基于信息熵和組合紋理特征的回轉(zhuǎn)窯熟料燒結(jié)狀態(tài)檢測(cè)方法

基于信息熵和組合紋理特征的回轉(zhuǎn)窯熟料燒結(jié)狀態(tài)檢測(cè)方法

1熟料的表面紋理特征返回給水的自動(dòng)管理系統(tǒng)主要用于保持內(nèi)流的平衡，并確保原料的正常燃燒?；诨剞D(zhuǎn)窯窯頭采集到的熟料圖片,利用圖像識(shí)別的方法來實(shí)現(xiàn)窯內(nèi)火焰、熟料等特征的非接觸自動(dòng)測(cè)量,不僅能提供豐富的窯內(nèi)工況信息,還能作為圖像反饋來進(jìn)行窯爐的閉環(huán)控制,對(duì)完善窯爐熟料燒結(jié)質(zhì)量監(jiān)控具有重要意義。圖像紋理特征越來越多地被應(yīng)用于工業(yè)領(lǐng)域,熟料的表面紋理特征不僅可用于實(shí)現(xiàn)熟料感興趣區(qū)的分割,還可用于判斷其燒結(jié)狀態(tài)。由于工業(yè)回轉(zhuǎn)窯窯內(nèi)環(huán)境復(fù)雜,煤粉和煙霧干擾較大,導(dǎo)致采集到的熟料序列圖像質(zhì)量缺乏穩(wěn)定性,給熟料圖像紋理圖像的在線測(cè)量帶來了挑戰(zhàn)。為了保證對(duì)回轉(zhuǎn)窯熟料燒結(jié)狀態(tài)檢測(cè)的可靠性,在對(duì)熟料紋理圖像進(jìn)行紋理分析之前,有必要對(duì)圖片質(zhì)量進(jìn)行評(píng)判,濾除圖像序列中異常幀。此外,研究表明,利用Fisher系數(shù)確定最佳位置算子(距離和方向)以及4個(gè)紋理參數(shù)集,紋理的灰度共生矩陣法能較好地實(shí)現(xiàn)熟料的欠燒、過燒和正常燒結(jié)3種狀態(tài)分類。然而,實(shí)際工況下熟料燒結(jié)狀態(tài)變化較緩慢,在欠燒、正常燒結(jié)和過燒之間的轉(zhuǎn)化有著中間的過渡過程,因此,僅將其區(qū)分為3類不足以滿足實(shí)際工況精細(xì)判斷和控制需要?；谶@個(gè)工業(yè)現(xiàn)場(chǎng)問題,本文首先利用信息熵實(shí)現(xiàn)序列圖像的有效性判斷,為了避免單一紋理分析方法的局限性,綜合4種紋理統(tǒng)計(jì)分析法得到的紋理特征,結(jié)合MI互信息值提取出紋理識(shí)別度較好的特征參數(shù)集,并利用K-NN對(duì)欠燒、稍欠燒、正常燒結(jié)、稍過燒和過燒5種不同燒結(jié)狀態(tài)下的熟料紋理進(jìn)行了識(shí)別。2窯頭圖像特征計(jì)算圖1所示為工業(yè)回轉(zhuǎn)窯原理圖,隨著回轉(zhuǎn)窯的緩慢旋轉(zhuǎn),待燒結(jié)的原料從窯尾運(yùn)動(dòng)到窯頭,在窯內(nèi)完成干燥、預(yù)熱、分解、燒結(jié)和冷卻等過程,并從窯頭下料口排出,安裝在窯頭的攝像機(jī)實(shí)時(shí)采集窯內(nèi)火焰、熟料等圖像信息,并傳送到計(jì)算機(jī)進(jìn)行處理,通過提取感興趣區(qū)域的圖像特征,來間接進(jìn)行窯內(nèi)工況的判別。實(shí)際的回轉(zhuǎn)窯工況現(xiàn)場(chǎng)環(huán)境非常復(fù)雜,煤粉和火焰的干擾會(huì)導(dǎo)致圖像序列凍結(jié)后得到的采樣圖片質(zhì)量不穩(wěn)定。分析圖2給出的窯頭視頻圖像序列實(shí)例,其中第2排的第2和第3幅圖片為受粉塵干擾的異常窯頭圖片。相較于其他圖片而言,整個(gè)窯頭圖像都被粉塵充斥,呈現(xiàn)為較統(tǒng)一的紅色,無法辨認(rèn)熟料、火焰。為保證視覺特征數(shù)據(jù)來源的可靠性,可采用2種方法:一是對(duì)圖像樣本進(jìn)行濾波,即將采集到的異常圖片直接從序列集中濾除,再基于保留下來的正常圖片進(jìn)行圖像特征的計(jì)算;另一種是對(duì)熟料區(qū)紋理參數(shù)進(jìn)行濾波,即首先不考慮采集到的序列圖片的質(zhì)量,對(duì)所有的樣本圖片進(jìn)行特征參數(shù)計(jì)算后,得到的參數(shù)序列中突變點(diǎn)為噪聲數(shù)據(jù)。由于實(shí)際回轉(zhuǎn)窯中熟料表面紋理的復(fù)雜性,不能用單一的紋理參數(shù)來對(duì)其進(jìn)行精確分類,需要組合多個(gè)紋理參數(shù)進(jìn)行識(shí)別,而多參數(shù)濾波是一種多維濾波,具體工況下不易實(shí)現(xiàn)。相比較而言,圖像的序列濾波更為簡(jiǎn)單直接。在信息論中,信息熵以統(tǒng)計(jì)形式給出隨機(jī)變量或系統(tǒng)的不確定性,可以用于評(píng)價(jià)圖像所含信息量的大小,熵越大對(duì)應(yīng)圖像灰度分布越分散,圖像所含的信息越豐富?？紤]灰度級(jí)為N的圖像,定義pi為圖像像素灰度值為i的概率,其圖像信息熵E定義為:E=-Ν∑i=0pilog2pi(1)E=?∑i=0Npilog2pi(1)受粉塵干擾的窯頭圖片其信息量明顯小于正常工況視野清晰下的圖片。由此,在對(duì)實(shí)時(shí)捕捉到的視頻進(jìn)行靜態(tài)采樣和圖片凍結(jié)后,計(jì)算其相應(yīng)的信息熵,并將信息熵值明顯小于某一閾值的圖片從圖片序列中濾除。3回轉(zhuǎn)窯熟料紋理分析方法不同燒結(jié)程度的熟料其表面紋理呈現(xiàn)不同的特征,過燒的熟料因燒結(jié)過度黏度很高,有明顯的結(jié)塊現(xiàn)象,熟料表面紋理粗糙;欠燒的熟料呈現(xiàn)出來的圖像表面紋理為顆粒度小的松散細(xì)沙狀,局部較均勻、不同區(qū)域間變化很小;而正常燒結(jié)狀態(tài)的熟料紋理豐富、粒度適中、溝紋較深?？梢钥闯鰺Y(jié)狀態(tài)與紋理特征具有較強(qiáng)的關(guān)聯(lián)關(guān)系,基于紋理特征參數(shù)進(jìn)行狀態(tài)分類和檢測(cè)可行性高。圖3所示依次為過燒、稍過燒、正常、稍欠燒、欠燒5種燒結(jié)狀態(tài)下的熟料圖片。紋理的無法精確定義造就了紋理分析方法的豐富多樣,目前應(yīng)用較為廣泛的紋理分析方法主要有統(tǒng)計(jì)法、幾何結(jié)構(gòu)法、模型法以及頻域變換法,因回轉(zhuǎn)窯熟料紋理屬于不規(guī)則的自然紋理,很難用精確的模型來進(jìn)行描述。本文主要采用統(tǒng)計(jì)法中的灰度直方圖法、灰度共生矩陣法、灰度游程矩陣法以及梯度法來計(jì)算熟料的紋理特征,作為熟料紋理識(shí)別的待選參數(shù)。假定圖像被量化為N個(gè)灰度級(jí),p(*)表示歸一化的事件發(fā)生概率,以下將對(duì)用到的方法和參數(shù)進(jìn)行簡(jiǎn)要總結(jié)。1不同粒度直方圖的特征灰度直方圖代表了圖像區(qū)域的概率密度分布,用圖像的灰度直方圖的各統(tǒng)計(jì)距能對(duì)紋理實(shí)現(xiàn)最簡(jiǎn)單直接的描述。根據(jù)階數(shù)的不同,常用的灰度直方圖特征有(一階距)、方差(二階距)、偏斜度(三階距)、峰度(四階距)。均值:μ=Ν∑i=1ip(i)(2)μ=∑i=1Nip(i)(2)方差:μ2=σ2=Ν∑i=1(i-μ)2p(i)(3)偏斜度:μ3=σ-3Ν∑i=1(i-μ)3p(i)(4)峰度:μ4=σ-4Ν∑i=1(i-μ)4p(i)-3(5)2熟料圖像矩陣特性灰度共生矩陣是對(duì)特定距離和方向下的滿足特定灰度關(guān)系的鄰近像素灰度值分布特性進(jìn)行統(tǒng)計(jì)產(chǎn)生的矩陣,能較好地表達(dá)圖像紋理中灰度級(jí)的空間相關(guān)性。由灰度共生矩陣所產(chǎn)生的統(tǒng)計(jì)學(xué)參數(shù)中,描述不同燒結(jié)狀態(tài)的熟料圖像矩陣特性的主要有以下:對(duì)比度:Contrast=Ν∑k=0n2Ν∑i=1Ν∑j=1Ρ(i,j),|i-j|=k(6)平均和:SA=2Ν∑k=2k(Ν∑i=1Ν∑j=1Ρ(i,j)),i+j=k(7)逆差矩:ΙDΜ=Ν∑i=1Ν∑j=111+(i-j)2Ρ(i,j)(8)差方差:DV=Ν-1∑k=1(k-μx-y)2(Ν∑i=1Ν∑j=1Ρ(i,j)),i-j=k(9)3基于度游程矩陣法的典型紋理特征描述子在感興趣的圖像區(qū)域里,連續(xù)或共線的并具有相同灰度級(jí)的像素點(diǎn)數(shù)目稱為該灰度值的游程長(zhǎng)度,圖像的灰度游程長(zhǎng)度矩陣元素定義為沿指定方向滿足特定灰度級(jí)和游程長(zhǎng)度值的像素個(gè)數(shù)。令M為游程長(zhǎng)度,基于灰度游程矩陣法的典型紋理特征描述子主要包括:長(zhǎng)游程優(yōu)勢(shì):LRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j2p(i,j)(10)短游程優(yōu)勢(shì):SRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j-2p(i,j)(11)游程長(zhǎng)不一致:RLΝ=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1(Μ∑j=1p(i,j))2(12)游程維度:Fra=[Ν∑i=1Μ∑j=1p(i,j)](Ν∑i=1Μ∑j=1jp(i,j))-1(13)灰度不一致:GLΝ=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1(Μ∑j=1p(i,j))2(14)4梯度法紋理的梯度分析法基于某一領(lǐng)域關(guān)系計(jì)算各像素梯度值,將圖像轉(zhuǎn)化為梯度圖像,然后利用生成的梯度圖像的各階距作為統(tǒng)計(jì)描述子進(jìn)行紋理的量化。若以3×3的領(lǐng)域模板為例,像素梯度計(jì)算公式為:G(x,y)=√(ix+1,y-ix-1,y)2+(ix,y+1-ix,y-1)2(15)令M為梯度圖像的總梯度值,則梯度法的紋理統(tǒng)計(jì)描述子包括:梯度均值:Gμ=Μ-1∑x,y∈RΟΙG(x,y)(16)梯度方差:GV=Μ-1∑x,y∈RΟΙ(G(x,y)-Gμ)2(17)梯度偏斜度:Gskew=Μ-1(GV)-3/2∑x,y∈RΟΙ(G(x,y)-Gμ)3(18)梯度峰度:GΚur=Μ-1(GV)-2∑x,y∈RΟΙ(G(x,y)-Gμ)4-3(19)4各特征的聯(lián)程度為了從眾多的統(tǒng)計(jì)法紋理描述子中精簡(jiǎn)出紋理識(shí)別的最佳特征集,本文采用互信息MI(mutualinformation)計(jì)算紋理特征在熟料分類中提供的信息量大小?；バ畔⒃谛畔⒄撝兄饕脕砗饬?jī)蓚€(gè)信號(hào)的關(guān)聯(lián)程度,紋理特征fi與熟料類別C的互信息值的大小可用來度量該紋理描述子區(qū)分熟料圖片的相關(guān)程度,即該紋理區(qū)分不同燒結(jié)狀態(tài)熟料圖像的能力強(qiáng)弱,互信息計(jì)算公式為:ΜΙ(fi,C)=∑fi∈f∑cj∈Cp(fi,cj)log2[p(fi,cj)p(fi)p(cj)](20)式中:fi表示第i個(gè)紋理特征,cj表示第j類,p代表概率。通過比較不同紋理特征的互信息值,可以有效地選擇與熟料分類關(guān)聯(lián)較大、描述能力較強(qiáng)的紋理特征,這些特征也就是進(jìn)行熟料分類的優(yōu)選可能特征集?；贛I信息值初選出來的10個(gè)紋理特征,將特征正規(guī)化后,以K-NN為分類工具結(jié)合窮盡法來識(shí)別最優(yōu)特征集并實(shí)現(xiàn)不同燒結(jié)狀態(tài)的熟料紋理分類。5實(shí)驗(yàn)過程和結(jié)果分析要實(shí)現(xiàn)熟料燒結(jié)度的在線檢測(cè),首先要確定判定圖像序列有效性的信息熵閾值并完成不同燒結(jié)程度下的熟料紋理分析與分類。5.1密度特征選取為了獲取圖像序列有效性分析的信息熵閾值,將圖2所示的原始彩色圖像序列灰度化后,計(jì)算其圖像信息熵,對(duì)應(yīng)的熵值計(jì)算結(jié)果如圖4所示。實(shí)驗(yàn)結(jié)果表明,正常的視野清晰的圖像樣本其熵值較高,而被粉塵干擾的圖像(下排第2、3幅)熵值一般在6.5以下。為實(shí)現(xiàn)熟料紋理分析,首先需要將熟料區(qū)從窯頭圖像中分割出來。整個(gè)分割過程主要包括圖像預(yù)處理、FCM聚類分割、區(qū)域生長(zhǎng)、形態(tài)學(xué)平滑邊界這幾個(gè)步驟?？紤]到實(shí)際工況環(huán)境下,熟料區(qū)的位置基本固定在窯頭的右下角的一定范圍內(nèi),可對(duì)分割出來的熟料區(qū)域進(jìn)一步采用形態(tài)學(xué)開閉操作獲取通用模板,完成紋理分析感興趣區(qū)域的框定,以保證系統(tǒng)處理的實(shí)時(shí)性。圖5所示為獲取的不同燒結(jié)狀態(tài)下部分熟料區(qū)樣本。從熟料樣本圖片中選取處于5種不同燒結(jié)狀態(tài)且紋理視覺區(qū)分明顯的典型樣本共75個(gè),每類均有15個(gè)樣本,為各樣本計(jì)算得到的統(tǒng)計(jì)學(xué)描述子(如第3節(jié)所述)共32個(gè)。對(duì)應(yīng)為灰度直方圖法4個(gè)、梯度法4個(gè)、灰度共生矩陣法取(5,-5)方向下的描述子4個(gè),灰度游程矩陣法采用4個(gè)方向上的描述子共20個(gè)。為了提取紋理分類的有效特征集,按照式(20)計(jì)算各特征與樣本類別之間的互信息值,表1所示為按互信息值大小排列前10的紋理特征參數(shù),其中“Vert”和“135DR”分別表示垂直方向和135°方向?；谶@10個(gè)備選紋理特征,以K-NN為分類工具用窮盡搜索法對(duì)不同燒結(jié)狀態(tài)下的熟料紋理進(jìn)行特征參數(shù)確定和識(shí)別,特征集所含特征數(shù)量從1逐漸增加,當(dāng)找到K-NN分類錯(cuò)誤為0時(shí)終止搜索,實(shí)驗(yàn)結(jié)果表明,當(dāng)取Vertl_LRE,SA這2個(gè)特征作為特征集時(shí),K-NN分類錯(cuò)分率為0。圖6所示為75個(gè)樣本基于這2個(gè)特征向量的空間分布。提取出來的紋理特征參數(shù)中,Vert_LRE長(zhǎng)游程優(yōu)勢(shì)是基于垂直方向的灰度游程矩陣的紋理參數(shù),游程長(zhǎng)度反映了紋理的粗細(xì)變化,紋理越粗則游程長(zhǎng)度越長(zhǎng),而細(xì)紋理則反之;SA是基于灰度共生矩陣的紋理參數(shù),SA度量了圖像像素點(diǎn)平均灰度值大小,即圖像的明暗程度。圖7所示為75個(gè)樣本的SA值和Vert_LRE值分布。其中1～75樣本數(shù)依次分別對(duì)應(yīng)過燒、稍過燒、正常、稍欠燒、欠燒這5種燒結(jié)狀態(tài)15個(gè)樣本值。從SA值的分布規(guī)律中可以看出,SA值隨著熟料的燒結(jié)程度變化呈現(xiàn)出較明顯的規(guī)律性,對(duì)于比較典型的熟料樣本,SA值可實(shí)現(xiàn)熟料樣本按過燒、稍過和正常、稍欠和欠燒3類劃分。此外,不同燒結(jié)狀態(tài)下的熟料紋理的粗細(xì)程度不同,Vert_LRE長(zhǎng)游程優(yōu)勢(shì)參數(shù)能進(jìn)一步實(shí)現(xiàn)稍過燒和正常燒結(jié)、稍欠燒和欠燒精細(xì)區(qū)分。為比較多紋理分析提取特征對(duì)熟料分類的有效性,本文分別采用灰度直方圖法、灰度共生矩陣法、灰度游程矩陣法、梯度法的統(tǒng)計(jì)描述子集對(duì)同樣的75個(gè)熟料樣本紋理進(jìn)行K-NN分類,結(jié)果如表2所示。從表2中的分類結(jié)果可以看出,在綜合不同紋理方法得到的統(tǒng)計(jì)學(xué)描述子以及結(jié)合MI系數(shù)選擇得到的特征參數(shù)集上,K-NN僅需要2個(gè)特征參數(shù)就可實(shí)現(xiàn)5種不同燒結(jié)狀態(tài)下的熟料分類,且具有較高的分類精度。5.2熟料紋理在線識(shí)別基于紋理特征的熟料燒結(jié)狀態(tài)檢測(cè)主要由視頻數(shù)據(jù)采集、圖片凍結(jié)、序列圖像有效性分析、熟料區(qū)分割、紋理參數(shù)計(jì)算、熟料燒結(jié)狀態(tài)判別等步驟構(gòu)成,具體流程如圖8所示。為驗(yàn)證本文方法對(duì)熟料燒結(jié)狀態(tài)動(dòng)態(tài)檢測(cè)的有效性,從某廠回轉(zhuǎn)窯現(xiàn)場(chǎng)選取了過燒、稍過燒、正常、稍欠燒和欠燒5種不同工況下的視頻作為測(cè)試樣本,實(shí)驗(yàn)視頻時(shí)長(zhǎng)為2min。同時(shí),考慮到熟料隨窯爐旋轉(zhuǎn)上下運(yùn)動(dòng)周期大致為2～3s,為盡可能避免熟料運(yùn)動(dòng)時(shí)所處位置不同帶來的紋理特征計(jì)算誤差,選擇熟料圖像序列幀采樣周期為3s,并按照?qǐng)D8所示的處理流程對(duì)視頻進(jìn)行熟料燒結(jié)狀態(tài)檢測(cè)。表3中列出了具體識(shí)別結(jié)果,表中數(shù)據(jù)包括每段視頻采樣后獲得的圖片序列經(jīng)信息熵檢驗(yàn)后得到的實(shí)際有效幀數(shù),以及經(jīng)驗(yàn)豐富的看窯工人觀察和判斷的實(shí)際燒結(jié)狀態(tài)與計(jì)算機(jī)判別結(jié)果對(duì)比。實(shí)驗(yàn)用的視頻采樣后得到的窯頭圖片數(shù)應(yīng)為40幀,然而經(jīng)信息熵判定后得到的實(shí)際有效幀數(shù)有所減少,其中以熟料欠燒狀態(tài)下的有效幀數(shù)最少,說明該窯況下的回轉(zhuǎn)窯內(nèi)更容易受到粉塵等的干擾而影響攝像機(jī)拍攝視野。從計(jì)算機(jī)識(shí)別結(jié)果統(tǒng)計(jì)數(shù)據(jù)中可以看出,大多數(shù)情況下視頻采樣圖片熟料紋理判別結(jié)果保持了和工人識(shí)別結(jié)果的一致性,這充分說明了本文方法的有效性。然而,熟料紋理在線識(shí)別正確率較靜態(tài)下的熟料樣本紋理識(shí)別率低,誤差較大的情況突出表現(xiàn)在稍過燒和稍欠燒這2個(gè)過渡階段,其主要原因是由于實(shí)際工況下的熟料處于運(yùn)動(dòng)狀態(tài),熟料料層表面并非靜止不變,導(dǎo)致了同一燒結(jié)狀態(tài)下的熟料序列圖片表面紋理的復(fù)雜多變性,且相鄰狀態(tài)之間的熟料紋理特征易出現(xiàn)交疊的情況,區(qū)分并不非常典型;實(shí)際上,對(duì)于過渡燒結(jié)狀態(tài)下的熟料,即便是經(jīng)驗(yàn)很豐富的窯頭工人其判別也很容易發(fā)生模棱兩可的情