石 磊，雷 艷，梁曉杰，林 琛，王 磊，王曉艷，周定武

（1.濰柴動(dòng)力股份有限公司內(nèi)燃機(jī)可靠性國家重點(diǎn)實(shí)驗(yàn)室，濰坊 261061；2.北京工業(yè)大學(xué) 汽車工程系，北京 100124；3.湖南汽車工程職業(yè)學(xué)院，長(zhǎng)沙 412001）

0 概述

低碳燃料天然氣由于其具有熱值高、儲(chǔ)量豐富、經(jīng)濟(jì)性好、碳排放低等優(yōu)點(diǎn)，成為實(shí)用的清潔替代能源［1–2］。天然氣主要成分是甲烷，在內(nèi)燃機(jī)中應(yīng)用時(shí)有低壓預(yù)混和高壓直噴兩種方式。低壓噴射天然氣發(fā)動(dòng)機(jī)受爆震限制，熱效率較低，且低負(fù)荷工況易出現(xiàn)工作不穩(wěn)定甚至失火［3］。天然氣缸內(nèi)直噴是天然氣發(fā)動(dòng)機(jī)實(shí)現(xiàn)高效率、低排放的技術(shù)途徑，成為發(fā)動(dòng)機(jī)節(jié)能減排的重要方向之一［4］。缸內(nèi)直噴方式下，天然氣在上止點(diǎn)前高速射流進(jìn)入燃燒室，由引燃火焰引燃天然氣射流，最終形成射流湍流燃燒。作為天然氣主要成分的甲烷，其分子結(jié)構(gòu)中C—H 鍵的鍵能較大，超過一般有機(jī)物分子結(jié)構(gòu)中的C—C 鍵的鍵能，天然氣燃燒的火焰?zhèn)鞑ニ俣容^慢［5］。天然氣直噴發(fā)動(dòng)機(jī)的射流燃燒特性對(duì)整機(jī)性能影響至關(guān)重要，開展天然氣高壓射流燃燒的基礎(chǔ)研究十分必要。目前，研究人員多采用光學(xué)測(cè)試方法對(duì)射流燃燒特性進(jìn)行研究，高速攝影、紋影技術(shù)成為研究射流燃燒的主要手段。文獻(xiàn)［6］中用紋影獲得了燃燒火焰圖像并測(cè)量了層流燃燒火焰半徑。文獻(xiàn)［7］中采用高速攝影機(jī)、紋影技術(shù)研究了高壓甲烷射流特性，而且開展定容彈內(nèi)甲烷射流燃燒特性試驗(yàn)研究［8］。在通過光學(xué)測(cè)試獲得燃燒火焰圖像后，精確分析火焰?zhèn)鞑ニ俣鹊热紵暧^特性十分必要，其中對(duì)火焰邊緣定位、火焰輪廓的提煉是處理紋影圖片的關(guān)鍵，國內(nèi)外學(xué)者對(duì)火焰紋影圖像處理進(jìn)行了大量研究。

隨著數(shù)字圖像處理技術(shù)的發(fā)展，從紋影照片中獲取目標(biāo)的形態(tài)學(xué)參數(shù)已不完全依賴人工測(cè)量。使用計(jì)算機(jī)可進(jìn)行批量圖像處理，將輸入的灰度圖像轉(zhuǎn)為二值黑白圖像，再通過算法提取形態(tài)學(xué)信息，大大增加了數(shù)據(jù)獲取的速度，同時(shí)避免了人為判斷帶來的誤差［9］。目前通常采用經(jīng)典的邊緣檢測(cè)算法用MATLAB 等軟件進(jìn)行圖像處理。文獻(xiàn)［10］中開展了定容彈甲烷射流燃燒的光學(xué)測(cè)試，并基于亮度對(duì)比法識(shí)別火焰邊緣輪廓。文獻(xiàn)［11］中通過紋影獲得了甲烷空氣預(yù)混層流燃燒圖像并用MATLAB 編程處理了圖像獲得了火焰?zhèn)鞑ニ俣?。文獻(xiàn)［12］中利用MATLAB 軟件編寫了紋影圖片批量處理程序，獲得火焰?zhèn)鞑ジ鞣较虻陌霃街?。文獻(xiàn)［13］中利用紋影獲得了定容彈天然氣燃燒圖像并完成了圖像處理，獲得了火焰?zhèn)鞑ヌ匦?。以上文獻(xiàn)中圖像處理中通過去除背景、調(diào)整對(duì)比度、使用邊緣檢測(cè)算子識(shí)別邊緣、膨脹腐蝕、去除孤島等步驟，可以較好完成對(duì)單個(gè)目標(biāo)（火焰）的分割任務(wù)，但其具有對(duì)噪聲敏感、需要手動(dòng)設(shè)置閾值、自適應(yīng)能力較差等問題。

文獻(xiàn)［8］中對(duì)甲烷射流燃燒研究獲得了甲烷高壓射流并形成湍流燃燒的射流燃燒火焰圖像，如圖1所示。試驗(yàn)中，定容彈點(diǎn)火針點(diǎn)燃預(yù)混甲烷形成層流球形火焰，接著甲烷高壓射流進(jìn)入定容彈并沖入層流火焰球，最后甲烷射流被引燃形成湍流火焰。這個(gè)燃燒過程中，紋影拍攝到甲烷射流、層流燃燒火焰及湍流燃燒火焰。這種射流燃燒圖像含有多個(gè)目標(biāo)（氣體射流、燃燒火焰），而且氣體射流與燃燒火焰尤其是湍流燃燒火焰對(duì)比度差異太大，射流不易識(shí)別。對(duì)于存在多個(gè)目標(biāo)且目標(biāo)間對(duì)比度差異較大的圖像，傳統(tǒng)的邊緣檢測(cè)算子識(shí)別邊緣方法會(huì)對(duì)整幅圖片進(jìn)行對(duì)比度調(diào)整，難以保證所有待分割目標(biāo)都處在適合邊緣檢測(cè)算子識(shí)別的亮度，通常分割效果不理想，火焰邊界識(shí)別效果較差。

圖1 甲烷射流燃燒紋影圖片

相較于計(jì)算機(jī)，人工對(duì)這類圖像的識(shí)別測(cè)量準(zhǔn)確性更高。近年來，隨著神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的突破性改變，以深度學(xué)習(xí)為代表的人工智能理論研究取得了長(zhǎng)足進(jìn)步［14–16］，深度學(xué)習(xí)理論在圖像處理方面得以應(yīng)用［17］。20 世紀(jì)80年代就有研究中將BP 神經(jīng)網(wǎng)絡(luò)運(yùn)用于圖像處理，但受制于計(jì)算機(jī)性能，當(dāng)神經(jīng)網(wǎng)絡(luò)規(guī)模較大時(shí)效果明顯惡化。2012年AlexNet贏得了著名的ImageNet 圖像識(shí)別大賽，其采用ReLU 激活函數(shù)從根本上解決了梯度消失問題，并采用圖形處理器（graphics processing unit，GPU）極大提高了模型的運(yùn)算速度［18］。深度學(xué)習(xí)算法吸引了學(xué)術(shù)界和工業(yè)界的極大關(guān)注并得到飛速發(fā)展。Facebook 基于深度學(xué)習(xí)的DeepFace 項(xiàng)目人臉識(shí)別準(zhǔn)確率已達(dá)到97% 以上，與人類識(shí)別的準(zhǔn)確率相當(dāng)［19］，這也再一次證明了深度學(xué)習(xí)算法在圖像識(shí)別方面的優(yōu)越性。全卷積網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）的提出使神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了精確到單個(gè)像素的圖像語義分割［20］，而后又在FCN 的基礎(chǔ)上提出了SegNet、U-Net、V-Net、DenseU-Net、DeepLab、PSPNet、RefineNet 等一系列用于圖像分割的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，廣泛應(yīng)用于醫(yī)學(xué)影像、自動(dòng)駕駛遙感圖像研究等領(lǐng)域。

本文中基于定容彈開展了高壓天然氣（甲烷）射流燃燒光學(xué)測(cè)試，結(jié)合神經(jīng)網(wǎng)絡(luò)理論，將深度學(xué)習(xí)技術(shù)運(yùn)用到燃燒火焰圖像處理中，采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行圖像分割，識(shí)別火焰邊緣，進(jìn)一步獲得準(zhǔn)確的射流燃燒火焰?zhèn)鞑ニ俣?。本研究成功將深度學(xué)習(xí)方法應(yīng)用于燃燒火焰圖像處理，有助于提高多模式燃燒火焰圖像處理質(zhì)量，有利于多模式燃燒的基礎(chǔ)研究，可為復(fù)雜火焰圖像處理奠定基礎(chǔ)。

1 光學(xué)測(cè)試研究

基于定容彈進(jìn)行甲烷射流燃燒光學(xué)測(cè)試，光學(xué)測(cè)試系統(tǒng)主要包括定容彈、點(diǎn)火系統(tǒng)、加熱系統(tǒng)、紋影光學(xué)系統(tǒng)、氣體供給系統(tǒng)、采集系統(tǒng)等，相關(guān)測(cè)試設(shè)備及測(cè)試方法詳見文獻(xiàn)［7–8］。

試驗(yàn)中，甲烷先噴射進(jìn)入定容彈，與空氣預(yù)先混合形成可燃混合氣，并由點(diǎn)火針點(diǎn)燃形成預(yù)燃火焰；然后甲烷高壓噴射進(jìn)入彈內(nèi)，甲烷射流沖入預(yù)燃火焰被引燃形成湍流火焰。本試驗(yàn)采用高速攝影結(jié)合紋影系統(tǒng)對(duì)整個(gè)射流燃燒進(jìn)行觀測(cè)，捕獲甲烷射流及火焰的發(fā)展歷程。為了確保點(diǎn)火順利，試驗(yàn)過程中對(duì)定容彈進(jìn)行加熱使其溫度保持在300 ℃。但是由于定容彈內(nèi)空氣受熱后熱運(yùn)動(dòng)加強(qiáng)，導(dǎo)致背景擾動(dòng)加劇，影響了圖像質(zhì)量?；鹧鎴D像雖然清晰展示了火焰發(fā)展過程，但是背景噪聲過強(qiáng)對(duì)圖像處理十分不利。為了降低背景空氣的擾動(dòng)，調(diào)整了紋影系統(tǒng)的靈敏度以去除背景噪聲，獲得了射流和火焰共存的圖像。

圖2 為甲烷射流燃燒的光學(xué)測(cè)試原始火焰圖像。甲烷噴射壓力為10 MPa，點(diǎn)火系統(tǒng)觸發(fā)點(diǎn)火信號(hào)時(shí)刻為零時(shí)刻（0 ms），甲烷噴射時(shí)刻與點(diǎn)火間隔Δt為3 ms。光學(xué)測(cè)試結(jié)果顯示，點(diǎn)火針點(diǎn)火形成球形層流火焰，當(dāng)球形火焰發(fā)展到一定程度時(shí)，甲烷射流進(jìn)入定容彈，此時(shí)噴射與點(diǎn)火間隔時(shí)間為3 ms。3.3 ms 時(shí)甲烷射流不斷向前發(fā)展并沖入球形火焰中，隨后甲烷射流被球形火焰引燃，產(chǎn)生大量火焰皺褶，形成湍流燃燒，球形火焰外形難以維持，湍流火焰迅速向前發(fā)展，迅速充滿整個(gè)定容彈。圖2 中的火焰發(fā)展過程較為清晰，球形火焰輪廓相對(duì)清晰，但氣體射流及后發(fā)展的湍流火焰與紋影背景極為接近，不易分割，精確識(shí)別火焰邊緣極為重要。

圖2 甲烷射流燃燒光學(xué)測(cè)試火焰圖像

2 射流燃燒火焰邊緣檢測(cè)算法

本文中針對(duì)高壓甲烷射流燃燒的光學(xué)測(cè)試結(jié)果分別采用了經(jīng)典邊緣檢測(cè)算法和深度學(xué)習(xí)方法進(jìn)行圖像處理。

2.1 經(jīng)典邊緣檢測(cè)算法

2.1.1 邊緣檢測(cè)原理

邊緣檢測(cè)算法包括濾波、增強(qiáng)、檢測(cè)和定位4 個(gè)步驟。

（1）濾波。邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。需要指出，大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此增強(qiáng)邊緣和降低噪聲之間需要折中。

（2）增強(qiáng)。增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值，增強(qiáng)算法可以將鄰域或局部強(qiáng)度值有顯著變化的點(diǎn)突顯出來，邊緣增強(qiáng)一般是通過計(jì)算梯度幅值來完成的。

（3）檢測(cè)。在圖像中有許多點(diǎn)的梯度幅值比較大，而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣，應(yīng)用某種方法確定哪些點(diǎn)是邊緣點(diǎn)，最簡(jiǎn)單的邊緣檢測(cè)判據(jù)是梯度幅值閾值判據(jù)。

（4）定位。如果某一應(yīng)用場(chǎng)合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計(jì)，邊緣的方位也可以被估計(jì)出來。

在邊緣檢測(cè)算法中，前3 個(gè)步驟應(yīng)用得十分普遍。這是因?yàn)榇蠖鄶?shù)場(chǎng)合下僅需要邊緣檢測(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近，而沒有必要指出邊緣的精確位置或方向。邊緣檢測(cè)誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，把真邊緣判別成假邊緣而去掉。邊緣估計(jì)誤差用概率統(tǒng)計(jì)模型來描述邊緣的位置和方向誤差。因?yàn)檫吘墮z測(cè)誤差和邊緣估計(jì)誤差的計(jì)算方法完全不同，其誤差模型也完全不同，二者應(yīng)區(qū)分開。

2.1.2 邊緣檢測(cè)算法算子

在圖像中，邊緣總是以強(qiáng)突變的形式出現(xiàn)，例如灰度的突然變化。目標(biāo)區(qū)域邊緣與背景之間的灰度值突變可以通過不同的邊緣檢測(cè)算子檢測(cè)到，進(jìn)而實(shí)現(xiàn)對(duì)邊緣的提取。MATLAB 中常用的邊緣檢測(cè)算子主要有Roberts 算子、Sobel 算子、Prewitt 算子、Canny 算子、LOG 算子等。

邊緣檢測(cè)常用函數(shù)為edge，其調(diào)用形式為：BW=edge（I，‘operator’，thresh，direction）。其中，BW為返回圖像；operator 為算子類型；thresh 為敏感度閾值，當(dāng)thresh 為空則自動(dòng)選擇閾值；direction 為指定方向，默認(rèn)為both。

Roberts 算子是最簡(jiǎn)單的算子，其采用對(duì)角線方向上相鄰兩像素點(diǎn)的灰度值的差近似作為梯度幅值來檢測(cè)邊緣。Roberts 算子如式（1）所示。

Sobel 算子是基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子，引入了類似局部平均的運(yùn)算，具體是把圖像中每個(gè)像素的上下左右4 個(gè)鄰域的灰度值加權(quán)作差。Sobel算子的模板為兩個(gè)3×3 的矩陣，如式（2）所示。

對(duì)于復(fù)雜的圖像，采用復(fù)雜的3×3 算子檢測(cè)邊緣效果更好。Prewitt 算子與Sobel 算子大小相同，其基本原理與Sobel 算子類似。Prewitt 算子的兩個(gè)模板分別代表圖像的水平梯度和垂直梯度，其模板如式（3）所示。

Canny 算子是一個(gè)具有濾波、圖像增強(qiáng)、邊緣檢測(cè)的多階段優(yōu)化算子，其通過高斯濾波器平滑灰度圖像，利用一階偏導(dǎo)有限差分來計(jì)算灰度梯度的幅值和方向，利用兩個(gè)閾值來分別檢測(cè)和連接邊緣。

LOG 算子又稱拉普拉斯算子，是一種不依賴邊緣檢測(cè)方向的二階微分算子，其對(duì)孤立像素的響應(yīng)強(qiáng)度遠(yuǎn)大于對(duì)目標(biāo)邊緣的響應(yīng)強(qiáng)度，同時(shí)對(duì)噪聲非常敏感，只適用于無噪聲圖像。采用LOG 算子進(jìn)行邊緣檢測(cè)時(shí)，一般首先采用高斯函數(shù)對(duì)圖像進(jìn)行平滑。LOG 算子的模板中心系數(shù)為正，其余相鄰系數(shù)為負(fù)，所有系數(shù)的和應(yīng)該為0，如式（4）所示。

本文中分別運(yùn)用這5 種算子進(jìn)行了圖像處理，通過調(diào)用edge 函數(shù)實(shí)現(xiàn)燃燒火焰圖像的邊緣檢測(cè)。圖3 展示了不同邊緣檢測(cè)算子的應(yīng)用效果，可見在視覺效果上5 種不同算子的檢測(cè)效果差異不大。

圖3 不同邊緣檢測(cè)算子對(duì)比

從算子原理上來看，Roberts 算子是一種利用局部差分算子尋找邊緣的算子，對(duì)于圖像中火焰邊緣定位準(zhǔn)確但不夠平滑，且無法抑制噪聲的影響。Sobel算子是通過計(jì)算邊緣處灰度梯度到極值從而檢測(cè)邊緣，對(duì)噪聲具有很好的消除作用，但是檢測(cè)的邊緣較為模糊。Prewitt 算子與Sobel 算子原理相同，但與Sobel 算子相比，能夠消除圖像中的偽邊緣。Canny算子通過兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，容易檢測(cè)出真正的弱邊緣，同時(shí)采用兩種不同閾值檢測(cè)能夠很好地避免噪聲的干擾。LOG 算子具有邊界定位準(zhǔn)確度高、抗干擾能力強(qiáng)、連續(xù)性好等優(yōu)點(diǎn)，但是邊緣定位精度和消除噪聲級(jí)間存在著矛盾。綜合來看，Canny 算子的優(yōu)勢(shì)更為明顯，既能夠準(zhǔn)確地定位圖像中的邊緣，又能避免噪聲對(duì)邊緣檢測(cè)的影響。同時(shí)Canny 算子是edge 函數(shù)中最有效的邊緣檢測(cè)算子，因此本文中選擇Canny 算子作為邊緣檢測(cè)首選算子。

2.2 深度學(xué)習(xí)算法原理

2.2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了精確地識(shí)別射流燃燒中射流、層流火焰、湍流火焰邊緣，采用深度學(xué)習(xí)領(lǐng)域的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)搭建火焰圖像分類模型。U-Net 網(wǎng)絡(luò)是基于FCN網(wǎng)絡(luò)改進(jìn)得到的，因其結(jié)構(gòu)形狀類似于U 形，故名U-Net。其廣泛應(yīng)用于醫(yī)學(xué)影像分割，可從對(duì)比度相近的影像中精準(zhǔn)地分割病灶或組織等目標(biāo)，分割準(zhǔn)確率遠(yuǎn)遠(yuǎn)超越傳統(tǒng)圖像處理算法［20］。U-Net 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)醫(yī)學(xué)影像分割與本文中采用紋影法拍攝的火焰圖像具有許多相似之處。U-Net 網(wǎng)絡(luò)主要分為特征提取和上采樣兩部分，共4 層，兩部分間相同層級(jí)用連接（contact），較淺的層分辨率更高，用來解決像素定位的問題，較深的層用來解決像素分類的問題。

2.2.2 卷積

圖像卷積就是用卷積核與圖像進(jìn)行卷積運(yùn)算。在傳統(tǒng)圖像處理時(shí)，通過不同的卷積核可以對(duì)圖像進(jìn)行濾波和邊緣檢測(cè)。在本文使用的神經(jīng)網(wǎng)絡(luò)中，卷積層使用16 個(gè)疊加的3×3 卷積核進(jìn)行卷積運(yùn)算，卷積核參數(shù)使用隨機(jī)初始化方法進(jìn)行初始化，然后在不斷迭代的過程中更正權(quán)值以學(xué)習(xí)特征。神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中不斷更新參數(shù)，因此除了輸入層以外，訓(xùn)練參數(shù)更新將導(dǎo)致其后層輸入數(shù)據(jù)分布的變化，這極易導(dǎo)致梯度彌散的發(fā)生，訓(xùn)練的速度也會(huì)降低，所以在卷積層之后加入歸一化層作歸一化處理，均值歸一化為0，方差歸一化為1，然后再將歸一化后的數(shù)據(jù)輸入網(wǎng)絡(luò)的下一層。

本文引入Batch Normalization 可以避免梯度彌散的發(fā)生，使用更大的學(xué)習(xí)率提高訓(xùn)練速度，同時(shí)把訓(xùn)練數(shù)據(jù)徹底打亂防止某個(gè)樣本經(jīng)常被選用。

2.2.3 最大池化

對(duì)于圖像而言，池化是將多個(gè)像素的信息融入一個(gè)像素中，減少了特征和參數(shù)，進(jìn)而簡(jiǎn)化了卷積網(wǎng)絡(luò)計(jì)算時(shí)的復(fù)雜度，能在保留圖像信息的同時(shí)將圖像的尺寸減小，在下一次卷積時(shí)增大圖像感受野，提取到更大范圍的圖像特征。池化主要分為平均池化和最大池化，平均池化將鄰域內(nèi)的所有像素求平均轉(zhuǎn)化為一個(gè)像素值，最大池化將取鄰域內(nèi)最大的像素值作為池化后的像素值。

本文中采用2×2 的最大池化，即將4 個(gè)像素中最大的像素值保留，每次池化圖像尺寸縮小至四分之一，共進(jìn)行4 次池化，圖像像素變化依次為256×256、128×128、64×64、32×32、16×16。

2.2.4 反卷積

在計(jì)算機(jī)視覺的深度學(xué)習(xí)領(lǐng)域，輸入圖像通過卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過池化提取特征后輸出的尺寸會(huì)變小，需要將圖像恢復(fù)到原來的尺寸以便進(jìn)行下一步的計(jì)算。這個(gè)采用擴(kuò)大圖像尺寸實(shí)現(xiàn)圖像分辨率由小到大的映射的操作稱作上采樣。上采樣有雙線性插值（bilinear）、反卷積（transposed convolution）和反池化（unpooling）3 種常見的方法。

本文中采用反卷積方法，也叫轉(zhuǎn)置卷積。它并不是正向卷積的完全逆過程，而是一種特殊的正向卷積，先按照一定的比例通過補(bǔ)0 來擴(kuò)大輸入圖像的尺寸，接著旋轉(zhuǎn)卷積核，再進(jìn)行正向卷積。每次反卷積圖像尺寸增大4 倍，共進(jìn)行4 次反卷積，圖像像素變化依次為16×16、32×32、64×64、128×128、256×256。

2.2.5 訓(xùn)練過程

采用深度學(xué)習(xí)方法對(duì)高壓甲烷射流燃燒的15組光學(xué)測(cè)試圖片進(jìn)行圖像處理，其中5 組圖片用于訓(xùn)練，其余10 組圖片用于測(cè)試。對(duì)用于訓(xùn)練的5 組共3 種不同工況的圖片進(jìn)行標(biāo)注，共381 張圖片作為數(shù)據(jù)集。對(duì)5 組圖片進(jìn)行標(biāo)注及訓(xùn)練，使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)。訓(xùn)練時(shí)，隨機(jī)選擇20% 的數(shù)據(jù)進(jìn)行交叉驗(yàn)證，以監(jiān)督當(dāng)前訓(xùn)練模型是否過擬合，訓(xùn)練集中的304 張圖片作為訓(xùn)練集，77 張作為驗(yàn)證集，用其余10 組共6 種不同工況的圖片作為測(cè)試集。

為了使圖片適合于神經(jīng)網(wǎng)絡(luò)的進(jìn)一步處理，本文中首先對(duì)光學(xué)測(cè)試圖像進(jìn)行預(yù)處理，原圖像素為1 024×672，但有部分區(qū)域不包含所需要提取的有效信息，圖片尺寸過大會(huì)占用過多內(nèi)存，無法使用更大的批處理量大小（batch size）。本研究中從原圖中固定位置截取512×512 的區(qū)域，去除了無用信息區(qū)域，大大提高了有效信息所占的比例。此外，由于圖像處理受制于顯卡硬件性能，本研究中進(jìn)一步將圖片像素縮至256×256，最終批處理量大?。╞atch size）可以達(dá)到16。

2.2.6 評(píng)估指標(biāo)

本文中采用二進(jìn)制交叉熵?fù)p失函數(shù)（binary cross entropy loss，BCE Loss）。為實(shí)現(xiàn)對(duì)圖像分割算法的客觀評(píng)價(jià)，構(gòu)建數(shù)學(xué)模型測(cè)試分割算法精度。對(duì)經(jīng)過算法處理后得到的分割結(jié)果圖、人工描邊圖分別進(jìn)行二值化，使得圖像中每個(gè)輪廓的內(nèi)部像素為1，其余部分的像素為0，令分割結(jié)果的二值圖為算法圖，人工描邊圖的二值圖為標(biāo)準(zhǔn)圖。采用交并比（intersection of union，IOU）作為評(píng)估指標(biāo)。IOU對(duì)于目標(biāo)檢測(cè)性能的評(píng)價(jià)具有重要的參考價(jià)值，其含義是模型對(duì)某一類別預(yù)測(cè)結(jié)果和真實(shí)值的交集與并集的比值，如式（5）所示。其中交并比對(duì)于目標(biāo)檢測(cè)而言是檢測(cè)框和真實(shí)框之間的交并比，而對(duì)于圖像分割而言是計(jì)算預(yù)測(cè)掩碼和真實(shí)掩碼之間的交并比。

式中，IOU為IOU；TP表示真正例（true positives），為算法圖和標(biāo)準(zhǔn)圖中像素值均為1 的像素點(diǎn)數(shù)量；FP表示假正例（false positives），為算法圖像素值為1 且標(biāo)準(zhǔn)圖像素值為0 的像素點(diǎn)數(shù)量；FN表示假負(fù)例（false negatives），為算法圖像素值為0 且標(biāo)準(zhǔn)圖像素值為1的像素點(diǎn)數(shù)量；TN表示真負(fù)例（true negatives），為算法圖和標(biāo)準(zhǔn)圖中像素值均為0 的像素點(diǎn)數(shù)量。

在圖像處理過程中射流燃燒圖片經(jīng)過訓(xùn)練后，驗(yàn)證集IOU達(dá)到76%。

3 射流燃燒火焰圖像處理結(jié)果分析

分別采用經(jīng)典邊緣檢測(cè)算法、深度學(xué)習(xí)理論對(duì)射流燃燒火焰圖像進(jìn)行火焰輪廓識(shí)別分析，并基于MATLAB 編程完成圖像批處理。圖4 是一組光學(xué)測(cè)試的原始圖像，點(diǎn)火系統(tǒng)觸發(fā)點(diǎn)火信號(hào)時(shí)刻為零時(shí)刻（0 ms），甲烷噴射壓力為10 MPa，噴射時(shí)刻與點(diǎn)火間隔為1 ms。由圖可見，原圖中射流進(jìn)入球形火焰后迅速燃燒，火焰沿射流方向快速發(fā)展。原圖中湍流火焰邊緣肉眼難以準(zhǔn)確識(shí)別，難以分析火焰前鋒面的發(fā)展歷程，無法準(zhǔn)確獲得火焰?zhèn)鞑ニ俣燃盎鹧婷娣e等參數(shù)。

圖4 甲烷射流燃燒光學(xué)測(cè)試圖像

圖5 和圖6 是針對(duì)圖4 這組光學(xué)測(cè)試圖像分別采用邊緣檢測(cè)算法、深度學(xué)習(xí)方法完成的圖像處理結(jié)果。

圖5 邊緣檢測(cè)算法處理結(jié)果

圖6 深度學(xué)習(xí)法處理結(jié)果

由圖5 可知，采用邊緣檢測(cè)算法處理結(jié)果顯示，早期只有預(yù)燃火球時(shí)（0.1 ms）可以有效識(shí)別火焰，射流開始時(shí)（0.3 ms）無法識(shí)別射流；且氣體射流接觸預(yù)燃火焰時(shí)（0.6 ms）由于燃燒增強(qiáng)導(dǎo)致背景擾動(dòng)增加，圖像噪聲增多，不能準(zhǔn)確識(shí)別火焰邊界，未能完整識(shí)別射流邊界；當(dāng)射流火焰進(jìn)一步發(fā)展成湍流火焰（＞1.3 ms），射流邊界及火焰輪廓均不能完整識(shí)別，存在背景噪聲；隨著火焰進(jìn)一步發(fā)展（2.0 ms），背景擾動(dòng)更劇烈，射流火焰邊界不能完整識(shí)別，火焰與壁面出現(xiàn)重疊而無法區(qū)分，背景雜質(zhì)多?？梢?，對(duì)于存在不同的目標(biāo)圖像（射流和火焰），由于兩個(gè)目標(biāo)差異過大，這種邊緣檢測(cè)算法無法區(qū)分識(shí)別。

由圖6 可知，采用深度學(xué)習(xí)方法處理圖像結(jié)果顯示，初始時(shí)（0.3 ms）球形火焰及射流可對(duì)比識(shí)別；當(dāng)射流遇到球形火焰時(shí)（0.6 ms），二者雖然重疊在一起，但沿射流方向的湍流火焰邊緣可以識(shí)別，且背景清晰無背景雜質(zhì)；當(dāng)湍流火焰出現(xiàn)時(shí)（1.3 ms），火焰輪廓清晰且無背景雜質(zhì)；隨著湍流火焰進(jìn)一步發(fā)展（2.0 ms），火焰輪廓清晰可辨別，且與背景壁面無任何重疊?？梢姡鶕?jù)深度學(xué)習(xí)方法圖像處理結(jié)果，可以獲得沿射流方向的火焰前鋒面的發(fā)展歷程及傳播速度。

因此，本研究中根據(jù)深度學(xué)習(xí)方法圖像處理結(jié)果分析甲烷高壓射流燃燒特性。為了分析火焰發(fā)展，根據(jù)定容彈甲烷射流燃燒測(cè)試光學(xué)圖像定義坐標(biāo)軸系，如圖7 所示。定義點(diǎn)火針的點(diǎn)火點(diǎn)為坐標(biāo)原點(diǎn)，水平布置的點(diǎn)火針方向?yàn)閤軸，沿垂直方向定義為y軸。根據(jù)深度學(xué)習(xí)處理獲得的火焰輪廓結(jié)果，可以獲得火焰前鋒面沿射流方向y軸的傳播位移及傳播速度。

圖7 甲烷射流燃燒圖像坐標(biāo)系

定義火焰前鋒面沿y方向最大位移為火焰最大傳播位移ymax，達(dá)到最大火焰?zhèn)鞑ノ灰茣r(shí)的速度為火焰?zhèn)鞑ニ俣葀y，此時(shí)火焰占據(jù)的投影面積為火焰面積。圖8為圖4 所示工況下（甲烷噴射時(shí)刻與點(diǎn)火間隔1 ms）的射流火焰沿射流方向y軸火焰前鋒面?zhèn)鞑ノ灰?、火焰?zhèn)鞑ニ俣群突鹧婷娣e。由圖8 可見，從點(diǎn)火針點(diǎn)火到射流遭遇火焰前（＜1.3 ms），圖像中出現(xiàn)球形火焰并沿y軸傳播，火焰前鋒面位移向前發(fā)展?；鹧?zhèn)鞑プ畲笪灰苰max呈線性緩慢增加，火焰面積相應(yīng)增大，火焰?zhèn)鞑ニ俣葀y穩(wěn)定在一個(gè)較低的值，平均速度為2.6 m/s，最高為3.7 m/s，此階段火焰具有典型的層流燃燒火焰特征。在射流接觸火焰前鋒之后（＞1.3 ms），火焰前鋒面位移驟增，火焰?zhèn)鞑ニ俣冗_(dá)到300 m/s，同時(shí)火焰面積上升的斜率急劇增大；且從火焰圖像上看，此時(shí)火焰前鋒出現(xiàn)大量褶皺，結(jié)合火焰?zhèn)鞑ニ俣燃盎鹧嫘螒B(tài)來看，此時(shí)火焰從層流轉(zhuǎn)換為湍流燃燒。

圖8 甲烷射流燃燒火焰?zhèn)鞑ヌ匦?/p>

圖9 給出了不同的噴射與點(diǎn)火間隔時(shí)間下的甲烷射流燃燒火焰發(fā)展特性。圖9（a）是火焰前鋒面位移的發(fā)展情況：對(duì)于不同的噴射與點(diǎn)火間隔，在射流遇到火焰前，火焰前鋒面位移均呈線性上升趨勢(shì)；而且，對(duì)于所有不同間隔，火焰前鋒面位移線性發(fā)展段均呈線性且趨于重合，其線性擬合曲線斜率約為2.5，即射流沖擊火焰前火焰?zhèn)鞑ニ俣燃s為2.5 m/s，為層流火焰速度。圖9（b）顯示的是火焰面積的發(fā)展特性：對(duì)于不同的噴射與點(diǎn)火間隔時(shí)間，火焰面積隨時(shí)間發(fā)展均增加；當(dāng)間隔時(shí)間增大時(shí)，其面積增加斜率下降。圖9（c）為沿射流方向（y方向）火焰?zhèn)鞑ニ俣鹊淖兓?。?duì)于不同間隔時(shí)間，射流火焰均出現(xiàn)了從層流火焰發(fā)展成為湍流火焰的現(xiàn)象。在火焰遭遇射流前，其火焰速度值較低（平均為2.5 m/s），為層流火焰速度，一旦射流接觸火焰，火焰速度從層流速度快速上升，最大火焰?zhèn)鞑ニ俣葀ymax高達(dá)300 m/s。圖9（d）給出了最大火焰?zhèn)鞑ニ俣葀ymax的變化。隨著間隔時(shí)間增加，最大火焰?zhèn)鞑ニ俣瘸示€性下降。這是因?yàn)殡S著間隔時(shí)間的增加，射流遭遇預(yù)燃火焰的時(shí)間相應(yīng)推后，這意味著預(yù)燃火焰燃燒時(shí)間增加，預(yù)燃火焰釋放的能量、火焰面積隨時(shí)間增加而累積增強(qiáng)，射流對(duì)預(yù)燃火焰的影響相應(yīng)減弱，因此最終形成的射流火焰?zhèn)鞑ニ俣认鄳?yīng)下降。

圖9 不同間隔時(shí)間的甲烷射流燃燒火焰?zhèn)鞑ヌ匦?/p>

4 結(jié)論

（1）對(duì)于存在不同目標(biāo)（射流和火焰）的圖像，多目標(biāo)間差異過大導(dǎo)致邊緣檢測(cè)算法無法較好識(shí)別射流和火焰，邊緣檢測(cè)算法適合于單一目標(biāo)的火焰圖像處理。

（2）深度學(xué)習(xí)方法可以識(shí)別射流湍流燃燒火焰輪廓，有效地獲得射流湍流燃燒火焰前鋒面發(fā)展位移及火焰?zhèn)鞑ニ俣?，該方法適用于多個(gè)目標(biāo)的火焰圖像處理。

（3）當(dāng)高壓甲烷射流接觸預(yù)燃火焰時(shí)，沿射流方向火焰?zhèn)鞑ニ俣扔煞€(wěn)定的層流速度（＜3 m/s）快速上升，最大火焰?zhèn)鞑ニ俣雀哌_(dá)300 m/s，形成湍流火焰，火焰快速向前發(fā)展，火焰面積增加。隨著射流和點(diǎn)火時(shí)間間隔的增加，最大火焰?zhèn)鞑ニ俣染€性下降。