一种基于卷积-循环神经网络的回转窑序列工况识别方法技术

本发明专利技术提供一种基于卷积‑循环神经网络的回转窑序列工况识别方法，涉及图像分类与模式识别技术领域。该方法首先对采集的不同工况下连续时间的回转窑烧成带视频序列信息进行预处理；并采用PCA主元分析法对感兴趣区域进行初步特征提取和降维；然后设计CNN‑RNN卷积循环神经网络，进一步提取图像特征和图像序列间的动态信息；采用随机搜索超参数优化方法选择卷积‑循环神经网络的最优超参数，从而获得最优的CNN‑RNN神经网络分类器模型，实现回转窑图像序列的工况识别。本发明专利技术提供的基于卷积‑循环神经网络的回转窑序列工况识别方法，既能利用图像空间特征又能够利用图像序列之间关联信息和动态特征，在回转窑图像序列工况识别问题上能够取得更好的分类效果。

【技术实现步骤摘要】
一种基于卷积-循环神经网络的回转窑序列工况识别方法
本专利技术涉及图像分类与模式识别
，尤其涉及一种基于卷积-循环神经网络的回转窑序列工况识别方法。
技术介绍
回转窑长达百米且处于不断旋转中，其结构的特殊性和工艺的复杂性使得回转窑烧结过程机理复杂，包括物料的物理化学反应，燃料燃烧，气体、物料、内衬间传热，气体、物料运动等多个耦合过程。由于回转窑烧结过程存在着熟料质量指标难以在线测量，与熟料质量密切相关的关键工艺参数烧成状态难以准确识别等难题，导致现有的回转窑烧结过程仍处于“人工看火”开环操作阶段。根据熟料煅烧温度的要求，烧成状态通常可以分为以下三种：当前温度高于所需温度区间时，烧成状态为“过烧结”；当前温度低于所需温度区间时，烧成状态为“欠烧结”，其余为“正烧结”。烧成状态反映了回转窑内烧成带温度场分布信息和熟料烧结状况信息，直接决定了熟料质量指标。看火操作人员通过观察窑内烧成带状况，辅以过程变量，识别当前烧成状态，继而调节控制变量使得被控变量位于适宜的范围之内，以实现生料的充分燃烧获得合格的熟料。然而，人工烧成状态的识别结果受到操作人员的经验、责任心和关注度等主观因素的制约，易造成熟料质量指标不稳定、窑内衬使用寿命短、窑运转率低、产能低、能耗高、人工劳动强度大等问题。如何模仿优秀操作人员的看火经验，利用机器学习与图像处理技术的研究成果，以“机器看火”取代“人工看火”，消除人为因素，众多的学者做了大量深入的研究。基于图像处理的方法对回转窑熟料烧结工况进行识别，是近几年的一个研究热点。回转窑火焰图像颜色和纹理等特征和熟料烧成状态有直接的关系，很多学者做了大量基于图像处理技术的熟料烧成状态识别研究。王补宣等(图像处理技术用于发光火焰温度分布测量的研究[J].工程热物理学报，1989，10(4)：446-448.)提出一种基于图像处理方法来测定回转窑内没分火焰温度分布的方法。具体的，检测窑内小范围火焰温度分布情况，推测窑内温度与火焰图像亮度之间的度量关系，黑体炉作为标定对象，建立图像灰度与窑内温度的变化关系，进而建立图像亮度和温度之间的多项式回归模型。陈岩(熟料窑计算机集中控制[J].轻金属，2000(3)：54-56.)采用图像处理方法，从回转窑烧成带火焰图像中提取温度等级信息，再将其作为闭环控制的反馈信号，从而实现回转窑烧成带温度的闭环实现。姜慧研等(基于双快速行进法的图像分割方法的研究[J].系统仿真学报，2008，20(3)：803-806.)采用改进的双快速行进法对回转窑火焰图像进行图像分割，分割出黑把子去、火焰去和物料区。本方法结合能量衰减方程能够最大程度的去除区域间耦合，进而提取出各个显著区域的最本质特征。最后采用支持向量机和概率神经网络进行烧结工况的识别。魏兆一(光流算法及其在回转窑窑况识别中的应用研究[D].东北大学，2005.)采用改进的基于张量的光流算法在回转窑实际图像序列上进行图像分割与特征提取，采用成熟的分类器对烧成状态进行识别，为回转窑熟料烧成状态的自动控制提供依据。由于受窑内大量的烟雾、粉尘干扰，得到的火焰图像感兴趣区域会产生较严重的耦合，采用基于图像分割的方法不能对感兴趣区域进行有效分割，造成烧成状态的识别结果不可靠。李帷韬(水泥回转窑烧成状态识别与熟料质量指标软测量的研究[D].东北大学，2012.)针对基于图像分割方法进行烧成状态识别存在的问题，不对回转窑火焰图像进行分割，而是采用基于尺度不变特征转换算法，来提取火焰图像感兴趣区域关键点信息，取得了不错的效果。但是因为图像质量较低，各个显著区域存在强烈的耦合，导致该算法提取的关键点个数较少，无法很好的完成回转窑熟料烧成状态识别工作。吴小勋(基于烧成带图像的回转窑熟料烧结工况识别方法研究[M].东北大学，2014.)基于前人的研究成果，创新的采用了基于深度学习的独立子空间分析算法对图像中的感兴趣区域进行无监督的分层学习，提取各个显著区域图像的低层信息，在特征分类中取得了不错的识别效果。但是该方法的研究对象仅仅是火焰灰度图像，并未考虑图像的多通道编码问题，也没有考虑回转窑熟料烧结工况的时序关系。蔡元强(基于卷积独立子空间分析的回转窑熟料烧结工况识别方法研究[M].东北大学，2015.)针对之前基于静态图像的回转窑熟料烧结工况识别方法的缺陷，将视皮层认知计算理论和深度学习方法应用到熟料烧成状态识别这个具体问题中，提出了基于烧成带视频图像的回转窑熟料烧结工况识别方法，实现了在视频序列基础上进行特征提取以及工况识别。半监督学习能够在减少标签数据样本使用的同时，提高模型的识别精度。高鹏超(基于改进慢特征分析特征提取的水泥回转窑建模研究[D].东北大学，2016.)利用了回转窑多变量时间序列数据的特点，提出了半监督降维的方法ST-SSFA，能够提取出更易于识别的特征。夏克江(基于半监督独立成分分析和隐马尔可夫模型的回转窑熟料烧结工况识别方法[D].东北大学，2016.)利用三种工况的图像序列，训练了三种GMM-HMM进行工况判别。因此，结合“人工看火”的模式和经验，在充分总结前人研究的基础之上，有效利用视频序列间动态信息，研究基于时间序列动态分类结合深度卷积-循环神经网络的动态分类器的回转窑熟料烧结工况识别方法，从而对回转窑熟料烧成状态进行更加实时可靠的判断，是一个非常有挑战的课题。
技术实现思路
针对现有技术的缺陷，本专利技术提供一种基于卷积-循环神经网络的回转窑序列工况识别方法，实现对水泥回转窑图像序列的工况识别。一种基于卷积-循环神经网络的回转窑序列工况识别方法，包括以下步骤：步骤1：采集回转窑的视频图像序列并进行图像数据预处理，具体方法为：使用摄像机在回转窑窑头的看火孔前对回转窑火焰录制视频，以采集不同工况下连续时间的回转窑烧成带视频序列，并对采集的回转窑图像进行图像数据预处理；所述回转窑图像数据预处理包括感兴趣区域提取、图像灰度化、向量化和标准化；所述感兴趣区域提取是指：回转窑烧成带的视频图像中的烧成状态信息主要集中在三个主要的显著区域，即火焰区域、物料区域和黑把子区域；因摄像机安装在窑头的位置固定，所以显著区域在视频图像中的位置也相对固定，因此首先需要对视频图像进行显著区域划分，去除窑壁区域无关的信息，使用显著区域的视频数据作为输入数据；采用更具有代表性的黑把子区域作为识别数据；步骤2：由于回转窑图像规模较大，且包含一定噪声，同时，在图像数据预处理后灰度值的变量之间存在很大的相关性，因此需要对图像数据进行去相关的白化处理；采用主成分分析法(PrincipalComponentAnalysis，即PCA)对步骤1的图像视频序列进行去相关性的白化处理，同时实现对图像数据进行维数约减，实现特征的初步降维，以减少后续的特征规模；步骤3：构建深度卷积-循环神经网络模型，利用经过PCA处理后的图像数据训练该深度卷积-循环神经网络；回转窑图像序列经过图像预处理和PCA初步特征提取后，每一帧图像转化成一维向量，连续的图像序列按时间展开则形成一个二维矩阵；用深度卷积-循环神经网络进一步学习图像空间维和时间维的特征表达；然后，输出层对所得到的特征进行全连接，通过softmax方法实现各种工况的概率统计，并选择出概率最大的工况输出，从而实本文档来自技高网...

【技术保护点】
1.一种基于卷积‑循环神经网络的回转窑序列工况识别方法，其特征在于：包括以下步骤：步骤1：采集回转窑的视频图像序列并进行图像数据预处理；步骤2：采用主成分分析法(Principal Component Analysis，即PCA)对步骤1的图像视频序列进行去相关性的白化处理，同时实现对图像数据进行维数约减，实现特征的初步降维，以减少后续的特征规模；步骤3：构建深度卷积‑循环神经网络模型，利用经过PCA处理后的图像数据训练该深度卷积‑循环神经网络；回转窑图像序列经过图像预处理和PCA初步特征提取后，每一帧图像转化成一维向量，连续的图像序列按时间展开则形成一个二维矩阵；用深度卷积‑循环神经网络进一步学习图像空间维和时间维的特征表达；然后，输出层对所得到的特征进行全连接，通过softmax方法实现各种工况的概率统计，并选择出概率最大的工况输出，从而实现工况识别；步骤4：采用随机搜索超参数优化方法选择深度卷积‑循环神经网络的最优超参数，获得最优的神经网络模型；步骤5：实时获取回转窑火焰图像，通过最优的深度卷积‑循环神经网络模型对回转窑的实时工况进行识别。

【技术特征摘要】
1.一种基于卷积-循环神经网络的回转窑序列工况识别方法，其特征在于：包括以下步骤：步骤1：采集回转窑的视频图像序列并进行图像数据预处理；步骤2：采用主成分分析法(PrincipalComponentAnalysis，即PCA)对步骤1的图像视频序列进行去相关性的白化处理，同时实现对图像数据进行维数约减，实现特征的初步降维，以减少后续的特征规模；步骤3：构建深度卷积-循环神经网络模型，利用经过PCA处理后的图像数据训练该深度卷积-循环神经网络；回转窑图像序列经过图像预处理和PCA初步特征提取后，每一帧图像转化成一维向量，连续的图像序列按时间展开则形成一个二维矩阵；用深度卷积-循环神经网络进一步学习图像空间维和时间维的特征表达；然后，输出层对所得到的特征进行全连接，通过softmax方法实现各种工况的概率统计，并选择出概率最大的工况输出，从而实现工况识别；步骤4：采用随机搜索超参数优化方法选择深度卷积-循环神经网络的最优超参数，获得最优的神经网络模型；步骤5：实时获取回转窑火焰图像，通过最优的深度卷积-循环神经网络模型对回转窑的实时工况进行识别。2.根据权利要求1所述的一种基于卷积-循环神经网络的回转窑序列工况识别方法，其特征在于：所述步骤1的具体方法为：使用摄像机在回转窑窑头的看火孔前对回转窑火焰录制视频，以采集不同工况下连续时间的回转窑烧成带视频序列，并对采集的回转窑图像进行图像数据预处理；所述回转窑图像数据预处理包括感兴趣区域提取、图像灰度化、向量化和标准化；所述感兴趣区域提取是指：回转窑烧成带的视频图像中的烧成状态信息主要集中在三个主要的显著区域，即火焰区域、物料区域和黑把子区域；因摄像机安装在窑头的位置固定，所以显著区域在视频图像中的位置也相对固定，因此首先需要对视频图像进行显著区域划分，去除窑壁区域无关的信息，使用显著区域的视频数据作为输入数据；采用更具有代表性的黑把子区域作为识别数据。3.根据权利要求1所述的一种基于卷积-循环神经网络的回转窑序列工况识别方法，其特征在于：步骤3所述深度卷积-循环神经网络模型包括卷积层，循环层和输出层三部分；所述卷积层的输入数据为一个实时识别周期TP内的回转窑图像序列，经图像数据预处理后转换为一个二维矩阵；卷积层采用三层卷积结构，每层卷积操作的目的在于进一步学习图像的特征表达，在每层卷积操作的具体实现过程...

【专利技术属性】
技术研发人员：周晓杰，马文科，张茜，丁进良，柴天佑，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21