一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法

本发明涉及一种基于色彩校正和的卷积网络回转窑燃烧图像分类方法，属于窑炉图像分析。

背景技术：

1、回转窑是一种用于工业生产过程中的建材类设备，主要用于煅烧水泥熟料、氧化铝等工业原料。工厂看火工人通过调节燃烧器的供氧量和燃料量来控制回转窑的燃烧状态稳定，同时根据经验来分析温度、

2、氧气含量等参数以确定燃烧状态的变化，并及时调整燃烧控制参数。回转窑内燃烧状态的稳定性对烧结质量、能耗和污染物排放具有重要影响，随着环保意识的提高，许多研究人员致力于优化燃烧控制、改进燃料选择等方法，以减少排放物产生，提升回转窑的环保性能。综合考虑多个因素并进行分析，深入研究回转窑的燃烧状态可为提高产品质量、降低能耗和改善环保性能做出重要贡献。通常情况下工人会在窑炉火焰内安装摄像头来采集火焰图像，以此观察火焰燃烧状态。由于回转窑内的拍摄条件有限，火焰图像数据往往难以获取；回转窑内拍摄受燃料种类、摄像头类型、背景颜色等因素影响较大，导致颜色投射、图像模糊等缺陷。有些得到的火焰燃烧图片在特征上几乎没有差别，这使得它们在视觉上难以区分。因此，正确的判断回转窑燃烧状态成为目前存在的主要问题。回转窑的燃烧状态通常分为三种：“正常燃烧、欠燃烧、过燃烧”。最早的回转窑是出现在水泥生产中，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nox的排放量和煤种的识别。

3、随着计算机领域的不断发展，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。特别是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。如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。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。窑炉图像由于其拍摄环境过于恶劣，导致图片视觉效果差，现有技术在对窑炉图像进行分类往往效果不佳。相比传统的网络，由于使用更深的网络，分类准确度加深。通过使用注意机制来增加表现力，关注重要特征并抑制不必要的特征。

技术实现思路

1、本发明针对上述现有技术的问题，基于色彩校正和卷积网络的回转窑燃烧图像分类方法，更适用于工厂回转窑燃烧图像。

2、本发明通过以下技术方案实现，具体包括以下步骤：

3、步骤1：使用ccd摄像机（电荷耦合器件相机，适用于工业相机）采集工厂火焰燃烧视频，处理得到回转窑火焰图像数据集；

4、步骤2：引入二维伽马色彩校正方法，对回转窑图像的亮度进行处理；

5、步骤3：将校正过的图像导入以高效的神经网络架构efficientnetv2为基础改进的卷积分类网络模型，得到处理过的图以及特征图；

6、步骤4：对特征图进行分类预测，经过softmax分类器，对燃烧状态进行分类，并输出最终的燃烧状态预测分类结果。

7、步骤1中所述的处理得到火焰图像数据集包括：

8、s1.1，将从ccd摄像机中捕获到的火焰燃烧视频按帧提取为连续的图像序列，分解成大小为704×576的rgb图像数据集；

9、s1.2，将图像数据集划分为欠燃烧、正常燃烧、过燃烧三种状态；

10、s1.3，将s1.2中的图像数据集划分为训练数据集、测试数据集。

11、所述步骤2中的二维伽马色彩校正方法包括将图片从rgb格式转换为yuv格式即以红色r、绿色g和蓝色b三个通道来表示的图像格式转换为用于表示彩色图像的颜色编码格式，其中图像被分成亮度y和色度蓝差u和色度红差v三个分量；炉窑图像通过摄像机拍摄后解帧获取，因此将原本的 r、g、b 图像转换为明亮度y，色彩饱和度u、v ，接着对于其明亮度y 进行伽马校正；

12、所述步骤3中的卷积网络分类模型主要包含efficientnetv2卷积网络中的移动翻转瓶颈卷积（mobile inverted bottleneck convolution，mbconv）模块和加入注意力机制的移动翻转瓶颈卷积（coordinate attention and mobile inverted bottleneckconvolution，cofe-mbconv）模块，使用cofe-mbconv 模块取代efficientnetv2原本的浅层移动翻转瓶颈卷积（fused-mbconv）模块， 搭建了cofe-efficientnetv2模型。新网络不仅考虑了通道上的重要特征，还考虑了空间特征，并收集了关键的位置信息。

13、所述加入注意力机制的移动翻转瓶颈卷积cofe-mbconv模块包括将coordinateattention注意力机制嵌入efficientnetv2原本的fused- mbconv模块中，并将新的模块命名为 cofe-mbconv。

14、所述步骤4中的softmax分类器是一种常用的分类器，通常用于多类别分类问题。它是基于softmax函数的激活函数来实现分类任务。

15、在softmax分类器中，输入样本的特征经过线性变换后，通过softmax函数进行归一化处理。softmax函数将每个类别的得分转换成概率值，使得所有类别的概率之和为1。最终，模型会选择具有最高概率值的类别作为预测结果。

16、将步骤2中的特征图作为输出结果，经过全连接层操作；

17、经步骤3产生三维预测，对应欠燃烧、正常燃烧和过燃烧三种燃烧状态，对特征层全连接后经过softmax分类器，softmax函数将输入转换为具有分类分布的概率；最终输出三个燃烧类别的预测概率，预测概率最高的燃烧状态则为此时回转窑内的燃烧状态。

18、本发明的有益效果在于：选择色彩校正与改进的卷积网络efficientnetv2结合作为基础网络，改进后的网络结合注意力机制更新了浅层基本模块，使网络模型能够在图像中获得更丰富的特征信息，更好的区分看起来相近的火焰图片，同时进一步提高网络性能。

技术特征：

1.一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法，其特征在于步骤1中所述的处理得到火焰图像数据集包括：

3.根据权利要求1所述的一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法，其特征在于，所述的加入注意力机制的移动翻转瓶颈卷积cofe-mbconv模块，包括将坐标注意力，即coordinate attention机制嵌入efficientnetv2的fused- mbconv模块中。

4.根据权利要求1所述的一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法，其特征在于，所述步骤4中的softmax分类器是基于softmax函数的激活函数来实现分类任务；

5.根据权利要求1所述的一种基于色彩校正和卷积网络的回转窑燃烧图像分类方法，其特征在于，所述步骤4中的分类预测包括：

技术总结
本发明涉及一种基于基于色彩校正和的卷积网络回转窑燃烧图像分类方法，属于窑炉图像分析技术领域，包括获取处理火焰图像数据集；引入色彩校正方法和卷积网络搭建网络模型；采用得到的图像数据集作为输入，最终产生三维预测；取预测得分最高的燃烧状态为此时回转窑内的燃烧状态，输出最终结果。炉窑燃烧过程是一个高度复杂的非线性过程，燃烧不稳定，环境恶劣且拍摄设备老旧。针对炉窑火焰图像视觉效果差，图像曝光发白，颜色不清晰等问题。现有技术在对窑炉图像进行分类往往效果不佳，本发明能够提高识别的质量以及分类的准确率。

技术研发人员：李涛,赵娜
受保护的技术使用者：湖南大学
技术研发日：
技术公布日：2024/1/16