朱永紅，蔣 超，王俊祥

(景德鎮(zhèn)陶瓷大學(xué) 機(jī)械與電子工程學(xué)院，江西 景德鎮(zhèn) 333403)

0 引 言

陶瓷梭式窯是陶瓷產(chǎn)業(yè)中應(yīng)用廣泛的一種現(xiàn)代間歇式窯爐，窯室和窯車(chē)為其主要的組成部分。其不僅可以用作主要的生產(chǎn)燒成設(shè)備，也適用于小批量多品種的生產(chǎn)，而且作為輔助燒成設(shè)備可應(yīng)用于產(chǎn)品的重?zé)c新產(chǎn)品試驗(yàn)的生產(chǎn)使用。目前，陶瓷梭式窯燒成帶工況檢測(cè)大多采用熱電偶加人工觀(guān)火的方法。使用熱電偶的方法對(duì)窯爐燒成帶溫度測(cè)量?jī)H能測(cè)量某一部分測(cè)量點(diǎn)的溫度，精度不很高，并且不能測(cè)量整體窯爐內(nèi)部溫度變化。而“人工觀(guān)火”是通過(guò)有經(jīng)驗(yàn)的操作人員觀(guān)察火焰的顏色變化判斷窯爐內(nèi)陶瓷燒結(jié)狀況，從而調(diào)節(jié)燃?xì)獾拈y門(mén)數(shù)量來(lái)控制窯爐溫度，是陶瓷梭式窯燒成狀態(tài)判斷的主要輔助方法，但操作人員勞動(dòng)強(qiáng)度大。

隨著 20 世紀(jì) 70 年代CCD攝像機(jī)的快速發(fā)展，基于圖像識(shí)別的方法廣泛應(yīng)用于早期火災(zāi)火焰檢測(cè)[1-3]，衛(wèi)生陶瓷缺陷檢測(cè)[4-6]，農(nóng)作物病害圖像診斷[7-8]，人臉識(shí)別[9-11]等方面。在早期火災(zāi)火焰檢測(cè)方面運(yùn)用顏色特征來(lái)提取火焰輪廓的描述識(shí)別早期火災(zāi)的火焰圖像，對(duì)于存在缺陷的衛(wèi)生陶瓷采用灰色聚類(lèi)的顏色特征提取缺陷后識(shí)別缺陷陶瓷圖像，在農(nóng)作物病害圖像識(shí)別中采取紋理特征表達(dá)黃瓜病害葉片圖像識(shí)別病害葉片的病斑類(lèi)別，人臉圖像識(shí)別則是對(duì)面部圖像獲得LBP(局部二值模型)紋理特征判斷人臉信息。基于以上研究成果，并針對(duì)目前陶瓷梭式窯燃燒帶溫度檢測(cè)存在的問(wèn)題，本文擬提出一種基于火焰圖像模式識(shí)別的陶瓷梭式窯燒成帶溫度智能檢測(cè)方法以提高燒成帶溫度檢測(cè)的智能化程度。至目前為止，該種方法的研究尚未見(jiàn)諸報(bào)道。該方法有利于實(shí)現(xiàn)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(cè)和識(shí)別提供一種新途徑和新方法。

1 火焰圖像處理

對(duì)CCD采集的火焰圖像進(jìn)行識(shí)別前需要將獲取的圖像進(jìn)行預(yù)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(yīng)對(duì)獲得的圖像進(jìn)行去噪、濾波等預(yù)處理，緊接著提取其顏色特征和紋理特征構(gòu)成特征向量(該特征向量代表一幅火焰圖像)。

1.1 圖像預(yù)處理

對(duì)圖像預(yù)處理的目的主要是為了提高圖像的數(shù)據(jù)準(zhǔn)確度，使得圖像更準(zhǔn)確地用于計(jì)算機(jī)處理。中值濾波較好地克服線(xiàn)性濾波器在處理圖像時(shí)帶來(lái)的一系列圖像細(xì)節(jié)模糊的缺點(diǎn)，隨機(jī)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(duì)采樣得到的鄰域灰度值先進(jìn)行大小排序然后取得這些像素點(diǎn)灰度值的中值作為該處像素點(diǎn)的灰度值。中值濾波算法的實(shí)現(xiàn)步驟主要有如下兩步：(1)將圖像中的某個(gè)采樣窗口中的奇數(shù)灰度值進(jìn)行從大到小排序；(2)用排序結(jié)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(jīng)中值濾波后的火焰圖像，顯然其紋理邊緣呈現(xiàn)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(jié)果強(qiáng)烈地影響到分類(lèi)器的設(shè)計(jì)及其性能，進(jìn)而直接影響其識(shí)別的分類(lèi)效果和識(shí)別率。如果不用類(lèi)別樣品特征差別比較大，那么就比較容易設(shè)計(jì)出高性能分類(lèi)器。因此，特征選擇是模式識(shí)別中的關(guān)鍵問(wèn)題。特征提取的目的是為了獲得一個(gè)長(zhǎng)度為n的向量P{x1，x2，…xn}。表示原始圖像的特征向量應(yīng)具備以下兩個(gè)特征：(1)相似圖像的特征向量也相似。當(dāng)圖像差距很大時(shí)，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(zhǎng)度n盡量小，盡量不包含對(duì)分類(lèi)來(lái)說(shuō)沒(méi)有作用的分量，以有效地進(jìn)行分類(lèi)并減少計(jì)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(guān)系特征等。本文對(duì)窯爐火焰圖像識(shí)別的特征提取采用顏色特征和紋理特征相結(jié)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(jué)特征之一，主要原因是顏色往往與圖像中所包含的對(duì)象或場(chǎng)景有關(guān)。在許多情況下，顏色特征是最簡(jiǎn)單和有效的圖像描述。常見(jiàn)的顏色特征主要的表達(dá)方法有顏色矩、直方圖、累計(jì)直方圖、顏色聚合向量等。顏色矩采用線(xiàn)性代數(shù)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(jiǎn)單有效的顏色特征表達(dá)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(lái)描述顏色分布。與顏色直方圖相比顏色矩對(duì)圖像描述無(wú)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(gè)低階矩的數(shù)學(xué)表達(dá)式為：

圖1 濾波前后火焰圖像對(duì)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(gè)顏色通道分量中第j個(gè)像素的值，n表示圖像中的像素個(gè)數(shù)。

使用顏色矩來(lái)描述顏色特征將會(huì)降低維數(shù)而無(wú)需對(duì)顏色量化。用每個(gè)顏色分量加上 3 個(gè)低階矩，即 9 個(gè)分量來(lái)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(duì)簡(jiǎn)潔，節(jié)省了計(jì)算的時(shí)間。

將一幅火焰圖像由 RGB 空間轉(zhuǎn)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(shù)值，根據(jù)上式即可計(jì)算L*a*b*分量的三個(gè)低階矩。用它們來(lái)表示這幅圖像的顏色特征。這樣圖像庫(kù)中每幅圖像的顏色特征均由 9個(gè)數(shù)值表示。計(jì)算顏色矩的流程步驟如圖2所示。

圖像的三個(gè)分量L*、a*、b*的前三階顏色矩組成一個(gè)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(guān)系，分辨能力不夠高。因此，與其它特征結(jié)合起來(lái)對(duì)火焰圖像的識(shí)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(tǒng)計(jì)法的代表算法，特點(diǎn)是原理簡(jiǎn)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(lái)受到廣泛的關(guān)注。以灰度共生矩陣方法為基礎(chǔ)的紋理描述是基于在紋理中重復(fù)出現(xiàn)的某個(gè)灰度級(jí)結(jié)構(gòu)的概率。這種結(jié)構(gòu)在精細(xì)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(chǔ)，目前對(duì)紋理進(jìn)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(duì)紋理的某一方面進(jìn)行描述，但其描述能力不高。在實(shí)際應(yīng)用中，考慮計(jì)算效率方面的情況，一般不將所有的數(shù)據(jù)都計(jì)算和提取出來(lái)。為此只找出部分描述紋理能力較強(qiáng)的參數(shù)數(shù)據(jù)，為后面的工作做準(zhǔn)備。14個(gè)紋理特征值中有4個(gè)特征值對(duì)于紋理的描述效果尤為突出，它們分別是角二階矩、對(duì)比度、熵和逆差矩。用4個(gè)特征值來(lái)描述火焰圖像的紋理時(shí)，不但能夠確保對(duì)紋理描述的全面性與準(zhǔn)確性，而且還能減少計(jì)算量，無(wú)需同時(shí)計(jì)算14個(gè)不同的特征值。本文提取了灰度共生矩陣的 4個(gè)二階統(tǒng)計(jì)量作為紋理特征，分別為角二階矩、對(duì)比度、反差分矩、熵。

假設(shè)共生矩陣在點(diǎn)(i, j)的數(shù)值為P(i, j)，矩陣元素?cái)?shù)目為M，則該點(diǎn)代表的灰度對(duì)在圖像中出現(xiàn)的概率為p(i, j)，其計(jì)算公式如下。

而各紋理特征值的數(shù)學(xué)表達(dá)式如下：

(1)角二階矩

(2)對(duì)比度

(3)反差分矩

(4)熵

四個(gè)紋理特征分量組成一個(gè)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(gè)顏色矩特征值與以灰度共生矩陣為基礎(chǔ)的4個(gè)紋理特征值相結(jié)合構(gòu)成一個(gè)特征向量，其長(zhǎng)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(jì)算過(guò)程Fig.2 Color moment calculation process

2 基于火焰圖像模式識(shí)別的溫度檢測(cè)方法

我們對(duì)江西景德鎮(zhèn)某瓷廠(chǎng)的陶瓷梭式窯利用工業(yè)相機(jī)進(jìn)行拍照獲取火焰圖像樣本，根據(jù)熱電偶測(cè)量爐內(nèi)溫度，將爐內(nèi)溫度從800 ℃開(kāi)始，每隔一定溫度拍下一張窯爐內(nèi)部火焰圖象以BMP格式保存，直至1300 ℃結(jié)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(cè)溫法測(cè)量樣本圖像的溫度值，形成火焰圖像與溫度的關(guān)系綜合數(shù)據(jù)庫(kù)。然后對(duì)攝取的陶瓷窯爐火焰圖像進(jìn)行訓(xùn)練,所得的分類(lèi)器對(duì)訓(xùn)練樣本進(jìn)行分類(lèi)，分類(lèi)結(jié)果依據(jù)綜合數(shù)據(jù)庫(kù)得到陶瓷窯爐溫度。由于熱電偶靈敏度比較低，容易受到環(huán)境的信號(hào)干擾，長(zhǎng)久的使用后其性能也會(huì)有所下降。所以這里采用比色測(cè)溫原理給出火焰圖像的溫度值。

2.1 比色測(cè)溫法

根據(jù)可見(jiàn)光圖像的灰度值與高溫輻射體的溫度之間的關(guān)系，得到

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

若將CCD攝像頭前的窄帶濾波器看成是沖擊函數(shù)，則由式(9)得

用輻射測(cè)溫中的比色測(cè)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(duì)數(shù)，得

通過(guò)CCD采集火焰圖像，經(jīng)過(guò)預(yù)處理提取目標(biāo)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(duì)應(yīng)溫度值。

這樣，通過(guò)采用比色測(cè)溫法給出目標(biāo)圖像的溫度值，再與火焰圖像處理對(duì)應(yīng)的特征進(jìn)行數(shù)據(jù)融合，得到窯爐火焰圖像特征與溫度準(zhǔn)確對(duì)應(yīng)關(guān)系的綜合數(shù)據(jù)庫(kù)。

2.2 概率神經(jīng)網(wǎng)絡(luò)建模

概率神經(jīng)網(wǎng)絡(luò)融合了貝葉斯決策理論和密度函數(shù)估計(jì)，是一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。具有訓(xùn)練容易，收斂速度短，結(jié)構(gòu)簡(jiǎn)單固定，應(yīng)用廣泛的特點(diǎn)，特別適合識(shí)別問(wèn)題。概率神經(jīng)網(wǎng)絡(luò)形成的分類(lèi)器具有較高準(zhǔn)確程度，能夠在一定噪聲情況下獲得令人滿(mǎn)意的準(zhǔn)確度。另外，由于概率神經(jīng)網(wǎng)絡(luò)沒(méi)有類(lèi)似BP網(wǎng)絡(luò)那樣的訓(xùn)練過(guò)程，只需要建立網(wǎng)絡(luò)的時(shí)間，故效率大大提高。

概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。從圖中可以看出該網(wǎng)絡(luò)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(duì)應(yīng)溫度值Tab.1 R, G, B values and their corresponding temperatures

圖3 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Probabilistic neural network structure

圖4 概率神經(jīng)網(wǎng)絡(luò)建模Fig.4 Probabilistic neural network modeling

概率神經(jīng)網(wǎng)絡(luò)中輸入層訓(xùn)練樣本記為X = (x1，x2，…，xN)T，其神經(jīng)元個(gè)數(shù)和輸入樣本向量長(zhǎng)度相等,她的功能為接受來(lái)自訓(xùn)練樣本的值并將數(shù)據(jù)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(gè)隱含層的神經(jīng)元節(jié)點(diǎn)擁有一個(gè)中心，計(jì)算輸入向量與中心的距離，最后返回一個(gè)標(biāo)量值，神經(jīng)元個(gè)數(shù)與輸入樣本個(gè)數(shù)相同。向量x輸入到隱含層，隱含層中第i類(lèi)模式的第j神經(jīng)元確定的輸入/輸出關(guān)系由式(16)定義。

其中，xij為第i類(lèi)樣本的第j個(gè)中心(i = 1，2，…，N，N為訓(xùn)練樣本中的總類(lèi)數(shù))d為樣本空間數(shù)據(jù)的維數(shù)，σ為平滑參數(shù)。

求和層的功能就是將隱含層中同一類(lèi)隱含神經(jīng)元的輸出做加權(quán)和Si，計(jì)算式子如下。

其中，Si表示第i類(lèi)類(lèi)別的輸出，L表示第i類(lèi)的神經(jīng)元個(gè)數(shù)，ωij表示混合權(quán)重。注意，求和層的神經(jīng)元個(gè)數(shù)與類(lèi)別數(shù)N相同。ωij計(jì)算式子如下。

在輸出層中，取求和層中最大的一個(gè)作為輸出層的類(lèi)別輸出，輸出計(jì)算式子如下。

為了實(shí)驗(yàn)，現(xiàn)構(gòu)造一個(gè)概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器。輸入向量為特征向量，其長(zhǎng)度為13，因而輸入層有13個(gè)神經(jīng)元。第二層隱含層神經(jīng)元節(jié)點(diǎn)數(shù)選取為40個(gè)，那么能處理圖像特征樣本40個(gè)(將10組樣本圖像旋轉(zhuǎn)4個(gè)角度)。第三層求和層采用10個(gè)神經(jīng)元節(jié)點(diǎn)進(jìn)行分類(lèi)。輸出層包含一個(gè)神經(jīng)元，取求和層中最大的一個(gè)作為類(lèi)別輸出，輸出的類(lèi)別是以向量的形式給出的。例如共有10個(gè)類(lèi)別，則第4類(lèi)的向量表示形式為[0,0,0,1,0,0,0,0,0,0,]T。構(gòu)造的概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

將所有拍攝的陶瓷窯爐火焰圖像數(shù)據(jù)讀入，先進(jìn)行中值濾波，然后對(duì)每一幅火焰圖像提取特征，最后通過(guò)概率神經(jīng)網(wǎng)絡(luò)建模，對(duì)數(shù)據(jù)實(shí)現(xiàn)分類(lèi)。陶瓷梭式窯火焰圖像識(shí)別流程，如圖5所示。

3 實(shí)驗(yàn)實(shí)現(xiàn)與結(jié)果分析

同樣環(huán)境下，待陶瓷梭式窯內(nèi)部溫度穩(wěn)定時(shí)，攝取窯爐內(nèi)部火焰圖像，將圖像作為測(cè)試樣本檢驗(yàn)不同特征提取方法訓(xùn)練后網(wǎng)絡(luò)的識(shí)別能力。

圖5 陶瓷梭式窯火焰圖像識(shí)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(shí)別率Tab.2 Recognition rates of different feature extraction methods

從表2中可以看出，單獨(dú)使用顏色特征識(shí)別準(zhǔn)確率較低，而且沒(méi)有考慮圖像像素的空間位置關(guān)系，分辨能力不夠高。單獨(dú)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(shí)別率也不高，造成識(shí)別率并不理想的原因在于樣本數(shù)量少。顏色特征與紋理特征相結(jié)合的方法比單獨(dú)使用顏色特征或單獨(dú)使用紋理特征的效果好，對(duì)火焰圖像的識(shí)別達(dá)到了較為理想的分類(lèi)準(zhǔn)確率，分類(lèi)正確率可達(dá)97.5%，以上結(jié)果充分表明采用顏色特征+紋理特征相結(jié)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(zhǔn)確地區(qū)分不同類(lèi)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(jìn)行火焰圖像識(shí)別后參照綜合數(shù)據(jù)庫(kù)得到對(duì)應(yīng)的溫度值。

4 結(jié) 論

陶瓷梭式窯是一種常用的間歇式陶瓷產(chǎn)品生產(chǎn)窯爐，其燒成帶溫度檢測(cè)方法與陶瓷產(chǎn)品生產(chǎn)質(zhì)量息息相關(guān)。本文針對(duì)陶瓷梭式窯燒成帶溫度檢測(cè)提出一種通過(guò)火焰圖像識(shí)別來(lái)確定燒成帶溫度的優(yōu)化檢測(cè)方法。本方法基于火焰圖像處理技術(shù)和模式識(shí)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(gòu)成特征向量,并將特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類(lèi)，然后利用溫度信息數(shù)據(jù)與火焰圖像得到的綜合數(shù)據(jù)庫(kù)來(lái)確定火焰圖像對(duì)應(yīng)的溫度值從而識(shí)別陶瓷窯爐燒成帶溫度。最后，利用該方法對(duì)陶瓷梭式窯燒成帶溫度檢測(cè)進(jìn)行了實(shí)驗(yàn)，取得了較好的效果。這些結(jié)果將為陶瓷梭式窯溫度智能檢測(cè)提供一種新途徑和新方法。