BP神经网络的火焰图像温度检测方法

BP神经网络的火焰图像温度检测方法

第31卷第2期　2005年3月中国测试技术

CHINAMEASUREMENTTECHNOLOGYVol131　No12Mar,2005　

BP神经网络的火焰图像温度检测方法

王　韬,刘　奇,陈　洪,孟川杰

(四川大学电气信息学院,四川成都610065)

摘　要:基于炉膛火焰温度不同,与之相对应通过CCD,膛火焰温度的方法。将获取的炉膛火焰图像RGB,用,通过样本图像训练后,拟合H、S与温度T。实验表明,计算温度与实际温度良好相符,。关键词:CCD;BP1:A　　　　文章编号:167224984(2005)0220050203

TmeasurementmethodofflameimagesbasedonBPneuralnetwork

WANGTao,LIUQi,CHENHong,MENGChuan2jie

(CollegeofElectricInformation,SichuanUniversity,Chengdu610065,China)

Abstract:BasedonthefactthatdifferentfurnaceflameimagescapturedbytheCCDcorrespondwiththedifferenttemperatureofthefurnaceflame,atemperaturemeasurementmethodofthefurnaceflameimagesispresentedinthispaper1TransformingtheRGBcolormodelimagescapturedbytheCCDintoHSIcolormodelimages,trainingthisneuralnetworkandapproximatingthenonlinearrelationshipbetweenthecolorandthetemperaturebasedonBPneuralnetwork,thetemperatureiscalculated1Theexperimentalresultsprovethatthecalculatingtemperatureaccordswiththeactualoneandshowthatthemethodisfeasible1

Keywords:CCD;BPneuralnetwork;HSI;Colormodel

1　引　言

设备安全运行的需要,使得锅炉炉膛火焰温度检测成为一个重点。目前,对炉膛火焰温度检测的方法大致可分为如下两种:利用传感器通过热传导原理,采用接触式的方法测温;利用传感器通过热辐射的原理,采用非接触的方法测温。对于接触式传感器,测得的温度容易产生延迟现象;对于非接触式传感器,测得的温度容易受环境影响。

在非接触式测温中,有一种利用接收物体发出的红外线(红外辐射),将其热像显示在屏幕上,从而判断物体表面温度分布的CCD方法。此方法测温由于具有准确、实时、快速等优点,受到人们的关注。并且随着数字图像处理技术的不断发展与完善,CCD法越来越得到广泛的应用。

理论上讲,温度与图像颜色存在某种映射关系,这种映射关系一般来说是非线性的。而BP神经网

络具有对非线性函数良好拟合的特点。所以我们采用HSI颜色空间,选择H、S分量作为神经网络输入,通过样本训练,得到H、S与温度T的映射关系。

2　颜色模型的选择

CCD采集的图像值为RGB颜色空间。RGB空

收稿日期:2004212205;收到修改稿日期:2005202223

间主要是根据人眼锥体接收光线的方法来构造成的一个模型,它用三组独立的值来定义色调、饱和度和亮度。但在图像处理中,由于R、G、B分量具有较高的相关性,使得直接应用RGB分量值进行检测,得到的效果并不理想。所以在温度检测之前,应该对RGB颜色空间进行变换。

在选择颜色空间的过程中,经过分析比较,我们采用了HSI空间。因为HSI颜色空间用H、S、I三参数描述颜色特征,其中H定义为颜色波长,称为色调;S表示颜色的深浅程度,称为饱和度;I表示强度。HSI模型非常符合人类对颜色的认知,适于图像处理。基于此原因,我们通过变换得到图像对应的HSI值。关于RGB、HSI颜色空间的相互转换关系,文献[1]中有详细叙述。

BP神经网络的火焰图像温度检测方法

第31卷第2期　　

王　韬等:BP神经网络的火焰图像温度检测方法

51

RGB到HSI颜色空间的转换中,存在多种变换

方式,我们选择如下的公式[2]:

(R+G+B)I=3

S=1-[min(R,G,B)]

)

R+G+B

(1)(2)

θ=arccos

[(R-G)+(R-B)]2

[(R-G)+(R-G)(G-B)]2

经过实验分析,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H、S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。因为网络规模不算太大,求解问题类型为函数拟合,以及收敛性能需要,我们选择Levenberg2(3)

H=

4　同时在CCD采集的图像中找出相应的测试区域。同一点在间隔较长的时间内多次测量,同时通过CC

D获取相应的样本图像。将样本图像测试区域R、G、B值求平均后,按如前所述的公式转化成H、S值。

将求得的H、S分量作为神经网络的输入,训练样本得到H、S和温度T的映射关系。

检验分析结果。

θBΦGθB>G2π2

3　神经网络的选择

1和心理学家

W1S1McCulloch[3])M2P神经元模型以

来,、脑神经结构以及思维处理问题等脑功能的神经网络得到了快速发展。由于人工神经网络具有复杂的动力学特性、并行处理机制、学习、联想和记忆等功能,以及它的高度自组织、自适应能力和灵活性,因此它一经出现,便受到学术界的广泛关注。

目前,在神经网络的实际应用中,由非线性普通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。这主要是因为BP网络对函数逼近、模式识别、分类、数据压缩有着良好的特性。对于这方面的问题,文献[4]中进行了详细分析。

基本BP神经网络结构模型如图1所示。

5　实验结果及误差分析

根据用户信息反馈,炉膛火焰温度范围约在800℃～1500℃范围,我们采集了此温度范围内的样本图像和温度数据,如图2所示。实际图像大小为384×288。可以看出每张图像含有5个温度测试区域。

Kolmogorov定理已经证明:给定任一连续函数,

在满足一定条件下,可以由一个三层前向网络来实现。BP定理进一步告诉我们只需用三层的BP网络就可以实现在任意希望的精度上对连续函数的逼近。详细的定理阐述可以见参考文献[5]与文献[6]。至于通过使用多层网络减少隐层节点数,以及如何求取网络结构参数,可以见参考文献[7]、文献[8],其中对此有明确论述。

由于实际条件限制,不可能获取到测试区域上有规律的温度上升或下降的样本图像,所以某些图像间会出现测试区域温度相差不大的现象。作为样本图像,彼此间应具有一定的温度差异,这样才能体现温度变化与该区域图像值的对应关系。当然,温度差异也不能太大,否则样本训练结束后,通过BP网络测温可能造成计算温度与实际温度之间较大的误差。

表1简单的展示了温度在1200℃～1400℃时,

BP神经网络的火焰图像温度检测方法

　　52

中国测试技术　　

2005年3月

图像右下方区域的H、S与T的关系。由于图像数据量较大,在此仅给出如下几组说明问题:

表1　1200℃～1400℃内样本右下区域的H、S值

HSt/℃HSt/℃

011836601737861213012851701660511293

012655501664171255013030301646631348

012678801676691269013186001643541365

从上表可以看出,随着温度升高,值呈现上升的趋势,S区域大小为925幅。实际测温时,,可以把不同图像的同一区域简单相加进行统计平均,然后再计算H、S值。当然还有其他很多方法可以改善H、S值,对此不再论述。实验证明,通过H、S分量,可以得出如下结论:对同一区域,随温度不同,此区域对应的图像也不同。

样本图像数为19幅,BP网络的隐层神经元个数为8,均方误差指标为1e-6,最高迭代次数10000。将如表1给出的样本H、S分量作为BP网络的输入,训练神经网络。训练结束后,将检验样本输入BP网络,以验证模型的准确性。

实验证明,与实际温度相比,平均误差为8169℃,最大误差为37183℃。分析最大误差,发现误差存在于样本图像区域温度间隔相差最大的地方。这是可以理解的,因为理论上样本间隔太大,落在这两个样本间的数据误差越大。减小这种误差的办法就是增大样本数目,以减小间隔差异。

BP网络性能验证结束后,用一组图像对炉膛火焰温度进行预测,这组图像是炉膛火焰燃烧稳定后通过CCD采集。温度曲线如图3所示。

由图3所展示,

温度平均在1400℃左右,这与炉膛实际温度情况是相符合的。说明BP模型建立正确,测温结果可信。

采用HSI颜色模型,用BP神经网络的方法拟合H、S与温度的非线性关系,计算得到炉膛火焰温度的方法。该方法精度较高,运算较快,切实可行。由于实验条件的原因,获取的样本图像还不够典型,下阶段要做的是加大样本图像数目,进一步提高测温准确度。

参考文献

[1]　王胜正1施朝健1基于两种颜色空间的颜色选择方法

[J]1计算机应用与软件,2004,21(2)1

[2]　RafaelC,GonzalezRichardE,Woods1DigitalImageProcess2

ing(SecondEdition),PublishingHouseofElectronicsIndustry,2003,31

[3]　王洪元,史国栋1人工神经网络技术及其应用[M]1北

京:中华石化出版社,20021

[4]　金丕彦,芮　勇1BP算法各种改进算法的研究和应用

[J]1南京航空航天大学学报,1994,26(S1)1

[5]　段晓君1神经网络的函数逼近能力分析[J]1模糊系统

与数学,1998,12(4)1

[6]　飞思科技产品研发中心1MATLAB615辅助神经网络分

析与设计[M]1北京:电子工业出版社,2003,11

[7]　瞿东晖,张立明1多层前馈网络在模式识别中的理论

和应用[J]1电子学报,1995,23(7)1

[8]　刘耦耕,贺素良1BP神经网络结构参数的计算机自动

确定[J]1计算机工程与应用,2004,1(1)1

6　结　论

本文介绍了一种通过CCD采集炉膛火焰图像,

本文来源：https://www.bwwdw.com/article/12re.html