城市固废焚烧过程极端异常火焰图像对抗生成方法技术

城市固废焚烧过程极端异常火焰图像对抗生成方法属于图像控制领域。工作如下：1)首次基于焚烧炉内三维空间的物理位置和成像原理等机理知识对炉膛内的理论燃烧位置进行精准标定，进而获取极端异常燃烧状态下的伪标记样本集；2)首次将循环一致对抗网络引入MSWI过程极端异常火焰样本生成的研究工作中，实现候选缺失样本的生成；3)首次提出一种两级样本评估与选择方法。所提算法能够实现极端异常火焰图像的生成，获取的样本具有较好的主观视觉效果。本方法能够有效解决MSWI过程火焰图像缺失问题，为实现MSWI过程燃烧线量化和基于图像控制提供了有力支撑。制提供了有力支撑。制提供了有力支撑。

【技术实现步骤摘要】
城市固废焚烧过程极端异常火焰图像对抗生成方法


[0001]本专利技术属于图像控制领域。

技术介绍

[0002]燃烧线是表征城市固废焚烧(Municipal Solid Waste Incineration,MSWI)过程燃烧稳定性和运行安全性的关键参数之一。发达国家的先进燃烧控制系统通常将其量化值作为被控变量，国内通常依靠运行专家观察炉内火焰后凭经验控制MSWI过程。因此，实现燃烧线量化能够从检测视角代替“人工看火”，进而通过实时反馈提高MSWI过程的智能化程度。但是，燃烧线量化需要完备的火焰图像模板库为基础支撑，同时模板库也能够为基于图像控制提供期望设定。
[0003]针对MSWI过程在极端燃烧状态下火焰图像缺失的问题，本文提出基于机理知识和对抗网络的极端异常火焰图像生成方法。首先，基于焚烧炉内三维空间位置到像素点的机理映射关系，分析燃烧过程可能存在的极端异常火焰样本，通过对正常样本像素点的平移、拼接和组合等方式获取伪标记样本；然后，采用循环生成对抗网络(Cycle Generative Adversarial Networks, CycleGAN)将伪标记样本转化为符合真实火焰图像分布的极端异常火焰样本；最后，提出一种两级评估框架实现极端异常火焰样本评估与筛选。
[0004]城市固废(Municipal Solid Waste,MSW)受居民生活习惯、季节气候、分类程度等因素的影响，具有杂质多、含水率高、热值波动大等特点。城市固废焚烧(MSW Incineration,MSWI)作为一种世界范围内广泛运用的MSW典型处理方式，具有无害化、减量化和资源化等优势。目前，发展中国家的MSWI 技术仍存在诸多问题，其中最为突出的是因人工经验操作模式的随意性和非平稳性导致燃烧状态不稳定进而造成污染物排放波动大的问题。此外，燃烧状态的不稳定也易造成炉膛内结焦、积灰、腐蚀等问题，严重时甚至会引起炉膛爆炸等安全问题。因此，维持稳定的燃烧状态是保障MSWI过程运行高效、排放达标的关键之一。
[0005]实现MSWI过程的稳定燃烧需根据被控量的变化及时调整操作量。国外先进燃烧控制系统所涉及的主要被控量包括：炉膛温度、烟气含氧量、蒸汽流量和表征MSW焚烧位置的燃烧线(丁海旭等，2022)。目前，国内并未实现燃烧线的智能感知与检测，主要采用如图1所示“人工看火”的方式进行主观“量化”。
[0006]图1表明，运行专家通过观察火焰图像凭经验识别燃烧位置，进而修正“布风布料”策略以保证系统的稳定运行。然而，运行专家依据经验的燃烧位置判定方法存在主观性与随意性，难以满足当前MSWI过程优化运行的需求。若能通过构建完备火焰图像模板库进而实现燃烧线的实时量化，将能够为指导 MSWI过程的智能化控制提供有力支撑。完备的火焰模板库包括MSW处于燃烧炉排处焚烧的正常火焰图像、MSW处于干燥炉排后端和燃烬炉排前端焚烧的异常火焰图像以及MSW处于干燥炉排前端焚烧的极端异常火焰图像。 MSW处于燃烬炉排后端也属于极端异常火焰，但因摄像头角度问题无法成像。如何获取极端异常火焰图像是本文的重点研究内容。

技术实现思路

[0007]因此，针对MSWI过程极端异常样本缺失的问题，本文提出融合机理知识和对抗网络的极端异常火焰图像生成方法。本文主要工作如下：1)首次基于焚烧炉内三维空间的物理位置和成像原理等机理知识对炉膛内的理论燃烧位置进行精准标定，进而获取极端异常燃烧状态下的伪标记样本集；2)首次将循环一致对抗网络(Cycle
‑
Consistent Adversarial Networks,CycleGAN)引入 MSWI过程极端异常火焰样本生成的研究工作中，实现候选缺失样本的生成； 3)首次提出一种两级样本评估与选择方法。
[0008]综上所述，本节提出如图2所示的融合机理知识和GAN网络的MSWI 过程极端异常火焰图像生成策略，其包括：伪标记样本生成模块、候选极端异常火焰样本生成模块和极端异常火焰样本评估与选取模块。图2中，G
Real_to_False
和G
False_to_Real
为两个生成器，D
Real
和D
False
为两个判别器，X
Real
为真实样本集，X
False
为伪标记样本集，X
Generated_False
＝G
Real_to_False
(X
real
)和X
Generated_Real
＝G
False_to_Real
(X
false
)为生成的图像集；X
Reconstrute_Real
＝G
False_to_Real
(X
Generated_False
)和X
Reconstrute_False
＝G
Real_to_False
(X
Generated_Real
)为重构的图像集，X
False
[.]表示样本集中的一张伪标记样本。
[0009]图2中，不同模块的功能描述如下：
[0010]1)伪标记样本获取模块：通过对炉排的等比例建模、基于摄像头成像原理的燃烧位置标定和炉膛内三维空间坐标到像素点的映射进行知识获取，通过采用对像素点的精准平移、拼接、组合等方式实现对炉内三维空间位置的伪标记样本获取。
[0011]2)候选极端异常火焰样本生成模块：其输入为含位置信息的伪标记样本和无标签的真实样本，其输出极端异常样本，通过对抗网络和循环一致性方法将伪标记火焰图像转化为候选极端异常火焰图像。
[0012]3)极端异常火焰样本评估与选择模块：其输入为上一模块中生成的极端异常样本、伪标记样本和真实样本，其输出为合格的极端异常样本，通过对生成网络参数和生成图像的两级评估和选择获得期望的样本集。
[0013]2.1伪标记样本获取模块
[0014]首先，通过等比例建模计算出炉排与摄像头的位置信息；然后，基于位置信息和摄像头成像原理计算并标定燃烧位置；接着，结合标记结果和实际摄像头通道分辨率计算炉内三维空间位置到像素点的映射关系；最后，基于映射关系和焚烧过程中的料层厚度偏差修正对正常样本进行平移拼接以获得伪标记样本。该模块包括炉排等比例建模、基于摄像头成像原理的燃烧位置标定、三维空间位置到像素点的映射和伪标记样本获取子模块。
[0015]2.1.1炉排等比例建模子模块
[0016]根据已知的炉排长度和摄像头位置，构建与现场炉排尺寸等比例的模型，计算炉排与摄像头之间的位置信息，如图3所示。
[0017]图3中的虚线为辅助线，点A、B、C、D、E、F、G、H、I、J、K、G、H、I、J、K、L和Z等为重要节点标记；l
AB
、l
BC
、l
CD
、l
DE
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.城市固废焚烧过程极端异常火焰图像对抗生成方法，其特征在于：G
Real_to_False
和G
False_to_Real
为两个生成器，D
Real
和D
False
为两个判别器，X
Real
为真实样本集，X
False
为伪标记样本集，X
Generated_False
＝G
Real_to_False
(X
real
)和X
Generated_Real
＝G
False_to_Real
(X
false
)为生成的图像集；X
Reconstrute_Real
＝G
False_to_Real
(X
Generated_False
)和X
Reconstrute_False
＝G
Real_to_False
(X
Generated_Real
)为重构的图像集，X
False
[.]表示样本集中的一张伪标记样本；包括：伪标记样本生成模块、候选极端异常火焰样本生成模块和极端异常火焰样本评估与选取模块；不同模块的功能描述如下：1)伪标记样本获取模块：通过对炉排的等比例建模、基于摄像头成像原理的燃烧位置标定和炉膛内三维空间坐标到像素点的映射进行知识获取，通过采用对像素点的精准平移、拼接、组合实现对炉内三维空间位置的伪标记样本获取；2)候选极端异常火焰样本生成模块：其输入为含位置信息的伪标记样本和无标签的真实样本，其输出极端异常样本，通过对抗网络和循环一致性方法将伪标记火焰图像转化为候选极端异常火焰图像；3)极端异常火焰样本评估与选择模块：其输入为上一模块中生成的极端异常样本、伪标记样本和真实样本，其输出为合格的极端异常样本，通过对生成网络参数和生成图像的两级评估和选择获得期望的样本集；伪标记样本获取模块：首先，通过等比例建模计算出炉排与摄像头的位置信息；然后，基于位置信息和摄像头成像原理计算并标定燃烧位置；接着，结合标记结果和实际摄像头通道分辨率计算炉内三维空间位置到像素点的映射关系；最后，基于映射关系和焚烧过程中的料层厚度偏差修正对正常样本进行平移拼接以获得伪标记样本；该模块包括炉排等比例建模、基于摄像头成像原理的燃烧位置标定、三维空间位置到像素点的映射和伪标记样本获取子模块；炉排等比例建模子模块根据已知的炉排长度和摄像头位置，构建与现场炉排尺寸等比例的模型，计算炉排与摄像头之间的位置信息；伪标记样本获取子模块：考虑料层厚度的影响，需对成像比例修正5％～10％；MSW在燃烧炉排处燃烧为期望状态，量化的燃烧线位置值为60％
±
5％；设摄像头采集图像的像素为n
high
*n
wide
，选取MSW燃烧位置清晰样本集为X'，生成的伪标记样本集为X
False
，则图像上移n个像素点如下式所示；X
false
＝X'[:,n:,:,:]+X'[:,n
wide
‑
n:,:,:]
ꢀꢀꢀꢀꢀ
(1)其中，n的取值范围在20～30个像素点；该模块由2个生成网络和2个判别网络组成；生成网络分为下采样、残差网络和上采样模块，实现火焰图像的特征提取；下采样模块由零填充、卷积层、实例归一化和
‘
relu
’
激活函数的3次堆叠组成：第一个零填充的卷积核为(3,3)；第二、三个卷积核为(1,1)；第一个卷积层通道为64，卷积核为(7,7)；第二个卷积层通道为128，卷积核为(3,3)；第三个卷积层通道为256，卷积核为(3,3)；三个实例归一化层的轴均为3；三个激活函数均为
’
relu
’
；残差模块除零填充层、卷积层、实例归一化层和
‘
relu
’
激活函数的堆叠外，部分输入数据可直接传递给输出层：第一、二个零填充层的核为(1,1)；第一个卷积层通道数为64，核为(7,7)；第二个卷积层通道数为256，核为(3,3)；两个实例归一化层的轴均为3；三个激活函数均为
’
relu
’
；本网络中共有9个相同结构的残差模块；上采样模块由上采样层、零填充层、卷积层、实例归一化层和
‘
relu
’
激活函数2次堆叠组成，再通过零填充层、卷积层、实例归一化层和
‘
tanh
’
激活函数获取最终的生成数据；第一、二个上采样层的卷积核为(2,2)；第一、二个零填充层的卷积核为(1,1)；第三个零填充的卷积核为(3,3)；第一个卷积层的通道数为128，卷积核为(3,3)；第二个卷积层的通道数为64，卷积核为(3,3)；第三个卷积层的通道数为3，卷积核为(7,7)；三个实例归一化层的轴均为3；第一、二个激活函数为
’
relu
’
；第三个个激活函数为
’
tanh
’
；判别网络由卷积层、
‘
LeakyReLU
’
激活函数、实例归一化层组成，第一个卷积层通道数为64，卷积核为(4,4)，步长为1，填充方式为
’
same
’
；第二个卷积层通道数为128，卷积核为(4,4)，步长为1，填充方式为
’
same
’
；第三个卷积层通道数为256，卷积核为(4,4)，步长为1，填充方式为
’
same
’
；第四个卷积层通道数为512，卷积核为(4,4)，步长为1，填充方式为
’
same
’
；第五个卷积层通道数为1，卷积核为(3,3)，步长为1，填充方式为
’
same
’
；四个激活函数均为
’...

【专利技术属性】
技术研发人员：汤健，郭海涛，夏恒，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：