一種基于火焰圖像模式識別的陶瓷梭式窯溫度智能檢測方法

朱永紅，蔣 超，王俊祥

(景德鎮陶瓷大學 機械與電子工程學院，江西 景德鎮 333403)

0 引 言

陶瓷梭式窯是陶瓷產業中應用廣泛的一種現代間歇式窯爐，窯室和窯車為其主要的組成部分。其不僅可以用作主要的生產燒成設備，也適用于小批量多品種的生產，而且作為輔助燒成設備可應用于產品的重燒與新產品試驗的生產使用。目前，陶瓷梭式窯燒成帶工況檢測大多采用熱電偶加人工觀火的方法。使用熱電偶的方法對窯爐燒成帶溫度測量僅能測量某一部分測量點的溫度，精度不很高，并且不能測量整體窯爐內部溫度變化。而“人工觀火”是通過有經驗的操作人員觀察火焰的顏色變化判斷窯爐內陶瓷燒結狀況，從而調節燃氣的閥門數量來控制窯爐溫度，是陶瓷梭式窯燒成狀態判斷的主要輔助方法，但操作人員勞動強度大。

隨著 20 世紀 70 年代CCD攝像機的快速發展，基于圖像識別的方法廣泛應用于早期火災火焰檢測[1-3]，衛生陶瓷缺陷檢測[4-6]，農作物病害圖像診斷[7-8]，人臉識別[9-11]等方面。在早期火災火焰檢測方面運用顏色特征來提取火焰輪廓的描述識別早期火災的火焰圖像，對于存在缺陷的衛生陶瓷采用灰色聚類的顏色特征提取缺陷后識別缺陷陶瓷圖像，在農作物病害圖像識別中采取紋理特征表達黃瓜病害葉片圖像識別病害葉片的病斑類別，人臉圖像識別則是對面部圖像獲得LBP(局部二值模型)紋理特征判斷人臉信息?；谝陨涎芯砍晒⑨槍δ壳疤沾伤笫礁G燃燒帶溫度檢測存在的問題，本文擬提出一種基于火焰圖像模式識別的陶瓷梭式窯燒成帶溫度智能檢測方法以提高燒成帶溫度檢測的智能化程度。至目前為止，該種方法的研究尚未見諸報道。該方法有利于實現陶瓷梭式窯的智能控制，為陶瓷梭式窯的燒成帶溫度智能檢測和識別提供一種新途徑和新方法。

1 火焰圖像處理

對CCD采集的火焰圖像進行識別前需要將獲取的圖像進行預處理，由于獲得的原始圖像往往包含各種各樣的噪聲，為了防止其造成干擾，因而首先應對獲得的圖像進行去噪、濾波等預處理，緊接著提取其顏色特征和紋理特征構成特征向量(該特征向量代表一幅火焰圖像)。

1.1 圖像預處理

對圖像預處理的目的主要是為了提高圖像的數據準確度，使得圖像更準確地用于計算機處理。中值濾波較好地克服線性濾波器在處理圖像時帶來的一系列圖像細節模糊的缺點，隨機干擾和脈沖干擾也將得到明顯減少。中值濾波的基本原理是對采樣得到的鄰域灰度值先進行大小排序然后取得這些像素點灰度值的中值作為該處像素點的灰度值。中值濾波算法的實現步驟主要有如下兩步：(1)將圖像中的某個采樣窗口中的奇數灰度值進行從大到小排序；(2)用排序結果中的中值代替要處理的灰度值。

如圖1所示，(a)為陶瓷梭式窯燒成帶有噪聲的原始火焰圖像，(b)為經中值濾波后的火焰圖像，顯然其紋理邊緣呈現較清晰，一定程度上去除了噪聲的干擾。

1.2 特征的提取與選擇

特征提取的結果強烈地影響到分類器的設計及其性能，進而直接影響其識別的分類效果和識別率。如果不用類別樣品特征差別比較大，那么就比較容易設計出高性能分類器。因此，特征選擇是模式識別中的關鍵問題。特征提取的目的是為了獲得一個長度為n的向量P{x1，x2，…xn}。表示原始圖像的特征向量應具備以下兩個特征：(1)相似圖像的特征向量也相似。當圖像差距很大時，得到的特征向量的距離較大，即特征向量必須能夠代表這一圖像模式。(2)向量的長度n盡量小，盡量不包含對分類來說沒有作用的分量，以有效地進行分類并減少計算量。常用的圖像特征包括紋理特征、顏色特征、形狀特征、空間關系特征等。本文對窯爐火焰圖像識別的特征提取采用顏色特征和紋理特征相結合的方法。

(1)顏色特征

顏色特征是在圖像中最為廣泛的視覺特征之一，主要原因是顏色往往與圖像中所包含的對象或場景有關。在許多情況下，顏色特征是最簡單和有效的圖像描述。常見的顏色特征主要的表達方法有顏色矩、直方圖、累計直方圖、顏色聚合向量等。顏色矩采用線性代數中矩的概念，將圖像中的顏色分布用矩的形式表示，是一種簡單有效的顏色特征表達方法。利用顏色一階矩(均值)、顏色二階矩(方差)和顏色三階矩(偏斜度)來描述顏色分布。與顏色直方圖相比顏色矩對圖像描述無需量化圖像特征。顏色信息主要分布在低階矩中，即用一階矩，二階矩和三階矩足已有效地表示圖像中的顏色分布，顏色矩的三個低階矩的數學表達式為：

圖1 濾波前后火焰圖像對比Fig.1 The comparison of fl ame images before and after fi ltering

其中，hij表示彩色圖像第i個顏色通道分量中第j個像素的值，n表示圖像中的像素個數。

使用顏色矩來描述顏色特征將會降低維數而無需對顏色量化。用每個顏色分量加上 3 個低階矩，即 9 個分量來表示一幅圖像，這樣表示的好處在于和其他顏色特征比較相對簡潔，節省了計算的時間。

將一幅火焰圖像由 RGB 空間轉換至L*a*b*空間之后，火焰圖像顏色信息不再是r、g、b三基色值而是L*、a*、b*三通道分量數值，根據上式即可計算L*a*b*分量的三個低階矩。用它們來表示這幅圖像的顏色特征。這樣圖像庫中每幅圖像的顏色特征均由 9個數值表示。計算顏色矩的流程步驟如圖2所示。

圖像的三個分量L*、a*、b*的前三階顏色矩組成一個9維向量，即火焰圖像的顏色特征表示如下：

顏色矩并未考慮圖像像素的空間位置關系，分辨能力不夠高。因此，與其它特征結合起來對火焰圖像的識別將起到更好效果。

(2)紋理特征

灰度共生矩陣算法是紋理特征統計法的代表算法，特點是原理簡潔、便于與其他算法組合使用、廣泛地用于紋理特征的描述。因而，自提出以來受到廣泛的關注。以灰度共生矩陣方法為基礎的紋理描述是基于在紋理中重復出現的某個灰度級結構的概率。這種結構在精細紋理隨著距離而迅速變化，而在粗糙的紋理中則變化緩慢。

以灰度共生矩陣為基礎，目前對紋理進行描述的紋理特征值共有14種。雖然這些紋理特征值可以對紋理的某一方面進行描述，但其描述能力不高。在實際應用中，考慮計算效率方面的情況，一般不將所有的數據都計算和提取出來。為此只找出部分描述紋理能力較強的參數數據，為后面的工作做準備。14個紋理特征值中有4個特征值對于紋理的描述效果尤為突出，它們分別是角二階矩、對比度、熵和逆差矩。用4個特征值來描述火焰圖像的紋理時，不但能夠確保對紋理描述的全面性與準確性，而且還能減少計算量，無需同時計算14個不同的特征值。本文提取了灰度共生矩陣的 4個二階統計量作為紋理特征，分別為角二階矩、對比度、反差分矩、熵。

假設共生矩陣在點(i, j)的數值為P(i, j)，矩陣元素數目為M，則該點代表的灰度對在圖像中出現的概率為p(i, j)，其計算公式如下。

而各紋理特征值的數學表達式如下：

(1)角二階矩

(2)對比度

(3)反差分矩

(4)熵

四個紋理特征分量組成一個4維向量，即火焰圖像的紋理特征表示如下：

將基于L*a*b*顏色空間的9個顏色矩特征值與以灰度共生矩陣為基礎的4個紋理特征值相結合構成一個特征向量，其長度為13，可用該特征向量代表每一幅火焰圖像。

圖2 顏色矩計算過程Fig.2 Color moment calculation process

2 基于火焰圖像模式識別的溫度檢測方法

我們對江西景德鎮某瓷廠的陶瓷梭式窯利用工業相機進行拍照獲取火焰圖像樣本，根據熱電偶測量爐內溫度，將爐內溫度從800 ℃開始，每隔一定溫度拍下一張窯爐內部火焰圖象以BMP格式保存，直至1300 ℃結束拍照。共攝取10張火焰圖像即得到10組溫度值大致等差的圖象樣本。再采用比色測溫法測量樣本圖像的溫度值，形成火焰圖像與溫度的關系綜合數據庫。然后對攝取的陶瓷窯爐火焰圖像進行訓練,所得的分類器對訓練樣本進行分類，分類結果依據綜合數據庫得到陶瓷窯爐溫度。由于熱電偶靈敏度比較低，容易受到環境的信號干擾，長久的使用后其性能也會有所下降。所以這里采用比色測溫原理給出火焰圖像的溫度值。

2.1 比色測溫法

根據可見光圖像的灰度值與高溫輻射體的溫度之間的關系，得到

式中， A為CCD輸出電流和圖像灰度值之間的轉換系數, t為曝光時間，μ為光電轉換系數， (2a/f)為相對孔徑，k為CCD光學系統透過率，c1，c2為第一、第二輻射常數，ε(λ, T)為輻射體的黑度系數，λ為輻射電磁波波長，T為溫度，T(λ)為光譜響應特性函數。

若將CCD攝像頭前的窄帶濾波器看成是沖擊函數，則由式(9)得

用輻射測溫中的比色測溫法，將上式兩兩相除，得

將式(13)除以式(14)，并將等式兩邊取對數，得

通過CCD采集火焰圖像，經過預處理提取目標圖像的R、G、B通道分量。下表為部分火焰圖像的R、G、B通道分量及對應溫度值。

這樣，通過采用比色測溫法給出目標圖像的溫度值，再與火焰圖像處理對應的特征進行數據融合，得到窯爐火焰圖像特征與溫度準確對應關系的綜合數據庫。

2.2 概率神經網絡建模

概率神經網絡融合了貝葉斯決策理論和密度函數估計，是一種徑向基函數神經網絡。具有訓練容易，收斂速度短，結構簡單固定，應用廣泛的特點，特別適合識別問題。概率神經網絡形成的分類器具有較高準確程度，能夠在一定噪聲情況下獲得令人滿意的準確度。另外，由于概率神經網絡沒有類似BP網絡那樣的訓練過程，只需要建立網絡的時間，故效率大大提高。

概率神經網絡結構如圖3所示。從圖中可以看出該網絡主要包含四層，它們分別是輸入層、隱含層、求和層和輸出層。

表1 R、G、B值及對應溫度值Tab.1 R, G, B values and their corresponding temperatures

圖3 概率神經網絡結構Fig.3 Probabilistic neural network structure

圖4 概率神經網絡建模Fig.4 Probabilistic neural network modeling

概率神經網絡中輸入層訓練樣本記為X = (x1，x2，…，xN)T，其神經元個數和輸入樣本向量長度相等,她的功能為接受來自訓練樣本的值并將數據傳送到隱含層。隱含層為徑向基層，該層接收輸入層的樣本輸入，每一個隱含層的神經元節點擁有一個中心，計算輸入向量與中心的距離，最后返回一個標量值，神經元個數與輸入樣本個數相同。向量x輸入到隱含層，隱含層中第i類模式的第j神經元確定的輸入/輸出關系由式(16)定義。

其中，xij為第i類樣本的第j個中心(i = 1，2，…，N，N為訓練樣本中的總類數)d為樣本空間數據的維數，σ為平滑參數。

求和層的功能就是將隱含層中同一類隱含神經元的輸出做加權和Si，計算式子如下。

其中，Si表示第i類類別的輸出，L表示第i類的神經元個數，ωij表示混合權重。注意，求和層的神經元個數與類別數N相同。ωij計算式子如下。

在輸出層中，取求和層中最大的一個作為輸出層的類別輸出，輸出計算式子如下。

為了實驗，現構造一個概率神經網絡分類器。輸入向量為特征向量，其長度為13，因而輸入層有13個神經元。第二層隱含層神經元節點數選取為40個，那么能處理圖像特征樣本40個(將10組樣本圖像旋轉4個角度)。第三層求和層采用10個神經元節點進行分類。輸出層包含一個神經元，取求和層中最大的一個作為類別輸出，輸出的類別是以向量的形式給出的。例如共有10個類別，則第4類的向量表示形式為[0,0,0,1,0,0,0,0,0,0,]T。構造的概率神經網絡結構如圖4所示。

將所有拍攝的陶瓷窯爐火焰圖像數據讀入，先進行中值濾波，然后對每一幅火焰圖像提取特征，最后通過概率神經網絡建模，對數據實現分類。陶瓷梭式窯火焰圖像識別流程，如圖5所示。

3 實驗實現與結果分析

同樣環境下，待陶瓷梭式窯內部溫度穩定時，攝取窯爐內部火焰圖像，將圖像作為測試樣本檢驗不同特征提取方法訓練后網絡的識別能力。

圖5 陶瓷梭式窯火焰圖像識別流程Fig.5 Modeling of ceramic shuttle kiln fl ame image recognition

表2 不同特征提取方法的識別率Tab.2 Recognition rates of different feature extraction methods

從表2中可以看出，單獨使用顏色特征識別準確率較低，而且沒有考慮圖像像素的空間位置關系，分辨能力不夠高。單獨使用紋理特征處理速度比較快，但紋理特征容易受噪聲影響，識別率也不高，造成識別率并不理想的原因在于樣本數量少。顏色特征與紋理特征相結合的方法比單獨使用顏色特征或單獨使用紋理特征的效果好，對火焰圖像的識別達到了較為理想的分類準確率，分類正確率可達97.5%，以上結果充分表明采用顏色特征+紋理特征相結合的方法所得的特征向量能有效地表征所提取的火焰圖像并能較準確地區分不同類別的圖像，獲得了好的效果。因此，可以采用顏色特征+紋理特征的特征提取方法進行火焰圖像識別后參照綜合數據庫得到對應的溫度值。

4 結 論

陶瓷梭式窯是一種常用的間歇式陶瓷產品生產窯爐，其燒成帶溫度檢測方法與陶瓷產品生產質量息息相關。本文針對陶瓷梭式窯燒成帶溫度檢測提出一種通過火焰圖像識別來確定燒成帶溫度的優化檢測方法。本方法基于火焰圖像處理技術和模式識別方法處理被攝取的火焰圖像，利用L*a*b*顏色空間和灰度共生矩陣提取火焰圖像的顏色特征和紋理特征構成特征向量,并將特征向量輸入到概率神經網絡進行識別分類，然后利用溫度信息數據與火焰圖像得到的綜合數據庫來確定火焰圖像對應的溫度值從而識別陶瓷窯爐燒成帶溫度。最后，利用該方法對陶瓷梭式窯燒成帶溫度檢測進行了實驗，取得了較好的效果。這些結果將為陶瓷梭式窯溫度智能檢測提供一種新途徑和新方法。