利用圖像信息熵差檢測爐渣碳質量分數

邢超, 張曉明, 趙亞琳, 王昭, 高建民

(1.西安交通大學機械工程學院, 710049, 西安; 2.陜西省特種設備檢驗檢測研究院, 710048, 西安;3.西安交通大學機械制造系統工程國家重點實驗室, 710049, 西安)

燃煤工業鍋爐是生產、生活中最常見的耗能設備,每年消耗標準煤約4億t,約占全國煤炭消耗總量的1/4左右,然而目前國內鍋爐熱效率低于國際先進水平15%左右[1]。開展鍋爐能效測試,推動企業提高節能減排增效,是實現可持續發展的重要途徑[2]。其中,對爐渣碳質量分數進行快速準確地檢測,有助于實時掌握鍋爐燃燒工況并及時進行相應調整,既可以提高能源利用率,又為進一步實現燃煤鍋爐的自動控制奠定基礎。

目前,鍋爐爐渣碳質量分數檢測方法較多,灼燒失重法[3]作為國家標準檢測方法較為常用,將爐渣和飛灰燒失質量所占比例作為爐渣的碳質量分數。這種離線方法檢測爐渣碳質量分數能夠保證檢測精度較高,但該方法耗時長,無法實現爐渣碳質量分數的快速或在線檢測。Pan等利用激光誘導離解光譜儀定量分析飛灰碳質量分數[4],所測結果與灼燒失重法平均誤差小于0.1%,但其對周圍氣壓變化較為敏感[5]。微波測碳法[6]經研究得出,微波能量被爐渣粉吸收的程度與爐渣碳質量分數相關。付玉存建立了煤煙中飛灰碳質量分數與微波衰減及相位之間的關系模型[7],由此得到飛灰碳質量分數,得到檢測結果的平均誤差小于1%,該方法雖然檢測速度較快,但當煤質不同時,關系模型系數發生變化,檢測結果受到影響,而且針對爐渣而言,爐渣密度的均勻性也會影響爐渣碳質量分數檢測準確性。徐賽坤以SLR-ANFIS方法建立出水溫度、爐膛溫度等自變量與燃煤鍋爐灰渣碳質量分數的非線性測量模型,與灼燒失重法相比平均誤差為5.2%,能夠實現碳質量分數的在線測量,但精度有待提高[8]。

除上述檢測技術外,為了實現快速實時檢測,也出現了少數基于機器視覺的檢測方法。周昊等通過圖像處理得到灰渣厚度信息以探究煤結渣問題[9]。付欽學通過灰度閾值將圖像二值化后分為未完全燃燒碳與灰分兩部分,利用未完全燃燒碳部分在總像素中的占比衡量碳質量分數,但是灰度圖像易受光照環境影響,自適應閾值隨之發生變化,導致結果不穩定,因此圖像需在特定環境中獲取[10]。

從視覺上看,爐渣圖像一般表現為信息雜亂分散,分析其統計特性正是反映圖像此類特征的一種方式。圖像信息熵反映了圖像某種特征的統計特性,是衡量圖像信息豐富程度的一個重要指標。本文基于機器視覺技術,通過研究,提出一種利用圖像信息熵差檢測爐渣碳質量分數的方法,實現快速準確的檢測的目的,并且無需在特定光照環境下獲取圖像,適用于不同環境中的爐渣檢測。

1 檢測方法與原理

基于機器視覺的爐渣碳質量分數檢測方法首先要獲得爐渣樣本圖像,對圖像信息進行處理,建立圖像信息與爐渣碳質量分數之間的關系模型,再根據此模型得到待測爐渣碳質量分數。

1.1 圖像采集

同一物體在不同的光照環境下拍攝的灰度圖像具有一定的差異,為避免由此造成的檢測結果誤差,本文提出了一種利用參考物來消除環境光照影響的方法。方法對環境光不作特定要求,在任意光照條件下,調節相機參數,只要有足夠的照度,對爐渣樣品和參考物分別采集圖像,在后續圖像處理中消除背景光的影響。

另外,由于經過噴水結塊原始爐渣粒度大小不均,導致采集到的圖像中關于碳質量分數信息不完整,從而很難建立圖像信息與碳質量分數關系模型。本文在爐渣排出后對其進行烘干、粉碎預處理后再進行拍攝,圖像采集裝置如圖1所示。

圖1 爐渣圖像采集裝置示意圖

1.2 爐渣碳質量分數與圖像關系模型

1.2.1 信息熵概念 熵的概念于1865年由德國物理學家克勞修斯提出,最初被應用于熱力學中,是衡量一個系統能量轉換后的狀態數,即不確定程度,狀態數越大熵值越大。1948年香農提出了信息熵的概念,從平均意義上反映信息的統計特性,定義為自信息量的期望E(I(xi)),其中自信息量I(xi)指某一信源發出某一消息信號所含有的信息量,數值上定義為該事件發生概率的對數的負值[11]。對于灰度圖像來說,圖像信息熵即反映了圖像灰度的統計特性。圖像信息熵[12]的表達式為

式中:L為圖像的最大灰度級;p(i)為圖像中灰度為i的像素概率。

假設,已知圖像自信息量分別為I(xi)、J(xi),由信息量及期望的可加性,得

E(W(xi))=E(I(xi)+J(xi))=

E(I(xi))+E(J(xi))

(2)

那么可知,圖像信息熵同樣具有可加性。

1.2.2 利用信息熵差消除環境光照的影響 在同一光照環境下,如果爐渣的碳質量分數不同,獲得的圖像灰度分布不同。圖2為相同環境下不同碳質量分數的爐渣圖像,圖像中爐渣碳質量分數是通過灼燒失重法檢測得到的。碳質量分數不同,圖像信息雜亂程度不同,對應的圖像信息熵也隨之改變[13],因此可以利用圖像信息熵反映爐渣碳質量分數的變化。

(a)w(C)=0% (b)w(C)=14.87% (c)w(C)=37.90%圖2 不同碳質量分數的爐渣圖像

若沒有人為設定的拍攝環境,爐渣碳質量分數在線檢測總會受到光照環境的影響,這里通過設置不同的相機曝光時間模擬光照環境變化。灼燒失重法所測得的爐渣樣本碳質量分數變化范圍為0%～50%,將相同的樣本采集圖像后,計算各自的信息熵。

圖3反映了不同相機曝光時間下信息熵隨著碳質量分數的變化趨勢。從中可以看出:每一種光照環境下信息熵都隨爐渣碳質量分數的增加而減小,這是由于碳質量分數越小,圖像灰度范圍越大,雜亂程度越劇烈,相應地信息熵就越大;對于同一爐渣樣本,曝光時間增加,圖像信息熵值也隨之增加。這說明信息熵雖然可以反映爐渣碳質量分數的大小,但是也容易受到光照環境的影響,對于碳質量分數的在線或實時檢測是不利的。因此,為保證獲得準確的碳質量分數預測結果,需要消除光照環境不同所帶來的影響。

圖3 不同曝光時間圖像信息熵與爐渣碳質量分數的關系

從1.2.1小節可知信息熵具有可加性,那么可以考慮通過此性質消除由于不同光照環境的影響而導致的圖像信息變化。假設在某一光照環境下,首先拍攝一幅爐渣圖像,此圖像中包含了爐渣受光照環境影響的信息,然后在與爐渣相同位置處拍攝一幅參考物圖像,此圖像中包含了該參考物受相同光照環境影響的信息。由于信息熵的可加性,將二者圖像相同區域的信息熵作差,所得到的即為消除此光照環境后的信息熵。如此,無論光照環境如何變化,僅需在同一位置引入參考物圖像的信息熵,得到爐渣圖像與參考物圖像的信息熵差,即可消除環境光不同造成的影響。本文中參考物選用一張平整潔凈并具有漫反射特性的白紙。圖4為同一光照環境下某一爐渣圖像及參考物圖像。

(a)爐渣樣本圖像 (b)參考物圖像 圖4 某爐渣樣本圖像及參考物圖像

對于上述相同爐渣樣本,在引入參考物圖像信息熵后,可得到不同光照環境下的爐渣圖像信息熵差隨爐渣碳質量分數變化趨勢,如圖5所示。與圖3對比可以看出,同一光照環境下,爐渣信息熵差隨爐渣碳質量分數的變化趨勢仍然相同,不同的是,對于不同光照環境下,同一爐渣樣本的圖像信息熵差相差不大,這說明了引入參考圖像信息熵可以一定程度消除不同環境光照的影響。

圖5 不同曝光時間圖像信息熵差與爐渣碳質量分數的關系

1.2.3 建立爐渣碳質量分數與圖像關系模型 如果找到圖像信息熵差與爐渣碳質量分數之間的變化規律,那么可以通過圖像信息熵差預測爐渣碳質量分數的大小。根據上節得到的圖像信息熵差隨爐渣碳質量分數變化趨勢,可假設關系模型為多項式曲線函數,定義為

Δh=a0+a1w+a2w2+…+akwk

(3)

式中:Δh為爐渣圖像信息熵差,這里可采用不同曝光時間下的信息熵差均值;w為灼燒失重法得到的碳質量分數值;a0,a1,…,ak為k次多項式系數。該關系模型的可靠性依賴于爐渣樣本的數量、碳質量分數的準確性以及碳質量分數的變化均勻度。利用灼燒失重法測得的樣本碳質量分數經過最小二乘法擬合得到各項系數,最終信息熵差當w(c)的具體關系式為

Δh=-4.357×10-5w3+0.004 6w2-

0.185 1w+1.659

(4)

將式(4)函數曲線繪制成圖形,如圖6所示。

圖6 爐渣圖像信息熵差與碳質量分數的關系

為了衡量上述關系曲線式(4)的優劣,通常采用擬合度相關統計量來評價:包括誤差平方和、均方根誤差,二者越接近0越好;式(4)的確定系數越接近1越好。對應在本模型中,誤差平方和、均方根誤差、方程的確定系數分別為0.248 6、0.128 7、0.989 4,說明模型選擇3次多項式擬合所得到的結果較好。

2 實驗結果與分析

在自然光照條件下,對鍋爐爐渣通過烘干、研磨裝置預處理,保證爐渣粉碎顆粒在2 mm以內,平鋪于爐渣圖像采集裝置中,采集爐渣圖像以及參考物圖像。由于本文方法能夠消除環境光照影響,因此對相機參數要求并不嚴格,實驗所用相機為德國SVS evo8051MFLGEA工業相機,分辨率為3 296×2 472像素,為保證圖像質量不過曝或過暗,光圈大小、曝光時間適中,即光圈值為5.6,曝光時間為84.630 ms。截取至少兩個不同區域的待測爐渣及參考物圖像像素,分析爐渣及參考物圖像的信息熵差,取平均值。通過已建立的爐渣圖像信息熵差與爐渣碳質量分數之間的關系模型,得到該爐渣碳質量分數結果,整體檢測流程如圖7所示。

圖7 爐渣碳質量分數檢測流程示意圖

在此實驗中,不僅對比了本文方法與已有基于圖像處理檢測方法在不同光照環境影響下的檢測結果,而且將本方法的檢測結果同灼燒失重法檢測結果進行了準確度比較。

2.1 與現有基于圖像處理的檢測方法對比

本文方法與目前已有的基于圖像處理的方法如灰度圖法、二值化方法加以對比,同時也引用參考物法消除背景光。圖8為引入本文相同參考物后得到的灰度差與爐渣碳質量分數的變化趨勢,從中可以看出,灰度差與碳質量分數為遞增關系,但是當光照環境改變后,灰度差也發生變化,受環境光影響比較大。通過自適應閥值法對爐渣灰度圖像進行二值化后[14],得到的二值化閾值與爐渣碳質量分數的變化關系見圖9。從圖中可以看出,二值化閥值與爐渣碳質量分數呈現不顯著的遞減關系,同時也存在著對光照環境敏感的現象,說明二值化方法不能較好地反映碳質量分數變化情況。與圖5相比,顯然以上兩種方法都沒有本文提出的方法效果好。

圖8 灰度差與爐渣碳質量分數的關系

圖9 二值化閾值與爐渣碳質量分數的變化關系圖

2.2 與灼燒失重法對比

同灼燒失重法比較,利用所建立的關系模型以及待測爐渣樣本對本文方法的準確性加以檢驗。按著《飛灰和爐渣的樣品采集和制備》[15]標準得到若干待測樣本,利用灼燒失重法得到較準確的碳質量分數,由于灼燒時間的影響,完全檢測一個樣本時間約若干小時。采用前面所述方法在室內自然光環境下采集爐渣圖像以及相應參考物圖像,計算二者信息熵差值,再利用本文1.2.3小節建立的關系模型,反推出待測爐渣樣本的碳質量分數分別為3.03%、10.9%、21.68%、33.99%、43.02%,整個檢測過程僅需幾分鐘。如表1所示,利用本文方法與灼燒失重法的檢測w(C)的平均誤差在1.09%,滿足爐渣碳質量分數檢測領域的精度要求,由此驗證了本論文檢測方法的相對準確性。

表1 待測爐渣碳質量分數的檢測結果對比

3 結 論

本文基于機器視覺技術,研究了一種快速準確的燃煤工業鍋爐爐渣碳質量分數實時在線檢測的方法。其中,以爐渣圖像及參考圖像的信息熵差作為評價指標,建立其與爐渣碳質量分數之間的關系模型,實現待測爐渣碳質量分數的檢測。本文方法檢測結果能夠滿足目前爐渣碳質量分數的檢測精度,并且適用于不同的光照環境檢測,對實時了解鍋爐燃燒工況及實現鍋爐燃燒的自動化控制具有重要的使用價值。