張放

摘??????要：為了提高電廠煙氣濃度的監(jiān)測(cè)準(zhǔn)確率，提出了一種基于圖像分割優(yōu)化 OTSU 算法的電廠煙氣濃度檢測(cè)分析方法。該方法能夠滿足惡劣環(huán)境下的測(cè)試要求，顯著提升測(cè)量精度。根據(jù)粒度分布狀態(tài)可知，粒徑范圍下的粒度分布狀態(tài)可知，粒徑主要分布與100～150 μm之間，整體符合正態(tài)分布特點(diǎn)。均方根誤差分析得到22.1%，測(cè)試結(jié)果滿足準(zhǔn)確性要求。經(jīng)測(cè)試得到85 μm顆粒的平均粒徑等于90.3 μm，相對(duì)誤差為6.23%;150 μm顆粒的平均粒徑等于142 μm，相對(duì)誤差為-5.33%，兩種粒徑下的測(cè)試誤差都未超過(guò)±6.5%，表明采用此方法可以實(shí)現(xiàn)對(duì)粒徑的準(zhǔn)確測(cè)量。

關(guān)??鍵??詞：煙氣濃度;檢測(cè)分析; OTSU 算法;圖像分割

中圖分類號(hào)：TQ542.7???????文獻(xiàn)標(biāo)識(shí)碼：?A ??????文章編號(hào)： 1671-0460（2020）03-0670-04

Detection and Analysis of Power Plant Flue Gas Concentration Based

on OTSU Algorithm of Image Segmentation Optimization

ZHANG?Fang

（China Kunlun Contracting & Engineering Corporation， Beijing 100037， China）

Abstract： ?In order to improve the monitoring accuracy of flue gas concentration in power plants， a power plant flue gas concentration detection and analysis method based on image segmentation optimization OTSU algorithm was?proposed. This method can meet the test requirements in harsh environment and significantly improve the measurement accuracy.According to the particle size distribution state in the range of particle size， the particle size distribution was?mainly between 100 and 150 μm， which conformed?to the characteristics of normal distribution. The root mean square error analysis result?was?22.1%， indicating that the test results met the accuracy requirements. The average particle size of 85 μm particles was equal to 90.3 μm， and the relative error was 6.23%， and the average particle size of 150 μm particles was equal to 142 μm.

Key words： flue gas concentration; detection and analysis;?OTSU algorithm; image segmentation

進(jìn)入21世紀(jì)之后，我國(guó)在各類工業(yè)技術(shù)方面取得了顯著進(jìn)步，同時(shí)經(jīng)濟(jì)規(guī)模也不斷擴(kuò)大，但卻在長(zhǎng)期發(fā)展過(guò)程中引起了嚴(yán)重的環(huán)境污染問(wèn)題，這對(duì)人們的身體健康造成了明顯危害，也由此導(dǎo)致社會(huì)各界對(duì)環(huán)境保護(hù)的關(guān)注程度日益提高^[1，2]。由于在工業(yè)發(fā)展過(guò)程中，以煤炭為原料的火電廠以及各類化工廠與鋼鐵生產(chǎn)廠都會(huì)排放大量顆粒物，對(duì)當(dāng)?shù)氐目諝馀c水資源造成了大量污染。這些環(huán)境污染問(wèn)題已經(jīng)引起了我國(guó)政府的密切關(guān)注，并由相關(guān)行業(yè)共同制定了各類污染物的排放指標(biāo)，同時(shí)還引入了煙塵排放的顆粒物濃度在線測(cè)試系統(tǒng)^[3，4]?？梢詫煹乐械臒焿m濃度作為評(píng)價(jià)污染程度的一項(xiàng)關(guān)鍵參考指標(biāo)，一方面可以根據(jù)煙塵濃度來(lái)分析排放物對(duì)周邊環(huán)境造成的影響^[5]，另一方面也可以根據(jù)這一指標(biāo)判斷除塵設(shè)備的運(yùn)行狀態(tài)，從而為科研工作者提供可靠的參考信息，這使得對(duì)電廠煙氣濃度的監(jiān)測(cè)成為了一項(xiàng)重要的研究課題^[6，7]。

現(xiàn)階段，國(guó)內(nèi)大部分廠家生產(chǎn)的煙塵濃度測(cè)試設(shè)備的工作原理都是屬于光散射法^[8]，不具備精確的量值溯源性，尚未被環(huán)保監(jiān)測(cè)部門認(rèn)可^[9]。同時(shí)也有學(xué)者采用濾膜稱重法來(lái)監(jiān)測(cè)煙塵濃度，這是目前我國(guó)規(guī)定的一種煙塵濃度標(biāo)準(zhǔn)測(cè)試方法，其余測(cè)試方法所得結(jié)果都需要根據(jù)該方法進(jìn)行校準(zhǔn)，不過(guò)該方法也存在一定的缺陷，即需要投入大量人力來(lái)完成實(shí)驗(yàn)操作，還要從過(guò)濾膜上取回?zé)焿m再進(jìn)行實(shí)驗(yàn)室測(cè)試，無(wú)法滿足現(xiàn)場(chǎng)實(shí)時(shí)測(cè)試的要求。西方國(guó)家普遍采用微量震蕩天平法^[10]，并已達(dá)到相對(duì)成熟的應(yīng)用狀態(tài)，測(cè)試精度也能夠滿足要求，不過(guò)將其用于測(cè)試煙塵濃度時(shí)，還有待于進(jìn)一步提升設(shè)備運(yùn)行過(guò)程的自動(dòng)控制程度^[11，12]。

為了有效克服以上各類測(cè)試方法的不足之處，急需設(shè)計(jì)一種具有高精度、價(jià)格低以及能夠可靠運(yùn)行的煙塵濃度測(cè)試系統(tǒng)。根據(jù)以上分析，本文將圖像數(shù)字處理技術(shù)引入煙塵顆粒測(cè)試領(lǐng)域，首先通過(guò)圖像法測(cè)試并收集煙道中的顆粒物圖像數(shù)據(jù)，對(duì)生成的顆粒圖像進(jìn)行分析，從這些顆粒物測(cè)試信息中提取獲得煙塵顆粒物濃度?？梢岳蒙鲜龇椒ㄍ瑫r(shí)測(cè)試得到煙塵濃度并觀察顆粒物的分布狀態(tài)，能夠滿足惡劣環(huán)境下的測(cè)試要求，并且不會(huì)對(duì)氣固兩相的流場(chǎng)造成影響，顯著提升測(cè)量精度，充分適應(yīng)長(zhǎng)期測(cè)試的使用需求，完成不間斷測(cè)試。

1 ?實(shí)驗(yàn)部分

該系統(tǒng)包括大恒CCD相機(jī)、激光器、顆粒載玻片、放大鏡頭、激光控制設(shè)備、以及計(jì)算機(jī)數(shù)據(jù)收集與分析系統(tǒng)等多個(gè)組成結(jié)構(gòu)^[13，14]。由于需要對(duì)管道的顆粒運(yùn)行過(guò)程進(jìn)行動(dòng)態(tài)拍攝，選擇背光源進(jìn)行照明時(shí)，將存在如下幾項(xiàng)不利因素：

（1）利用背光源進(jìn)行照明時(shí)，處于景深范圍以內(nèi)的顆粒將形成清晰圖像，處于景深范圍之外的顆粒無(wú)法成像，但會(huì)產(chǎn)生模糊圖像信號(hào)，當(dāng)這類信號(hào)相互疊加在一起時(shí)，便會(huì)明顯提高對(duì)后續(xù)圖像的真實(shí)信息進(jìn)行提取的難度^[15]。并且，與光源相比，這時(shí)生成的顆粒灰度值更小，當(dāng)產(chǎn)生這種高對(duì)比度后便會(huì)隱沒(méi)顆粒，而在較低的對(duì)比度下則不能有效區(qū)分顆粒與背景。

（2）考慮到背光光源存在一定的不均勻性，由此形成的噪聲將對(duì)一些細(xì)小顆粒造成覆蓋，從而導(dǎo)致圖像處理過(guò)程的難度明顯增大。

（3）對(duì)于一些粒徑較小的顆粒物，一方面會(huì)受到噪聲的干擾而不能精確成像，同時(shí)還會(huì)受到背光衍射的明顯影響。

（4）受管道中的特殊環(huán)境影響無(wú)法實(shí)現(xiàn)良好的拍攝效果，并且實(shí)際安裝難度較高，難以采取背光源照明的方案。

根據(jù)上述各項(xiàng)影響因素，本試驗(yàn)選擇激光片光源進(jìn)行照明，從90°角進(jìn)行拍攝可以獲得最佳的效果，因此將激光器與CCD 相機(jī)按照相互成90°角的排列方向進(jìn)行拍攝。按照?qǐng)D1的排列結(jié)構(gòu)在實(shí)驗(yàn)室中構(gòu)建靜態(tài)測(cè)量系統(tǒng)，以此實(shí)現(xiàn)盡量接近管道環(huán)境中的成像狀態(tài)。把CCD 相機(jī)成像系統(tǒng)放置在顆粒試樣的上部區(qū)域，通過(guò)相機(jī)與激光器的控制設(shè)備來(lái)調(diào)控成像系統(tǒng)，可以同時(shí)實(shí)現(xiàn)上下位置以及在180°角范圍內(nèi)旋轉(zhuǎn)的控制過(guò)程。采用激光器對(duì)顆粒側(cè)面進(jìn)行照明，應(yīng)使激光器片光源面與存在顆粒的載玻片面呈相互重合的狀態(tài)，確保顆粒處于片光源區(qū)域內(nèi)。為保證所有成像范圍中都包含顆粒試樣，首先應(yīng)確保鏡頭主光軸與顆粒區(qū)域中心對(duì)齊，同時(shí)還應(yīng)使顆粒區(qū)域比視野范圍更大，從而便于開(kāi)展后續(xù)拍攝過(guò)程。

2 ?圖像分割優(yōu)化 OTSU 算法

考慮到采用?OTSU 算法來(lái)選擇閾值時(shí)總是趨向于產(chǎn)生較大類內(nèi)方差的結(jié)果，因此，本文在OTSU 算法判定規(guī)則中加入了類內(nèi)方差指標(biāo)。利用參數(shù) K對(duì)類內(nèi)與類間方差兩者的關(guān)系進(jìn)行定義。同時(shí)，如果把最佳閾值搜索范圍設(shè)置為[0～255]區(qū)間中，則會(huì)導(dǎo)致搜索范圍太大，需要很大的計(jì)算量，因此需要選擇合適的規(guī)則來(lái)有效控制搜索范圍，降低計(jì)算量，促進(jìn)運(yùn)算速度的顯著提高。

以下給出了本文算法的具體實(shí)現(xiàn)流程：

（1）分割初始閾值

先計(jì)算得到整體圖像的平均灰度值T，依次作為初始閾值來(lái)完成圖像的分割過(guò)程，灰度值介于[0，T]之間的A部分屬于背景，灰度值介于 [T+1， L-1]之間的B部分屬于目標(biāo)。

（2）設(shè)定閾值搜索范圍

對(duì)A部分平均灰度進(jìn)行計(jì)算，并將其表示為T₁，由此獲得閾值搜索的下限。通過(guò)下式進(jìn)行計(jì)算，

根據(jù)?B 部分的平均灰度T₂得到閾值搜索上限。利用下式計(jì)算得到，

算法優(yōu)化程度受到閾值搜索范圍的明顯影響。最終確定以上搜索范圍主要是從下述幾方面進(jìn)行分析：形成的顆粒圖像大部分顆粒都具有較高灰度值，少量灰度值較低，還有一少部分顆粒的灰度值介于中間區(qū)域。能夠顯著分割顆粒與背景的灰度表示最優(yōu)閾值，所以，最優(yōu)閾值最易出現(xiàn)于中間區(qū)域。采用以上閾值分析辦法可以有效去除閾值較小與較大的顆粒，從而有效減小最佳閾值被錯(cuò)選的概率，并盡量降低噪聲所產(chǎn)生的影響，由此降低計(jì)算量。利用初始閾值T對(duì)圖像進(jìn)行分割處理后，A部分區(qū)域形成了許多低灰度值區(qū)，此時(shí)應(yīng)將最佳閾值設(shè)定為比A部分平均灰度值T₁更大的狀態(tài)，因此以T₁作為閾值的搜索下限。

以T₂作為閾值的搜索上限，這是由于通過(guò)初始閾值T對(duì)圖像進(jìn)行分割得到的B 部分具有較高灰度值目標(biāo)區(qū)增加，同時(shí)平均灰度均值T₂也開(kāi)始增大，具有比T₂更大的灰度值部分則是目標(biāo)區(qū)，由此便可將T₂作為閾值的搜索上限。

（3）按照步驟 2的方法來(lái)獲得閾值T的灰度變化范圍[T₁，T₂]，計(jì)算得到各T值下的類間方差以及類內(nèi)方差。根據(jù)以上計(jì)算公式可以得到，對(duì)各T值下的A與B兩個(gè)部分對(duì)應(yīng)的類內(nèi)方差可以被定義成如下形式：

由此可得，類內(nèi)總方差為：

有公式可得，類間總方差為：

（4）利用參數(shù)k定義分割得到的兩個(gè)部分的差異，隨著該值的增大，兩者的差異也更大。以參數(shù)k來(lái)表示分割得到的各部分內(nèi)部灰度分布狀態(tài)。當(dāng)k越小，則表示分布狀態(tài)越集中，不同像素對(duì)應(yīng)的灰度值并不存在顯著差異性。利用k定義類間與類內(nèi)變化關(guān)系，其中，最佳閾值是在最大k值下對(duì)應(yīng)的分割閾值，這是可以實(shí)現(xiàn)最優(yōu)的圖像分割效果。

（5）根據(jù)不同的k值對(duì)比結(jié)果可以獲得最佳閾值T。利用最佳閾值T把圖像分成兩個(gè)部分，比T值更小的像素值被定義為0，等于或大于T值的像素值被定義為255，由此便可以從一幅灰度圖中獲得一幅可以有效區(qū)分目標(biāo)與背景的二值化圖像。

3 ?結(jié)果分析

將本實(shí)驗(yàn)分成二組進(jìn)行測(cè)試：

（1）根據(jù)不同粒徑進(jìn)行測(cè)試觀察，為各樣本分別拍攝100幅圖像，同時(shí)測(cè)試了各個(gè)粒度范圍對(duì)應(yīng)的百分比。

圖2顯示了拍攝得到的100 μm粒度下的顆粒圖像與經(jīng)過(guò)圖像分割優(yōu)化 OTSU 算法處理后生成的圖像，從圖3可以看到各粒徑范圍下的粒度分布狀態(tài)。

根據(jù)圖3可知，粒徑主要分布與100 ～150 μm之間，整體符合正態(tài)分布特點(diǎn)。之后，對(duì)比了各粒徑段的顆粒理論變化曲線與實(shí)際測(cè)試曲線兩者的差異性。

采用下述計(jì)算均方根誤差：

對(duì)上述粒徑范圍的粒度分布曲線進(jìn)行均方根誤差分析得到依次為22.1%，由此可見(jiàn)，測(cè)試結(jié)果滿足準(zhǔn)確性要求。

對(duì)比廠家區(qū)間段粒度分布理論值與實(shí)測(cè)值可知，雖然各粒徑區(qū)間段中形成了不同的顆粒占比結(jié)果，但從整體曲線變化趨勢(shì)可知并未形成明顯不同的變化趨勢(shì)。許多因素都會(huì)引起各粒徑區(qū)間段具有不同比例的顆粒。第一，本實(shí)驗(yàn)中測(cè)試的顆粒數(shù)量在總顆粒數(shù)量中只占到很小的一個(gè)比例，這導(dǎo)致本實(shí)驗(yàn)樣本存在一定的局限性。第二，通過(guò)圖像法來(lái)測(cè)試粒徑時(shí)，使用的具體算法以及計(jì)算誤差，都會(huì)引起分布結(jié)果的偏差。第三，廠家使用的粒徑測(cè)試方法與本實(shí)驗(yàn)的圖像測(cè)試法存在差異，由此引起誤差。

（2）依次采集粒徑等于85與150 μm的兩種顆粒圖像，并對(duì)上述兩種顆粒都統(tǒng)計(jì)150～200個(gè)，之后計(jì)算得到平均粒徑并與理論值進(jìn)行對(duì)比并對(duì)誤差原因進(jìn)行分析。

經(jīng)測(cè)試得到85 μm顆粒的平均粒徑等于 90.3 μm，計(jì)算得到相對(duì)誤差為6.23%，150 μm顆粒的平均粒徑等于142 μm，計(jì)算得到相對(duì)誤差為-5.33%，兩種粒徑下的測(cè)試誤差都未超過(guò)±6.5%，表明采用此方法可以實(shí)現(xiàn)對(duì)粒徑的準(zhǔn)確測(cè)量。對(duì)于較小粒徑條件下的誤差較大問(wèn)題主要是由于圖像獲取硬件參數(shù)時(shí)引起誤差的結(jié)果，因此可以進(jìn)一步優(yōu)化算法來(lái)提升測(cè)試準(zhǔn)確性。

根據(jù)上述測(cè)試結(jié)果可知，對(duì)顆粒進(jìn)行圖像測(cè)試可以獲得準(zhǔn)確的粒徑與粒度信息。為了提高計(jì)算準(zhǔn)確度，可利用稱重方法來(lái)標(biāo)定計(jì)算結(jié)果再求解得到顆粒濃度。結(jié)果顯示，采用圖像法測(cè)試顆粒物濃度是完全可行的。

4 ?結(jié)論

（1）根據(jù)粒徑范圍下的粒度分布狀態(tài)可知，粒徑主要分布與100 ～150 μm之間，整體符合正態(tài)分布特點(diǎn)。進(jìn)行均方根誤差分析得到依次為22.1%，由此可見(jiàn)，測(cè)試結(jié)果滿足準(zhǔn)確性要求。

（2）經(jīng)測(cè)試得到85 μm顆粒的平均粒徑等于 90.3 μm，計(jì)算得到相對(duì)誤差為6.23%，150 μm顆粒的平均粒徑等于142 μm，計(jì)算得到相對(duì)誤差為-5.33%，兩種粒徑下的測(cè)試誤差都未超過(guò)±6.5%，表明采用此方法可以實(shí)現(xiàn)對(duì)粒徑的準(zhǔn)確測(cè)量。

參考文獻(xiàn)：

[1]雷志偉.基于光散射法燃煤電廠煙塵濃度的在線測(cè)量系統(tǒng)研究[J].分布式能源，2018，3（05）：28-33.

[2]粟慧.燃煤電廠煙塵超低排放技術(shù)措施研究[J].中國(guó)設(shè)備工程，2018（11）：79-80.

[3]羅琰.淺談煙氣連續(xù)排放監(jiān)測(cè)系統(tǒng)的維護(hù)[J].自動(dòng)化應(yīng)用，2018（04）：32-33+35.

[4]Seggiani M， Prati M V， Costagliola M A， et al. Bioethanol-gasoline fuel blends： exhaust emissions and morphological characterization of particulate from a moped engine[J]. Journal of the Air & Waste Management Association， 2012， 62（8）：888.

[5]Ulrich Leidenberger， Wolfgang Mühlbauer， Sebastian Lorenz， et al. Experimental Studies on the Influence of Diesel Engine Operating Parameters on Properties of Emitted Soot Particles[J]. Combustion Science & Technology， 2012， 184（1）：1-15.

[6]于天澤，楊斌，王婷，蔡小舒.角散射低質(zhì)量濃度煙塵在線測(cè)量系統(tǒng)設(shè)計(jì)[J].光學(xué)儀器，2018，40（01）：8-12.

[7]豈峰利，程永強(qiáng).基于稱重法的煙塵濃度在線測(cè)量裝置實(shí)現(xiàn)研究[J].現(xiàn)代電子技術(shù)，2018，41（02）：48-52.

[8]趙濟(jì)坤，程永強(qiáng).基于光散射法的煙塵發(fā)生及濃度測(cè)量系統(tǒng)設(shè)計(jì)[J].激光與紅外，2017，47（08）：996-1001.

[9]韓平. 超低排放機(jī)組煙塵濃度測(cè)量方法的干擾因素分析及選型[J].環(huán)境工程學(xué)報(bào)， 2017， 11（06）： 3653-3658.

[10]Gisolf F， Malgoezar A， Baar T， et al. Improving source camera identification using a simplified total variation based noise removal algorithm[J]. Digital Investigation， 2013， 10（3）：207-214.

[11]Xiao L， Huang L L， Wei Z H. A Weberized Total Variation Regularization-Based Image Multiplicative Noise Removal Algorithm[J]. Eurasip Journal on Advances in Signal Processing， 2010， 2010（1）：?490384.

[12]張伏葉，閆克丁.基于電容法的電廠煙塵測(cè)量研究[J].價(jià)值工程，2017，36（03）： 142-144.

[13]張萍. 重量法測(cè)定煙塵的測(cè)量不確定度評(píng)定[J]. 儀器儀表與分析監(jiān)測(cè)， 2016（02）： 31-33.

[14]邢鍵， 孫偉民， 孫曉剛， 孫晶華. 基于橢偏法的煙塵粒子復(fù)折射率測(cè)量[J]. 哈爾濱工程大學(xué)學(xué)報(bào)， 2012， 33（02）： 255-258.

[15]閻三寶， 祁君田， 殷煥榮， 李茹雅， 王衛(wèi)文， 楊更生. 低煙塵排放濃度測(cè)量出現(xiàn)“負(fù)值”的原因分析及處理[J]. 熱力發(fā)電， 2011， 40（12）： 106.