CN116630327B - 基于热力图的锅炉状态异常监测系统 - Google Patents

Abstract

本说明书实施例公开了一种基于热力图的锅炉状态异常监测系统，涉及图像处理技术领域。该系统包括：获取模块，用于获取连续多帧热力图像；目标程度确定模块，用于根据该热力图像中像素点的梯度变化确定每一帧热力图像中的像素点对应的目标程度；标记模块，用于基于该目标程度确定标记目标点；优选程度确定模块，用于根据标记目标点的帧间差异变化程度确定每一帧热力图像所对应的优选程度；优选图像帧确定模块，用于基于该优选程度确定优选图像帧；去噪模块，用于将目标图像帧与该优选图像帧进行加权平均去噪，得到去噪后的图像；监测预警模块，用于基于去噪后的图像获取锅炉的异常情况，并根据该异常情况进行异常监测和预警。

Description

基于热力图的锅炉状态异常监测系统

技术领域

本申请涉及图像处理技术领域，特别涉及一种基于热力图的锅炉状态异常监测系统。

背景技术

锅炉是一种广泛应用于各种工业过程的设备，其可以用于加热、发电、蒸馏等。对锅炉的运行状态进行监测对确保其安全和高效运行至关重要，传统的锅炉监测方法通常依靠人工巡检或基于传感器的简单方法，这些方法往往需要大量人力，不仅耗时长，而且可能无法准确地实现对锅炉状态的异常监测。

通过利用热力图可以较好地进行锅炉系统的监测。例如，通过捕捉和分析热分布图案，可以揭示潜在的异常，如热点、泄漏或绝缘问题。然而，热力图容易受到噪声的干扰，导致数据质量降低，并降低异常检测算法的准确性。

传统去噪过程通常采用滤波去噪的方法对图像进行全局滤波去噪，但热力图的对比度较低，传统去噪可能导致图像的细节信息模糊化，进而导致热力图中的细微特征或重要细节信息丢失，影响进一步的分析和解释，难以达到较好的去噪效果。

发明内容

本说明书实施例提供一种基于热力图的锅炉状态异常监测系统，该系统包括：

获取模块，用于获取针对锅炉采集的连续的多帧热力图像；

目标程度确定模块，用于根据所述热力图像中像素点的梯度变化确定每一帧所述热力图像中的像素点对应的目标程度，其中，所述目标程度用于表征所述像素点为噪点的可能性；

标记模块，用于基于所述目标程度确定标记目标点；

优选程度确定模块，用于根据所述标记目标点的帧间差异变化程度确定每一帧所述热力图像所对应的优选程度；

优选图像帧确定模块，用于基于所述优选程度确定优选图像帧；

去噪模块，用于将目标图像帧与所述优选图像帧进行加权平均去噪，得到去噪后的图像；

监测预警模块，用于基于所述去噪后的图像获取锅炉的异常情况，并根据所述异常情况进行异常监测和预警。

在一些实施例中，所述目标程度确定模块具体用于：

利用算子计算每一个所述像素点在水平方向的第一梯度和竖直方向的第二梯度；

根据所述第一梯度和所述第二梯度确定每一个所述像素点的梯度幅值；

以每一个所述像素点为中心像素点建立的滑窗，n表示滑窗的边长大小；

根据所述中心像素点所对应的梯度幅值和所述中心像素点所在图像帧对应的最大梯度幅值，得到第一参数；

根据所述中心像素点与所述滑窗内所有像素点的灰度差值的均值，以及所述中心像素点与所述滑窗内每一个像素点的灰度差值，得到第二参数；

基于所述第一参数和所述第二参数，确定每一帧所述热力图像中的像素点对应的目标程度。

在一些实施例中，所述目标程度基于如下公式计算：

；

其中，表示第m个像素点对应的目标程度，/>表示第m个像素点的梯度幅值，/>表示第m个像素点所在图像帧中所有像素点的梯度幅值的最大值，n表示滑窗的边长大小，表示所述滑窗内第i个像素点与所述中心像素点的灰度差值，/>表示所述滑窗内所有像素点与所述中心像素点的灰度差值的平均值。

在一些实施例中，所述标记模块具体用于：在所述像素点对应的目标程度大于或等于目标程度阈值时，对所述像素点进行标记，得到标记目标点。

在一些实施例中，所述优选程度确定模块具体用于：

对于每一帧所述热力图像；

根据当前图像帧与下一个图像帧之间的差异获取每一个所述标记目标点对应的变化系数；

根据所述标记目标点在所有图像帧与下一个图像帧中所对应的变化系数，构建每一个所述标记目标点所对应的变化曲线；

基于所述变化曲线确定每一个所述标记目标点对应的稳定程度；

根据所述稳定程度和预设稳定程度阈值对所述标记目标点进行分类，得到大于或等于所述预设稳定程度阈值的第一类标记目标点和小于所述预设稳定程度阈值的第二类标记目标点；

基于所述第一类标记目标点和所述第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，确定所述当前图像帧所对应的优选程度。

在一些实施例中，所述优选程度确定模块还具体用于：

获取每一个所述标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向，以及每一个所述标记目标点在当前图像帧和下一个图像帧中所对应的滑窗内每一个像素点所对应的第二梯度方向；

基于所述第一梯度方向和所述第二梯度方向，确定每一个所述标记目标点对应的变化系数。

在一些实施例中，所述标记目标点对应的变化系数基于如下公式计算：

；

其中，表示第/>个标记目标点对应的变化系数，/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向，n表示滑窗边长，/>和/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的/>滑窗范围内第i个像素点对应的第二梯度方向，/>表示当前图像帧中第/>个标记目标点所对应的/>滑窗范围内第i个像素点对应的目标程度。

在一些实施例中，所述标记目标点对应的稳定程度基于如下公式计算：

；

其中，t表示第个标记目标点对应的稳定程度，k表示所选取的热力图像的对比帧数，/>大于2，/>表示所述变化曲线中第/>个变化系数点与第/>-1个变化系数点之间的斜率值，/>表示所述变化曲线中所有变化系数点的斜率平均值。

在一些实施例中，所述当前图像帧所对应的优选程度基于如下公式计算：

；

其中，r表示当前图像帧对应的优选程度，表示当前图像帧中所述第一类标记目标点的数量，/>表示当前图像帧中所述第二类标记目标点的数量，/>表示当前图像帧中所有标记像目标点的总数量，/>表示第一类标记目标点在当前图像帧与下一个图像帧之间的变化系数，/>表示第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，I为第一类标记目标点，J为第二类标记目标点。

在一些实施例中，所述去噪模块具体用于：

对于所述目标图像帧中的每一个目标像素点；

计算所述目标像素点在所述目标图像帧与所述优选图像帧中所对应的的滑窗范围内所有像素点的灰度值的标准差，并基于所述标准差得到所述目标像素点对应的加权权值；

基于所述加权权值以及所述目标像素点对应的灰度值，得到第一乘积；

计算所述目标像素点在所述目标图像帧与所述优选图像帧中所对应的第一乘积的均值，并将所述第一乘积的均值作为所述目标像素点去噪后的灰度值。

本说明书实施例所提供的基于热力图的锅炉状态异常监测系统可能带来的有益效果至少包括：（1）通过获取连续的多帧热力图像，计算每一帧热力图像所对应的优选程度，然后基于该优选程度从多帧热力图像中选取优选图像帧，并将目标图像与优选图像帧进行加权平均去噪，可以到达较好的去噪效果，进而提高基于该热力图像进行锅炉状态异常监测的准确性；（2）通过像素点的梯度变化确定标记目标点，然后根据该标记目标点的帧间差异变化程度确定每一帧热力图像所对应的优选程度，并基于该优选程度选取加权平均去噪过程中所使用的参考图像，可以避免所选参考图像中的噪声存在相关性，从而提高后续加权平均去噪过程的去噪效果。

附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的基于热力图的锅炉状态异常监测系统的示例性应用场景示意图；

图2是根据本说明书的一些实施例所示的基于热力图的锅炉状态异常监测系统的示例性模块图；

图3是根据本说明书一些实施例所示的基于热力图的锅炉状态异常监测方法的示例性流程图；

图4是根据本说明书一些实施例所示的示例性梯度方向示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面结合附图对本说明书实施例提供的基于热力图的锅炉状态异常监测方法和系统进行详细说明。

图1是根据本说明书一些实施例所示的基于热力图的锅炉状态异常监测系统的示例性应用场景示意图。

参照图1，在一些实施例中，基于热力图的锅炉状态异常监测系统的应用场景100可以包括热力图像获取装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如，热力图像获取装置110可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。又例如，存储设备120可以与处理设备130直接连接或通过网络150连接。又例如，终端设备140可以与存储设备120和/或处理设备130通过网络150连接，也可以与存储设备120和/或处理设备130直接连接。

热力图像获取装置110可以用于获取针对锅炉采集的热力图像，该热力图像可以用来反映锅炉表面和/或内部的温度分布，识别异常的热点，并帮助确定温度异常或潜在的故障。在一些实施例中，热力图像获取装置110可以包括热成像仪。在一些实施例中，热力图像获取装置110可以包括相机和温度传感器，其可以通过将相机采集的图像与温度传感器采集的温度数据进行融合，以生成热力图像。在一些实施例中，该热力图像获取装置110可以按照设定的采集频率对锅炉进行热力图像采集（例如，每隔2秒采集一次）。在一些实施例中，热力图像获取装置110可以具有独立的电源，其可以通过有线或无线（例如蓝牙、WiFi等）的方式将采集的热力图像发送给应用场景100中的其他部件（例如，存储设备120、处理设备130、终端设备140）。在一些实施例中，应用场景100中可以包括多个（例如两个及以上）热力图像获取装置110，该多个热力图像获取装置110可以从不同的角度对锅炉进行热力图像采集，以实现全方位的监测。

在一些实施例中，热力图像获取装置110可以通过网络150将其采集的热力图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中，可以通过处理设备130对热力图像获取装置110所采集的热力图像进行处理。例如，处理设备130可以对该热力图像进行去噪，并基于去噪后的图像获取锅炉的异常情况。在一些实施例中，该去噪后的图像以及基于去噪后的图像获取的锅炉异常情况可以发送至存储设备120进行记录，或者发送至终端设备140以反馈给用户（例如相关工作人员）。

网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，应用场景100的至少一个组件（例如，热力图像获取装置110、存储设备120、处理设备130、终端设备140）可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如，处理设备130可以通过网络150从热力图像获取装置110和/或存储设备120获得针对锅炉采集的连续的多帧热力图像。又例如，处理设备130可以通过网络150从终端设备140获得用户操作指令，示例性的操作指令可以包括但不限于调阅热力图像，读取基于该热力图像确定的去噪后的图像以及基于去噪后的图像获取的锅炉异常情况等。

在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共开关电话网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或其任意组合。在一些实施例中，网络150可以包括至少一个网络接入点，应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。

存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中，存储设备120可以存储从热力图像获取装置110、处理设备130和/或终端设备140获得的数据。例如，存储设备120可以存储热力图像获取装置110采集的热力图像；又例如，存储设备120可以存储处理设备130处理得到的去噪后的图像以及基于去噪后的图像获取的锅炉异常情况。在一些实施例中，存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备120可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件（例如，热力图像获取装置110、处理设备130、终端设备140）通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中，存储设备120可以与应用场景100中的一个或以上组件（例如，热力图像获取装置110、终端设备140）直接连接或通信。在一些实施例中，存储设备120可以是热力图像获取装置110和/或处理设备130的一部分。

处理设备130可以处理从热力图像获取装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中，处理设备130可以从热力图像获取装置110、存储设备120或终端设备140中任意一个或多个获得热力图像，通过对该热力图像进行处理以确定去噪后的图像，以及基于去噪后的图像获取锅炉异常情况。在一些实施例中，处理设备130可以从存储设备120获取预先存储的计算机指令，并执行该计算机指令以实现本说明书所描述的基于热力图的锅炉状态异常监测方法。

在一些实施例中，处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理设备130可以是本地或远程的。例如，处理设备130可以通过网络150从热力图像获取装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如，处理设备130可以直接连接到热力图像获取装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中，处理设备130可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。

终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括热力图像获取装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的去噪后的图像以及基于去噪后的图像获取的锅炉异常情况等。所述发送的数据可以包括用户（例如相关工作人员）的输入数据和指令等。例如，终端设备140可以将用户输入的操作指令通过网络150发送给热力图像获取装置110，以控制热力图像获取装置110进行相应的数据采集。又例如，终端设备140可以将用户输入的数据处理指令通过网络150发送给处理设备130。

在一些实施例中，终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如，移动设备141可以包括移动电话、个人数字助理（PDA）、专用移动终端等或其任意组合。在一些实施例中，终端设备140可以包括输入设备（如键盘、触摸屏）、输出设备（如显示器、扬声器）等。在一些实施例中，处理设备130可以是终端设备140的一部分。

应当注意的是，上述有关应用场景100的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对应用场景100进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，热力图像获取装置110的可以包括更多或更少的功能组件。

图2是根据本说明书一些实施例所示的基于热力图的锅炉状态异常监测系统的模块示意图。在一些实施例中，图2所示的基于热力图的锅炉状态异常监测系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100，例如，可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140，以用于对热力图像获取装置110所采集的热力图像进行处理，并对该热力图像进行去噪，然后基于去噪后的图像获取锅炉的异常情况。

参照图2，在一些实施例中，基于热力图的锅炉状态异常监测系统200可以包括获取模块210、目标程度确定模块220、标记模块230、优选程度确定模块240、优选图像帧确定模块250、去噪模块260以及监测预警模块270。

获取模块210可以用于获取针对锅炉采集的连续的多帧热力图像。

目标程度确定模块220可以用于根据所述热力图像中像素点的梯度变化确定每一帧所述热力图像中的像素点对应的目标程度，其中，所述目标程度用于表征所述像素点为噪点的可能性。

标记模块230可以用于基于所述目标程度确定标记目标点。

优选程度确定模块240可以用于根据所述标记目标点的帧间差异变化程度确定每一帧所述热力图像所对应的优选程度。

优选图像帧确定模块250可以用于基于所述优选程度确定优选图像帧。

去噪模块260可以用于将目标图像帧与所述优选图像帧进行加权平均去噪，得到去噪后的图像。

监测预警模块270可以用于基于所述去噪后的图像获取锅炉的异常情况，并根据所述异常情况进行异常监测和预警。

关于上述各个模块的更多细节可以参照本说明书的其他位置（例如图3~图4部分及其相关描述），此处不再赘述。

应当理解，图2所示的基于热力图的锅炉状态异常监测系统200及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。

需要注意的是，上述关于基于热力图的锅炉状态异常监测系统200的描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。可以理解，对于本领域的技术人员来说，可以根据本说明书的描述，在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图2中所述的获取模块210、目标程度确定模块220、标记模块230、优选程度确定模块240、优选图像帧确定模块250、去噪模块260以及监测预警模块270可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。在一些实施例中，前述各个模块可以是处理设备130和/或终端设备140的一部分。

图3是根据本说明书一些实施例所示的基于热力图的锅炉状态异常监测方法的示例性流程图。在一些实施例中，方法300可以通过处理逻辑来执行，该处理逻辑可以包括硬件（例如，电路、专用逻辑、可编程逻辑、微代码等）、软件（运行在处理设备上以执行硬件模拟的指令）等或其任意组合。在一些实施例中，图3所示的基于热力图的锅炉状态异常监测方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如，方法300可以以指令的形式存储在存储设备120中，并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。

参照图3，在一些实施例中，基于热力图的锅炉状态异常监测方法300可以包括：

步骤310，获取针对锅炉采集的连续的多帧热力图像。在一些实施例中，步骤310可以由获取模块210执行。

在一些实施例中，热力图像获取装置110针对锅炉采集的热力图像可以存储在存储设备120中，获取模块210可以从存储设备120获取针对锅炉采集的热力图像。在一些实施例中，该获取模块210可以与热力图像获取装置110通信连接，获取模块210可以直接从热力图像获取装置110获取针对锅炉采集的热力图像。

在一些实施例中，可以通过布置相机与图像采集环境对锅炉热力图像进行采集，其中，场景布置与采集过程可以包括：

1、选择合适的相机：为了确保热力图像的采集质量，相机应具有足够的分辨率和灵敏度，以捕捉锅炉中的温度变化，并具备必要的测量性能，比如温度范围和测温精度。

2、安装位置选择：为了确保能够准确捕捉锅炉表面的热量分布情况，相机应放置在距离锅炉表面一定距离内，以确保能够获得清晰的图像，并避免过高的热量导致相机损坏。

3、视角和视野：根据需求和目标，选择适当的视角和视野范围来保证所拍摄的图像涵盖了锅炉的重要区域，例如火焰燃烧区域、燃烧室和传热表面等，确保相机视野足够广阔，可以捕捉到整个目标区域的热能分布。

4、照明和环境控制：为了获得清晰的热力图像，需要确保锅炉表面周围的照明条件适当，避免强烈的背光或过度反射的情况，以防止其导致图像质量下降，同时，应当确保周围环境的稳定性，尽量减少干扰因素，例如风、震动和其他加热设备的热辐射。

5、校准和设置：在开始对锅炉采集热力图像之前，需要进行相机的校准和设置。校准可以确保相机能够准确测量和传输温度数据，并根据需要进行正确的颜色映射和温度范围设置。同时，确保相机的设置与目标一致，并进行必要的校准和调整，以获得准确的热力图像。

6、采集和记录数据：使用相机进行热力图像采集时，应当保持相机稳定，避免移动和震动，以获得清晰的图像。在一些实施例中，可以根据需要触发采集或设置定时采集，以捕捉不同时间点的热态信息，同时，记录相关的环境参数，如锅炉的运行状态、温度和压力等，以便后续分析和对比。

7、图像处理：在完成热力图像采集之后，可以通过图像处理软件将采集到的热力图像缓存到处理系统中，以供后续比对和分析，进行异常检测、锅炉运行优化和预测维护等。

步骤320，根据所述热力图像中像素点的梯度变化确定每一帧所述热力图像中的像素点对应的目标程度。在一些实施例中，步骤320可以由目标程度确定模块220执行。

在完成热力图像采集之后，目标程度确定模块220可以根据前述过程所获得的热力图像中像素点的梯度变化确定每一帧热力图像中的像素点对应的目标程度。其中，该目标程度用于表征每一个像素点为噪点的可能性。可以理解，图像中的噪声通常为孤立存在的点，且其与邻域像素点的灰度值存在差异，而邻域像素点由于局部相似性的关系，像素点的灰度差异通常较小，若像素点自身与邻域像素点的差异越大且其邻域像素点的差异越大，则表示该像素点越有可能为噪声。基于此，在一些实施例中，可以通过计算热力图像中每一个像素点的梯度变化来确定其对应的目标程度。

图4是根据本说明书一些实施例所示的示例性梯度方向示意图。具体地，参照图4，在一些实施例中，目标程度确定模块220可以利用算子计算每一个像素点在水平方向的第一梯度/>和竖直方向的第二梯度/>；然后根据该第一梯度/>和第二梯度/>确定每一个所述像素点的梯度幅值/>。其中，第一梯度/>可以理解为水平方向上相邻像素之间的亮度或颜色变化的大小，类似地，第二梯度/>可以理解为竖直方向上相邻像素之间的亮度或颜色变化的大小，其对应的梯度方向可以表示为/>。需要说明的是，在本说明书中，术语“水平方向”可以指热力图像的长度延伸方向（例如x方向），“竖直方向”可以指热力图像的宽度延伸方向（例如y方向）。

通过上述过程，可以获取得到每一个像素点的梯度幅值与梯度方向，梯度幅值越大，表示该像素点与其邻域像素点存在较大差异。而噪声点通常为孤立出现的点，且噪声点本身的灰度值会与其邻域像素点的灰度值存在一定的差异，因此，像素点的梯度幅值越大时，则该像素点越有可能为噪声点。但是，由于边缘点也存在较大的梯度幅值，在一些情况下可能会出现混淆，因此，在一些实施例中，可以根据目标像素点的邻域像素点的分布情况来获取像素点的目标程度。可以理解，图像存在局部相似性，若目标像素点自身梯度幅值较大、且其邻域像素点灰度值相似，则该目标像素点更有可能为噪声点，即其目标程度越大；若目标像素点自身梯度幅值较大、但其邻域像素点灰度值不相似，则该目标像素点更有可能为边缘细节像素点，即其目标程度较小。

基于此，在得到每一个像素点的梯度幅值后，目标程度确定模块220可以以每一个像素点为中心像素点建立的滑窗（/>可以根据经验值设定为3）。在此基础上，则该目标程度可以基于如下公式计算：

；

其中，表示第m个像素点对应的目标程度，/>表示第m个像素点的梯度幅值，/>表示第m个像素点所在图像帧中所有像素点的梯度幅值的最大值，n表示滑窗的边长大小，表示滑窗内第i个像素点与中心像素点的灰度差值，/>表示滑窗内所有像素点与中心像素点的灰度差值的平均值。在该公式中，目标像素点自身梯度幅值越大、且其邻域像素点灰度值越相似，则该目标像素点越有可能为噪声点，即其对应的目标程度越大。

具体而言，即目标程度确定模块220可以根据中心像素点所对应的梯度幅值和中心像素点所在图像帧对应的最大梯度幅值/>，得到第一参数（/>）。然后，根据该中心像素点与对应滑窗内所有像素点的灰度差值的均值/>，以及该中心像素点与对应滑窗内每一个像素点的灰度差值/>，得到第二参数（/>）。最后，目标程度确定模块220可以基于该第一参数和第二参数，确定每一帧热力图像中的每一个像素点对应的目标程度/>。

步骤330，基于所述目标程度确定标记目标点。在一些实施例中，步骤330可以由标记模块230执行。

通过上述计算，可以获取每一帧热力图像中各个像素点对应的目标程度。在一些实施例中，可以将当前处理的图像帧记为当前图像帧，并设定目标程度阈值。

进一步地，对于当前图像帧中的每一个目标像素点，标记模块230可以在该目标像素点对应的目标程度大于或等于目标程度阈值时，对其进行标记，得到标记目标点。在一些实施例中，该目标程度阈值可以根据经验值设定为/>。

步骤340，根据所述标记目标点的帧间差异变化程度确定每一帧所述热力图像所对应的优选程度。在一些实施例中，步骤340可以由优选程度确定模块240执行。

对于每一帧热力图像，优选程度确定模块240可以根据当前图像帧与下一个图像帧之间的差异获取每一个标记目标点对应的变化系数。具体而言，在一些实施例中，优选程度确定模块240可以获取每一个标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向，以及每一个标记目标点在当前图像帧和下一个图像帧中所对应的滑窗内每一个像素点所对应的第二梯度方向，然后基于该第一梯度方向和第二梯度方向，确定每一个所述标记目标点对应的变化系数。若标记目标点对应的变化系数越小，说明该标记目标点越稳定，则在进行帧选取时，该像素点位置与当前图像帧差异越小的帧优选程度越大；相反，若标记目标点对应的变化系数越大，说明该标记目标点越不稳定，很有可能是噪声引起的变化，则在进行帧选取时，该像素点位置与当前图像帧差异越大的帧优选程度越大。

在一些实施例中，该标记目标点对应的变化系数可以基于如下公式计算：

；

其中，表示第/>个标记目标点对应的变化系数；/>和/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向（该第一梯度方向可以基于水平方向的第一梯度和竖直方向的第二梯度得到）；n表示滑窗边长；/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的/>滑窗范围内第i个像素点对应的第二梯度方向（（该第一梯度方向可以基于水平方向的第一梯度和竖直方向的第二梯度得到））；/>表示当前图像帧中第/>个标记目标点所对应的/>滑窗范围内第i个像素点对应的目标程度。通过该公式可知，当前图像帧与下一个图像帧中第/>个标记目标点的梯度方向越相似，且其邻域像素点的梯度方向越相似，则标记目标点对应的变化系数越小，否则变化系数越大。

进一步地，优选程度确定模块240可以根据标记目标点在所有图像帧（即所有针对锅炉采集的热力图像帧）与下一个图像帧中所对应的变化系数，构建每一个标记目标点所对应的变化曲线。具体而言，在一些实施例中，可以将当前图像帧记为第0帧图像，当前图像帧的下一帧图像记为第1帧图像，以此类推，当前图像帧后的第k帧图像则就记为第k帧图像。获取第k帧与第k-1帧图像中第个标记目标点的变化系数，则所有图像帧下第/>个标记目标点对应的变化系数序列为：/>。根据所有图像帧下第/>个标记目标点对应的变化系数序列即可构建第/>个标记目标点所对应的变化曲线。

进一步地，优选程度确定模块240可以基于该变化曲线确定每一个标记目标点对应的稳定程度。在一些实施例中，该标记目标点对应的稳定程度可以基于如下公式计算：

；

其中，t表示第个标记目标点对应的稳定程度，k表示所选取的热力图像的对比帧数，/>大于2，/>表示变化曲线中第/>个变化系数点与第/>-1个变化系数点之间的斜率值，/>表示变化曲线中所有变化系数点的斜率平均值。

可以理解，在所有图像帧下第j个标记目标点的斜率变化越剧烈，则第j个标记目标点的稳定程度越差，否则稳定程度越好。通过上述方法，可以对所有标记目标点进行计算以获取对应的稳定程度。在获取每一个标记目标点对应的稳定程度之后，优选程度确定模块240可以根据该稳定程度和预设稳定程度阈值对标记目标点进行分类，得到大于或等于预设稳定程度阈值的第一类标记目标点和小于预设稳定程度阈值的第二类标记目标点。其中，对于大于或等于预设稳定程度阈值的第一类标记目标点，表面该类型的点较为稳定，在进行帧选取时，该点所对应的帧与当前图像帧的差异越小越好，对于小于预设稳定程度阈值的第二类标记目标点，表明该类型的点不稳定，在进行帧选取时，该点所对应的帧与当前图像帧的差异越大越好。在一些实施例中，该稳定程度阈值可以根据经验值设定为。需要说明的是，在本说明书中，前述阈值（例如稳定程度阈值、目标程度阈值）仅为示例性说明。在一些其他的实施例中，该阈值可以根据实际需求进行调整（例如增大或减小）。

进一步地，在完成分类之后，优选程度确定模块240可以基于第一类标记目标点和第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，确定当前图像帧所对应的优选程度。具体地，在一些实施例中，当前图像帧所对应的优选程度可以基于如下公式进行计算：

；

其中，r表示当前图像帧对应的优选程度，表示当前图像帧中第一类标记目标点的数量，/>表示当前图像帧中第二类标记目标点的数量，/>表示当前图像帧中所有标记像目标点的总数量，/>表示第一类标记目标点在当前图像帧与下一个图像帧之间的变化系数，/>表示第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，I为第一类标记目标点，J为第二类标记目标点。

步骤350，基于所述优选程度确定优选图像帧。在一些实施例中，步骤350可以由优选图像帧确定模块250执行。

通过上述步骤，可以计算出每一帧热力图像所对应的优选程度。进一步地，优选图像帧确定模块250可以选择优选程度最大的s帧热力图像作为优选图像帧，并将其作为参考图像进行后续去噪处理。在一些实施例中，优选图像帧的数量s可以介于3~10之间。

步骤360，将目标图像帧与所述优选图像帧进行加权平均去噪，得到去噪后的图像。在一些实施例中，步骤360可以由去噪模块260执行。

在通过上述步骤确定优选图像帧之后，可以将需要进行去噪处理的目标图像帧与前述优选图像帧进行加权平均去噪，从而得到去噪后的图像。

具体而言，在确定前述优选图像帧之后，去噪模块260可以对于目标图像帧中的每一个目标像素点，计算其在目标图像帧与优选图像帧中所对应的的滑窗范围内所有像素点的灰度值的标准差，并将该标准差的倒数作为该目标像素点对应的加权权值。其中，较低的标准差表示该像素位置上的像素值相对稳定，允许较高的权重，较高的标准差表示该像素位置上的像素值存在较大的变化，对应的权重较低。

进一步地，去噪模块260可以基于目标像素点的灰度值以及该目标像素点所对应的加权权值，得到该目标像素点去噪后的灰度值。该过程可以表示为：

；

其中，B表示目标像素点位置进行加权平均去噪后的灰度值；s表示优选图像帧的数量，在本说明书实施例中，由于进行加权平均去噪时还包含了目标图像本身，因此图像帧的总数量为；w表示目标像素点对应的加权权值；/>表示第/>帧图像中目标像素点对应位置的灰度值。

具体而言，即去噪模块260可以基于前述加权权值以及目标像素点对应的灰度值，得到第一乘积（），然后计算目标像素点在目标图像帧与所有优选图像帧中所对应的第一乘积的均值，并将该第一乘积的均值作为目标像素点去噪后的灰度值。

步骤370，基于所述去噪后的图像获取锅炉的异常情况，并根据所述异常情况进行异常监测和预警。在一些实施例中，步骤370可以由监测预警模块270执行。

通过上述步骤，可以对针对锅炉采集的热力图像进行去噪，排除噪音干扰，同时保留热力图像中的细微特征，从而达到较好的去噪效果。

进一步地，监测预警模块270基于去噪后的图像获取锅炉的异常情况，并根据该异常情况进行异常监测和预警，从而准确地识别出锅炉的异常或故障。

示例性地，在一些实施例中，监测预警模块270可以通过提取去噪后的图像中的特征进行异常判断，例如，提取图像中的形状、纹理、温度等特征，根据所选特征的特征值与标准特征值进行比对（其中标准特征值可由人工给定的经验值获取），然后根据比对情况进行异常判断。若超出阈值，则将异常预测结果展示给操作员或相关工作人员；若没有超出阈值，则继续进行监测，避免异常发生。

在一些实施例中，监测预警模块270可以通过图像标注、报警声音或通知等方式实现异常预警。

需要指出的是，在本说明书实施例中，通过上述方法对针对锅炉采集的热力图像进行去噪，可以得到质量较好的去噪后的热力图像，因此，可以进一步基于该去噪后的热力图像对锅炉状态进行更准确的异常监测。

综上所述，本说明书实施例可能带来的有益效果包括但不限于：（1）在本说明书一些实施例所提供的基于热力图的锅炉状态异常监测系统中，通过获取连续的多帧热力图像，计算每一帧热力图像所对应的优选程度，然后基于该优选程度从多帧热力图像中选取优选图像帧，并将目标图像与优选图像帧进行加权平均去噪，可以到达较好的去噪效果，进而提高基于该热力图像进行锅炉状态异常监测的准确性；（2）在本说明书一些实施例所提供的基于热力图的锅炉状态异常监测系统中，通过像素点的梯度变化确定标记目标点，然后根据该标记目标点的帧间差异变化程度确定每一帧热力图像所对应的优选程度，并基于该优选程度选取加权平均去噪过程中所使用的参考图像，可以避免所选参考图像中的噪声存在相关性，从而提高后续加权平均去噪过程的去噪效果。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例中，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (6)

1.一种基于热力图的锅炉状态异常监测系统，其特征在于，包括：

获取模块，用于获取针对锅炉采集的连续的多帧热力图像；

目标程度确定模块，用于根据所述热力图像中像素点的梯度变化确定每一帧所述热力图像中的像素点对应的目标程度，其中，所述目标程度用于表征所述像素点为噪点的可能性；

标记模块，用于基于所述目标程度确定标记目标点；

优选程度确定模块，用于根据所述标记目标点的帧间差异变化程度确定每一帧所述热力图像所对应的优选程度；

优选图像帧确定模块，用于基于所述优选程度确定优选图像帧；

去噪模块，用于将目标图像帧与所述优选图像帧进行加权平均去噪，得到去噪后的图像；

监测预警模块，用于基于所述去噪后的图像获取锅炉的异常情况，并根据所述异常情况进行异常监测和预警；

所述目标程度确定模块具体用于：

利用算子计算每一个所述像素点在水平方向的第一梯度和竖直方向的第二梯度；

根据所述第一梯度和所述第二梯度确定每一个所述像素点的梯度幅值；

以每一个所述像素点为中心像素点建立的滑窗，n表示滑窗的边长大小；

根据所述中心像素点所对应的梯度幅值和所述中心像素点所在图像帧对应的最大梯度幅值，得到第一参数；

根据所述中心像素点与所述滑窗内所有像素点的灰度差值的均值，以及所述中心像素点与所述滑窗内每一个像素点的灰度差值，得到第二参数；

基于所述第一参数和所述第二参数，确定每一帧所述热力图像中的像素点对应的目标程度；

所述目标程度基于如下公式计算：

；

其中，表示第m个像素点对应的目标程度，/>表示第m个像素点的梯度幅值，/>表示第m个像素点所在图像帧中所有像素点的梯度幅值的最大值，n表示滑窗的边长大小，/>表示所述滑窗内第i个像素点与所述中心像素点的灰度差值，/>表示所述滑窗内所有像素点与所述中心像素点的灰度差值的平均值；

所述标记模块具体用于：在所述像素点对应的目标程度大于或等于目标程度阈值时，对所述像素点进行标记，得到标记目标点；

所述优选程度确定模块具体用于：

对于每一帧所述热力图像；

根据当前图像帧与下一个图像帧之间的差异获取每一个所述标记目标点对应的变化系数；

根据所述标记目标点在所有图像帧与下一个图像帧中所对应的变化系数，构建每一个所述标记目标点所对应的变化曲线；

基于所述变化曲线确定每一个所述标记目标点对应的稳定程度；

根据所述稳定程度和预设稳定程度阈值对所述标记目标点进行分类，得到大于或等于所述预设稳定程度阈值的第一类标记目标点和小于所述预设稳定程度阈值的第二类标记目标点；

基于所述第一类标记目标点和所述第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，确定所述当前图像帧所对应的优选程度。

2.如权利要求1所述的基于热力图的锅炉状态异常监测系统，其特征在于，所述优选程度确定模块还具体用于：

获取每一个所述标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向，以及每一个所述标记目标点在当前图像帧和下一个图像帧中所对应的滑窗内每一个像素点所对应的第二梯度方向；

基于所述第一梯度方向和所述第二梯度方向，确定每一个所述标记目标点对应的变化系数。

3.如权利要求2所述的基于热力图的锅炉状态异常监测系统，其特征在于，所述标记目标点对应的变化系数基于如下公式计算：

；

其中，表示第/>个标记目标点对应的变化系数，/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的第一梯度方向，n表示滑窗边长，/>和/>分别表示第/>个标记目标点在当前图像帧和下一个图像帧中所对应的/>滑窗范围内第i个像素点对应的第二梯度方向，/>表示当前图像帧中第/>个标记目标点所对应的/>滑窗范围内第i个像素点对应的目标程度。

4.如权利要求3所述的基于热力图的锅炉状态异常监测系统，其特征在于，所述标记目标点对应的稳定程度基于如下公式计算：

；

其中，t表示第个标记目标点对应的稳定程度，k表示所选取的热力图像的对比帧数，/>大于2，/>表示所述变化曲线中第/>个变化系数点与第/>-1个变化系数点之间的斜率值，/>表示所述变化曲线中所有变化系数点的斜率平均值。

5.如权利要求4所述的基于热力图的锅炉状态异常监测系统，其特征在于，所述当前图像帧所对应的优选程度基于如下公式计算：

；

其中，r表示当前图像帧对应的优选程度，表示当前图像帧中所述第一类标记目标点的数量，/>表示当前图像帧中所述第二类标记目标点的数量，/>表示当前图像帧中所有标记像目标点的总数量，/>表示第一类标记目标点在当前图像帧与下一个图像帧之间的变化系数，/>表示第二类标记目标点在当前图像帧与下一个图像帧之间的变化系数，I为第一类标记目标点，J为第二类标记目标点。

6.如权利要求5所述的基于热力图的锅炉状态异常监测系统，其特征在于，所述去噪模块具体用于：

对于所述目标图像帧中的每一个目标像素点；

计算所述目标像素点在所述目标图像帧与所述优选图像帧中所对应的的滑窗范围内所有像素点的灰度值的标准差，并基于所述标准差得到所述目标像素点对应的加权权值；

基于所述加权权值以及所述目标像素点对应的灰度值，得到第一乘积；

计算所述目标像素点在所述目标图像帧与所述优选图像帧中所对应的第一乘积的均值，并将所述第一乘积的均值作为所述目标像素点去噪后的灰度值。