基于深度学习对陶瓷梭式窑火焰图像识别

朱永红，杨建

(景德镇陶瓷大学，江西 景德镇 333000)

1 引言

在我国,每年都会产出很多各种各样的陶瓷制品,并且出口到其他国家地区。陶瓷梭式窑是陶瓷工业应用最广泛的现代间歇式窑炉之一,广泛应用于卫生洁具,日用陶瓷和特种陶瓷的烧成,但是目前我国对陶瓷梭式窑的火焰图像识别上的技术还比较落后,直接影响到了生产效率跟好坏程度。而在当今时代,人工智能已经成为研究热点。传统的陶瓷梭式窑火焰识别采用CCD相机结合图像采集卡捕获陶瓷梭式窑的火焰图像。具体方法是将CCD摄像机放置在窑头的多个火孔中。CCD摄像机可以随时拍摄窑内的火焰图像，然后将其传输到图像采集卡。图像采集卡将对从CCD摄像机输出的信号进行计时。执行采集并将采样的图像发送到计算机控制系统。在获得火焰图像之后，对图像进行预处理，对图像进行分割，并从图像中提取火焰部分。本文介绍了传统卷积神经网络(CNN)传统卷积神经网络的发展过程。另一方面，提出了改进卷积的神经网络，介绍了主成分分析(PCA)数据的维数预处理方法，取代了分类器，并将改进的卷积神经网络应用于橄榄面部人脸识别数据集。陶瓷梭式窑具有更高的火焰稳定性和更好的结果。

2 陶瓷梭式窑概述

2.1 陶瓷梭式窑的组成及结构概述

图2.1 梭式窑结构示意图

1—窑室；2—窑墙；3—窑顶；4—烧嘴；5—窑门；6—支烟道；7—窑车；8—轨道

陶瓷梭式窑是一种可以间歇工作的现代窑。它可以分为窑房和窑车整体。

部分。窑室还包括窑顶和窑壁，窑顶和窑壁是固定的，窑车可以是在某个轨道上移动，在窑车的衬砌砖上分布有阴燃孔和烟道，并且烟道与通向烟窗的排气孔连接。陶瓷梭式窑以非常灵活的方式生产，陶瓷坯料的窑和窑在窑外进行。具体过程是：首先，将待烧制的陶瓷坯料放置在窑车的脚手架上，然后将窑车推入窑室，并从各种方面制备烧成工艺，如型号，尺寸和坯料的含水量，并进行烧制过程。在完成和冷却之后，可以将窑车和煅烧产物从窑中拉出，并且可以在窑外除去煅烧产物。在整个过程中，窑车被称为梭式窑，因为它像织机上的梭子一样移动。

梭式窑结构示意图如图 2.1 所示。

梭式窑使用高速温度调节燃烧器。在整个烧制过程中，燃烧产物通常以约100m / s的速度注入窑内，这大大提高了燃烧产物的对流传热速率，从而缩短了产品的烧制周期，提高了生产能力。和窑的产品质量，减少燃料消耗。由于梭式窑本身的结构特征，它可以适应各种尺寸，形状和材料的坯料的烧制。梭式窑在燃烧时间的安排方面也很灵活。它可用于某些产品的二次烧制和新产品的试制。梭式窑作为一种现代化的热力设备，特别适合小批量生产，可满足当前市场的多样化需求，为现代消费者提供更多，更广泛的选择。

2.2 陶瓷梭式窑烧结工艺概述

陶瓷梭式窑的主要烧成工艺包括：低温阶段，氧化和还原期，高温阶段和冷却。

具体烧制过程如下：

(1)低温阶段：该阶段通常在400℃之前，也是烧制过程中最关键和最危险的阶段。

分割。该阶段是蒸发阶段，升温速率主要取决于进入窑前生坯的厚度和含水量。

阶段主要是物理变化，从身体去除水分。如果温度上升太快，可能会导致坯料内的水蒸气压力过大，导致阀体破裂。

(2)氧化还原期：该温度范围一般在950℃以前，其加热速度主要取决于泥浆。

土壤的混合比分解和氧化体内所含的有机物质或碳酸盐等化合物。这个阶段是成瓷期，可以增加供气和供氧，窑内的温度会迅速增加。此时，孔隙率将降低，并且身体将收缩。

(3)高温阶段：该阶段的最终温度取决于陶瓷产品的性质和原料，它们会升温速度取决于窑中的结构和窑的密度。当窑体较大时，加热速度不宜过快，以免窑内温差过大，造成不同程度的收缩和变形。

(4)冷却阶段：冷却方法可分为三种形式，以满足不同的产品要求：保温和缓冷。

冷却和淬火冷却。这些不同的冷却方法将逐渐降低窑内的温度，从而产生最终的陶瓷产品。

3 实验环境

3.1 Theano 库简介

heano库是一个Python库，已经过改进，可以进行有效的数学表达式符号计算。Theano库通常与Numpy库一起使用，因为Numpy库的ndarray是由Theano库处理的数据对象的类型，并且Theano库的使用允许进一步优化大规模矩阵操作。Theano将数据和操作都视为节点，因此开发人员编码的过程等同于在节点之间构建计算网络，并且可以执行各种数学表达式计算。同时，Theano库将计算函数模型转换为C代码，从根本上解决了Python低速的缺点。Theano库完全满足了对大规模计算的深度学习的需求，因此本文将在Theano库中进行实验。

3.2 Mnist 数据集简介

mnist手写字符数据集每个图像有28*28像素，是一个0到9个手写数字的图像集。该数据集包含50,000幅训练图像、10,000幅测试图像和10,000幅验证图像。图像处理是训练和测试中应用最广泛的图像集之一。

4 卷积神经网络训练过程及结果

卷积网络本质上是一个输入到输出的映射，不需要输入和输出之间的任何精度。

数学表达式可以学习输入与输出之间的映射关系。训练卷积网络只需要使用已知的模式，使网络具有映射输入和输出对的能力。因为卷积网络是通过监视执行的方法，所以训练样本集应该是一个有标签的训练样本集。样本集的形式应为向量对组成向量，理想输出)。通过训练标记样本集使卷积网络足够学习输入和输出之间的关系。经过培训后，测试集和验证集仍需用于测试网络中最后的表演。在开始训练之前，所有的权重都必须用不同的小随机数初始化。“小随机数”可以保证网络不会因为学习过程中的过重重量而饱和，进而导致训练丢失。

“不同”是网络正常学习的保证。如果初始化矩阵使用相同的数，则互联网将失去其学习能力。

训练卷积神经网络通常分为四个步骤。这四个步骤分为两个主要阶段：

第一阶段，前进阶段

(1)取样本(x,yp)，将 x 作为输入量然后输入到卷积网络中。

(2)计算实际输出数据Cp。

输入信息 x 为依次经过各个层之间的卷积运算，子采样操作输出到输出层，在这个过程中，网络执行运算式：

Cp=fn(…(f2(f1(xp,W1)W2)…)Wn)

第二阶段，后向传播阶段

(3)用pc减去py，所得差作为反向传播调整的误差。

(4)重量矩阵通过反向传播进行调整，以尽量减小步骤(1)中的误差。

传统的卷积神经网络在theano库上训练出手写的数字集，可见卷积神经网络在图像识别上是准确的。

5 全文总结

陶瓷穿梭窑温度控制系统是一种典型的工艺控制系统。它的温度检测和控制在生产过程中起着非常重要的作用，是陶瓷产品成功生产的前提。为了提高陶瓷穿梭窑的生产效率，降低工人的工作强度，增加资源的利用，保护环境，图像识别是网络研究的热点。在深入学习概念提出后，图像识别技术得到了极大的改进。利用卷积神经网络可以提高陶瓷梭窑的精度。