TWI381139B - 基於影像之燃燒製程監控與診斷方法及其相關之電腦可讀取媒體 - Google Patents

Description

基於影像之燃燒製程監控與診斷方法及其相關之電腦可讀取媒體

本發明係有關於一種基於影像之製程監控與診斷方法，且特別有關於一種基於火焰影像之燃燒製程監控與異常現象及原因診斷方法。

鍋爐系統係為目前化工廠、電廠或傳統製造工業中，製程生產動力的來源，然而，受到近幾年國際油價波動與環保意識抬頭的影響，以及對於工業安全的日益重視，發展更有效率、排放氣體更符合環保標準、以及操作更具安全性的燃燒監控系統，已成為鍋爐設備開發以及燃燒製程監控的重要議題。

傳統的燃燒製程監控方法，係透過離線作業的工業用攝影機或窺視孔作目視監控及診斷，此方法比較依賴人為的經驗判斷，且不具即時性。雖然有些系統可利用自動化之火燄偵測器判斷有火/無火，但這些方法無法獲知燃燒狀態以及燃燒的品質。另外有些系統以多點式熱電偶感測爐壁上的溫度，藉此判斷火焰的燃燒狀況，但熱電偶感測器容易受到未燃燒碳粉的覆蓋，加上量測的溫度並非火焰周圍之燃燒溫度，甚至感測器容易因高溫環境的影響導致老化，而使得數據失真。為了獲致更多的火焰資訊，一些感測器廠商發展出以紫外線、可見光譜和紅外線等量測技術直接量測火焰溫度，其雖然可比傳統溫度量測方法擷取更多資訊，但由於光學儀器價位較高與維護保養不易，並不適合一般中小型工廠投資。

近幾年由於CCD感測元件技術發展成熟，攝影機等諸多影像擷取裝置的成本越來越低，利用CCD攝影機拍攝爐內火焰圖像，可用來即時監控爐內燃燒情形，解決傳統量測只能單點量測或者感測設備價格昂貴等問題。然而，由於影像資訊量十分龐大，一張影像少則數十萬畫素，多則上千萬畫素，因此，如何擷取少數重要而有用的影像特徵資訊，是影像前處理步驟非常關鍵的議題。此外，燃燒系統的穩定性攸關於安全、燃料成本與環境保護議題，因此，如何有效的監控燃燒製程的穩定度，以及如何快速偵知異常與診斷原因，亦為極需解決的課題。

基於上述目的，本發明提出一種基於影像之燃燒製程監控與診斷方法，用以藉由一個多維度影像擷取裝置，於高溫環境下捕捉爐膛內的可見光火焰影像，並經由電腦等計算單元及其內部的演算法程式，達到燃燒系統監控及診斷的目標。

本發明實施例提供一種基於影像之燃燒製程監控方法，包括下列步驟。首先，得到一爐膛內含火焰影像之一原始影像，並利用至少一色彩空間將原始影像轉換為一轉換影像。接著，由轉換影像中擷取一特徵曲線並篩選出特徵曲線中之至少一曲線區段，其中曲線區段係對應至轉換影像之一特定影像區域。之後，依據特徵曲線或篩選出之曲線區段，監控原始影像之全部或部分區域是否異常，以監控燃燒製程。

為使本發明之上述和其他目的、特徵、和優點能更明顯易懂，下文特舉出實施例，並配合所附圖式，作詳細說明如下。

本發明說明書提供不同的實施例來說明本發明不同實施方式的技術特徵。其中，實施例中的各元件之配置係為說明之用，並非用以限制本發明。且實施例中圖式標號之部分重複，係為了簡化說明，並非意指不同實施例之間的關聯性。

本發明實施例揭露了一種基於影像之燃燒製程監控與診斷方法。本發明實施例之基於影像之燃燒製程監控與診斷方法係利用一個多維度影像擷取裝置(例如CCD攝影機)於高溫環境下捕捉爐膛內的可見光火焰影像所得到的特徵曲線來進行多維度影像視覺監控，並診斷其異常型態。請參照第1圖。

第1圖顯示依據本發明實施例之基於影像之燃燒製程監控方法之流程圖。首先，如步驟S110，利用一個多維度影像擷取裝置(例如一CCD攝影機)，得到一爐膛內含火焰影像的一原始影像。當影像擷取裝置擷取到影像資訊之後，如步驟S120，利用至少一色彩空間將原始影像作適當的色彩空間轉換，轉換為一轉換影像。舉例來說，本發明實施例之基於影像之燃燒程序監控與診斷方法所使用之色彩空間包括：灰階、主成份、RGB、HSB(Hue/Saturation/Brightness)、HSL(Hue/Saturation/Lightness)、HSV(Hue/Saturation/Value)、YIQ(Luminace/Inphase/Quadrature)、YUV(Luminace/Chrominance)、YCbCr(Luminace/blue and red Chrominance)或是溫度場，但其並非用以限制本發明。一般而言，在眾多色彩空間當中，由於灰階所占的記憶空間最小，因此為最常被選擇的空間。為簡化說明，於以下實施例中，係以灰階色彩空間為例，因此前述的色彩空間轉換係將原始影像利用一灰階色彩空間轉換為一轉換影像，亦即轉換影像係為一灰階影像。

接下來，如步驟S130，擷取轉換影像的特徵曲線，並篩選出特徵曲線中的重要曲線區段，以作為後續監控及診斷的依據。所謂的特徵曲線係指可以代表影像特徵之曲線函數，可用一演算法將影像轉換為一特徵曲線。舉例來說，於一實施例中，假設原始影像包含RGB之三維影像資訊，以解析度492×658的影像為例，該影像共包括323736個像素。由於其資料量過大，故需從大量的像素資料中萃取出有代表性之影像特徵。本發明方法係將原始影像進行空間轉換，在本實施例中係可分別利用灰階投影將原始影像轉換映射至一灰階空間，以產生一維的灰階空間，然後利用基於亮度值之累加分配函數(Cumulative Distribution Function,CDF)對轉換後之影像進行灰階和原始RGB空間的全域特徵選取。上述操作可以有效將原始影像的像素分別減至為256以及768個特徵數。當取得各維度的特徵後，即根據取得之全部影像特徵產生特徵向量，再利用這些特徵向量組成特徵曲線。

此外，不同的灰階特徵曲線區段係對應至原始影像的不同的影像區域。請參照第2圖。

第2圖顯示一依據本發明實施例之影像特徵曲線示意圖。如第2圖所示，特徵曲線20係對應於一爐膛內含火焰影像的原始影像的轉換影像，係表示一張爐膛火焰的原始影像進行了一維灰階空間轉換之後，經由CDF所繪得之影像特徵曲線20，其中橫軸表示為0至255之亮度值，而縱軸表示為0至1的維度像素面積累加比例值。在本實施例中，特徵曲線20分為特徵曲線區段21-25，其中灰階強度小的區域即為原始影像亮度較灰暗之部位，例如灰階強度值<38，表示爐壁部分(右爐壁區21以及左爐壁區22)，灰階強度大的區域即為原始影像亮度較明亮之部位，例如灰階強度≧222，可表示火焰內心(火焰內心區25)，中等的灰階強度表示火焰(火焰內環區24)及其外圍部分(火焰外環區23)，因此可以從影像的特徵曲線中篩選出不同的特徵曲線曲段，進而解讀出火焰的狀況。

由特徵曲線中篩選出重要曲線區段係可藉由手動、自動或半自動解析方法找到適當門檻值來區分想要的重要影像區域，以作特徵曲線對應到影像區域關係之解析。於本實施例中，係以灰階影像作說明。所謂手動解析方法係指將灰階影像之灰階值依序由0遞增至255，並依據灰階值的改變，產生每一灰階值對應之影像圖形，再利用產生的這些影像圖形比對圖形的改變，以目測方式找到可區分影像重要區域的對應灰階門檻值。在一實施例中，可反白影像圖形，藉由觀察影像圖形之反白區域之變化，來找到區分影像重要區域的灰階門檻值。所謂自動解析方法係指利用一演算法定義具有望大特性的門檻值相似度，再自動由門檻值相似度中選出對應影像區域之灰階門檻值。舉例來說，若使用者想要區分N個影像區域，則自動化方法會輸出N-1個灰階門檻值做為參考。請參照第3圖。

第3圖係顯示一據本發明實施例之特徵曲線之區段自動解析方法之流程圖，用以找到對應轉換的灰階影像的複數影像區域的複數灰階門檻值。於本實施例中，為了避免相近的灰階值所造成影像區隔度不佳的困擾，先定義任意兩個灰階門檻值的距離不得小於一既定值H(例如10)。如第3圖所示，依據本發明實施例之區段自動解析方法先針對灰階影像之每一灰階值i，計算其門檻值相似度{Ti}(步驟310)。其中，i從0至255，並假設特徵曲線為一數列{Ci}，其一階差分數列為{Di}，二階差分數列為{Ei}，二階差分的符號數列為{Ei}。若Ei>0，令Ai=1，若Ei<0，令Ai=-1，Pi代表Di的百分位數，則門檻值相似度{Ti}定義如下：

接著，將計算出的所有門檻值相似度{Ti}由大至小排序，得到一排序數列{Si}(步驟S320)。之後，便可根據所需區分的影像區域個數，由排序數列{Si}中選取對應個數的灰階門檻值，以提供對應的灰階門檻值(步驟S330)。舉例來說，若欲區分N個影像區域時，則可自{Si}中選取前面N-1個所對應的灰階值作為門檻值，若有任意二個門檻值的距離小於既定值H，則剃除較小之值後，並自{Si}中依序再選取其他值，直到所有N-1個門檻值均滿足「任意二個門檻值的距離均大於既定值H」的要求。第4圖係顯示一據本發明實施例之特徵曲線自動解析結果示意圖。由第4圖中的結果可以看出，在灰階值10、37、80、222的這幾點具有相對較高的相似度，表示灰階影像在灰階值=10、37、80、222時，對應灰階之影像圖形產生的較明顯的變化，因此，若使用者想要區分5個影像區域，則自動解析方法就會輸出4個灰階門檻建議值10、37、80、222。

所謂半自動解析方法係先利用自動化方法找到門檻值相似度，並從中選出一些初始門檻值，若初始門檻值無法有效區隔出N個影像區域，則可先剃除無效的門檻值，並參照手動解析的結果，加入適當門檻值，最後找出N-1個門檻值來區隔出N個重要影像區域。當利用前述手動、自動或半自動解析方法找到適當的門檻值之後，可以進一步將門檻值及影像區域名稱標示在特徵曲線上以利後續之監控。

請回到第1圖，當擷取出影像的特徵曲線並篩選出特徵曲線中的重要曲線區段之後，如步驟S140，便可利用全部的特徵曲線或利用特定的特徵曲線區段進行後續的燃燒製程影像監控與診斷。如果使用者想監控及診斷所有的影像區域，則可以利用整條特徵曲線作監控。如果使用者只想監控及診斷某些特定影像區域，例如：火燄區或爐壁區，則可以篩選出特定的特徵曲線區段(如第2圖所示的火焰內心區25或右爐壁區21以及左爐壁區22)，並僅以此區段作為監控及診斷的對象。請參照第2圖，如果使用者只想監控火燄內環(含內心)的區域，則只要篩選灰階值為80~255的特徵曲線區段，如果想要監控全域影像(含整個火燄區及爐壁區)，則可以整個包含灰階值0~255之特徵曲線進行後續的燃燒製程狀態的監控與異常診斷。

為了方便說明，以下之監控及診斷方法說明，均以整條特徵曲線之全域監控及診斷為對象。

在監控階段，首先必須蒐集一段時間的正常影像，並將其轉換為特徵曲線，再依據這些特徵曲線，計算出對應這些特徵曲線的一曲線管制區間，例如將這些特徵曲線的每一縱向資料計算其平均值，產生一正常影像之平均特徵曲線，之後再+3或-3標準差，而求算出一曲線管制區間。請參照第6A圖以及第6B圖。第6A圖顯示一依據本發明實施例之正常影像之特徵曲線分佈圖。第6B圖顯示一依據本發明實施例之具有管制區間之特徵曲線示意圖。由第6A圖可發現這些正常影像的特徵曲線在某些特定區域的形成分佈。如第6B圖所示，51與53係表示對應於第6A圖的正常特徵曲線(位於51與53之間)的管制界線，管制界線51與53形成一管制區間，管制區間有一中線54(即正常影像之平均特徵曲線)。於後續的影像監控時，可以依據此管制界線進行後續的影像監控，若後續影像的特徵曲線超出管制區間，則可判斷出影像疑似出現異常。於一實施例中，可將管制區間以醒目的顏色例如紅色表示以方便進行判讀。

雖然前述的曲線監控可以提供更多異常的訊息，例如：異常的影像區域、異常的狀況(例如超出管制區上界代表火燄變小，超出管制區下界代表火燄變大)，然而，曲線監控畢竟比單點的監控還要複雜，因此，本發明實施例更提出一種單點監控方式，先計算出特徵曲線對應的單點的特徵指標，並利用此一指標來作影像的監控。

本發明實施例係採用以下步驟將曲線轉換成一個點，以計算出特徵曲線對應的單點的特徵指標。首先，利用如上述之方法，蒐集複數正常影像，並將蒐集到之正常影像轉換為複數正常特徵曲線，將複數的正常特徵曲線平均後求得一正常影像之平均特徵曲線，此正常影像之平均特徵曲線係為可為第6B圖中所示的管制區間的中線54。接著，針對後續待監控的影像，計算其特徵曲線與正常影像平均特徵曲線的相似度，以作為對應特徵曲線的特徵指標。前述特徵曲線的相似度可藉由計算兩條曲線的距離例如歐式距離而得。需注意的是，此一距離不限歐式距離，也可以是其他距離，如：平方歐氏(Squared Euclidean)距離、城市街道(City-block(Manhattan))距離、柴比雪夫(Chebychev)距離或馬氏(Mahalanobis)距離等等。請參照第7圖，係顯示一依據本發明實施例之特徵曲線相似度示意圖。於本實施例中，假設待監控影像之特徵曲線為，正常影像之平均特徵曲線為，則前述特徵曲線的相似度可藉由計算兩條曲線的歐式距離而得，其公式如下：

因此，可利用前述公式計算待監控影像的特徵曲線與正常影像的管制區間的中線之間的距離，當其距離超出管制界限，則可判定影像出現異常。管制界線的設定，係可依照需求作不同的變更，以前述之實施例為例，管制區間為正常影像之平均特徵曲線再+3或-3倍標準差，則管制界線為3倍標準差之值。第8圖顯示一依據本發明實施例之特徵指標管制圖。在本實施例中，每秒持續拍攝1張的待監控影像，共連續拍攝180秒，將每張影像轉換為特徵曲線後，皆與前述正常影像之平均特徵曲線進行相似度的比較，如第8圖所示，直線1340代表管制界限，曲線則是對應每一時間點的影像之特徵曲線與正常影像平均特徵曲線相似度的連線，代表影像之特徵指標，剛開始特徵指標落在區間1310時並未超過管制上限1340，火焰燃燒情形如同第8圖中的A，因此可視為正常，之後，特徵指標落在區間1320時微幅超過管制界限，此時已有小幅度異常發生，火焰燃燒情形如同第8圖中的B，而當特徵指標落在區間1330時則大幅超過管制界限1340，表示有大幅度異常的發生，火焰燃燒情形如同第8圖中的C與D。於第8圖中顯示特徵指標有逐漸往上的趨勢，代表其火燄狀況愈來愈偏離正常範圍的趨勢。值得注意的是，於一實施例中，雖然第8圖中的特徵指標超出管制界限代表警示異常，然而，由於燃燒火燄具有閃爍之動態的特性，因此可加上「連續M點有N點(例如，連讀10點有7點)超出管制界限時必須發出異常警報」的監控原則來減少因火燄具有閃爍產生的誤判，其中，M、N可由工程人員依實際使用情形進行調整。

以上所述的影像監控流程圖，則請參見第5圖。第5圖係顯示依據本發明另一實施例之影像監控流程圖。如第5圖所示，先蒐集正常多維度影像(步驟S510)，將所蒐集到的正常影像經由轉換空間得到一正常轉換影像(步驟S520)，之後再利用前述的方式對正常轉換影像擷取產生正常影像平均特徵曲線(步驟S530)，再利用待監控影像之特徵曲線與正常影像平均特徵曲線的相似度，得知相對待監控影像之特徵曲線的特徵指標(步驟S540)，建立特徵指標的一管制界限(步驟S550)。之後，利用此管制界限對後續影像進行持續監控(步驟S560)，判斷後續影像之特徵指標是否有超出管制界限(步驟S570)，若發現後續影像之特徵曲線或指標超出管制界限時，表示有異常發生，於是，便進行後續的異常診斷(步驟S580)。

請再參照第1圖，於影像監控階段，將持續監控原始影像是否異常(步驟S150)。若診斷為沒有異常(步驟S150的否)，則回到步驟S140持續進行後續的影像監控。若發現影像有異常(步驟S150的是)，則執行步驟S160-S170。影像監控發生異常之後，必須進行異常現象診斷(步驟S160)與異常原因診斷(步驟S170)，才能知道異常的現象，以及異常類型與可能原因。本發明實施例之基於影像之燃燒製程監控與診斷方法在異常現象診斷部份，係利用超出管制界限的特徵曲線之影像區域與反白影像圖像以得知對應的異常區域，如第10圖所示。第10A-10D圖係顯示依據本發明實施例之正常與異常結果顯示之示意圖。第10A圖與第10B圖中的細線分別代表監控到的正常與異常特徵曲線，而第10C圖與第10D圖則分別代表對應第10A圖與第10B圖的正常與異常原始影像。明顯地，第10B圖的影像監控特徵曲線係落在管制區間之外，因此可以發現有異常發生，觀察特徵曲線係落在管制區間之外之區域，透過特徵曲線區段的分類，可以初步判斷發生異常的區域與現象。此外，也可利用反白正常與異常的原始影像，比較二者之間的差異，以診斷異常現象。

在異常原因診斷的部份，於本實施例中，假設一歷史異常資料庫中已事先定義幾種特定的典型異常影像，產生對應於前述幾種特定的典型異常影像的特徵曲線，因此可利用特徵曲線相似度比較的概念，將待診斷影像的特徵曲線依次與典型異常影像的特徵曲線作相似度比較，依據比對結果判斷出異常類型，將其中具最高相似度之典型異常當作優先被懷疑的異常類型。其中，任一張影像之相對特徵指標係指其特徵曲線與正常平均影像之特徵曲線之距離，距離愈短，代表其相似度愈大。舉例來說，請參照第11圖。第11圖顯示一依據本發明實施例之特徵曲線比較圖，其中分別包含3種典型異常影像之特徵曲線Fault1-Fault3以及1個待判影像之特徵曲線1110。由圖可知，待判影像之特徵曲線1110與異常類別3(曲線Fault3)最接近，具最高相似度，異常類別2(曲線Fault2)次之，與異常類別1(曲線Fault1)差異最大，具最低之相似度，因此，待判影像則優先被懷疑為異常類別3的類型。類似地，亦可以利用距離來衡量曲線的相似度，並計算待診斷影像之特徵曲線與典型異常影像之特徵曲線的距離。第12圖顯示依據本發明實施例之待診斷影像之特徵曲線與典型異常影像之特徵曲線的距離示意圖。如第12圖所示，待判影像之特徵曲線與異常類別3(Fault3)的歐式距離最短，因此具最高之相似度，因此，可以視典型異常類別3為優先被懷疑的類型或原因，之後，再經由工程人員的經驗判斷找到真正的原因。以上所述的影像診斷流程圖，則請參見第9圖。

第9圖顯示依據本發明另一實施例之影像診斷流程圖。如第9圖所示，於監控出影像異常時(900)，進行異常現象診斷(902)以及異常原因診斷(908)。於異常現象診斷方面，利用超出管制界限的特徵曲線之影像區域來判別產生異常的區域(904)。或是，反白正常與異常的影像進行比較，以得知對應的異常區域(906)。上述二者(904、906)可擇一執行，即可初步診斷異常現象，當然，在一實施例中，二者(904、906)可都執行，以診斷異常現象。於異常原因診斷方面，先輸入待判影像之特徵曲線(910)，再從歷史異常資料庫(916)中擷取特定的已知異常類別與原因的典型異常影像，再擷取典型異常影像對應之特徵曲線並篩選曲線區段(920)，之後，將典型異常影像之特徵曲線與待判影像之特徵曲線進行前述的特徵曲線相似度比較(912)，選出具最高相似度之典型異常為優先被懷疑的類型或原因(914)。因此，工程人員可根據被選出的優先被懷疑的類型或原因及其經驗判斷，快速找到真正的原因。此外，若工程人員診斷後發現此異常為新的異常原因，可於問題解決後新增異常影像及原因等相關資訊於資料庫中，以便於後續的診斷。

以下列舉一實施例，用以進一步說明如何利用本發明實施例之基於影像之燃燒製程監控與診斷方法來進行燃燒製程監控與診斷，但並非用以限定本發明。

在本實施例中，以兩個例子顯示如何診斷異常現象。假設第一個例子中發現一特徵指標值異常，由其特徵曲線可以發現其灰階值0~10超出界限，由之前的特徵曲線分析可以知道灰階值0~10代表右爐壁，因此可判斷這是屬於右爐壁之相關異常，此時可以反白異常影像之異常區域，並且與正常圖像作比較，即可初步診斷異常現象。第二個例子中發現一特徵指標值異常，即特徵曲線與正常影像平均特徵曲線的相似度超出管制區間，由其特徵曲線可以發現其灰階值大約30~120超出界限，由之前的特徵曲線分析可以知道此區段屬於火焰外圍的範疇，因此可判斷這是屬於火焰外圍之相關異常，並可以反白影像等手法作確認。

為了更進一步了解異常的類型及可能原因，有必要作進一步診斷及分類。於此實際案例中，我們定義了三種典型類別，第一種是典型正常影像，取自正常的平均影像，第二種是典型異常類別1，代表空氣流量過小，但不致有排放氣體濃度超過環保標準的問題。第三種是典型異常類別2，代表空氣流量過小，會冒煙，而且有產生CO的高度風險。

經定義三種典型類別後，可以求算其個別的特徵曲線，並可針對所有影像求算其特徵指標，並繪成趨勢圖，如第13圖。第13圖顯示一依據本發明實施例之三種典型類型之相似度指標趨勢圖。在本實施例中，每秒持續拍攝1張的待診斷影像，共連續拍攝180秒，將每張影像轉換為特徵曲線後，皆與前述三種典型類型之特徵曲線進行相似度的比較，從趨勢圖可看出在每一張照片(每1秒)的影像可以得到三個以距離為基礎的相似度指標，具有最小的距離的類別代表待診斷影像與其存在最大相似度，因此待診斷影像會被判定為該類別。舉例來說，待診斷影像在第150張照片處(即150秒)時，如第13圖中所示的直線1440與三種典型類型交會於3個點，其中異常類別2(如圖示的1430)的距離最短，異常類別1(如圖示的1420)的距離次之，與正常影像(如圖示的1410)的距離最長，則此待診斷影像會被歸類為異常類別2。

此外，為了更簡化異常的分類，並且讓異常類別具有可預測性，可將所有異常類別曲線減去正常曲線，分別得到對應異常指標曲線，將這些對應異常指標曲線繪製而得到修正之相似度指標趨勢圖，請參照第14圖。如第14圖所示，可將此一修正之相似度指標趨勢圖視為具有望大特性(指標值愈大愈好)的管制圖，其管制下限為0(如第14圖所示的修正後相似度指標1550)，並且以下列原則判斷是否為異常：

1.若所有異常指標曲線均大於0，則判斷影像為正常(如圖示的區間1510)。

2.若異常指標曲線在0附近震盪，屬模糊地帶，此時必須要有異常的警覺(如圖示的區間1520)。

3.若有些異常指標曲線明顯小於0，則具最小值的異常曲線為該判定的異常類別。如圖示的區間1530與1540，其中，區間1530中異常指標曲線Fault1具最小值，因此判定異常類別為異常類別1，而區間1540中異常指標曲線Fault2具最小值，因此判定異常類別為異常類別2。

4.即使所有指標異常曲線均大於0，若有些異常曲線慢慢逐漸往下的趨勢，例如：符合「連續7點往下」的趨勢法則，則必須發出警報，因為此時可能有某些異常類型即將發生。換言之，依據本發明實施例之基於影像之燃燒製程監控與診斷方法可依據前述之方法預測並警示即將發生的異常及其類別，達到預測性監控的目的。

因此，依據本發明之基於影像之燃燒品質監控與診斷方法，可將影像擷取裝置擷取的火焰影像，經由電腦等計算單元再萃取出代表影像特徵之特徵曲線，然後再利用特徵曲線解析方法，將特徵曲線區分為數個代表不同的影像區域的區段，使用者可以決定利用完整的特徵曲線作全域的影像監控，或是取特定的特徵曲線區段作局部區域的影像監控。此外，本發明之基於影像之燃燒製程監控與診斷方法提出二種監控方式：特徵曲線監控及特徵指標監控來判斷燃燒製程是否正常，若有異常則以反白的方式並顯示該影像異常的區域。本案並提出異常類型相似度的衡量方法，來找到與歷史異常最相似的案例，協助工程人員診斷異常原因、行動方案，甚至製程影響評估。

本發明實施例另揭露一種用以執行基於影像之燃燒製程監控方法之電腦程式之儲存媒體。第15圖係顯示本發明實施例之電腦可讀取儲存媒體的示意圖。本發明實施例之電腦可讀取儲存媒體1700用以儲存一電腦程式1600。電腦程式1600用以載入至一電腦系統中，並且使得上述電腦系統執行如前所述之基於影像之燃燒製程監控方法之步驟。電腦程式1600主要包括取得一爐膛內含火焰影像之一原始影像之程式邏輯1610、利用至少一色彩空間將原始影像轉換為一轉換影像之程式邏輯1620、由轉換影像中擷取一特徵曲線並篩選出特徵曲線中之至少一曲線區段之程式邏輯1630、利用特徵曲線或篩選出之曲線曲段，進行影像監控之程式邏輯1640、利用異常影像與正常影像特徵曲線之差異比較，進行異常現象診斷之程式邏輯1650以及利用異常影像之特徵曲線與資料庫中特定影像之特徵曲線相似度及距離，進行異常原因診斷之程式邏輯1660。

本發明之方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可以包含於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之裝置。程式碼也可以透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之裝置。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。

雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

S110-S170．．．執行步驟

20．．．特徵曲線

21-25．．．特徵曲線區段

51、53．．．管制界線

54．．．中線

S310-S330．．．執行步驟

S510-S580．．．執行步驟

A、B、C、D．．．火焰燃燒情形

u、v．．．特徵曲線

900、902、904、...、920．．．流程步驟

1110．．．待判影像之特徵曲線

Fault1-Fault3．．．典型異常影像之特徵曲線

1310、1320、1330．．．區間

1340．．．管制上限

1410-1430．．．相似度指標

1510-1540．．．區間

1550．．．修正後相似度指標

1600．．．電腦程式

1610..1660．．．程式邏輯

1700．．．電腦可讀取儲存媒體

第1圖係顯示一依據本發明實施例之基於影像之燃燒製程監控方法之流程圖。

第2圖係顯示一依據本發明實施例之影像特徵曲線示意圖。

第3圖係顯示一依據本發明實施例之特徵曲線之區段自動解析方法之流程圖。

第4圖係顯示一依據本發明實施例之特徵曲線自動解析結果示意圖。

第5圖係顯示依據本發明另一實施例之影像監控流程圖。

第6A圖係顯示一依據本發明實施例之正常影像之特徵曲線分佈圖。

第6B圖係顯示一依據本發明實施例之具有管制區間之特徵曲線示意圖。

第7圖係顯示一依據本發明實施例之特徵曲線相似度示意圖。

第8圖係顯示一依據本發明實施例之特徵指標管制圖。

第9圖係顯示依據本發明另一實施例之影像診斷流程圖。

第10A-10D圖係顯示依據本發明實施例之正常與異常結果顯示之示意圖。

第11圖係顯示一依據本發明實施例之特徵曲線比較圖。

第12圖係顯示依據本發明實施例之待診斷影像之特徵曲線與典型異常影像之特徵曲線的距離示意圖。

第13圖係顯示一依據本發明實施例之三種典型類型之相似度指標趨勢圖。

第14圖係顯示一依據本發明實施例之修正之相似度指標趨勢圖。

第15圖係顯示本發明實施例之電腦可讀取儲存媒體的示意圖。

S110-S170．．．執行步驟

Claims (20)

1. 一種基於影像之燃燒製程監控方法，包括：利用一個多維度影像擷取裝置，得到一爐膛內含火焰影像之一原始影像；利用至少一色彩空間將該原始影像轉換為一轉換影像；由該轉換影像中擷取一特徵曲線並篩選出該特徵曲線中之至少一曲線區段，其中該曲線區段係對應至該轉換影像之一特定影像區域；以及依據該特徵曲線或篩選出之該曲線區段，監控該原始影像之全部或部分區域是否異常，以監控該燃燒製程，其中將該原始影像轉換之方法包括利用一灰階色彩空間轉換該原始影像轉換為一灰階影像且該篩選出該特徵曲線中之至少一曲線區段之步驟更包括：利用一手動、一自動或一半自動解析方法找到對應該轉換影像之複數影像區域之複數灰階門檻值；以及利用該等灰階門檻值，篩選出該特徵曲線中之該曲線區段。
2. 如申請專利範圍第1項所述之燃燒製程監控方法，更包括：當判斷出該原始影像為異常時，利用該特徵曲線與一資料庫中複數特定影像之特徵曲線差異比較，執行一異常現象診斷與一異常原因診斷。
3. 如申請專利範圍第1項所述之燃燒製程監控方法， 其中該依據該特徵曲線或篩選出之該曲線區段，監控該原始影像之全部或部分區域是否異常之步驟更包括：蒐集複數正常影像；將蒐集到之該等正常影像轉換為複數正常特徵曲線；依據該等正常特徵曲線，產生一曲線管制區間；以及依據該特徵曲線與該曲線管制區間，監控該原始影像是否異常，其中若該特徵曲線超出該曲線管制區間時，判斷該原始影像為異常。
4. 如申請專利範圍第1項所述之燃燒製程監控方法，其中該手動解析方法包括：將該灰階影像之灰階值依序由0遞增255，並產生每一灰階值對應之影像圖形；以及利用產生之該等影像圖形，找到對應該等影像區域之該等灰階門檻值。
5. 如申請專利範圍第4項所述之燃燒製程監控方法，其中該利用該等影像圖形之方法更包括：反白該等影像圖形，藉由觀察該等影像圖形之反白區域，來找到對應該等影像區域之該等灰階門檻值。
6. 如申請專利範圍第1項所述之燃燒製程監控方法，其中該自動解析方法包括：利用一演算法，定義具有望大特性之複數門檻值相似度；以及自動由該等門檻相似度中選出對應該等影像區域之該等灰階門檻值。
7. 如申請專利範圍第6項所述之燃燒製程監控方法，其中定義具有望大特性之複數門檻值相似度之方法包括：針對該灰階影像之每一灰階值計算其門檻值相似度。
8. 如申請專利範圍第7項所述之燃燒製程監控方法，其中選出對應該等影像區域之該等灰階門檻值之方法包括：將計算出的該等門檻值相似度由大至小排列，以得到一排序數列；以及由該排序數列中依序選取該等灰階門檻值。
9. 如申請專利範圍第6項所述之燃燒製程監控方法，其中任意兩個灰階門檻值的距離不得小於一既定值。
10. 如申請專利範圍第1項所述之燃燒製程監控方法，其中該半自動解析方法包括：利用一演算法，定義具有望大特性之複數門檻值相似度；由該等門檻值相似度中選出複數初始門檻值；以及手動調整該等初始門檻值，以得到對應該等影像區域之該等灰階門檻值。
11. 如申請專利範圍第1項所述之燃燒製程監控方法，其中該依據該特徵曲線或篩選出之該曲線區段，監控該原始影像之全部或部分區域是否異常之步驟包括：蒐集複數正常影像；將蒐集到之該等正常影像轉換為複數正常特徵曲線；平均該等正常特徵曲線以取得一正常影像之平均特徵曲線； 計算該原始影像所對應之該特徵曲線與該正常影像之平均特徵曲線之相似度，以作為對應該特徵曲線之一特徵指標；以及依據該特徵指標，判斷該原始影像是否異常。
12. 如申請專利範圍第11項所述之燃燒製程監控方法，其中該相似度係等於該原始影像所對應之該特徵曲線與該正常影像之平均特徵曲線的距離。
13. 如申請專利範圍第2項所述之燃燒製程監控方法，其中該利用該特徵曲線與資料庫中該等特定影像之特徵曲線相似度，執行該異常現象診斷與該異常原因診斷之步驟包括：定義複數典型異常影像；產生對應於該等典型異常影像之複數異常特徵曲線；以及比對該等異常特徵曲線與該原始影像之該特徵曲線之相似度，並依據比對結果判斷出異常類型。
14. 如申請專利範圍第13項所述之燃燒製程監控方法，其中該比對該等異常特徵曲線與該原始影像之該特徵曲線之相似度，並依據比對結果判斷出異常類型之步驟更包括：計算每一該等典型異常影像之該異常特徵曲線與發生異常之該原始影像之該特徵曲線之一距離；以及依據計算出之該等距離，判斷出發生異常之該原始影像之類別，其中發生異常之該原始影像之異常類別係與具有最小 距離的該典型異常影像的異常類別相同。
15. 如申請專利範圍第14項所述之燃燒製程監控方法，其中該異常診斷步驟更包括：將每一該等典型異常影像之該異常特徵曲線減去一正常平均影像之特徵曲線，得到一對應異常指標曲線；以及依據該等異常指標曲線與一管制下限，判斷該原始影像係為正常或異常。
16. 如申請專利範圍第15項所述之燃燒製程監控方法，其中該依據該等異常指標曲線與該管制下限，判斷該原始影像係為正常或異常之步驟更包括：若該等異常指標曲線之部分曲線明顯小於該管制下限，將具最小值的一異常指標曲線所對應之異常類別設為該判定的異常類別。
17. 如申請專利範圍第16項所述之燃燒製程監控方法，其中該依據該等異常指標曲線與該管制下限，判斷該原始影像係為正常或異常之步驟更包括：若每一該等異常指標曲線均大於該下限值且該等異常指標曲線之部分指標曲線具有一慢慢逐漸往下趨勢，判定該部分指標曲線之異常類型即將發生。
18. 如申請專利範圍第2項所述之燃燒製程監控方法，其中該利用該特徵曲線與該資料庫中複數特定影像之特徵曲線相似度，執行該異常現象診斷之步驟更包括：利用超出一管制界限的特徵曲線之影像區域來判別產生異常的區域。
19. 如申請專利範圍第2項所述之燃燒製程監控方法，其中該利用該特徵曲線與該資料庫中該等特定影像之特徵曲線相似度，執行該異常現象診斷之步驟更包括：反白該原始影像與一正常影像進行比較，以得知對應的異常區域。
20. 如申請專利範圍第1項所述之燃燒製程監控方法，其中該依據該特徵曲線或篩選出之該曲線區段，監控該原始影像之全部或部分區域是否異常之步驟更包括：蒐集至少一正常多維度影像；將蒐集到的該正常影像經由轉換空間得到一正常轉換影像；由該正常轉換影像中擷取產生一正常影像平均特徵曲線；計算該特徵曲線或篩選出之該曲線區段與該正常影像平均特徵曲線的相似度，以得知相對該特徵曲線的一特徵指標；建立特徵指標的一管制界限；利用該管制界限對該原始影像進行持續監控；以及判斷該原始影像之該特徵指標是否有超出該管制界限。