TWI421721B - 燃燒火焰診斷方法 - Google Patents

Description

燃燒火焰診斷方法

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，製程生產動力與熱能的來源，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。

類似如鍋爐系統的工業燃燒系統，其運作的基本要求在於建立穩定的燃燒火焰，不穩定的火焰通常導因於不好的燃燒條件設定或動態控制。燃燒不穩定會降低熱效率，也會引起爐膛熄火，甚至導致爆炸事故。

目前的預防實施方法是透過火檢器來判斷燃燒器是否熄火以啟動燃燒系統保護裝置避免事故發生。然而，常見的輻射光能式(UV/VIS/IR)火檢器只能檢測有無火焰，並需設定靜態的門閥值且不具空間資訊，因此容易發生誤警報，改良式的數位式火檢器仍無法有效解決因火焰飄移所導致火焰有無的誤判斷，較新穎的作法是利用燃燒影像及微處理器計算能力之全爐膛圖像式監測系統，但全爐膛圖像式監測系統是對整個爐膛燃燒狀況進行判斷或監控，無法識別火焰是否存在和其穩定性。

由於使用者尋求燃燒安全輔助感測系統之市場需求，加上美國能源局於工業燃燒技術發展藍圖中也明白指出『火焰穩定性感測器』之研發需求，因此為了產業需求與延續火檢系統之技術發展趨勢，本專利開發了圖像式智能化火焰診斷系統，可提供燃燒火焰之燃燒狀態資訊及即時尾氣濃度資訊，並提供燃燒穩定性診斷和燃燒效率評估之功能，在技術開發上，以減少不容易決定之人為參數設定為目標，此專利技術讓燃燒火焰資訊透明化並具多功能性，可以最小化成本與最大化使用效益。

基於上述目的，本發明提供一種燃燒火焰診斷方法，係先利用一個影像擷取裝置，得到執行一燃燒製程的一爐膛內之一原始影像，其中該原始影像包含一火焰影像與一背景影像。接著，利用一火焰識別技術將該原始影像中的該火焰影像與該背景影像分離。之後，計算該火焰影像之特徵。再依據該火焰影像的特徵，診斷該爐膛之穩定性與燃燒效率，以監控該燃燒製程。

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外拍式或插入式的影像擷取裝置，於高溫環境下捕捉爐膛內的火焰影像，並依據分析火焰影像所得到的特徵來進行火焰燃燒監控，診斷該爐膛內的燃燒狀態。

第1圖顯示依據本發明實施例之硬體架構示意圖。實施本專利方法之硬體架構說明如圖1所示，其包含一燃燒系統11、一高溫攝影機13、一現場電腦(Field PC)15、一應用電腦(Application PC)17。

其中，燃燒系統11具有一爐膛。高溫攝影機13可以為外掛式或嵌入式高溫攝影機，其係用以取得燃燒系統11之爐膛內影像。高溫攝影機13所取得之爐膛內影像包含火焰影像，其所擷取之爐膛內影像則由現場電腦15和應用電腦17加以分析，取得火焰影像並分析火焰的特徵(例如燃燒的溫度、燃燒面積、燃燒重心、火焰色度、火焰亮度等，詳見後述)，進而可以診斷燃燒的狀態(方法詳見後述)。其中，現場電腦15和應用電腦17可以是分開的電腦系統，也可以將現場電腦15和應用電腦17合一。

第2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。

步驟S21中，取得爐膛之原始影像。例如，利用一影像擷取裝置例如是高溫攝影機，拍攝爐膛內部，以得到執行燃燒製程的爐膛之一原始影像，其中原始影像包含一火焰影像與一背景影像。

當影像擷取裝置擷取到原始影像之後，步驟S23中透過一火焰識別技術將原始影像中的火焰影像與背景影像分離(詳見第3圖)，然後在步驟S25中計算火焰影像之特徵，以作為後續監控及診斷的依據。在步驟S27中根據這些火焰影像之特徵，診斷爐膛的穩定性和燃燒效率，最後再依據步驟S27的診斷結果，於步驟S29中發出對應的警報訊息。細部實施方法於後續詳細說明。

如上述，步驟S25之火焰特徵計算在考量減少人為參數設定和影像擷取裝置限制情況下，火焰影像的特徵包括色彩資訊和幾何資訊兩大類。其中色彩資訊包含：以統計分析得到的亮度值平均、亮度值變異、亮度峰態、亮度值偏態、亮度熵值、均勻度、平均溫度等；或以輻射學方法得到的溫度場計算資訊；以及以動態(頻譜)分析得到的火焰閃爍頻率資訊等其中之一。其中幾何資訊包含：火焰分佈相關資訊及空間分佈等。火焰分佈相關資訊可以為火焰長、寬與火焰噴射角度、火焰區域面積、火焰質量重心位置等其中之一。而空間分佈則可以為2D-FFT、2D-Wavelet等其中之一。此外，另可針對火焰影像之不同區域之對比進行相對特徵計算，如：選擇區域之面積比例、選擇區域之亮度值比例、選擇區域之亮度變異比值、火焰燃燒區域能量、火焰內部與火焰全區面積比例等其中之一，詳細計算方法請參考附件五。

第3圖顯示第2圖中的步驟S23之火焰識別方法流程圖。

在本實施例中，列舉感官式火焰識別方法來做說明，火焰識別方法也可利用HSV色彩模型或RGB高斯混合模型等色彩模型來完成，也可利用門閥值法，並不以此為限。感官式火焰識別方法係利用HSV色彩空間、色彩學和模糊理論來建構燃燒影像火焰分割之技術。應用感官式火焰識別技術的動機在於：(1)爐內環境單純；(2)特定燃料種類；(3)具有不同之光學濾鏡；(4)要最小化人為設定。如果是應用傳統閾值分割方法或RGB高斯混合模型來建構火焰的色彩模型，則需要先以一張或複數張影像進行建模。而且，影像擷取裝置可選用不同波長之濾鏡，使得收集之原始影像會有色差。為了符合實際應用之限制與最小化人為設定之目標，因此提出如第3圖所示之感官式火焰識別方法。

本發明之感官式火焰識別方法係基於人類視覺對色彩直觀認知，將火焰色彩轉換至HSV空間，結合色彩學和模糊演算法，智能化考量HSV，以迅速將火焰影像切割出來，對於火焰影像而言，H可代表不同燃燒物種所釋出之顏色，S可代表不同溫度所呈現之飽和度，V代表煙所產生不同的灰程度。

參見第3圖，在步驟S301中接收由影像擷取裝置拍攝爐膛內得到的複數個原始影像(相同於步驟S21)。

為了節省火焰識別的計算資源，可以在步驟S302中選定原始影像中的特定區域作為分析對象。第3圖的方法流程中，步驟S302可依據使用者之選擇是否執行，待步驟S303到S308執行一次之後，再執行步驟S302，以選定原始影像中的特定區域作為分析對象，進而節省火焰識別的計算資源。

第5圖係本發明之特定區域選定之一流程圖，用以實現步驟S302。於步驟S501，對原始影像進行模糊分類的識別，以產生複數個彩色物件。於步驟S502，選擇非感興趣的色彩物件。舉例而言，爐壁或積灰通常呈現黑色或灰色等色系，如果使用者對此物件不感興趣，則可將此色系定義為非感興趣物件。於步驟S503，根據所找出的非感興趣之色彩物件，產生單一影像非感興趣遮罩(mask)矩陣，其中矩陣的大小與原始影像尺寸相同。於步驟S504，儲存一個或複數個影像之非感興趣遮罩矩陣。於步驟S505中，將當下一個及先前複數個非感興趣遮罩矩陣進行矩陣邏輯運算，得到一融合之感興趣遮罩，也就是S508。步驟S506，與步驟S301相同，接收由影像擷取裝置拍攝爐膛內得到的複數個連續火焰之原始影像。於步驟S507，從S506複數個原始影像中進行隨機挑選，如果不滿足隨機挑選條件，則使用S508之結果，即融合之感興趣遮罩作為特定區域選定，反之，一旦隨機條件成立，則將區域選定範圍重新設定為整張原始影像的尺寸，以避免攝影環境變化時，所融合的感興趣遮罩無法捕捉。

本發明利用視覺化色彩物件分類功能，可以自動化決定分析監測的範圍，如此一來，可以去除影像擷取裝置光學鏡頭表面遭到污染所造成之影響，還可以將牆壁等視覺障礙物去除，增加火焰影像特徵計算之正確性，更可以有效減少火焰分割之計算時間。

另外，在燃煤系統中的積灰會影響鍋爐的熱傳效率，但是過於頻繁地以蒸氣進行吹掃動作，又會造成熱損失，所以吹灰時機的決定對於鍋爐效率至關重要。本發明之自動化感興趣區域選定方法，若將非感興趣之色彩物件(積灰)視為監控之對象，針對爐灰增生的問題，此方法可以作為爐灰增生偵測器，以決定適當的吹灰時機。

在步驟S303中，將原始影像(或特定區域之原始影像)例如為RGB影像，轉換至HSV的色彩空間，以產生一HSV影像。HSV色彩模型可以將亮度和色彩資訊作分離，所以可以提供如同人類之顏色感知。其中HSV色彩空間的H表示色度(hue)，S表示飽和度(saturation)，V則表示明亮度(value)。將RGB原始影像轉換至HSV的色彩空間的方法可參見文獻(例如文獻：A. R. Smith,"Color Gamut Transform Pairs," ACM SIGGRAPH Computer Graphics 12,pp. 12-19,1978.)。

步驟S304中，將原始影像中的每一像素(pixel)對應於HSV影像執行模糊化程序，以建立模糊集合以及模糊規則(Fuzzy Rule)，並區分切割H、S與V隸屬函數(Membership Function)之範圍。詳細來說，針對原始影像中的每一個像素，將對應的HSV影像分別在H、S與V色彩空間中區分為多個模糊子集合，並利用這些模糊子集合建立模糊規則，即分別在H、S與V色彩空間中各擇一模糊子集合以建立一條模糊規則，在本實施例中，將HSV影像分別在H、S與V色彩空間中區分為10、6與5個的模糊子集合，因此可建立三百條模糊規則，但不以此為限。此外，在區分切割H、S與V隸屬函數之範圍時，係計算隸屬度，即對應H、S與V色彩空間中的每一模糊子集合產生一量化的隸屬度。

在步驟S305中，執行模糊邏輯推論，利用建立之模糊規則，進行顏色的推論，並依據色彩學中人眼對顏色區分之程度，產生複數個分類結果，可將複數個模糊規則推論為同一分類結果。詳細來說，依據建立的模糊規則，將每一模糊規則中的模糊子集合對應的隸屬度相乘，以產生一推論值，並將這些產生的推論值分類至分類結果中。在本實施例中，三百條的模糊規則即產生三百個推論值，依據色彩學之分類，將火焰影像顏色區分為19個分類結果，並將三百個推論值分類至19個分類結果中。要說的是，此處所述之三百條規則與19個分類結果，僅為方便說明之用，並不限定於此。

在步驟S306中，執行解模糊化過程。為了增加顏色區分精確性，本實施例係將三百個推論值分類至19個分類結果中，並計算每一分類結果的推論值之總和，選出具有最大值之分類結果作為該原始影像之像素之分類結果，即定義該像素為具有其分類結果之顏色。

在步驟S307中，由原始影像中分離出火焰影像。經過上述之步驟S306之後，原始影像中每一像素被定義為具有一種分類結果之顏色，藉由這些分類結果可得知火焰影像之區域。在本實施例中，將分類結果區分為19個，除了能識別火焰內、火焰外圍以及爐壁等區域外，其針對有前處理之影像(例如加裝濾鏡後所拍攝到的影像，其火焰顏色可能偏綠)亦可進行火焰影像之區分，而不需要重新建立色彩模型。

本實施例中的19個分類結果包括：1白色(white)、2淡灰色(light_grey)、3深灰色(dark_grey)、4黑色(black)、5紅色(red)、6粉紅色(pink)、7深咖啡色(dark_brown)、8淺咖啡色(light_brown)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黃色(yellow)、12橄欖綠(olive)、13淡綠色(light_green)、14深綠色(dark_green)、15藍綠色(teal)、16水綠色(aqua)、17藍色(blue)、18深粉紫色(dark_fucia)、19淡粉紫色(light_fucia)。上述分類結果係為例示，本發明實施並不以此為限。

例如，在重油燃燒的爐膛之原始影像中，屬於分類結果之1白色(white)、5紅色(red)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黃色(yellow)的區域影像可以判斷為火焰影像。而若以加裝了濾鏡的攝影機拍攝上述重油燃燒的爐膛之原始影像中，屬於顏色分類1白色(white)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黃色(yellow)、13淡綠色(light_green)的區域影像可以判斷為火焰影像，藉由分類結果可以辨別出火焰影像。

本實施例技術可利用第3圖的感官式火焰識別技術，分割出不同燃燒區域的火焰影像來定義相對的特徵，除了強調智能化外，也可以有效抗爐膛環境之干擾。

若以重油燃燒為例，當氧氣不足的情況發生時，造成燃燒成分無法即時反應，導致某些反應向外圍擴散或反應不完全，因此燃燒區域可以區分為(1)火焰內部：整個燃燒最穩定之區域，通常與燃燒負荷有直接相關；(2)火焰外圍：當火焰趨向不穩定情況，火焰開始會有閃爍及面積變化等狀況發生。

參見附件一，其分別顯示在高空燃比情況和低空燃比情況下之火焰內部和火焰外圍的火焰影像。

因為高溫區域是燃燒的骨幹，燃燒溫度越高通常燃燒越穩定，因此評量高溫區域和火焰影像的面積比或強度比，都是判別火焰穩定性的重要指標，特別是燃煤系統，火焰均勻度也是反應燃燒狀態好壞的另一個重要參數，通常均勻度越高，火焰間亮度差異越小，燃燒越穩定。在本實施例中，為了說明本發明可以有效萃取出火焰影像所含有的重要資訊，因此以固定燃料流量、不同過剩空氣比之重油燃燒結果來實例說明火焰特徵與製程參數之關聯性。

參見附件二之一，其顯示燃燒空氣過剩(左側圖片)到燃燒空氣不足(右側圖片)的原始影像以及識別後的火焰影像。

因為煙道氧濃度的取樣量測有時間延遲，所以在本實施例中先利用相關性分析得知時間延遲約39秒，以利特徵與氣體濃度的資料同步，參見附件二之二、二之三，根據火焰影像特徵與尾氣氧濃度之觀察結果，重點整理如下：

(1)火焰影像特徵與燃燒狀態具高度相關性；

(2)內火焰面積幾乎固定，而外火焰面積隨著燃燒空氣減少而增大，同樣反映在面積比；

(3)操作條件改變時，內外火焰的平均亮度與平均溫度幾乎不變，但總火焰的亮度和平均溫度，呈現與尾氣濃度正相關，主要是內外平均時面積變化效應所貢獻；

(4)內外火焰的亮度變異比值反映了燃燒不穩定之趨勢；

(5)空氣流量影響了整個燃燒火焰的質量中心位置，但內火焰的Y軸質量中心位置沒有變動。

第4圖顯示第2圖中步驟S27之診斷爐膛的穩定性和效率之方法流程圖。

步驟S41中，擷取於步驟S25中取得之火焰影像之特徵資訊。

步驟S42中，為了即時診斷燃燒效率，先利用一迴歸模型，如最小平方法(PLS)或類神經網路，以火焰影像特徵來建立尾氣濃度之即時預測值，以克服燃燒系統的輸送和量測時延。即時尾氣預測模型係可以如文獻(例如文獻：H. Yu,J. F. MacGregor,“Monitoring flames in an industrial boiler using multivariate image analysis,”AICHE Journal 50(7),pp. 1474-1483,2004.)所述。

在步驟S43中，同時也將火焰影像之特徵透過一自適應網路模糊推論系統(ANFIS)建立一單張火焰影像的穩定性診斷結果。詳細來說，火焰影像之特徵輸入自適應網路模糊推論系統後，會與一歷史事件資料庫進行比對，從而將該火焰影像依燃燒狀態分類，產生單張火焰影像的穩定性診斷結果。自適應網路模糊推論系統，係利用網路架構，以達成自動調整隸屬函數，以及自動建立模糊if-then規則的技術，例如可參考文獻中所述之自適應網路模糊推論系統(例如文獻：J.-S. Roger Jang,C.T. Sun,E. Mizutani,Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence,Pearson Education Taiwan Ltd,2004.)。

在步驟S44中，利用當下的一張與前複數張火焰影像的穩定性診斷結果連續性的透過自適應網路模糊推論系統(ANFIS)以建立一動態火焰影像的穩定性診斷結果。在本實施例中，係利用當下的一張與前3～5張火焰影像的穩定性診斷結果，以連續狀態輸入至自適應網路模糊推論系統(ANFIS)，來做進一步的動態確認，此步驟可以避免因為取樣時間和火焰隨機閃爍等因素造成誤診斷，並產生動態火焰影像的穩定性與強韌性之診斷結果。

最後於步驟S45中，將複數個尾氣濃度之即時預測值和動態火焰影像的穩定性診斷結果進行火焰燃燒效率診斷。即透過自適應網路模糊推論系統推論動態火焰影像的穩定性診斷結果，結合尾氣濃度之即時預測值作為效率診斷的指標，以評估火焰燃燒效率。

在本發明中，將自適應網路模糊推論系統應用於燃燒火焰診斷，是因為(1)燃燒火焰本身的閃爍動態和影像擷取裝置的搭配和安裝，難有決定性的特徵量化標準；(2)各式燃燒系統和樣本限制，難有完整的專家判斷準則，因此本發明以步驟S43的第一層自適應網路模糊推論系統來自動建立該燃燒系統之影像特徵模糊量化標準和判斷準則，並可作為系統化專家經驗建置之方法，再以步驟S44中的第二層自適應網路模糊推論系統來作進一步的動態確認，避免因為取樣時間和火焰閃爍等因素造成誤診斷。

以下茲再列舉一實施例，用以進一步說明如何利用本發明實施例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。

本實施例以工業蒸氣鍋爐進行測試，其蒸氣容量最大可達每小時15噸的蒸氣供給，操作條件設定係區分為小、中、大三種負載。此外對於燃燒不穩定以及熄火狀態，一併進行實驗收集與燃燒狀態分析，影像來源則利用外拍式的高溫攝影機來獲得，測試目標是利用火焰影像來準確地識別出：i.穩定燃燒(三種負載)、ii.不穩定燃燒以及iii.熄火等狀態。

在本實施例中選擇的3種特徵如附件三所示，其定義分別為火焰內部與火焰全區面積之比例、火焰全區域之亮度值平均、以及火焰內部之亮度熵值。在附件三中除了顯示原始影像以及識別後的火焰影像外，也列出在不同狀況下之特徵趨勢。

穩定性診斷結果和各階段的代表影像則如附件四所示，左圖是基於單張火焰影像的穩定性診斷結果，右圖是基於連續五張火焰影像的穩定性診斷結果(即動態穩定性診斷結果)。上方五張圖片分別表示：(1)小負載、(2)中負載、(3)大負載、(4)不穩定燃燒和(5)熄火之狀態，紅色原點即為燃燒影像的狀態值輸出。

從結果可發現，動態的穩定性診斷結果可以減少因為火焰擾動所造成偏離。

本發明之方法，或特定型態或其部份，可以藉由程式碼的型態存在。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。

11．．．燃燒系統

13．．．高溫攝影機

15．．．現場電腦(Field PC)

17．．．應用電腦(Application PC)

S21．．．取得爐膛之原始影像

S23．．．將原始影像中的火焰影像與背景影像分離

S25．．．計算火焰影像之特徵

S27．．．根據火焰影像之特徵，診斷爐膛的穩定性和燃燒效率

S29．．．發出對應的警報訊息

S301．．．接收複數個原始影像

S302．．．選定原始影像中的特定區域作為分析對象

S303．．．將原始影像轉換至HSV的色彩空間

S304．．．執行模糊化程序

S305．．．執行模糊邏輯推論

S306．．．執行解模糊化過程

S307．．．由原始影像中分離出火焰影像

S41．．．擷取火焰影像之特徵資訊

S42．．．以火焰影像特徵來建立尾氣濃度之即時預測值

S43．．．將火焰影像特徵透過自適應網路模糊推論系統建立單張火焰影像的穩定性診斷結果

S44．．．利用當下的一張與前複數張火焰影像的穩定性診斷結果連續性的透過自適應網路模糊推論系統以建立一動態火焰影像的穩定性診斷結果

S45．．．將複數個尾氣濃度之即時預測值和動態火焰影像的穩定性診斷結果進行火焰燃燒效率診斷

S501．．．色彩物件

S502．．．選擇非感興趣的色彩物件

S503．．．產生非感興趣遮罩

S504．．．儲存複數個非感興趣遮罩

S505．．．矩陣邏輯運算

S506．．．複數個原始影像

S507．．．是否滿足隨機選擇

S508．．．融合之感興趣遮罩

S509．．．完成區域選定

第1圖顯示依據本發明實施例之硬體架構示意圖。

第2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。

第3圖顯示第2圖中的步驟S23之火焰識別方法流程圖。

第4圖顯示第2圖中步驟S27之診斷爐膛的穩定性和效率診斷方法流程圖。

第5圖係本發明之特定區域選定之一流程圖，用以實現步驟S302。

11．．．燃燒系統

13．．．高溫攝影機

15．．．現場電腦(Field PC)

17．．．應用電腦(Application PC)

Claims (12)

1. 一種燃燒火焰診斷方法，其包括：利用一個影像擷取裝置，得到執行一燃燒製程的一爐膛之一原始影像，其中該原始影像包含一火焰影像與一背景影像；利用一火焰識別技術將該原始影像中的該火焰影像與該背景影像分離，其中該火焰識別技術包括：於該原始影像轉換至HSV色彩空間前，選定該原始影像中的特定區域作為分析對象之步驟，其中選定該原始影像中的特定區域作為分析對象之步驟更包括：對該原始影像進行模糊分類的識別，以產生複數個彩色物件；選擇非感興趣的複數個色彩物件；根據所找出的非感興趣的每一色彩物件，產生一單一影像非感興趣遮罩(mask)矩陣；儲存該些非感興趣遮罩矩陣；將當下一個及先前複數個非感興趣遮罩矩陣進行矩陣邏輯運算，得到一融合之感興趣遮罩；以及將該融合之感興趣遮罩作為特定區域選定；將該原始影像轉換至HSV色彩空間，以產生一HSV影像；將該原始影像中的每一像素(pixel)對應於該HSV影像執行模糊化程序，以建立一模糊集合以及複數個模糊規則(Fuzzy Rule)，並區分切割H、S與V隸屬函數(Membership Function)之範圍；執行模糊邏輯推論，利用建立之該模糊規則，進行顏色的推論，並依據色彩學中人眼對顏色區分之程度，產生 複數個分類結果，並可將複數個模糊規則推論為同一分類結果；執行解模糊化過程，以定義該像素為具有該分類結果之顏色；以及藉由該些像素之分類結果可得知該火焰影像之區域，並由該原始影像中分離出該火焰影像；計算該火焰影像之特徵；以及依據該火焰影像之特徵，診斷該爐膛之穩定性與燃燒效率。
2. 如申請專利範圍第1項所述之燃燒火焰診斷方法，其中執行模糊化程序更包括：針對該原始影像中的每一個像素，將對應的該HSV影像分別在H、S與V色彩空間中區分為多個模糊子集合，並分別在H、S與V色彩空間中各擇一模糊子集合，以建立該模糊規則。
3. 如申請專利範圍第2項所述之燃燒火焰診斷方法，其中執行模糊化程序更包括：在區分切割H、S與V隸屬函數之範圍時，係計算對應H、S與V色彩空間中的每一模糊子集合，產生一量化的隸屬度。
4. 如申請專利範圍第3項所述之燃燒火焰診斷方法，其中執行模糊邏輯推論更包含：依據建立的該些模糊規則，將每一模糊規則中的該些模糊子集合對應的該些隸屬度相乘，以產生一推論值，並 將該些推論值分類至該些分類結果中。
5. 如申請專利範圍第4項所述之燃燒火焰診斷方法，其中執行解模糊化過程更包含：計算每一分類結果的該些推論值之總和，選出具有最大值之該分類結果作為該原始影像之該像素之該分類結果。
6. 如申請專利範圍第1項所述之燃燒火焰診斷方法，其中該火焰影像之特徵包含一色彩資訊和一幾何資訊。
7. 如申請專利範圍第6項所述之燃燒火焰診斷方法，其中該色彩資訊包含：以統計分析得到的亮度值平均、亮度值變異、亮度峰態、亮度值偏態、亮度熵值、均勻度、平均溫度或以輻射學方法得到的溫度場計算資訊，以及以動態(頻譜)分析得到的火焰閃爍頻率資訊其中之一。
8. 如申請專利範圍第6項所述之燃燒火焰診斷方法，其中該幾何特徵包含火焰分佈相關資訊及空間分佈，其中該火焰分佈相關資訊可以為火焰長、寬與火焰噴射角度、火焰區域面積、火焰質量重心位置，且該空間分佈可以為2D-FFT、2D-Wavelet其中之一。
9. 如申請專利範圍第1項所述之燃燒火焰診斷方法，其中該火焰影像之特徵包含：選擇區域之面積比例、選擇區域之亮度值比例、選擇區域之亮度變異比值、火焰燃燒區域能量、火焰內部與火焰全區面積比例其中之一。
10. 如申請專利範圍第1項所述之燃燒火焰診斷方法，其中，診斷該爐膛之穩定性與燃燒效率之方法更包括： 利用一迴歸模型，以該火焰影像之特徵來建立尾氣濃度之即時預測值；將該火焰影像之特徵透過一自適應網路模糊推論系統(ANFIS)建立一單張火焰影像的穩定性診斷結果；利用當下的一張與前複數張該火焰影像的穩定性診斷結果連續性的透過該自適應網路模糊推論系統(ANFIS)以建立一動態火焰影像的穩定性診斷結果；將複數個該些尾氣濃度之即時預測值和該動態火焰影像的穩定性診斷結果進行火焰燃燒效率診斷。
11. 如申請專利範圍第10項所述之燃燒火焰診斷方法，其中建立該單張火焰影像的穩定性診斷結果之步驟更包括：將火焰影像之特徵輸入該自適應網路模糊推論系統後，與一歷史事件資料庫進行比對，從而將該火焰影像依燃燒狀態分類，產生該單張火焰影像的穩定性診斷結果。
12. 如申請專利範圍第1項所述之燃燒火焰診斷方法，更包括依據該爐膛之穩定性與燃燒效率，發出對應的警報訊息之步驟。