[發明專利]一種基于火焰圖像和深度學習的燃燒工況監測方法和裝置

在審

• 申請號: 202010039651.7
• 申請日: 2020-01-15
• 公開（公告）號: CN111401126A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 田宏偉;趙恒斌;楊向東;柳倩;韓哲哲;許傳龍
• 申請（專利權）人: 國家能源集團諫壁發電廠
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京源古知識產權代理事務所(普通合伙) 32300
• 代理人: 杜杰

1.一種基于火焰圖像和深度學習的燃燒工況監測方法，其特征在于：包括以下步驟：

步驟1、利用圖像監測裝置采集爐膛火焰圖像，并記錄燃燒工況，所采集的圖像經預處理后分為訓練集、驗證集和測試集，其中，訓練集中的圖像不帶標簽，而驗證集和測試集中的圖像帶標簽；

步驟2、利用訓練集圖像無監督訓練卷積稀疏自編碼；將稀疏懲罰項、均方誤差與結構相似度相結合作為損失函數，表示為：

L＝L_SPT+L_MSE+L_SSIM

式中，L_SPT表示稀疏懲罰項，L_MSE表示均方誤差，L_SSIM表示結構相似度；

步驟3、利用完成訓練的CSAE網絡提取驗證集圖像的深層特征，并結合圖像標簽訓練Soft-max分類器；

步驟4、已訓練的Soft-max分類器能夠對新圖像特征進行分類，實現單張火焰圖像的燃燒工況識別，并利用測試集對其性能進行檢驗。

2.一種用于權利要求1所述的基于火焰圖像和深度學習的燃燒工況監測方法的圖像監測裝置，其特征在于：所述圖像監測裝置由冷卻套管(1)、光學視鏡(2)和工業相機(3)組成，所述光學視鏡(2)和工業相機(3)相連，冷卻套管(1)套接在工業相機(3)和光學視鏡(2)外側；

其中冷卻套管(1)頂端采用45°拐角設計，冷卻套管(1)分為水夾層(4)和氣夾層(5)，水夾層(4)為密封結構，氣夾層(5)為開放結構，并依次對應水冷與風冷兩種冷卻方式，其中風冷氣夾層(5)在內側，水冷水夾層(4)在外側，并且在冷卻套管(1)尾端上設有冷卻水進口(6)和冷卻風進口(7)，在冷卻套管(1)頂端設有冷卻風出口(8)，其中冷卻水進口(6)和水夾層(4)連通，冷卻風進口(7)以及冷卻風出口(8)和氣夾層(5)連通。

光學視鏡(2)頂端配備90°視角的耐高溫鏡頭；

工業相機(3)尾端設有電源接口(9)和視頻信號接口(10)。

3.根據權利要求1所述的一種基于火焰圖像和深度學習的燃燒工況監測方法，其特征在于，所述步驟2中的卷積稀疏自編碼網絡的特征提取步驟為：

步驟2.1、將訓練集X送至卷積編碼，首先由k1個a1×a1窗口大小、步長為s1的卷積過濾器(C1(k1@a1×a1+s1))進行特征提取，然后使用ReLU函數(y(x)＝max(0，x))進行神經元激活，最后由b1×b1窗口大小、步長為f1的最大池化層(P1(b1×b1+f1))進行特征降維，得到特征向量h₁；

步驟2.2、特征向量h₁送至編碼器2號和編碼器3號進一步處理，處理過程與編碼器1號相似，最終得到特征向量h₃；

步驟2.3、特征向量h₃送至解碼器1號，首先由g1×g1窗口大小的上采樣層(U1(g1×g1))實現特征維度提升，然后分別經卷積過濾器(C4(k4@a4×a4+s4))、ReLU激活函數處理，得到特征向量h₄；

步驟2.4、特征向量h₄送至解碼器2號和解碼器3號進一步處理，處理過程與解碼器1號相似，最終得到重建圖像z。

4.根據權利要求1所述的一種基于火焰圖像和深度學習的燃燒工況監測方法，其特征在于，所述步驟2中的稀疏懲罰項L_SPT表達為：

式中，β表示稀疏率；F表示隱藏層神經元數量；p表示稀疏目標常數；基于i軸的神經元平均激活量p_j表達為：

式中，E表示訓練集圖像數量；s_ij(i∈(1，E)，j∈(1，F))表示第j位置的神經元的激活量；KL散度表達為：

5.根據權利要求1所述的一種基于火焰圖像和深度學習的燃燒工況監測方法，其特征在于，所述步驟2中的損失函數L_MSE表達為：

式中，X_ij與z_ij分別表示尺寸為A×T的輸入圖像與重建圖像中第(i，j)位置的灰度。