基于紋理特征的回轉窯熟料燒結狀態分類＊

何 敏,章 兢,晏 敏,陳 華

(1.湖南大學電氣與信息工程學院,湖南長沙 410082;2.湖南大學物理與微電子學院,湖南長沙 410082;3.湖南大學計算機與通信學院,湖南長沙 410082)

在實際的回轉窯生產領域,利用機器視覺方法對窯頭熟料特征進行分析,有助于實現窯內實際工況的判斷,對提高回轉窯的自動控制水平具有重要意義.窯頭圖像中熟料的休止角反映了熟料運動模式,可用于判斷其黏度、帶高度[1];熟料填充率變化趨勢能夠反映窯尾進料量以及窯內溫度的異變[2].除此之外,熟料圖像的紋理特征能較好地描述其表面的物理屬性(如粗糙度、顆粒度),從而間接反映熟料在窯內的燒結狀態.基于紋理這一特征屬性進行模式識別在氣象學、醫學、地理學和工業領域已經得到了廣泛應用[3-5].在常用的空間域紋理分析方法中,統計法原理簡單、較易實現,主要適合具有隨機性的、無明顯規則非均勻性圖像,尤其是基于灰度共生矩陣的統計分析法能更好地反映圖像的全局紋理特征[6].實際回轉窯熟料圖像紋理無明顯規律性和周期性,本文結合灰度共生矩陣方法進行了熟料表面紋理參數計算,基于Fisher系數實現了最優紋理特征選擇,利用C4.5決策樹實現了不同燒結狀態下的熟料紋理分類.

1 回轉窯窯頭熟料圖片

固定安裝在回轉窯窯頭的攝像機實時采集窯內圖像,圖像主要由煤粉區、火焰區、“帶高”區和熟料區4個區域構成,其中熟料區位于窯頭圖片的右下角[2].基于熟練看窯工的經驗,不同工況下采集到的窯頭及熟料區圖片如圖1所示,3組熟料圖片從左至右依次為過燒、欠燒和正常3種狀態.異常工況下,當窯內燒結帶溫度過高時,熟料過燒,其黏度較正常時大,流動性差,熟料紋理粗糙,有明顯的結塊現象;而當溫度過低時,表現為熟料黏度較正常時低,流動性強,顆粒度小,松散呈沙狀;而正常工況下其黏度和流動性介于兩者之間,粒度適中,紋理分布均勻.

圖1 實際窯頭與熟料圖片Fig.1 Images of discharge end and clinker of real rotary kiln

2 基于灰度共生矩陣的紋理特征參數

灰度共生矩陣是在原始圖像的基礎上,對滿足特定位置關系(角度和距離)和特定灰度關系的鄰近像素灰度值分布特性進行統計產生的矩陣,表示的是圖像紋理中灰度級的空間相關性,即相距(dx,dy)的兩個灰度像素為i和j出現的聯合頻率分布.設大小為M×N的二維數字圖像為f(x,y),量化圖像的灰度級為Ng,則滿足一定空間關系的Ng×Ng灰度共生矩陣為:

式中:#{A}為集合A中滿足條件的元素個數,i和j為灰度級值,位置算子(dx,dy)的不同組合代表了不同方向和距離下的灰度共生矩陣,當(dx,dy)取(d,0),(d,-d),(0,-d)和(-d,-d)時,分別對應距離為d的0°,45°,90°和135°4個方向.

對灰度共生矩陣元素進行正規化后,Haralick列出了14個基于灰度共生矩陣的描述圖像紋理典型參數[7],分別是角二階距(ASM:Angular Second Moment)、對比度(Contrast)、相關性(Correlation)、方差(SS:Sum of Squares)、和平均(SA:Sum Average)、逆差矩(IDM:Inverse Difference Moment)、熵(Entropy)、和方差(SV:Sum Variance)、和熵(SE:Sum Entropy)、差異熵(DE:Difference Entropy)、差方差(DV:Difference Variance)、最大相關系數(MCC:Maximal Correlation Coefficient)和兩個相關性信息度量(IOC:Information measures of Correlation).灰度共生矩陣具有豐富的特征參數,因而能從不同的角度對紋理進行描述.

3 紋理特征選擇和分類

不同的位置算子和圖像灰度級的組合會生成不同的灰度共生矩陣,對紋理的描述效果也不盡相同.如果采用256灰度級,雖說保證了其精確性,但因元素過小運算時間過長,不利于實際工況分析,故常將原圖像灰度級量化為16級.

在進行紋理分析時,怎樣確定位置算子將直接影響結果的正確性.不同距離的d值適合于粗細不同的紋理,較小的d值適合于分析局部領域內的灰度變化頻繁的細紋理;而對灰度值變化緩慢的粗紋理,則需要選擇較大的d值.已有的文獻大多根據特定分析對象選取經驗值,不具有普遍意義,或者同時計算不同大小的d值,這雖然能夠提高灰度共生矩陣紋理分析的分類性能,但也使得計算量大大增加.

對同一個紋理分析對象選擇不同的方向得到的灰度共生矩陣也不一樣,將4個方向上得到的灰度共生矩陣參數求平均值和差值,將其作為特征參數進行紋理識別,這種方法保證了紋理平移不變性,但也削弱了灰度共生矩陣的可區分性,同時增加計算量.除此之外,Haralick提出的14個統計紋理特征參數具有一定的冗余度,能量、熵、相關性、逆差距和對比度這5個統計紋理特征較為普遍被大多數文獻采用[8],但不一定適合熟料對象.本文基于Fisher系數來實現最佳位置算子和分類特征集的選擇,并結合C4.5決策樹對提取出的特征參數完成了分類規則的生成.

3.1 基于Fisher系數的位置算子選擇

Fisher系數是用來評價類間分離程度的函數,具體定義如公式(2)所示[9]:

式中:M為總類數;μi,μj和pi,pj分別為第i,j類的均值和概率;Vi為方差,當各分割類的類間均值間距平方和與類內方差和之比達到最大時,Fisher系數值達到最大,對應的參數類間區分能力最強,類間分離效果最佳.采用Fisher系數對由不同位置算子下的灰度共生矩陣計算出的紋理典型參數進行評判,從中得出Fisher系數值最高的位置算子以及對應的距離d值和方向,即為具體紋理分析對象最佳位置算子.

3.2 基于C4.5的紋理特征分類

C4.5算法是J.R.Quinlan于1993年提出的一種經典決策樹算法[10],可以基于事例數據自上而下形成決策樹,并轉化為便于理解的分類規則進行輸出.C4.5算法使用信息增益率測試選擇屬性結點,克服了傳統的使用信息增益選擇屬性時偏向選擇取值較多的屬性的不足,在保持分類能力的同時有利于產生較為精簡的規則;可以在決策樹的構造過程中或者完成后進行決策樹的剪枝,便于靈活控制產生規則的規模和復雜度;能夠自動完成連續屬性的離散化處理;對不完整的數據具有填補功能,因而對所處理數據具有很強的魯棒性.自90年代以來,由于產生規則易于理解、分類精度高而得到廣泛應用[11-12].

4 實驗過程與結果分析

圖像來源于某廠現場回轉窯窯頭視頻,按照經驗豐富的看窯工觀察和判斷結果,選取了過燒、正常和欠燒3種情況下熟料圖片分別為7,41和21張,對圖片進行灰度化、濾波預處理后,分割得到的熟料區樣本共69幅.基于灰度共生矩陣和C4.5的熟料紋理分類可分為如下幾個步驟:

Step1:熟料感興趣區域獲取;

Step2:灰度共生矩陣特征參數計算;

Step3:最佳位置算子的Fisher評判;

Step4:C4.5決策樹分類及其規則生成.

4.1 實驗結果

將分割后的熟料圖片灰度值極化為16級,計算距離d從1～5,0°,45°,90°和135°4個方向上所有灰度共生矩陣紋理特征的Fisher系數分布.通過比較同一方向和距離基礎上的14個灰度共生矩陣特征參數發現,和平均SA、逆差矩IDM、差異熵DE、對比度Contrast、差方差DV和熵Entropy這6個參數具有較大的Fisher系數值.實驗結果表明,SA參數對應的Fisher系數隨距離和方向的變化率比較平緩,說明參數對方向和距離不太敏感,不同的位置算子對SA參數的分類效果影響不大;然而IDM,DE,Contrast,DV和Entropy這5個參數隨位置算子的變化Fisher系數波動較大,圖2所示為這5個顯著紋理特征的Fisher系數具體數值,其中x軸對應位置算子依次從(0,1)～(5,-5).

圖2 5個重要紋理參數Fisher系數分布Fig.2 Distribution of Fisher coefficients of five important texture features

圖2表明,IDM,DE,Entropy最大的Fisher系數值出現在位置算子為(5,-5)時(像素距離為5,方向為45°)分別為34.75,28.66和25.7.盡管Contrast和DV最大Fisher系數值(分別為28.8和18.8)對應的位置算子為(0,5),但(5,-5)時對應的Fisher系數值(分別為27.3和18.1)與之相比相差很小.由此,選擇(5,-5)做為計算灰度共生矩陣的位置算子,既避免了需要計算多個距離、多個方向下的灰度共生矩陣帶來的計算復雜度,又避免了隨意選擇位置算子的盲目性.

基于(5,-5)位置算子計算灰度共生矩陣,選擇Contrast,IDM,SA,DE,DV和Entropy做為熟料紋理分類的特征參數集,定義class值為1,2,3,分別代表過燒、正常和欠燒,屬性標注為:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy.C4.5決策樹提取的分類規則具體如下:

C4.5決策樹提取了Contrast,IDM,SA,DV做為特征參數,正確分類數為66個,錯分數為3個,分類精度達到95.65%.為了對比采用Fisher系數提取出的最優位置算子和特征參數分類的能力,選擇常用的角二階距(ASM)、熵(Entropy)、相關性(Correlation)、逆差距(IDM)和對比度(Contrast)這5個參數4個方向的平均值做為特征參數,距離d取1～5對相同的熟料對象集用C4.5決策樹進行分類,結果如表1所示.表中屬性標注為:a1-Contrast,a2-IDM,a3-SA,a4-DE,a5-DV,a6-Entropy,a7-ASM,a8-Correlation.對比結果表明,本文的方法僅需要計算單一方向和距離(5,-5)的灰度共生矩陣,就可以達到很好的分類精度.

表1 不同特征組分類精度比較Tab.1 Compare classification accuracy of different feature sets

4.2 不同燒結狀態熟料紋理參數理解

C4.5決策樹分類結果得出,由于實際回轉窯中熟料表面紋理的復雜性,很難用單一的紋理參數來對其進行精確分類,需要組合多個紋理參數進行識別.同時,相對于過燒和欠燒狀態,正常狀態下的熟料情況更為復雜多樣.提取出來的基于灰度共生矩陣的紋理參數中,SA(a3)具有最高屬性重要度,其次是Contrast(a1)和DV(a5),隨后是IDM(a2).SA度量了圖像像素點平均灰度值大小,即圖像的明暗程度.差方差表明了鄰近像素對灰度值差異的方差;逆差矩IDM反映了圖像紋理的同質性或規則程度,是圖像紋理局部變化的度量;Contrast度量了圖像的灰度差或對比度,它反映了圖像灰度共生矩陣值的分布情況和圖像的局部變化.為了對不同工況下的熟料紋理參數進行分析和理解,圖3顯示了69個熟料樣本位置算子為(5,-5)時計算的灰度共生矩陣對應的SA,Contrast,DV和IDM值的具體分布情況,橫坐標軸1～7,8～28,29～69分別對應過燒、欠燒和正常狀態.

圖3 灰度共生矩陣特征參數Fig.3 Features of GLCM

欠燒熟料圖像(樣本8～28)呈現出來的表面紋理為松散細沙狀,不同區域間變化很小、局部非常均勻、對比度小、紋理規則,具有較大的IDM值和較小的Contrast值.窯爐為了保持熟料質量的穩定性,會通過加煤等方式升高爐內溫度,導致熟料溫度的升高、亮度增加,從而具有相對較大的SA值.過燒熟料圖像(樣本1～7)黏度很高,呈塊狀,表面紋理粗糙,窯爐通過減煤加風等措施降低窯內溫度以避免后續熟料的過燒,從而導致熟料溫度降低,亮度減小,具有較小的SA值.而正常燒結狀態時,回轉窯內達到動平衡,窯內風、煤等工況穩定,窯內圖像變得更清晰,此時的熟料(樣本29～69)既沒有過燒狀態下的結塊現象,也沒有欠燒狀態下的粒度過小呈沙狀松散現象,熟料區圖像豐富,溝紋較深,即對比度較大,相對過燒和欠燒而言具有較大的Contrast值.

5 結 論

基于灰度共生矩陣的紋理特征參數能較好地描述回轉窯的熟料表面紋理,利用Fisher系數提取出最佳位置算子和最有效分類參數集能有效地避免傳統方法中計算灰度共生矩陣的隨意性和大計算量,既保證了分類識別的精度,又充分考慮了在線識別的實時性.基于約簡的紋理特征參數組,經典的C4.5決策樹算法實現了3種燒結狀態下的熟料的分類,分類精度達到95.65%,這充分說明了用紋理分析方法進行熟料燒結狀態判別的可行性.

[1] HE M,ZHANG J,LIU X Y.Determination of the repose angle of stuff in rotary kiln based on image processing[C]//The 9th International Conference on Electronic M easurement&Instruments(ICEMI),Beijing:2009(4):97-101.

[2] 何敏,章兢,何昭暉,等.基于回轉窯圖像的熟料填充率測量[J].儀器儀表學報,2009,30(12):2586-2592.HE Min,ZHANG Jing,HE Zhao-hui,et al.Measurement of filling percentage of clinker using rotary kiln image[J].Chinese Journal of Scientific Instrument,2009,30(12):2586-2592.(In Chinese)

[3] CHRISTODOU LOU C I,MICHAELIDES S C,PATT ICHIS C S.Pattichis multifeature tex ture analy sis for the classification of clouds in satellite imagery[J].IEEE Trans on Geoscience and Remote Sensing,2003,41(11):2662-2668.

[4] LA URIA A.GPCALMA:Implementation in Italian hospitals of a computer aided detection system for breast lesions by mammog raphy examination[J].Physica Medica,2009,25(2):58-72.

[5] TESSIERA J,DUCHESNEA C.Estimation of alumina content of anode cover materials using multivariate image analy sis techniques[J].Chemical Engineering Science,2008,63(5):1370-1380.

[6] OHANIAN P P,DUBES R C.Perfo rmance evaluation for four classes of texture feature[J].Pattern Recognition,1992,25(8):819-833.

[7] HARA LICK R M,SHANM UGAM K,NSTEIN I.Textural features for image classification[J].IEEE T rans on Systems,M an and Cybernetics,1973,3(6):610-621.

[8] CONNERS R W,HA RLOW C A.A theoretical comparison of texture algorithms[J].IEEE Trans on Pattern Analysis and M achine Intelligence,1980,2(3):204-222.

[9] THEODORIDIS S,KOU TRO UM BAS K.Pattern recognition[M].New York:Academic Press,1998:35-48.

[10]Q UINLAN J R.C4.5:programs for machine learning[M].San F rancisco,CA:Mo rgan Kaufmann,1993:51-64.

[11]WEIM ING Hu,O U Wu.Recognition of pornographic web pages by classifying texts and images[J].IEEE T rans on Pattern Analy sis and Machine Intelligence,2007,29(6):1019-1034.

[12]LINHUI Jia,KITCHEN L.Object-based image similarity computation using inductive learning of contour-segment relations[J].IEEE Trans on Image Processing,2000,9(1):80-87.