基于燃烧火焰颜色矩特征的城市固废焚烧过程风量设定方法与流程

1.本发明涉及城市固废焚烧过程领域，尤其是涉及对焚烧过程中风量设定方法的研究。


背景技术：

2.随着城镇化建设的推进，城市固体废物的产量也随之逐年增长。城市固废焚烧(municipal solid wastes incineration,mswi)既能实现对msw的减量化，还能够通过余热发电实现对资源的回收利用，已逐渐成为诸多国家与地区处理msw的主要方式。近年来，欧美等发达国家针对自身国情，已在mswi领域形成较完善的技术与体系。然而，在经济欠发达的国家和地区，居民生活习惯差异与msw分类普及程度等因素会导致入炉的msw成分多变、热值波动，进而导致焚烧过程中极易出现炉膛结焦、积灰等故障。针对这一现状，在mswi的实际工业现场，运行专家通常通过监视炉膛内msw的燃烧状况以及分散控制系统(distributed control system,dcs)采集的过程数据，结合自身经验对风量等关键操作变量进行调整，以保证燃烧状态趋于稳定。操作人员在肉眼观察、控制规则、体力精力以及责任心程度上均存在差异，这导致控制效果的主观性和不稳定性。因此，基于燃烧火焰研究智能风量设定方法具有重要的意义。
3.图像预处理是保证建模效果的基础，mswi过程的监视设备长期处于高温、强污染环境中，极易受到飞灰、烟雾等环境因素的干扰，且图像数据在传输过程中也存在噪声扰动。
4.mswi过程的运行专家能够基于火焰图像中蕴含的不同尺度信息识别火焰燃烧状态，进而对风量等操作变量进行调整。因此，如何量化图像信息与提取图像的多尺度有效特征是构建仿人智能设定模型拟解决的关键问题之一。


技术实现要素：

5.本发明要解决的技术问题是在于发明了一种基于燃烧火焰颜色矩特征的mswi过程风量设定方法。
6.为了解决以上技术问题，本发明提供了一种由图像预处理模块、多尺度颜色矩特征提取模块、多尺度颜色矩特征选择模块和风量设定模型模块共4个部分组成的建模策略，如图1所示。图中相关变量及符号定义如下：表示mswi过程中的焚烧炉炉膛内的火焰图像，其中in(u)代表第n幅图像，n是图像样本数量，u为每幅图像中像素点；代表经过图像预处理后的火焰图像；及表示经过不同尺度滑窗进行颜色矩特征提取后的单尺度特征集合，其中p代表每幅图像所提取特征的维数，r为实数；表示经特征选择后的不同尺度颜色矩特征集合；y和分别表示风量的真实值和，e表示设定模型预测值与风量真实值间的误差。
7.所述用于构建mswi过程风量设定的方法，包括以下步骤：
8.步骤1：图像预处理模块：对图像中的烟雾、飞灰及噪声进行消除，以改善特征约简和模型构建的效果；
9.步骤2：多尺度颜色矩特征提取模块：采用4个不同尺度的滑窗提取图像的颜色矩特征，用于研究滑窗尺度大小不同时提取的颜色矩特征对图像形态特征的表达效果；
10.步骤3：多尺度特征选择模块：通过互信息分析每个特征与风量之间的相关性，提取相关性大于设定阈值的特征作为有效特征量；
11.步骤4：风量设定模型模块：基于rbf网络构建以多尺度特征为输入，风量为输出的多个候选风量设定模型，并选取最佳的模型作为最终设定模型。
12.由于本发明采取了以上技术方案，达到了如下技术效果：
13.本发明用于构建mswi过程分别针对左右两侧的风量设定模型，其中对于左侧风量设定模型，当滑窗尺寸越小时，在达到相同精度时所需要的隐含层神经元较少；基于各个尺度颜色矩特征的模型均在训练阶段表现出了较好的拟合效果；当滑窗尺寸越小时，模型在测试阶段的逼近能力越强，模型的泛化能力得到了显著提升。但以上规律并未在右侧的建模中得到明显体现，这很可能是客观条件造成的，受限于现场采集的图像与数据量较少，且根据现场经验可知，其右侧摄像设备受到干扰较多，这也可能是导致建模过程受到扰动的主要原因之一。
14.针对左侧风量设定模型，可知滑窗尺度为102
×
82时所构建的风量设定模型在测试集上具有最好的拟合效果(其测试ape最小)，且达到相同精度时所需要的隐含层神经元最少，故尺度4滑窗所提取特征所构建的模型为最终的风量设定模型；融合尺度构建的风量设定模型在训练阶段表现最佳，测试阶段效果却下降了，这可能是由于经过尺度融合的特征在建模时造成了过拟合，如何去除特征间的冗余性有待进一步研究。针对右侧风量设定模型，在尺度4时，测试ape最小。所以最终采用滑窗尺度4提取特征所构建的设定模型作为最终模型。
附图说明
15.图1是本发明基于火焰图像特征的风量设定建模策略；
16.图2(a)是原始火焰图像，图2(b)是经过去雾处理的火焰图像；
17.图3是经过去噪处理后的火焰图像；
18.图4是将火焰图像由rgb空间转换至hsv空间
19.图5(a)是滑窗大小为715
×
574时提取颜色矩特征结果，图5(b)是滑窗大小为238
×
191时提取颜色矩特征结果，图5(c)是滑窗大小为143
×
114时提取颜色矩特征结果，图5(d)是滑窗大小为108
×
82时提取颜色矩特征结果；
20.图6为左侧图像特征选择过程。图6(a)是滑窗大小为715
×
574时特征选择过程,图6(b)是滑窗大小为238
×
191时特征选择过程,图6(c)是滑窗大小为143
×
114时特征选择过程,图6(d)是滑窗大小为108
×
82时特征选择过程；
21.图7为右侧图像特征选择过程。图7(a)是滑窗大小为715
×
574时特征选择过程,图7(b)是滑窗大小为238
×
191时特征选择过程,图7(c)是滑窗大小为143
×
114时特征选择过程,图7(d)是滑窗大小为108
×
82时特征选择过程；
22.图8(a)所示为左侧图像的风量设定方法训练样本拟合效果，图8(b)所示为左侧图
像的风量设定方法训练样本拟合误差。
23.图9(a)所示为左侧图像的风量设定方法测试样本拟合效果，图9(b)所示为左侧图像的风量设定方法测试样本拟合误差。
24.图10(a)所示为右侧图像的风量设定方法训练样本拟合效果，图10(b)所示为右侧图像的风量设定方法训练样本拟合误差。
25.图11(a)所示为右侧图像的风量设定方法测试样本拟合效果，图11(b)所示为右侧图像的风量设定方法测试样本拟合误差。
具体实施方式
26.图像预处理模块
27.因现场状况复杂、采集设备线路不稳定等原因，从mswi过程所采集的原始火焰图像包含部分烟雾、飞灰及不确定噪声，需要进行预处理以得到比较清晰的火焰图像此模块包含图像去雾、去噪两部分。
28.1.基于单幅图像的快速去雾算法
29.本发明采用单幅图像快速去雾算法进行去雾处理。
30.首先，取原始火焰图像in(u)r、g、b三通道中的最小值，得到hn(u)：
[0031][0032]
接着，计算环境光zn(u)的值。透射率ln(u)与图像的关系为：
[0033]
ln(u)≥1-in(u)
×
(an)-1
＝1-hn(u)
×
(an)-1
(2)
[0034]
其中，an代表全局大气光，对公式(2)右边进行均值滤波，均值滤波窗口记作ω，大小为sa×
sa:
[0035]
averagesa(1-hn(u)
×
(an)-1
)＝1-averagesa(hn(u))(an)-1
(3)
[0036]
均值滤波后得到透射率的粗略估计值：
[0037][0038]
其中，上式最末项为弥补的偏移值，且ψ∈[0,1]。
[0039]
记η＝1-ψ，则有
[0040][0041]
为防止去雾后图像出现过于偏暗或偏亮的情况，设置ρ为可调节参数且ρ为可调节参数且是hn(u)所有元素的均值。
[0042]
为保证ψ为正值且不过小，设置η上限值为0.9，则
[0043][0044]
由此得出透射率：
[0045][0046]
其中，为透射率的粗略估计值，1-hn(u)
×
(an)-1
为透射率的下限值。
[0047]
环境光zn(u,v)的计算公式为：
[0048]zn
(u,v)＝an(1-ln(u))(8)
[0049]
则可以得出:
[0050][0051]
然后，估计全局大气光an。an的取值范围为
[0052]
直接取均值作为全局大气光的值：
[0053][0054]
其中，表示对第n幅图像的r、g、b三通道取最大值。
[0055]
最后，输出得到去雾后图像fn(u):
[0056][0057]
2.中值滤波去噪
[0058]
中值滤波能有效消除焚烧图像中的孤立噪声点，保护火焰图像的边缘。采用大小为sb×
sb的滑窗在图像上滑动，sb代表滑窗边长。将窗口中的像素点值由大到小排序后将中间值赋给模板中心的像素点。此时，得到预处理过后的图像
[0059][0060]
多尺度颜色矩特征提取模块
[0061]
随着炉排的运动以及风量的不断输送，焚烧炉内的火焰图像一直处于变化之中，相应的图像的颜色特征也在变化。此模块包含颜色空间转换、图像滑窗分块、多尺度颜色矩特征提取等部分。
[0062]
1.颜色空间转换
[0063]
由于火焰焚烧图像具有明显的亮度变化，将其由rgb空间转到更能体现颜色直观性的hsv空间，以便将火焰与背景区分开来。此处，将颜色空间转换后的图像表示为
[0064]
2.图像滑窗分块
[0065]
定义每张火焰图像的大小表示为m
×
v,采用滑动窗口g，其大小为sc×
sc对整张图像进行分块特征提取，则每个颜色空间进行滑窗的次数为d2。
[0066]
或
[0067]
3.多尺度颜色矩特征提取
[0068]
本发明在采用颜色矩表达图像的信息时，采用一阶矩、二阶矩和三阶矩。以第n幅图像的的第q次滑窗为例，各颜色空间的一阶矩二阶矩和三阶矩可表示为：
[0069][0070][0071]
[0072]
其中，分别表示h、s、v空间的一阶矩，分别表示h、s、v空间的一阶矩，分别表示h、s、v空间的二阶矩，分别表示h、s、v空间的三阶矩。
[0073]
以第n幅经过颜色空间转换图像的第q次滑窗为例，一阶矩各项计算公式如下：
[0074][0075]
其中，分别表示第n幅经过颜色空间转换图像的h、s、v空间，u表示其像素点总数。
[0076]
二阶矩各项计算公式如下：
[0077][0078]
三阶矩各项计算公式如下：
[0079][0080]
则整个样本的颜色矩特征w
color
可以表示为：
[0081][0082]
每幅图像提取的颜色矩特征维数为p,其大小为d2×3×
3，则w
color
∈rn×
p
。此次采用四个尺度大小的滑窗对图像进行颜色矩特征提取，其尺度大小分别为m
×
v、(m
×
v)/3、(m
×
v)/5、(m
×
v)/7，将采用不同尺度的滑窗提取的特征集合分别记作
和
[0083]
多尺度颜色矩特征选择模块
[0084]
由于提取出的颜色矩特征维度较高，对后续模型的运行效率影响较大，此处基于互信息度量所提取特征与风量间的相关性。
[0085]
首先，计算不同尺度提取的颜色矩特征与风量过程数据间的mi值以第i个尺度的第p个特征为例：
[0086][0087]
其中，表示第n幅图像第i个尺度的第p个特征值；yn表示第n幅图像对应的风量值；表示与yn的联合概率密度，及k
rob
(yn)分别表示与yn的边际概率密度。最终得到全部特征的mi值并记为p∈[1,p]。
[0088]
然后，采用如下公式计算基于互信息选择输入特征的阈值
[0089][0090]
接着，将小于阈值的特征筛除，得到剩余的颜色矩特征，此时的特征维度记作q。即可得到经过特征量选择的各尺度提取的颜色矩特征可得到经过特征量选择的各尺度提取的颜色矩特征和
[0091]
风量设定方法
[0092]
1.rbf模型构建
[0093]
rbf神经网络具有类似人脑的局部调整、相互覆盖接收的网络结构，具有良好的逼近性能。此外，其结构比较简单，训练及学习速度较快，能够满足mswi过程对风量设定的时效性需求。rbf网络典型结构包括输入层、隐层及输出层，其中：从输入层到隐层的变换为非线性，其映射关系由rbf函数决定；从隐层到输出层的变换为线性的，其映射关系取决于权值选取。
[0094]
以为例描述候选rbf模型构建过程。
[0095]
将作为rbf网络输入构建一次风量的设定模型。选用gauss函数作为隐层径向基函数，设隐层单元数为m个，则隐层第j个单元的输出为：
[0096][0097]
其中，j＝1,2,...,m,aj为第j个单元的聚类中心；γj为宽度系数，控制径向基函数的径向作用范围。
[0098]
网络输出为：
[0099][0100]
其中，zj为第j个隐层单元输出到网络输出的权值。
[0101]
重复上述过程，构建得到如下所示的另外3个候选rbf模型：
[0102][0103][0104][0105]
2.最佳模型选择
[0106]
针对不同尺度滑窗提取的颜色矩特征所构建的设定模型具有不同的拟合效果，因此采用如下模型指标平均百分比误差(average percentage error,ape)对各候选模型进行评价与对比，
[0107][0108]
其中，t为当前输入样本，t为样本总数。
[0109]
针对测试样本(图像)所提取和选择的多尺度特征分别记为针对测试样本(图像)所提取和选择的多尺度特征分别记为和将其分别输入基于训练数据所构建的模型f
1rbf
(.)、和将获得预测输出记为和依据上述评价指标对四个候选模型的性能进行评估，相应的分别记为ape
1-ape4，取ape最小值对应的模型为最终风量设定模型，并记为f
rbf
(.)，将此时的输入特征记为则其相对应的训练数据的输出为：
[0110][0111]
采用公式符号及其说明汇总
[0112]
[0113]
[0114][0115]
本次实验的数据来自北京某mswi焚烧企业，包括左右两个炉排的火焰图像及风量数据，其中图片大小为715
×
574，样本数量n为466个，划分训练样本和测试样本分别为300和166。考虑到左右两侧炉排的运行状态是独立的，本文分别建立风量设定模型。
[0116]
图像预处理结果
[0117]
对于msw火焰图像，首先采用基于单幅图像的快速去雾算法将图像中的烟雾去除掉。去雾效果如图2所示，其中(a)为原始图像，(b)为去雾后图像。由图2可知，在使用去雾算法对图片进行处理后，烟雾量明显减少，使得火焰的颜色特征更加明显，火焰颜色明亮且更容易与背景区分。
[0118]
由于图中存在的噪声点，采用中值滤波算法进行消除后的效果如图3所示。由图3知，经过去噪处理后的火焰图像在保留原有图像边缘特征的基础上，噪声大幅度减少，这为后续图像颜色特征提取奠定良好基础。
[0119]
多尺度颜色矩特征提取结果
[0120]
对图像进行颜色空间转换，转换结果如图4所示。由图4可知，经过颜色空间转换的图像将火焰的亮度以及形态特征表现出来，且与背景相比较，颜色特征也更为突出。因此，hsv颜色空间下的火焰特征更为明显，有利于后续特征提取工作的展开。
[0121]
然后，采用不同尺度的滑窗进行颜色矩特征提取，结果如图5所示，其中a、b、c和d图分别是滑窗尺度为715
×
574、238
×
191、143
×
114和108
×
82时的特征提取结果。由图5可知，不同尺度的滑窗对同一幅火焰图像提取的颜色矩特征的取值范围与维数都不同。
[0122]
为比较不同尺度滑窗提取颜色矩特征与风量的建模效果，需要将颜色矩特征当作输入量送入模型中。当特征维数较高时，将会增加计算的复杂度，对建模的效果产生负面影响，因此需要对特征进行降维。
[0123]
多尺度颜色矩特征选择结果
[0124]
采用互信息对不同尺度的火焰颜色矩特征与风量进行相关性分析，然后根据阈值对后三个尺度滑窗提取的特征量进行选择。
[0125]
图6及表1为左侧图像特征量选择过程及结果，图7及表2为右侧图像特征量选择过程及结果，其中(a)、(b)、(c)和(d)图分别是滑窗尺度为715
×
574、238
×
191、143
×
114和108
×
82时的特征选择过程。
[0126]
表1左侧图像特征选择结果
[0127][0128]
表2右侧图像特征选择结果
[0129][0130]
风量设定方法实验结果
[0131]
分别采用所提取的4个多尺度特征和多尺度融合特征构建风量设定模型，共选取466组样本，其中300组作为训练样本，166组作为测试样。为了进行对比，将四个尺度滑窗提取的特征组合后的特征定义为多尺度融合特征scale5,所提取的四个尺度特征分别表示为scale1-scale4。左侧图像的风量设定方法训练样本拟合效果和误差如图8所示，测试样本拟合效果和误差如图9所示；右侧图像的风量设定方法训练样本拟合效果和误差如图10所示，测试样本拟合效果和误差如图11所示。基于多尺度特征的设定模型结果如表3及表4所示。
[0132]
表3基于左侧图像的多尺度特征的设定模型结果
[0133][0134][0135]
表4基于右侧图像的多尺度特征的设定模型结果
[0136]