[發(fā)明專利]基于智能控制的計算機(jī)視覺技術(shù)的爐膛火焰檢測方法

有效

• 申請?zhí)枺?/td>: 201110347176.0
• 申請日: 2011-11-04
• 公開（公告）號: CN102506444A
• 公開（公告）日: 2012-06-20
• 發(fā)明（設(shè)計）人: 羅存;包德梅;黃立均;李佑文
• 申請（專利權(quán)）人: 國電南京自動化股份有限公司
• 主分類號: F23M11/04
• 分類號: F23M11/04
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

技術(shù)領(lǐng)域

本發(fā)明涉及一種利用計算機(jī)視覺技術(shù)檢測分析電廠爐膛火焰的方法，尤其涉及一種基于小波包和BP神經(jīng)網(wǎng)絡(luò)的計算機(jī)視覺技術(shù)的爐膛火焰檢測方法。

背景技術(shù)

發(fā)電廠鍋爐的穩(wěn)定燃燒對于發(fā)電機(jī)組的安全和電力的充足供應(yīng)至關(guān)重要。隨著大型機(jī)組的燃料和燃燒方式的多樣化，在鍋爐啟停和處理事故過程中對燃燒系統(tǒng)的監(jiān)視即鍋爐爐膛火焰檢測就顯得尤為重要。

電廠煤粉鍋爐火焰檢測是提高電站運行安全性和經(jīng)濟(jì)性的重要措施。目前，我國電廠中廣泛采用的火焰檢測器屬于紅外線型、可見光型或上述的組合型。這類火焰檢測器的視場角較小，當(dāng)煤種變化或負(fù)荷變化引起著火位置漂移時，將嚴(yán)重影響爐膛火焰的檢測效果。并且這種火焰檢測器只能給出有無火焰的開關(guān)量信號，不能進(jìn)一步判斷火焰燃燒的狀況。

圖像信息在電廠應(yīng)用中所起的作用越來越重要，對電廠爐膛火焰的圖像信息分析與處理的要求也越來越高，使得在一些應(yīng)用場合必須利用計算機(jī)視覺技術(shù)由計算機(jī)替代監(jiān)控人員進(jìn)行圖像理解。通過計算機(jī)視覺技術(shù)分析解釋圖像中所代表的信息來判斷設(shè)備的運行狀況，在分析解釋中需提高其準(zhǔn)確率，以防止誤報和漏報。

通常，過程測量數(shù)據(jù)都是含噪數(shù)據(jù)，為了后續(xù)更高層次的處理，必需對信號進(jìn)行去噪。眾多學(xué)者根據(jù)實際信號的特點、噪聲的統(tǒng)計特征和頻譜分布的規(guī)律，發(fā)展了各式各樣的去噪方法，其中最為直觀的方法是根據(jù)噪聲能量一般集中于高頻，而真實信號的頻譜則分布于一個有限區(qū)間的特點，采用低通濾波方式進(jìn)行去噪，如傅立葉變換、滑動平均窗濾波器、Wiener線性濾波器。其它的去噪方法還有基于秩階濾波、馬爾可夫場模型、偏微分方程的方法。而在小波包分析中，其去噪信號的算法思想和在小波分析中的基本相同，所不同的就是小波包提供了一種更為復(fù)雜，也更為靈活的分析手段。因為小波包分析對上一層的低頻部分和高頻部分同時進(jìn)行分解，具有更加精確的局部分析能力。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種可以克服傳統(tǒng)火焰檢測器的缺點的基于小波包和BP神經(jīng)網(wǎng)絡(luò)的計算機(jī)視覺技術(shù)的爐膛火焰檢測方法，可以快速準(zhǔn)確的識別爐膛火焰的狀況。

為解決上述技術(shù)問題，本發(fā)明提出了一種將小波包及BP神經(jīng)網(wǎng)絡(luò)的計算機(jī)視覺技術(shù)應(yīng)用于電廠爐膛火焰的檢測的方法。

一種基于智能控制的計算機(jī)視覺技術(shù)的爐膛火焰檢測方法，其特征是，包括以下步驟：

a.圖像獲取：利用CCD攝像機(jī)通過光纖圖像傳感器拍攝爐膛火焰，并將拍攝采集的圖像信息信號實時傳送至信號處理機(jī)；

b.小波包算法的信號去噪處理：信號處理機(jī)中采用小波包算法對圖像信息進(jìn)行信號的去噪處理；

c.BP神經(jīng)網(wǎng)絡(luò)圖像檢測識別：采用BP神經(jīng)網(wǎng)絡(luò)模型對經(jīng)過去噪處理的圖像信息進(jìn)行檢測識別。

2.根據(jù)權(quán)利要求1所述的基于智能控制的計算機(jī)視覺技術(shù)的爐膛火焰檢測方法，其特征是，小波包進(jìn)行信號去噪的步驟為：

小波包分解：對含噪信號進(jìn)行小波包分解，得到各個尺度下的小波包分解系數(shù)；

系數(shù)收縮：對小波包分解系數(shù)進(jìn)行收縮，將各尺度上由噪聲產(chǎn)生的小波分量去掉，保留原始信號的小波包分解系數(shù)；

小波包重構(gòu)：對收縮的小波包分解系數(shù)進(jìn)行小波逆變化，重構(gòu)去噪信號。

小波包分解系數(shù)收縮是通過選取一閾值對小波包分解系數(shù)進(jìn)行量化處理，將小于或等于閾值的小波包分解系數(shù)作為零處理，僅用閾值以上的小波包分解系數(shù)來重構(gòu)去噪信號，包含以下步驟：

Y＝W(X)

Z＝D(Y，T)

X^=W-1(Z)]]>

其中，W(X)和W^-1(Z)分別表示小波包分解與重構(gòu)算法，D(Y，T)表示給定閾值T的小波包分解系數(shù)的收縮操作，X表示含噪信號，Y表示X的小波包分解系數(shù)，Z表示經(jīng)收縮操作后的小波包系數(shù)，表示去噪后的信號。

BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練步驟為：

(1)初始化：對權(quán)值矩陣W和閾值V賦隨機(jī)數(shù)，將樣本模式計數(shù)器p和訓(xùn)練次數(shù)計數(shù)器q取為1，總誤差為0，學(xué)習(xí)率η設(shè)為0和1之間的小數(shù)。網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度E_min設(shè)為正小數(shù)，網(wǎng)絡(luò)最大迭代次數(shù)為N；