基于對照區設置的結化霜曲線去除霧噪聲的方法實現

譚澤漢

(珠海格力電器股份有限公司,廣東 珠海 519070)

基于對照區設置的結化霜曲線去除霧噪聲的方法實現

譚澤漢

(珠海格力電器股份有限公司,廣東 珠海 519070)

以空調結霜、化霜的視頻為研究對象，基于畫面灰度特征變化，獲取結化霜過程的時序監控數據；然后，重點研究了含霧氣噪聲時序數據的平滑問題；提出一種通過設置同步采樣的對照區的方法，監測霧氣出現與消退的動態變化，用以識別定位霧氣的存在區間；再基于線性內插值方法，對結化霜時序曲線的相關區間數據進行差值重構，實現濾除霧氣噪聲同時不影響無噪聲數據質量的目標；最后給出本方法適用的一些條件；實驗表明，基于對照區設置的方法能夠對霧氣干擾取得很好的曲線平滑效果；且這個方法的實現原理簡單，對數據曲線的消噪平滑效果比較好，在曲線平滑應用領域可以有一定的應用空間。

對照設置；時序數據平滑；空調結化霜；線性內插值

0 引言

圖像識別和機器視覺在工業中應用比較廣泛，但在空調實驗室中的應用案例較少。本文介紹實驗室中自動記錄觀察空調化霜過程數據的思路，并詳細介紹了如何解決化霜過程中產生的霧氣對實驗曲線的方法。

1 研究意義與現狀

針對空調結化霜過程分析問題，傳統方法依靠實驗員的視頻回放。這種方法強烈依賴實驗員的個人經驗，而且不易獲取支持分析結論的數據論據。此外，人工回看視頻的方法，也會導致分析判斷缺乏全局對照性。為解決上述問題，同時便于進行結化霜的自動分析，需要將監控的過程視頻轉換成二維時序數據。這在提高分析效率、減少可程式化處理的重復工作等方面，具有重要的研究意義。

由圖1可見，空調外機結化霜過程的霜變化，伴隨著強烈的灰度變化。據此可依據監控目標區域的灰度變化，形成二維時序監控數據；通過二維曲線，反映空調外機的結化霜過程。但在高低溫實驗中，為保證結化霜實驗的順利進行，需要隔一段時間就進行一次水汽補充；此外，實驗員還需要經常進出現場，進行其它相關數據的采集與檢測。因此，由于溫度的差異與突變，水汽容易形成霧氣(如圖2所示)。霧氣導致了圖像的灰度異變[1]，影響正常結化霜過程的視頻呈像。

圖1 結化霜過程霜變化示例圖

圖2 有霧氣噪聲干擾的圖像

關于離散數據的平滑問題，胡昌林等[2]通過自適應移動平均，進行數據的平滑。但是移動平均更適合對脈沖數據噪聲進行平滑處理。劉詠梅等[3]基于非線性最小二乘實現單峰曲線的平滑處理。最小二乘通過不同多項式組合達到不同的濾波效果。因此本方法只適合對數據進行擬合，明顯的區間噪聲無法得到很好地處理。司禎禎[4]通過極大極小值原則選擇閾值，基于傅里葉變換與小波變換，實現高頻含噪信號的去噪。

插值操作具有良好的保形特性[5]、收斂性、穩定性[6]，常用于離散數據及缺損數據的近似估計與推斷。

2 二維時序數據去除霧噪聲的實現

2.1 需求分析

環境霧氣的特征有兩點：(1)霧氣從出現到消散，會持續一定時長；(2)實驗過程中，各霧氣段的濃度峰值一定有較大值，而不是人眼難辨的薄霧。對二維時序數據的生成而言，環境霧氣引入了不必要、但又不可避免的數據干擾噪聲。圖3展示的二維監控數據，是從一結化霜過程視頻直接轉換而來的。可以容易看出，圖像曲線中存在著系列尖峰狀的霧氣突變噪聲，紅線圈標示。此外，在不同監控視頻形成的二維時序曲線中，這種噪聲有時會表現得非常劇烈，如圖4所示。對基于二維時序數據的相關自動分析而言，這些數據噪聲的存在是不利的，需要考慮對噪聲曲線的合理平滑實現。

圖3 二維時序監控數據曲線

圖4 劇烈噪聲的二維時序數據曲線

正常情況下，化霜階段與結霜階段的灰度變化，都是比較劇烈的。霧氣噪聲在升降階段的變化，可能與正常的二維時序曲線具有較大的易混淆性；不同實驗視頻的霧氣狀況，有較大的差異；霧氣的出現及分布，不具備可循的周期性。通過傅里葉變換或者經驗模態分解[7]去除高頻噪聲，在二維時序數據平滑去噪的同時，會影響到正常的結化霜過程(尤其是化霜過程)。因此這兩種處理方法，在本問題上并不適用。此外，工程上要求數據去噪平滑處理，不可改變結化霜過程起止點的采樣位置及高度位置。

設置對照的思想，實現原理簡單、在實驗與工程實踐中應用廣泛。由于視頻畫面本身具備同步對照的條件，因此可通過設置對照區域，用以對霧氣的出現區間進行識別與定位。然后返回到主監控曲線，對相關區段的二維時序數據進行去霧平滑處理。圖5中的邊框為已確定的主監控區域，深色邊框為人工選定的對照監控區域。

圖5 主監控區域與對照區域設置

對照區域應選擇色差對比明顯的、平穩的環境區域。即在監控過程的視頻當中，對照區域應當只受霧氣噪聲影響，而且其灰度變化能夠對霧氣波動敏感。

2.2 功能實現算法與功能偽代碼

2.2.1 算法流程圖

本文的算法實現如圖6所示。

圖6 實現流程圖

2.2.2 主要功能的實現偽代碼

(1)霧噪聲區間粗定位與精定位的實現偽代碼如下：

輸入：對照區域同步監控數據ctlData；

調整：將ctlData在0～100范圍內縮放；

計算：算得ctlData的一階差分ctlFod；

IF ：ctlFod的方差<平穩性判斷閾值

認為無霧，跳出函數；

Else：

計算霧氣存在判定閾值fogTh = 0.99 * max(ctlFod)，

計算粗定位結果coastPos =(ctlData >= fogTh)；

依據0->1的跳變，確定霧區間粗定位的位置起點cstSap；依據1->0的跳變，確定霧區間粗定位的位置止點cstSpp，

以cstSap為起點，向左查找最近鄰的局部極小值點，作為對應霧區間精定位的位置起點finSap；以cstSpp為起點，向右側查找最近鄰的局部極小值點，作為對應霧區間精定位的位置止點finSpp。

說明：本研究設定的“平穩性判斷閾值”為2.0，統計得到。

(2)霧區間數據線性內插重構的實現偽代碼如下：

定位：依據finSap和finSpp，定位主監控曲線的相關區間，獲取區間邊界對點(bgp，spp)；

插值：針對每個點對(bgp，spp)的各采樣位置，進行線性內插的數據重構，得到監控數據的去霧平滑結果mntDar。

2.3 霧噪聲區間識別與定位實現與分析

本功能基于對照區設置及同步采樣進行實現。其中，目標監控區域主要用以檢測記錄機箱區域的結化霜狀況，但不可避免含有霧氣等噪聲的干擾；對照區域應當選擇相對平穩的區域，因此可通過對照監控區域檢測記錄霧氣的出現和消退。

2.3.1 同步監控主監控區域與對照監控區域

通過同步監控采樣對照區域與主監控區域，可實現對照曲線與主監控曲線霧氣出現區間的準確對位，便于對主監控曲線相應霧區間的平滑去噪。得到的監控結果如圖7所示。為突出霧噪聲分布情況，圖中已對直接監控數據進行[0,100]范圍內的數據放大處理。可以看出，霧氣噪聲會呈現出顯著的抬升變化。

圖7 對照區域同步監控曲線

2.3.2 霧氣區間的粗定位與精定位

以對照曲線為研究對象，進行霧氣區間的粗、精定位操作。粗定位用以實現對突變區間的粗略定位；精定位用以對粗定位的結果進行恰當的延拓調整。通過精定位處理，可避免霧氣區間寬度識別的不充分問題，進而提高曲線去除霧氣噪聲的有效性。

以最大值(這里為100)的99%作為閾值，對霧氣噪聲區間進行篩選，可對霧氣區間出現位置實現粗定位。粗定位結果如圖8所示。

圖8 霧氣區間粗定位結果

不難理解，由于篩選閾值設定的原因，霧氣出現區間的粗定位結果，一定是比實際持續區間更狹窄。即實際區間的開始位置應當比粗定位結果提前，結束位置應當比粗定位結果滯后。

結化霜實驗中，單個霧氣過程的出現及消退是單調變化的。在同一霧氣區間，不會出現變濃變淡的反復；換言之，在每個霧氣過程的峰值兩側，是相對單調下降的。因此，基于霧氣變化具有單調性的物理特點，可考慮通過識別局部極小值點，對霧氣出現區間粗定位結果的精定位拓展。

本算法依次以粗定位區間的左右端點為延拓起點，向粗定位區間的外側進行延拓。延拓終止位置的判斷依據：是否出現局部極小值，將遇到的第一個局部極小值點作為精定位后的區間端點。本研究中，通過一個大小為3的向量模板，確定局部極小值。確定判據為：當滿足Gm

圖9 基于局部極小值的精定位拓展示意

關于向量模板尺寸的設置，需要依據數據本身的平穩性進行選擇。如果數據平穩性比較好，則大小可以設置為3；但如果數據的平穩性較差，則應適度拓寬模板尺寸大小，比如選擇5,11等。為方便鎖定判斷鄰域的中心，模板尺寸一定要選擇奇數。

經過區間延拓后得到的霧氣區間識別結果，如圖10所示。其中，藍線反映的是霧氣區間的精定位結果，橙線反映的是霧氣區間的粗定位結果。

圖10 霧氣區間的精定位與粗定位結果比較

對應的粗、精定位區間邊界值數據如表1所示，其中起止點的左、右端點為實際采樣點位置。

結合圖10和表1數據可以看出，通過基于最近鄰局部極小值的精定位處理，外展拓展霧氣區間的定位邊界。即相對合理地校準了霧氣區間的識別定位效果。

表1 粗精定位前后霧氣區間端點變化

2.4 時序數據的插值平滑實現與分析

理想情況下，主監控曲線數據應當為空調外機實際結化霜過程的監控數據。但實際實驗工況中，不含霧氣的曲線段數據為真實結化霜數據，需要完整保留且不應參與數據平滑，這有助于保證后續數據分析的數據真實性需求。霧氣出現區段的數據，則受到霧氣噪聲的干擾而嚴重失真，因此需要對相應區段的數據進行平滑處理。

考慮到過程曲線變動應當具有連續性，本文依據霧氣區間位置對應關系，對同步采樣的結化霜時序數據，進行數據的插值重構，實現曲線平滑的目標。需要注意，插值重構只對相關區間端點間的曲線數據進行。由于本研究對象的數據相對簡單，這里采用線性內插值的方案進行實現。線性內插值的原理如式(1)和式(2)所示：

(1)

yC=k·(xC-xL)+yL

(2)

其中:在當前區間內，k為區間的線性內插斜率，xL、yL分別為區間左邊界橫縱坐標值，xR、yR分別為區間右邊界橫縱坐標值，xC、yC為當前待差值重構點的橫縱坐標值。實際得到的曲線平滑結果，如圖11～12所示。

圖11 圖3的二維時序數據去霧噪聲結果

圖12 圖4的二維時序數據去霧噪聲結果

從圖11～12可以看出，主監控區域的霧氣噪聲得到較好的平滑濾除，同時能夠保證無噪數據的完整性與真實性。對于霧噪聲相對不劇烈、且單調性較好的監控曲線，如圖3所示，其平滑效果就會很理想。

3 結論

本算法基于設置對照區和線性內插方法進行實現。通過分析對照區的時序數據，獲取目標區域噪聲區間的識別與定位；通過線性內插值的方法，對霧噪聲區間的數據重構，實現霧曲線平滑與去噪。本方法的實現原理簡單，對數據曲線的消噪平滑效果比較好。

如果一個問題滿足如下特征，可考慮采用本算法，進行數據噪聲的監測定位與數據曲線的平滑。(1)各段噪聲出現后，都會持續一定的時長，且出現位置不規律、無周期；(2)噪聲數據與目標數據，具有一定的易混淆性(如升降斜率、波動幅度等)；(3)待平滑區間的數據，可通過插值進行平滑重構；(4)數據分析對時間特性要求很高，不允許出現時間特性方面的處理偏差；(5)噪聲的出現與否，可通過參照域進行對位識別與定位。

從測試結果可以看出，對于部分小的霧噪聲，本算法尚無法充分去除。原因在于本算法需要通過設定閾值，來篩選霧氣噪聲的存在區間；閾值設定的大小，會直接影響噪聲容忍度。對該問題，可進行深入研究加以改善。

[1] 胡昌林,王 蕾.一種基礎模糊理論的自適應數據平滑方法[J].現代雷達,2016,38(7):49-51.

[2] 劉詠梅,錢 真,申麗然,等.一種新的非線性曲線平滑方法及在測井曲線識別中的應用[J].模式識別與人工智能,2005,18(4):447-452.

[3] 司禎禎.傅里葉變換與小波變換在信號去噪中的應用[J].電子設計工程,2011,19(4):155-157.

Fog Noise Removing Method of Defrost Curve Based on
Contrast Area Setting

Tan Zehan

(Gree Electric Appliances,Inc.of Zhuhai,Zhuhai 519070, China)

The object of this dissertation is the defrosting video of single air-conditioner. Based on the changes of image gray, frost-defrost process time series data is obtained. Then, fogging noise data smoothing is mainly studied. A method of setting synchronous sampling contrast area is proposed. Contrast region is used to monitor fog’s appearance and dissipation, and then fog existence intervals are recognized and oriented. Based on linear interpolation method, inner data within the relevant intervals of frost curve can be adjusted through interpolated reconstruction. By above means, the fog noise of process data can be removed, and data without fog noise can be unaffected. At last, some applicable conditions are provided. Experiments show that the algorithms based on contrast area setting can obtain good curve smoothing results. The principle of this method is simple, and it has a good effect of filtering and smoothing of the data curve. In the field of curve smoothing, it has some application space.

contrast setting；time series data smoothing；air-conditioner frost and defrost；linear interpolation

2017-02-21；

2017-03-14。

譚澤漢(1975-)，男，山西晉城人，工程碩士，機電工程師，主要從事數據挖掘，機器學習，深度學習方向的研究。

1671-4598(2017)05-0251-04DOI：10.16526/j.cnki.11-4762/tp

TP

A