[发明专利]基于智能控制的计算机视觉技术的炉膛火焰检测方法

权利要求书

1.一种基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，包括以下步骤：

a.图像获取：利用CCD摄像机通过光纤图像传感器拍摄炉膛火焰，并将拍摄采集的图像信息信号实时传送至信号处理机；

b.小波包算法的信号去噪处理：信号处理机中采用小波包算法对图像信息进行信号的去噪处理；

c.BP神经网络图像检测识别：采用BP神经网络模型对经过去噪处理的图像信息进行检测识别。

2.根据权利要求1所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，小波包进行信号去噪的步骤为：

小波包分解：对含噪信号进行小波包分解，得到各个尺度下的小波包分解系数；

系数收缩：对小波包分解系数进行收缩，将各尺度上由噪声产生的小波分量去掉，保留原始信号的小波包分解系数；

小波包重构：对收缩的小波包分解系数进行小波逆变化，重构去噪信号。

3.根据权利要求2所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，小波包分解系数收缩是通过选取一阈值对小波包分解系数进行量化处理，将小于或等于阈值的小波包分解系数作为零处理，仅用阈值以上的小波包分解系数来重构去噪信号，包含以下步骤：

Y＝W(X)

Z＝D(Y，T)

X^=W-1(Z)]]>

其中，W(X)和W^-1(Z)分别表示小波包分解与重构算法，D(Y，T)表示给定阈值T的小波包分解系数的收缩操作，X表示含噪信号，Y表示X的小波包分解系数，Z表示经收缩操作后的小波包系数，表示去噪后的信号。

4.根据权利要求1或2所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，BP神经网络模型的训练步骤为：

(1)初始化：对权值矩阵W和阈值V赋随机数，将样本模式计数器p和训练次数计数器q取为1，总误差为0，学习率η设为0和1之间的小数。网络训练后达到的精度E_min设为正小数，网络最大迭代次数为N；

(2)输入训练样本计算各层输出：用当前样本X_p和D_p对向量数组输入样本X、期望输出样本d赋值，计算隐含层的输入量Y和输出量O中各分量；

(3)计算网络输出误差：设共有P对训练样本，样本模式计数器p初值为1，不同的样本对应不同的误差E_p，网络的总误差E：

E=1pΣp=1P(Ep)2;]]>

(4)计算各层误差信号和

(5)调整各层权值：计算W、V中各分量；

(6)判断所有样本是否都得到训练：若p＜P，则计数器p、q各自增1转到步骤(2)，否则转下一步骤(7)；

(7)检查网络总误差E是否达到精度要求或训练次数是否超过最大迭代次数，若E＜E_min或q＞N则训练结束，否则转到步骤(2)。

5.根据权利要求1所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，还包含对检测识别的火焰估算其火焰的大小、强弱和火焰中心位置参数的步骤。

6.根据权利要求1或5所述的基于智能控制的计算机视觉技术的炉膛火焰检测方法，其特征是，还包含将炉膛火焰检测识别的结果进行显示的步骤。