基于离散余弦变换特征和隐马尔科夫模型的铜熔炼过程烟雾分级 下载: 939次
1 引言
废杂铜金属熔炼是工业过程中铜金属循环再利用的重要环节,工频熔炼炉熔炼废杂铜是低品质废杂铜熔炼过程的主要工艺。由于有机物等杂质的燃烧,废杂铜在熔炼过程中会产生大量烟雾废气。为了防止这些烟雾废气排放到空气中污染环境,通常利用顶部配有引风机的炉膛将烟气抽入除尘袋。在废杂铜熔炼的不同阶段,炉膛内的烟雾浓度差异较大。为了节约能源和降低生产成本,引风机的转速应该根据炉膛内的烟雾浓度进行相应调整,即当烟雾浓度较高时,增大引风机转速,以有效收集熔炼烟雾;当烟雾浓度较低时,应减小引风机转速,以减小引风机的能耗和熔炼过程加热能量的损耗。而由于炉膛温度高等原因,现有仪器难以实现烟雾浓度的在线实时检测。目前,在废杂铜熔炼过程中,引风机调速的工作主要由操作工人根据操作经验目测烟雾浓度,进而手动调整引风机的转速[1]。为了降低能耗和操作控制的工作强度,本文提出了一种基于图像分析技术的烟雾浓度在线检测分级方法,用于实现引风机速度的自动控制。
基于图像分析的自动化检测技术被广泛应用于食品质量检测[2-3]、纺织面料检测[4-5]、金属检测[6-8]、医疗诊断[9-10]和卫星遥感[11]等领域,但是在废杂铜熔炼行业中的应用较少[1]。一般而言,图像分析包含图像的获取、预处理、特征提取和建模识别等部分。在农业生产中,图像分析技术常被用于对农产品进行分类和测量,如进行水果质量等级评估[12];在工业应用中,图像检测技术常被用于无损检测[13]和软测量[8-14]。利用图像分析技术对烟雾浓度检测方面的研究主要围绕火灾烟雾的检测,冶金过程烟雾检测的研究鲜有报道。有研究者通过图像检测烟雾时序性的光烟流模式进行火灾报警和排除险情[15],还有研究者提出了基于图像分析和隐马尔科夫模型(HMM)的在线燃烧烟雾系统的监控。对于废杂铜熔炼过程的烟雾检测,曾有研究者提出了基于背景模糊度特征和最小二乘支持向量机(LSSVM)模型的熔炼过程烟雾分级和引风机控制算法,这些前期工作为熔炼过程中烟雾分级的图像序列化分析和分类提供了研究思路。
在烟雾检测分析系统中,有效的图像特征和分类建模方法是决定模型性能的关键因素。目前,已有很多图像的特征提取方法,如主成分分析[16]、小波分析[17]和频域变换[18]等。离散余弦变换(DCT)是一种与傅里叶变换相关的变换,它具有很强的能量集中特性,即能量集中在DCT的低频部分,且当信号具有接近马尔科夫过程的统计特性时,DCT的去相关性接近于Karhunen-Loeve(KL)变换[19-20]。因此,DCT常用于语音和图像特征的提取。采用DCT提取烟雾图像特征,可以充分利用烟雾图像的有效信息,以便后续建立高效的分类模型。在图像检测中,另一个重要步骤是在提取的烟雾图像特征的基础上,建立可靠有效的分类模型。在众多的分类方法中,HMM因其提供了一种描述复杂动态关联现象的可能机制和良好的扩容性而备受青睐,已在语音信号识别、人脸识别、生物结构识别和行为分析等领域取得了重大成果。本文将同一种工况下的烟雾图像视为同一个HMM,每一幅图像采用移动窗从上至下进行序列化采样,得到了子图像序列。利用DCT对序列子图像进行特征提取,将每一幅熔炼烟雾图像转化成一个HMM样本序列。利用训练样本对模型参数进行训练,实现了对烟雾图像的等级分类,可为引风机速度的自动控制提供准确的反馈。
2 DCT和HMM
2.1 DCT
DCT具有良好的能量集中特性,是一种能够减少空间冗余和压缩能量的信号变换方法。常见的信号处理采用一维DCT,但其常被扩展为二维DCT,用于处理像图像这种二维信号。
对于一幅大小为
式中:
经过上述二维DCT后,原二维图像的像素矩阵转变成由二维DCT系数构成的相同大小的系数矩阵。在该矩阵中,低频系数集中在矩阵的左上角,反映了图像的整体特性;高频系数集中在图像矩阵的右下角,反映了图像的局部特性。由定义可知,二维DCT与离散傅里叶变换(DFT)相近,但二维DCT的变换核为实数的余弦函数,不涉及复数计算。因此,DCT的计算速度比变换核为复指数的DFT快,能够极大地提高高维图像数据压缩的速度。由此可知,二维DCT作为图像特征提取的方法,具有以下几个优点:1) 大多数二维DCT的系数较小,只有极少数大系数集中在低频分量中,具有能量集中的特性;2) 二维DCT的特征系数对图像的旋转、噪声及光照等因素较不敏感,因而能够有效减小环境干扰等对烟雾图像带来的不利影响;3) 二维DCT特征系数的低频部分能够较好地描述图像的整体变化特征,而其高频部分又可以反映不同阶段图像的局部特征;4) 二维DCT特征提取能够有效避免烟雾图像像素点直接建模带来的计算量大、计算时间长和算法不稳定等问题,可大大降低建模数据的维度,提高建模速度和准确性。
2.2 HMM
HMM是图像识别领域的重要方法之一,是马尔科夫过程的进一步发展。马尔科夫过程描述的是一个总随机过程中一系列状态之间的不断转移,可用
图 1. 框图。(a)马尔科夫过程;(b)隐马尔科夫过程
Fig. 1. Block diagram. (a) Markov process; (b) hidden Markov process
1) 状态集
2) 观测集
3) 状态转移矩阵
式中:Pr为概率求解函数,且有
4) 观测概率矩阵
且有
5) 初始状态概率分布
且有
一般地,可用
1) 给定观测序列
2) 给定观测序列
3) 给定一系列观测序列
在许多实际应用中,集合
式中:
烟雾图像识别是将待识别的烟雾图像与标准库中的图像进行对比识别的过程,其训练和测试过程与DCT的经典实验极为类似,主要区别在于观测序列的求法不同。因此,利用DCT的思想,可将同一工况下的烟雾图像作为一个HMM,提取图像序列的特征作为模型的观测值,通过解决DCT的三个基本问题,设计出烟雾图像分类模型的训练和识别算法。
3 熔融工艺分析
废杂铜熔炼过程主要分为加料和搅拌、熔融、化验出炉等工序。在各个工况下,炉膛内均会产生相应的烟雾,为了防止烟雾排放到空气中,需要用引风机将烟雾抽入吸尘袋。同时,由于在不同工况下,炉膛内产生的烟雾浓度不同,为了最大限度地减少能源浪费,需要根据炉内烟气浓度等级调整相应的引风机转速。
在加料和搅拌过程中,由于原料中有机物等易燃物的剧烈燃烧,炉膛内会产生大量浓烟和高亮度的火焰,此时引风机需要运行在最高速度状态,将黑烟抽走,防止其排入空气污染环境。
在加料搅拌一段时间后,随着有机物等易燃物的大量燃烧,炉内出现较平稳熔融过程,此时炉膛内仍保持较高的亮度,仍有较多烟雾,但其浓度比之前有所减小,此时引风机速度应降低一级。
在熔炼后期,整个炉膛内趋于稳定状态,烟雾浓度再次减小,此时引风机速度较之前的状态应再降低一级。
图 2. 加料及搅拌过程的烟雾。(a)加料时的烟雾;(b)搅拌时的烟雾
Fig. 2. Smoke in the feeding and stirring process. (a) Smoke in feeding stage; (b) smoke in stirring stage
图 3. 平稳熔融过程的烟雾。(a)烟雾1;(b)烟雾2
Fig. 3. Smoke in the smooth melting process. (a) Smoke 1; (b) smoke 2
图 4. 熔融后期的烟雾。(a)烟雾1;(b)烟雾2
Fig. 4. Smoke in the last stage of smelting process. (a) Smoke 1; (b) smoke 2
在化验和出炉阶段,炉膛的炉况很平静,所产生的烟雾基本为零,此时引风机速度减小为最低档即可。
图 5. 化验与出炉阶段的烟雾。(a)化验时的烟雾;(b)出炉时的烟雾
Fig. 5. Smoke in the component analysis and release stage. (a) Smoke in analysis stage; (b) smoke in release stage
4 烟雾图像分级建模
在烟雾图像的建模过程中,熔融过程大致可分为4个主要工况,每个工况分别对应一个HMM。烟雾图像的分级建模预测需经过图像采样时序化、DCT特征提取、HMM训练及HMM分类预测等步骤。
4.1 图像采样时序化
对于某种工况下的炉膛内烟雾图像,可以视其为该工况对应的HMM的一个样本,为了实现样本图像与HMM时间序列的对应,采用以下技术对图像进行采样。
如
4.2 DCT特征提取
通过图像采样时序化,每幅图像共得到
4.3 HMM训练
每一个工况对应的HMM,均需要通过其对应的训练样本来估计参数。假设该模型共有
1) 确定模型拓扑结构,如模型的状态数、允许的状态转移矩阵等;
2) 模型参数初始化;
3) 采用Buam-Welch算法对参数进行重新估计,迭代调整模型参数,直至满足收敛条件;
4) 保存模型参数。
4.4 HMM分类预测
对各个工况分别建模,并利用样本训练HMM参数,则可以对炉膛内的烟雾图像进行分级预测。基本方法是先对烟雾图像进行采样时序化,进而提取DCT特征形成观测序列,分别求取各个HMM下产生该观测序列的概率值,其中使得该观测序列概率值最大的对应模型类别即为该图像样本所属的等级类别。
5 实验结果及讨论
实验中铜熔炼过程的4个工况分别采用30幅图像训练和估计HMM参数,每个工况各选择30幅图像用于测试模型的分类准确性。各个HMM采用左右型HMM拓扑结构。由于DCT模型获取的特征观测序列为连续变量值,HMM类别选为连续型,即各个状态产生的观测值的概率分布为混合高斯密度函数。每个状态包含多个高斯成分的HMM和包含多个状态但每个状态仅包含单高斯成分的HMM在似然函数上是等价的,在实验中考虑HMM的各个状态产生的观测值均为单高斯分布。因此,选择合适的HMM状态数,是模型分类准确性的关键。为了选择最优状态数,取状态数
为了验证模型的有效性,在相同训练样本和测试样本的条件下,采用LSSVM对烟雾图像进行分类建模,各个模型对烟雾图像的识别正确率如
可以看出,基于HMM的熔炼烟雾分级方法的熔炼烟雾分级识别准确率显著优于LSSVM。这是因为基于LSSVM的烟雾图像分级方法关注的是烟雾图像的整体特征,只对烟雾图像的整体特征进行训练和分类,无法对烟雾的局部特征进行描述,故其分类准确性较差。基于DCT特征提取和HMM的烟雾图像分级方法对图像采样时序化,通过滑动窗口操作对图像进行序列化子图像,得到各个子窗口图像的二维DCT系数矩阵特征,充分利用了烟雾图像的整体和局部块信息,烟雾图像的描述更加精准。因此,在熔炼烟雾图像的分级实验中,基于HMM方法的分类效果显著优于LSSVM。
从HMM自身来看,不同状态数
表 1. 不同模型识别正确率比较
Table 1. Recognition accuracy comparison for different models
|
6 结论
针对目前铜熔炼过程除尘风机的烟雾控制中存在的能源浪费和人工操作劳动强度大等问题,研究了基于DCT特征提取的图像处理技术和融合HMM的烟雾自动分级方法,实现了废杂铜熔炼过程烟雾分级的高准确率检测。实验结果表明,DCT图像特征和HMM在废杂铜熔炼过程烟雾自动分级建模中取得了较好的效果,对风机转速节能控制具有一定的工程应用价值。
[2] Russ J C. Image analysis of foods[J]. Journal of Food Science, 2015, 80(9): E1974-E1987.
[10] 王苏恺, 潘晋孝, 陈平. 基于结构连续先验的CT图像序列自适应分割算法[J]. 激光与光电子学进展, 2016, 53(11): 111006.
[13] 朱炳斐, 陈文建, 李武森. 基于Fourier-Mellin变换的液晶显示屏显示缺陷检测[J]. 激光与光电子学进展, 2017, 54(12): 121502.
[14] Kim CW, Kim HG, Suk H G. A study on the composition determination of Cu alloys by image processing technology[J]. Solid State Phenomena, 2006, 116/117: 795- 798.
[16] Mredhula L, Dorairangaswamy M A. Image denoising using principal component analysis (PCA) and pixel surge model (PSM)[J]. International Journal of Signal and Imaging Systems Engineering, 2016, 9(4/5): 311-319.
[17] Naidu V P S, Raol J R. Pixel-level image fusion using wavelets and principal component analysis[J]. Defence Science Journal, 2008, 58(3): 338-352.
[18] Hanbay K, Talu M F, Ozguven O F. Real time fabric defect detection by using Fourier transform[J]. Journal of the Faculty of Engineering and Architecture of Gazi University, 2017, 32(1): 151-158.
[21] 尹洪涛, 付平, 沙学军. 基于DCT和线性判别分析的人脸识别[J]. 电子学报, 2009, 37(10): 2211-2214.
[23] 陆兵, 顾苏杭. 基于隐马尔可夫模型和分块特征匹配的目标跟踪算法[J]. 激光与光电子学进展, 2017, 54(9): 091006.
Article Outline
张宏伟, 张凌婕, 袁小锋, 宋执环. 基于离散余弦变换特征和隐马尔科夫模型的铜熔炼过程烟雾分级[J]. 激光与光电子学进展, 2018, 55(12): 121504. Hongwei Zhang, Lingjie Zhang, Xiaofeng Yuan, Zhihuan Song. Smoke Classification in Copper Smelting Process Based on Discrete Cosine Transform Features and Hidden Markov Model[J]. Laser & Optoelectronics Progress, 2018, 55(12): 121504.