趙豐華

(溫州商學(xué)院,浙江 溫州 325204)

工業(yè)爐是通過(guò)固、液、氣體等燃料產(chǎn)生的熱量,對(duì)工件進(jìn)行加工的設(shè)備,在加熱過(guò)程中涉及化學(xué)反應(yīng)、熔煉等過(guò)程,而燃燒需要在穩(wěn)定、均勻燃燒火焰上完成運(yùn)作,假設(shè)其在不穩(wěn)定狀況下工作,會(huì)降低工業(yè)爐的熱效率,增加煙塵產(chǎn)生量,嚴(yán)重會(huì)引發(fā)爐膛內(nèi)部爆炸。工業(yè)爐火焰圖像檢測(cè)結(jié)果取決于圖像分割效果[1-3],圖像分割是圖像處理核心環(huán)節(jié),其本質(zhì)就是將工業(yè)爐火焰圖像分割成多個(gè)獨(dú)立,或者具有獨(dú)立特征的部分提取出來(lái)。為了保證工業(yè)爐火焰燃燒質(zhì)量與預(yù)防潛在的危險(xiǎn),研究工業(yè)爐火焰圖像閾值分割具有重要意義。

為此,國(guó)內(nèi)學(xué)者進(jìn)行了深入研究。顏禮彬[4]采用白化方法將火焰圖像序列上冗余信息去除,根據(jù)獨(dú)立分量分析法分離該圖像上獨(dú)立信息部分,結(jié)合顏色模型識(shí)別出火焰位置,完成火焰圖像閾值分割。韓玲燕等[5]根據(jù)水平集方法獲取火焰圖像的輪廓,利用二維直方圖提取該圖像細(xì)節(jié)特征,結(jié)合小波多尺度特征分集完成圖像閾值分割。但是這兩種方法都存在著計(jì)算復(fù)雜度高、收斂速度慢的問(wèn)題。

基于此,提出一種通過(guò)改進(jìn)ISCA算法完成工業(yè)爐火焰圖像閾值分割算法。利用混沌映射方法增加群體多樣性,采用貪婪選擇完善候選解的質(zhì)量,結(jié)合Kapur熵函數(shù)提升最優(yōu)解尋找速度,獲得最佳分割結(jié)果。

1 改進(jìn)ISCA算法的工業(yè)爐火焰圖像最優(yōu)解獲取

工業(yè)爐是一種工業(yè)設(shè)備,主要是用燃燒燃料或轉(zhuǎn)換電能產(chǎn)生的熱量來(lái)加工物料。在運(yùn)行過(guò)程中,一般通過(guò)爐膛內(nèi)的電熱元件功率和燒嘴輸出調(diào)節(jié)膛內(nèi)的溫度。為了保證其安全運(yùn)行,需要了解工業(yè)爐內(nèi)的燃料使用情況。利用混沌映射改進(jìn)正余弦算法,對(duì)工業(yè)爐火焰圖像進(jìn)行初始化,在此基礎(chǔ)上,基于對(duì)立學(xué)習(xí)方法,以提升算法的收斂性和獲得最優(yōu)結(jié)果。

1.1 工業(yè)爐火焰圖像初始化

工業(yè)爐在生產(chǎn)過(guò)程中需要用到液體燃料、氣體燃料和固體燃料等,若操作不當(dāng),極有可能產(chǎn)生安全事故,為了減少該類現(xiàn)象的發(fā)生,需要對(duì)工業(yè)爐火焰圖像閾值進(jìn)行分割。由于工業(yè)爐火焰圖像分割方法存在計(jì)算量大、收斂慢等問(wèn)題,為此,利用混沌映射對(duì)正余弦算法進(jìn)行改進(jìn)。

正余弦算法[6-7](sine cosine algorithm, 簡(jiǎn)稱SCA)屬于一種隨機(jī)群算法,其本質(zhì)就是根據(jù)正余弦函數(shù)的振蕩特征逐漸收斂于最優(yōu)解,向外波動(dòng)進(jìn)行全局搜索,從而找到全局最優(yōu)解。

假設(shè)在B維空間中經(jīng)過(guò)初始化處理后,生成數(shù)量為n的種群,用va=(va1,va2,…,vaB)來(lái)描述該種群中的第a個(gè)個(gè)體的空間位置,用f(v)來(lái)表示該個(gè)體的適應(yīng)度函數(shù),此時(shí),最佳的粒子空間位置是Pg=(vg1,vg2,…,vgA),那么,更新第a個(gè)個(gè)體位置表示為

(1)

式中:b=1,2,…;B為當(dāng)前粒子所處于的維度;N為目前迭代次數(shù);s1,s2,s3,s4為4個(gè)不相同的參數(shù),且s2∈(0,2π),s3∈(0,2),s4∈(0,1),s1具有線性遞減特征,則

(2)

式中:c為常數(shù);Nmax為最大迭代次數(shù)。根據(jù)式(1)可知正余弦算法主要用到s1,s2,s3,s4參數(shù),每個(gè)參數(shù)都有各自作用,即s1能夠判斷出個(gè)體下一次運(yùn)動(dòng)的方向;s2決定個(gè)體運(yùn)動(dòng)的距離大小;s3為了引入修正策略,賦予最優(yōu)解一個(gè)任意權(quán)重?cái)?shù)值,進(jìn)而增大(減少)個(gè)體運(yùn)動(dòng)方向所產(chǎn)生的效果;s4負(fù)責(zé)各正余弦函數(shù)之間轉(zhuǎn)換。由此對(duì)這四個(gè)參數(shù)的設(shè)定,能夠使正余弦算法具有較強(qiáng)的局部搜索能力,但其全局的最佳解的尋找能力較差,進(jìn)而影響使用效果,就需要對(duì)正余弦算法進(jìn)行改進(jìn)。

種群質(zhì)量影響正余弦算法使用效果,質(zhì)量?jī)?yōu)良的種群能夠提升其收斂速度、求解效率。初始化處理通常采用rand函數(shù)完成的,雖然此方法隨機(jī)性好,但其分布效果較差。而混沌變量方法[8-9]的隨機(jī)性、遍歷性的特征,能夠有效增加群體的種類。為此,采用混沌映射方法改進(jìn)正余弦算法,混沌映射是一種以隨機(jī)性、非線性、遍歷性為特點(diǎn),從一個(gè)確定的系統(tǒng)中產(chǎn)生一系列的混沌序列的算法,且收斂速度較快,可對(duì)正余弦算法起到較好的優(yōu)化效果。通過(guò)混沌序列對(duì)工業(yè)爐火焰圖像進(jìn)行初始化處理,計(jì)算過(guò)程為

vn+1=εvn(1-vn)

(3)

式中:0<ε≤4,0

混沌[10]初始化處理詳細(xì)過(guò)程為:

步驟一:根據(jù)rand函數(shù)產(chǎn)生種群首個(gè)個(gè)體v(a,:);

步驟二:采用混沌算法對(duì)第二個(gè)個(gè)體進(jìn)行初始化處理,將v(a,:)的各維度做歸一化處理,并對(duì)其進(jìn)行賦值v(a+1,:),且0≤v(a+1,:)≤1;

步驟三:按照式(3)進(jìn)行混沌映射,形成混沌變量cv(b);

步驟四:根據(jù)cv(a)把v(a+1,b)映射到原空間中,即v(a+1,b)=vmin+cv(b)×(vmax-vmin);

步驟五:分析是否完成整個(gè)種群的遍歷,若否,回到步驟二,若是,終止。

1.2 獲取工業(yè)爐火焰圖像最優(yōu)解

工業(yè)爐火焰圖像分割質(zhì)量決定了最終的監(jiān)測(cè)效果,因此,采用改進(jìn)正余弦優(yōu)化算法獲取工業(yè)爐火焰圖像的最優(yōu)解。為了提升正余弦優(yōu)化算法最優(yōu)解的質(zhì)量,引入對(duì)立學(xué)習(xí)機(jī)制[11-12],改進(jìn)正余弦優(yōu)化算法中個(gè)體空間位置的更新方法,使得該算法的原始更新方法能夠與對(duì)立學(xué)機(jī)制進(jìn)行交替執(zhí)行,有效增加工業(yè)爐火焰圖像類型,進(jìn)而提升工業(yè)爐火焰圖像最優(yōu)解質(zhì)量與收斂速度。

設(shè)定va(N)=(v′a1,v′a2,…,v′aB)表示迭代次數(shù)為N時(shí)工業(yè)爐火焰圖像b的位置,lb、ub分別描述b維的空間位置的上下兩個(gè)邊界值,則工業(yè)爐火焰圖像b對(duì)立位置計(jì)算過(guò)程為

va(N)′=lb+ub-va(N)

(4)

如果va(N)′的適應(yīng)度值大于va(N),也就是f(va(N)′)≥f(va(N)),就需要將va(N)′替換va(N);若f(va(N)′)≤f(va(N)),就需要將va(N)保留該群體中。通過(guò)對(duì)立機(jī)制后,群體的產(chǎn)生過(guò)程為:按照對(duì)立學(xué)習(xí)機(jī)制形成M個(gè)工業(yè)爐火焰圖像的對(duì)立解,改進(jìn)ISCA算法把原圖像及其對(duì)立解圖像,按照貪婪選擇原理提取出質(zhì)量?jī)?yōu)良的個(gè)體作為新圖像,進(jìn)而在保證全局尋找能力的前提下,使工業(yè)爐火焰圖像具有更多個(gè)體類型。

改進(jìn)ISCA算法的具體執(zhí)行流程為:

(1)相關(guān)參數(shù)設(shè)定:工業(yè)爐火焰圖像數(shù)量M,最大迭代次數(shù)Nmax,混沌系數(shù)ε。

(2)工業(yè)爐火焰圖像初始化處理:在搜尋空間內(nèi)生成新的圖像M′。

(3)根據(jù)對(duì)立學(xué)習(xí)機(jī)制得出M的對(duì)立圖像M′,將M、M′中的個(gè)體的適應(yīng)度進(jìn)行合并,提取出該序列中質(zhì)量好的個(gè)體組成初始圖像M1,記錄M1的最優(yōu)粒子v*(N)。

(4)假設(shè)迭代次數(shù)N為單數(shù),則M1按照正余弦優(yōu)化算法進(jìn)行空間位置更新,進(jìn)而生成新圖像,按照公式(2)更新參數(shù)s1,假設(shè)N為雙數(shù),按照對(duì)立學(xué)習(xí)機(jī)制產(chǎn)生M1的對(duì)立解,再把M1及其對(duì)立圖像進(jìn)行合并組成新圖像。

(5)判定迭代次數(shù)能否為Nmax。如果為Nmax,則返回步驟(4),反之,則輸出最佳的粒子,即獲得最優(yōu)工業(yè)爐火焰圖像結(jié)果。

2 工業(yè)爐火焰圖像閾值分割

由于工業(yè)爐火焰燃燒過(guò)程中會(huì)產(chǎn)生大量的灰塵,并釋放大量熱輻射,致使火焰圖像上存在大量噪聲,嚴(yán)重影響工業(yè)爐火焰圖像閾值分割結(jié)果,為此在進(jìn)行圖像閾值分割前,需要將火焰圖像上的噪聲去除。

2.1 工業(yè)爐火焰圖像預(yù)處理

設(shè)定F表示工業(yè)爐火焰的原始圖像,將F分解成R、G、B三種灰度圖,即FR、FG、FB,再以中值濾波算法[13-14]為依據(jù),過(guò)濾FR、FG、FB灰度圖,根據(jù)排序統(tǒng)計(jì)理論,抑制圖像噪聲的非線性平滑,通過(guò)將圖像中一點(diǎn)的值改為鄰域點(diǎn)的中值,使得較近的像素值越接近真實(shí)值,從而消除了工業(yè)爐火焰圖像噪聲。通過(guò)該算法得出任意像素中處理后的工業(yè)爐火焰圖像為

E(x,y)=F(x-k,y-d),(k,d)∈W,(x,y)∈I

(5)

式中:W為3×3的矩形模板;(k,d)為該矩形模板的長(zhǎng)與寬的大小;I為該圖像的定義域;(x,y)為該圖像上任意一點(diǎn)像素。通過(guò)式(5)去除圖像上噪聲,得出較為清晰的工業(yè)爐火焰圖像。

2.2 工業(yè)爐火焰圖像閾值分割模型建立

經(jīng)過(guò)式(5)得出工業(yè)爐火焰圖像E可知,該圖像上有L個(gè)灰度等級(jí),TH={th1,th2,…,the}表示該圖像的分割閾值,其把圖像E分割成Z個(gè)類型,即E1,E2,…;EZ,當(dāng)中常數(shù)e=1,2,…,Z-1,th1

(6)

式中:h為灰度級(jí)i的像素值,且0

(7)

各閾值對(duì)應(yīng)的去噪后工業(yè)爐火焰圖像的Kapur熵為

(8)

各類型的累積分布函數(shù)計(jì)算過(guò)程為

(9)

通過(guò)式(6)～式(9)建立去噪后工業(yè)爐火焰圖像閾值分割模型。

2.3 工業(yè)爐火焰圖像分割實(shí)現(xiàn)

改進(jìn)ISCA算法根據(jù)公式(6)把Kapur熵當(dāng)做適應(yīng)度函數(shù),經(jīng)過(guò)不斷迭代計(jì)算找出最優(yōu)的分割閾值,其本質(zhì)就是:根據(jù)改進(jìn)ISCA算法在工業(yè)爐火焰圖像的灰度空間內(nèi)尋找出最佳值,結(jié)合Kapur熵函數(shù)得出改進(jìn)ISCA算法中每一個(gè)個(gè)體的適應(yīng)度情況,找出最優(yōu)值,進(jìn)而發(fā)現(xiàn)Kapur熵最大值的分割閾值TH*,以該值進(jìn)行工業(yè)爐火焰圖像分割。詳細(xì)過(guò)程為:

(1)獲取去噪后的工業(yè)爐火焰圖像E,產(chǎn)生E的灰度直方圖;

(2)設(shè)定改進(jìn)ISCA算法相關(guān)參數(shù);

(3)產(chǎn)生起始群體,各粒子空間位置的矢量即為工業(yè)爐火焰圖像的灰度值組合,則灰度值的范圍為0≤L≤256,也就是工業(yè)爐火焰圖像分割的閾值范圍;

(4)將Kapur當(dāng)作適應(yīng)度函數(shù),進(jìn)行改進(jìn)ISCA算法的最優(yōu)解尋找過(guò)程;

(5)分析改進(jìn)ISCA算法迭代次數(shù)是否達(dá)到最大迭代次數(shù)Nmax,假設(shè)達(dá)到,回到(4),假設(shè)未達(dá)到,就需要將最優(yōu)個(gè)體輸出,該個(gè)體也就是分割的最優(yōu)閾值TH*;

(6)按照(5)得出最優(yōu)閾值TH*進(jìn)行火焰圖像分割,并分析工業(yè)爐火焰分割圖像的效果。

3 實(shí)驗(yàn)數(shù)據(jù)分析與研究

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)選用CCD攝像機(jī)與圖像采集器獲取某工業(yè)爐火焰灰度圖像作為實(shí)驗(yàn)研究對(duì)象,該圖像收集與處理過(guò)程中需要使用的設(shè)備如表1所示。

表1 圖像收集與處理設(shè)備使用情況

3.2 實(shí)驗(yàn)數(shù)據(jù)分析過(guò)程

實(shí)驗(yàn)中攝像機(jī)已被固定,工業(yè)爐處于正常運(yùn)作狀態(tài),采集到火焰圖像像素是512×640,如圖1(a)所示。因?yàn)楣I(yè)爐運(yùn)行環(huán)境復(fù)雜,且煙塵極多,并考慮火焰圖像收集設(shè)備因素,獲得工業(yè)爐火焰圖像上會(huì)含有大量噪聲,為此需要將該原始圖像進(jìn)行去除處理,如圖1所示。

圖1 中間包內(nèi)鋼水層與保護(hù)渣層分界面的火焰定位

3.3 分割效果對(duì)比分析

實(shí)驗(yàn)選用誤分率當(dāng)作工業(yè)爐火焰圖像分割檢測(cè)指標(biāo),ME數(shù)值大小能夠直接表現(xiàn)出該圖像背景像素被錯(cuò)誤劃分到目標(biāo)區(qū)域的比值,計(jì)算過(guò)程為

(10)

式中:Bo、Fo為工業(yè)爐火焰圖像背景區(qū)域及其二值掩碼;Bt、Ft為工業(yè)爐火焰圖像目標(biāo)區(qū)域及其二值掩碼。根據(jù)式(10)可知,ME數(shù)值越大,其分割結(jié)果越差,反之越好。

實(shí)驗(yàn)采集11張工業(yè)爐火焰圖像,選用獨(dú)立分量分析、二維直方圖與改進(jìn)ISCA算法進(jìn)行誤分率對(duì)比分析,結(jié)果如圖2所示。

圖2 誤分率對(duì)比分析

由圖2可知,利用所提算法進(jìn)行圖像閾值分割的誤分率始終在2%以下,效果最好。因?yàn)樗崴惴ㄊ褂肒apur熵找出全局最優(yōu)分割閾值,進(jìn)而很好地將背景區(qū)域與目標(biāo)區(qū)域分開(kāi)。而獨(dú)立分量分析算法、二維直方圖算法易陷入局部最優(yōu)分割閾值,會(huì)將一部分背景區(qū)域的像素點(diǎn)錯(cuò)誤識(shí)別成目標(biāo)區(qū)域的像素點(diǎn),進(jìn)而得出ME數(shù)值始終大于所提算法。

3.4 分割耗時(shí)對(duì)比

實(shí)驗(yàn)使用獨(dú)立分量分析算法、二維直方圖算法與改進(jìn)ISCA算法,在11張工業(yè)爐火焰圖像中進(jìn)行圖像閾值分割用時(shí)對(duì)比分析,如圖3所示。

圖3 各算法的工業(yè)爐火焰圖像閾值分割用時(shí)對(duì)比

由圖3可知,改進(jìn)ISCA算法工業(yè)爐火焰圖像分割用時(shí)最短,因?yàn)樗崴惴ɡ没煦缱兞糠椒ㄌ嵘龑ふ易顑?yōu)解的速度,利用中值濾波算法來(lái)消除圖像上的噪聲,從而極大地減少了圖像的分割難度,為此用0.3 s即可完成11張圖像閾值分割。而獨(dú)立分量分析算法屬于一種機(jī)器學(xué)習(xí)算法,計(jì)算過(guò)程較為繁瑣,為此圖像分割用時(shí)較長(zhǎng);二維直方圖分割圖像過(guò)程中會(huì)降低火焰圖像信息的對(duì)比度,增加圖形處理的難度,圖像閾值分割用時(shí)較長(zhǎng)。

3.5 收斂性對(duì)比

算法收斂性是評(píng)估算法性能的基本指標(biāo)之一。為了更好地分析與對(duì)比改進(jìn)ISCA算法的性能,實(shí)驗(yàn)設(shè)定算法的最多迭代次數(shù)為120次。改進(jìn)ISCA算法、獨(dú)立分量分析算法與二維直方圖算法的收斂性能如圖4所示。

圖4 各算法的收斂性能對(duì)比情況

由圖4可知,所提算法在第17次迭代時(shí)實(shí)現(xiàn)了收斂,而獨(dú)立分量分析算法在10～40次迭代時(shí)陷入局部極值,隨后緩慢跳出,在第65次迭代達(dá)到收斂;二維直方圖算法從始至終都未達(dá)到收斂。由此可知,改進(jìn)ISCA算法的收斂性能最好,因?yàn)樵撍惴ɡ秘澙愤x擇,可以有效地提高種群的多樣性,從而防止種群進(jìn)入局部極值。

4 結(jié) 論

為了提高工業(yè)爐火焰圖像閾值分割精度,采用一種改進(jìn)ISCA算法完成工業(yè)爐火焰圖像閾值分割。根據(jù)SCA算法的特點(diǎn),采用混沌變量算法對(duì)其進(jìn)行改進(jìn),并設(shè)立對(duì)立學(xué)習(xí)機(jī)制提升種群的多樣性,通過(guò)中值濾波方法去除工業(yè)爐火焰圖像上噪聲,利用Kapur熵最大化、灰度直方圖等方法完成工業(yè)爐火焰圖像閾值分割。實(shí)驗(yàn)結(jié)果表明,所提算法能夠有效提升運(yùn)行效率及其分割精度,并保證其收斂速度。