[发明专利]基于深度学习的图像演化分析方法

说明书

本发明属于图像处理领域，具体涉及空预器转子的积灰状态图像的演化分析方法，采集空预器转子的红外图像后，红外热像机传输至图像处理模块；接收图像后进行图像预处理，转化所述预处理的红外图像为灰度曲线图像；增强所述灰度曲线图像以突出目标区域；根据所述增强后的灰度曲线图像，建立灰度共生矩阵；分析灰度共生矩阵相关统计量，提取纹理特征参数；建立深度信念网络分析模型并进行训练与测试；训练后的模型根据纹理特征参数分析空预器转子的积灰状态，对积灰程度的进行有效检测和监视，分析图像获取积灰具体状态，能够提前预测空预器堵塞可能性，指导运行人员进行优化运行吹灰系统，从而提高空气预热器正常运行期间的工作效率。

技术领域

本发明属于图像处理领域，具体涉及空预器转子的积灰状态图像的演化分析方法。

背景技术

目前，大型电站锅炉广泛采用回转式空气预热器(简称空预器)，空预器普遍存在堵塞问题，空预器堵塞将导致一系列问题。回转式空预器内部开始积灰至一定程度时，蒸汽吹灰器难以深度清灰，当通道完全堵灰时，在线处理难度大。为了减少积灰和腐蚀的危害，目前空预器普遍采用吹灰器进行吹扫。但由于缺乏有效的检测和观察手段，导致普遍存在吹损的问题。因此，在空预器热态运行中在线监测受转子热面的积灰程度、积灰分布，根据需要进行优化吹灰与冲洗操作，有效提高机组运行的经济性和安全性是十分必要的。近年来，电站锅炉受热面的积灰程度和优化吹灰的研究受到关注。

随着计算机技术和控制技术的发展，各种软件系统、人工智能、在线监测等技术已逐步应用于吹灰优化。虽然近年来取得了较大的成果，但其原理仍然是运用空气预换热折算压差实现空气预热积灰程度检测，尤其测量传感部分都只是数值显示或定性评判，均无法让操作人员直观的看到空预器转子的积灰具体状态。

发明内容

为解决以上现有技术的不足，本发明对积灰程度的进行有效检测和监视，分析图像获取积灰具体状态，能够提前预测空预器堵塞可能性。

本发明采用以下技术方案：提供一种基于深度学习的图像演化分析方法，包括以下步骤：

S1：采集空预器转子的红外图像后，红外热像机传输至图像处理模块；

S2：接收图像后进行图像预处理，转化所述预处理的红外图像为灰度曲线图像；

S3：增强所述灰度曲线图像以突出目标区域；

S4：根据所述增强后的灰度曲线图像，建立灰度共生矩阵；

S5：分析灰度共生矩阵相关统计量，提取纹理特征参数；

S6：建立深度信念网络分析模型并进行训练与测试；

S7：训练后的模型根据纹理特征参数分析空预器转子的积灰状态。

进一步地，步骤S2所述转化方法进一步包括以下步骤：

(1)利用Sobel两个方向上的算子在输入图像f(x,y)上滑动；

公式如下：

其中，A与B是Sobel算子的矩阵，f(x,y)为输入图像；

(2)两个方向上的算子与其覆盖的输入图像上9个像素进行卷积操作，即可分别得到横向及纵向边缘检测的幅值；边缘检测的幅值公式如下：

其中，G_x为横向边缘检测幅值,G_y为纵向边缘检测幅值；

(3)利用横向及纵向边缘检测的幅值得到该点最终的灰度值；

公式如下，

其中，G为该点的灰度值：