王 宇，余岳峰，朱小磊，張忠孝

(上海交通大學(xué) 機(jī)械與動力工程學(xué)院， 上海 200240)

近年來，利用彩色CCD(Charge Coupled Device，電荷耦合元件)和數(shù)字圖像處理技術(shù)診斷火焰穩(wěn)定性逐漸成為燃燒領(lǐng)域的研究熱點(diǎn)[1].從圖像中提取火焰特征參數(shù)，訓(xùn)練模型并對燃燒狀態(tài)進(jìn)行模式識別，可以實(shí)現(xiàn)對燃燒過程的有效監(jiān)測[2].然而，傳統(tǒng)的火焰特征參數(shù)往往依據(jù)先驗(yàn)知識提取，涉及到復(fù)雜的數(shù)學(xué)與物理模型建立[3-5].這些參數(shù)大多基于特定的研究算法，在許多環(huán)境下并不通用，如燃燒器的結(jié)構(gòu)不同、相機(jī)拍攝角度不同及光照條件變化等.實(shí)際工業(yè)中，也正是由于缺少適用度很高的特征，使得火焰檢測模型受到限制，不易于推廣.

隨著計(jì)算機(jī)性能不斷提高，深度學(xué)習(xí)逐漸展現(xiàn)出優(yōu)勢.其中，在圖像識別、檢測及分割等領(lǐng)域，尤其以卷積神經(jīng)網(wǎng)絡(luò)(CNN，Convolutional Neural Network)的發(fā)展最為迅速，并產(chǎn)生一系列優(yōu)化模型，如R-CNN、Fast R-CNN、Faster R-CNN[6-7]等.CNN通過卷積層自動提取圖像中的隱含特征，在傳統(tǒng)模型通用性不好、識別率不高的情況下，展現(xiàn)出更強(qiáng)的穩(wěn)健性，顯著提高了模型的表達(dá)能力.CNN不僅能實(shí)現(xiàn)火焰類型識別，改善傳統(tǒng)模型識別率不高、泛化能力弱等問題，還能通過特征映射圖等挖掘出潛在的火焰特征，對于分析燃燒穩(wěn)定性十分關(guān)鍵.然而，CNN自身存在不少缺陷.比如，CNN是端到端的學(xué)習(xí)框架，網(wǎng)絡(luò)內(nèi)部參數(shù)的物理意義不可獲知，通常只求得到模型最終的判別結(jié)果.此外，CNN只能提取圖像中的靜態(tài)特征，不關(guān)心時間域上的信息.

本文結(jié)合光流法和深度學(xué)習(xí)對燃?xì)饣鹧娴姆€(wěn)定性進(jìn)行了研究.為了直觀地展現(xiàn)燃?xì)饣鹧嬖诙S圖像中的動態(tài)燃燒過程，采用光流法計(jì)算火焰光流矢量場，并給出光流脈動評價指標(biāo)，以此來評估火焰燃燒穩(wěn)定性.同時，將深度學(xué)習(xí)方法引入燃?xì)饣鹧嫒紵隣顟B(tài)識別，搭建了深度卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合火焰靜態(tài)與動態(tài)特征，實(shí)現(xiàn)了對燃?xì)馊紵龑?shí)驗(yàn)臺上5種典型火焰燃燒狀態(tài)的分類與識別.

1 實(shí)驗(yàn)裝置和方法

1.1 實(shí)驗(yàn)裝置和測量系統(tǒng)

本實(shí)驗(yàn)利用工業(yè)CCD相機(jī)在350 kW燃?xì)馊紵龑?shí)驗(yàn)臺上獲取火焰圖像，并基于光流法和深度學(xué)習(xí)框架搭建了一套火焰狀態(tài)識別及穩(wěn)定性判別系統(tǒng).實(shí)驗(yàn)臺的具體結(jié)構(gòu)如圖1(a)所示，主要包括燃燒控制部分和圖像采集部分.燃燒控制部分主要由燃燒器、燃燒室、石英玻璃觀察窗、配氣管路及煙氣分析儀等組成.圖像采集部分由CCD相機(jī)、通信光纜、相機(jī)支架及上位機(jī)等組成.圖1(b)給出了本實(shí)驗(yàn)所采用的兩種燃燒器，分別用來模擬擴(kuò)散火焰和預(yù)混火焰.

臥式燃燒室具有黑體爐環(huán)境， 可通過裝有石英玻璃的小窗觀察到燃燒室的內(nèi)部情況，使得外界光源對實(shí)驗(yàn)的干擾大幅度降低.實(shí)驗(yàn)中，通過控制燃?xì)夂涂諝獾呐浔?，模擬甲烷在高、低負(fù)荷不同當(dāng)量比下的燃燒工況，從而獲得具有代表性的火焰圖像序列.CCD相機(jī)通過光纜將實(shí)時采集的火焰圖像數(shù)據(jù)傳輸給上位機(jī)，為燃燒穩(wěn)定性評估和狀態(tài)在線識別建立數(shù)據(jù)集.由于實(shí)驗(yàn)裝置的制約，本實(shí)驗(yàn)通過尾部煙氣分析儀測得煙氣含氧量，以此來推算過量空氣系數(shù)φ.

圖1 燃?xì)馊紵龑?shí)驗(yàn)臺與燃燒器Fig.1 Gas-fired combustion apparatus and burners

1.2 實(shí)驗(yàn)方法及工況

為了獲取不同燃燒工況下燃?xì)饣鹧鎴D像序列，本實(shí)驗(yàn)?zāi)M了高、低燃?xì)庳?fù)荷，通過調(diào)整一次配風(fēng)來確定不同的當(dāng)量比燃燒.其中，額定負(fù)荷下燃?xì)饬髁繛?5 N·m3/h，擴(kuò)散火焰高負(fù)荷為額定負(fù)荷的91.4%，低負(fù)荷為額定負(fù)荷的48.3%，預(yù)混火焰高負(fù)荷為額定負(fù)荷的92.6%，低負(fù)荷為額定負(fù)荷的51.4%.同時，用兩種不同類型的燃燒器進(jìn)行實(shí)驗(yàn)，模擬了擴(kuò)散和預(yù)混兩種燃燒形式.本實(shí)驗(yàn)的燃?xì)饣鹧鏍顟B(tài)可分為擴(kuò)散穩(wěn)定、擴(kuò)散脫火、預(yù)混穩(wěn)定、預(yù)混脫火及預(yù)混回火等.分類過程中，將“擴(kuò)散脫火”歸入擴(kuò)散不穩(wěn)定燃燒工況，將“預(yù)混脫火”和“預(yù)混回火”歸入預(yù)混不穩(wěn)定燃燒工況.

2 圖像采集和數(shù)據(jù)集建立

2.1 圖像采集

圖像采集部分主要涉及到軟、硬件設(shè)置，包括CCD相機(jī)位置、相機(jī)內(nèi)參、采集幀率、數(shù)據(jù)傳輸及圖像預(yù)處理等.其中，CCD相機(jī)鏡頭正對火焰觀察窗口，按預(yù)先設(shè)定的光圈、幀速采集圖像.相機(jī)的光圈調(diào)到最大(鏡頭焦距為16 mm)，這導(dǎo)致高負(fù)荷下火焰圖像出現(xiàn)過度曝光現(xiàn)象.為了更好地捕捉到低負(fù)荷下不穩(wěn)定的火焰圖像，認(rèn)為損失部分高負(fù)荷下火焰圖像的信息是有必要的.采集擴(kuò)散火焰圖像時，相機(jī)積分時間為10 ms；采集預(yù)混火焰圖像時，相機(jī)積分時間為5 ms.經(jīng)分析，燃?xì)饣鹧娴恼駝宇l率在3～25 Hz[8]，為了采集到火焰閃爍信號，采集幀速通常要高于25幀/秒.而實(shí)際工業(yè)中，爐膛觀火電視監(jiān)測系統(tǒng)每秒只處理1～2張火焰圖像，不關(guān)心火焰瞬態(tài)變化.而且，一旦采集幀速過高，提出的光流指標(biāo)也會失去評價效果.本實(shí)驗(yàn)為了兼顧這兩點(diǎn)，綜合考慮采用10幀/s的圖像采集速度.此外，本實(shí)驗(yàn)所用CCD為單CCD，每個像素點(diǎn)只有1個顏色值，可依據(jù)插值獲得其他顏色值.插值后，可得到燃?xì)饣鹧鍾GB三色矩陣圖像，圖像分辨率為493像素×656像素.具體插值辦法可見文獻(xiàn)[9].為了降低模型和現(xiàn)場操作的復(fù)雜度，本實(shí)驗(yàn)沒有做CCD相機(jī)位置標(biāo)定，僅在合適的視距下調(diào)整焦距以清晰拍攝到火焰圖像.此外，在深度卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理中加入數(shù)據(jù)擴(kuò)充算法，這在某種程度上減小了火焰拍攝位置變化對識別結(jié)果的影響.

2.2 數(shù)據(jù)集建立

為了識別燃?xì)饣鹧娴娜紵隣顟B(tài)以及評估火焰穩(wěn)定性，需要建立火焰圖像數(shù)據(jù)集以滿足深度學(xué)習(xí)模型的要求.深度學(xué)習(xí)模型主要依靠數(shù)據(jù)驅(qū)動，因此對數(shù)據(jù)集的精度要求非常高，規(guī)范的數(shù)據(jù)可以顯著提高卷積神經(jīng)網(wǎng)絡(luò)的識別能力和泛化能力.

實(shí)際采集中，火焰圖像容易受到各種外界因素的干擾，夾雜許多噪聲，如光照變化及數(shù)據(jù)傳輸損失等[10].為了減少網(wǎng)絡(luò)對這些冗余噪聲的學(xué)習(xí)，降低訓(xùn)練時不必要的內(nèi)存消耗，需要在火焰圖像數(shù)據(jù)上進(jìn)行降噪處理.常用的降噪方法有濾波法及插值法等[11].考慮到實(shí)時性，采用中值濾波法對圖像進(jìn)行降噪.本研究沿用可變閾值的“最大類間方差法”對火焰圖像進(jìn)行分割，在滿足實(shí)時性要求的同時，也有效降低了光源干擾對燃燒區(qū)域錯分的影響[9].基于此，建立燃?xì)饣鹧鎴D像數(shù)據(jù)集，主要包括下面5類：擴(kuò)散穩(wěn)定火焰、擴(kuò)散不穩(wěn)定火焰(主要指脫火)、預(yù)混穩(wěn)定火焰、預(yù)混不穩(wěn)定火焰(包括脫火和回火)及背景(包括熄火).拍攝到的火焰圖像共計(jì) 11 435 張圖片，其中，擴(kuò)散穩(wěn)定 4 852 張，擴(kuò)散不穩(wěn)定247張，預(yù)混穩(wěn)定 5 808 張，預(yù)混不穩(wěn)定223張，背景及熄火305張.

3 火焰圖像光流估計(jì)

3.1 光流法

為了評估燃?xì)饣鹧嬖趫D像中的速度脈動，引入光流法來估計(jì)燃燒區(qū)域的光流矢量.光流法在目標(biāo)檢測、測速及場景重建[12-13]等領(lǐng)域應(yīng)用廣泛，卻少有研究將其運(yùn)用到燃燒診斷中，根本原因是火焰體不是剛體，不僅外形變化劇烈，而且很難滿足灰度守恒假設(shè)[14].

燃?xì)庠谌紵^程中伴隨著復(fù)雜而劇烈的化學(xué)變化，燃?xì)饣鹧娌粌H脈動響應(yīng)快，閃爍頻率快，而且在燃燒不充分時，壓力和熱釋放率都會大幅度波動，表現(xiàn)出亮度不均勻等現(xiàn)象.直接對火焰圖像進(jìn)行平滑，會導(dǎo)致火焰亮度信息嚴(yán)重缺失，造成更多誤判斷，甚至計(jì)算出的結(jié)果本身就是錯誤的.傳統(tǒng)光流法在上述情況下并不適用，有學(xué)者提出廣義質(zhì)量傳輸問題，以此來適應(yīng)火焰特殊的光流場.考慮圖像中火焰區(qū)域亮度(質(zhì)量)守恒，該模型可以表達(dá)為[15]

(1)

式中：It為圖像灰度對時間的導(dǎo)數(shù)；u為圖像中火焰體在x和y兩個方向的光流矢量；I為火焰圖像的灰度強(qiáng)度.

可知，經(jīng)由CCD拍攝的世界坐標(biāo)系下的火焰圖像是整個三維火焰在CCD成像坐標(biāo)系下的投影.對于單幀火焰灰度圖像(已從RGB空間映射到256灰度級空間)，假設(shè)在整個二維成像面上灰度守恒，由此可建立灰度質(zhì)量守恒方程，即火焰圖像上燃燒區(qū)域的灰度總強(qiáng)度隨時間的變化等于火焰峰面上進(jìn)出的灰度變化.從某種程度上講，這個假設(shè)建立了火焰輻射能和圖像灰度之間的關(guān)聯(lián)，表明圖像中火焰亮度變化只能通過火焰邊界進(jìn)出.使用這種方法就能夠刻畫火焰亮度的局部特性.因此，建立圖像中火焰燃燒區(qū)域灰度強(qiáng)度與沿火焰峰面法向上灰度變化之間的關(guān)系：

?x,y∈ΩItdxdy=-∮?ΩIu·NdL

(2)

式中：Ω為圖像中的火焰區(qū)域；?Ω為圖像中的火焰峰面；N為沿火焰峰面法線方向的單位向量；L為沿火焰燃燒區(qū)域的邊緣長度.利用散度定理

(3)

式中：A為火焰面積.將圖像中火焰峰面上灰度變化的線積分轉(zhuǎn)化為整個火焰燃燒區(qū)域的面積分，再與式(2)建立等式，從而可得到火焰圖像亮度(質(zhì)量)守恒定律，具體推導(dǎo)過程可見文獻(xiàn)[15].

將式(1)作為正則項(xiàng)，構(gòu)造拉格朗日能量泛函，建立最佳質(zhì)量傳輸(OMT，Optimal Mass Transport)光流模型[14]：

(4)

式中：α為正則項(xiàng)系數(shù)；T為積分時間.該模型有數(shù)值解：

(5)

3.2 光流脈動評價模型

在給定的相機(jī)拍攝幀速下，可通過相鄰火焰圖像獲取燃?xì)饣鹧娴墓饬魇噶繄?然而，光流矢量只能定性地觀察二維火焰圖像上的光流脈動，不能準(zhǔn)確評估火焰光流脈動大小.燃?xì)饣鹧鎮(zhèn)鞑ニ俣葮O快，火焰瞬態(tài)燃燒時，亮度與幾何特征變化劇烈，尤其在不穩(wěn)定燃燒階段，計(jì)算出的光流矢量在相鄰圖像之間差異較大(矢量大小及方向)，僅通過觀察矢量場來衡量火焰的脈動大小極不合理.為了評價光流的脈動程度，本文提出了光流脈動能量值ω，用以評估光流矢量的脈動大?。?/p>

(6)

式中：ui為第i點(diǎn)的光流矢量；n為火焰圖像中火焰區(qū)域的像素點(diǎn)總數(shù).ω利用2-范數(shù)來代表燃?xì)饣鹧鎴D像中每一個像素點(diǎn)的光流脈動能量值，并用所有火焰區(qū)域像素點(diǎn)的期望能量值來衡量每一幀火焰圖像中光流的平均脈動程度.

4 火焰圖像分類

4.1 VGG-Nets模型概述

為了區(qū)分不同類型下不同燃燒狀態(tài)的燃?xì)饣鹧妫捎蒙疃葘W(xué)習(xí)領(lǐng)域經(jīng)典的VGG-Nets框架搭建火焰圖像分類模型.VGG-Nets模型是牛津大學(xué)視覺幾何組2014年參加ImageNet圖像分類與定位比賽中用到的模型[16].該模型結(jié)構(gòu)簡單，使用小卷積核(3×3)通過堆疊的方式形成深層結(jié)構(gòu)，提高了網(wǎng)絡(luò)的非線性表達(dá)能力，而且模型的收斂速度更快.

本研究改進(jìn)了VGG-Nets下的VGG16模型，使該模型符合火焰狀態(tài)分類任務(wù).VGG16模型可以劃分為不同塊(B1～B5)，每一塊包括若干卷積層和匯合層.整個VGG16的網(wǎng)絡(luò)架構(gòu)包括13個卷積層，3個全連接層，5個匯合層.下面是對實(shí)驗(yàn)中采用的VGG16網(wǎng)絡(luò)結(jié)構(gòu)的基本介紹.表1給出了火焰圖像在VGG16模型不同塊中的輸入與輸出維度.

(1) 首先，輸入分辨率大小為224像素×224像素，通道數(shù)為3的火焰RGB圖像；

(2) 在B1中采用兩個3×3×3，通道數(shù)為64的卷積核，利用卷積操作將原圖轉(zhuǎn)換為特征圖，得到的特征圖通道數(shù)都是64.通過匯合層將特征圖的大小砍半，通道數(shù)翻倍，在降低參數(shù)的同時增加了網(wǎng)絡(luò)的深度；

(3) 在B2中采用兩個3×3×3，通道數(shù)為128的卷積核，得到通道數(shù)為128的特征圖.再通過匯合層將特征圖的大小砍半；

(4) 在B3中采用兩個3×3×3，通道數(shù)為256的卷積核，得到通道數(shù)為256的特征圖.通過匯合操作減少參數(shù)個數(shù)，提高網(wǎng)絡(luò)深度；

(5) 在B4中采用3個3×3×3，通道數(shù)為512的卷積核，得到通道數(shù)為512的特征圖，再通過匯合操作減少參數(shù)個數(shù)；

(6) B5和B4結(jié)構(gòu)相同，但B5特征圖的大小在B4特征圖的基礎(chǔ)上又縮減了一半，輸出維度為 7×7×512；

(7) 最后，將全部卷積和匯合操作完成后的特征圖張量展開成列向量，通過兩個1×1×4 096 的全連接層和1×1×5的Softmax層進(jìn)行火焰圖像分類.

表1 VGG16模型不同塊中圖像的輸入與輸出維度Tab.1 Input and output dimensions of images in different blocks of VGG16 model

4.2 VGG-Nets參數(shù)選擇

VGG-Nets的主要參數(shù)設(shè)置如下：匯合層采用平均匯合，激活層采用ReLU(Rectified Linear Unit)函數(shù)，網(wǎng)絡(luò)不考慮偏置項(xiàng)；采用隨機(jī)梯度下降(Stochastic Gradient Descent，SGD)算法；每一批訓(xùn)練數(shù)據(jù)大小設(shè)置為16，學(xué)習(xí)率為 0.000 1，損失函數(shù)采用交叉熵?fù)p失函數(shù).限于篇幅，關(guān)于參數(shù)的詳細(xì)介紹可參考文獻(xiàn)[16].

實(shí)際拍攝的火焰圖像分辨率為493像素×656像素，為了適合卷積神經(jīng)網(wǎng)絡(luò)的輸入，在訓(xùn)練之前，已將圖像尺寸調(diào)整為VGG16網(wǎng)絡(luò)合適的輸入大小.調(diào)整圖像輸入大小必定會損失部分火焰圖像信息，但結(jié)果表明這種預(yù)處理方法對識別率影響不大.本研究基于Keras搭建VGG16模型的整體框架，并在GPU上進(jìn)行訓(xùn)練.由于實(shí)際的VGG16模型最后的分類層為1×1×1 000 的Softmax層，這與我們的火焰狀態(tài)分類數(shù)不匹配.為了適合火焰狀態(tài)分類任務(wù)，將原始分類層去除，添加1×1×5的Softmax層.調(diào)用ImageNet數(shù)據(jù)庫中已經(jīng)預(yù)先訓(xùn)練好的網(wǎng)絡(luò)權(quán)重，在改進(jìn)的VGG16模型上進(jìn)行微調(diào)(從后往前依次更新權(quán)重)，總共訓(xùn)練20個輪次.

5 實(shí)驗(yàn)結(jié)果分析

傳統(tǒng)火焰檢測算法能識別出不同的火焰狀態(tài)[2-4,9]，卻無法評價火焰的脈動程度，這是因?yàn)槿鄙倭巳紵跁r間維度上的特征信息.研究發(fā)現(xiàn)，光流法能將火焰體在時間域上的亮度信息變化清楚地反映出來，對于觀察異常燃燒十分重要.圖2(a)為火焰圖像燃燒區(qū)域邊緣的光流脈動，圖2(b)為火焰圖像中心區(qū)域的光流脈動.可以看出，在火焰燃燒區(qū)域的局部位置處，不同像素點(diǎn)的光流大小和指向差別較大，尤其是圖像中亮度缺陷或亮度梯度變化明顯的區(qū)域.這表明火焰瞬態(tài)脈動非常劇烈，火焰內(nèi)部的真實(shí)溫度場和速度場處在快速變化階段.同樣，火焰圖像中部分區(qū)域光流矢量幾乎不可見，這說明了該區(qū)域的光流脈動很小， 火焰燃燒充分且較為穩(wěn)定.

圖2 火焰圖像光流矢量場Fig.2 Optical flow vector fields of flame image

利用光流矢量場在二維火焰圖像上觀察火焰脈動，雖不能從本質(zhì)上分析火焰的瞬態(tài)燃燒行為，但克服了單幀火焰圖像不能完全判斷火焰穩(wěn)定性的困難，增加了時間域上燃?xì)饣鹧娴牧炼炔▌有畔?，對工業(yè)燃燒診斷火焰穩(wěn)定性判斷起到了參考作用.值得注意的是，本文單從局部區(qū)域?qū)鹧婀饬鬟M(jìn)行了觀察，如果從整幅火焰圖像來看，光流計(jì)算的效果似乎并不突出，還有待進(jìn)一步研究.比如，可以考慮最合適的相機(jī)采集幀速及最佳相機(jī)曝光時間等問題.另外，計(jì)算出的光流場信息具有相對性，關(guān)于其準(zhǔn)確性還有待進(jìn)一步驗(yàn)證.

為了量化每一幀火焰圖像光流場的脈動程度，利用提出的光流脈動評價模型對高低燃?xì)庳?fù)荷下擴(kuò)散穩(wěn)定及預(yù)混穩(wěn)定的燃?xì)鈭D像序列進(jìn)行計(jì)算，結(jié)果如圖3所示.可以看出，不管是擴(kuò)散燃燒還是預(yù)混燃燒，火焰圖像的光流脈動能量值基本是在低負(fù)荷下更高.這符合常識，相對于高負(fù)荷，低負(fù)荷工況下燃?xì)饬可伲瑓⑴c反應(yīng)的燃?xì)獯罅肯?，燃料來不及供?yīng).較少的燃?xì)馐苌淞饔绊懺跔t內(nèi)分布不均，促使燃燒空間分布不均勻.這種不均勻性改變了氣流的速度梯度，使得相同位置下不同時刻的燃燒強(qiáng)度也不同.而火焰亮度是與燃燒強(qiáng)度直接相關(guān)的，反映在二維圖像中，燃燒區(qū)域會出現(xiàn)明顯的灰度變化.

圖3 不同過量空氣系數(shù)下火焰圖像光流脈動平均值Fig.3 Average value of optical flow pulsation in flame image at different excess air coefficients

而且，在同一燃?xì)庳?fù)荷下，隨著過量空氣系數(shù)逐漸增大，火焰光流脈動明顯有變大的趨勢，且波動幅度也相應(yīng)增大.經(jīng)分析，這主要是因?yàn)橐淮闻滹L(fēng)量增大，導(dǎo)致火焰內(nèi)部參與燃燒反應(yīng)的氧化劑增多，促使燃燒更充分，火焰瞬時脈動更加劇烈.同時，由于空氣及燃?xì)饣ハ嗑砦?，大量空氣吹散燃?xì)饣鹧妫沟枚S圖像序列上燃?xì)饣鹧媪炼确植疾痪?，致使通過灰度計(jì)算出的光流脈動幅度也越大，尤其是在甲烷“貧燃”燃燒工況下.此外，針對不同燃燒情形或不同的過量空氣系數(shù)，光流脈動能量的不確定性差異很大，這可能是由于不同的火焰類型或不同的空燃比使燃燒過程受到不同因素主導(dǎo)所致.例如，預(yù)混情形下由于空氣與燃?xì)忸A(yù)先混合，燃燒過程中往往受化學(xué)動力學(xué)因素較多.而一旦一次配風(fēng)量過大，流體動力學(xué)因素就會占據(jù)主導(dǎo)，此時光流脈動會因?yàn)榛旌闲?yīng)加強(qiáng)而出現(xiàn)大幅度波動.當(dāng)然，這肯定還和燃燒器的具體結(jié)構(gòu)有關(guān).

為了詳細(xì)了解光流脈動評價模型在實(shí)際評估燃?xì)饣鹧娣€(wěn)定性時的作用，本研究針對幾個典型的燃燒過程進(jìn)行了案例分析，包括擴(kuò)散點(diǎn)火過程、擴(kuò)散脫火過程及預(yù)混喘振過程等.實(shí)驗(yàn)中發(fā)現(xiàn)，燃?xì)鈹U(kuò)散火焰的傳播速度極快，脫火過程很短，在10 幀/s的圖像采集速度下，火焰幾乎瞬時消失.擴(kuò)散火焰在低燃?xì)庳?fù)荷下從有火變?yōu)闊o火，這個過程也僅發(fā)生在半秒之內(nèi).而高負(fù)荷下，火焰則經(jīng)歷了光流脈動能量值攀升的過程，持續(xù)了大概100 s左右.

計(jì)算出擴(kuò)散火焰圖像熄火前幾幀的光流矢量場和光流脈動能量值，能量脈動時序曲線如圖4所示.結(jié)果表明，當(dāng)火焰進(jìn)入不穩(wěn)定燃燒階段時，火焰圖像的光流脈動會明顯變大，圖像中出現(xiàn)異常的亮度變化(包括點(diǎn)火階段)，直至火焰熄滅，光流脈動能量陡降為0.火焰在高負(fù)荷下脫火，過程持續(xù)時間則比較長，在2 min內(nèi)火焰圖像光流從1個能量單位升高到5個能量單位，最終才停止脈動.

圖4 擴(kuò)散火焰不穩(wěn)定階段光流脈動Fig.4 Optical flow pulsation of diffusion flame in unstable process

預(yù)混火焰是燃?xì)夂涂諝忸A(yù)先混合而進(jìn)行的燃燒，在燃燒不穩(wěn)定階段極易出現(xiàn)喘振現(xiàn)象，潛在很大的安全隱患.圖5給出了27 s左右預(yù)混火焰喘振階段的光流脈動能量曲線.可以看出，在火焰不斷閃爍的過程中，計(jì)算出的火焰光流脈動能量值在5～40個能量單位之間跳動，并最終隨著火焰熄滅脈動消失.從圖3已經(jīng)可以得知，在火焰穩(wěn)定燃燒階段，光流脈動能量幾乎不會超過5個能量單位，而一旦火焰圖像亮度變化非常劇烈，光流脈動能量也會出現(xiàn)攀升.燃?xì)忸A(yù)混火焰在穩(wěn)定燃燒和不穩(wěn)定燃燒階段，其光流脈動的能量數(shù)量級差異較大，這主要體現(xiàn)在燃燒不穩(wěn)定時燃燒室內(nèi)溫度和壓力的急劇變化.預(yù)混燃燒主要受化學(xué)動力學(xué)因素控制，一旦燃?xì)馀c一次配風(fēng)的比例控制不當(dāng)，在實(shí)際燃燒中很容易造成脫火、回火等危險情形發(fā)生.因此， 利用本實(shí)驗(yàn)所提出的光流脈動大小來評估預(yù)混火焰的不穩(wěn)定燃燒并

圖5 預(yù)混火焰喘振階段光流脈動Fig.5 Optical flow pulsation of premixed flame in unstable process

及時給出反饋是有必要的.實(shí)驗(yàn)中發(fā)現(xiàn)，本研究提出的光流法適用于低速氣態(tài)火焰流場不適用于高速湍流火焰，且相機(jī)的拍攝幀速不宜過高，否則，較小采樣間隔下光流能量脈動變化將不明顯.

由上述分析可知，光流法可以提取出相鄰火焰圖像之間的動態(tài)特征，并通過光流脈動能量值來反映每一時刻火焰的不穩(wěn)定性.這是從時間維度上對火焰脈動進(jìn)行分析.然而，這種動態(tài)特征受限于相機(jī)的采集幀速，而且缺少了對圖像中火焰空間分布及火焰形態(tài)學(xué)特征的表征.經(jīng)分析，火焰狀態(tài)識別模型能提取出火焰亮度及幾何等特征作為模式，從而對火焰類型進(jìn)行判別.傳統(tǒng)識別模型往往受限于特征模型建立的困難以及模型在不同場景適用性低的問題，而CNN易于提取火焰圖像特征，且能夠挖掘出對分析火焰穩(wěn)定性有決定性作用的隱含特征.因此，為了彌補(bǔ)光流法對火焰特征及火焰穩(wěn)定性解釋不足的缺陷，通過CNN獲取了燃?xì)饣鹧鎴D像中的靜態(tài)特征，并基于此實(shí)現(xiàn)了燃?xì)饣鹧鏍顟B(tài)分類.

為了使模型更加通用，將所有火焰圖像矩陣的像素點(diǎn)從0～255的灰度值標(biāo)準(zhǔn)化到0～1.訓(xùn)練時，設(shè)定隨機(jī)種子，將已知類別的火焰圖像數(shù)據(jù)打亂，按批次抽取數(shù)據(jù)進(jìn)行訓(xùn)練，保證數(shù)據(jù)不重不漏.同時，采用數(shù)據(jù)擴(kuò)充等方式增加了火焰圖像的樣本數(shù)量，在一定程度上提高了模型的泛化能力.

將不同工況下的擴(kuò)散火焰圖像分為擴(kuò)散穩(wěn)定及擴(kuò)散不穩(wěn)定兩種狀態(tài).將不同工況下的預(yù)混火焰圖像分為預(yù)混穩(wěn)定及預(yù)混不穩(wěn)定兩種狀態(tài).此外，還有背景以及熄火等圖像.將所有數(shù)據(jù)按4∶1分成訓(xùn)練集及驗(yàn)證集，每批次抽取16張圖進(jìn)行訓(xùn)練，訓(xùn)練20個輪次.本實(shí)驗(yàn)最終的穩(wěn)定性判定結(jié)果如表2所示.可知，VGG16網(wǎng)絡(luò)內(nèi)部的卷積操作可以學(xué)習(xí)到火焰圖像的不同模式.圖6給出了不同塊下(B1～B5)擴(kuò)散及預(yù)混火焰的特征圖像. 通過卷積層的特征映射圖， 可以清楚地觀察到燃?xì)鈹U(kuò)散及預(yù)混火焰在穩(wěn)定

圖6 不同塊下擴(kuò)散及預(yù)混火焰特征層圖像(像素×像素)Fig.6 Feature maps of diffusion and premixed flames in different blocks (pixel×pixel)

表2 判定結(jié)果Tab.2 Results of classification

與不穩(wěn)定燃燒階段各自的靜態(tài)特征，包括火焰結(jié)構(gòu)、燃燒空間分布等.比如，靠前的淺層卷積核容易學(xué)習(xí)到火焰各種基本的外形特征，如火焰輪廓、邊緣及紋理信息等；靠后的深層卷積核會學(xué)習(xí)到火焰圖像中語義層更高的表示特征，如火焰峰面、火焰結(jié)構(gòu)等的模式.相對于傳統(tǒng)模型，CNN通過訓(xùn)練可以自動學(xué)習(xí)出火焰特征，降低了特征參數(shù)提取的復(fù)雜度，也提高了特征的通用性.

本文所建立的VGG16模型適用于監(jiān)測沿燃燒器軸向拍攝的燃?xì)饣鹧?，且能夠區(qū)分不同的火焰類型及火焰狀態(tài).實(shí)驗(yàn)發(fā)現(xiàn)，VGG16模型效果良好，訓(xùn)練2到3個輪次后，驗(yàn)證集的平均準(zhǔn)確度已達(dá)到99.95%以上，識別能力較好.VGG16模型利用小卷積核在相同的網(wǎng)絡(luò)深度下可以獲取到原始圖像更大的感受范圍，提取出火焰圖像更為全局、語義層更高的信息.此外，通過疊加小卷積核，VGG16模型的參數(shù)在無形中減少了，網(wǎng)絡(luò)深度也得到增加，這對于降低計(jì)算量、提高火焰識別模型的正確率是有利的.

通過深度神經(jīng)網(wǎng)絡(luò)提取火焰圖像的靜態(tài)特征，結(jié)合上文提到的火焰動態(tài)光流矢量，可以較為完整地表征火焰燃燒穩(wěn)定性.既從定性角度觀察到了火焰圖像中局部區(qū)域的光流脈動情況，又從全局角度相對地評估了光流脈動的大小，達(dá)到了實(shí)驗(yàn)研究的目的.此外，借助深度神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對火焰不同燃燒狀態(tài)的分類與識別，彌補(bǔ)了傳統(tǒng)火焰檢測模型在特征提取方面的劣勢，有助于深度學(xué)習(xí)方法在燃燒診斷領(lǐng)域落地與應(yīng)用.

6 結(jié)論

(1) 結(jié)合光流法和深度學(xué)習(xí)框架搭建了一套火焰狀態(tài)識別及穩(wěn)定性判別系統(tǒng)，對擴(kuò)散火焰和預(yù)混火焰分別進(jìn)行了光流矢量計(jì)算和不同燃燒狀態(tài)的分類，取得了良好的效果.

(2) 通過光流法提取火焰圖像在時間域上的動態(tài)特征，同時，利用深度卷積神經(jīng)網(wǎng)絡(luò)提取火焰靜態(tài)特征，結(jié)合兩者可較為完整地表征燃?xì)饣鹧娴娜紵€(wěn)定性.

(3) 該光流法只適用于低速流場，不適合高速湍流火焰流場.對火焰?zhèn)鞑ニ俣葮O快的情形以及亮度波動劇烈的情形效果不好，尤其是低負(fù)荷下的燃?xì)饣鹧?

(4) 通過卷積神經(jīng)網(wǎng)絡(luò)模型降低了提取火焰特征的難度，結(jié)合光流法，又提高了特征表達(dá)的全面性，相對于基于人工特征提取的傳統(tǒng)模型，表現(xiàn)出較大的優(yōu)勢.