基于图像处理的垃圾焚烧炉燃烧状态诊断方法和系统技术方案

本发明专利技术提供了一种基于图像处理的垃圾焚烧炉燃烧状态诊断方法及系统，以深度学习网络Resnet10进行垃圾焚烧炉排炉工况识别，并采用像素级别的图像处理方式，对垃圾焚烧炉排炉的炉排窜风状态进行识别，将深度学习和像素级别的图像处理方式相结合，能够有效识别多种焚烧炉运行工况，弥补了常见的深度学习模型识别精度低、状态不全面的缺陷。状态不全面的缺陷。状态不全面的缺陷。

【技术实现步骤摘要】
基于图像处理的垃圾焚烧炉燃烧状态诊断方法和系统


[0001]本专利技术涉及图像识别
，更为具体地，涉及一种基于图像处理的垃圾焚烧炉排炉工况诊断方法和系统。

技术介绍

[0002]在垃圾焚烧炉焚烧垃圾的过程中，较高的炉温能够保障垃圾充分的干燥和燃烧，让垃圾的燃尽程度得到保障；同时燃烧过程中产生的二噁英等有害物质排放，需要保证其在炉内高于850℃的温度下停留一定的时间，才能确保排放标准达到国家要求；此外稳定的焚烧炉内燃烧和温度，也是保障锅炉蒸汽的稳定输出的关键。在焚烧炉炉燃烧状态中，火焰的燃烧工况能够直接的反应出当前焚烧炉燃烧情况的好坏。因此准确、及时的检测出锅炉内火焰当前的燃烧状态对保证垃圾焚烧发电的运行效率具有重大的现实意义。
[0003]现有的识别焚烧炉燃烧状态的方法主要有通过人工判断的方式和基于传统机器视觉识别的方式。
[0004]人工判断的方式中，通过人工在垃圾焚烧炉排炉的现场运行中，通过人眼观察垃圾焚烧炉膛的工业摄像机监控画面，通过火焰颜色、火焰燃烧状态、烟雾程度、垃圾厚度及位置等因素，人工对焚烧炉的工况进行诊断。通过对焚烧炉的燃烧状态进行判别，继而及时调整垃圾炉排及一次风、二次风、是否投放垃圾等操作指令，以实现焚烧炉的稳定运行和效率。
[0005]这种传统观察方式，主要是依靠操作人员的个人经验，存在较强主观性，不同人员判别结果存在一定的差异，人工判断的方式存在较大的误差。并且，垃圾焚烧是一个连续生产过程，需要操作人员时刻紧盯观察，并根据判断结果及时给出操作指令，不适合长时间的工作，也导致了大量的人力投入；并且，不及时的判断和反馈，也会影响焚烧炉的稳定运行和工作效率。
[0006]因此，中国专利CN110222633A，利用图像的HSV空间采用主成成分分析(PCA)提取图像的特征，并结合最小二乘支持向量机算法来对焚烧炉火焰工况进行识别。
[0007]现有技术中(CN 109886231 A)图像的协方差矩阵构建图像的特征空间，利用不同图像特征空间的欧式距离来判断火焰的燃烧状态。
[0008]但是，基于传统机器视觉的方式在火焰工况识别中的研究还不够成熟，针对复杂多变的锅炉内部焚烧环境，如何构造一个高可靠性的工况识别模型还是该领域的难点。CN110222633A与CN109886231A均是利用传统机器视觉的方式对火焰工况进行识别，相比人工判断的方式基于传统机器视觉的方式在火焰工况识别领域取得了比较大的进步。但是其需要人工去构造识别特征，当特征设计人员经验不足，选择的特征缺乏辨别能力时，该方法得到的模型不够准确。并且其受环境影响大，在焚烧炉这种火焰变化迅速的环境识别效果并不友好。

技术实现思路

[0009]鉴于上述问题，本专利技术的目的是提供一种基于图像处理的垃圾焚烧炉排炉工况诊断方法和系统，采用深度学习网络来对火焰图像进行特征提取和分类，并结合像素级别的图像处理方式，以解决传统火焰工况识别方法中存在的特征提取单一、识别精度低的问题。
[0010]根据本专利技术的一个方面，提供了一种基于图像处理的垃圾焚烧炉排炉工况诊断方法，包括：
[0011]对每一张需要识别训练的焚烧炉火焰图像所属的燃烧工况类别进行数据标注处理；
[0012]利用图像预处理技术对进行了数据标注处理的焚烧炉火焰图像进行归一化操作形成燃烧状态分类模型数据集，然后将所述数据集按预设比例划分为训练集、验证集、测试集；
[0013]利用ResNet 10卷积神经网络对所述训练集中的焚烧炉火焰图像进行特征学习，训练预设的燃烧状态分类模型，直至所述燃烧状态分类模型迭代至准确率达到100％；
[0014]利用训练好的燃烧状态分类模型进行焚烧炉火焰图像的识别，以确定垃圾焚烧炉的燃烧状态；其中，通过对所述焚烧炉火焰图像进行像素级别的图像处理，以确定所述垃圾焚烧炉是否处于炉排窜风状态。
[0015]其中，可选的方案是，所述焚烧炉火焰图像所属的燃烧工况类别包括：正常燃烧、燃烧段异常、燃尽段异常、垃圾厚度异常、烟雾扬尘异常、停炉无画面异常。
[0016]其中，可选的方案是，在利用图像预处理技术对进行了数据标注处理的焚烧炉火焰图像进行归一化操作的过程中，利用线性插值的方式将所述焚烧炉火焰图像的长宽调整为227x227像素，并对每个像素点进行除255操作，将像素点的值调整至0到1之间。
[0017]其中，可选的方案是，划分所述训练集、验证集、测试集的预设比例为7:2:1。
[0018]其中，可选的方案是，在训练所述燃烧状态分类模型的过程中，学习率设置为0.002，优化器采用ADAM优化器。
[0019]其中，可选的方案是，在对所述焚烧炉火焰图像进行像素级别的图像处理的过程中，将采集到的焚烧炉火焰图像的原始三通道彩色图像转化为单通道亮度信息图像；对所转化的单通道亮度信息图像进行像素级别的图像处理，以确定所述单通道亮度信息图像的图像特征。
[0020]其中，可选的方案是，所述图像特征包括窜风区域的面积大小及亮度情况。
[0021]其中，可选的方案是，在对所转化的单通道亮度信息图像进行像素级别的图像处理的过程中，确定所述单通道亮度信息图像中超过预设亮度阈值的区域，作为窜风区域；通过最大连通域算法确定所述单通道亮度信息图像中的窜风区域的面积。
[0022]其中，可选的方案是，当所述单通道亮度信息图像中的窜风区域的面积大于预设窜风区域面积阈值时，判别所述垃圾焚烧炉处于炉排窜风状态。
[0023]根据本专利技术的另一方面，提供了一种基于图像处理的垃圾焚烧炉排炉工况诊断系统，包括：
[0024]数据标注单元，用于对每一张需要识别训练的焚烧炉火焰图像所属的燃烧工况类别进行数据标注处理；
[0025]图像预处理单元，用于利用图像预处理技术对进行了数据标注处理的焚烧炉火焰
图像进行归一化操作形成燃烧状态分类模型数据集；
[0026]数据集划分单元，用于将所述数据集按预设比例划分为训练集、验证集、测试集；
[0027]模型训练单元，用于利用ResNet 10卷积神经网络对所述训练集中的焚烧炉火焰图像进行特征学习，训练预设的燃烧状态分类模型，直至所述燃烧状态分类模型迭代至准确率达到100％；
[0028]图像识别单元，用于利用训练好的燃烧状态分类模型进行焚烧炉火焰图像的识别，以确定垃圾焚烧炉的燃烧状态；其中，通过对所述焚烧炉火焰图像进行像素级别的图像处理，以确定所述垃圾焚烧炉是否处于炉排窜风状态。
[0029]上述根据本专利技术的基于图像处理的垃圾焚烧炉燃烧状态诊断方法及系统，通过卷积神经网络，对海量历史燃烧火焰图像进行学习，形成垃圾焚烧炉燃烧状态的识别模型；并针对个别难以利用神经网络捕捉特征的燃烧状态，采用像素级的图像处理方式进行识别。基于这两种识别手段，通过对工业摄像机图像的实时分析，从而对焚烧炉的燃烧状态进行快速判断，并将信息不间断、及时地反馈给现场操作人员。
[0030]本专利技术以深度学习网络进行锅炉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的垃圾焚烧炉燃烧状态诊断方法，包括：对每一张需要识别训练的焚烧炉火焰图像所属的燃烧工况类别进行数据标注处理；利用图像预处理技术对进行了数据标注处理的焚烧炉火焰图像进行归一化操作形成燃烧状态分类模型数据集，然后将所述数据集按预设比例划分为训练集、验证集、测试集；利用ResNet 10卷积神经网络对所述训练集中的焚烧炉火焰图像进行特征学习，训练预设的燃烧状态分类模型，直至所述燃烧状态分类模型迭代至准确率达到100％；利用训练好的燃烧状态分类模型进行焚烧炉火焰图像的识别，以确定垃圾焚烧炉的燃烧状态；其中，通过对所述焚烧炉火焰图像进行像素级别的图像处理，以确定所述垃圾焚烧炉是否处于炉排窜风状态。2.如权利要求1所述的基于图像处理的垃圾焚烧炉燃烧状态诊断方法，其中，所述焚烧炉火焰图像所属的燃烧工况类别包括：正常燃烧、燃烧段异常、燃尽段异常、垃圾厚度异常、烟雾扬尘异常、停炉无画面异常。3.如权利要求2所述的基于图像处理的垃圾焚烧炉燃烧状态诊断方法，其中，在利用图像预处理技术对进行了数据标注处理的焚烧炉火焰图像进行归一化操作的过程中，利用线性插值的方式将所述焚烧炉火焰图像的长宽调整为227x227像素，并对每个像素点进行除255操作，将像素点的值调整至0到1之间。4.如权利要求2所述的基于图像处理的垃圾焚烧炉燃烧状态诊断方法，其中，划分所述训练集、验证集、测试集的预设比例为7:2:1。5.如权利要求2所述的基于图像处理的垃圾焚烧炉燃烧状态诊断方法，其中，在训练所述燃烧状态分类模型的过程中，学习率设置为0.002，优化器采用ADAM优化器。6.如权利要求2所述的基于图像处理的垃圾焚烧炉燃烧状态诊断方法，其中，在对所述焚烧炉火焰图像进行像素级别...

【专利技术属性】
技术研发人员：郭天宇，贺迪龙，刘兵，姚心，刘海威，
申请(专利权)人：中国有色工程有限公司，
类型：发明
国别省市：