锅炉燃烧器火焰图像检测系统的开发设计

介绍了基于传像光纤、CCD彩色摄像机和数字图像处理技术的锅炉燃烧器火焰图像检测系统,是近年发展起来的新型燃烧器火焰检测系统.作为FSSS系统的重要组成部分,设计选用不同的火焰检测分析算法,可提高火焰检测的实时性、准确性和燃烧诊断性能.     

基于BP网络的锅炉炉膛火焰燃烧状态自动识别

提出了一种基于神经网络的锅炉炉膛火焰燃烧状态的识别和灭火预警、报警系 统.燃烧火焰图像由CCD摄像机、传像光纤和图像卡采入计算机,经预处理后由神经网络识 别其燃烧状态,并根据识别结果进行灭火的预警和报警.神经网络由BP算法进行训练.实验 结果表明:新系统对火焰燃烧状态有很高的识别准确性,可以有效地实现灭火报警.     

“五四模型”的火焰燃烧稳定性判定

燃烧稳定性判定问题是锅炉燃烧状态自动监测中亟待解决的关键问题之一。为了实现自动化监测,并对燃烧的稳定程度进行量化判定,基于数字图像处理技术,从炉腔火焰图像中提取燃烧参数,建立燃烧参数数据库。基于多属性判定方法,生成区间数据样本决策库。在模糊推理中,为获取隶属度函数参数和模糊推理规则,提出了基于粗糙集简化样本决策库。按照决策属性离散化决策库中的条件属性,实现了属性简约和属性值简约,增加了网络训练样本参数的可靠性。结合模糊网络的逻辑推理性和神经网络的学习性、并行计算等优点,建立了用于燃烧诊断的T-S模糊神经网络模型。选择合适的模糊分割数,定义"五四模型",建立基于"五四模型"的火焰燃烧稳定性判定模型,并进行仿真试验。对比训练前后的仿真图参数表明,该模型是可行的,并具有较好的试验效果。     

图像处理技术在炉膛火焰温度场分布中的应用

根据双色测温法原理,利用高温工业电视所摄取的彩色火焰图像中的彩色分量,运用数字图像处理技术,重建燃烧火焰的温度场分布,并对测量火焰温度的两大误差来源进行了分析和校正处理.     

基于数字图像处理的燃气锅炉火焰检测算法

为了保证燃气锅炉安全稳定的燃烧,必须有效、可靠地对其进行火焰检测。传统锅炉火焰检测的难点在于很难精确地将火焰燃烧背景和目标火焰有效区分出来,为了克服这一缺陷,提出了一套完整的基于数字图像处理的燃气锅炉火焰检测算法：蚁群算法与小波变换结合,对运动的火焰进行识别,将火焰图像从背景中完整的分割出来。运用中值滤波的方法对图像中包含的大量噪声进行滤除,通过灰度变换对图像进行增强,从而有效准确地获取燃烧火焰信息。     

基于CCD图象处理的炉膛温度监测与控制

根据三基色原理和Plank定律建立了二色和三色测温公式,并对三色测温公式进行了修正.对燃烧锅炉的火焰特征进行研究,结合数字图像处理技术,判断当前锅炉燃烧状态来进行动态监测与控制.     

基于燃烧火焰图象特征的回转窑神经网络控制系统

提出了一种基于燃烧火焰图象特征的回转窑神经网络控制系统.系统主要由两部分组 成,一部分是回转窑煅烧带火焰燃烧状态识别系统,包括火焰图象获取、预处理、分割、特征提 取与识别;另一部分是基于高斯基函数神经网络的控制系统.实际运行结果表明该系统的有效 性和实用性.     

基于BP神经网络锅炉炉膛火焰可视化监测方法研究

为了可视化监测炉膛火焰燃烧状况,提出一种基于级联前向BP神经网络模型的锅炉炉膛火焰可视化监测方法。通过比较选取级联前向BP神经网络作为炉膛温度预测模型,利用图像处理技术得到炉膛火焰辐射能图像对应二维温度场,并采用正则化方法重建炉膛火焰三维温度场。仿真结果表明,根据二维温度场可得火焰等温线走向和分布,根据三维温度场易得火焰中心分布及全炉最高温度点信息,实现锅炉运行控制和异常温度报警,满足燃烧诊断要求并实现炉膛火焰可视化监测。     

图像处理技术在炉膛火焰温度场分布中的应用

根据双色测温法原理，利用高温工业电视所摄取的彩色火焰图像中的彩色分量，运用数字图像处理技术，重建燃烧火焰的温度场分布，并对测量火焰温度的两大误差来源进行了分析和校正处理。     

基于神经网络的锅炉内火焰燃烧稳定性研究

在锅炉燃烧效率优化问题的研究中,针对燃烧稳定性问题,提高燃烧检测准确度。利用锅炉中火焰燃烧图像的分析来检测锅炉内火焰燃烧稳定性,当燃烧受煤粉或其它杂质的影响火焰出现短时脉动时,传统的灰度方差的检测方法不能避免火焰脉动的影响,对锅炉内燃烧稳定性检测偏差大。为此提出了一种采用神经网络的火焰燃烧稳定性检测方法,选取与火焰稳定性直接相关的多个特征作为神经网络的输入向量,通过对样本的多次训练能够去除杂质燃烧引起的微小脉动的影响,克服了传统方法检测准确度不高的问题。实验证明,改进方法能够有效避免杂质对燃烧的影响,准确对锅炉内的燃烧稳定性作出检测,并取得了满意的结果。     

改进的ART网络在火焰燃烧状态识别中的应用

基于采集的电站锅炉燃烧器火焰图像,利用数字图像处理技术,讨论了特征值的意义和提取方法,提取了火焰图像特征区内灰度的平均值和标准差2个特征向量,运用现代人工神经网络智能理论,设计并改进了ART2网络算法,经过训练和实际应用后,ART2网络对一定工况的旋流燃烧器和直流燃烧器火焰燃烧状态都具有很好的识别能力,判别准确,网络稳定,实现燃烧状态实时判断,在现场取得了良好的实际应用效果。     

使用模糊竞争Hopfield网络进行图像分割

针对传统自组织竞争学习方法的不足,将模糊竞争学习引入竞争Hopfield网络中,由此设计了一个用于图像分割的模糊竞争Hopfield网络,通过将图像空间映射到灰度特征空间,实现灰度特征集的模糊聚类,进而实现图像分割.实验结果表明:对于二值分割,与Ostu方法相比,此算法在分割效果和对噪声的自适应能力方面具有明显的优点.对于多类分割,此算法比目前的FCM(fuzzy C mean)算法的处理速度要快.     

基于DSP的锅炉火焰温度场测量及燃烧诊断系统

针对电站锅炉火焰监视、温度场测量和燃烧诊断中存在的问题，提出了一种以DSP为核心的嵌入式图像火焰监测系统，在对彩色图像法测量温度场的原理论述的基础上，对图像采集和处理各部分的电路和系统软件进行了分析和说明。通过优化设计，使系统的数据处理能力和实时性得到大幅的提升。经过200MW机组的试验表明，系统能在1帧时间内完成一幅图像的处理与特征量的提取，在1s内完成锅炉燃烧状况的诊断，火焰监测和燃烧诊断实时性得到了保证。温度场测量最大偏差不会超过50℃，相对误差小于5%，能满足系统对测量精度的要求。     

结合感受野模块与并联RPN网络的火焰检测

目的 准确快速的火焰检测技术在早期火灾预警中具有重要的实际应用价值。为了降低伪火类物体引起的误警率以及早期小火焰的漏检率,本文设计了一种结合感受野(receptive field,RF)模块与并联区域建议网络(parallel region proposal network,PRPN)的卷积神经网络(receptive field and parallel region proposal convolutional neural network,R-PRPNet)用于火焰检测。方法 R-PRPNet主要由特征提取模块、并联区域建议网络和分类器3部分组成。特征提取模块在MobileNet卷积层的基础上,通过嵌入感受野RF模块扩大感受野捕获更丰富的上下文信息,从而提取更具鉴别性的火焰特征,降低伪火类物体引起的误警率;并联区域建议网络与特征提取模块后端的多尺度采样层连接,使用3×3和5×5的全卷积进一步拓宽多尺度锚点的感受野宽度,提升PRPN对不同尺度火焰的检测能力,解决火灾发生初期的小火焰漏检问题;分类器由softmax和smooth L1分别实现分类与回归。在R-PRPNet训练过程中,...     

基于Web的火焰图象处理和燃烧诊断系统的设计与实现

为了实现电站锅炉炉膛火焰的可视化和对炉膛燃烧状况进行在线智能诊断 ,以便为电站运行人员提供有效的运行指导信息 ,研制开发了一套基于 Web的火焰图象处理和燃烧诊断系统 ,并提出了一种采用 Java技术、基于 Web应用的浏览器 /服务器 (B/ S) 3层结构模型 ,同时分析了 B/ S 3层结构的优点 ,并将此结构应用于电站锅炉火焰图象处理和燃烧诊断系统中 .该系统首先通过光学镜头组、CCD摄像机、图象采集卡得到火焰图象 ,同时利用获得的炉内辐射信息来对炉内火焰燃烧状态和 NOX排放量进行在线监控和分析 ;然后根据比色测温原理计算投影温度场 ;最后利用代数重建算法 ART(Algebraic Reconstruction Techniques)来进行燃烧温度场的重建 ,并生成了各种分析曲线图表 .该基于 Web的火焰图象处理和燃烧诊断系统已经在 30 0 MW电站煤粉锅炉上得到初步应用 ,实践证明 ,该系统能够有效地提高电厂运行的经济性和安全性 .     

基于颅颌骨三维测量的图形图像处理系统研究

论文详细介绍了颅颌骨三维测量图形图像处理系统的研制过程,包括三维测量、系统构成、图形图像处理和基于人工神经网络的图像变换算法。该系统为口腔正畸医学的诊断和研究提供科学的分析依据。     

基于B/S模式的火焰监测和燃烧诊断系统

利用Java语言的跨平台特性、强大的网络通信功能和数据库互联能力，提出了一种采用Java技术、基于Web应用的浏览器，服务器(B/S)三层结构模型，深入探讨了B/S三层结构的优点及其各层的工作原理，并将此结构应用于电站锅炉火焰监测和燃烧诊断系统。该系统通过光学镜头组、CCD摄像机、图像采集卡将火焰的视频信号转换成数字信号，进行后续计算和处理，生成各种分析曲线图表，从而为运行人员提供在线指导。文中详细介绍了该系统的框架结构和软件模块功能。     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

结合Faster R-CNN的多类型火焰检测

目的 火焰检测可有效防止火灾的发生。针对目前火焰检测方法,传统图像处理技术的抗干扰能力差、泛化性不强,检测效果对数据波动比较敏感;机器学习方法需要根据不同的场景设定并提取合适火焰的特征,过程比较繁琐。为此提出一种基于Faster R-CNN的多类型火焰检测方法,避免复杂的人工特征提取工作,在面对复杂背景、光照强度变化和形态多样的火焰图像时依然保证较好的检测精度。方法 基于深度学习的思想,利用卷积神经网络自动学习获取图像特征。首先,利用自建数据集构建视觉任务。根据火焰的尖角特性、直观形态和烟雾量等,将火焰类数据划分为单尖角火焰、多尖角火焰和无规则火焰3类。此外,通过深度网络特征可视化实验发现,人造光源与火焰在轮廓上具有一定的相似性,为此建立了人造光源圆形和方形两个数据集作为干扰项来保证检测模型的稳定性;然后,细化训练参数并调整预训练的卷积神经网络结构,改动分类层以满足特定视觉任务。将经过深度卷积神经网络中卷积层和池化层抽象得到的图像特征送入区域生成网络进行回归计算,利用迁移学习的策略得到每一类目标物体相应的探测器;最后,得到与视觉任务相关的目标检测模型,保存权重和偏置参数。并联各类目标物体的子探测器作为整体探测器使用,检测时输出各类探测器的分数,得分最高的视为正确检测项。结果 首先,利用训练好的各探测器与相应测试集样本进行测试,然后,再利用各类目标物的测试集来测试其他类探测器的检测效果,以此证明各探测器之间的互异性。实验结果表明,各类探测器都具有较高的专一性,大大降低了误判的可能性,对于形变剧烈和复杂背景的火焰图像也具有良好的检测准确率。训练得到的检测模型在应对小目标、多目标、形态多样、复杂背景和光照变化等检测难度较大的情况时,均能获得很好的效果,测试集结果表明各类探测器的平均准确率提高了3.03% 8.78%不等。结论 本文提出的火焰检测方法,通过挖掘火焰的直观形态特征,细分火焰类别,再利用深度卷积神经网络代替手动特征设置和提取过程,结合自建数据集和根据视觉任务修改的网络模型训练得到了检测效果良好的多类型火焰检测模型。利用深度学习的思想,避免了繁琐的人工特征提取工作,在得到较好的检测效果的同时,也保证了模型具有较强的抗干扰能力。本文为解决火焰检测问题提供了更加泛化和简洁的解决思路。     

基于哈希编码的无线多媒体传感网络森林火灾图像识别算法

针对无线多媒体传感网络在森林火灾监测应用中存在的问题,提出了基于图像哈希编码技术的森林火灾识别算法。首先,建立森林火灾图像的图像库,提取火焰图像的一系列静态和动态特征, 通过哈希函数对其特征向量进行计算得到对应的哈希码,从而得到图像库对应的哈希码库。其次,计算被识别图像的哈希码,并通过计算汉明距离与哈希码库进行匹配,得出与其最相近的图像,从而得出是否有火灾发生。实验结果表明,该算法的火焰识别准确率达到94.12%,高于SVM、BP神经网络和稀疏表示的火焰识别算法,且减少了网络中因图像传输而产生的能量消耗,提高了网络带宽的使用率。