PDF《BP 神经网络的火焰图像温度检测方法》

BP 神经网络的火焰图像温度检测方法 王韬,刘 奇 ,陈 洪 ,孟川杰 ( 四川大学电气信息学院, 四川 成都 610065) 摘要: 基于炉膛火焰温度不同, 与之相对应通过 CCD 摄取的炉膛火焰图像颜色也不同, 提出了一种检测炉 膛火焰温度的方法.

将获取的炉膛火焰图像 R GB 模型转换为 HSI 颜色值, 用H、S 值作为 BP 神经网络输入, 通过样本图像训练后, 拟合 H 、S 与温度 T 的非线性关系, 计算得到炉膛火焰温度值. 实验表明, 计算温度与 实际温度良好相符, 温度测量方法切实可行. 关键词: CCD;

BP 神经网络;

HIS ;

颜色模型 中图分类号: TH744.

14 文献标识码: A 文章编号: 1672-4984( 2005)

02 -0050-03 Temperature measurement method of flame images based on BP neural network WANG Tao, LIU Qi , CHEN Hong, MENG Chuan-jie ( College of Electric Information , Sichuan University, Chengdu 610065, China) Abstract: Based on the fact that different furnace flame images captured by the CCD correspond with the different temperature of the furnace flame , a temperature measurement method of the furnace flame images is presented in this paper. Transforming the RGB color model images captured by the CCD into HSI color model images , training this neural network and approximating the nonlinear relationship between the color and the temperature based on BP neural network , the temperature is calculated. The experimental results prove that the calculating temperature accords with the actual one and show that the method is feasible. Key words : CCD ;

BP neural network ;

HSI ;

Color model 收稿日期:

2004 -12-05 ;

收到修改稿日期:

2005 -02 -23

1 引言设备安全运行的需要 , 使得锅炉炉膛火焰温度 检测成为一个重点 .目前 , 对炉膛火焰温度检测的 方法大致可分为如下两种 : 利用传感器通过热传导 原理 ,采用接触式的方法测温 ;

利用传感器通过热辐 射的原理,采用非接触的方法测温.对于接触式传 感器 ,测得的温度容易产生延迟现象;

对于非接触式 传感器,测得的温度容易受环境影响. 在非接触式测温中, 有一种利用接收物体发出 的红外线( 红外辐射) ,将其热像显示在屏幕上 ,从而 判断物体表面温度分布的 CCD 方法.此方法测温 由于具有准确、实时 、 快速等优点, 受到人们的关注 . 并且随着数字图像处理技术的不断发展与完善 , CCD 法越来越得到广泛的应用. 理论上讲, 温度与图像颜色存在某种映射关系 , 这种映射关系一般来说是非线性的.而BP 神经网 络具有对非线性函数良好拟合的特点 .所以我们采 用HSI 颜色空间 , 选择 H 、 S 分量作为神经网络输 入, 通过样本训练 ,得到 H 、 S 与温度 T 的映射关系.

2 颜色模型的选择 CCD 采集的图像值为 RGB 颜色空间 .RGB 空 间主要是根据人眼锥体接收光线的方法来构造成的 一个模型 ,它用三组独立的值来定义色调、饱和度和 亮度 .但在图像处理中 ,由于 R、 G 、 B 分量具有较高 的相关性 ,使得直接应用 RGB 分量值进行检测, 得 到的效果并不理想.所以在温度检测之前, 应该对 RGB 颜色空间进行变换. 在选择颜色空间的过程中,经过分析比较, 我们 采用了HSI 空间 .因为HSI 颜色空间用H 、 S 、I 三参 数描述颜色特征 , 其中 H 定义为颜色波长 , 称为色 调;

S 表示颜色的深浅程度 , 称为饱和度;

I 表示强 度.HSI 模型非常符合人类对颜色的认知 , 适于图 像处理.基于此原因 ,我们通过变换得到图像对应 的HSI 值 .关于 RGB 、HSI 颜色空间的相互转换关 系, 文献[

1 ] 中有详细叙述 . 第31 卷第

2 期2005 年3月中国测试技术 CHINA MEASUREMENT TECHNOLOGY Vol.

31 No .

2 Mar,

2005 RGB 到HSI 颜色空间的转换中 ,存在多种变换 方式 ,我们选择如下的公式[ 2] : I =

1 3 ( R +G +B) ( 1) S =1 -

3 ( R +G +B) [ min( R ,G , B) ] ( 2) θ=arccos

1 2 [ ( R -G) + ( R -B) ] [( R -G)

2 + ( R -G) ( G -B) ]

1 2 ( 3) H = θ B ≤G 2π - θ B >

G ( 4)

3 神经网络的选择 自从上世纪

50 年代数学家W. Pitts 和心理学家 W. S. McCulloch( 见文献[ 3] ) 提出 M-P 神经元模型以 来,模仿脑细胞结构和功能、 脑神经结构以及思维处 理问题等脑功能的神经网络得到了快速发展 .由于 人工神经网络具有复杂的动力学特性、并行处理机 制、 学习、联想和记忆等功能, 以及它的高度自组织 、 自适应能力和灵活性 ,因此它一经出现 ,便受到学术 界的广泛关注. 目前 ,在神经网络的实际应用中,由非线性普通 变换单元组成的前馈网络, 即BP 网络及其变换形 式,应用较多.这主要是因为 BP 网络对函数逼近 、 模式识别 、 分类 、 数据压缩有着良好的特性.对于这 方面的问题,文献[ 4] 中进行了详细分析. 基本 BP 神经网络结构模型如图

1 所示. Kolmogorov 定理已经证明: 给定任一连续函数 , 在满足一定条件下, 可以由一个三层前向网络来实 现.BP 定理进一步告诉我们只需用三层的 BP 网络 就可以实现在任意希望的精度上对连续函数的逼 近.详细的定理阐述可以见参考文献[ 5] 与文献 [ 6] .至于通过使用多层网络减少隐层节点数 ,以及 如何求取网络结构参数, 可以见参考文献[ 7] 、文献 [ 8] ,其中对此有明确论述. 经过实验分析 , 考虑到计算精度 、 复杂程度, 最 终选择含有一个隐层的 BP 网络.模型输入层采用 H 、 S 分量作为输入 ,隐层含

8 个神经元 ,输入层到隐 层的激活函数采用正切 Sigmod 函数, 输出层含有一 个节点为温度 T , 隐层到输出层的激活函数采用线 性函数.因为网络规模不算太大 , 求解问题类型为 函数 拟合,以及收敛性能的需要,我们选择Levenberg- Marquardt 优化 .

4 实验方法 用红外感应枪测试炉膛指定部位的火焰温度作 为标定温度,同时在 CCD 采集的图像中找出相应的 测试区域 .同一点在间隔较长的时间内多次测量, 同时通过 CCD 获取相应的样本图像 .将样本图像 测试区域 R、 G 、 B 值求平均后 ,按如前所述的公式转 化成 H 、 S 值. 将求得的 H、 S 分量作为神经网络的输入, 训练 样本得到 H 、 S 和温度T 的映射关系. 检验分析结果 .

5 实验结果及误差分析 根据用户信息反馈 , 炉膛火焰温度范围约在

800 ℃~

1500 ℃ 范围,我们采集了此温度范围内的样 本图像和温度数据, 如图

2 所示 .实际图像大小为

384 *288 .可以看出每张图像含有

5 个温度测试区 域. 由于实际条件限制, 不可能获取到测试区域上 有规律的温度上升或下降的样本图像 ,所以某些图 像间会出现测试区域温度相差不大的现象 .作为样 本图像, 彼此间应具有一定的温度差异 ,这样才能体 现温度变化与该区域图像值的对应关系 .当然, 温 度差异也不能太大, 否则样本训练结束后, 通过 BP 网络测温可能造成计算温度与实际温度之间较大的 误差 . 表1简单的展示了温度在

1200 ℃~

1400 ℃时, 第31 卷第

2 期王韬等: BP 神经网络的火焰图像温度检测方法

51 图像右下方区域的 H 、 S 与T的关系.由于图像数 据量较大 ,在此仅给出如下几组说明问题: 表11200℃~

1400 ℃内样本右下区域的H 、S 值H0.

18366 0.

26555 0.

26788 S 0.

73786 0.

66417 0.

67669 t/ ℃

1213 1255

1269 H 0.

28517 0.

30303 0.

31860 S 0.

66051 0.

64663 0.

64354 t/ ℃

1293 1348

1365 从上表可以看出 ,随着温度升高 ,同一区域的 H 值呈现上升的趋势,S 分量有下降的趋势. 实际采集的图像大小为384 *

288 .选择的测温 区域大小为

9 *

9 .CCD 采集的图像每秒

25 幅 .实 际测温时 ,为提高运算的准确性,可以把不同图像的 同一区域简单相加进行统计平均 ,然后再计算H 、 S 值.当然还有其他很多方法可以改善 H 、 S 值, 对此 不再论述.实验证明, 通过 H、S 分量, 可以得出如 下结论 : 对同一区域 , 随温度不同 ,此区域对应的图 像也不同 . 样本图像数为

19 幅, BP 网络的隐层神经元个 数为

8 , 均方误差指标为 1e -6 , 最高迭代次数

10000 .将如表

1 给出的样本H 、 S 分量作为 BP 网络 的输入,训练神经网络.训练结束后,将检验样本输 入BP 网络 , 以验证模型的准确性 . 实验证 明, 与 实际 温度 相比, 平 均误 差为 8.

69 ℃,最大误差为 37.

83 ℃.分析最大误差, 发现 误差存在于样本图像区域温度间隔相差最大的地 方.这是可以理解的 ,因为理论上样本间隔太大, 落 在这两个样本间的数据误差越大.减小这种误差的 办法就是增大样本数目, 以减小间隔差异. BP 网络性能验证结束后,用一组图像对炉膛火 焰温度进行预测 ,这组图像是炉膛火焰燃烧稳定后 通过 CCD 采集.温度曲线如图

3 所示 . 由图

3 所展示 ,温度平均在1400 ℃ 左右, 这与炉 膛实际温度情况是相符合的 .说明 BP 模型建立正 确,测温结果可信.

6 结论本文介绍了一种通过 CCD 采集炉膛火焰图像, 采用 HSI 颜色模型, 用BP 神经网络的方法拟合H 、 S 与温度的非线性关系 ,计算得到炉膛火焰温度的方 法.该方法精度较高,运算较快, 切实可行 .由于实 验条件的原因 ,获取的样本图像还不够典型 ,下阶段 要做的是加大样本图像数目, 进一步提高测温准确 度. 参考文献 [ 1] 王胜正.施朝健.基于两种颜色空间的颜色选择方法 [ J] .计算机应用与软件, 2004, 21( 2) . [ 2] Rafael C, Gonzalez Richard E, Woods . Digital Image Process - ing (Second Edition) , Publishing House of Electronics Industry,

2003 , 3. [ 3] 王洪元, 史国栋.人工神经网络技术及其应用[ M] .北京: 中华石化出版社 , 2002. [ 4] 金丕彦, 芮勇. BP 算法各种改进算法的研究和应用 [ J] .南京航空航天大学学报, 1994, 26( S1) . [ 5] 段晓君.神经网络的函数逼近能力分析[ J] .模糊系统 与数学,

1998 , 12( 4) . [ 6] 飞思科技产品研发中心. MATLAB6.

5 辅助神经网络分 析与设计[ M] .北京: 电子工业出版社, 2003, 1. [ 7] 瞿东晖, 张立明.多层前馈网络在模式识别中的理论 和应用[ J] .电子学报, 1995, 23( 7) . [ 8] 刘耦耕, 贺素良. BP 神经网络结构参数的计算机自动 确定[ J] .计算机工程与应用, 2004, 1( 1) .

52 中国测试技术

2005 年3月 ........