CN111402249B/zh
Publication of CN111402249A publication Critical patent/CN111402249A/zh
Application granted granted Critical
Publication of CN111402249B publication Critical patent/CN111402249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery

Abstract

本发明属于图像处理领域，具体涉及空预器转子的积灰状态图像的演化分析方法，采集空预器转子的红外图像后，红外热像机传输至图像处理模块；接收图像后进行图像预处理，转化所述预处理的红外图像为灰度曲线图像；增强所述灰度曲线图像以突出目标区域；根据所述增强后的灰度曲线图像，建立灰度共生矩阵；分析灰度共生矩阵相关统计量，提取纹理特征参数；建立深度信念网络分析模型并进行训练与测试；训练后的模型根据纹理特征参数分析空预器转子的积灰状态，对积灰程度的进行有效检测和监视，分析图像获取积灰具体状态，能够提前预测空预器堵塞可能性，指导运行人员进行优化运行吹灰系统，从而提高空气预热器正常运行期间的工作效率。

Description

基于深度学习的图像演化分析方法
技术领域
本发明属于图像处理领域，具体涉及空预器转子的积灰状态图像的演化分析方法。
背景技术
目前，大型电站锅炉广泛采用回转式空气预热器(简称空预器)，空预器普遍存在堵塞问题，空预器堵塞将导致一系列问题。回转式空预器内部开始积灰至一定程度时，蒸汽吹灰器难以深度清灰，当通道完全堵灰时，在线处理难度大。为了减少积灰和腐蚀的危害，目前空预器普遍采用吹灰器进行吹扫。但由于缺乏有效的检测和观察手段，导致普遍存在吹损的问题。因此，在空预器热态运行中在线监测受转子热面的积灰程度、积灰分布，根据需要进行优化吹灰与冲洗操作，有效提高机组运行的经济性和安全性是十分必要的。近年来，电站锅炉受热面的积灰程度和优化吹灰的研究受到关注。
随着计算机技术和控制技术的发展，各种软件系统、人工智能、在线监测等技术已逐步应用于吹灰优化。虽然近年来取得了较大的成果，但其原理仍然是运用空气预换热折算压差实现空气预热积灰程度检测，尤其测量传感部分都只是数值显示或定性评判，均无法让操作人员直观的看到空预器转子的积灰具体状态。
发明内容
为解决以上现有技术的不足，本发明对积灰程度的进行有效检测和监视，分析图像获取积灰具体状态，能够提前预测空预器堵塞可能性。
本发明采用以下技术方案：提供一种基于深度学习的图像演化分析方法，包括以下步骤：
S1：采集空预器转子的红外图像后，红外热像机传输至图像处理模块；
S2：接收图像后进行图像预处理，转化所述预处理的红外图像为灰度曲线图像；
S3：增强所述灰度曲线图像以突出目标区域；
S4：根据所述增强后的灰度曲线图像，建立灰度共生矩阵；
S5：分析灰度共生矩阵相关统计量，提取纹理特征参数；
S6：建立深度信念网络分析模型并进行训练与测试；
S7：训练后的模型根据纹理特征参数分析空预器转子的积灰状态。
进一步地，步骤S2所述转化方法进一步包括以下步骤：
(1)利用Sobel两个方向上的算子在输入图像f(x,y)上滑动；
公式如下：
Figure BDA0002422986570000021
Figure BDA0002422986570000022
Figure BDA0002422986570000023
其中，A与B是Sobel算子的矩阵，f(x,y)为输入图像；
(2)两个方向上的算子与其覆盖的输入图像上9个像素进行卷积操作，即可分别得到横向及纵向边缘检测的幅值；边缘检测的幅值公式如下：
Figure BDA0002422986570000024
Figure BDA0002422986570000025
其中，Gx为横向边缘检测幅值,Gy为纵向边缘检测幅值；
(3)利用横向及纵向边缘检测的幅值得到该点最终的灰度值；
公式如下，
Figure BDA0002422986570000026
其中，G为该点的灰度值：
(4)获取输入图像上所有点的灰度值，将红外图像转化为灰度曲线图像。
进一步地，步骤S3所述图像增强采用高斯滤波方法，通过扫描图像中的所有像素，用邻域内像素的加权平均灰度值来代替中心点像素的值；即每一个像素点的值均为其本身和邻域内各像素值的加权平均值；
以下为一维高斯分布函数公式：
Figure BDA0002422986570000027
其中，σ为标准差，又称为高斯半径；G(x)为概率。
进一步地，步骤S4所述建立灰度共生矩阵进一步包括以下步骤：
(1)从灰度值为i的像素点出发，到相隔距离为d的像素点的灰度值的状况进行统计；
(2)选取图像f(x,y)中的任意一点(x,y)以及相隔距离为d的另一点(x+a,y+b)；
(3)假设该点对的灰度值为(g1,g2)，令(x,y)在整个图像平面上移动，便会得到各种(g1,g2)的值，统计每一种(g1,g2)出现的次数；
(4)归一化处理后为出现的概率P(g1,g2)，由其所排成的方阵为灰度共生矩阵。
进一步地，步骤S5所述纹理特征参数选取ASM能量、对比度、熵、逆方差、自相关性；ASM能量即矩阵元素的平方和，具体计算公式：
Figure BDA0002422986570000031
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
对比度的具体计算公式：
Figure BDA0002422986570000032
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
熵的具体计算公式：
Figure BDA0002422986570000033
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
逆方差的具体计算公式：
Figure BDA0002422986570000034
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
自相关性的具体计算公式：
Figure BDA0002422986570000035
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
Figure BDA0002422986570000036
Figure BDA0002422986570000037
进一步地，步骤S6中，所述深度信念网络分析模型由三层RBM和一层BP组成，该模型输入为所述提取的纹理特征参数归一化后的数值，输出为空预器转子的当前状态。
更进一步地，步骤S6中具体包括以下步骤：
S601：选取这五种相关纹理特征数据，对这些样本数据进行归一化处理，后按照一定的比例分为预训练集、调优集、测试集；
其中，归一化处理公式如下：
Figure BDA0002422986570000041
式中，xnor表示归一化后的数值，x表示原始输入值，xaverage表示该类特征的均值，xstd表示该类特征的标准差值；
S602：对空预器转子的堵塞类型进行状态划分，包括完全通畅、轻微堵塞、严重堵塞、完全堵塞四种；
S603：建立深度信念网络分析模型以对空预器转子积灰状态进行分析，并进行参数初始化；需要初始化的网络参数是层与层之间的连接权值W﹑各层神经元的偏置值a，b；
S604：预训练模型，采用对比散度算法分别单独无监督的训练每一层RBM，学习相关特征，保留特征信息；
S605：微调模型，BP层的输入特征向量为最后一层RBM的输出特征向量，有监督的通过BP算法微调整个DBN网络；
S606：测试模型，利用测试集样本对网络进行测试，实现空预器转子积灰状态分析。
进一步地，步骤S604中，所述预训练具体为：先分别单独的训练每一个RBM网络，该RBM网络训练完成之后，确定权重值，后将该RBM的隐含层作为下一个RMB的可视层，继续进行训练，以此类推，直至最后一个RBM训练完成；其能量函数可描述为:
Figure BDA0002422986570000042
式中:x＝(xi)和y＝(yj)分别为RBM的可视层单元i和隐含层单元j的向量；wij为可视层xi和隐含层yj之间的对称连接权重；ai和bj分别为可视层单元i和隐含层单元j的偏置量。
进一步地，基于RBM的能量函数，(x，y)的联合概率分布表示为：
P(x,y)＝e-E(x,y)                          (15)
则P(x|y)的条件似然函数为所示公式：
Figure BDA0002422986570000044
隐含层中各神经元的条件概率、可视层中各神经元的条件概率分别为公式所示：
Figure BDA0002422986570000043
Figure BDA0002422986570000051
其中sidmoid为激活函数，进行非线性映射，含义为
Figure BDA0002422986570000052
根据可视层x各神经元状态按公式(17)可以求得隐含层y各神经元状态，再根据隐含层y各神经元状态按公式(18)求得可视层x各神经元状态，即得到x*；采用对比散度算法进行重构数据，实现参数W，a、b的更新，对比散度算法的更新规则如式(19)所示：
Figure BDA0002422986570000053
其中，x*，y*分别为可视层x、隐含层y的重构。
更进一步地，步骤S605中，所述微调具体为：对于输入层输入样本为xi，隐含层为hk，输出层为yj，期望输出为dj，则
Figure BDA0002422986570000054
其中，ωik，ωkj分别为输入层与隐含层、隐含层与输出层之间的权值，ak，bj分别为隐含层与输出层的偏置量；
定义误差函数e，再计算误差函数对输出层各个神经元的偏导数，分别如公式所示：
Figure BDA0002422986570000055
Figure BDA0002422986570000056
计算误差函数对隐含层各神经元的偏导数，如公式所示：
Figure BDA0002422986570000057
更新后的权值为
Figure BDA0002422986570000058
方法分别为公式如下所示：
Figure BDA0002422986570000059
Figure BDA0002422986570000061
更新后的偏置值为
Figure BDA0002422986570000062
方法分别为公式如下所示：
Figure BDA0002422986570000063
Figure BDA0002422986570000064
再重新计算误差函数e，直至符合需要完成微调。
本发明具有以下有益效果：
采用安装在空预器上的红外热像机获取空预器转子的红外图像，红外成像技术，能够将物体发出的不可见的红外能量转化为可见的红外热图像，使得本发明能够达到非接触式检测、全封闭、零照度环境下监控的目的；引入灰度共生矩阵，计算相关统计量，提取纹理特征数据，选取ASM能量、对比度、熵、逆方差、自相关性5类纹理特征参数，以达到方便、准确的获取特征输入量；采用深度学习智能算法进行积灰演化分析，建立深度信念网络(DBN)分析模型，利用训练之后的该空预器转子积灰状态分析网络模型对待测的空预器转子进行检测，分析积灰状态，具有逐层训练的稳定性以及多层的复杂结构，使得本发明能够快速、准确的分析出空预器转子的积灰状态，可合理安排维护，以提高利用率；深度信念网络(DBN)分析模型为五输入四输出，由三层RBM和一层BP组成，模型的输入为ASM能量、对比度、熵、逆方差、自相关这五种纹理特征参数归一化之后的数值，输出为空预器转子的状态，包括：完全通畅、轻微堵塞、严重堵塞、完全堵塞四种，能够准确分析空预器转子的积灰状态，指导运行人员进行优化运行吹灰系统，从而提高空气预热器正常运行期间的工作效率。
附图说明
图1为本发明基于深度学习的图像演化分析方法的流程图；
图2为本发明基于深度学习的图像演化分析方法的深度信念网络分析模型；
图3为本发明基于深度学习的图像演化分析方法的深度信念网络模型分析流程图；
图4所示为本发明的深度信念网络分析模型识别分类结果示例。
具体实施方式
本发明采用以下技术方案：提供一种基于深度学习的图像演化分析方法，在红外图像的基础上，基于灰度共生矩阵提取的相关纹理特征，采用深度学习算法，能够准确分析空预器转子的积灰状态从而指导运行人员进行优化运行吹灰系统，提高空气预热器正常运行期间的工作效率。
如图1所示，基于深度学习的空预器转子图像积灰演化分析方法，包括以下步骤：
采用安装在空预器上的红外热像机获取空预器转子的红外图像；利用红外成像技术，能够将物体发出的不可见的红外能量转化为可见的红外热图像，使得本发明能够达到非接触式检测、全封闭、零照度环境下监控的目的。获取包含空预器转子的红外图像进行图像预处理，包括高斯平滑、图像去噪，以消除噪声干扰，突出图像的边缘效果。
获取的预处理之后的红外图像，转化为灰度曲线图像，以突出空预器转子的纹理特征；将红外图像转化为灰度曲线图像，能够突出空预器转子的纹理特征，转变方法为图像上的每一点与Sobel算子进行卷积。相比较于Canny算子、Roberts算子、Prewitt等，Sobel算子对灰度渐变和噪声较多的图像具有较好的图像处理效果，对边缘定位也比较准确。
Sobel(索贝尔)算子的矩阵及差分形式如下：
矩阵形式：
Figure BDA0002422986570000071
Figure BDA0002422986570000072
差分形式：
Figure BDA0002422986570000073
其中，f(x,y)为输入图像。
具体方法为：利用Sobel两个方向上的算子在输入图像f(x,y)上滑动，算子与其覆盖的9个像素进行卷积操作，即可分别得到垂直及水平方向边缘检测的幅值。其中，公式(4)为水平方向、公式(5)为垂直方向。
Figure BDA0002422986570000074
Figure BDA0002422986570000075
Figure BDA0002422986570000081
其中，Gx为横向边缘检测幅值,Gy为纵向边缘检测幅值，G为最终该点的灰度值。
利用该方法计算该图像的所有点，将红外图像转化为灰度曲线图像。
得到的灰度曲线图像进行图像增强来突出目标区域；图像增强采用高斯滤波方法，这是一种线性平滑滤波，广泛应用于图像去噪、图像增强。它是通过扫描图像中的所有像素，用领域内像素的加权平均灰度值来代替中心点像素的值。即每一个像素点的值均为其本身和邻域内各像素值的加权平均值。一维高斯分布函数如公式(7)所示：
Figure BDA0002422986570000082
其中，σ为标准差，又称为高斯半径；G(x)为概率。
得到的灰度曲线图像，建立灰度共生矩阵，它是假定图像中各像素间的空间分布关系包含了图像纹理特征信息，是广泛用于纹理特征方法研究；灰度共生矩阵是描述纹理特征的常用方法，就是对从灰度值为i的像素点出发，到相隔距离为d的像素点的灰度值的状况进行统计。即选取图像f(x,y)中的任意一点(x,y)以及相隔距离为d的另一点(x+a,y+b)，假设该点对的灰度值为(g1,g2)，令(x,y)在整个图像平面上移动，便会得到各种(g1,g2)的值，统计每一种(g1,g2)出现的次数，归一化之后为出现的概率P(g1,g2)，所排成的方阵，即为灰度共生矩阵。
得到的灰度共生矩阵，计算相关统计量，提取纹理特征数据，选取ASM(angularsecond moment，二阶距)能量、对比度、熵、逆方差、自相关性5类纹理特征参数；步骤6中，ASM能量即矩阵元素的平方和，具体计算如公式(8)所示：
Figure BDA0002422986570000083
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列。
对比度的具体计算如公式(9)所示：
Figure BDA0002422986570000084
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列。
熵的具体计算如公式(10)所示：
Figure BDA0002422986570000085
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列。
逆方差的具体计算如公式(11)所示：
Figure BDA0002422986570000086
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列。
自相关性的具体计算如公式(12)所示：
Figure BDA0002422986570000091
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列，
Figure BDA0002422986570000092
Figure BDA0002422986570000093
引入灰度共生矩阵，计算相关统计量，提取纹理特征数据，选取ASM能量、对比度、熵、逆方差、自相关性5类纹理特征参数，以达到方便、准确的获取特征输入量。
深度信念网络(Deep Belief Network,DBN)是深度学习方法的一种，具有较强的从大量样本中提取特征的能力，以便于更好地分类，进而提高分类的准确率。建立深度信念网络(DBN)分析模型，并对模型进行训练与测试；深度信念网络模型如图2所示，此深度信念网络分析模型为五输入四输出，由三层RBM(受限玻尔兹曼机(restrictedBotlzmannmachine，RBM))，包括隐含层、可视层以及一层BP(误差反向传播(ErrorBackPropagation,BP))组成，输入层和所有隐含层共同构成DBN模型,实现对输入数据的特征提取；最后一个隐含层和输出层构成线性神经网络,作为网络的回归层,将DBN提取的特征向量作为输入,通过线性激活函数处理得到积灰状态值。如果直接用BP神经网络，初始值选取不好的话，往往陷入局部极小值，实验结果表明，直接将RBM训练得到的权重矩阵和偏置值作为BP神经网络的初始值，得到效果比较好。模型的输入为ASM能量、对比度、熵、逆方差、自相关这五种纹理特征参数归一化之后的数值。具有逐层训练的稳定性以及多层的复杂结构，使得本发明能够快速、准确的分析出空预器转子的积灰状态，可合理安排维护，以提高设备利用率。
实现流程图如图3所示，过程如下：
选取这五种相关纹理特征数据，对这些样本数据进行归一化处理，后按照一定的比例分为预训练集、调优集、测试集；其中，归一化处理公式如下：
Figure BDA0002422986570000094
式中，xnor表示归一化后的数值，x表示原始输入值，xaverage表示该类特征的均值，xstd表示该类特征的标准差值；
对空预器转子的堵塞类型进行状态划分，包括完全通畅、轻微堵塞、严重堵塞、完全堵塞四种；
建立深度信念网络分析模型以对空预器转子积灰状态进行分析，并进行参数初始化；需要初始化的网络参数是层与层之间的连接权值W及各层神经元的偏置值B以及初始学习效率。参数初始化中，权值W为服从高斯分布的随机数值，偏置值a,b设为0，初始学习速率lr为0.01；
预训练模型，采用对比散度算法分别单独无监督的训练每一层RBM，学习相关特征，保留特征信息；先分别单独的训练每一个RBM网络，该RBM网络训练完成之后，确定权重值，后将该RBM的隐含层作为下一个RMB的可视层，继续进行训练，以此类推，直至最后一个RBM训练完成；DBN逐层无监督的学习过程可以弱化和目标函数相关性小的输入特征,进而能够更好地逼近复杂函数,有效提高负荷预测的准确性。以深度信念网络分析模型的第一层RBM为例，包含一层可视层x即输入层和一层隐含层y组成，该可视层含5个神经元，隐含层含4个神经元，可视层和隐含层的取值分别为x∈{0,1}和y∈{0,1},其能量函数可描述为:
Figure BDA0002422986570000101
式中:x＝(xi)和y＝(yj)分别为RBM的可视层单元i和隐含层单元j的向量；wij为可视层xi和隐含层yj之间的对称连接权重；ai和bj分别为可视层单元i和隐含层单元j的偏置量。
基于RBM的能量函数，(x，y)的联合概率分布表示为：
P(x,y)＝e-E(x,y)                          (15)
则P(x|y)的条件似然函数为公式(16)所示：
Figure BDA0002422986570000105
隐含层中各神经元的条件概率、可视层中各神经元的条件概率分别为公式所示：
Figure BDA0002422986570000102
Figure BDA0002422986570000103
其中sidmoid为激活函数，进行非线性映射，含义为
Figure BDA0002422986570000104
具体训练为：对第1层进行训练时,将x＝[x1,x2,,x5]作为RBM1的输入向量，训练后得到其参数{w1,a1,b1}并固定；然后将RBM 1的隐含层的激活概率作为RBM2的输入向量,得到其参数{w2,a2,b2},将RBM2的隐含层的激活概率作为RBM3的输入向量，由此可以得到DBN网络的权重W和偏置a，b的初始参数。
采用对比散度算法进行重构数据近似采样，这是一种不依赖标签的无监督学习方法，实现参数W，a、b的更新，对比散度算法的更新规则如式(19)所示：
Figure BDA0002422986570000111
其中，x*，y*分别为可视层x、隐含层y的重构。
该算法实现过程为：根据可视层x各神经元状态按公式(17)可以求得隐含层y各神经元状态，再根据隐含层y各神经元状态按公式(18)求得可视层x各神经元状态，即得到x*，后按照公式(19)进行参数更新，计算可视层与重构可视层的误差，进行多次迭代，直至误差足够小，此时的W，a、b即为所求。
微调模型，BP层的输入特征向量为最后一层RBM的输出特征向量，有监督的通过BP算法微调整个DBN网络，使网络性能达到全局最优；因为该深度信念网络最终是使用Softmax分类器输出，而这里的Softmax实质上是一个两层的BP神经网络，即最后一个RBM的隐含层与一层神经网络组成，由于主要针对空预器转子的四种状态进行划分，所以最后的这一层神经网络由4个神经元组成。因为通过对比散度算法所训练出来的任一个RBM网络只能确保该任一网络内的权值对该层特征向量映射达到最优，却无法保证对整个深度信念网络达到最优，所以还需使用BP算法进行网络微调，以反向传播的思想将识别后得到的误差信息自顶而向下的传播至每一个RBM网络，克服了BP算法因随机初始化权重参数而陷入局部最优且训练时间过长的缺点。该算法的具体实现为：
对于输入层输入样本为xi，隐含层为hk，输出层为yj，期望输出为dj，则
Figure BDA0002422986570000112
其中，ωik，ωkj分别为输入层与隐含层、隐含层与输出层之间的权值，ak，bj分别为隐含层与输出层的偏置量。
定义误差函数e，再计算误差函数对输出层各个神经元的偏导数，分别如公式(21)、(22)所示：
Figure BDA0002422986570000113
Figure BDA0002422986570000114
计算误差函数对隐含层各神经元的偏导数，如公式(23)所示：
Figure BDA0002422986570000121
更新后的权值为
Figure BDA0002422986570000122
方法分别为公式(24)，(25)所示：
Figure BDA0002422986570000123
Figure BDA0002422986570000124
更新后的偏置值为
Figure BDA0002422986570000125
方法分别为公式(26)，(27)所示：
Figure BDA0002422986570000126
Figure BDA0002422986570000127
再重新计算误差函数e，直至符合需要。
测试模型，利用测试集样本对网络进行测试，输入数据为影响积灰状态的各种因素,包括ASM能量、对比度、熵、逆方差、自相关这五种纹理特征参数归一化之后的数值，输出数据为空预器转子积灰状态。对待测的空预器转子相关数据，通过输入训练后的空预器转子积灰状态分析网络。
如图4所示，输出为空预器转子的状态，包括：完全通畅、轻微堵塞、严重堵塞、完全堵塞四种，能够准确分析空预器转子的积灰状态，指导运行人员进行优化运行吹灰系统，从而提高空气预热器正常运行期间的工作效率。

Claims (10)

1.基于深度学习的图像演化分析方法，其特征在于，包括以下步骤：
S1：采集空预器转子的红外图像后，红外热像机传输至图像处理模块；
S2：接收图像后进行图像预处理，转化所述预处理的红外图像为灰度曲线图像；
S3：增强所述灰度曲线图像以突出目标区域；
S4：根据所述增强后的灰度曲线图像，建立灰度共生矩阵；
S5：分析灰度共生矩阵相关统计量，提取纹理特征参数；
S6：建立深度信念网络分析模型并进行训练与测试；
S7：训练后的模型根据纹理特征参数分析空预器转子的积灰状态。
2.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S2所述转化方法进一步包括以下步骤：
(1)利用Sobel两个方向上的算子在输入图像f(x,y)上滑动；
公式如下：
Figure FDA0002422986560000011
Figure FDA0002422986560000012
Figure FDA0002422986560000013
其中，A与B是Sobel算子的矩阵，f(x,y)为输入图像；
(2)两个方向上的算子与其覆盖的输入图像上9个像素进行卷积操作，即可分别得到横向及纵向边缘检测的幅值；边缘检测的幅值公式如下：
Figure FDA0002422986560000014
Figure FDA0002422986560000015
其中，Gx为横向边缘检测幅值,Gy为纵向边缘检测幅值；
(3)利用横向及纵向边缘检测的幅值得到该点最终的灰度值；
公式如下，
Figure FDA0002422986560000021
其中，G为该点的灰度值：
(4)获取输入图像上所有点的灰度值，将红外图像转化为灰度曲线图像。
3.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S3所述图像增强采用高斯滤波方法，通过扫描图像中的所有像素，用邻域内像素的加权平均灰度值来代替中心点像素的值；即每一个像素点的值均为其本身和邻域内各像素值的加权平均值；以下为一维高斯分布函数公式：
Figure FDA0002422986560000022
其中，σ为标准差，又称为高斯半径；G(x)为概率。
4.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S4所述建立灰度共生矩阵，进一步包括以下步骤：
(1)从灰度值为i的像素点出发，到相隔距离为d的像素点的灰度值的状况进行统计；
(2)选取图像f(x,y)中的任意一点(x,y)以及相隔距离为d的另一点(x+a,y+b)；
(3)假设该点对的灰度值为(g1,g2)，令(x,y)在整个图像平面上移动，便会得到各种(g1,g2)的值，统计每一种(g1,g2)出现的次数；
(4)归一化处理后为出现的概率P(g1,g2)，由其所排成的方阵为灰度共生矩阵。
5.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S5所述纹理特征参数选取ASM能量、对比度、熵、逆方差、自相关性；
ASM能量即矩阵元素的平方和，具体计算公式：
Figure FDA0002422986560000023
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
对比度的具体计算公式：
Figure FDA0002422986560000024
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
熵的具体计算公式：
Figure FDA0002422986560000025
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
逆方差的具体计算公式：
Figure FDA0002422986560000031
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
自相关性的具体计算公式：
Figure FDA0002422986560000032
其中，G表示灰度共生矩阵，k表示该方阵大小，i，j分别表示行、列；
Figure FDA0002422986560000033
Figure FDA0002422986560000034
6.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S6中，所述深度信念网络分析模型由三层RBM和一层BP组成，该模型输入为所述提取的纹理特征参数归一化后的数值，输出为空预器转子的当前状态。
7.如权利要求1所述的基于深度学习的图像演化分析方法，其特征在于，步骤S6中具体包括以下步骤：
S601：选取这五种相关纹理特征数据，对这些样本数据进行归一化处理，后按照一定的比例分为预训练集、调优集、测试集；
其中，归一化处理公式如下：
Figure FDA0002422986560000035
式中，xnor表示归一化后的数值，x表示原始输入值，xaverage表示该类特征的均值，xstd表示该类特征的标准差值；
S602：对空预器转子的堵塞类型进行状态划分，包括完全通畅、轻微堵塞、严重堵塞、完全堵塞四种；
S603：建立深度信念网络分析模型以对空预器转子积灰状态进行分析，并进行参数初始化；需要初始化的网络参数是层与层之间的连接权值W﹑各层神经元的偏置值a，b；
S604：预训练模型，采用对比散度算法分别单独无监督的训练每一层RBM，学习相关特征，保留特征信息；
S605：微调模型，BP层的输入特征向量为最后一层RBM的输出特征向量，有监督的通过BP算法微调整个DBN网络；
S606：测试模型，利用测试集样本对网络进行测试，实现空预器转子积灰状态分析。
8.如权利要求7所述的基于深度学习的图像演化分析方法，其特征在于，步骤S604中，所述预训练具体为：先分别单独的训练每一个RBM网络，该RBM网络训练完成之后，确定权重值，后将该RBM的隐含层作为下一个RMB的可视层，继续进行训练，以此类推，直至最后一个RBM训练完成；其能量函数可描述为:
Figure FDA0002422986560000041
式中:x＝(xi)和y＝(yj)分别为RBM的可视层单元i和隐含层单元j的向量；wij为可视层xi和隐含层yj之间的对称连接权重；ai和bj分别为可视层单元i和隐含层单元j的偏置量。
9.如权利要求8所述的基于深度学习的图像演化分析方法，其特征在于，基于RBM的能量函数，(x，y)的联合概率分布表示为：
P(x,y)＝e-E(x,y)         (15)
则P(x|y)的条件似然函数为所示公式：
Figure FDA0002422986560000042
隐含层中各神经元的条件概率、可视层中各神经元的条件概率分别为公式所示：
Figure FDA0002422986560000043
Figure FDA0002422986560000044
其中sidmoid为激活函数，进行非线性映射，含义为
Figure FDA0002422986560000045
根据可视层x各神经元状态按公式(17)可以求得隐含层y各神经元状态，再根据隐含层y各神经元状态按公式(18)求得可视层x各神经元状态，即得到x*；采用对比散度算法进行重构数据，实现参数W，a、b的更新，对比散度算法的更新规则如式(19)所示：
Figure FDA0002422986560000046
其中，x*，y*分别为可视层x、隐含层y的重构。
10.如权利要求7所述的基于深度学习的图像演化分析方法，其特征在于，步骤S605中，所述微调具体为：对于输入层输入样本为xi，隐含层为hk，输出层为yj，期望输出为dj，则
Figure FDA0002422986560000051
其中，ωik，ωkj分别为输入层与隐含层、隐含层与输出层之间的权值，ak，bj分别为隐含层与输出层的偏置量；
定义误差函数e，再计算误差函数对输出层各个神经元的偏导数，分别如公式所示：
Figure FDA0002422986560000052
Figure FDA0002422986560000053
计算误差函数对隐含层各神经元的偏导数，如公式所示：
Figure FDA0002422986560000054
更新后的权值为
Figure FDA0002422986560000055
方法分别为公式如下所示：
Figure FDA0002422986560000056
Figure FDA0002422986560000057
更新后的偏置值为
Figure FDA0002422986560000058
方法分别为公式如下所示：
Figure FDA0002422986560000059
Figure FDA00024229865600000510
再重新计算误差函数e，直至符合需要完成微调。
CN202010211522.1A 2020-03-24 2020-03-24 基于深度学习的图像演化分析方法 Active CN111402249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211522.1A CN111402249B (zh) 2020-03-24 2020-03-24 基于深度学习的图像演化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211522.1A CN111402249B (zh) 2020-03-24 2020-03-24 基于深度学习的图像演化分析方法

Publications (2)

Publication Number Publication Date
CN111402249A CN111402249A (zh) 2020-07-10
CN111402249B true CN111402249B (zh) 2023-05-02

Family

ID=71413526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211522.1A Active CN111402249B (zh) 2020-03-24 2020-03-24 基于深度学习的图像演化分析方法

Country Status (1)

Country Link
CN (1) CN111402249B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610839A (zh) * 2021-08-26 2021-11-05 北京中星天视科技有限公司 红外目标显著性检测方法、装置、电子设备和介质
CN114018982B (zh) * 2021-10-14 2023-11-07 国网江西省电力有限公司电力科学研究院 一种空预器积灰可视化监测方法
CN115471501B (zh) * 2022-10-31 2023-10-13 长江勘测规划设计研究有限责任公司 利用机器视觉在线识别发电机气隙分布状态的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513291A (zh) * 2013-08-21 2014-01-15 国家电网公司 基于空预器旁路密封风速检测空预器堵塞的分析预警系统
CN103914063A (zh) * 2014-03-31 2014-07-09 华电国际电力股份有限公司技术服务中心 回转式空预器在线性能诊断系统及方法
CN105758253A (zh) * 2016-04-28 2016-07-13 国电科学技术研究院 回转式空气预热器高压头低流量非隔离式在线清洗装置
CN106503309A (zh) * 2016-10-08 2017-03-15 中国神华能源股份有限公司 一种锅炉仿真方法和锅炉仿真系统
CN109341753A (zh) * 2018-08-31 2019-02-15 广州铁路职业技术学院（广州铁路机械学校） 管线故障检测方法和系统、计算机存储介质及设备
CN110245398A (zh) * 2019-05-30 2019-09-17 西安理工大学 空气预热器转子热变形量的软测量深度学习方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10920982B2 (en) * 2015-09-28 2021-02-16 Schlumberger Technology Corporation Burner monitoring and control systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103513291A (zh) * 2013-08-21 2014-01-15 国家电网公司 基于空预器旁路密封风速检测空预器堵塞的分析预警系统
CN103914063A (zh) * 2014-03-31 2014-07-09 华电国际电力股份有限公司技术服务中心 回转式空预器在线性能诊断系统及方法
CN105758253A (zh) * 2016-04-28 2016-07-13 国电科学技术研究院 回转式空气预热器高压头低流量非隔离式在线清洗装置
CN106503309A (zh) * 2016-10-08 2017-03-15 中国神华能源股份有限公司 一种锅炉仿真方法和锅炉仿真系统
CN109341753A (zh) * 2018-08-31 2019-02-15 广州铁路职业技术学院（广州铁路机械学校） 管线故障检测方法和系统、计算机存储介质及设备
CN110245398A (zh) * 2019-05-30 2019-09-17 西安理工大学 空气预热器转子热变形量的软测量深度学习方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An Optimization Study on Soot-Blowing of Air Preheaters in Coal-Fired Power Plant Boilers;Shi, Yuanhao等;《ENERGIES》;第12卷(第05期);1-15 *
On-line monitoring of ash fouling for air pre-heaters in coal-fired power plant boiler;Shi Yuanhao等;《2017 29th Chinese Control And Decision Conference (CCDC)》;1386-1390 *
基于深度学习的空预器转子红外补光图像积灰状态识别;刘君等;《发电技术》;510-517 *
电厂空预器积灰脏堵智能诊断的研究与应用;王兴龙等;《能源与环境》(第02期);15-17 *
锅炉空气预热器积灰堵塞的原因分析及控制措施;张磊;《甘肃冶金》(第03期);45-47 *

Also Published As

Publication number Publication date
CN111402249A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN109765053B (zh) 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法
CN111402249B (zh) 基于深度学习的图像演化分析方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
Mathavan et al. Use of a self-organizing map for crack detection in highly textured pavement images
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN105654121A (zh) 一种基于深度学习的复杂提花织物缺陷检测方法
CN105760877A (zh) 一种基于灰度共生矩阵模型的羊毛羊绒识别算法
CN101140216A (zh) 基于数字图像处理技术的气液两相流流型识别方法
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN113065431B (zh) 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
Zhou et al. Convolutional neural networks–based model for automated sewer defects detection and classification
CN111783616B (zh) 一种基于数据驱动自学习的无损检测方法
CN113902710A (zh) 基于异常检测算法进行工业零件表面缺陷检测方法及系统
Wang et al. Automated defect and contaminant inspection of HVAC duct
Jiao et al. A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection
Sony Towards multiclass damage detection and localization using limited vibration measurements
CN103984956B (zh) 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN113486599B (zh) 一种抽油机有效冲程的计算方法
CN114821187A (zh) 一种基于判别学习的图像异常检测和定位方法及系统
CN111767815A (zh) 一种隧道渗漏水识别方法

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