[发明专利]一种基于图像识别的火焰稳定性监测方法

权利要求书

1.一种基于图像识别的火焰稳定性监测方法，其特征在于，包括以下步骤：

步骤1、采集不同燃烧工况下的火焰图像，经过图像预处理后分为训练集与验证集；

步骤2、在训练集中加入高斯白噪声，训练自编码网络；

自编码网络包含两级子网络；

在第一级子网络中，将平均结构相似度作为损失项引入到损失函数中，得到改进的损失函数L′₁，通过对比不同训练次数下的重建精度Q，确定最优训练次数；

L′₁＝L_SPT+L_MSE+L_PSNR+L_MSSIM

式中，L_SPT表示稀疏惩罚项，L_MSE表示均方误差，L_PSNR表示峰值信噪比，L_MSSIM表示平均结构相似度；

重建精度Q为：

式中，x_ij与x_rec,ij分别表示O×P尺寸的输入图像与重建图像中第(i,j)位置的像素强度；

第二级子网络采用损失函数L₂，L₂表达为：

L₂＝L_SPT+L_MSE

式中，L_SPT表示稀疏惩罚项，L_MSE表示均方误差；

步骤3、利用已训练的自编码网络提取验证集图像的深层特征，并重建验证集图像，其中，由深层特征所生成的重建图像，去除了原始图像中所包含的噪声；

步骤4、采用高斯混合模型对提取的深层特征进行两分类，得到两个簇；

步骤5、对重建的验证集图像进行统计学分析，识别步骤4得到的两个簇的稳定性类别；

步骤6、定义用于验证集单张图像稳定性程度的燃烧稳定性指标e，得到定量标签；稳定性指标e的数值范围为[0,1]，表达为：

式中，x^d表示D维深层特征向量的d位置特征值，表示稳定聚类中心向量的d位置特征值，表示不稳定聚类中心向量的d位置特征值；其中，聚类中心是深层特征向量在各个维度上的平均；

步骤7、将深层特征加上定性标签训练高斯过程分类模型，将深层特征加上定量标签训练高斯过程回归模型；

步骤8、通过已训练的分类模型和回归模型，对实时获取的火焰图像进行燃烧稳定性识别。

2.根据权利要求1所述的火焰稳定性监测方法，其特征在于，每级子网络由三层编码器和三层解码器组成。

3.根据权利要求2所述的火焰稳定性监测方法，其特征在于，所述步骤2中训练自编码网络的步骤为：

步骤2.1、训练集X添加高斯白噪声后，得到噪声样本X_n，送至第一级子网络的编码器1号，首先由a1个b1×b1窗口大小、步长为s1的卷积过滤器C1(a1@b1×b1+s1)进行特征提取，然后分别使用批量归一化、ReLU激活函数y(x)＝max(0,x)进行数据处理，最后由d1×d1窗口大小、步长为z1的最大池化层P1(d1×d1+z1)降低特征维度，得到特征向量h₁；

步骤2.2、特征向量h₁送至编码器2号和3号，数据处理过程与编码器1号相似，得到特征向量h₃；

步骤2.3、特征向量h₃送至解码器1号，首先由r1×r1窗口大小的上采样层U1(r1×r1)进行特征维度提升，然后分别使用卷积过滤器C4(a4@b4×b4+s4)、批量归一化、ReLU激活函数进行数据处理，得到特征向量h′₂；

步骤2.4、特征向量h′₂送至解码器2号和3号，数据处理过程与解码器1号相似，得到重建图像X_rec；其中，解码器3号使用的激活函数是Sigmoid函数

步骤2.5、将第一级子网络提取到的特征向量h₃作为第二级子网络的输入，得到深层特征h₆。