CN112396101A - 基于火力电厂炉膛火焰电视的智能图像分析与决策方法 - Google Patents

基于火力电厂炉膛火焰电视的智能图像分析与决策方法 Download PDF

Info

Publication number
CN112396101A
CN112396101A CN202011278217.0A CN202011278217A CN112396101A CN 112396101 A CN112396101 A CN 112396101A CN 202011278217 A CN202011278217 A CN 202011278217A CN 112396101 A CN112396101 A CN 112396101A
Authority
CN
China
Prior art keywords
flame
image
hearth
size value
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011278217.0A
Other languages
English (en)
Inventor
朱博迪
崔逸群
刘超飞
毕玉冰
王文庆
邓楠轶
介银娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202011278217.0A priority Critical patent/CN112396101A/zh
Publication of CN112396101A publication Critical patent/CN112396101A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法，包括对炉膛火焰电视图像进行灰度化、去除噪声点、小波变换的图像预处理技术；对图像的边缘检测，以及对火焰图像的特征值提取、识别技术；对得到的火焰图像数据利用K‑means算法进行聚类，对得到的聚类标准簇进行经验分类，最后得出此时火焰状态与实时分析。

Description

基于火力电厂炉膛火焰电视的智能图像分析与决策方法
技术领域
本发明涉及图像处理领域和图像识别技术领域，具体涉及一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法。
背景技术
火力电厂炉膛火焰电视，在于实时监控火焰燃烧状态，根据火焰大小、颜色、确定此时的火焰燃烧情况与炉膛内的运行情况，是火电生产行业常用的技术监测手段。在实际火电厂中，往往需要经验丰富的操作员来对火焰电视进行实时观看监控，对操作人员要求较高，在经验不足的情况下甚至会造成误判等情况。
发明内容
针对上述技术问题，本发明提供一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法，该方法包括了图像处理与识别技术，还包括K-means算法的智能决策方法，可以取代实时炉膛火焰图像电视进行分析，直接得出准确的火焰燃烧情况。
为了达到上述目的，本发明采用的技术方案为：
一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法，通过对实时炉膛火焰电视的图像，确定此时炉膛内的火焰燃烧情况，并且能够根据情况进行智能决策，帮助操作人员进行参考分析，具体包括以下步骤：
S100：获取炉膛火焰电视的实时监控图像；
S200：对实时监控图像进行灰度化；
将获取到的一副彩色图像灰度化为256级灰度，方便后期的降噪处理与边缘提取，此步得到炉膛火焰的灰度图像；
S300：去除噪声点，对除噪声点的灰度图像进行小波变换；
使用小波变换的方法对生成的炉膛火焰灰度图像进行降噪，具体方法如下：，计算统一阈值δ，计算公式如下：
Figure BDA0002779830030000021
式中：σ为噪声标准方差，N为信号的尺寸或长度；
得到统一阈值δ后，利用统一阈值δ对炉膛火焰灰度图进行降噪，得到降噪后的待测图像I；
S400：通过边缘检测，获取火焰图像信息；
使用Sobel算子对降噪后的待测图像I进行边缘提取，待测图像中的信息均由像素点构成的矩阵组成，边缘提取具体过程如下所示：
步骤一：将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在水平方向做卷积Gx：
Figure BDA0002779830030000022
步骤二.将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在垂直方向做卷积Gy：
Figure BDA0002779830030000023
步骤三：将Gx、Gy带入下式求出近似梯度G：
Figure BDA0002779830030000024
步骤四：求出待测图像I中每个像素点的近似梯度后，利用近似梯度和高阈值与低阈值的大小关系判断是否能够被保留为边缘像素；根据实际火焰电视的显示与亮度情况选择高阈值和低阈值，高阈值为低阈值的1.5倍；
Ⅰ).如果某一像素位置的近似梯度超过高阈值，该像素被保留为边缘像素；
Ⅱ).如果某一像素位置的近似梯度小于低阈值，该像素被排除；
步骤五：根据边缘提取后保留的像素点生成的图像，识别出火焰区域，用做智能决策***的火焰大小值参数；火焰大小值为边缘检测之后识别出火焰包含的像素点与待测图像I中所有像素点的比例，大小为0-1之间的数字；
步骤六：获取火焰亮度值，火焰亮度值为火焰电视图像中每个像素点的亮度值，标记为0％～100％的数字；
获取火焰图像信息参数包括火焰大小值和火焰亮度值；
S500：得到火焰图像信息参数后，利用K-means算法生成聚类标准簇；
将火焰大小值，火焰亮度值作为输入参数，生成聚类标准簇，具体过程如下所示：
步骤一：建立一个二维坐标系xOy，x轴为火焰大小值参数，y轴为火焰亮度值；
步骤二：选择m幅炉膛火焰电视图像，概括每幅图中的信息点为f(x,y)，图中的火焰大小值参数作为X，火焰亮度值作为Y；
步骤三：假定输入样本为S＝f1,f2,……fm，选择k个类别中心μ1,μ2,……,μk；
步骤四：对于每个样本fi，将其标记为距离类别中心最近的类别，即：
Figure BDA0002779830030000041
步骤五：将每个类别中心更新为隶属于该类别中心所有的样本均值：
Figure BDA0002779830030000042
步骤六：迭代步骤四和步骤五，直到距离类别中心最近的类别labeli的变化小于阈值，阈值的大小可以设定为样本总和的三分之一；
步骤七：在迭代过程完成之后，得到k个聚类标准簇；
S600：利用炉膛火焰状态经验对聚类标准簇做定义，生成智能决策***；
这k个聚类标准簇的X、Y值，分别为火焰大小值和火焰亮度值；根据这k个聚类标准簇的火焰大小值和火焰亮度值，给k个聚类标准簇依次定义：
可以参考如下定义给聚类标准簇定义：
在火焰大小值X<0.1，且Y<0.1时，判断炉内无火，定义为：炉内无火，建议增大乏气挡板、二次风挡板开度(不超过10％)，调节消旋装置。
在火焰大小值0.1≤X＜0.3，且0.1≤Y＜0.2时，判断炉膛正处于点火阶段，定义为：处于点火阶段，建议控制热烟气温度不超过900℃，控制启动升温速度不超过5～10℃/min，增大油枪油压和喷油量，提高热烟气发生器风道的一、二次风量和风比。
在火焰大小值0.3≤X＜0.7，且0.2≤X＜0.6时，判断此时炉膛燃料发热量过低，定义为：炉膛燃料发热量过低，建议投油助燃，增大二次风，控制二次风占总风量的12％～13％。
在火焰大小值0.3≤X＜0.7，且0.6≤X＜0.9时，判断此时炉膛燃烧正常，定义为：炉膛燃烧正常，检查磨煤机功率。
在火焰大小值X≥0.7，且Y≥0.9，时，判断此时炉膛燃烧过亮，定义为：炉膛燃烧过度，应调节水冷壁。所有k个聚类标准簇定义完成之后，即生成了智能决策***中的智能决策方法；如果需要对待测炉膛火焰情况进行智能决策时，实时采集待测图像，按照S100～S500的步骤首先对输入待测图像做处理，按照S500中的方法得到新图像信息f(x,y)，计算f(x,y)与k个聚类标准簇的距离，读取距离最近的聚类标准簇定义即为最终智能决策方法。
和现有技术相比较，本发明具备如下优点：
本发明方法极大程度地减轻了现场操作人员在炉膛火焰电视观察与决策方面的工作。并且为操作人员的提供专业的经验解决方案，避免出现判断不准确的情况。将实时的炉膛火焰图像直接转化为经验决策，提升电厂的运行效率。
附图说明
图1为本发明的基于火力电厂炉膛火焰电视的智能图像分析与决策方法流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清晰，下面将结合附图及具体实施例证进行详细描述。
如图1所示，本发明提供的对一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法，包括以下步骤：
S100：获取炉膛火焰电视的实时监控图像；
S200：对实时监控图像进行灰度化；
S300：去除噪声点，对除噪声点的灰度图像进行小波变换；
S400：通过边缘检测，获取火焰信息参数；
S500：得到火焰信息参数后，利用K-means算法生成聚类标准簇，；
S600：利用炉膛火焰状态经验对聚类标准簇做定义，生成智能决策***。
以下对本发明上述各步骤进行详细介绍。
S100：获取炉膛火焰电视的实时监控图像；
实际的操作员站与工程师站中，存有炉膛火焰电视的监控画面，此画面来源于炉膛内的专用监控摄相机。
S200：对实时监控图像进行灰度化；
在获取到的一副彩色图像中，需要将其灰度化为256级灰度，方便后期的降噪处理与边缘提取，此步得到炉膛火焰的灰度图像；
S300：去除噪声点，对除噪声点的灰度图像进行小波变换；
火焰电视摄像头由于工作环境恶劣，图像数据特殊，拍摄到的图像在采集和传输过程中均混入噪声，需要对生成的灰度图像进行降噪处理，使用小波变换的方法对生成的炉膛火焰灰度图像进行降噪，具体方法如下：，计算统一阈值δ，计算公式如下：
Figure BDA0002779830030000061
式中：σ为噪声标准方差，N为信号的尺寸或长度。
得到统一阈值δ后，利用统一阈值δ对炉膛火焰灰度图进行降噪，得到降噪后的待测图像I。
S400：通过边缘检测，获取火焰图像信息；
使用Sobel算子对降噪后的待测图像I进行边缘提取，待测图像中的信息均由像素点构成的矩阵组成，边缘提取具体过程如下所示：
步骤一.将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在水平方向做卷积Gx：
Figure BDA0002779830030000071
步骤二.将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在垂直方向做卷积Gy：
Figure BDA0002779830030000072
步骤三：将Gx、Gy带入下式求出近似梯度G：
Figure BDA0002779830030000073
步骤四：求出待测图像I中每个像素点的近似梯度后，利用近似梯度和高阈值与低阈值的大小关系判断是否能够被保留为边缘像素；根据实际火焰电视的显示与亮度情况选择高阈值和低阈值，高阈值为低阈值的1.5倍。
Ⅰ).如果某一像素位置的近似梯度超过高阈值，该像素被保留为边缘像素。
Ⅱ).如果某一像素位置的近似梯度小于低阈值，该像素被排除。
步骤五：根据边缘提取后保留的像素点生成的图像，识别出火焰区域，用做智能决策***的火焰大小值参数。火焰大小值为边缘检测之后识别出火焰包含的像素点与待测图像I中所有像素点的比例，大小为0-1之间的数字。
步骤六：获取火焰亮度值，火焰亮度值为火焰电视图像中每个像素点的亮度值，标记为0％～100％的数字。
获取火焰图像信息参数包括火焰大小值和火焰亮度值。
S500：得到火焰图像信息参数后，利用K-means算法生成聚类标准簇；
将火焰大小值，火焰亮度值作为输入参数，生成聚类标准簇，具体过程如下所示：
步骤一：建立一个二维坐标系xOy，x轴为火焰大小值参数，y轴为火焰亮度值。
步骤二：选择m幅炉膛火焰电视图像，概括每幅图中的信息点为f(x,y)，图中的火焰大小值参数作为X，火焰亮度值作为Y。
步骤三：假定输入样本为S＝f1,f2,……fm，选择k个类别中心μ1,μ2,……,μk；
步骤四：对于每个样本fi，将其标记为距离类别中心最近的类别，即：
Figure BDA0002779830030000081
步骤五：将每个类别中心更新为隶属于该类别中心所有的样本均值：
Figure BDA0002779830030000082
步骤六：迭代步骤四和步骤五，直到距离类别中心最近的类别labeli的变化小于阈值，阈值的大小可以设定为样本总和的三分之一。
步骤七：在迭代过程完成之后，得到k个聚类标准簇.
S600：利用炉膛火焰状态经验对聚类标准簇做定义，生成智能决策***。
这k个聚类标准簇的X、Y值，分别为火焰大小值和火焰亮度值。根据这k个聚类标准簇的火焰大小值和火焰亮度值，给k个聚类标准簇依次定义：
一般地，可以参考如下定义给聚类标准簇定义：
在火焰大小值X<0.1，且Y<0.1时，判断炉内无火，定义为：炉内无火，建议增大乏气挡板、二次风挡板开度(不超过10％)，调节消旋装置。
在火焰大小值0.1≤X＜0.3，且0.1≤Y＜0.2时，判断炉膛正处于点火阶段，定义为：处于点火阶段，建议控制热烟气温度不超过900℃，控制启动升温速度不超过5～10℃/min，增大油枪油压和喷油量，提高热烟气发生器风道的一、二次风量和风比。
在火焰大小值0.3≤X＜0.7，且0.2≤X＜0.6时，判断此时炉膛燃料发热量过低，定义为：炉膛燃料发热量过低，建议投油助燃，增大二次风，控制二次风占总风量的12％～13％。
在火焰大小值0.3≤X＜0.7，且0.6≤X＜0.9时，判断此时炉膛燃烧正常，定义为：炉膛燃烧正常，检查磨煤机功率。
在火焰大小值X≥0.7，且Y≥0.9，时，判断此时炉膛燃烧过亮，定义为：炉膛燃烧过度，应调节水冷壁。所有k个聚类标准簇定义完成之后，即生成了智能决策***中的智能决策方法。如果需要对待测炉膛火焰情况进行智能决策时，可以实时采集待测图像，按照S100～S500的步骤首先对输入待测图像做处理，按照S500中的方法得到新图像信息f(x,y)，计算f(x,y)与k个聚类标准簇的距离，读取距离最近的聚类标准簇定义即为最终智能决策方法。
以上所述是本发明的优选实施方式，应对指出，对于本技术领域的普通技术人员而言，在不脱离本发明所述原理的前提下，还可做出若干适当的改进，这些改进也应视为本发明的保护范围。

Claims (1)

1.一种基于火力电厂炉膛火焰电视的智能图像分析与决策方法，其特征在于：通过对实时炉膛火焰电视的图像，确定此时炉膛内的火焰燃烧情况，并且能够根据情况进行智能决策，帮助操作人员进行参考分析，具体包括以下步骤：
S100：获取炉膛火焰电视的实时监控图像；
S200：对实时监控图像进行灰度化；
将获取到的一副彩色图像灰度化为256级灰度，方便后期的降噪处理与边缘提取，此步得到炉膛火焰的灰度图像；
S300：去除噪声点，对除噪声点的灰度图像进行小波变换；
使用小波变换的方法对生成的炉膛火焰灰度图像进行降噪，具体方法如下：，计算统一阈值δ，计算公式如下：
Figure FDA0002779830020000011
式中：σ为噪声标准方差，N为信号的尺寸或长度；
得到统一阈值δ后，利用统一阈值δ对炉膛火焰灰度图进行降噪，得到降噪后的待测图像I；
S400：通过边缘检测，获取火焰图像信息；
使用Sobel算子对降噪后的待测图像I进行边缘提取，待测图像中的信息均由像素点构成的矩阵组成，边缘提取具体过程如下所示：
步骤一：将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在水平方向做卷积Gx：
Figure FDA0002779830020000012
步骤二.将待测图像I与奇数大小内核进行卷积，选择内核大小为3，则在垂直方向做卷积Gy：
Figure FDA0002779830020000021
步骤三：将Gx、Gy带入下式求出近似梯度G：
Figure FDA0002779830020000022
步骤四：求出待测图像I中每个像素点的近似梯度后，利用近似梯度和高阈值与低阈值的大小关系判断是否能够被保留为边缘像素；根据实际火焰电视的显示与亮度情况选择高阈值和低阈值，高阈值为低阈值的1.5倍；
Ⅰ).如果某一像素位置的近似梯度超过高阈值，该像素被保留为边缘像素；
Ⅱ).如果某一像素位置的近似梯度小于低阈值，该像素被排除；
步骤五：根据边缘提取后保留的像素点生成的图像，识别出火焰区域，用做智能决策***的火焰大小值参数；火焰大小值为边缘检测之后识别出火焰包含的像素点与待测图像I中所有像素点的比例，大小为0-1之间的数字；
步骤六：获取火焰亮度值，火焰亮度值为火焰电视图像中每个像素点的亮度值，标记为0％～100％的数字；
获取火焰图像信息参数包括火焰大小值和火焰亮度值；
S500：得到火焰图像信息参数后，利用K-means算法生成聚类标准簇；
将火焰大小值，火焰亮度值作为输入参数，生成聚类标准簇，具体过程如下所示：
步骤一：建立一个二维坐标系xOy，x轴为火焰大小值参数，y轴为火焰亮度值；
步骤二：选择m幅炉膛火焰电视图像，概括每幅图中的信息点为f(x,y)，图中的火焰大小值参数作为X，火焰亮度值作为Y；
步骤三：假定输入样本为S＝f1,f2,……fm，选择k个类别中心μ1,μ2,……,μk；
步骤四：对于每个样本fi，将其标记为距离类别中心最近的类别，即：
Figure FDA0002779830020000031
步骤五：将每个类别中心更新为隶属于该类别中心所有的样本均值：
Figure FDA0002779830020000032
步骤六：迭代步骤四和步骤五，直到距离类别中心最近的类别labeli的变化小于阈值，阈值的大小可以设定为样本总和的三分之一；
步骤七：在迭代过程完成之后，得到k个聚类标准簇；
S600：利用炉膛火焰状态经验对聚类标准簇做定义，生成智能决策***；
这k个聚类标准簇的X、Y值，分别为火焰大小值和火焰亮度值；根据这k个聚类标准簇的火焰大小值和火焰亮度值，给k个聚类标准簇依次定义：
聚类标准簇定义如下：
在火焰大小值X<0.1，且Y<0.1时，判断炉内无火，定义为：炉内无火，增大乏气挡板、二次风挡板开度不超过10％，调节消旋装置；
在火焰大小值0.1≤X＜0.3，且0.1≤Y＜0.2时，判断炉膛正处于点火阶段，定义为：处于点火阶段，控制热烟气温度不超过900℃，控制启动升温速度不超过5～10℃/min，增大油枪油压和喷油量，提高热烟气发生器风道的一、二次风量和风比；
在火焰大小值0.3≤X＜0.7，且0.2≤X＜0.6时，判断此时炉膛燃料发热量过低，定义为：炉膛燃料发热量过低，投油助燃，增大二次风，控制二次风占总风量的12％～13％；
在火焰大小值0.3≤X＜0.7，且0.6≤X＜0.9时，判断此时炉膛燃烧正常，定义为：炉膛燃烧正常，检查磨煤机功率；
在火焰大小值X≥0.7，且Y≥0.9，时，判断此时炉膛燃烧过亮，定义为：炉膛燃烧过度，应调节水冷壁；所有k个聚类标准簇定义完成之后，即生成了智能决策***中的智能决策方法；如果需要对待测炉膛火焰情况进行智能决策时，实时采集待测图像，按照S100～S500的步骤首先对输入待测图像做处理，按照S500中的方法得到新图像信息f(x,y)，计算f(x,y)与k个聚类标准簇的距离，读取距离最近的聚类标准簇定义即为最终智能决策方法。
CN202011278217.0A 2020-11-16 2020-11-16 基于火力电厂炉膛火焰电视的智能图像分析与决策方法 Pending CN112396101A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011278217.0A CN112396101A (zh) 2020-11-16 2020-11-16 基于火力电厂炉膛火焰电视的智能图像分析与决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011278217.0A CN112396101A (zh) 2020-11-16 2020-11-16 基于火力电厂炉膛火焰电视的智能图像分析与决策方法

Publications (1)

Publication Number Publication Date
CN112396101A true CN112396101A (zh) 2021-02-23

Family

ID=74599522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011278217.0A Pending CN112396101A (zh) 2020-11-16 2020-11-16 基于火力电厂炉膛火焰电视的智能图像分析与决策方法

Country Status (1)

Country Link
CN (1) CN112396101A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152474A (zh) * 2023-07-25 2023-12-01 华能核能技术研究院有限公司 一种基于K-means聚类算法的高温气冷堆火焰识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102506444A (zh) * 2011-11-04 2012-06-20 国电南京自动化股份有限公司 基于智能控制的计算机视觉技术的炉膛火焰检测方法
CN103077394A (zh) * 2012-12-31 2013-05-01 天津大学 一种火焰燃烧稳定性自动监测方法
CN103256620A (zh) * 2013-05-23 2013-08-21 常州纺织服装职业技术学院 多信息融合智能火焰检测装置及其检测方法
CN103776050A (zh) * 2014-02-26 2014-05-07 彭大维 一种炉膛火焰图像自动识别***
CN106846305A (zh) * 2017-01-11 2017-06-13 华北电力大学 一种基于火焰多图像特征的锅炉燃烧稳定性监测方法
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法
CN107729913A (zh) * 2017-08-25 2018-02-23 徐州科融环境资源股份有限公司 一种基于多特征融合聚类的锅炉炉膛态势感知方法
CN109185917A (zh) * 2018-09-03 2019-01-11 湖南省湘电试验研究院有限公司 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及***
CN110163278A (zh) * 2019-05-16 2019-08-23 东南大学 一种基于图像识别的火焰稳定性监测方法
CN110686272A (zh) * 2019-10-22 2020-01-14 华北电力大学 一种基于燃烧器视频信号的入炉煤量在线软测量方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102506444A (zh) * 2011-11-04 2012-06-20 国电南京自动化股份有限公司 基于智能控制的计算机视觉技术的炉膛火焰检测方法
CN103077394A (zh) * 2012-12-31 2013-05-01 天津大学 一种火焰燃烧稳定性自动监测方法
CN103256620A (zh) * 2013-05-23 2013-08-21 常州纺织服装职业技术学院 多信息融合智能火焰检测装置及其检测方法
CN103776050A (zh) * 2014-02-26 2014-05-07 彭大维 一种炉膛火焰图像自动识别***
CN106846305A (zh) * 2017-01-11 2017-06-13 华北电力大学 一种基于火焰多图像特征的锅炉燃烧稳定性监测方法
CN107729913A (zh) * 2017-08-25 2018-02-23 徐州科融环境资源股份有限公司 一种基于多特征融合聚类的锅炉炉膛态势感知方法
CN107610124A (zh) * 2017-10-13 2018-01-19 中冶赛迪技术研究中心有限公司 一种炉口图像预处理方法
CN109185917A (zh) * 2018-09-03 2019-01-11 湖南省湘电试验研究院有限公司 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及***
CN110163278A (zh) * 2019-05-16 2019-08-23 东南大学 一种基于图像识别的火焰稳定性监测方法
CN110686272A (zh) * 2019-10-22 2020-01-14 华北电力大学 一种基于燃烧器视频信号的入炉煤量在线软测量方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
RUIXUAN ZHANG ET AL: "Image-Based Flame Detection and Combustion Analysis for Blast Furnace Raceway", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 68, no. 4, 30 April 2019 (2019-04-30), pages 1120 - 1131, XP011713893, DOI: 10.1109/TIM.2017.2757100 *
刘煜 等: "《阵列相机成像技术与应用》", 国防科技大学出版社, pages: 108 - 109 *
张鲁松: "基于图像处理的EI-XCL燃烧器火焰燃烧状态检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
张鲁松: "基于图像处理的EI-XCL燃烧器火焰燃烧状态检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2019, no. 1, 15 January 2019 (2019-01-15), pages 2 *
田正林: "基于图像处理的燃气火焰检测监测技术研究", 《中国优秀硕士论文全文数据库工程科技Ⅱ辑》 *
田正林: "基于图像处理的燃气火焰检测监测技术研究", 《中国优秀硕士论文全文数据库工程科技Ⅱ辑》, vol. 2020, no. 6, 15 June 2020 (2020-06-15), pages 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152474A (zh) * 2023-07-25 2023-12-01 华能核能技术研究院有限公司 一种基于K-means聚类算法的高温气冷堆火焰识别方法

Similar Documents

Publication Publication Date Title
CN105956618B (zh) 基于图像动静态特征的转炉炼钢吹炼状态识别***及方法
CN105678295B (zh) 基于roi平均图像分析的燃气加热炉火焰实时监测方法
CN103047165B (zh) 一种熔炼炉除尘风机的控制方法及其控制***
CN106228150B (zh) 基于视频图像的烟雾检测方法
CN111401246B (zh) 一种烟雾浓度检测方法、装置、设备及存储介质
CN102538000A (zh) 燃烧火焰诊断方法
JPH06220789A (ja) 黒液回収炉の監視及び制御に使用するための方法および装置
CN114937036A (zh) 基于人工智能的高炉设备运行评估方法及***
CN112396101A (zh) 基于火力电厂炉膛火焰电视的智能图像分析与决策方法
CN114549955A (zh) 一种高炉出铁终点在线智能识别方法及***
CN111896541B (zh) 一种基于区块链的烟气在线监测***
CN112465223A (zh) 一种高炉炉温状态的预测方法
CN113506285A (zh) 一种锅炉炉膛三维温度场检测方法、装置和计算机设备
CN113033704B (zh) 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及***
CN114065526A (zh) 一种炼钢高炉自适应优化安全控制***
CN109654561B (zh) 一种红外温度及视觉协同检测烹饪***
CN111635976A (zh) 一种非接触式转炉钢水温度连续测量***及检测方法
CN113963291B (zh) 基于视频图像质量的燃煤工况识别方法及其模型建模方法
CN114046533B (zh) 一种基于火焰分析寻优的煤粉炉燃烧优化方法
CN113033705B (zh) 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法
CN115601701A (zh) 基于机器视觉的烧结点火强度不足判断方法及装置
CN108986175B (zh) 示温漆区域温度判读方法
CN113222244A (zh) 一种基于火焰燃烧图像判断的在线锅炉燃烧优化方法
CN112560672A (zh) 一种基于svm参数优化的火灾图像识别方法
CN117612110B (zh) 基于计算机视觉技术的炉膛火焰智能监控***及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210223

RJ01 Rejection of invention patent application after publication