[发明专利]基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法

说明书

本发明涉及基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法。首先采用人工多曝光图像融合、特征归一化、陷波滤波、中值滤波等预处理手段对MSWI过程火焰图像进行去雾和去噪处理，以获得清晰图像；然后提取图像的亮度、火焰、颜色、主成分等多视图特征进行融合；为提高识别模型的效率与精度，基于互信息(MI)对多视图特征进行约简以降低输入变量维数；最后，将传统级联森林改进为每个级联层均包含随机森林(RF)、完全随机森林(CRF)和梯度提升决策树(GBDT)三种基学习器，将上述多视图特征作为ICF的输入，建立了基于ICF的MSWI过程燃烧状态识别模型。实验表明所构建模型可达到96％以上的识别准确率。

技术领域

本发明涉及城市固废焚烧过程领域，尤其是涉及对焚烧过程中燃烧状态识别方法的研究。

背景技术

城镇化水平的增长和生活水平的提高使得城市固体废物(MSW)的产生率呈增长态势，且其类别也在不断增多，若不能及时处理会造成严重的环境污染问题。由国外引进的MSWI技术在实际运行过程中出现了系列“水土不服”现象，如：燃烧状态不稳定，存在炉膛结焦、积灰、腐蚀等故障甚至爆炸等安全隐患。原因是国内MSW具有组分复杂、热值较低及水分变化范围较大等特点。因此，为确保燃烧过程的充分、稳定、安全及降低污染物排放浓度，需要准确识别物料燃烧状态。针对炉膛内复杂多变的运行状况，如何采取有效可行的手段对MSWI过程的燃烧状态进行识别具有十分重要的现实意义。目前对MSWI过程燃烧状态进行划分的依据主要是火焰燃烧线的位置。在工业现场，对于燃烧线位置的自动识别与检测仍未有较为可行的技术手段。基于燃烧线位置的燃烧状态识别仍存在很大的技术突破问题。若能有效提取火焰图像中蕴含的特征信息，建立多视图特征数据库并充分予以挖掘，将为有效识别MSWI过程燃烧状态带来新的解决思路。MSWI过程燃烧状态识别存在以下难点:1)火焰图像中蕴含的丰富信息需要得到充分的提取，这可能需要采用多种特征获取策略；2)对训练样本进行标记需要花费极高的人工成本甚至因干扰严重而不可行，而少量标记样本集又很难满足神经网络的训练需求；3)如何在样本数目少的情况下对火焰图像的深度特征进行充分挖掘是一大难点。

发明内容

本发明要解决的技术问题是在于发明了一种基于燃烧火焰多特征融合和改进级联森林的MSWI过程燃烧状态识别方法。

为了解决以上技术问题，本发明提供了一种由图像预处理模块、多视图特征提取与选择模块、多改进级联森林(ICF)识别模块共3个部分组成的建模策略，相关变量及符号定义如下：表示MSWI过程中已标注燃烧状态的火焰图像，其中I_n(u,v)代表第n幅图像，N是图像样本数量，(u,v)代表每幅图像中的像素点坐标；代表经过预处理后的图像；表示提取的约简火焰特征集合；K表示生成的曝光不足图像的数量，γ为伽玛曝光操作系数，r表示引导滤波器滤波半径，α，β，σ_Dk，σ_B为正值调整因子，r^notch为滤波半径，s_a表示中值滤波窗口边长，θ_th表示火焰有效区的像素阈值，ω_th表示高温区像素阈值；θ^MI表示MI阈值，Tn表示RF和CRF中决策树的数目,η和分别表示GBDT学习率与迭代次数，minsamples表示每棵决策树的最小样本数，表示初始输入样本属于第k_P类的函数估计值；Slide表示提取颜色特征时采用的滑动窗口大小；表示模型输出的燃烧状态识别结果；y为人工标记的燃烧状态。

所述用于构建MSWI过程燃烧状态识别的方法，包括以下步骤：

步骤1：图像预处理模块：对图像中因现场环境及传输通道等原因引入的噪声进行消除，并将火焰与炉膛背景进行分离，以便后续图像特征提取；

步骤2：多视图特征提取与选择模块：提取燃烧图像的亮度、火焰、颜色、主成分这些多视图特征，并基于MI对特征进行选择；