通道灰度图像； 步骤四：利用R0I平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火 焰区域质心、火焰颜色主成分共4种特征量； 步骤五:对提取到的火焰特征进行综合分析，建立判定规则，自动识别火焰的燃烧状态 (即是否正在燃烧、燃烧是否稳定、燃烧是否充分），并作为火焰监测结果输出； 步骤六:利用系统运行监测过程中保存的历史数据，建立离线自学习模型，不断优化系 统分析参数，优化火焰状态判定规则，并重新应用于监测系统，提升方法的鲁棒性。2. 根据权利要求1所述的一种基于R0I平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤一的实现过程为： 鉴于实际的耐高温成像系统中伸入炉膛中的探火镜头与炉膛中火嘴的位置相对固定， 在监测系统硬件就绪后，打开监测系统软件，对每一路视频信号，在正常燃烧工况下，使用 软件"火焰R0I模板设置"功能从监控视频流中采集一帧火焰燃烧图像，根据火焰燃烧情况 人工判定监控画面中火嘴所在位置，并在其周围连续点击鼠标选定包含火嘴的封闭多边形 区域Ω作为火嘴R0I区域。如有多个火嘴，重复选择，使每个被监控火嘴均对应一个R0I区 域。以封闭多边形Ω外接矩形Rect= {xo，yo;w，h}形式记录各R0I位置信息，其中（xo，yo)表 示矩形左上角起点，w表示矩形宽度，h表示矩形宽度。为方便提取R0I图像，保存火焰R0I模，其中χΕ [χο,χο+w-l]，ye [y〇，y()+h-l] 〇3. 根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤二的实现过程为： 利用火焰R0I模板提取当前帧中火嘴R〇 I原始图像gk (X，y)，对应于视频流一帧图像中的 R0I区域，利用"平均图像法"计算出当前帧R0I平均图像其中，k=l，2,…表示当前帧序号，N是窗口尺寸。N值越大，对炉膛中剧烈运动的热浪、烟灰 和火焰串扰等引起的成像噪声抑制作用越强，但考虑到火焰监测的实时性，应根据实际情 况来确定适当的N值。4. 根据权利要求1所述的一种基于R0I平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤三的实现过程为： (1) 为进一步平滑去噪，采用中值滤波与高斯滤波相结合的方法。设S为中值滤波器滑 动窗口所确定的像素(X，y)的邻域集合，|s|表示集合S中元素个数(为奇数），S〇rt( ·)表示 排序操作，则对ROI平均图像进行中值滤波可以表示为经高斯滤波后得到图像二维高斯核(μ为均值，σ为标准差），?表示卷积操作。 (2) 利用燃气火焰RGB空间图像h2(x，y)的蓝色通道（即B通道)8(1，7)=1! 2(^7;8)进行 阈值分割，采用二值阈值分割方法，设定灰度阈值T，则图像二值化结果为 (3) 为使得到的二值图像更好地反映火焰形状信息，对阈值分割后的二值图像m(x，y) 进行一系列形态学处理。具体做法是:先通过闭运算(先膨胀后腐蚀的过程)来连接近邻目 标像素、填充细小空洞，然后再采用开运算(先腐蚀后膨胀的过程)来消除毛刺、断开狭窄连 接，实现目标轮廓的平滑，同时目标面积基本保持不变。接着对处理后的连通区域的面积进 行比较，去掉较面积小的连通区域，保留面积最大的连通区域Ω η。图像形态学处理结果记，Mask(x，y)相当于火焰像素模板，其非零处记录了最可能 的火焰像素位置。 (4) 让形态学处理后的二值图像Mask(x，y)分别与火焰RGB图像的B通道图像h2(x，y;B) 及R通道图像h 2(x，y;R)对应位置的像素灰度值相乘，就可得到火焰区域的B通道灰度图像IB (x，y)=h2(x，y;B) · Mask(x，y)及R通道灰度图像lR(x，y)=h2(x，y;R) · Mask(x，y)，用于提 取火焰特征。5.根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤四的实现过程为： 利用ROI平均图像预处理结果分别计算火焰区域面积、火焰区域平均亮度、火焰区域质 心、火焰颜色主成分共4种特征量。计算方法为： (1) 火焰区域面积：，即火焰灰度图像中非零像素的个数，根据B通道 灰度图像计算Ae[〇，wXh]，w、h分别为图像的宽和高。 (2) 火焰区域平均亮度：，即火焰灰度图像中非零像 素灰度的平均值，根据B通道灰度图像计算。 (3) 火焰区域质心（1。，7。）：[〇，￥-1]，7。封〇，1!-1]，根据8通道灰度图像计算，质心波动与火焰燃烧是否稳定有关。 (4) 火焰颜色主成分:煤气或天然气燃烧时，视其燃烧充分与否，火焰颜色一般表现为 蓝色或橙黄色。从RGB颜色空间看，这里将橙黄色火焰的颜色主成分定为红色(R)，蓝色火焰 的颜色主成分定为蓝色(B)。比较图像I B(x，y)和图像IR(x，y)相同位置处像素的灰度值大 小，求出蓝色分量大于红色分量的像素个数以及红色分量大于 蓝色分量的像素个数的颜色主成分为蓝色;反之，则火焰的颜色主成分为红色。6. 根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤五的实现过程为： (1) 对于火焰是否正在燃烧，以当前帧为判定单位，建立规则1:若当前帧火焰面积A>Ta (Τα为所设置的面积阈值），且平均亮度μ>Τμ(Τμ为所设定的平均亮度阈值），则判定火焰正 在燃烧，否则火焰熄灭。 (2) 为了降低熄火误报率，以连续Κ帧为判定单位，建立规则2:对于连续Κ帧图像的检测 结果，只要其中有一帧图像满足火焰面积六>1^且平均亮度μ>Τ μ，则判定火焰正在燃烧，否 则火焰熄灭。 (3) 对于火焰燃烧是否稳定，以连续Κ帧为判定单位，建立规则3:当火焰正在燃烧时，设，若质心波动范围 为所设定的质心波动范围阈值），则火焰波动小，判定燃烧稳定;反之，则火焰波动大，燃烧 不稳定。 (4) 对于火焰燃烧是否充分，以连续Κ帧为判定单位，建立规则4:当火焰正在燃烧时，若 NB>NR的帧数比Nb < Nr的帧数多，则火焰的颜色主成分为蓝色，燃烧充分;反之，则火焰的颜 色主成分为红色，燃烧不充分。7. 根据权利要求1所述的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。 其特征在于，所述步骤六的实现过程为： 系统运行监测过程中，将历史数据，包括火焰图像特征数据、图像处理或分析中用到的 阈值参数、对应的火焰燃烧状态判定结果，保存到数据库，通过不断积累的有效数据建立离 线自学习模型，采用机器学习方法，寻求最优的阈值参数和分析判定规则，并将优化结果重 新应用于监测系统中，提升方法的鲁棒性。
【专利摘要】本发明公开了属于工业加热炉火焰视频监控领域的一种基于ROI平均图像分析的燃气加热炉火焰实时监测方法。包括以下步骤：1)采用人机交互方式设置火焰感兴趣区域(ROI)；2)从火焰监控视频流中提取ROI图像并计算平均图像；3)对ROI平均图像进行预处理，包括平滑去噪、阈值分割、形态学处理，确定最可能的火焰像素区域；4)从预处理结果图像中提取火焰特征，包括火焰区域面积、平均亮度、质心和火焰颜色主成分；5)综合分析火焰特征，建立判定规则，自动识别火焰燃烧状态并输出；6)利用历史数据建立离线自学习模型，优化系统参数，提升方法的鲁棒性。本发明可用于对单火嘴或多火嘴燃气加热炉燃烧工况进行实时监控，为工业生产提供安全保障。
【IPC分类】G06K9/46, G06K9/20
【公开号】CN105678295
【申请号】CN201610003291
【发明人】徐望明, 伍世虔, 邱奕敏, 郑超兵
【申请人】武汉科技大学
【公开日】2016年6月15日
【申请日】2016年1月4日