一种基于神经网络对工厂火焰除雾的方法与流程

1.本发明涉及一种基于神经网络对工厂火焰除雾的方法，属于窑炉图像分析技术领域。


背景技术：

2.燃煤回转窑广泛应用于发电、冶金和水泥等工业生产领域。在回转窑生产过程中，物料燃烧过程极为重要。操作人员通过控制喷煤量来控制窑内燃烧温度及其状态，物料不同燃烧状态决定生产结果质量如何，因此通常将燃烧状态划分为三种：“正常燃烧、欠燃烧、过燃烧”。现有技术中主要存在以下两个问题：一是在对于回转窑图像的处理中，很少先用深度学习的方法去雾，这样图像的视觉效果较差，不利于接下来的分类。二是在去雾算法中，现有的算法大多应用于室外场景；而针对窑炉图像来说，所需要的算法应更有针对性。
3.最早的回转窑是出现在水泥生产中，之后英国人兰萨姆于1885 年发明回转窑。此后回转窑因其自身导热性好以及混合能力强，多用于发电、冶金和水泥等工业生产领域，推动了工业产业的发展。但由于回转窑结构的复杂性及燃烧的非线性，窑内的燃烧状态常常靠“人工监测”，这种方法导致人力资源的浪费以及错误判断的风险增高。到了20世纪70年代的时候，工业领域开始使用ccd相机，国内外也开始研究可视化火焰监测，1989 年，清华大学吴占松等人首次研究小型火焰温度分布与图像亮度之间的关系，得到多项式回归模型，开始以烧成带火焰图像为研究对象分析烧成状态，火焰图像处理自此引起国内学者的广泛关注燃煤火焰监控多应用于工业锅炉，主要是通过对燃烧火焰图像数据进行分析，实现对co和no
x
的排放量和煤种的识别。
4.随着计算机领域的不断发展，王杰生等人根据回转窑氧化物球团烧结过程的煤粉燃烧火焰图像纹理特征，提出了一种基于广义学习矢量神经网络的燃烧工况识别方法同时，大量基于火焰图像特征提取的方法被提出和研究。其中，陈华等人利用一系列模糊火焰图像，从图像火焰区域提取了3个发光特征和4个动态特征，用于检测回转窑中的温度。然而这些方法需要在前期进行大量的预处理，需要手动调整参数。近年来，深度学习俨然成为焦点，许多领域也在纷纷使用，并取得了很大的成功。文献提出了一种新的基于深度学习的方法，其中深度学习模型将火焰图像输入到深度神经网络(deep neural network, dnn)或卷积神经网络，以同时预测燃烧状态和放热率。另外，文献提出了一种基于深度神经网络的连续、多步预测方案，用于检测生物质燃烧状况。实践证明，深度学习的方法能够更加快速、准确地检测回转窑火焰燃烧状态。张振庭等人提出了一种基于深度学习的回转窑燃烧状态监测系统，通过端到端网络，免去传统的基于特征提取方法繁杂的程序。另外，提出的卷积循环神经网络(crnn)能有效地提取火焰图像序列特征来预测回转窑内的燃烧状态。
5.这些深度学习的方法都是先将现有的图像全部输入网络中后对其进行训练，学习权重，之后就可以将图片输入对其预测，但是窑炉图像由于其拍摄环境过于恶劣，导致图片视觉效果差，因此本发明将先对图像进行去雾，得到视觉效果较好的图像之后再进行分类。


技术实现要素：

6.本发明针对上述现有技术的缺失，提出一种无监督、零样本的去雾算法，更适用于工厂回转窑燃烧图像。
7.本发明通过以下技术方案实现，通过将图片解层结，即将有雾图片分解为三层，包括：干净层，大气光层以及介质透射层；根据大气散射模型公式：
ꢀꢀ
(1)其中i(x)和j(x)表示模糊和干净的图像，t(x)是介质透射图，a是每个像素坐标上的全局大气光,x是图片矩阵；由于工厂火焰图像没有干净图像作为对比去雾，因此，提出解层结的方法，由三个网络联合学习，将图片分解为三层，从此估算出干净图片；所述的解层结方法是将一张图片分解为三层，第一层是干净图层，设为j-map；第二层是大气光，设为a-map；最后一层是透射层，设为t-map；通过对这三层图层进行损失估计计算后，得到干净图像，其总损失为：
ꢀꢀ
(2)其中loss
all
是总损失，loss
reconest
是模糊图像和重建模糊图像所产生的重构损失,lossa是估计大气光的损失，lossj是模糊图像层分解出干净图像层时所产生的损失，loss
reg
是网络输出的正则化，对a-map和t-map进行此正则化，以此增加模型的稳定性。
8.环境基于pytorch，共有三个网络层，其中估算j(x)和i(x)的网络是加入注意力机制的u-net 网络；该网络由编码器和解码器组成，在编码器和解码器组成了一个u型网络，共五层，每层都由两个卷积层、relu激活函数组成，在编码阶段是下采样，提取特征；在解码阶段是上采样在加入了注意力机制，自上而下进行上采样，进行特征融合；而对于估计大气光层的结构，则采用一个变分自编码器结构，它由一个编码器、一个解码器和一个中间块组成第三层结构。
9.编码器和解码器都由四个块组成：在编码器中，块按顺序由卷积层、relu激活函数组成；在解码器中，块依次执行上采样、卷积、批标准化和relu激活；步骤1：从工厂拍摄到的视频中，将视频分解成图片，图片大小为704x576；步骤2：采用alexnet现有分类网络，对原始数据集进行分类；步骤3：搭建除雾网络，使用的服务器是colab；步骤4：将去雾后的数据集放入分类网络，进行分类处理，将得到的结果与没去雾前的进行对比后，发现去雾后的分类效果明显优于未去雾前的。
10.本发明的有益效果在于，1、图像的视觉效果较好，有利于接下来的分类。2、去雾算法应用至窑炉图像，所需要的算法应更有针对性；将去雾后的数据集放入分类网络，进行分类处理，将得到的结果与没去雾前的进行对比后，发现去雾后的分类效果明显优于未去雾前的效果。
附图说明
11.图1为本发明流程图。
12.图2为三个网络层结构图。
13.图3为unet 结合注意力机制（udpa-net）的结构图。
14.图4为图3的细节解释图图5为注意力机制的结构如图。
15.图6为本发明燃烧状态与现有技术燃烧状态对比示意图。
具体实施方式
16.为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念；此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。以下将参照附图更详细地描述本发明。为了清楚起见，附图中的各个部分没有按比例绘制；下面结合附图1至5来描述本基于神经网络对工厂火焰的除雾算法，通过将图片解层结，即将有雾图片分解为三层，包括：干净层，大气光层以及介质透射层；根据大气散射模型公式：
ꢀꢀ
(1)其中i(x)和j(x)表示模糊和干净的图像，t(x)是介质透射图，a是每个像素坐标上的全局大气光,x是图片矩阵；由于工厂火焰图像没有干净图像作为对比去雾，因此，提出解层结的方法，由三个网络联合学习，将图片分解为三层，从此估算出干净图片；所述的解层结方法是将一张图片分解为三层，第一层是干净图层，设为j-map；第二层是大气光，设为a-map；最后一层是透射层，设为t-map；通过对这三层图层进行损失估计计算后，得到干净图像，其总损失为：
ꢀꢀ
(2)其中loss
all
是总损失，loss
reconest
是模糊图像和重建模糊图像所产生的重构损失,lossa是估计大气光的损失，lossj是模糊图像层分解出干净图像层时所产生的损失，loss
reg
是网络输出的正则化，对a-map和t-map进行此正则化，以此增加模型的稳定性。
17.环境基于pytorch，共有三个网络层，如图2，其中估算j(x)和i(x)的网络是加入注意力机制的u-net 网络；如图3，该网络由编码器和解码器组成，在编码器和解码器组成了一个u型网络，共五层，每层都由两个卷积层、relu激活函数组成，在编码阶段是下采样，提取特征。在解码阶段是上采样在加入了注意力机制，自上而下进行上采样，进行特征融合，图4是图3的细节解释，我们使用了跳跃连接，使得浅层特征也不会丢失。加入的注意力机制的结构如图5，而对于估计大气光层的结构我们采用一个变分自编码器结构，它由一个编码器、一个解码器和一个中间块组成如图2中的第三层结构。
18.具体来说，编码器和解码器都由四个块组成；在编码器中，块按顺序由卷积层、relu激活函数组成；在解码器中，块依次执行上采样、卷积、批标准化和relu激活。
19.步骤1：从工厂拍摄到的视频中，将视频分解成图片，图片大小为704x576；步骤2：采用alexnet现有分类网络，对原始数据集进行分类；步骤3：搭建除雾网络，使用的服务器是colab；步骤4：将去雾后的数据集放入分类网络，图6为去雾前后对比图，进行分类处理，将得到的结果与没去雾前的进行对比后，发现去雾后的分类效果明显优于未去雾前的。
20.显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。