JP2023050291A - Learning model generation method, program and air ratio estimation device - Google Patents
Learning model generation method, program and air ratio estimation device Download PDFInfo
- Publication number
- JP2023050291A JP2023050291A JP2021160328A JP2021160328A JP2023050291A JP 2023050291 A JP2023050291 A JP 2023050291A JP 2021160328 A JP2021160328 A JP 2021160328A JP 2021160328 A JP2021160328 A JP 2021160328A JP 2023050291 A JP2023050291 A JP 2023050291A
- Authority
- JP
- Japan
- Prior art keywords
- flame
- air ratio
- flame image
- learning model
- image data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000007789 gas Substances 0.000 claims abstract description 28
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 239000002737 fuel gas Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 description 58
- 238000010586 diagram Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 239000003915 liquefied petroleum gas Substances 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
Landscapes
- Regulation And Control Of Combustion (AREA)
Abstract
Description
本発明は、学習モデル生成方法、プログラム及び空気比推定装置に関する。 The present invention relates to a learning model generation method, program, and air ratio estimation device.
工場等で使用される加熱炉では、複数の火炎が配列されるバーナーが使用される。この種のバーナーは、火炎が一列に配列される特徴から、ラインバーナーやリボンバーナーとも呼ばれる。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス(以下「予混合ガス」という)の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
A heating furnace used in a factory or the like uses a burner in which a plurality of flames are arranged. This type of burner is also called a line burner or a ribbon burner due to the characteristic that flames are arranged in a line.
At present, the state of the flame in the heating furnace is manually adjusted by manually adjusting the air ratio of the gas in which fuel gas and air are premixed (hereinafter referred to as "premixed gas"). Specifically, the worker observes the flame inside the furnace through an observation window provided in the heating furnace, and adjusts the air ratio based on his/her sense and know-how.
しかし、作業者による空気比の判断には個人差があり、判断の精度にも限界がある。また、技能の承継も問題になっている。更に、工場等では、数百本のラインバーナーが使用されることがあり、多くの時間と手間を必要とする。 However, there are individual differences in the determination of the air ratio by the operator, and there is a limit to the accuracy of determination. Skill transfer is also a problem. Furthermore, in a factory or the like, hundreds of line burners are sometimes used, requiring a lot of time and effort.
本発明は、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比の推定を可能にすることを目的とする。 SUMMARY OF THE INVENTION An object of the present invention is to make it possible to estimate an air ratio with high accuracy simply by taking a flame image in a heating furnace through an observation window.
請求項1に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項2に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項1に記載の学習モデル生成方法である。
請求項3に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項4に記載の発明は、前記火炎画像データは、現場の作業者により手持ちで撮像される、請求項3に記載のプログラムである。
請求項5に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
The invention according to
The invention according to
In the invention according to
The invention according to
The invention according to
請求項1記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項2記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項3記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項4記載の発明によれば、様々な現場での撮像を可能にできる。
請求項5記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
According to the first aspect of the invention, the air ratio can be estimated with high accuracy simply by taking a flame image in the heating furnace through the observation window.
According to the second aspect of the invention, the accuracy of estimating the air ratio can be further improved.
According to the third aspect of the invention, the air ratio can be estimated with high accuracy simply by taking a flame image in the heating furnace through the observation window.
According to the fourth aspect of the invention, it is possible to perform imaging at various sites.
According to the fifth aspect of the invention, the air ratio can be estimated with high accuracy simply by taking a flame image in the heating furnace through the observation window.
以下、図面を参照して、本発明の実施の形態を説明する。
<実施の形態>
<学習システムの構成>
図1は、火炎画像と炉内の空気比の関係を学習したモデル(以下「学習モデル」という)の生成に使用する学習システム1Aの一例を説明する図である。
図1に示す学習システム1Aが生成する学習モデルは、工場で使用する加熱炉10における空気比の推定に使用される。
BEST MODE FOR CARRYING OUT THE INVENTION Hereinafter, embodiments of the present invention will be described with reference to the drawings.
<Embodiment>
<Learning system configuration>
FIG. 1 is a diagram illustrating an example of a
A learning model generated by the
図1に示す加熱炉10の構造は、説明のために簡略化されており、実際の加熱炉10の構造とは必ずしも一致しない。また、図1に示す加熱炉10の構造は、加熱炉10を透過的に表現している。
図1に示す加熱炉10の炉内には、リボンバーナー20と、センサ30と、コンベア40が配置されている。
The structure of the
A
リボンバーナー20は、中空管(すなわちパイプ)に1つ又は複数のノズル列を形成した構造を有している。1つのノズル列には、例えば複数のノズルが一列に形成されている。この構造により、リボンバーナー20は、中空管の軸方向に沿って配列された火炎列を形成する。
リボンバーナー20には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ20Aと空気用のバルブ20Bの開度により調整される。バルブの調整は、作業者が手動で行う。
The
The
本実施の形態の場合、燃料ガスには、例えばLPG(=Liquefied Petroleum Gas)、都市ガス、低カロリーガスが使用される。
LPGは、例えばプロパンやブタンを主成分とする液化石油ガスである。都市ガスは、例えばメタンを主成分とする天然ガスである。低カロリーガスは、例えば水素と一酸化炭素を主成分とするガスである。
In the case of this embodiment, for example, LPG (=Liquefied Petroleum Gas), city gas, or low-calorie gas is used as the fuel gas.
LPG is, for example, liquefied petroleum gas whose main components are propane and butane. City gas is, for example, natural gas whose main component is methane. A low-calorie gas is, for example, a gas containing hydrogen and carbon monoxide as main components.
ところで、加熱炉10内における燃料ガスと空気との比率(すなわち空気比)は、必ずしも予混合ガスとして導入される燃料ガスと空気との混合比に一致しない。その原因には、例えばバルブ20A及び20Bの経年劣化、ノズルの目詰まり、炉壁10Aに存在する隙間や開口からの空気の流入がある。
By the way, the ratio of the fuel gas to the air (that is, the air ratio) in the
そこで、学習システム1Aで使用する加熱炉10にはセンサ30を配置し、炉内の空気比を正確に測定する。
本実施の形態の場合、センサ30には、例えば酸素濃度計やガスクロマトグラフィーを使用する。
センサ30は、火炎画像と空気比の紐付けのために使用するので、学習用の火炎画像を取得した後は、加熱炉10から取り外してもよい。
Therefore, a
In the case of this embodiment, the
Since the
図1に示すコンベア40は、焼成の対象である被加熱物を矢印の方向に搬送する。図1の場合、被加熱物は、火炎の先端より上空位置を水平方向に移動する。もっとも、図1は一例であり、被加熱物が火炎の下方位置を移動する場合もある。
図1に示すコンベア40は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図1に示すリボンバーナー20が、紙面の法線方向に複数配列される。
A
The
加熱炉10の炉壁10Aの一部には、炉内の火炎を観察するための窓(以下「観察窓」という)10Bが設けられている。
観察窓10Bは、少なくとも1つリボンバーナー20に対応して設けられる。観察窓10Bは、例えば耐熱ガラスで構成される。
カメラ50は、観察窓10Bから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ50には、単焦点レンズを使用する。
A part of the
At least one
The
単焦点レンズを使用することで、カメラ50から焦点位置までの距離(以下「撮影距離」という)Lは、使用する単焦点レンズの光学特性により概略一定に定まる。なお、被写界深度の範囲内であれば、撮影距離Lが異なってもピントがあった火炎画像の撮像が可能である。撮影距離Lが異なる火炎画像を撮像する場合には、ピントが合う距離が異なる他の単焦点レンズを交換する。本実施の形態では、撮影距離Lが異なる複数の単焦点レンズを使用して火炎画像を撮像する。
By using a single-focus lens, the distance L from the
本実施の形態で使用するカメラ50には、カラー画像を撮像できるカラーカメラを使用する。ただし、カメラ50には、火炎画像のデータ(以下「火炎画像データ」という)を色補正せずに出力する機能が求められる。色補正された火炎画像を学習しても、学習モデル60Aの汎用性が損なわれるためである。
このため、カメラ50が色補正機能を有する場合には、色補正機能をオフした状態で火炎画像を撮像する。本実施の形態の場合、火炎の全体を含む画像を「火炎画像」という。
A color camera capable of capturing a color image is used as the
Therefore, if the
火炎画像は、カメラ50を不図示の取付台等に取り付けた状態で撮像してもよいし、作業者がカメラ50を手で持った状態で撮像してもよい。
本実施の形態の場合、火炎画像を撮像する際の火炎とカメラ50の位置関係を記録する。
ここでの位置関係は、撮影距離Lと、レンズの光軸と撮像される火炎とがなす角(以下「角度」という)θを含む。
The flame image may be taken while the
In the case of this embodiment, the positional relationship between the flame and the
The positional relationship here includes the object distance L and the angle θ formed by the optical axis of the lens and the imaged flame (hereinafter referred to as “angle”).
図2は、火炎画像データの取得時におけるカメラ50と火炎との位置関係を説明する図である。(A)は撮影距離Lと火炎を撮像する角度θを示し、(B)は角度θの具体例を示す。
前述したように、撮影距離Lは、火炎画像の撮像に使用する単焦点レンズの光学特性に応じて決定される。
本実施の形態では、火炎画像に紐付けて撮影距離Lを記録するが、1つの空気比について、複数の単焦点レンズを使用して火炎画像を撮像すれば、撮影距離Lの記録は必ずしも必要ない。
FIG. 2 is a diagram for explaining the positional relationship between the
As described above, the photographing distance L is determined according to the optical characteristics of the single focus lens used to capture the flame image.
In the present embodiment, the shooting distance L is recorded in association with the flame image, but if the flame image is captured using a plurality of single focus lenses for one air ratio, recording the shooting distance L is not necessarily required. do not have.
また、本実施の形態では、1つの空気比について、複数の角度θで火炎画像を撮像し、撮像時の角度θを記録する。もっとも、撮影距離Lと同様、1つの空気比について複数の角度θで火炎画像が撮像すれば、角度θの記録は必ずしも必要ない。
図2(B)に示す丸印は、火炎画像を撮像する際における単焦点レンズの中心位置の例を示している。
Further, in the present embodiment, flame images are captured at a plurality of angles θ for one air ratio, and the angles θ at the time of capturing are recorded. However, as with the photographing distance L, if flame images are captured at a plurality of angles θ for one air ratio, it is not always necessary to record the angles θ.
The circles shown in FIG. 2(B) indicate an example of the central position of the single focus lens when capturing the flame image.
換言すると、個々の丸印は、カメラ50の撮像位置を表している。火炎画像の撮像に使用する中心位置の集合は、複数の空気比で共通でもよいが、異なってもよい。例えば空気比「0.6」に紐付けられる火炎画像の撮像に使用した中心位置の集合と、空気比「1.0」に紐付けられる火炎画像の撮像に使用した中心位置の集合は異なってもよい。
In other words, each circle represents the imaging position of the
なお、同じ同心円上に位置する複数の丸印に対応する角度θの絶対値はいずれも同じになる。
本実施の形態では、1つの角度θについて、火炎を斜め左方から撮像する丸印の位置、斜め上方から撮像する丸印の位置、斜め右方から撮像する丸印の位置など、複数の方向から火炎画像を撮像する。
Note that the absolute values of the angles θ corresponding to a plurality of circles positioned on the same concentric circle are all the same.
In the present embodiment, for one angle θ, a plurality of directions, such as the position of the circle where the flame is imaged obliquely from the left, the position of the circle where the image of the flame is imaged obliquely from above, and the position of the circle where the flame is imaged obliquely from the right. Take a flame image from
図1の説明に戻る。
本実施の形態では、1つの空気比について、複数の撮影距離L×複数の角度θで火炎画像が撮像される。例えば空気比「0.6」について、10個の撮影距離Lと、各撮影距離Lについて10個の角度θ(角度の大きさは同じで方向が違う場合を含む)とで100個の火炎画像を撮像する。
空気比と火炎画像との紐付けには、例えば時刻データを使用する。
Returning to the description of FIG.
In this embodiment, for one air ratio, flame images are captured at a plurality of photographing distances L×a plurality of angles θ. For example, for an air ratio of 0.6, 100 flame images with 10 shooting distances L and 10 angles θ for each shooting distance L (including cases where the magnitude of the angle is the same but the direction is different). is imaged.
Time data, for example, is used to associate the air ratio with the flame image.
機械学習装置60には、1つの空気比について、複数の撮影距離Lと複数の角度θとの組み合わせで撮像された複数枚の火炎画像が与えられる。
撮影距離Lが異なる火炎画像は、カメラ50に取り付けられる単焦点レンズを交換することで撮像が可能である。
具体的には、1つの空気比について、1つの単焦点レンズで複数の角度θで火炎画像を撮像すると、別の単焦点レンズに交換後、改めて複数の角度θで火炎画像を撮像する。
撮影距離Lが異なる複数の単焦点レンズによる火炎画像の撮像が終了すると、空気比を別の値に調整して、火炎画像の撮像を繰り返す。
The
Flame images with different photographing distances L can be captured by exchanging the single focus lens attached to the
Specifically, for one air ratio, when flame images are captured at a plurality of angles θ with a single single-focal lens, flame images are again captured at a plurality of angles θ after replacing with another single-focus lens.
When the flame images are captured by a plurality of single-focal lenses having different shooting distances L, the air ratio is adjusted to another value and the flame images are repeatedly captured.
図3は、機械学習装置60に与えられる火炎画像の一例を説明する図である。(A)~(J)は、各空気比に対応する火炎画像の例である。
因みに、図3(A)に示す火炎画像は空気比が0.6の例、図3(B)に示す火炎画像は空気比が0.7の例、図3(C)に示す火炎画像は空気比が0.75の例、図3(D)に示す火炎画像は空気比が0.8の例、図3(E)に示す火炎画像は空気比が0.85の例、図3(F)に示す火炎画像は空気比が0.9の例、図3(G)に示す火炎画像は空気比が0.95の例、図3(H)に示す火炎画像は空気比が1.0の例、図3(I)に示す火炎画像は空気比が1.05の例、図3(J)に示す火炎画像は空気比が1.1の例である。
FIG. 3 is a diagram explaining an example of a flame image given to the
Incidentally, the flame image shown in FIG. 3(A) is an example of an air ratio of 0.6, the flame image shown in FIG. 3(B) is an example of an air ratio of 0.7, and the flame image shown in FIG. An example of an air ratio of 0.75, the flame image shown in FIG. 3(D) is an example of an air ratio of 0.8, and the flame image shown in FIG. The flame image shown in FIG. 3F is an example with an air ratio of 0.9, the flame image shown in FIG. 3G is an example with an air ratio of 0.95, and the flame image shown in FIG. The flame image shown in FIG. 3(I) is an example of an air ratio of 1.05, and the flame image shown in FIG. 3(J) is an example of an air ratio of 1.1.
図3に示す例は、学習の対象として10個の空気比を選択しているが、学習の対象とする空気比の数は10個に限らない。例えば空気比の数は10個より少なくてもよいし、10個より多くてもよい。
1つの空気比については、複数の撮影距離Lと複数の角度θの組み合わせで特定される火炎画像を撮像するが、前述したように、1つの角度θについて撮像の方向が異なる複数の火炎画像を撮像してもよい。
In the example shown in FIG. 3, ten air ratios are selected as learning targets, but the number of learning target air ratios is not limited to ten. For example, the number of air ratios may be less than ten or more than ten.
For one air ratio, a flame image specified by a combination of a plurality of photographing distances L and a plurality of angles θ is captured. You can take an image.
機械学習装置60(図1参照)は、1つの空気比について撮影距離Lと角度θの組み合わせを変えて撮像された複数枚の火炎画像を入力とし、空気比を出力とする関係を学習した学習モデル60Aを機械学習により生成する。
本実施の形態では、火炎画像と、火炎画像の撮像時に測定された空気比とを教師データとして機械学習装置60に与える。
The machine learning device 60 (see FIG. 1) receives as input a plurality of flame images captured by changing the combination of the photographing distance L and the angle θ for one air ratio, and learns the relationship in which the air ratio is output. A
In the present embodiment, a flame image and the air ratio measured when the flame image is captured are given to the
すなわち、機械学習装置60は、教師あり学習により、火炎画像と空気比の関係を学習した学習モデル60Aを生成する。具体的には、機械学習装置60は、火炎画像に含まれる火炎の特徴(色味や形状)と空気比との関係を学習する。
図4は、機械学習装置60のハードウェア構成の一例を説明する図である。機械学習装置60は、例えばコンピュータにより構成される。
That is, the
FIG. 4 is a diagram illustrating an example of the hardware configuration of the
図4に示す機械学習装置60は、プログラムを実行するプロセッサ61と、BIOS(=Basic Input Output System)を記憶するROM(=Read Only Memory)62と、ワークエリアとして用いるRAM(=Random Access Memory)63と、ハードディスク装置64と、火炎画像や空気比の入力に使用するインタフェース65で構成されている。
The
プロセッサ61は、例えばCPU(Central Processing Unit)やGPU(Graphical Processing Unit)であり、機械学習プログラムを実行する。
ここでの機械学習プログラムは、火炎画像を入力とし、空気比を出力とする関係を機械学習するプログラムである。
機械学習プログラムは、補助記憶装置であるハードディスク装置64に記憶されている。
The
The machine learning program here is a program for machine-learning the relationship between the input of the flame image and the output of the air ratio.
The machine learning program is stored in the
機械学習プログラムは、教師データに基づいて、深層学習モデルを構成する各階層の変数を調整し、入力として火炎画像が与えられると、火炎画像の撮像時の空気比が出力されるように学習を進める。
図5は、深層学習モデルの一例を説明する図である。図5においては、深層学習モデルの一例として、畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)を例示している。
Based on the training data, the machine learning program adjusts the variables of each layer that make up the deep learning model, and when a flame image is given as an input, it learns so that the air ratio at the time of capturing the flame image is output. proceed.
FIG. 5 is a diagram illustrating an example of a deep learning model. FIG. 5 illustrates a convolutional neural network (CNN) as an example of a deep learning model.
畳み込みネットワークは、火炎画像から特徴を抽出する畳み込み層と、抽出された特徴の平均や最大値を抽出するプーリング層と、全結合層とで構成される。
畳み込みネットワークは、畳み込み層とプーリング層とで構成される単位構造を多段階に接続した多層構造を有し、全結合層は、それらの最終段に配置される。
図5の例では、全結合層の出力として、空気比が0~1.5のいずれかの値が出力される。
A convolutional network consists of a convolutional layer for extracting features from a flame image, a pooling layer for extracting the average or maximum value of the extracted features, and a fully connected layer.
A convolutional network has a multi-layered structure in which unit structures composed of convolutional layers and pooling layers are connected in multiple stages, and a fully connected layer is placed in the final stage thereof.
In the example of FIG. 5, any value of the air ratio between 0 and 1.5 is output as the output of the fully connected layer.
<推定システム>
図6は、加熱炉10の観察窓10Bを通して撮像された火炎画像から炉内の空気比を推定する推定システム1Bの構成例を説明する図である。
図6には、図1との対応部分に対応する符号を付して示している。図6では、推定システム1Bに加熱炉10も含めているが、狭義の推定システム1Bは、空気比推定装置70のみで構成される。
<Estimation system>
FIG. 6 is a diagram illustrating a configuration example of an
In FIG. 6, parts corresponding to those in FIG. 1 are shown with reference numerals. In FIG. 6, the
推定システム1Bでは、作業者が手持ちでカメラ50Aを構え、観察窓10Bから観察される火炎の画像(すなわち火炎画像)を撮像する。
ただし、火炎画像の撮像に使用されるカメラ50Aの光学特性等は、学習モデル60Aの学習に用いた火炎画像の撮像に用いたカメラ50(図1参照)の光学特性と同等であることが要求される。
In the
However, the optical characteristics of the
具体的には、カメラ50Aの撮影距離Lが、学習時に使用した撮影距離Lの範囲内であること、カメラ50Aのレンズの光学特性が、学習時に使用したカメラ50(図1参照)のレンズの特性の範囲内であることが要求される。これらの光学特性を満たすカメラ50Aは、例えば学習モデル60Aを生成した事業者等によって指定される。
Specifically, the photographing distance L of the
また、火炎画像を撮像する場合、撮像された火炎画像を色補正する機能を有しないカメラ50Aを使用するか、カメラ50Aが有する色補正の機能をオフに設定することが求められる。
例えばカメラ50Aには、学習モデル60Aを生成した事業者が提供する専用のアプリケーションプログラム(以下「専用アプリ」という)をインストールする。専用アプリがインストールされている場合、専用アプリを起動して火炎画像を撮像すれば、作業者は、色補正の設定等を気にすることなく、火炎画像の撮像に専念できる。
Also, when capturing a flame image, it is required to use a
For example, the
専用アプリを起動して火炎画像を撮像すれば、学習モデル60Aの学習時と同じ条件で処理された火炎画像が出力される。
もっとも、撮像条件が満たされれば、専用アプリの使用は必須ではない。すなわち、作業者が、学習モデル60Aを生成した事業者等が指定するカメラ50Aを用い、同事業者が指定する処理モード等の撮像条件を満たした状態で火炎画像を撮像できるのであれば、専用アプリの使用は必須ではない。
When the dedicated application is activated and a flame image is captured, a flame image processed under the same conditions as when learning the
However, if the imaging conditions are satisfied, the use of the dedicated application is not essential. That is, if the worker can capture a flame image using the
図6の例では、任意の撮影距離Lと任意の角度θで撮像された火炎画像がカメラ50Aから空気比推定装置70に与えられる。因みに、撮影距離Lと角度θは、学習モデル60Aの学習時に使用した範囲内であればよい。
空気比推定装置70は、カメラ50Aで撮像された火炎画像を学習モデル60Aに入力として与え、学習モデル60Aから出力される空気比を推定値として、作業者が使用するスマートフォン80に出力する。
In the example of FIG. 6, a flame image captured at an arbitrary shooting distance L and an arbitrary angle θ is supplied from the
The air
図6では、推定された空気比の通知先としてスマートフォン80を例示しているが、空気比の通知先となる情報端末はスマートフォンに限らない。例えばデスクトップ型のコンピュータ、ノート型のコンピュータ、タブレット型のコンピュータ、スマートグラスやスマートウォッチ等のウェアラブルコンピュータでもよい。
In FIG. 6, the
本実施の形態の場合、空気比の通知を確認した作業者は、バルブ20A及び20Bのいずれか又は両方を手動で操作し、加熱炉10内の空気比が目標値に一致するように調整する。加熱炉10内の空気比が目標値に一致したことは、調整後に撮像した火炎画像から推定された空気比の数値により確認される。
In the case of this embodiment, the operator who has confirmed the notification of the air ratio manually operates either or both of the
本実施の形態の場合、空気比推定装置70は、例えばクラウドサーバとして実現される。この運用形式の場合、カメラ50Aで撮像された火炎画像は、カメラ50Aや作業者が操作するコンピュータ等を通じ、空気比推定装置70にアップロードされる。
この場合、空気比推定装置70は、学習モデル60Aを生成した事業者等により運用され、火炎画像から推定された空気比は、サービスとして空気比推定装置70からスマートフォン80に提供される。
In the case of this embodiment, the air
In this case, the air
図7は、空気比推定装置70のハードウェア構成の一例を説明する図である。空気比推定装置70は、例えばコンピュータにより構成される。
図7に示す空気比推定装置70は、プログラムを実行するプロセッサ71と、BIOSを記憶するROM72と、ワークエリアとして用いるRAM73と、ハードディスク装置74と、火炎画像や空気比の入出力に使用するインタフェース75で構成されている。
FIG. 7 is a diagram illustrating an example of the hardware configuration of the air
The air
プロセッサ71は、例えばCPUやGPUであり、学習モデル60Aを使用して、カメラ50Aで撮像された火炎画像から加熱炉10内の現時点の空気比を推定する。このため、プロセッサ71は、火炎画像データを取得する火炎画像取得部71Aと、推定された空気比を出力する空気比出力部71Bとして機能する。ここでの火炎画像取得部71Aは取得部の一例であり、空気比出力部71Bは出力部の一例である。
The
火炎画像取得部71Aは、カメラ50Aで撮像された火炎画像データが取得されると、取得された火炎画像データを学習モデル60Aに入力する。
空気比出力部71Bは、学習モデル60Aから出力された空気比を、スマートフォン80に送信する。
図7の場合、学習モデル60Aは、補助記憶装置であるハードディスク装置74に記憶されている。
When the flame image data captured by the
Air
In the case of FIG. 7, the
本実施の形態の場合、インタフェース75は、通信インタフェースである。
インタフェース75は、加熱炉10側から火炎画像を受信すると共に、推定された空気比をスマートフォン80に送信する。
なお、火炎画像が記憶された半導体メモリを受け取った場合、半導体メモリに記憶されている火炎画像はインタフェース75を通じて読み出される。また、空気比を半導体メモリに記憶する場合には、インタフェース75を通じて空気比の書き込みが実行される。
In this embodiment,
The
When receiving the semiconductor memory storing the flame image, the flame image stored in the semiconductor memory is read out through the
<具体例>
図8は、学習モデルの生成に使用した教師データの具体例を説明する図表である。
教師データとして使用する火炎画像は、加熱炉10(図1参照)内の空気比を、「0.6」、「0.7」、[0.75]、「0.8」、「0.85」、「0.9」、「0.95」、「1.0」、「1.05」、「1.1」に制御した状態で行った。
因みに、空気比の「0.6」は、加熱炉10内に、予混合ガス量を10-21[NL/min]で供給することで実現した。他の空気比については、図8の図表に示す通りである。
<Specific example>
FIG. 8 is a diagram illustrating a specific example of teacher data used to generate a learning model.
The flame images used as training data are obtained by setting the air ratio in the heating furnace 10 (see FIG. 1) to "0.6", "0.7", "0.75", "0.8", "0. 85", "0.9", "0.95", "1.0", "1.05", and "1.1".
Incidentally, the air ratio of "0.6" was realized by supplying the premixed gas amount to the
図8の場合、空気比の「0.6」について、撮影距離Lと角度θの組み合わせが異なる522枚の火炎画像を撮像した。空気比の「0.7」~「1.0」については、図8の図表に示す通りである。図8の場合、合計3220枚の火炎画像が撮像されている。
図9は、撮像された火炎画像を使用して学習した学習モデル60A(図6参照)を使用した空気比の推定結果の精度を説明する図である。
In the case of FIG. 8, 522 flame images with different combinations of the photographing distance L and the angle θ were captured for the air ratio of "0.6". The air ratios "0.7" to "1.0" are as shown in the chart of FIG. In the case of FIG. 8, a total of 3220 flame images are captured.
FIG. 9 is a diagram for explaining the accuracy of the result of estimating the air ratio using the
(A)は教師データとして使用した火炎画像を学習モデル60Aに与えることで得られた空気比の正答率の推移を示し、(B)は教師データとして使用した火炎画像を学習モデル60Aに与えることで得られた空気比の誤差の推移を示し、(C)はテストデータとしての火炎画像を学習モデル60Aに与えることで得られた空気比の正答率の推移を示し、(D)はテストデータとしての火炎画像を学習モデル60Aに与えることで得られた空気比の誤差の推移を示す。
(A) shows the transition of the correct answer rate of the air ratio obtained by giving the flame image used as teacher data to the
図9の場合、教師データとして使用した火炎画像は3220枚のうちの一部である。また、テストデータとしての火炎画像は、3220枚の火炎画像のうち教師データに用いなかった残りである。
図9(A)~(D)の横軸は、反復回数(Epoch)である。
図9(A)及び(C)の縦軸は、正答率であり、次式で計算される。
正答率(Accuracy)=(TP+TN)/(TP+FP+TN+FN)
図9(B)及び(D)の縦軸は、誤差である。
In the case of FIG. 9, some of the 3220 flame images are used as training data. The flame images used as test data are the rest of the 3,220 flame images that were not used as teacher data.
The horizontal axis of FIGS. 9A to 9D is the number of repetitions (Epoch).
The vertical axis of FIGS. 9A and 9C is the percentage of correct answers, which is calculated by the following equation.
Correct answer rate (Accuracy) = (TP + TN) / (TP + FP + TN + FN)
The vertical axes in FIGS. 9B and 9D are errors.
TPは、推定値が正解で実際も正解の場合、すなわち真陽性(True Positive)を意味する。
TNは、推定値は不正解だが実際も不正解である場合、すなわち真陰性(True Negative)を意味する。
FPは、推定値は正解であるが実際は不正解の場合、すなわち偽陽性(False Positive)を意味する。
FNは、推定値は不正解であるが実際は正解の場合、すなわち偽陰性(False Negative)を意味する。
TP means true positive when the estimated value is correct and the actual value is also correct.
TN means a case where the estimated value is incorrect but the actual answer is incorrect, that is, True Negative.
FP means the case where the estimated value is correct but the actual answer is incorrect, that is, false positive.
FN means the case where the estimated value is incorrect but actually correct, that is, False Negative.
図9(A)~(D)には、4種類の深層学習モデルによる学習を繰り返した場合の結果の推移をグラフとして表している。
4種類の深層学習モデルは、シンプルな畳み込みニューラルネットワーク(Simple CNN)、深さが16層の畳み込みニューラルネットワーク(VGG16)、深さが19層の畳み込みニューラルネットワーク(VGG19)、深さが50層の畳み込みニューラルネットワーク(ResNet50)である。
FIGS. 9A to 9D show graphs of changes in results when learning by four types of deep learning models is repeated.
The four types of deep learning models are a simple convolutional neural network (Simple CNN), a 16-layer deep convolutional neural network (VGG16), a 19-layer deep convolutional neural network (VGG19), and a 50-layer deep convolutional neural network (VGG19). It is a convolutional neural network (ResNet50).
図9(A)及び(B)に示すように、教師データに用いた火炎画像を学習モデル60Aに入力した場合の空気比の推定値は、いずれの深層学習モデルを用いる場合にも、学習を繰り返すほど正答率は高く、誤差は少なくなる傾向が認められた。
一方、図9(C)及び(D)に示すように、テストデータとしての火炎画像を与えた場合には、VGG16やVGG19では、学習を繰り返すほど、正答率が高く、誤差が少なくなり、教師データと同等の結果が得られることが分かった。このことは、実用上も高い精度での空気比の推定が可能なことを意味する。
As shown in FIGS. 9A and 9B, the estimated value of the air ratio when the flame image used as the teacher data is input to the
On the other hand, as shown in FIGS. 9(C) and 9(D), when flame images were given as test data, in VGG16 and VGG19, the more the learning was repeated, the higher the rate of correct answers and the fewer the errors. It was found that results equivalent to the data were obtained. This means that it is possible to estimate the air ratio with high precision in practice.
一方で、Simple CNNやResNet50の場合、学習を繰り返しても正答率は若干低く、誤差も低下しなかった。
今回の結果に限れば、学習モデル60Aの生成には、VGG16やVGG19の採用が望ましいことが分かった。
On the other hand, in the case of Simple CNN and ResNet50, the correct answer rate was slightly low even after repeated learning, and the error did not decrease.
As far as the results of this time are concerned, it was found that the adoption of VGG16 or VGG19 is desirable for generating the
<まとめ>
本実施の形態で説明した学習システム1A(図1参照)を採用して、1つの空気比について、様々な撮影距離Lと角度θの組み合わせで撮像された火炎画像を学習した学習モデル60Aを生成することにより、空気比の推定精度が高い学習モデル60Aを生成することができる。
このため、現場の作業者は、任意の位置から火炎画像を撮像するだけで(換言すると、任意の撮影距離Lや角度θで火炎画像を撮像するだけで)、0.05刻みという高い精度で空気比の推定結果を得ることができる。
<Summary>
Using the
Therefore, an on-site worker can capture a flame image from an arbitrary position (in other words, capture a flame image at an arbitrary shooting distance L and angle θ) with a high accuracy of 0.05 increments. An air ratio estimation result can be obtained.
結果的に、空気比の測定作業の効率が向上し、短時間のうちに数多くの加熱炉10の空気比を高い精度で測定することができる。
また、学習モデル60Aを用いて推定された空気比を用いることにより、従前のように、火炎の状態を熟練作業者が観察して判断する手法に比べ、加熱炉10内の空気比を正確に把握することができる。
このため、手動によるバルブ20Aやバルブ20Bの調整を通じて予混合ガスの空気比を調整する場合でも、火炎画像を撮像するだけで調整の結果を確認できる。また、高い精度で加熱炉10内の空気比を調整できる結果、加熱炉10の省エネ化も達成できる。
また、学習モデル60Aを用いて推定された空気比を用いる手法は、作業者の技量によらないため、技能承継の問題も解消できる。
As a result, the efficiency of the air ratio measurement work is improved, and the air ratios of
In addition, by using the air ratio estimated using the
Therefore, even when the air ratio of the premixed gas is adjusted by manually adjusting the
In addition, the method of using the air ratio estimated using the
<他の実施の形態>
(1)以上、本発明の実施の形態について説明したが、本発明の技術的範囲は、前述の実施の形態に記載の範囲に限定されない。前述した実施の形態に、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。
<Other embodiments>
(1) Although the embodiments of the present invention have been described above, the technical scope of the present invention is not limited to the scope described in the above-described embodiments. It is clear from the scope of claims that the technical scope of the present invention includes various modifications and improvements to the above-described embodiment.
(2)例えば前述の実施の形態においては、空気比推定装置70(図6参照)がクラウドサーバとして実現される場合を例示したが、空気比推定装置70は、加熱炉10(図6参照)を管理する作業者が操作するコンピュータとして実現してもよい。この場合、作業者が操作するコンピュータには、学習モデル60Aを使用して火炎画像から空気比を推定するプログラムがインストールされている。
(2) For example, in the above embodiment, the air ratio estimating device 70 (see FIG. 6) is realized as a cloud server, but the air
ここでの空気比推定装置70は、火炎画像を撮像するカメラ50Aと一体型のコンピュータとして実現してもよい。例えばスマートフォン80やタブレット型のコンピュータとして実現してもよい。
図10は、カメラ一体型の空気比推定装置70Aのハードウェア構成の一例を説明する図である。図10には、図6及び図7との対応部分に対応する符号を付して示している。
The air
FIG. 10 is a diagram illustrating an example of the hardware configuration of a camera-integrated air
図10に示す空気比推定装置70Aでは、ハードディスク装置74(図7参照)に代えて記憶容量が大きいメモリカード74Aを使用する。メモリカード74Aには、学習モデル60Aが記憶されている。
また、図10に示す空気比推定装置70Aには、タッチパネル76とカメラ50Aが実装されている。
タッチパネル76は、例えば液晶ディスプレイと静電容量式タッチセンサとで構成される。
勿論、カメラ50Aには、学習モデル60Aの生成時に使用したカメラ50(図1参照)と同等の光学特性が要求される。
In the air
A
The
Of course, the
(3)前述の実施の形態においては、空気比推定装置70で推定された空気比を確認した作業者がバルブ20A等を調整しているが、バルブ20A等の調整を自動化してもよい。
図11は、加熱炉10の観察窓10Bを通して撮像された火炎画像から炉内の空気比を推定する他の推定システム1Cの構成例を説明する図である。図11には、図6との対応部分に対応する符号を付して示している。
(3) In the above-described embodiment, the operator who confirmed the air ratio estimated by the air
FIG. 11 is a diagram illustrating a configuration example of another
図11に示す推定システム1Cの場合、空気比推定装置70で推定された空気比は、流量調整装置90に出力される。流量調整装置90は、推定された空気比が目標値に一致するように、バルブ20A及び20Bの両方又は一方の開度を調整する。この場合、作業者は、加熱炉10内の火炎を、観察窓10Bを通して撮像するだけで、加熱炉10内の空気比を目標値に一致させることができる。
In the
(4)前述の実施の形態では、リボンバーナー20(図1参照)を使用する加熱炉10を例示したが、カーテン状の幅広の火炎を形成するピアンラインバーナーを使用する加熱炉10や耐熱金属繊維をニット状に編み込んだメタルニットバーナーを使用する加熱炉10にも使用が可能である。なお、リボンバーナー20、ピアンラインバーナー、メタルニットバーナーは一例であり、他の種類のバーナーを使用する加熱炉10でもよい。
(4) In the above-described embodiment, the
(5)前述の実施の形態では、学習モデル60A(図1参照)の学習に使用する火炎画像の撮像や空気比の推定のための火炎画像の撮像に、単焦点レンズを装着したカメラ50(図1参照)やカメラ50A(図6参照)を使用したが、撮影距離Lが可変のズームレンズを使用して撮像してもよい。
ズームレンズを用いる場合、撮影倍率の変更が可能であり、加熱炉10内の火炎を観察窓10Bから離れた位置から撮像することができる。この場合、学習モデル60Aの学習に使用する教師データに撮影倍率が異なる複数の火炎画像を含めることができる。
(5) In the above-described embodiment, the camera 50 ( 1) and the
When a zoom lens is used, it is possible to change the imaging magnification, and the flame in the
(6)前述の実施の形態では、学習システム1A(図1参照)や推定システム1B(図6参照)を工場で用いる場合について説明したが、予混合ガスを燃焼する加熱炉を使用する任意の施設で用いることができる。
(6) In the above-described embodiment, the case where the
1A…学習システム、1B、1C…推定システム、10…加熱炉、10A…炉壁、10B…観察窓、20…リボンバーナー、20A、20B…バルブ、30…センサ、40…コンベア、50、50A…カメラ、60…機械学習装置、60A…学習モデル、70、70A…空気比推定装置、80…スマートフォン、90…流量調整装置
DESCRIPTION OF
工場等で使用される加熱炉では、複数の火炎が配列されるバーナーが使用される。この種のバーナーは、火炎が一列に配列される特徴から、ラインバーナーとも呼ばれる。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス(以下「予混合ガス」という)の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
A heating furnace used in a factory or the like uses a burner in which a plurality of flames are arranged. This type of burner is also called a line burner due to the characteristic that the flames are arranged in a line.
At present, the state of the flame in the heating furnace is manually adjusted by manually adjusting the air ratio of the gas in which fuel gas and air are premixed (hereinafter referred to as "premixed gas"). Specifically, the worker observes the flame inside the furnace through an observation window provided in the heating furnace, and adjusts the air ratio based on his/her sense and know-how.
請求項1に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するノズル列を備える炉内の火炎を、炉の外の地点から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項2に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項1に記載の学習モデル生成方法である。
請求項3に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項4に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
The invention according to
The invention according to
In the invention according to
In the invention according to
請求項1記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項2記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項3記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項4記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
According to the first aspect of the invention, the air ratio can be estimated with high accuracy simply by taking a flame image in the heating furnace through the observation window.
According to the second aspect of the invention, the accuracy of estimating the air ratio can be further improved.
According to the third aspect of the invention, the air ratio can be estimated with high accuracy simply by taking a flame image in the heating furnace through the observation window.
According to the fourth aspect of the present invention , the air ratio can be estimated with high accuracy simply by capturing the image of the flame inside the heating furnace through the observation window.
図1に示す加熱炉10の構造は、説明のために簡略化されており、実際の加熱炉10の構造とは必ずしも一致しない。また、図1に示す加熱炉10の構造は、加熱炉10を透過的に表現している。
図1に示す加熱炉10の炉内には、ラインバーナー20と、センサ30と、コンベア40が配置されている。
The structure of the
A
ラインバーナー20は、中空管(すなわちパイプ)に1つ又は複数のノズル列を形成した構造を有している。1つのノズル列には、例えば複数のノズルが一列に形成されている。この構造により、ラインバーナー20は、中空管の軸方向に沿って配列された火炎列を形成する。
ラインバーナー20には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ20Aと空気用のバルブ20Bの開度により調整される。バルブの調整は、作業者が手動で行う。
The
A premixed gas in which fuel gas and air are premixed is introduced into the
図1に示すコンベア40は、焼成の対象である被加熱物を矢印の方向に搬送する。図1の場合、被加熱物は、火炎の先端より上空位置を水平方向に移動する。もっとも、図1は一例であり、被加熱物が火炎の下方位置を移動する場合もある。
図1に示すコンベア40は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図1に示すラインバーナー20が、紙面の法線方向に複数配列される。
A
The
加熱炉10の炉壁10Aの一部には、炉内の火炎を観察するための窓(以下「観察窓」という)10Bが設けられている。
観察窓10Bは、少なくとも1つラインバーナー20に対応して設けられる。観察窓10Bは、例えば耐熱ガラスで構成される。
カメラ50は、観察窓10Bから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ50には、単焦点レンズを使用する。
A part of the
At least one
The
(4)前述の実施の形態では、ラインバーナー20(図1参照)を使用する加熱炉10を例示したが、カーテン状の幅広の火炎を形成するピアンラインバーナーを使用する加熱炉10や耐熱金属繊維をニット状に編み込んだメタルニットバーナーを使用する加熱炉10にも使用が可能である。なお、ラインバーナー20、ピアンラインバーナー、メタルニットバーナーは一例であり、他の種類のバーナーを使用する加熱炉10でもよい。
(4) In the above-described embodiment, the
1A…学習システム、1B、1C…推定システム、10…加熱炉、10A…炉壁、10B…観察窓、20…ラインバーナー、20A、20B…バルブ、30…センサ、40…コンベア、50、50A…カメラ、60…機械学習装置、60A…学習モデル、70、70A…空気比推定装置、80…スマートフォン、90…流量調整装置
DESCRIPTION OF
Claims (5)
前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、
学習モデル生成方法。 Flame image data obtained by imaging a flame in a furnace equipped with a burner that burns a premixed gas in which fuel gas and air are premixed through an observation window from the outside of the furnace, and the angle at which the flame is imaged for each air ratio. and flame image data with different combinations of distances to the flame are acquired as training data,
Using the teacher data, generating a learning model that inputs the flame image data captured through the observation window and outputs the air ratio;
Learning model generation method.
請求項1に記載の学習モデル生成方法。 The training data includes a plurality of flame image data with different imaging magnifications;
The learning model generation method according to claim 1.
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラム。 Acquiring flame image data of a flame in a furnace equipped with a burner that burns a premixed gas in which fuel gas and air are mixed in advance through an observation window from outside the furnace,
For each air ratio, the obtained flame image data is input to a learning model that has been trained using a plurality of flame image data with different combinations of the flame imaging angle and the distance to the flame as teacher data, and correspondence is performed. A program that causes a computer to execute the process of outputting the air ratio.
請求項3に記載のプログラム。 The flame image data is hand-held by an on-site worker.
4. A program according to claim 3.
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、
を有する空気比推定装置。 an acquisition unit that acquires flame image data of a flame in a furnace equipped with a burner that burns a premixed gas obtained by mixing fuel gas and air in advance through an observation window from outside the furnace;
For each air ratio, the obtained flame image data is input to a learning model that has been trained using a plurality of flame image data with different combinations of the flame imaging angle and the distance to the flame as teacher data, and correspondence is performed. an output unit that outputs an air ratio that
air ratio estimator.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021160328A JP7058367B1 (en) | 2021-09-30 | 2021-09-30 | Learning model generation method, program and air ratio estimator |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021160328A JP7058367B1 (en) | 2021-09-30 | 2021-09-30 | Learning model generation method, program and air ratio estimator |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7058367B1 JP7058367B1 (en) | 2022-04-21 |
JP2023050291A true JP2023050291A (en) | 2023-04-11 |
Family
ID=81291818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021160328A Active JP7058367B1 (en) | 2021-09-30 | 2021-09-30 | Learning model generation method, program and air ratio estimator |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7058367B1 (en) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005164128A (en) * | 2003-12-02 | 2005-06-23 | Kawasaki Heavy Ind Ltd | Combustion control method and its system |
JP2019201397A (en) * | 2018-05-15 | 2019-11-21 | 大日本印刷株式会社 | Imaging apparatus and program |
JP2020009171A (en) * | 2018-07-09 | 2020-01-16 | 東京瓦斯株式会社 | Burning evaluation system, information processing apparatus and program |
JP2020112332A (en) * | 2019-01-16 | 2020-07-27 | 東京瓦斯株式会社 | Method for providing diagnostic information on combustion facility |
JP2021103008A (en) * | 2019-12-24 | 2021-07-15 | 中部電力株式会社 | Air ratio estimation system, air ratio control system, and unburned-state detection system or misfire detection system |
-
2021
- 2021-09-30 JP JP2021160328A patent/JP7058367B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005164128A (en) * | 2003-12-02 | 2005-06-23 | Kawasaki Heavy Ind Ltd | Combustion control method and its system |
JP2019201397A (en) * | 2018-05-15 | 2019-11-21 | 大日本印刷株式会社 | Imaging apparatus and program |
JP2020009171A (en) * | 2018-07-09 | 2020-01-16 | 東京瓦斯株式会社 | Burning evaluation system, information processing apparatus and program |
JP2020112332A (en) * | 2019-01-16 | 2020-07-27 | 東京瓦斯株式会社 | Method for providing diagnostic information on combustion facility |
JP2021103008A (en) * | 2019-12-24 | 2021-07-15 | 中部電力株式会社 | Air ratio estimation system, air ratio control system, and unburned-state detection system or misfire detection system |
Also Published As
Publication number | Publication date |
---|---|
JP7058367B1 (en) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146082B (en) | Machine learning device, robot control system, and machine learning method | |
CN105547182B (en) | Spinneret detection device and method | |
CN111515944B (en) | Automatic calibration method for non-fixed path robot | |
CN101592787B (en) | Device for adjusting light path and method thereof | |
CN102540194B (en) | Surveying device and surveying device communication system comprising same | |
CN102628670B (en) | Dimension measuring apparatus and dimension measurement method | |
JP7393511B2 (en) | Learning model generation method and program | |
JP6765791B2 (en) | A method for creating a reference image set for pattern matching, a device for creating a reference image set for pattern matching, a work recognition method, a program, and a recording medium. | |
CN106981050A (en) | The method and apparatus of the image flame detection shot to fish eye lens | |
CN108351123A (en) | Heliostat is characterized using starlight | |
CN101098619A (en) | Method, device and program for setting a reference value for substrate inspection | |
CN109307480A (en) | A kind of transmissive element multi-surface surface testing method | |
CN106404352A (en) | Method for measuring distortion and field curvature of optical system of large-field telescope | |
CN109451304A (en) | A kind of camera module batch focusing test method and system | |
CN110246193A (en) | Industrial robot end camera online calibration method | |
JP7158188B2 (en) | Combustion evaluation system, information processing device and program | |
JP2023050291A (en) | Learning model generation method, program and air ratio estimation device | |
CN110261069A (en) | A kind of detection method for optical lens | |
CN106886989A (en) | The automatic optical detection method of keyboard | |
Avendaño-Alejo et al. | Quantitative evaluation of an off-axis parabolic mirror by using a tilted null screen | |
CN108958212A (en) | Calibrating operation auxiliary device, calibrating operation householder method and recording medium | |
JP4298587B2 (en) | Displaying eccentricity measurement results | |
CN117718954A (en) | Hand-eye calibration method for self-correcting camera gesture and self-generating photographing path | |
JP7058370B1 (en) | Combustion equipment | |
CN108801177A (en) | A kind of method and its calibration slide for microscopic system automatic adjustment verticality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210930 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7058367 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |