[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

说明书

技术领域

本发明涉及一种利用计算机视觉技术检测分析电厂炉膛火焰的方法，尤其涉及一种基于小波包和BP神经网络的计算机视觉技术的炉膛火焰检测方法。

背景技术

发电厂锅炉的稳定燃烧对于发电机组的安全和电力的充足供应至关重要。随着大型机组的燃料和燃烧方式的多样化，在锅炉启停和处理事故过程中对燃烧系统的监视即锅炉炉膛火焰检测就显得尤为重要。

电厂煤粉锅炉火焰检测是提高电站运行安全性和经济性的重要措施。目前，我国电厂中广泛采用的火焰检测器属于红外线型、可见光型或上述的组合型。这类火焰检测器的视场角较小，当煤种变化或负荷变化引起着火位置漂移时，将严重影响炉膛火焰的检测效果。并且这种火焰检测器只能给出有无火焰的开关量信号，不能进一步判断火焰燃烧的状况。

图像信息在电厂应用中所起的作用越来越重要，对电厂炉膛火焰的图像信息分析与处理的要求也越来越高，使得在一些应用场合必须利用计算机视觉技术由计算机替代监控人员进行图像理解。通过计算机视觉技术分析解释图像中所代表的信息来判断设备的运行状况，在分析解释中需提高其准确率，以防止误报和漏报。

通常，过程测量数据都是含噪数据，为了后续更高层次的处理，必需对信号进行去噪。众多学者根据实际信号的特点、噪声的统计特征和频谱分布的规律，发展了各式各样的去噪方法，其中最为直观的方法是根据噪声能量一般集中于高频，而真实信号的频谱则分布于一个有限区间的特点，采用低通滤波方式进行去噪，如傅立叶变换、滑动平均窗滤波器、Wiener线性滤波器。其它的去噪方法还有基于秩阶滤波、马尔可夫场模型、偏微分方程的方法。而在小波包分析中，其去噪信号的算法思想和在小波分析中的基本相同，所不同的就是小波包提供了一种更为复杂，也更为灵活的分析手段。因为小波包分析对上一层的低频部分和高频部分同时进行分解，具有更加精确的局部分析能力。

发明内容

本发明所要解决的技术问题是提供一种可以克服传统火焰检测器的缺点的基于小波包和BP神经网络的计算机视觉技术的炉膛火焰检测方法，可以快速准确的识别炉膛火焰的状况。

为解决上述技术问题，本发明提出了一种将小波包及BP神经网络的计算机视觉技术应用于电厂炉膛火焰的检测的方法。

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。

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。

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；