【电力期刊】粗糙集理论在火焰图像处理及状态识别中应用.pdf
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《【电力期刊】粗糙集理论在火焰图像处理及状态识别中应用.pdf》由会员分享,可在线阅读,更多相关《【电力期刊】粗糙集理论在火焰图像处理及状态识别中应用.pdf(5页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第 2 7卷第5 期 2 0 0 7年 5月 电 力 自 动 化 议 备E l e c t ri c P o w e r A u t o m at i o nE q u i P m e n tVol.2 7No.5M a y 2 0 0 7粗糙集理论在火焰 图像处理 及状态识别中应用武广富 吕震中(东南大学 :,/一,一能源与环境学院,江苏 南京 210 0 9 6)摘要:粗糙集理论能够在保持系统分类不变的基础上,发现系 统内的基本知识。利用Kir s ch算子进行图 像预处理,依据粗糙集的分类原理将火焰图像的高低温区域分离开来,建立特征量提取的初始模型。根据对燃烧特性的分析确定了4 个特征变
2、量作为诊断的依据,根据全炉膛火焰图 像的特点确定特征量的计算模型,为便于比较研究,对每个特征量均作离 散化处理。由于单个特征量只能部分反映燃烧状态,同时,为克服单变量控制的抗干扰性能差、错误率较高的缺点,按照粗糙集的约简原则,在比 较均方差,基础上选用不同的特征量组合作为判断燃烧状态的参数,构建基于 粗糙集约简的多变量融合的状态识别规则。实验表明,采用粗糙集方法可以有效地提高处理速度。关键词:粗糙集;图 像处理;状态识别;火焰检测;中图分类号:T K227文献标识码:A决策表 文章编号:1 0 0 6 一 6 0 4 7【2 0 0 7)0 5 一 0 0 8 4 一 040 引言 锅炉燃烧的
3、安全性和高效性对电力生产具有重要意义,燃烧状态的监测和评价是电站锅炉燃烧优化的必要内容。目 前,火检装置集中于单燃烧器,电极法、声学法、差压法、测温法等由于自 身的缺点而难以得到广泛应用。随着研究的深入,数字式火检和图像火检有了迅速的发展,但数字式火检难以适应多变的工况,无法跟踪因各种因素导致的火焰漂移问题,图像火检存在的主要问题是火焰特征提取困难,模糊规则不完善,图像信息量大,限制了其广泛应用 一 3 。将粗糙集理论引人全炉膛火焰数字图像的识别和判据中,结合粗糙集约简规则,可有效地改进图像火检的实时性和准确性。1 粗糙集理论4 粗糙 集(r o ug hs et S)是一 种分 析数学理 论
4、。粗 糙集的意义在于它确定了模糊性与不确定性的关系,其理论要点是在保持信息系统分类能力不变的情况下,充分利用已知信息,通过知识约简从大量的数据中发现关于某个问题的基本知识或规则。设一 个四 元组5 二 u,A,v,f 是一个信息系统或知识表达系统,其中,u 是所讨论对象的非空有限集合,u 二 ,x Z,x。;A为属性的非空有限集合,A=C u D且c n D=0,C、D分别称为条件属性集和决策属性集;V二 v。,v。为属性a 的 值域,a o A;f:U xA 一v 是一个信息函 数,它为每个对象的每个属性赋收稿日 期:2 006 一 0 6 一 3 0;修回日期:2 006 一 10一 18
5、予一个信息值,即V a o A,二 v,f(x,a)。F。0 粗糙集理论作为一种新的软计算方法用于图像处理,利用软计算方法所允许的不确定性、不精确性和部分真实性,得到了易于处理、鲁棒性好和成本较低的 解决方法,是具有发展潜力的智能信息处理方法。2 基于粗糙集的火焰高温区域检测算法 文献 5 一 6介绍了区域分割的一般算法,考虑到燃烧的脉动性比较强烈,图像噪声较多,因此选用Kirs ch算子进行边缘检测。对数字图像的每个像素考察它的8 个邻点灰度的变化,以其中的3 个相邻点的加权减去剩下5 个邻点的加权和。令3 个相邻点环绕不断移位,取其差值的最大值作为Kirs ch算子值。通常Kirs ch算
6、子由8 个模板组成:设第 1 个模板的形式为1+21+31+4AAA 什0计AA .什什AAA 则图像上某像素经 8 个模板运算的结果可以表示为 K(x,y)=m ax 1,m ax 5 5 一 3 Ti ,1=0,1,7(1)万方数据第 5期武广富,等:粗糙集理论在火焰图像处理及状态识别中应用由其中 5 =f(A )+f(A+1)+f(A、+2)界=f(A+3)+f(A+4)+f(A+5)+f(A+6)+f(A+7)对一幅m x n 个像素组成的火焰图像(m、n 分别为图像在宽度、长度方向上的像素数),设像素x 为u中的一个对象,称知识库K=(u,R)为一个图像近似空间。粗糙集理论中有2 种
7、属性:条件属性和决策属性。为了得到火焰区域,定义条件属性集C 二。1,。2 ,其中,。,是像素平均灰度值属性,。2 是区域轮廓属性。在炉膛燃烧过程中,高亮区代表高温区,灰暗区代表低温区,选择一个灰度值做阂值Po灰 度值属 性。1=0,1 ,其中。代表。一 尸,1 代表沪+1)一 255;区域轮廓属性。2=一 0,1 ,其中,0 代表区域2 x 2 像素块的平均灰度值与相邻子块的平均灰度值之差的绝对值小于阑值Q,1 代表子块的差值绝对值均 大 于阑 值口。定义 决策 属 性D=0,1 ,其中,0代表像素点处于高温区,1 代表像素点处于低温区。根据以上定义,依据粗糙集的知识分类,结合文献 5 对火
8、焰目 标分割的方法,对火焰图像进行区域分割。等价关系R。,定义为:如果2 个像素的灰度值都大于某个阑值尸,则2 个像素是R。1 相关的,属于等价类,用公式表示为 尺。1(x)x f(x)尸 式中 x 表示该点的 像素;f(x)表示像素的 灰度值;R。1(劝表示所有“较亮”像素x 组成的集合。等价关系Rc:定义为 尺。2(x)5。i n t 区(5。)一 K(5、士 1,土 1)卜 口 式中 RcZ(x)表示边缘像素的集合;K(x)为区域像 素的 平均 灰度值函 数;s,和:*;,j 士,表示相 邻的 图像子块。令A=R。1(x 卜R c Z(x),则区域连就是火焰的高温区域。为了剔出毛刺,还需
9、要进行图像增强处理,以减小误差7j。焰的中心区域应该呈规则的圆形,若各燃烧器的特性和给粉量差异较大,各喷角的一二三风量及配比不恰当等因素都会影响火焰中心区域形状,使它成不规则的类圆形9。因此,火焰中心区域与圆形的相似度也反映了燃烧状况。为量化这种相似性,定义了火焰中心区域与圆形的相似度,用人 表示(0 人 1),A越大,表明火焰均衡燃烧程度越高,燃烧状态越理想。设图像的中心点为口,以口为中心将轮廓分成 1个扇形,每个扇形近似看成以;。为半径的一段圆弧,示意图如图 1 所示。1 越大,计算越精确,A 可信度越高,但计算量越多。相似度可用轮廓区域面积和该轮廓的最大半径对应的圆面积之比来计算,用公式
10、表示为 图 1相似度计算模型F i g.IM o d e l fo rs i m i l i tu d e c a l c u l a t i o n*=土 军/(二 礁)(3)3 识别燃烧模式的火焰图像特征量 判断燃烧过程稳定性就是针对不同工况的图像进行模式识别的过程8j。为了对火焰图像进行准确快速的模式识别,选用4 个特征量:火焰平均亮度(f 矽、火 焰 高 温 区 域 的 圆 形 相 似 度(A)、火 焰 颜 色 分 量比(:)和高温区面积占 有率(h)。3.1 火焰平均亮度 火焰平均亮度越高,燃烧状态越好,否则燃烧状态较差,可能灭火。设 计 算区 域内 图 像 为F=关,。、。,则 火
11、 焰 平 均亮 度 favs 为 favs=馨,买 盯恤 n)(2)式 中 gi 代 表 像 素 点 的 灰 度 值。3.2 火焰高温区域的圆形相似度 对于四角切圆燃烧的锅炉而言,火焰燃烧的中心区域是否呈规则的圆形是电站锅炉操作人员判断锅炉是否均衡燃烧的主要依据。正常均衡燃烧时火式中 R,=m a x(ri)。3.3 火焰颜色分量比 煤粉着火前后,炉膛内过量空气系数变化很大,火焰的颜色也不尽相同。根据实验观察,煤粉火焰在负荷较高、风煤比合适、燃烧操作良 好的情况下呈现明亮的橙黄色;相反,在负荷较低、燃烧状况不佳的情况下略显蓝色。由于炉膛背景辐射的原因,红色分量(Re)强度值在全炉膛图像中基本没
12、有什么变化,但绿色分量(r)和蓝色分量(及)的强度值在火焰中心和外围有明显的变化。因此,可以选用图像的绿色分量(或蓝色分量)和红色分量比作为煤粉火焰图像识别的一个特征值,即:二 Cr/R。或:二 BL/R。,这里采用前者。3.4 高温区面积占有率 研究发现,负荷较高、燃烧稳定时,彩色火焰图像中间呈现不同于边缘的乳白色,习惯上称该区域为火焰高温区,燃烧越剧烈,该区域面积越大,在图像中的面积占 有率也越大10)。由于火焰的实际截面积难以直接测算,因此用获得图像的投影面积来间接表示。由基于粗糙集的区域检测算法将高温区域从整张图像中分离出来,即可计算高温区域在图像中面积大小。每个像素在图像中占据的面积
13、大致相当,通过高温区面积占有率h 表征燃烧程度,用公式表示为 h=S h t/(m n)(4)式中 况,表示高温区像素数。3.5 燃烧状态判据分析 为通过全炉膛火焰数字图像对总体燃烧状况进行评价,针对高负荷、低负荷和临界灭火时火焰图像特征量存在较大差异,燃烧状况受多种因素影响和制约llj,个别特征量会受到干扰而偏离真实值。因万方数据函电 力 自 动 化 议 备第 2 7卷此,采用多特征量的融合判据来判断燃烧状况更能体现燃烧的特性,提高火焰检测的准确性。4 基于粗糙集和数字图像处理的燃烧状态识别4.1 火焰特征t的获取 在对火焰图像区域检测的基础上,进行像素处理与计算,获得被处理火焰图像的特征量
14、:火焰平均亮度、火焰轮廓的圆形度、高温区域面积占 有率和火焰颜色分量比。对某四角切圆燃煤锅炉进行试验研究,该锅炉采用中间储仓式制粉系统,3 层燃烧器对称布置。实验记录了65 组火焰图像作为处理样本。图2 是对样本图像作特征量提取的结果曲线,图中t 为序列。在部分状态各特征量的关联度较大,条件属性域C中的等价类较多;而在其他状态,特征量的关联度较小,即条件域C中的等价类较少2 一 4 。有与原决策表相同的分类能力 5 丁。将学习样本的特征量依据运行工况进行归类,用数字序列 0,1,2 代表特征量所预示的 燃烧特性,0 代表优良,1 代表一般,2 代表较差,结果如表4 所示,“V”表示该特征量值对
15、应的相对燃烧状态序列。表 4特征最归类 T a b4 C l a s s i fi c a t i o no fc h a l.a c t e ri s t i c s特征量取值范围条件状态平均亮 度从(灰度值)相似度 人瓜2 001 8 0 j 碗 2 00荡续1 8 0 人 0 一 90 一 8 A0 一 9A续 0,82)0 石5蓝红分量比20.55 2 0.65高温区域占用面积率 h2蕊 0.5 5h)0 20“00 卜,产 从 n 八 一”刀 5 ,V u 丫 订00 5 h 0.2 0 h蕊 0.0 502 04 06 002 04 06 0(a)平均灰度 t图形相似度 05 0碱
16、 0 一 2 56 002 04 06 0 (c)蓝红分量比(d)高温区域占 用面积率 图 2学习样本特征最提取 F i g.2C h a r a c t e ri s t i c se x trac t i o nfrom s a m P l e s4.2 基于粗糙集决策的约简过程 粗糙集理论中用一张二维决策表描述论域 U中的对象,其中每行描述一个对象,每列描述对象的一种属性。根据论域U中对象的条件属性的不同,被划分到不同决策属性的决策类。对于分类,并不是所有的条件属性都是必要的,去除多余属性不影响分类的结果,这个过程称为约简。现举例说明约简过程。见表1 一 3。表1 是原始决策表,u 中
17、有6 个对象,编号1 一 6,!a,b,。是条件属性,d 是决策属性。对表 1 去除多余属性后,约简 a,。和 b,。,结果如表2 和表3 所示,它们具 把火焰图像作为论域的对象,特征量作为条件属性,火焰的燃烧状态识别结果作为决策属性,决策属性定义为 0,1,2 (定义同上)。将多组稳态下特征量的均方差的平均值作为阑值丙,计算特征量连续5 个瞬时值的均方差,当计算结果大于丙时,该属性不能约简,否则,约简该条件属性,利用约简后属性判断燃烧状态。需要说明的是不同的特征量,其阂值也不相同,并且需要经过多次的试验得到,并适时加以修正。运用上述约简算法对样本图像决策过程约简,决策过程如表5 一 8 所示
18、,输出量B 代表状态输出。第 1 步 选取条件属性的一组数据,分别计算均方差,与丙比较后,保留其作为条件属性,构建5000500022.1,1 傅 表 5原始数据表T a l .SO ri gl n ald a t at able序列条件属性 C输出量U忘人:h11 9 8.2 4220 231 8 0.2 841 7 8.1 751 8 0.2 161 9 2.271 5 6.2 708 9 30.8 9 50.7 2 20.6 9 50.8 7 60,8 1 60.8 0 306 5 30.6 800.5 4 10.5 3 10.5 3 20.6 030.4 8 40.2 1 4 30.2
19、2 7 90.0 3 8 50.0 3 5 50.0 3 3 30.0 8 0 9 0表 1决策表表2约简 a,c T al).Z R e d u c e d a,c Uacd 1100 3*10 42*2 5*21表3约简【b,c lT a b.3R e d u c e d b,c Ubcd 1000 2200 3*10 4102 5*21 表 6原始决策表T a b 60 ri g i n a l d e c i s i o n 一 mak i n gt abl eT a b.ID e c i s i o n一 m a k i n gt a b l e序列条件属性 C输 出量Uabcd11
20、0002120032110421025122161021万方数据第 5期武广富,等:粗糙集理论在火焰图像处理及状态识别中 应用由原始数据表5;第 2步 根据表 4特征量归类方法对条件属性C 进行特征量离散化,如表6 所示;第 3步 分 别 约 简 瓜,入 和:,h ,得到约简属性表7 和表8。比较两表,得到如下规则:I Ffavs=O T H E N“=0;I F瓜=Z T H E N“=2;如 果瓜=1,继续考察A,如果人=2,则5 二 2,否则,继续考察:和h,如果:二 2或h=2,二=2,否则e=1。表7约简 从,川 T a b.7R e d u c e d【从,A 序列条件属性c 输出
21、量 表8约简:,h)T a b.SR e d u c e d夏:,h 序列条件属性c 输出 量 以此约束过程对20组测试样本(7组稳定燃烧样本,8 组临界稳定燃烧样本,5 组不稳定燃烧样本)进行检测,识别结果为6 组稳定、9 组临界稳定、5 组不稳定,正确率95%,满足工业现场应用要求。5 结论 提出了一种新的基于粗糙集的炉膛状态检测方法,通过对火焰图像的区域检测和特征量提取,由 粗糙集的知识表达,识别出火焰的燃烧状态。分析表明,由图像判断火焰状态能反映当前燃烧的主要特性,给出炉内的燃烧诊断及操作指导,为全炉膛火焰检测提供了 新的途径。通过粗糙集的约简,能简化计算量,提高反应速度,具有重要的实
22、际工程意义。参考文献:1 吕 震中,沈炯.电站锅炉火焰检测及燃烧诊断技术 J.锅炉技 术,1 9 9 7(5):8 一 1 4.功 Z h e n 一 z h o n g,S H E NJ i o n g.Fl a m ed e t e c t i o na n dc o mbu s t i o n d i a g n o s i st e c h n o l o 盯 Of b o i l e r J .B o i l e rTec h n o l o 罗,1 9 9 7(5):8一1 4-2 华彦平,吕震中,邹煌.基于图像灰度复杂性测度的炉膛燃烧状 c a t i o no fe d 罗 d
23、 e t e c t i o no p e rato rs i nr e gi o nd e t e c t i o no faut o-mob i l el i c e n s ep l at e J .C o m p u t e r Tec h n o l o 郡 a n dD e v e l 叩m e n t,2 0 0 6(3):1 6 1 一 1 6 3.7 徐立中,王慧斌,杨锦堂.基于粗糙集理论的图像增强方法 J .仪器仪表学报,2 0 0(),2 1(5):5 1 4 一 5 1 6.X U L i 一 z h o n g,WA N G H u i 一 b i n,Y A N G
24、 J i n一 t a n g.A ni m 昭e e n h a n c i n gm e t h o db a s e do nro u g hs e t s 仁 J .C h i n e s ej o u rn alo f S c i e n t ifi cl n s t ru m e n t,2(X)0,2 1(5):5 1 4 一 5 1 6.8 张师帅,周怀春.基于炉膛辐射能信号的电站燃煤机组燃烧优化 算法研究J .中国电机工程学报,2 002,2 2(1 1):1 5 6 一 1 6 0.Z H A N G S h i 一 s h u a i,Z H O U H u al一 c
25、h u n.A s t u d yof c o mbu s t i o n c o n t ro lo fac o al一 fi re dp o w e r邵n e ra t i o nu n i tb a s e do nfu m a c e r a d l ant e n e 卿 5 1,al J .P r o c e e d i n 邵Oft h eC S E E,2(X)2,2 2(1 1):1 5 6一 1 6 0.9 周乃君,夏小霞,欧育辉,等.基于风粉监测的四角燃烧煤粉炉内 温度场的动态仿真模型研究【J.中国电机工程学报,2 004,24 (1 0):2 2 4 一 2 2 7.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 电力期刊 电力 期刊 粗糙 理论 火焰 图像 处理 状态 识别 应用
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内