下载: 全尺寸图片 幻灯片
本文采用多元图像分析(Multivariate image analysis, MIA)技术提取炉口火焰特征. MIA
是从化学分析领域发展而来, 早在 1989 年, 由 Esbensen 等人首次提出
[27]
; 1996 年, Geladi 等
人对其进行补充并在工业过程中应用和完善
[28]
. MIA 技术能够根据多个图像通道间变量的
相关信息, 对单个像素进行无监督聚类, 量化图像的光谱特性
[29]
.
根据巡检工人的经验, 正常熔炼工况与欠烧工况在可视化特征上的差异主要体现在火
焰高亮区域的面积、炉口火焰的颜色、火焰的亮度随时间变化的规律上. 为减少在图像特
征提取时的计算时间及图像背景区域的干扰, 本文直接利用 MIA 分割出炉口火焰区域, 再
提取图像的特征信息, 这样做能够在损失较少图像信息的前提下降低图像矩阵的维度
[30]
, 从
而减少运算时间. 鉴于篇幅所限, 以下简要介绍特征提取方法, 详细步骤参考文献[7, 31].
算法 1. 基于 MIA 的图像特征提取.
1)根据 RGB 强度将彩色图像转换为三维矩阵.
2)将三维矩阵展开为二维矩阵, 每一列表示一个通道.
3)通常情况下, 彩色图像的三个主成分中的前两个能够解释彩色图像中原始数据的大
部分可变性
[32]
. 因此, 利用 PCA (Principal component analysis)对原始图像进行降维重构.
4)绘制得分图、得分密度图, 根据其分割炉口火焰区域.
5)根据得分图与得分密度图, 将图像量化为二进制方阵.
6)根据方阵的统计特征, 设计特征计算公式, 最终得到以下 7 个图像特征: 火焰区域面
积、火焰亮度、火焰亮度的一致性、不发光区域的平均亮度、整个图像的平均颜色、火焰
发光区域的平均颜色、火焰区域中出现的颜色总数.
上述操作从每一帧炉口火焰的图像提取 7 个特征. 最后, 请有经验的操作工人对一部
分图像进行工况标记.
3. 基于熵正则化的特征融合方法
3.1 熔炼电流数据的分布