CN113343791A - 基于卷积神经网络的窑头看火视频亮度识别方法及装置 - Google Patents

Abstract

本发明公开了基于卷积神经网络的窑头看火视频亮度识别方法及装置，方法包括：S1，获取生产过程中窑头实时图像；S2，将实时图像输入训练好的卷积神经网络模型；S3，卷积神经网络模型输出窑头火焰亮度等级；S4，根据窑头火焰亮度等级，调整用煤量；装置包括：输入层、卷积层、池化层、全连接层和输出层，所述卷积层和池化层依次连接构成卷积网络层，输入层与第一卷积层连接，将生产过程中窑头实时图像，输入一组卷积网络层，输出层通过全连接层与最后一个卷积网络层的池化层连接，输出窑头火焰亮度等级。

Description

基于卷积神经网络的窑头看火视频亮度识别方法及装置

技术领域

本发明涉及水泥熟料生产领域，尤其是涉及基于卷积神经网络预测火焰亮度的方法及装置。

背景技术

在水泥回转窑生产过程中，窑头工况特别是烧成带的温度掌握最为关键。目前国内的水泥回转窑并没有直接对烧成带温度测量的仪器，目前辅助测量的仪器有两种：全辐射高温计和比色高温计。全辐射高温计的测量结果受辐射途径上各种介质（如窑内粉尘、见识窗玻璃等）的选择性吸收特性和辐射源黑度的影响，测量误差相当大。比色高温计是根据受热物体发出的辐射线中两种波长下辐射强度之比，随物体实际温度而变化的原理制成。测出两种波长下辐射强度之比，就可知道受热物体的温度。与光学高温计相比，比色高温计测得的是真实物体本身的温度，比色高温计在原理上基本上消除了介质的影响，可以达到较高精度，但是这两个高温计有一个共同的缺点，就是只能探测一点的温度，不能移动高温计就不能同时探测不同区域。因此水泥厂端为了更准确的判断窑内的煅烧情况，不得不引入了一个窑头的高温摄像机，人眼观察亮度来判断窑内温度，尽管如此，虽然人眼对于亮和暗的识别较为准确，但是对于较亮和较暗的等级识别肉眼难以第一时间准确识别具体亮度，因此还是难以在第一时间准确的对窑内煅烧情况进行判断。

发明内容

为解决现有技术的不足，克服仅测量某一个点温度的问题，实现根据范围更广的区域整体亮度，测量温度从而控制回转窑头部给煤量，达到降低煤耗节能减排的目的，本发明采用如下的技术方案：

基于卷积神经网络的窑头看火视频亮度识别方法，包括如下步骤：

（1）获取窑头看火摄像头中存储的历史数据，通过看视频找出其中较亮和较暗的部分剪辑，然后保存在本地。

（2）将视频按照一定的频率截取图片，如：1分钟截取一帧。将截取好的图片保存在本地用于训练和验证。

（3）将数据划分为训练集和测试集，训练集用于拟合模型，测试集用于验证模型效果。

（4）构建一个卷积神经网络模型，模型包括卷积层、池化层、全连接层等，输入为图片，输出为1-5个等级。

（5）对构建好的模型进行训练，用上述打好标签的图片作为训练数据，图片经过灰度处理和模糊化处理像素转换为特定格式，如：80*80，将其输入模型，经过前向传播算法得到对应的等级y_predict，预测结果和实际标签的差值通过反向传播算法更新模型的参与，完成一次训练，类似的训练一百次后完成模型训练。然后保存模型在本地目录。

图像的灰度处理，首先彩色RGB图像是由三种颜色组成（R,G,B）的数组组成，RGB分别代表红色、绿色、蓝色，数值范围从0-255来代表颜色深浅，灰度处理即将彩色转为黑白色，采用均值法将三种颜色数值求均值作为该像素的灰度，gray = (R + B + G) / 3；图像的模糊化处理，是通过最大池化的方式进行模糊化，如图4所示。

（6）采集熟料生产过程窑头看火摄像头的数据，将视频流数据转为图片数据，为了减少数据量且保证截取的图片出异常，每分钟随机截取一帧图片作为模型输入；根据截取的一张图片，将其传入训练好的算法模型，预测出亮度1-5范围，将其作为当前火焰亮度。

（7）将识别的结果传入dcs控制系统并将图片存储在数据库中，便于追踪验证。

预测模型训练方法包含如下步骤：

（1）离线数据处理：采集熟料生产过程中近一个月内的窑头看火视频数据，选取典型工况的（亮暗分明）视频进行剪辑，对视频每分钟截取一帧图片储存在数据库中，人工筛选出各亮度等级的图片100张，来作为数据集，将数据集中数据按照4:1的方式划分成训练集和测试集；存储在数据库中。

（2）数据分析：分析是否有标注偏差较大的数据，对其进行纠正，纠正通过聚类的方式进行离群点检测，首先提取窑头历史图像中的像素点和标签合并为一个向量，作为一个样本，然后通过kmeans聚类的方式，找到偏离样本中心点的异常点，再通过人工筛选，检查是否标注有问题，这样的好处是提高训练样本的质量，减少人工主观的误差，聚类的步骤如下：

1）进行聚类：选择聚类算法，将样本集聚为K簇，并寻找到各簇的质心；

2）计算各对象到其最近质心的距离；

3）计算各对象到其最近质心的相对距离；

4）与给定的阈值作比较。

如图3所示，横坐标表示图片的id，纵坐标表示距离质心的距离，深色的点代表离群点。

（3）训练过程：首先，随机初始化所述卷积神经网络的参数，包括：卷积层滤波器数量、卷积核参数、全连接层参数；然后根据所述的训练集对预先设置的卷积神经网络进行训练，将打好标签的训练集图片输入到卷积神经网络，经过前向传播算法得到训练数据的预测值之后，将该预测值y_hat与实际标签y的偏差经过反向传播算法更新模型参数，经过多轮训练之后得到所述模型的参数，每轮训练计算出训练集和测试集准确率，如果测试集准确率达到百分之九十以上，停止训练，保存模型。

（4）调参过程：模型的部分结构是根据经验选取的，因此不一定是训练结果最好的模型，对部分结构参数可以进行调整，本次实践中卷积层数在3到5层之间调整，卷积核大小未调整，全连接层数2-3层之间调整，神经元个数调整等等。

模型结构：

（1）图像标准化：将训练集中的图片灰度处理以减小数据大小，图片格式转换为80*80*1的像素，标准化用于输入模型。

（2）模型结构：上述经过标准化的数据作为模型输入，依次经过第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第三最大池化层、第四卷积网络、第四最大池化层、全连接层、全连接层、输出层，最终输出1*5的矩阵，经过softmax函数和5种亮度等级对应。

其中，所述第一卷积网络包括第一卷积层，第一卷积层的卷积核尺寸为8*8、通道数为16、步长为2，激活函数为relu函数，所述第二卷积网络包括第二卷积层，所述第二卷积层卷积核尺寸为8*8、通道数为32、步长为2，激活函数使用relu函数，第三卷积网络包含第三卷积层、第三层卷积核尺寸为4*4、通道数为64，步长为2，激活函数为relu函数，所述第四卷积网络包含第四卷积层，第四层卷积核尺寸为3*3、通道数为128、步长为2，激活函数为relu函数，经过第四池化层之后的数据张量为1*1*128，将其转为一维向量128*1，将其输入全连接层，全连接层使用dropout来减少过拟合，之后得到一维向量128*1，在经过全连接层和dropout函数之后得到5*1的向量，将其输入softmax函数，得到一个onehot矩阵，具体参考图一网络结构。

所述卷积神经网络中的各个最大池化层的规格相同，池化核的尺寸均为2*2、步长均为2。

使用卷积网络的优点在于：通过卷积网络将图像中百万像素级别高维特征，在保留重要特征不丢失的情况下，降低为低维特征，再由全连接层神经网络分类，避免无关特征对分类结果造成干扰。

本发明的优势和有益效果在于：

本发明不再是测量某一个点的温度，而是范围更广的区域整体亮度，该亮度可以作为回转窑控制系统的一个输入，通过卷积网络将亮度图像中百万像素级别高维特征，在保留重要特征不丢失的情况下，降低为低维特征，再由全连接层神经网络分类亮度等级，避免无关特征对分类结果造成干扰，根据亮度等级来控制回转窑头部给煤量，亮度过高表示窑头温度过高，减少头煤，亮度过低表示窑头温度过低，增加头煤。通过实时调整头煤目标，进而控制窑头喂煤量，达到降低煤耗节能减排的目的。

附图说明

图1是本发明的方法流程图。

图2是本发明中用于分类的卷积神经网络的结构示意图。

图3是本发明中通过聚类算法进行纠正的结果示意图。

图4是本发明中采用最大池化方式进行模糊化处理的示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

如图1所示，本发明的实施例包括如下步骤。

1、数据采集：通过布设在窑头上方的相机获取回转窑头部实时视频流，该视频监控窑头火焰、物料厚度、飞砂等。

2、数据处理：将实时的视频流，每分钟截取3帧的频率截取为图片，将其保存至数据库并将实时图像输入模型中。

3、模型识别：将实时图像输入卷积神经网络进行亮度识别，输出预先设定好的亮度等级1-5级，并将该结果返回到dcs画面。

4、本发明中用于分类的卷积神经网络的结构，如图2所示，其对图像实时处理过程如下：

1）首先使用双线性插值法将窑头看火实时图像进行缩放得到尺寸变换后的图像，在本申请中，尺寸变换后的实时图像的尺寸为80*80。

2）尺寸变换后的窑头看火图像依次经过卷积神经网络中的第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、第三最大池化层、第四卷积网络、第四最大池化层、全连接层、全连接层、输出层，最终输出1*5的矩阵分类结果。

5、将该结果通过kafka输出到dcs层。

kafka生产者实时输入kafka消息，另一程序实时在kafka消费数据，将卷积神经网络模型作为kafka生产者，将窑头火焰亮度等级作为kafka消息，通过opc通讯，写入到作为kafka消费者的dcs工业控制系统中，采用kafka的好处是高吞吐量、低延迟，每秒可以处理几十万条数据，且消息可以被持久化防止数据丢失，数据可供多个客户端同时读写；写入到dcs层主要是供工厂端使用该识别结果，来辅助操作员判断。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。

Claims (10)

1.基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于包括如下步骤：

S1，获取生产过程中窑头实时图像；

S2，将实时图像输入训练好的卷积神经网络模型；

S3，卷积神经网络模型输出窑头火焰亮度等级；

S4，根据窑头火焰亮度等级，调整用煤量。

2.根据权利要求1所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于所述步骤S1中，通过窑头看火摄像机获取窑头实时视频流，所述窑头看火摄像机监控内容，包括窑头火焰，通过视频流截取实时图像并保存。

3.根据权利要求1所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于所述卷积神经网络模型的训练，包括如下步骤：

S21，获取窑头历史图像；

S22，将窑头历史图像，划分为训练集和测试集；

S23，通过训练集对构建好的卷积神经网络模型进行训练，并通过测试集进行验证。

4.根据权利要求3所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于所述步骤S21中，获取窑头看火摄像机获取的历史视频流，对其进行剪辑并保存；以每分钟获取一组图像的频率，截取窑头历史图像。

5.根据权利要求4所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于所述剪辑，是根据典型工况中亮暗分明的历史视频流进行剪辑。

6.根据权利要求3所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于所述卷积神经网络模型的训练过程，包括如下步骤：

S231，随机初始化卷积神经网络模型的参数，包括：卷积层滤波器数量、卷积核参数、全连接层参数；

S232，通过训练集，对卷积神经网络模型，进行训练，将打好标签的训练集输入卷积神经网络模型，经过前向传播算法，预测到对应的窑头火焰亮度等级，根据预测结果和对应标签的差值，通过反向传播算法，更新模型的参数；

S233，经多轮迭代训练，得到模型的最优参数，每轮训练计算出训练集和测试集准确率，当测试集准确率达到阈值，停止训练，保存模型。

7.根据权利要求6所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于对所述打好标签的窑头历史图像，进行数据分析，对标注偏差大于阈值的数据进行纠正，纠正通过聚类的方式进行离群点检测，首先提取窑头历史图像中的像素点和标签合并为一个向量，作为一个样本，然后通过kmeans聚类的方式，找到偏离样本中心点的异常点，再进行筛选，聚类的步骤如下：

1）进行聚类：选择聚类算法，将样本集聚为K簇，并寻找到各簇的质心；

2）计算各对象到其最近质心的距离；

3）计算各对象到其最近质心的相对距离；

4）与给定的阈值作比较。

8.根据权利要求1-7之一所述的基于卷积神经网络的窑头看火视频亮度识别方法，其特征在于进入卷积神经网络模型的图像进行标准化，通过灰度处理和模糊化处理，将图像的像素格式转换后，输入卷积神经网络模型；图像的灰度处理，首先彩色RGB图像是由三种颜色组成（R,G,B）的数组组成，RGB分别代表红色、绿色、蓝色，数值范围从0-255来代表颜色深浅，灰度处理即将彩色转为黑白色，采用均值法将三种颜色数值求均值作为该像素的灰度，gray = (R + B + G) / 3；图像的模糊化处理，是通过最大池化的方式进行模糊化。

9.基于卷积神经网络的窑头看火视频亮度识别装置，包括：输入层、卷积层、池化层、全连接层和输出层，其特征在于所述卷积层和池化层依次连接构成卷积网络层，输入层与第一卷积层连接，将生产过程中窑头实时图像，输入一组卷积网络层，输出层通过全连接层与最后一个卷积网络层的池化层连接，输出窑头火焰亮度等级。

10.根据权利要求9所述的基于卷积神经网络的窑头看火视频亮度识别装置，其特征在于所述输出窑头火焰亮度等级，通过kafka输出到dcs层，kafka生产者实时输入kafka消息，另一程序实时在kafka消费数据，将卷积神经网络模型作为kafka生产者，将窑头火焰亮度等级作为kafka消息，通过opc通讯，写入到作为kafka消费者的dcs工业控制系统中，采用kafka的好处是高吞吐量、低延迟，每秒可以处理几十万条数据，且消息可以被持久化防止数据丢失，数据可供多个客户端同时读写；写入到dcs层主要是供工厂端使用该识别结果，来辅助操作员判断。

Images