基于可见光图像识别的等离子体温度瞬态诊断方法和系统技术方案

本发明专利技术公开了基于可见光图像识别的等离子体温度瞬态诊断方法和系统，属于图像识别技术领域。本发明专利技术利用机器学习和卷积神经网络模型进行等离子体温度诊断，一方面，一旦建立等离子体放电可见光图像与其等离子体温度参数对应数据集，并训练建立诊断模型后，后期的诊断可不需使用光谱仪等设备，只需使用通用图像采集设备采集新工况下等离子体放电的可见光图像，即可实时预测该工况下的等离子体温度参数，实验设备简单，预测过程自动完成，无需人工拟合。另一方面，机器学习卷积神经网络的优点是不需要人工设计并提取图像数据的特征，能够直接对图像的像素进行卷积处理，提取到图像特征，这样的处理方式和人类大脑视觉系统的处理方式十分相近。

【技术实现步骤摘要】
基于可见光图像识别的等离子体温度瞬态诊断方法和系统
本专利技术属于机器学习图像识别
，更具体地，涉及基于可见光图像识别的等离子体温度瞬态诊断方法和系统。
技术介绍
温度是表征等离子体性质的一个重要参数，对等离子体温度的诊断成为了当今研究的热点之一。目前主要的等离体子温度诊断方法包括：发射光谱法和激光干涉法。激光干涉法所用仪器设备复杂，对实施例条件要求高，且不适合在小空间下使用。发射光谱法作为一种不介入诊断技术，不会干扰被测物理量的物理场，且对设备要求低于激光干涉，因此得到广泛使用。其主要思想是采集等离子体放电的谱带信息，利用高斯线性函数对发射光谱进行拟合，计算转动温度和振动温度。但发射光谱法需要高分辨光谱仪与ICCD相机联用才能获得相应的等离子体温度参数，实施例设备复杂，且需对光谱数据进行人工拟合等后期处理，工作量大而且效率低下，无法实时获得等离子体的温度参数。
技术实现思路
针对现有技术的缺陷和改进需求，本专利技术提供了基于可见光图像识别的等离子体温度瞬态诊断方法和系统，其目的在于将机器学习的方法应用到等离子体温度诊断，实现设备简单快捷、工作量小、高效率、高准确率的等离子体温度诊断。为实现上述目的，按照本专利技术的第一方面，提供了一种基于可见光图像识别的等离子体温度瞬态诊断方法，该方法包括：训练阶段：S1.对于每种工况，使用图像采集设备采集等离子体放电可见光图像的同时使用光谱仪获取等离子体放电光谱样本；S2.将采集到的光谱样本输入至拟合好的线性回归模型，得到等离子体温度参数，所述线性回归模型以等离子体放电理论光谱中不同波长对应的光谱强度作为自变量，以等离子体转动温度和振动温度为因变量；S3.建立等离子体放电可见光图像与等离子体温度参数一一对应的数据集；S4.使用数据集对基于卷积神经网络的等离子体温度诊断模型进行训练，得到训练好的等离子体温度诊断模型；应用阶段：T1.使用通用图像采集设备采集新工况下等离子体放电的可见光图像；T2.将采集到的等离子体放电的可见光图像输入至训练好的等离子体温度诊断模型，得到该工况下的等离子体温度参数。优选地，所述图像采集设备为RGB图像采集设备。有益效果：本专利技术利用卷积神经网络训练得到的等离子体温度诊断模型，可直接识别通用图像采集设备获取的RGB可见光图像，不再需要使用光谱仪等设备，采集设备简单快捷，避免了复杂的人工处理。优选地，所述线性回归模型采用岭回归或LASSO线性回归模型。有益效果：本专利技术建立了理论光谱图像数据与等离子体转动温度、振动温度对应关系的数据集，采用机器学习线性回归的方法对该数据集进行训练和学习，从而实现对实验采集的光谱样本进行自动的温度拟合，避免了人工拟合工作量大、主观因素强、拟合效果难以量化的缺点。优选地，所述等离子体温度诊断模型采用卷积神经网络VGG16。有益效果：本专利技术采用卷积神经网络模型进行温度诊断，能够实现自动的特征提取，泛化能力强，准确率和处理效率也很高。本专利技术通过对比分析不同Keras典型卷积神经网络模型应用于本实施例等离子体温度参数诊断的性能，采用性能最优、适用性最强的VGG16网络模型，从而达到最佳的等离子体温度参数诊断效果。优选地，所述等离子体温度诊断模型采用以VGG16为基础改进的网络：使用节点数为数据集温度类别数的全连接层作为新的输出层；在去除顶层3个全连接层的VGG16网络模型与新的输出层之间依次添加1024节点且采用ReLU激活函数的全连接层、BN层和Dropout层。有益效果：本专利技术通过对比分析上述优化手段及其组合对VGG16网络模型性能的影响，得到VGG16网络模型的最佳优化方式，进一步提高了等离子体温度诊断模型的识别准确率和泛化能力。优选地，训练卷积神经网络模型的过程中采用了迁移学习、数据扩增与数据增强。有益效果：本专利技术在数据集的建立和训练过程中采用了数据扩增和增强手段增加样本容量和样本多样性，在模型训练时利用迁移学习加载了典型卷积神经网络模型的预训练权重，这些手段对解决卷积神经网络模型在小样本数据条件下难以训练的问题有很大帮助，提升了模型的训练效率、准确率以及泛化能力。优选地，等离子体放电为气体放电等离子体。有益效果：本专利技术利用空气中的针板放电产生气体放电等离子体，只需利用光谱仪获取氮气发射光谱第二正系谱带数据即可实现等离子体转动温度和振动温度的精准拟合。为实现上述目的，按照本专利技术的第二方面，提供了一种基于可见光图像识别的等离子体温度瞬态诊断系统，包括：计算机可读存储介质和处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的一种基于可见光图像识别的等离子体温度瞬态诊断方法。总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：本专利技术利用机器学习卷积神经网络模型来进行等离子体温度诊断，一方面，一旦建立等离子体放电可见光图像与其等离子体温度参数对应的数据集，并进行相应训练建立诊断模型后，后期的诊断可不需要再使用光谱仪等设备，只需使用通用的图像采集设备采集新工况下等离子体放电的可见光图像，即可实时预测该工况下的等离子体温度参数，实验设备简单快捷，预测过程自动完成，无需人工拟合等离子体温度。另一方面，机器学习卷积神经网络的优点是不需要人工设计并提取图像数据的特征，能够直接对图像的像素进行卷积处理，提取到图像特征，这样的处理方式和人类大脑视觉系统的处理方式十分相近。此外，卷积神经网络中对于池化层的使用可以大大减少网络需要训练的参数，很大程度上提高了模型的训练效率。这种方法不需要人为进行特征提取，泛化性、实用性强，准确率、处理效率也非常高。附图说明图1是本专利技术提供的等离子体温度瞬态诊断技术路线图；图2是本专利技术提供的等离子体温度瞬态诊断方法流程图；图3是本专利技术提供的实验装置示意图；图4是本专利技术提供的基于机器学习的等离子体温度预测流程图；图5是本专利技术提供的卷积神经网络模型结构示意图；图6是本专利技术采用全部优化手段的网络模型结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。近年来，机器学习技术飞速发展，在图像处理与图像识别领域展现出较大的优势，更加适用于图像特征的学习和表达。这也为等离子体的温度诊断提供了一个新的技术方向。本专利技术利用此项技术建立基于可见光图像的等离子体温度瞬态诊断平台，平台搭建完成之后可不再需要使用光谱仪等设备，只需使用通用的图像采集设备采集新工况下等离子体放电的可见光图像，即可实时预测该工况下的等离子体温度参数，实施例设本文档来自技高网...

【技术保护点】
1.一种基于可见光图像识别的等离子体温度瞬态诊断方法，其特征在于，该方法包括：/n训练阶段：/nS1.对于每种工况，使用图像采集设备采集等离子体放电可见光图像的同时使用光谱仪获取等离子体放电光谱样本；/nS2.将采集到的光谱样本输入至拟合好的线性回归模型，得到等离子体温度参数，所述线性回归模型以等离子体放电理论光谱中不同波长对应的光谱强度作为自变量，以等离子体转动温度和振动温度为因变量；/nS3.建立等离子体放电可见光图像与等离子体温度参数一一对应的数据集；/nS4.使用数据集对基于卷积神经网络的等离子体温度诊断模型进行训练，得到训练好的等离子体温度诊断模型；/n应用阶段：/nT1.使用通用图像采集设备采集新工况下等离子体放电的可见光图像；/nT2.将采集到的等离子体放电的可见光图像输入至训练好的等离子体温度诊断模型，得到该工况下的等离子体温度参数。/n

【技术特征摘要】
1.一种基于可见光图像识别的等离子体温度瞬态诊断方法，其特征在于，该方法包括：
训练阶段：
S1.对于每种工况，使用图像采集设备采集等离子体放电可见光图像的同时使用光谱仪获取等离子体放电光谱样本；
S2.将采集到的光谱样本输入至拟合好的线性回归模型，得到等离子体温度参数，所述线性回归模型以等离子体放电理论光谱中不同波长对应的光谱强度作为自变量，以等离子体转动温度和振动温度为因变量；
S3.建立等离子体放电可见光图像与等离子体温度参数一一对应的数据集；
S4.使用数据集对基于卷积神经网络的等离子体温度诊断模型进行训练，得到训练好的等离子体温度诊断模型；
应用阶段：
T1.使用通用图像采集设备采集新工况下等离子体放电的可见光图像；
T2.将采集到的等离子体放电的可见光图像输入至训练好的等离子体温度诊断模型，得到该工况下的等离子体温度参数。


2.如权利要求1所述的方法，其特征在于，所述图像采集设备为RGB图像采集设备。


3.如权利要求1所述的方法，其特征在于，所述线性回归模型采用岭回归或LASSO线性回归模型...

【专利技术属性】
技术研发人员：杨勇，杨帅，李传，余子恒，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42