、阈值分割、形态 学处理，确定最可能的火焰像素区域，并由此得到用于提取燃气火焰特征的火焰区域B通道 灰度图像及R通道灰度图像。具体做法是：
[0040] (1)为进一步去噪，采用中值滤波与高斯滤波相结合的方法。中值滤波用一个含有 奇数点的滑动窗口扫描图像中的每一个像素，将窗口确定的邻域中的像素灰度排序，取其 中间值为输出像素灰度值，能有效消除椒盐噪声，保持图像边缘。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，则对进行中值滤波可以表示为
。高斯滤波对整 幅图像进行加权平均，设二维高斯核
_，μ为均值，σ为标准差，经 高斯滤波后得到图像化(^'）= 61(1>')0^；)(毛少），0表示卷积操作，实际计算时利用一 个高斯核确定的加权模板扫描图像中的每一个像素，用模板所确定的邻域内像素的加权平 均灰度值去替代模板中心像素点的值，达到平滑去噪目的。
[0041] (2)对于燃气火焰图像，经验发现利用RGB空间图像h2(x，y)的蓝色通道（即Β通道） 8(^ 7)=112(^7;8)进行阈值分割效果最好。因此，采用了二值阈值分割，设定灰度阈值1'， 则图像二值化结果关
[0042] (3)为使得到的二值图像更好地反映火焰形状信息，紧接着对该二值图像进行一 系列形态学处理。图像形态学处理是一种针对图像像素集合的处理过程，用S代表结构元 素，用矩阵A表示待处理的二值图像，用S对A进行腐蚀的结果就是把S平移后使S包含于A的 所有像素构成的集合，即4〇3 = &|(幻__^；^4，用5对4进行膨胀的结果就是把5平移后使5与 A的交集非空的像素构成的集合，即=丨z I n J #0：j。对于上述二值化结果图像m (x，y)，所采用的形态学处理方法是先通过闭运算(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。以上图像形态学处理结 果记戈
，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。
[0043] (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h2(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1[3(叉，7)=112(叉，7;8)?1&181^(叉，7)及1?通道灰度图像1[^，7)=112(叉，7;10*1&81^(叉，7)， 以用于下一步提取火焰特征。
[0044]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。计算方法为：
[0045] (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：
G[0，wXh]，w、h分别为图像的宽和高。
[0046] (2)火焰区域平均亮度：即火焰灰度图像中非 λ. -\j y-Kf
零像素灰度的平均值，根据B通道灰度图像计算。
[0047] (3)火焰区域质心（xc，yc):
，其中 1￡[0，《-1]，7。6[0，1!-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。
[0048] (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I
以及红色 分量大于蓝色分量的像素个数
若Nb >Nr，则火焰的颜色主成分为蓝色;反之，则火焰的颜色主成分为红色。
[0049]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(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。
[0050] (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(Ta为所设置的面积阈值），且平均亮度μ>Τ μ(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。
[0051] (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。
[0052] (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，设质心平均坐相
1，若质心波动范围
(T。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。
[0053] (4)对于火焰燃烧是否充分，以连续K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。
[0054]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。具 体做法是:在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。
[0055]本发明所描述的一种基于R0I平均图像分析的燃气加热炉火焰实时监测方法已在 国内某钢铁集团公司煤焦化分公司的一座4火嘴燃气工业加热炉智能火焰视频监测系统中 实施，利用耐高温探火镜头采集2路视频信号到工控机进行处理，每路视频信号同时监控2 个火嘴。实践表明，该系统的实施运行，为燃气工业加热炉燃烧工况实时监测提供了有效的 安全保障、提高了工作效率、取得了显著的经济效益。该方法解决了目前国内比较缺乏的以 煤气或天然气为燃料的多火嘴工业加热炉火焰燃烧状况实时监测的技术问题，具有广阔的 应用推广前景。
[0056] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精 神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围 之内，则本发明也意图包含这些改动和变型在内。
[0057] 本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
【主权项】
1. 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，包括以下 步骤： 步骤一:在正常燃烧工况下，从耐高温成像系统中采集一帧图像，采用人机交互方式在 火嘴周围选定火焰感兴趣区域(R〇 I )，记录R〇 I坐标信息，并保存为模板； 步骤二:对采集到的视频流（图像序列），提取每一帧对应的R0I图像，选取适当的窗口 尺寸计算平均帧（图像）； 步骤三:对R0I平均图像进行预处理操作，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，并由此得到用于提取燃气火焰特征的火焰区域B通道灰度图像及R