[发明专利]一种基于火焰图像和深度学习的燃烧工况监测方法和装置

权利要求书

1.一种基于火焰图像和深度学习的燃烧工况监测方法，其特征在于：包括以下步骤：

步骤1、利用图像监测装置采集炉膛火焰图像，并记录燃烧工况，所采集的图像经预处理后分为训练集、验证集和测试集，其中，训练集中的图像不带标签，而验证集和测试集中的图像带标签；

步骤2、利用训练集图像无监督训练卷积稀疏自编码；将稀疏惩罚项、均方误差与结构相似度相结合作为损失函数，表示为：

L＝L_SPT+L_MSE+L_SSIM

式中，L_SPT表示稀疏惩罚项，L_MSE表示均方误差，L_SSIM表示结构相似度；

步骤3、利用完成训练的CSAE网络提取验证集图像的深层特征，并结合图像标签训练Soft-max分类器；

步骤4、已训练的Soft-max分类器能够对新图像特征进行分类，实现单张火焰图像的燃烧工况识别，并利用测试集对其性能进行检验。

2.一种用于权利要求1所述的基于火焰图像和深度学习的燃烧工况监测方法的图像监测装置，其特征在于：所述图像监测装置由冷却套管(1)、光学视镜(2)和工业相机(3)组成，所述光学视镜(2)和工业相机(3)相连，冷却套管(1)套接在工业相机(3)和光学视镜(2)外侧；

其中冷却套管(1)顶端采用45°拐角设计，冷却套管(1)分为水夹层(4)和气夹层(5)，水夹层(4)为密封结构，气夹层(5)为开放结构，并依次对应水冷与风冷两种冷却方式，其中风冷气夹层(5)在内侧，水冷水夹层(4)在外侧，并且在冷却套管(1)尾端上设有冷却水进口(6)和冷却风进口(7)，在冷却套管(1)顶端设有冷却风出口(8)，其中冷却水进口(6)和水夹层(4)连通，冷却风进口(7)以及冷却风出口(8)和气夹层(5)连通。

光学视镜(2)顶端配备90°视角的耐高温镜头；

工业相机(3)尾端设有电源接口(9)和视频信号接口(10)。

3.根据权利要求1所述的一种基于火焰图像和深度学习的燃烧工况监测方法，其特征在于，所述步骤2中的卷积稀疏自编码网络的特征提取步骤为：

步骤2.1、将训练集X送至卷积编码，首先由k1个a1×a1窗口大小、步长为s1的卷积过滤器(C1(k1@a1×a1+s1))进行特征提取，然后使用ReLU函数(y(x)＝max(0，x))进行神经元激活，最后由b1×b1窗口大小、步长为f1的最大池化层(P1(b1×b1+f1))进行特征降维，得到特征向量h₁；

步骤2.2、特征向量h₁送至编码器2号和编码器3号进一步处理，处理过程与编码器1号相似，最终得到特征向量h₃；

步骤2.3、特征向量h₃送至解码器1号，首先由g1×g1窗口大小的上采样层(U1(g1×g1))实现特征维度提升，然后分别经卷积过滤器(C4(k4@a4×a4+s4))、ReLU激活函数处理，得到特征向量h₄；

步骤2.4、特征向量h₄送至解码器2号和解码器3号进一步处理，处理过程与解码器1号相似，最终得到重建图像z。

4.根据权利要求1所述的一种基于火焰图像和深度学习的燃烧工况监测方法，其特征在于，所述步骤2中的稀疏惩罚项L_SPT表达为：

式中，β表示稀疏率；F表示隐藏层神经元数量；p表示稀疏目标常数；基于i轴的神经元平均激活量p_j表达为：

式中，E表示训练集图像数量；s_ij(i∈(1，E)，j∈(1，F))表示第j位置的神经元的激活量；KL散度表达为：

5.根据权利要求1所述的一种基于火焰图像和深度学习的燃烧工况监测方法，其特征在于，所述步骤2中的损失函数L_MSE表达为：

式中，X_ij与z_ij分别表示尺寸为A×T的输入图像与重建图像中第(i，j)位置的灰度。