一种基于火焰图像模式识别的陶瓷梭式窑温度智能检测方法

朱永红，蒋 超，王俊祥

(景德镇陶瓷大学 机械与电子工程学院，江西 景德镇 333403)

0 引 言

陶瓷梭式窑是陶瓷产业中应用广泛的一种现代间歇式窑炉，窑室和窑车为其主要的组成部分。其不仅可以用作主要的生产烧成设备，也适用于小批量多品种的生产，而且作为辅助烧成设备可应用于产品的重烧与新产品试验的生产使用。目前，陶瓷梭式窑烧成带工况检测大多采用热电偶加人工观火的方法。使用热电偶的方法对窑炉烧成带温度测量仅能测量某一部分测量点的温度，精度不很高，并且不能测量整体窑炉内部温度变化。而“人工观火”是通过有经验的操作人员观察火焰的颜色变化判断窑炉内陶瓷烧结状况，从而调节燃气的阀门数量来控制窑炉温度，是陶瓷梭式窑烧成状态判断的主要辅助方法，但操作人员劳动强度大。

随着 20 世纪 70 年代CCD摄像机的快速发展，基于图像识别的方法广泛应用于早期火灾火焰检测[1-3]，卫生陶瓷缺陷检测[4-6]，农作物病害图像诊断[7-8]，人脸识别[9-11]等方面。在早期火灾火焰检测方面运用颜色特征来提取火焰轮廓的描述识别早期火灾的火焰图像，对于存在缺陷的卫生陶瓷采用灰色聚类的颜色特征提取缺陷后识别缺陷陶瓷图像，在农作物病害图像识别中采取纹理特征表达黄瓜病害叶片图像识别病害叶片的病斑类别，人脸图像识别则是对面部图像获得LBP(局部二值模型)纹理特征判断人脸信息。基于以上研究成果，并针对目前陶瓷梭式窑燃烧带温度检测存在的问题，本文拟提出一种基于火焰图像模式识别的陶瓷梭式窑烧成带温度智能检测方法以提高烧成带温度检测的智能化程度。至目前为止，该种方法的研究尚未见诸报道。该方法有利于实现陶瓷梭式窑的智能控制，为陶瓷梭式窑的烧成带温度智能检测和识别提供一种新途径和新方法。

1 火焰图像处理

对CCD采集的火焰图像进行识别前需要将获取的图像进行预处理，由于获得的原始图像往往包含各种各样的噪声，为了防止其造成干扰，因而首先应对获得的图像进行去噪、滤波等预处理，紧接着提取其颜色特征和纹理特征构成特征向量(该特征向量代表一幅火焰图像)。

1.1 图像预处理

对图像预处理的目的主要是为了提高图像的数据准确度，使得图像更准确地用于计算机处理。中值滤波较好地克服线性滤波器在处理图像时带来的一系列图像细节模糊的缺点，随机干扰和脉冲干扰也将得到明显减少。中值滤波的基本原理是对采样得到的邻域灰度值先进行大小排序然后取得这些像素点灰度值的中值作为该处像素点的灰度值。中值滤波算法的实现步骤主要有如下两步：(1)将图像中的某个采样窗口中的奇数灰度值进行从大到小排序；(2)用排序结果中的中值代替要处理的灰度值。

如图1所示，(a)为陶瓷梭式窑烧成带有噪声的原始火焰图像，(b)为经中值滤波后的火焰图像，显然其纹理边缘呈现较清晰，一定程度上去除了噪声的干扰。

1.2 特征的提取与选择

特征提取的结果强烈地影响到分类器的设计及其性能，进而直接影响其识别的分类效果和识别率。如果不用类别样品特征差别比较大，那么就比较容易设计出高性能分类器。因此，特征选择是模式识别中的关键问题。特征提取的目的是为了获得一个长度为n的向量P{x1，x2，…xn}。表示原始图像的特征向量应具备以下两个特征：(1)相似图像的特征向量也相似。当图像差距很大时，得到的特征向量的距离较大，即特征向量必须能够代表这一图像模式。(2)向量的长度n尽量小，尽量不包含对分类来说没有作用的分量，以有效地进行分类并减少计算量。常用的图像特征包括纹理特征、颜色特征、形状特征、空间关系特征等。本文对窑炉火焰图像识别的特征提取采用颜色特征和纹理特征相结合的方法。

(1)颜色特征

颜色特征是在图像中最为广泛的视觉特征之一，主要原因是颜色往往与图像中所包含的对象或场景有关。在许多情况下，颜色特征是最简单和有效的图像描述。常见的颜色特征主要的表达方法有颜色矩、直方图、累计直方图、颜色聚合向量等。颜色矩采用线性代数中矩的概念，将图像中的颜色分布用矩的形式表示，是一种简单有效的颜色特征表达方法。利用颜色一阶矩(均值)、颜色二阶矩(方差)和颜色三阶矩(偏斜度)来描述颜色分布。与颜色直方图相比颜色矩对图像描述无需量化图像特征。颜色信息主要分布在低阶矩中，即用一阶矩，二阶矩和三阶矩足已有效地表示图像中的颜色分布，颜色矩的三个低阶矩的数学表达式为：

图1 滤波前后火焰图像对比Fig.1 The comparison of fl ame images before and after fi ltering

其中，hij表示彩色图像第i个颜色通道分量中第j个像素的值，n表示图像中的像素个数。

使用颜色矩来描述颜色特征将会降低维数而无需对颜色量化。用每个颜色分量加上 3 个低阶矩，即 9 个分量来表示一幅图像，这样表示的好处在于和其他颜色特征比较相对简洁，节省了计算的时间。

将一幅火焰图像由 RGB 空间转换至L*a*b*空间之后，火焰图像颜色信息不再是r、g、b三基色值而是L*、a*、b*三通道分量数值，根据上式即可计算L*a*b*分量的三个低阶矩。用它们来表示这幅图像的颜色特征。这样图像库中每幅图像的颜色特征均由 9个数值表示。计算颜色矩的流程步骤如图2所示。

图像的三个分量L*、a*、b*的前三阶颜色矩组成一个9维向量，即火焰图像的颜色特征表示如下：

颜色矩并未考虑图像像素的空间位置关系，分辨能力不够高。因此，与其它特征结合起来对火焰图像的识别将起到更好效果。

(2)纹理特征

灰度共生矩阵算法是纹理特征统计法的代表算法，特点是原理简洁、便于与其他算法组合使用、广泛地用于纹理特征的描述。因而，自提出以来受到广泛的关注。以灰度共生矩阵方法为基础的纹理描述是基于在纹理中重复出现的某个灰度级结构的概率。这种结构在精细纹理随着距离而迅速变化，而在粗糙的纹理中则变化缓慢。

以灰度共生矩阵为基础，目前对纹理进行描述的纹理特征值共有14种。虽然这些纹理特征值可以对纹理的某一方面进行描述，但其描述能力不高。在实际应用中，考虑计算效率方面的情况，一般不将所有的数据都计算和提取出来。为此只找出部分描述纹理能力较强的参数数据，为后面的工作做准备。14个纹理特征值中有4个特征值对于纹理的描述效果尤为突出，它们分别是角二阶矩、对比度、熵和逆差矩。用4个特征值来描述火焰图像的纹理时，不但能够确保对纹理描述的全面性与准确性，而且还能减少计算量，无需同时计算14个不同的特征值。本文提取了灰度共生矩阵的 4个二阶统计量作为纹理特征，分别为角二阶矩、对比度、反差分矩、熵。

假设共生矩阵在点(i, j)的数值为P(i, j)，矩阵元素数目为M，则该点代表的灰度对在图像中出现的概率为p(i, j)，其计算公式如下。

而各纹理特征值的数学表达式如下：

(1)角二阶矩

(2)对比度

(3)反差分矩

(4)熵

四个纹理特征分量组成一个4维向量，即火焰图像的纹理特征表示如下：

将基于L*a*b*颜色空间的9个颜色矩特征值与以灰度共生矩阵为基础的4个纹理特征值相结合构成一个特征向量，其长度为13，可用该特征向量代表每一幅火焰图像。

图2 颜色矩计算过程Fig.2 Color moment calculation process

2 基于火焰图像模式识别的温度检测方法

我们对江西景德镇某瓷厂的陶瓷梭式窑利用工业相机进行拍照获取火焰图像样本，根据热电偶测量炉内温度，将炉内温度从800 ℃开始，每隔一定温度拍下一张窑炉内部火焰图象以BMP格式保存，直至1300 ℃结束拍照。共摄取10张火焰图像即得到10组温度值大致等差的图象样本。再采用比色测温法测量样本图像的温度值，形成火焰图像与温度的关系综合数据库。然后对摄取的陶瓷窑炉火焰图像进行训练,所得的分类器对训练样本进行分类，分类结果依据综合数据库得到陶瓷窑炉温度。由于热电偶灵敏度比较低，容易受到环境的信号干扰，长久的使用后其性能也会有所下降。所以这里采用比色测温原理给出火焰图像的温度值。

2.1 比色测温法

根据可见光图像的灰度值与高温辐射体的温度之间的关系，得到

式中， A为CCD输出电流和图像灰度值之间的转换系数, t为曝光时间，μ为光电转换系数， (2a/f)为相对孔径，k为CCD光学系统透过率，c1，c2为第一、第二辐射常数，ε(λ, T)为辐射体的黑度系数，λ为辐射电磁波波长，T为温度，T(λ)为光谱响应特性函数。

若将CCD摄像头前的窄带滤波器看成是冲击函数，则由式(9)得

用辐射测温中的比色测温法，将上式两两相除，得

将式(13)除以式(14)，并将等式两边取对数，得

通过CCD采集火焰图像，经过预处理提取目标图像的R、G、B通道分量。下表为部分火焰图像的R、G、B通道分量及对应温度值。

这样，通过采用比色测温法给出目标图像的温度值，再与火焰图像处理对应的特征进行数据融合，得到窑炉火焰图像特征与温度准确对应关系的综合数据库。

2.2 概率神经网络建模

概率神经网络融合了贝叶斯决策理论和密度函数估计，是一种径向基函数神经网络。具有训练容易，收敛速度短，结构简单固定，应用广泛的特点，特别适合识别问题。概率神经网络形成的分类器具有较高准确程度，能够在一定噪声情况下获得令人满意的准确度。另外，由于概率神经网络没有类似BP网络那样的训练过程，只需要建立网络的时间，故效率大大提高。

概率神经网络结构如图3所示。从图中可以看出该网络主要包含四层，它们分别是输入层、隐含层、求和层和输出层。

表1 R、G、B值及对应温度值Tab.1 R, G, B values and their corresponding temperatures

图3 概率神经网络结构Fig.3 Probabilistic neural network structure

图4 概率神经网络建模Fig.4 Probabilistic neural network modeling

概率神经网络中输入层训练样本记为X = (x1，x2，…，xN)T，其神经元个数和输入样本向量长度相等,她的功能为接受来自训练样本的值并将数据传送到隐含层。隐含层为径向基层，该层接收输入层的样本输入，每一个隐含层的神经元节点拥有一个中心，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入样本个数相同。向量x输入到隐含层，隐含层中第i类模式的第j神经元确定的输入/输出关系由式(16)定义。

其中，xij为第i类样本的第j个中心(i = 1，2，…，N，N为训练样本中的总类数)d为样本空间数据的维数，σ为平滑参数。

求和层的功能就是将隐含层中同一类隐含神经元的输出做加权和Si，计算式子如下。

其中，Si表示第i类类别的输出，L表示第i类的神经元个数，ωij表示混合权重。注意，求和层的神经元个数与类别数N相同。ωij计算式子如下。

在输出层中，取求和层中最大的一个作为输出层的类别输出，输出计算式子如下。

为了实验，现构造一个概率神经网络分类器。输入向量为特征向量，其长度为13，因而输入层有13个神经元。第二层隐含层神经元节点数选取为40个，那么能处理图像特征样本40个(将10组样本图像旋转4个角度)。第三层求和层采用10个神经元节点进行分类。输出层包含一个神经元，取求和层中最大的一个作为类别输出，输出的类别是以向量的形式给出的。例如共有10个类别，则第4类的向量表示形式为[0,0,0,1,0,0,0,0,0,0,]T。构造的概率神经网络结构如图4所示。

将所有拍摄的陶瓷窑炉火焰图像数据读入，先进行中值滤波，然后对每一幅火焰图像提取特征，最后通过概率神经网络建模，对数据实现分类。陶瓷梭式窑火焰图像识别流程，如图5所示。

3 实验实现与结果分析

同样环境下，待陶瓷梭式窑内部温度稳定时，摄取窑炉内部火焰图像，将图像作为测试样本检验不同特征提取方法训练后网络的识别能力。

图5 陶瓷梭式窑火焰图像识别流程Fig.5 Modeling of ceramic shuttle kiln fl ame image recognition

表2 不同特征提取方法的识别率Tab.2 Recognition rates of different feature extraction methods

从表2中可以看出，单独使用颜色特征识别准确率较低，而且没有考虑图像像素的空间位置关系，分辨能力不够高。单独使用纹理特征处理速度比较快，但纹理特征容易受噪声影响，识别率也不高，造成识别率并不理想的原因在于样本数量少。颜色特征与纹理特征相结合的方法比单独使用颜色特征或单独使用纹理特征的效果好，对火焰图像的识别达到了较为理想的分类准确率，分类正确率可达97.5%，以上结果充分表明采用颜色特征+纹理特征相结合的方法所得的特征向量能有效地表征所提取的火焰图像并能较准确地区分不同类别的图像，获得了好的效果。因此，可以采用颜色特征+纹理特征的特征提取方法进行火焰图像识别后参照综合数据库得到对应的温度值。

4 结 论

陶瓷梭式窑是一种常用的间歇式陶瓷产品生产窑炉，其烧成带温度检测方法与陶瓷产品生产质量息息相关。本文针对陶瓷梭式窑烧成带温度检测提出一种通过火焰图像识别来确定烧成带温度的优化检测方法。本方法基于火焰图像处理技术和模式识别方法处理被摄取的火焰图像，利用L*a*b*颜色空间和灰度共生矩阵提取火焰图像的颜色特征和纹理特征构成特征向量,并将特征向量输入到概率神经网络进行识别分类，然后利用温度信息数据与火焰图像得到的综合数据库来确定火焰图像对应的温度值从而识别陶瓷窑炉烧成带温度。最后，利用该方法对陶瓷梭式窑烧成带温度检测进行了实验，取得了较好的效果。这些结果将为陶瓷梭式窑温度智能检测提供一种新途径和新方法。