CN113357666A - 基于神经网络的炉内温度测量方法、装置及设备 - Google Patents
基于神经网络的炉内温度测量方法、装置及设备 Download PDFInfo
- Publication number
- CN113357666A CN113357666A CN202110764195.7A CN202110764195A CN113357666A CN 113357666 A CN113357666 A CN 113357666A CN 202110764195 A CN202110764195 A CN 202110764195A CN 113357666 A CN113357666 A CN 113357666A
- Authority
- CN
- China
- Prior art keywords
- value
- preset
- radiation force
- furnace
- wave band
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23M—CASINGS, LININGS, WALLS OR DOORS SPECIALLY ADAPTED FOR COMBUSTION CHAMBERS, e.g. FIREBRIDGES; DEVICES FOR DEFLECTING AIR, FLAMES OR COMBUSTION PRODUCTS IN COMBUSTION CHAMBERS; SAFETY ARRANGEMENTS SPECIALLY ADAPTED FOR COMBUSTION APPARATUS; DETAILS OF COMBUSTION CHAMBERS, NOT OTHERWISE PROVIDED FOR
- F23M11/00—Safety arrangements
- F23M11/04—Means for supervising combustion, e.g. windows
- F23M11/045—Means for supervising combustion, e.g. windows by observing the flame
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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]
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于神经网络的炉内温度测量方法、装置及设备,该方法包括:获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;确定彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据第一色度值,确定第一波段辐射力值,以及根据第二色度值,确定第二波段辐射力值;根据第一波段辐射力值与第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻黑体炉的炉内温度。通过提取炉内火焰彩色图像的色度值,得到波段辐射力之比,从而计算出测量的炉内温度,不受测温材料的限制,能够提高对炉内温度测量的测量精度。
Description
技术领域
本申请属于炉内燃烧检测技术领域,尤其涉及一种基于神经网络的炉内温度测量方法、装置及设备。
背景技术
传统能源由于起步比新能源早,经过多年的发展累积,传统能源领域比新能源领域具有更多的经验和技术,所以传统能源具有安全可靠性比新能源高的优势,使得其在现代及未来的一段时间内依然会占主要地位,所以目前电站大多使用燃煤锅炉。
目前,通常采用热电偶测温和光纤测温等接触测温方法对发电站锅炉温度进行测量,但这些方法存在动态响应差,空间和时间分辨率不高等问题,导致对发电站锅炉温度进行测量的测量精度低。
发明内容
有鉴于此,本发明提供了一种基于神经网络的炉内温度测量方法、装置及设备,旨在解决对发电站锅炉温度进行测量的测量精度低的问题。
本发明实施例的第一方面提供了一种基于神经网络的炉内温度测量方法,包括:获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;
确定所述彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;
根据所述第一色度值,确定第一波段辐射力值,以及根据所述第二色度值,确定第二波段辐射力值;其中,所述第一波段辐射力值为所述相机接收到的所述第一预设波段内的辐射通量,所述第二波段辐射力值为所述相机接收到的所述第二预设波段内的辐射通量;
根据所述第一波段辐射力值与所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度。
本发明实施例的第二方面提供了一种基于神经网络的炉内温度测量装置,包括:获取模块,用于获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;
第一处理模块,用于确定所述彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;
第二处理模块,用于根据所述第一色度值,确定第一波段辐射力值,以及根据所述第二色度值,确定第二波段辐射力值;其中,所述第一波段辐射力值为所述相机接收到的所述第一预设波段内的辐射通量,所述第二波段辐射力值为所述相机接收到的所述第二预设波段内的辐射通量;
第三处理模块,用于根据所述第一波段辐射力值、所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面所述基于神经网络的炉内温度测量方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面所述基于神经网络的炉内温度测量方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明实施例提供的基于神经网络的炉内温度测量方法、装置及设备,获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;确定彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据第一色度值,确定第一波段辐射力值,以及根据第二色度值,确定第二波段辐射力值;其中,第一波段辐射力值为相机接收到的第一预设波段内的辐射通量,第二波段辐射力值为相机接收到的第二预设波段内的辐射通量;根据第一波段辐射力值与第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻黑体炉的炉内温度。通过提取炉内火焰彩色图像的色度值,得到波段辐射力之比,从而计算出测量的炉内温度,不受测温材料的限制,能够提高对炉内温度测量的测量精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的基于神经网络的炉内温度测量方法的应用环境图;
图2是本发明一个实施例提供的基于神经网络的炉内温度测量方法的实现流程图;
图3是神经网络结构示意图;
图4是本发明另一个实施例提供的基于神经网络的炉内温度测量方法中获取第一训练集、第二训练集、第三训练集的实现流程图;
图5是本发明一个实施例提供的相机在可见光波段的光谱响应曲线图;
图6是炉膛横截面空间介质区域划分图;
图7是边界温度分布曲线图;
图8是炉膛温度场示意图;
图9是本发明一个实施例提供的基于神经网络的炉内温度测量装置的结构示意图;
图10是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
对大型电站锅炉炉膛温度场进行在线监测具有重要意义,由于火焰气体发光的多原理性和发光光谱的多样性,炉内温度的测量方法亦是多种多样。依据感温元件是否接触火焰对象,现有技术中的炉内温度的测量方法可分为接触法和非接触法两大类。
热电偶测温和光纤测温是典型的接触法。其中,热电偶测温法是目前普遍采用的检测技术,当不同材料的金属合金导体两端存在温度差异时,导体两端就会产生电势差,热电势与导体两端的温度差存在简单的函数关系,当这种材料的热端与被测对象达到热平衡而冷端处于一恒定的已知温度时,就可以由电势差得到被测对象的温度。虽然热电偶测温技术成熟、简单方便,但同时存在着不可忽视缺点:受材料限制难以满足高温火焰的温度测量要求;动态响应差,空间和时间分辨率不高;长时间工作环境恶劣,容易损坏;置于火焰中的热电偶可能会干扰火焰本身的化学反应,甚至参与火焰气体组分发生化学反应等。光纤测温法是利用光导纤维材料温度不同,光传输的特性不同来测量对象的温度,除了不参与火焰气体反应以外,它同样存在热电偶测量炉内温度分布的其它所有问题。
非接触法测温有成像法、激光光谱法、辐射法和声波法。非接触法测温虽然能够克服接触法存在的缺陷,但其存在计算量大、测量过程繁琐、设备成本高等问题。
本发明提供了一种基于神经网络的炉内温度测量方法、装置及设备,通过提取炉内火焰彩色图像的色度值,得到波段辐射力之比,从而计算出测量的炉内温度。不受测温材料的限制,能够克服接触法存在的缺陷,并且具有计算简单、测量效率高、设备组成简单、成本低等优点。
本发明实施例中,所提到的部分名词:
辐射能(Radiation Energy):通常将以电磁波形式传播的能量称为辐射能,单位为焦耳(J)。
辐射通量(Radiation Flux):单位时间内发射(传输或接收)的辐射能,单位为瓦特(W,J/s),对应相机获得的波段辐射力E。
光量:可被人眼接收的辐射能,单位为流明·秒(lm·s)。
光通量:单位时间内传播或接收的光能,单位:流明(lm),对应相机拍摄的图片的色度信息。
多层感知器(Multilayer Perceptron,MLP):作为一种前馈人工神经网络模型,其神经元分层排列,各层间没有反馈。每个神经元与前一层的所有神经元相连,接收前一层的输出,并输出给下一层。
所有运算中温度的单位均为开尔文,波段辐射力的单位为W/(m2*sr)。
图1是本发明一个实施例提供的基于神经网络的炉内温度测量方法的应用环境图。
本发明实施例提供的基于神经网络的炉内温度测量方法可以但不限于应用于该应用环境。如图1所示,该应用环境中包括:黑体炉11、相机13和电子设备14。其中,黑体炉11上可以设置有一个或多个观测口12。每个观测口12的中心都与一台相机13的镜头光学中心对准。电子设备14可以与一个或者多个相机13连接。
在一种可能的场景中,黑体炉11正在工作时,相机13通过其对应的观测口12拍摄炉内火焰的彩色图像,并将拍摄的彩色图像发送给电子设备14。电子设备14在接收到相机13发送的彩色图像后,根据彩色图像计算并输出炉内温度值。
在另一可能的场景中,在黑体炉11的炉壁同一高度上的不同方向设置有多个观测口。黑体炉11正在工作时,相机13通过其对应的观测口12拍摄炉内火焰的彩色图像,并将拍摄的彩色图像发送给电子设备14。电子设备14在接收到每个观测口对应的相机13发送的彩色图像后,根据这些彩色图像计算并输出炉内温度值作为边缘温度值,电子设备14根据这些边缘温度值,得出发电站锅炉11在该高度的二维温度分布。
黑体炉11可以是发电站锅炉、煤粉炉、循环流化床锅炉等,在此不做限定。观测口12的形状可以为圆形、方形等,在此不做限定。观测口12大小可以根据实际需求确定,在此不做限定。相机13可以是CCD(Charge Coupled Device,电荷耦合器件)相机,也可以是CMOS(Complementary Metal Oxide Semiconductor,互补金属氧化物半导体)相机,在此不作限定。电子设备14可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。相机13和电子设备14之间可以通过线路进行数据交互,还可以通过网络或蓝牙等方式进行数据交互,在此不做限定。
图2是本发明一个实施例提供的基于神经网络的炉内温度测量方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像。
S202,确定彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值。
S203,根据第一色度值,确定第一波段辐射力值,以及根据第二色度值,确定第二波段辐射力值;其中,第一波段辐射力值为相机接收到的第一预设波段内的辐射通量,第二波段辐射力值为相机接收到的第二预设波段内的辐射通量。
S204,根据第一波段辐射力值与所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度。
本实施例中,黑体炉可以是发电厂锅炉,也可以是其他内部温度受其内部火焰燃烧影响的锅炉,在此不作限定。第一预设波段和第二预设波段可以按照预设范围从可见光波段中选取,也可以根据相机在可见光波段的光谱响应曲线确定,在此不作限定。可选的,第一预设波段为R波段,第二预设波段为G波段。目标时刻可以是当前时刻,此时测得的炉内温度为当前时刻的炉内温度;目标时刻也可以是当前时刻以及当前时刻后的多个时刻,例如当前时刻为下午3点钟,则目标时刻可以是从下午3到4点钟之间选取多个时刻作为目标时刻,此时测得的炉内温度为多个时刻的炉内温度均值,即下午3到4点钟的炉内平均温度。
本实施例中通过获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;确定彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据第一色度值,确定第一波段辐射力值,以及根据第二色度值,确定第二波段辐射力值;根据第一波段辐射力值与第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻黑体炉的炉内温度。通过提取炉内火焰彩色图像的色度值,得到波段辐射力之比,从而计算出测量的炉内温度,不受测温材料的限制,能够提高对炉内温度测量的测量精度。
在一些实施例中,S203可以包括:
根据第一预设波段的色度值和第二神经网络模型,确定第一波段辐射力值,根据第二预设波段的色度值和第三神经网络模型,确定第二波段辐射力值。
本实施例中,第二神经网络模型和第三神经网络模型的结构相同。
在一些实施例中,在上述任一实施例的基础上,S201之前,方法还包括:
建立第一神经网络模型、第二神经网络模型、第三神经网络模型;
获取第一训练集、第二训练集、第三训练集;
根据第二训练集,对第二神经网络模型进行训练;
根据第三训练集,对第三神经网络模型进行训练;
根据第一训练集,对第一神经网络模型进行训练。
图3是神经网络结构示意图。如图3所示,本实施例中,可选的,第一神经网络模型、第二神经网络模型以及第三神经网络模型均为多层感知器模型,多层感知器模型包括多个隐藏层,其神经元分层排列,各层间没有反馈。每个神经元与前一层的所有神经元相连,接收前一层的输出,并输出给下一层。每个神经元都进行独立的计算,其接收的输入值是上一层所有神经元的输出,其输出值是通过激活函数转换的输入的加权和,可以根据Keras框架构建。优化算法和损失函数可以根据实际需求选取,应当使神经网络的输出值和实际值的误差不超过百分之五。
图4是本发明另一个实施例提供的基于神经网络的炉内温度测量方法中获取第一训练集、第二训练集、第三训练集的的实现流程图。在一些实施例中,在上述任一实施例的基础上,如图4所示,获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像之前,该方法还包括:
S401,获取相机拍摄的多个预设温度下黑体炉的炉内火焰的彩色图像。
S402,针对每个预设温度,确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据该预设温度对应的第一色度值和第一公式,确定该第一色度值对应的第一波段辐射力值;根据该预设温度对应的第二色度值和第一公式,确定该第二色度值对应的第二波段辐射力值。
S403,针对每个预设温度,根据该预设温度、普朗克定律、第二公式,确定该预设温度对应的第一波段辐射力值,以及该预设温度对应的第二波段辐射力值;计算该预设温度对应的第一波段辐射力值和第二波段辐射力值的比值。
S404,将每个预设温度对应的第一色度值作为一个样本,并将每个第一色度值对应的第一波段辐射力值作为该样本的标准输出结果,以得到第二训练集。
S405,将每个预设温度对应的第二色度值作为一个样本,并将每个第二色度值对应的第二波段辐射力值作为该样本的标准输出结果,以得到第三训练集。
S406,将每个预设温度对应的第一波段辐射力值和第二波段辐射力值的比值作为一个样本,并将每个预设温度作为该样本的标准输出结果,以得到第一训练集。
本实施例中,预设温度可以是任意选定的值,也可以是根据黑体炉运行状况选取的代表性温度,还可以是按照预设温度时间间隔,由最低预设温度逐渐调整至最高温度,在此不作限定。
图5是本发明一个实施例提供的相机在可见光波段的光谱响应曲线图。如图5所示,在一些实施例中,在上述任一实施例的基础上,如图5所示,根据相机在可见光波段的光谱响应曲线,可以得出第一预设波段为R波段,具体为550nm-700nm,第二预设波段为G波段,具体为400nm-680nm。
第一公式的表达式如下:
Φv(λ)=V(λ)Φe(λ)=Kmφ(λ)Φe(λ) (1)
其中,λ为火焰的可见光波长,Φv(λ)为色度值,V(λ)=Kmφ(λ)为平均人眼光谱光视效率,φ(λ)为归一化人眼光谱光视效率,称为视见函数,Φe(λ)为波段辐射力。
第二公式的表达式如下:
其中,Eb,R(T)和Eb,G(T)分别为第一预设波段和第二预设波段对应的实际火焰辐射力,λ1和λ2分别为第一预设波段波长的下限和上限,λ3和λ4分别为第二预设波段波长的下限和上限,ηR,λ和ηG,λ分别为第一预设波段和第二预设波段对应的相机的光谱响应参数,Ibλ(T)为黑体炉辐射强度,T为黑体炉温度;
在一些实施例中,S401可以包括:
针对每个预设温度,获取相机在该预设温度下,采用多个预设曝光时间拍摄的黑体炉的炉内火焰的彩色图像;
S402中的确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值,可以包括:
获取该预设温度下每个曝光时间对应的彩色图像在第一预设波段的第一初始色度值和在第二预设波段的第二初始色度值;
将第一初始色度值关于曝光时间进行线性拟合,得到第一拟合曲线;
对于每个第一初始色度值,将该第一初始色度值减去第一拟合曲线的截距,然后再除以该第一初始色度值对应的曝光时间,得到处理后的第一初始色度值;
计算处理后的第一初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第一预设波段的第一色度值;
将第二初始色度值关于曝光时间进行线性拟合,得到第二拟合曲线;
对于每个第二初始色度值,将该第二初始色度值减去第二拟合曲线的截距,然后再除以该第二初始色度值对应的曝光时间,得到处理后的第二初始色度值;
计算处理后的第二初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第二预设波段的第一色度值。
本实施例中,通过线性拟合后的处理以及平均处理,能够减少曝光时间、随机误差等因素对色度值的影响,从而提高炉内温度的测量精度。曝光时间可以根据实际需求选取,选取的曝光时间越多,得到的色度值的越接近真实值,但其运算时间也会变长。
在一些实施例中,在上述任一实施例的基础上,在S204之前,该方法还包括:
确定彩色图像在第三预设波段的第三色度值;
根据第三色度值,确定第三波段辐射力值;其中,第三波段辐射力值为相机接收到的第三预设波段内的辐射通量;
S204可以包括:
计算第一波段辐射力值和第二波段辐射力值的第一比值、第二波段辐射力值和第三波段辐射力值的第二比值、第一波段辐射力值和第三波段辐射力的第三比值,并计算第一比值、第二比值、第三比值的均值,以作为辐射力比值均值;
根据辐射力比值均值和第一神经网络模型,确定目标时刻黑体炉的炉内温度。
本实施例中,第三预设波段可以按照预设范围从可见光波段中选取,也可以根据相机在可见光波段的光谱响应曲线确定,在此不作限定。
可选的,第一预设波段为R波段,第二预设波段为G波段,第三预设波段为B波段。
下面通过一个实施示例对上述基于神经网络的炉内温度测量方法进行说明,但并不作为限定。该实施示例的具体步骤如下:
步骤1,获取相机拍摄的多个预设温度下黑体炉的炉内火焰的彩色图像。其中,预设温度为从1150℃(1423K)按照50℃(50K)的温度间隔升至1600℃(1873K)过程中的炉内温度,所使用的相机已经标定且调整积分时间以确保图像无饱和现象,每个预设温度对应多张彩色图像,每张彩色图像对应一个相机曝光时间。
步骤2,针对每个预设温度,确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值。其中,第一预设波段为R波段,具体为550-700nm,第二预设波段为G波段,具体为400-680nm。
步骤3,确定色度值与波段辐射力的对应关系。具体如下:
按照下式确定相机的辐射通量和光通量:
其中,Qe为相机接收到的辐射能总量,Qv为可被人眼接收的辐射能,t为曝光时间。
根据人眼视觉特性,得到色度值与波段辐射力的对应关系,得到的关系式如公式(1)所示。
步骤4,针对每个预设温度,根据该预设温度对应的第一色度值和第一公式,确定该第一色度值对应的第一波段辐射力值;将每个预设温度对应的第一色度值作为一个样本,并将每个第一色度值对应的第一波段辐射力值作为该样本的标准输出结果,以得到第二训练集。
针对每个预设温度,根据该预设温度对应的第二色度值和第一公式,确定该第二色度值对应的第二波段辐射力值;将每个预设温度对应的第二色度值作为一个样本,并将每个第二色度值对应的第二波段辐射力值作为该样本的标准输出结果,以得到第三训练集。
步骤5,根据每个预设温度和普朗克定律,确定每个预设温度对应的R波段辐射力值ER,以及该预设温度对应的G波段辐射力值EG,并计算ER和EG的比值,以得到波段辐射力与炉内温度的关系。具体如下:
通过Planck定律可得到每个预设温度下黑体炉辐射强度,由下式表示:
其中,C1为第一普朗克常量,C2为第二普朗克常量。
根据每个预设温度下黑体炉辐射强度计算R波段辐射力值和G波段辐射力值,计算公式如下:
其中,εΔλ,R和εΔλ,G为波段发射率。
对于可见光波段,在测量波段范围内满足灰性假设的情况下,火焰在测量波段范围内的波段发射率相等,即εΔλ,R=εΔλ,G。将ER和EG的作比,以得到波段辐射力与炉内温度的关系,得到的关系式如公式(2)所示。
步骤6,针对每个预设温度,根据该预设温度、第二公式,确定该预设温度对应的第一波段辐射力值,以及该预设温度对应的第二波段辐射力值;计算该预设温度对应的第一波段辐射力值和第二波段辐射力值的比值;
将每个预设温度对应的第一波段辐射力值和第二波段辐射力值的比值作为一个样本,并将每个预设温度作为该样本的标准输出结果,以得到第一训练集。
步骤7,根据第二训练集,对第二神经网络模型进行训练;根据第三训练集,对第三神经网络模型进行训练;根据第一训练集,对第一神经网络模型进行训练。
步骤8,采用同一相机拍摄目标时刻黑体炉的炉内火焰的彩色图像。
步骤9,确定目标时刻彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值。
步骤10,将目标时刻对应的第一色度值输入到第二神经网络模型得到第一波段辐射力值,将目标时刻对应的第二色度值输入到第三神经网络模型得到目标时刻对应的第二波段辐射力值。将目标时刻对应的第一波段辐射力值和目标时刻对应的第二波段辐射力值的比值输入到第一神经网络模型得到目标时刻黑体炉的温度。
本实施示例中,通过第一神经网络模型、第二神经网络模型、第三神经网络模型测量黑体炉温度,极大减少了复杂运算过程,能够进行炉内温度的快速测量。并且,总体的误差小,测量精度高。
在一些实施例中,还可以测得黑体炉内的二维温度场分布,具体过程如下:
步骤一,图6是炉膛横截面空间介质区域划分图。如图6所示,将炉膛横截面空间介质区域划分成100个网格单元。在边界设定4个CCD摄像机,每个CCD摄像机的靶面划分为90个图像信息单元。
炉内温度分布和边界温度分布的关系如下:
Tm=A'T' (7)
其中,Tm为边界温度分布矩阵,T'为炉内温度分布矩阵。系数矩阵可以根据炉膛二维尺寸、壁面发射率确定。
步骤二,根据Keras框架构建第四神经网络模型;根据CCD图像单元数和炉膛截面网格划分,输入层的神经元个数设为360个,输出层神经元个数100个;设定隐藏层层数为12层,每层500个神经元;训练第四神经网络使用的优化算法损失函数可以分别选用Adam算法和均方误差。
步骤三,选取多个历史时刻,获取在每个历史时刻4个CCD摄像机拍摄的图像,然后根据上述任一实施例的炉内温度的测量方法得到每个历史时刻对应的炉内温度,组成历史边界温度分布矩阵;
根据历史边界温度分布矩阵和公式(7)得到历史炉内温度分布矩阵;
将历史边界温度分布矩阵中的数据作为输入、历史炉内温度分布矩阵中的数据作为输出,对神经网络模型进行训练。
步骤四,图7是边界温度分布曲线图。通过4个CCD摄像机和上述任一实施例的炉内温度的测量方法可以得到当前时刻的四个炉内温度值作为边界温度,具体可见如图7所示的边界温度分布曲线。其中,横轴为像素数,纵轴为边界温度值。
步骤五,图8是炉膛温度场示意图。将上述当前边界温度作为输入,输入到训练后的神经网络模型中,得到的输出值,即为当前炉内温度分布矩阵。根据当前炉内温度分布矩阵得到炉膛温度场,如图8所示,图中包括多个圆环区域,每个圆环区域代表该区域的温度相同。所处的圆环越靠近中心温度越高。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图9是本发明一个实施例提供的基于神经网络的炉内温度测量装置的结构示意图。如图9所示,基于神经网络的炉内温度测量装置9,包括:
获取模块910,用于获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像。
第一处理模块920,用于确定彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值。
第二处理模块930,用于根据第一色度值,确定第一波段辐射力值,以及根据第二色度值,确定第二波段辐射力值;其中,第一波段辐射力值为相机接收到的第一预设波段内的辐射通量,第二波段辐射力值为相机接收到的第二预设波段内的辐射通量。
第三处理模块940,根据第一波段辐射力值与第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻黑体炉的炉内温度。
可选的,第二处理模块930,用于:
根据第一预设波段的色度值和第二神经网络模型,确定第一波段辐射力值,根据第二预设波段的色度值和第三神经网络模型,确定第二波段辐射力值。
可选的,基于神经网络的炉内温度测量装置9所述方法还包括:训练模块950。
训练模块950,用于获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像之前,方法还包括:
建立第一神经网络模型、第二神经网络模型、第三神经网络模型;
获取第一训练集、第二训练集、第三训练集;根据第二训练集,对第二神经网络模型进行训练;根据第三训练集,对第三神经网络模型进行训练;根据第一训练集,对第一神经网络模型进行训练。
可选的,训练模块950,用于获取相机拍摄的多个预设温度下黑体炉的炉内火焰的彩色图像;
针对每个预设温度,确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据该预设温度对应的第一色度值和第一公式,确定该第一色度值对应的第一波段辐射力值;根据该预设温度对应的第二色度值和第一公式,确定该第二色度值对应的第二波段辐射力值;
针对每个预设温度,根据该预设温度、普朗克定律、第二公式,确定该预设温度对应的第一波段辐射力值,以及该预设温度对应的第二波段辐射力值;计算该预设温度对应的第一波段辐射力值和第二波段辐射力值的比值;
将每个预设温度对应的第一色度值作为一个样本,并将每个第一色度值对应的第一波段辐射力值作为该样本的标准输出结果,以得到第二训练集;
将每个预设温度对应的第二色度值作为一个样本,并将每个第二色度值对应的第二波段辐射力值作为该样本的标准输出结果,以得到第三训练集;
将每个预设温度对应的第一波段辐射力值和第二波段辐射力值的比值作为一个样本,并将每个预设温度作为该样本的标准输出结果,以得到第一训练集。
可选的,所述第一公式的表达式如下:
其中,λ为所述火焰的可见光波长,Φv(λ)为色度值,V(λ)=Kmφ(λ)为平均人眼光谱光视效率,φ(λ)为归一化人眼光谱光视效率,称为视见函数,Φe(λ)为波段辐射力;
所述第二公式的表达式如下:
其中,Eb,R(T)和Eb,G(T)分别为第一预设波段和第二预设波段对应的实际火焰辐射力,λ1和λ2分别为第一预设波段波长的下限和上限,λ3和λ4分别为第二预设波段波长的下限和上限,ηR,λ和ηG,λ分别为第一预设波段和第二预设波段对应的相机的光谱响应参数,Ibλ(T)为黑体炉辐射强度,T为所述黑体炉温度。
可选的,训练模块950,用于针对每个预设温度,获取相机在该预设温度下,采用多个预设曝光时间拍摄的黑体炉的炉内火焰的彩色图像;
确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值,包括:
获取该预设温度下每个曝光时间对应的彩色图像在第一预设波段的第一初始色度值和在第二预设波段的第二初始色度值;
将第一初始色度值关于曝光时间进行线性拟合,得到第一拟合曲线;
对于每个第一初始色度值,将该第一初始色度值减去第一拟合曲线的截距,然后再除以该第一初始色度值对应的曝光时间,得到处理后的第一初始色度值;
计算处理后的第一初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第一预设波段的第一色度值;
将第二初始色度值关于曝光时间进行线性拟合,得到第二拟合曲线;
对于每个第二初始色度值,将该第二初始色度值减去第二拟合曲线的截距,然后再除以该第二初始色度值对应的曝光时间,得到处理后的第二初始色度值;
计算处理后的第二初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第二预设波段的第一色度值。
可选的,第一处理模块920,还用于确定彩色图像在第三预设波段的第三色度值。第二处理模块930,还用于根据第三色度值,确定第三波段辐射力值;其中,第三波段辐射力值为相机接收到的第三预设波段内的辐射通量。
第三处理模块940,还用于计算第一波段辐射力值和第二波段辐射力值的第一比值、第二波段辐射力值和第三波段辐射力值的第二比值、第一波段辐射力值和第三波段辐射力的第三比值,并计算第一比值、第二比值、第三比值的均值,以作为辐射力比值均值;
根据辐射力比值均值和第一神经网络模型,确定目标时刻黑体炉的炉内温度;
本实施例提供的基于神经网络的炉内温度测量装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例在此处不再赘述。
图10是本发明一个实施例提供的电子设备的示意图。如图10所示,本发明的一个实施例提供的电子设备10,该实施例的电子设备10包括:处理器1000、存储器1001以及存储在存储器1001中并可在处理器1000上运行的计算机程序1002。处理器1000执行计算机程序1002时实现上述各个基于神经网络的炉内温度测量方法实施例中的步骤,例如图2所示的步骤201至步骤204。或者,处理器1000执行计算机程序1002时实现上述各装置实施例中各模块/单元的功能,例如图9所示模块910至940的功能。
示例性的,计算机程序1002可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器1001中,并由处理器1000执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序1002在电子设备10中的执行过程。
电子设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括,但不仅限于,处理器1000、存储器1001。本领域技术人员可以理解,图10仅仅是电子设备10的示例,并不构成对电子设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器1000可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1001可以是电子设备10的内部存储单元,例如电子设备10的硬盘或内存。存储器1001也可以是电子设备10的外部存储设备,例如电子设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器1001还可以既包括电子设备10的内部存储单元也包括外部存储设备。存储器1001用于存储计算机程序以及终端所需的其他程序和数据。存储器1001还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述基于神经网络的炉内温度测量方法实施例中的步骤。
计算机可读存储介质存储有计算机程序1002,计算机程序1002包括程序指令,程序指令被处理器1000执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序1002来指令相关的硬件来完成,计算机程序1002可存储于一计算机可读存储介质中,该计算机程序1002在被处理器1000执行时,可实现上述各个方法实施例的步骤。其中,计算机程序1002包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的炉内温度测量方法,其特征在于,包括:
获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;
确定所述彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;
根据所述第一色度值,确定第一波段辐射力值,以及根据所述第二色度值,确定第二波段辐射力值;其中,所述第一波段辐射力值为所述相机接收到的所述第一预设波段内的辐射通量,所述第二波段辐射力值为所述相机接收到的所述第二预设波段内的辐射通量;
根据所述第一波段辐射力值与所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一色度值,确定第一波段辐射力值,以及根据所述第二色度值,确定第二波段辐射力值,包括:
根据所述第一预设波段的色度值和第二神经网络模型,确定第一波段辐射力值,根据所述第二预设波段的色度值和第三神经网络模型,确定第二波段辐射力值。
3.根据权利要求2所述的方法,其特征在于,获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像之前,所述方法还包括:
建立所述第一神经网络模型、所述第二神经网络模型、所述第三神经网络模型;
获取第一训练集、第二训练集、第三训练集;
根据所述第二训练集,对所述第二神经网络模型进行训练;
根据所述第三训练集,对所述第三神经网络模型进行训练;
根据所述第一训练集,对所述第一神经网络模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述方法包括:
获取相机拍摄的多个预设温度下黑体炉的炉内火焰的彩色图像;
针对每个预设温度,确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;根据该预设温度对应的第一色度值和第一公式,确定该第一色度值对应的第一波段辐射力值;根据该预设温度对应的第二色度值和第一公式,确定该第二色度值对应的第二波段辐射力值;
针对每个预设温度,根据该预设温度、普朗克定律、第二公式,确定该预设温度对应的第一波段辐射力值,以及该预设温度对应的第二波段辐射力值;计算该预设温度对应的第一波段辐射力值和第二波段辐射力值的比值;
将每个预设温度对应的第一色度值作为一个样本,并将每个第一色度值对应的第一波段辐射力值作为该样本的标准输出结果,以得到第二训练集;
将每个预设温度对应的第二色度值作为一个样本,并将每个第二色度值对应的第二波段辐射力值作为该样本的标准输出结果,以得到第三训练集;
将每个预设温度对应的第一波段辐射力值和第二波段辐射力值的比值作为一个样本,并将每个预设温度作为该样本的标准输出结果,以得到第一训练集。
6.根据权利要求4所述的方法,其特征在于,获取相机拍摄的多个预设温度下黑体炉的炉内火焰的彩色图像,包括:
针对每个预设温度,获取相机在该预设温度下,采用多个预设曝光时间拍摄的黑体炉的炉内火焰的彩色图像;
所述确定该预设温度下彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值,包括:
获取该预设温度下每个曝光时间对应的彩色图像在第一预设波段的第一初始色度值和在第二预设波段的第二初始色度值;
将所述第一初始色度值关于曝光时间进行线性拟合,得到第一拟合曲线;
对于每个第一初始色度值,将该第一初始色度值减去所述第一拟合曲线的截距,然后再除以该第一初始色度值对应的曝光时间,得到处理后的第一初始色度值;
计算所述处理后的第一初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第一预设波段的第一色度值;
将所述第二初始色度值关于曝光时间进行线性拟合,得到第二拟合曲线;
对于每个第二初始色度值,将该第二初始色度值减去所述第二拟合曲线的截距,然后再除以该第二初始色度值对应的曝光时间,得到处理后的第二初始色度值;
计算所述处理后的第二初始色度值的平均值,并将计算的结果作为该预设温度下彩色图像在第二预设波段的第一色度值。
7.根据权利要求1-5任一项所述的方法,其特征在于,在所述第一波段辐射力值、所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度之前,所述方法还包括:
确定所述彩色图像在第三预设波段的第三色度值;
根据所述第三色度值,确定第三波段辐射力值;其中,所述第三波段辐射力值为所述相机接收到的所述第三预设波段内的辐射通量;
所述根据第一波段辐射力值、所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度,包括:
计算所述第一波段辐射力值和所述第二波段辐射力值的第一比值、所述第二波段辐射力值和所述第三波段辐射力值的第二比值、第一波段辐射力值和所述第三波段辐射力的第三比值,并计算所述第一比值、所述第二比值、所述第三比值的均值,以作为辐射力比值均值;
根据所述辐射力比值均值和所述第一神经网络模型,确定目标时刻所述黑体炉的炉内温度;
所述第一预设波段为R波段,所述第二预设波段为G波段,所述第三预设波段为B波段;
所述第一神经网络模型、所述第二神经网络模型以及所述第三神经网络模型均为多层感知器模型。
8.一种基于神经网络的炉内温度测量装置,其特征在于,包括:
获取模块,用于获取目标时刻相机拍摄黑体炉的炉内火焰的彩色图像;
第一处理模块,用于确定所述彩色图像在第一预设波段的第一色度值和在第二预设波段的第二色度值;
第二处理模块,用于根据所述第一色度值,确定第一波段辐射力值,以及根据所述第二色度值,确定第二波段辐射力值;其中,所述第一波段辐射力值为所述相机接收到的所述第一预设波段内的辐射通量,所述第二波段辐射力值为所述相机接收到的所述第二预设波段内的辐射通量;
第三处理模块,用于根据所述第一波段辐射力值、所述第二波段辐射力值的第一比值和第一神经网络模型,确定目标时刻所述黑体炉的炉内温度。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述基于神经网络的炉内温度测量方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述基于神经网络的炉内温度测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764195.7A CN113357666B (zh) | 2021-07-06 | 2021-07-06 | 基于神经网络的炉内温度测量方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764195.7A CN113357666B (zh) | 2021-07-06 | 2021-07-06 | 基于神经网络的炉内温度测量方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113357666A true CN113357666A (zh) | 2021-09-07 |
CN113357666B CN113357666B (zh) | 2022-09-23 |
Family
ID=77538452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764195.7A Active CN113357666B (zh) | 2021-07-06 | 2021-07-06 | 基于神经网络的炉内温度测量方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113357666B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2302612A (en) * | 1995-06-23 | 1997-01-22 | Gordon Thomas Dyos | Image converter |
CN103123281A (zh) * | 2011-11-17 | 2013-05-29 | 财团法人工业技术研究院 | 非接触式温度测量方法 |
CN103509902A (zh) * | 2013-09-25 | 2014-01-15 | 马钢(集团)控股有限公司 | 一种高炉风口视频温度监测装置及方法 |
CN103852186A (zh) * | 2012-12-03 | 2014-06-11 | 财团法人工业技术研究院 | 非接触式温度测量方法 |
CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
CN110954222A (zh) * | 2019-12-18 | 2020-04-03 | 北京理工大学 | 一种基于单相机比色测温系统的优化测温方法 |
-
2021
- 2021-07-06 CN CN202110764195.7A patent/CN113357666B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2302612A (en) * | 1995-06-23 | 1997-01-22 | Gordon Thomas Dyos | Image converter |
CN103123281A (zh) * | 2011-11-17 | 2013-05-29 | 财团法人工业技术研究院 | 非接触式温度测量方法 |
CN103852186A (zh) * | 2012-12-03 | 2014-06-11 | 财团法人工业技术研究院 | 非接触式温度测量方法 |
CN103509902A (zh) * | 2013-09-25 | 2014-01-15 | 马钢(集团)控股有限公司 | 一种高炉风口视频温度监测装置及方法 |
CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
CN110954222A (zh) * | 2019-12-18 | 2020-04-03 | 北京理工大学 | 一种基于单相机比色测温系统的优化测温方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
CN113834585B (zh) * | 2021-09-24 | 2024-04-05 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113357666B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Particle surface temperature measurements with multicolor band pyrometry | |
CN111458051B (zh) | 基于像素级光谱分光探测器的三维温度场测量系统和方法 | |
CN109655161B (zh) | 基于红外热像仪的目标红外积分辐射强度测试方法及设备 | |
CN113375815B (zh) | Ccd和红外热像仪相结合的物体表面温度测量方法及系统 | |
CN113357666B (zh) | 基于神经网络的炉内温度测量方法、装置及设备 | |
CN106679819A (zh) | 瞬态温度场测量方法及装置 | |
CN110186566A (zh) | 基于光场相机多谱测温的二维真实温度场成像方法及系统 | |
CN108279071A (zh) | 基于比色测温法的全视场熔池温度场检测系统 | |
CN111707382B (zh) | 一种温度变形同步测量的动态光学补偿方法及装置 | |
CN113865717A (zh) | 一种基于高速相机的瞬态高温比色测温装置 | |
TWI442032B (zh) | 非接觸式溫度量測方法 | |
Liu et al. | Shutterless non-uniformity correction for the long-term stability of an uncooled long-wave infrared camera | |
CN110160660A (zh) | 基于光场相机的高温部件多光谱测温方法及系统 | |
CN113432146B (zh) | 炉内温度测量方法、装置及设备 | |
CN111649830A (zh) | 基于辐射光谱的彩色ccd自标定测温装置和方法 | |
Yuan et al. | Temperature measurement of metal surface at normal temperatures by visible images and machine learning | |
CN109974893B (zh) | 一种梯度折射率火焰三维温度场测量方法 | |
CN114449079A (zh) | 一种基于手机摄像头的高温测量装置和方法 | |
CN115790866A (zh) | 基于辐射自校准的火焰温度测量方法、装置、设备及介质 | |
CN114777931A (zh) | 一种基于关联成像的物体表面温度分布测量方法与系统 | |
Bai | Research on measurement of high temperature fields with equal precision for commercial CCD cameras | |
CN111397759B (zh) | 一种基于rgb三基色的温度测试方法 | |
Zauner et al. | CCD Cameras as thermal Imaging devices in heat treatment processes | |
Guoqing et al. | Nonlinear atmospheric correction based on neural network for infrared target radiometry | |
CN115979431A (zh) | 基于图像的火焰温度测量方法、装置、终端及存储介质 |
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 |