基于彩色CCD的火焰温度检测算法研究概要.docx
- 文档编号:29661868
- 上传时间:2023-07-26
- 格式:DOCX
- 页数:10
- 大小:43.86KB
基于彩色CCD的火焰温度检测算法研究概要.docx
《基于彩色CCD的火焰温度检测算法研究概要.docx》由会员分享,可在线阅读,更多相关《基于彩色CCD的火焰温度检测算法研究概要.docx(10页珍藏版)》请在冰豆网上搜索。
基于彩色CCD的火焰温度检测算法研究概要
2006年第6期
66
技术论坛
炉内火焰温度是窑炉生产过程中最重要的指标之一,直接关系到窑炉的安全与经济运行。
目前国内外已开始利用计算机图像处理技术检测炉膛火焰温度场。
这种测温方法方便、可行,具有非接触测温法的所有优点,以它为核心的火焰图像监测系统正日益成为火焰检测系统发展的主流。
燃烧过程的温度测量一般基于普朗克辐射定律,
当辐射波长小于
1
(T
为火焰的单色辐射能;
为波长;
c1和c2为物理常数。
若在两个波长
2
下同时测量到由同一点发出
基于彩色CCD的火焰温度
检测算法研究
MeasuringMethodsResearchofFlameTemperature
BasedonColorCCD
湖南大学电气与信息工程学院(长沙410082唐秉湘滕召胜王卓
摘要:
本文分析了彩色CCD摄像机测量机理,建立了由火焰图像求取燃烧温度场的数学模型,推导和分析了相应的三色温度测量模型,论述了图像噪声的滤除方法,分析了目前较先进的BP神经网络测温误差大的原因,并提出一种新的基于比值输入的BP神经网络法来计算温度。
实验证明,该算法具有较高的计算精度和实用性。
Abstract:
Thispaperanalyzedthemeasuringmechanism,builtthemathematicalmodelofcalculateburningtem-peraturefieldfromflameimage,deducedandanalyzedcorrespondingthreecolortemperaturemeasuringmodel,di-scussedfilteringmethodofimagenoise,analyzedthereasonofbigmeasuringerrorswhenmeasuredbyBPneuralnet-workwhichismoreadvancedinpresent,anddevelopedanewBPneuralnetworkmethod,whichbasedonratioinput,tocalculatethetemperature.Experimentsshowthatthemethodhasmorehighmeasurementprecisionandpracticabi-lity.
关键词:
CCD火焰温度图像处理测量模型BP神经网络
Keywords:
CCDFlametemperatureImageprocessingMeasuringmodelBPneuralnetwork
1引言
2测量原理
1
2
67
2006年第6期
技术论坛
的单色辐射能为E
2
(T,则:
于是,温度T为:
常用的彩色CCD摄像机具有3个CCD图像传感器,分别接收从分光棱镜分出的R、G、B三基色光信号。
由CCD获取的彩色火焰图像在计算机内是以象素为单位逐点存储的,每一点存储的信息都包括了该点的R、G、B亮度值Re、Ge、Be。
根据1931年国际照明技术委员会(C.I.E.的标准,
G
、
1
、
R
、
B
中的两个,这种组合共有3种,即R、G
组合,G、B组合,B、R组合。
以B、G组合为例,假
设
(LR,
LG,LB,即:
式中:
E2
(T为两种波长下的辐射能;
L2
为两种波长的亮度(即Re、Ge、Be中任意
两个
;
(LR,LG,LB能用黑体炉进
行标定,事实上很难用黑体炉准确地标定式
(LR,LG,LB的函
数关系。
目前,在神经网络的实际应用中,由非线性普通
3误差分析
4图像噪声的滤除
5BP
神经网络
215
exp[2
(11
-12
]
(2
2
(11
-12
/[
In
2
+5In2]
(3
2
(
1
=
2
(11
-12
/[
In
+In
12
](6
年第6期
技术论坛
变换单元组成的前馈网络,即BP网络及其变换形式,应用较多。
Kolmogorov定理已经证明:
给定任意一个连续函数,在满足一定条件下,可以由一个3层前向网络来实现。
考虑到计算精度、复杂程度,最终选择含有一个隐层的BP网络。
模型输入层采用Re、Ge、Be分量作为输入,隐层含8个神经元,输入层到隐层的激活函数采用正切Sigmod函数,输出层含有一个节点为温度T,隐层到输出层的激活函数采用线性函数。
通过黑体炉标定得到(Re,Ge,Be,T的对应关系作为教师信号,对该网络进行训练。
再在黑体炉上,重新设定一些其它的温度值(与参与训练的温度值不同,采用上述图像滤波法对CCD拍摄得到的图像做预处理,得到另外一组(Re,Ge,Be,T来检验BP网络的拟合精度,结果如表1所示。
用红外测温仪测试炉内指定部位的火焰温度作为比较温度,同时在CCD采集的图像中找出相应的测试区域。
将样本图像测试区域的Re、Ge、Be值,送入上述BP网络,计算结果如表2所示。
5.2基于比值输入的神经网络法
将输出图像的Re、Ge、Be分量直接作为神经网络的输入,会出现较大的测温误差。
这是由于在现场测量时,CCD摄像机的光路上存在烟雾、灰尘或火焰脉动等各种影响,若直接利用3个灰度值计算温度,不能消除上述各种因素的影响。
这实质上是用3通道的灰度值直接计算温度,没有体现出比色测温法的
优点。
为消除上述影响,将神经网络输入改为3个比色项,即GeBe/Re2,BeRe/Ge2,ReGe/Be2这样能很好地体现比色测温的特点。
实验证明,采用该种形式的输入向量,神经网络得到了较理想的计算结果,如表3所示。
误差大、实时性差仍然是制约图像测温技术应用
的最大问题。
基于比值输入的BP神经网络法在较大程度上提高了测量的精度,具有广泛的工程应用前景。
随着测量精度以及可靠性的进一步提高,基于计算机图像处理的炉膛温度检测方法作为一种非接触式、动态实时在线检测手段,必将在炉膛火焰温度场的实时检测、燃烧诊断与过程控制中起到越来越重要的作用。
参考文献
1万新福,薛益鸣等.基于全炉膛火焰图像处理及辐射能检测应用研究.华中电力,2003,5(16
.2王飞,薛飞等.运用彩色CCD双色信息测量燃烧火焰的温度场.热能动力工程,
1998,6.3甄成刚,张丽静,张芳娥.炉膛火焰图像处理技术.仪器仪表学报2003,24(4增刊:
481~482.4卫成业,邱绅赞,严建华等.人工神经网络在火焰图像比色测温法中的应用.热力发电,2001,30(2
.6结束语
表1普通神经网络对黑体炉的计算结果
黑体炉温度/计算温度
最大误差
T/K
黑体炉值T/K125013001350
5.0
计算值T/K
1253.4
1298.1
1295.0
表2普通神经网络对炉内温度的计算结果
火焰红外温度/计算温度
最大误差
T/K
红外值T/K124112571270
41.5
计算值T/K
1209.3
1221.8
1228.5
表3基于比值输入的神经网络的计算结果
黑体炉温度/计算温度
最大误差T/K
黑体炉值T/K125013001350
16.6
计算值T/K
1241.2
1283.4
1337.9
火焰红外温度/计算温度
最大误差T/K
红外值T/K124112571270
24.0
计算值T/K
1225.6
1233.0
1258.5
作者简介:
唐秉湘,硕士研究生。
主要从事数字图像处理、信息处理研究工作。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 彩色 CCD 火焰 温度 检测 算法 研究 概要