基于火焰图像特征与GRNN的转炉吹炼状态识别

合集下载

基于MATLAB图像处理的火焰特征识别方法研究

基于MATLAB图像处理的火焰特征识别方法研究随着火灾发生的频率和严重程度的不断提高，火灾的预防和控制已成为一个重要的问题。

现代火灾控制系统利用摄像机从事火灾发生地区的视觉监测，这种监测技术具有非侵入式的性质，同时能够实时地掌握火灾的情况，预防火灾的发生和减少灾害损失。

然而，火焰特征的自动识别及准确分析是以图像处理算法实现的，这也是保障火灾控制系统高可靠的关键。

本文基于MATLAB图像处理工具箱，通过分析火焰的光谱和热学特性，采用多尺度形态学处理、颜色空间变换和一些光线学和形态学概念，提出了一个火焰特征识别方法。

具体过程如下：第一步：图像预处理首先，使用RGB颜色空间将彩色图像转换为灰度图像，是因为RGB颜色空间不利于准确检测火焰区域，而灰度图像则是光照强度值的单色等级表现，不受色彩分布的限制。

第二步：区域分割将灰度图像通过阈值分割算法，将图像分割为火焰区域和背景区域。

本文中采用了Otsu阈值分割算法，可自动选取一种最佳二值化阈值，适用于双峰分布的灰度图像。

第三步：多尺度形态学处理对于分割后的火焰区域进行多尺度形态学处理，得到火焰区域的形态学特征。

本文使用了形态学的开-闭运算和基元形态学分析。

开操作可以去除干扰物，闭操作可以消除火焰中的小区域。

基元形态学分析可以检测火焰的主要特征，包括顶点、宽度、陡峭度、边缘特征等。

这些特征可以用于判断火焰的大小、形状、运动方向等。

第四步：颜色空间变换采用HSV颜色空间可以使RGB中的颜色信息更好地表现出来。

HSV颜色空间可以将颜色分为色相、饱和度和亮度三部分。

每一个分量可以单独处理并得出相应的特征值。

第五步：特征分析将分割后的火焰区域通过上述多尺度形态学和颜色空间转换方法提取出一系列形态学和光谱学特征，如面积、形状、颜色、发光强度、发光频率、光全谱等。

将得到的特征值作为样本，采用机器学习算法进行分类，如支持向量机（SVM）分类器等。

SVM是一种非线性监督学习算法，可以自动地根据训练样本进行分类，并将得到的分类模型应用于火焰特征的识别。

基于MATLAB图像处理的火焰特征识别方法研究

基于MATLAB图像处理的火焰特征识别方法研究随着火灾的频繁发生，利用图像处理技术进行火焰特征识别已成为重要的研究方向之一。

本文将介绍基于MATLAB图像处理的火焰特征识别方法的研究进展。

火焰特征识别的首要任务是对火焰图像进行预处理。

预处理阶段的目标是减少图像中的噪声，以方便后续的特征提取和分类。

常见的预处理操作包括图像平滑、灰度化以及边缘检测等。

边缘检测是非常重要的一步，它能够提取出火焰的边界信息，有助于后续的特征提取。

接下来，特征提取是火焰特征识别的关键环节。

在特征提取阶段，我们可以获取到火焰图像中的各种特征，如颜色、纹理、形状等。

目前，常用的特征提取方法有颜色直方图法、小波变换法、灰度共生矩阵法等。

这些方法都能够从不同的角度描述火焰的特征，并且它们的组合可以提高识别的准确性。

通过分类器对火焰图像进行分类。

常用的分类器有支持向量机（SVM）、人工神经网络（ANN）和决策树等。

这些分类器可以根据提取到的特征，对火焰图像进行准确分类和识别。

在实际的应用中，火焰特征识别可以广泛应用于火灾监测和火警预警系统中。

通过实时监测和识别火焰特征，可以实时掌握火灾的发生情况，并及时采取相应的措施来避免火灾事故的发生或减少损失。

基于MATLAB图像处理的火焰特征识别方法在火灾监测和火警预警系统中具有重要的应用价值。

通过对火焰图像进行预处理、特征提取和分类，可以实现火焰的准确识别，并提供实时监测和预警功能。

目前的方法还存在一定的局限性，如对光照条件、背景干扰等的敏感性。

未来的研究将着重于进一步提高准确性和鲁棒性，以应对不同环境条件下的火焰特征识别问题。

基于图像处理的火焰监测与燃烧诊断技术研究现状

于三维温度场的重建和污染物的降低，且在软件方面研究活跃；并国外则侧重于硬件设备的开发和基于新型硬件基础上的新方法试验，如激光诱导荧光（Ｉ）ＬＦ和粒子跟踪等手段。此项研究将有望导致对燃烧机理进一步明晰，火焰图像信息的更探挖掘和新的燃烧技术出现。
件制造上差距和发达国家不可同日而语，由于
ＣＤ相机的出现使定量监测成为可能，近几Ｃ最
年来这方面的研究日趋成熟，本可以达到工基业实际应用的要求。早期的火焰监测器主要致力于火焰的灭火
火焰监测涉及光机电一体化和热工仪表等多学科，目前国内龙源公司、广州嘉华、电华源等国
因为我国的电力战略和国外的不同。国外大量
使用油炉，而且发达国家核电比较多，法国核如电占其发电量的近８；Ｏ，由于我国资源是油少９６煤多，再加上核电刚刚起步，国火电在电力市我
于基于先进硬件如激光诱导荧光（Ｉ）］粒ＬＦ［和６
维普资讯
第１期
雍占锋等．基于图像处理的火焰监测与燃烧诊断技术研究现状
３９
火焰分析的文献。最近油价上涨将有可能进一
测头取样点的分布除了燃烧器附近外，向炉还
顶和过热器附近发展。
步提高燃煤火焰监测在电力生产中的重要性。
场中占统治地位（０以上）所以仅就煤粉炉７，用的火焰监测器而言，国内研究的很多软件处

基于MATLAB图像处理的火焰特征识别方法研究

基于MATLAB图像处理的火焰特征识别方法研究一、引言火灾是一种十分危险的自然灾害，往往会给人们的生命和财产带来不可估量的损失。

及时准确地识别和监测火灾事件显得尤为重要。

火焰识别不仅仅是简单的颜色和形状的识别，还需要结合实际场景对火焰的特征进行深入的分析和研究。

利用图像处理技术来进行火焰特征的识别和监测，已成为一种常见的方法。

二、相关工作近年来，越来越多的研究人员将图像处理技术应用于火焰特征的识别和监测中。

A. Bhowmik等人提出了一种基于颜色空间转换和特征提取的方法，用于识别视频中的火灾事件。

通过颜色空间转换，将图像从RGB色彩空间转换到HSV色彩空间，在新的色彩空间中提取火灾的特征，通过一系列的实验验证了该方法的有效性。

M. S. Munir等人提出了一种改进的边缘检测算法，用于火焰特征的提取和识别。

该方法在边缘检测方面取得了较好的效果，并且对于实时火焰特征的识别也具有一定的实用性。

C. Li等人采用深度学习技术，结合卷积神经网络对火焰特征进行识别和监测，取得了较好的效果。

这些研究成果为本文的研究提供了一定的借鉴和参考。

三、MATLAB图像处理技术概述MATLAB是一种强大的科学计算软件，拥有丰富的图像处理工具包。

针对图像处理的工具箱包括图像增强、图像分割、形态学处理等多个方面。

这些功能的强大性使得MATLAB成为火焰特征识别研究的理想工具。

1.图像采集与预处理我们需要采集相应的火焰图像，并进行预处理操作。

MATLAB提供了丰富的图像采集和读取工具，可以很方便地导入需要处理的火焰图像。

然后，对图像进行预处理，包括灰度化、去噪、边缘检测等操作，使得图像更加适合于后续的处理和分析。

2.图像分割与特征提取图像分割是图像处理中的重要一环，可以将图像分割成多个具有相似特征的区域，便于进一步的分析和处理。

在火焰特征识别中，我们可以采用基于颜色、形状等特征进行图像分割。

然后，通过提取这些区域的特征，如面积、周长、形状等，来进行火焰的特征提取。

基于火焰图像识别的信息融合技术在辊道窑温度检测中的应用

基于火焰图像识别的信息融合技术在辊道窑温度检测中的应用李斌杰（上海交通大学机械与动力工程学院）1引言辊道窑在20世纪20年代开始应用于冶金工业，然后从30年代开始应用于陶瓷工业，在随后的几十年辊道窑在陶瓷工业中得到广泛的应用。

在辊道窑设备参与的生产过程中，烧成是陶瓷生产工艺过程中关键的工序，它的目的是固定坯体的形状，并使陶瓷制品具有使用上的各种性能。

制品质量的好坏，很大程度上决定于烧成的工序，而烧成的质量又与制品的烧成工艺温度有密切关系。

目前国内外辊道窑（陶瓷窑炉）烧成带工况的检测仍然采用点检测（如温度采用热电偶检测），使得检测精度低，检测的数据不能真实反映烧成带工况，造成控制效果不理想，影响产品质量。

为了提高烧成带工况实时检测精度，改善控制效果，因而提出采用模拟人工观火的火焰图像识别辅助检测烧成带的工况。

因为火焰图像识别能实时反映烧成带工况并能提供足够的烧成带工况信息[1~2]，所以能改善对烧成带工况的识别。

将点检测关键过程数据与火焰图像特征融合对烧成带工况及其变化趋势进行全面准确的识别，大大提高检测精度。

多传感器信息融合（Information Fusion）是20世纪80年代形成和发展起来的一种自动化信息综合处理技术，是指对来自多个传感器的数据进行多级别、多方面、多层次的处理，从而产生新的有意义的信息，而这种信息是任何单一传感器所无法获得的[3]。

多传感器信息融合研究已有许多成果[3~5]。

基于计算机视觉的火焰检测技术（VFD）属于一种对随机视觉现象中的特殊光谱区域以及形状演化的建模和识别问题。

近年来，VFD方法的研究逐渐得到重视，并取得进展[1~2]。

用VFD方法模拟人工观火用于氧化铝回转窑火焰识别的研究已有报道[1~2]，但是这种方法应用于陶瓷窑炉尚未见诸报告。

因而，基于火焰图像处理和信息融合技术，本文提出基于火焰图像识别的信息融合技术的陶瓷辊道窑温度检测方案，旨在为陶瓷辊道窑的温度检测提供一种新途径和新方法。

基于火焰图像特征参数的燃烧状态分析

基于火焰图像特征参数的燃烧状态分析佘星星，黄福珍（上海电力学院电力与自动化工程学院，上海 200090）摘要：本文分析了锅炉炉膛火焰图像处理系统结构，通过从多幅火焰图像中综合得出反映火焰图像的特征参数。

实验结果表明，火焰图像特征参数与炉内燃烧状况有紧密的联系，能很好地反映出燃烧状态的变动情况，这对锅炉燃烧状态、灭火预警、炉膛安全监控系统(FSSS)的分析，以及生成燃烧状态智能诊断模型有重要的意义。

关键词：锅炉；火焰图像；特征参数；燃烧诊断0 引言锅炉燃烧的基本要求在于建立和保持稳定的燃烧火焰。

目前，火焰检测装置集中于单燃烧器，如检出电极法、差压法、声波法和温度法等火焰检测技术[1]或对应用环境要求较高，或存在较大的局限性，己经基本上被淘汰。

使用较广的火焰检测技术有基于不同形式的辐射能量火焰检测，如紫外线、红外线和可见光火焰检测。

但这些方法利用炉膛内火焰燃烧造成的一些间接特征量的变化，从而间接得到火焰的燃烧状态，只能针对某种间接特征量分析某一个具体量，由于火焰扰动分析量较多，容易造成设备繁杂，以致影响整体设备的安装、调试和稳定性。

随着基于图像技术的设备和解决方法的不断成熟，现今电厂越来越多地采用火焰图像系统。

图像型火焰检测是结合数字图像处理技术发展起来的，它继承了火焰电视直观、形象的优点，又充分发挥计算机强大的处理计算能力，使火焰检测功能得到了质的提升。

电站煤粉炉内的燃烧火焰图像是炉内燃烧状况最真实、最直接的反应。

由于火焰图像是火焰燃烧的直接特征量，可以较容易地判断出火焰的燃烧状态。

燃烧不稳定在全炉膛火焰图像中的表现有整体亮度低、切圆不圆、偏心等，以致造成的后果有蒸汽参数波动、排烟温度高、炉膛局部超温、壁面结渣，甚至灭火。

因此，从火焰图像中提取特征信息[2]，及早地在锅炉燃烧不稳定的情况下，发出预警信息，避免灭火事故的发生，同时为判断炉膛燃烧状态提供更为可靠的依据。

本文分析了锅炉炉膛火焰图像处理系统结构，并从多幅火焰图像中综合得出反映火焰图像的特征参数，然后，将特征参数与设定合理的阈值比较后，可进一步诊断炉膛燃烧的稳定性。

火焰识别算法讲解

火焰识别算法讲解1.基于灰度图像的火焰识别算法该算法主要是基于灰度图像的火焰特征进行识别。

首先，将彩色图像转化为灰度图像，然后通过图像阈值处理，将图像分为火焰和背景两部分。

接着，通过图像形态学操作，如膨胀和腐蚀，对火焰进行去噪处理。

最后，通过计算火焰的面积、灰度直方图、纹理特征等指标来判断是否为火焰。

2.基于颜色特征的火焰识别算法该算法主要是基于火焰的颜色特征进行识别。

首先，将彩色图像转化为HSV颜色空间，并提取火焰的颜色范围。

然后，通过颜色区域分割，将火焰从背景中分离出来。

接着，通过图像处理技术，如平滑和边缘检测，对火焰进行进一步处理。

最后，通过计算颜色直方图、颜色矩等特征，来判断是否为火焰。

3.基于纹理特征的火焰识别算法该算法主要是基于火焰的纹理特征进行识别。

首先，将彩色图像转化为灰度图像，然后通过纹理分析方法，如方差、能量、对比度等，对火焰图像进行特征提取。

接着，可以利用分类器，如支持向量机（SVM）和神经网络（NN），通过训练样本对火焰进行分类识别。

最后，通过对测试样本的纹理特征进行计算，来判断是否为火焰。

4.基于深度学习的火焰识别算法该算法主要是基于深度学习和卷积神经网络（CNN）的火焰识别算法。

通过构建深层神经网络模型，如ResNet、Inception等，将火焰图像输入模型进行训练。

训练过程中，通过大量的火焰和非火焰图像进行样本训练，从而使网络能够学习到火焰的特征。

最后，通过对测试样本进行预测，来判断是否为火焰。

综上所述，火焰识别算法主要包括基于灰度图像、颜色特征、纹理特征和深度学习等不同的方法。

每种算法都有其优缺点，可以根据具体应用场景选择适合的算法。

同时，火焰识别算法在实际应用中还需要考虑光照、噪声等因素的影响，以提高识别准确率和实时性。

基于火焰动态纹理的电熔镁炉工况识别

1 引言
电熔镁砂是一种纯度高、熔点高、结构致密的碱性耐火材料, 被广泛地应用于冶金行业、玻璃工业、水泥工业等领域[1]. 在我国, 制备电熔镁砂通常采用电熔法, 即在三相电弧炉中对菱镁矿石进行加热熔炼, 使原料经过一系列物理和化学变化最终得到电熔镁砂.
电熔镁炉生产过程可以分为起炉、熔炼、加料、欠
Key words: fused magnesium furnace; textures; working conditions recognition; dynamic models;linear dynamic system; kernel function
Citation: ZHAO Lei, LU Shaowen, ZHENG Xiuping. Conditions recognition of fused magnesia furnace based on ﬂame dynamic texture. Control Theory & Applications, 2019, 36(9): 1565 – 1572
Smelting condition, Feeding condition and Semi-fused condition alternately occur, and corresponding treatment methods are needed for these conditions to ensure the normal production process. At present, the identiﬁcation of working conditions mainly relies on workers. This way has some problems such as high labor intensity of workers, detection omission and wrong detection. According to different dynamic visualization characteristics of furnace ﬂame under different working conditions, a working conditions recognition technology based on dynamic texture is proposed. First of all, the dynamic characteristics of the textures are portrayed by establishing a linear dynamic system model of the furnace ﬂame. In the next place, a kernel function based on subspace principal angles is designed to measure the similarity of ﬂame dynamic model. The contrast experiments show that working conditions classiﬁer based on the subspace principal angles designed in this paper has better classiﬁcation accuracy and robustness.

基于炉口火焰图像的炼钢终点研究与优化

基于炉口火焰图像的炼钢终点研究与优化作者：龚志红谭海涛来源：《电脑知识与技术》2013年第16期摘要：火焰图像是一种非结构图像，研究表明碳含量的不同对火焰的特征会产生影响，针对不同时期的火焰图像的特征可以预测炼钢处于什么阶段，时间越往后推，碳含量越少，火焰越软，反之越硬。

该文主要从角点，纹理，边缘，小波多尺度变换等几方面对火焰图像进行特征提取，确定炼钢的阶段，部分解决‘人工看火’问题。

关键词：火焰图像；特征提；软硬度；小波变换中图分类号：TP399 文献标识码：A 文章编号：1009-3044（2013）16-3806-04炼钢过程中对碳含量进行在线测量是全世界冶金行业普遍面临的一个难题，也是决定转炉炼钢终点的重要依据。

对火焰纹理的判断以往主要依靠工人师傅的经验做判断，靠人工视觉观测火焰的颜色，形状，纹理等特征以便判定炉口火焰的含碳量。

但依据人的经验，视觉的观测，往往会因当时人的主观状态的不同，影响判断结果，同时对高温下工作的工人有身体伤害。

另外流行一些方法还有烟气分析，应用副枪取样，温度识别等方法。

火焰是一种不规则气体现象，是非结构体目标，其内部运动十分复杂，因而采用图像处理技术提取火焰的特征有一定的困难，针对图像处理技术应用于转炉火焰特征的碳含量分析，国内外在这方面已经有了一些成果。

火焰图像与一般图像的特征不同主要在于它的位置，形状时刻在变动，分析图像特征应有其他特定的方法。

当今国内火焰监测对钢材料生产质量的要求越来越高，现在很多钢铁企业依然依赖于“人工看火”这种直观方式，结果不够准确，实时性也不太好。

因为火焰是一种动态的非结构图像，其位置，形状时刻都在变动，单一采用某一方法对火焰图像进行定量分析意义不大，该文通过多个火焰图像的特征量的提取，对火焰图像进行分析，从而判断含碳量的范围。

1 基于优化的Harris算子含碳量分析点特征是图像最基本的特征。

感兴趣点的提取在图像压缩，传输领域应用比较广泛。

基于MATLAB图像处理的火焰特征识别方法研究

基于MATLAB图像处理的火焰特征识别方法研究【摘要】本文基于MATLAB图像处理技术，研究火焰特征识别方法。

首先介绍了火灾监测在工业安全中的重要性和现有问题，突出了火焰特征识别的研究意义。

然后概述了火焰特征识别方法，重点探讨了MATLAB在图像处理中的应用以及火焰特征提取算法的研究。

接着设计了火焰特征识别实验，并对实验结果进行了分析。

最后总结了基于MATLAB图像处理的火焰特征识别方法的优势和不足，展望了未来的研究方向。

该研究有助于提高火灾监测系统的准确性和可靠性，为工业安全保障提供了新的技术支持。

【关键词】火焰特征识别，MATLAB图像处理，算法研究，实验设计，实验结果分析，结论，未来研究展望1. 引言1.1 研究背景火灾是一种常见的安全事故，造成了许多生命和财产的损失。

火灾的早期检测和快速响应至关重要。

火焰特征识别是火灾检测的重要组成部分，通过分析火焰的特征，可以及时准确地识别火灾的发生。

随着数字图像处理技术的发展，基于MATLAB图像处理的火焰特征识别方法逐渐成为研究的热点。

MATLAB是一种强大的数学软件工具，它提供了丰富的图像处理函数和工具箱，可以方便地对图像进行处理和分析。

通过利用MATLAB提供的图像处理算法，可以实现对火焰图像的特征提取和分析，从而实现火焰的快速准确识别。

本研究旨在探讨基于MATLAB图像处理的火焰特征识别方法，通过对火焰图像进行处理和分析，提取火焰的关键特征，建立火焰特征识别模型。

通过实验验证，验证该方法的有效性和准确性，为火灾检测提供更加可靠的技术支持。

通过这项研究，可以提高火灾检测的效率和准确性，减少火灾造成的损失，保障人们的生命和财产安全。

1.2 研究意义研究火焰特征识别方法在图像处理领域的意义重大。

火灾是一种常见的灾害，对人类生命和财产造成巨大损失。

及早发现火灾并采取有效措施是预防火灾的关键。

利用图像处理技术实现对火焰特征的识别，可以提高火灾检测的效率和准确性。

基于GRNN算法的铜转炉吹炼终点预报模型

型，提出了转炉炼铜造渣期终点判断模型，对造渣期炉口火焰特征值优化处理，建立造渣终点预报模
型.结果表明：基于实际生产环境的预测，GRNN算法避免了铜转炉吹炼过程中多指标内部相关性，减
少数据冗余和系统误差，使得预测精度达到97.33%.预测精度相对于相关文献报道的预报模型，该模型精度更高，训练次数少，时效性强，为转炉终点判断提供一种新途径.
目前,将火焰识别应用于实际的生产实践中的情况较少，数据来源单一 •本文引入颜色矢量相关性算法和图像颜色矩提取算法，结合火焰识别算法，将多指标进行优化作为神经网络特征值的输入，为转炉炼铜造渣期终点判断提供了指导.
1造渣期火焰图像特征值优化算法
造渣过程伴随着元素含量的变化，火焰颜色有肉眼可见的变化,呈现红、白、蓝的状态,具备显著的特征•通过火焰颜色进行终点判断，辅助操作人员更加明确造渣终点，避免人员经验差异或者操作失误影响铜含量生产•根据造渣期火焰燃烧状况的图像颜色灰度分布的差异性，分析了图像RGB各基色通量之间色度差异极大•基于此,根据颜色矢量相关性算法对火焰彩色图像进行数据分析处理,并提取相关火焰色
关键词：转炉炼铜；造渣工艺；GRNN算法；图像处理；终点判断
中图分类号:U461；TP308
文献标志码:A
文章编号:1007 -855X(2021)03 -0009 -09
Prediction Model of Copper Converter Blowing Endpoint Based on GRNN Algorithm
第3期
徐翔，刘大方，徐建新:基于GRNN算法的铜转炉吹炼终点预报模型
11
度特征信息，研究火焰图像颜色的三阶矩特征•
1.1颜色矢量相关性算法
在RGB颜色空间中，颜色作为一种空间向量，能够用三维矢量信息进行表示.众所周知，三维空间内的一个矢量,必定由两个相关参量共同决定,即方向和幅值•因此，合理判断矢量的相似性,也能分解为考虑两个参量的相关性•通过计算两个矢量之间的相关系数能够分析出两个矢量的方向相似性度量.

基于MATLAB图像处理的火焰特征识别方法研究

基于MATLAB图像处理的火焰特征识别方法研究随着人们对火焰燃烧性质的深入研究，对火灾预防以及火灾相关问题的探讨也越来越显得重要。

火焰的特征识别是一项关键的任务，需要用到图像处理技术，可以辅助火灾监测和火灾预警。

本文将探讨基于MATLAB图像处理的火焰特征识别方法研究。

1. 火焰特征的获取在进行火焰特征识别前，需要先获取火焰图像。

常见的方法是使用红外相机获取火焰的红外辐射图像。

另一种方法是使用普通摄像机获取火焰的可见光图像。

本文使用可见光图像作为示例。

获取到图像后，需要将其进行预处理，包括灰度化、噪声去除、二值化等。

这些步骤的目的是将图像转化为计算机可以处理的格式，并增加识别的准确度。

在预处理后，可以开始进行火焰特征的识别。

常见的火焰特征包括颜色、形状、尺寸等。

本文主要介绍两种火焰识别方法：基于颜色特征的识别和基于形状特征的识别。

2.1 基于颜色特征的识别火焰具有较明显的红、橙、黄色等颜色，而周围环境则通常为蓝调。

因此，可以通过比较图像的RGB值或HSV值，确定火焰的位置和形态。

具体的方法是，根据实验结果，定义一个RGB或HSV颜色值范围，通常为(0, 50, 50) ~ (20, 255, 255)。

然后将图像按照该颜色范围进行过滤，即将非火焰区域滤除，留下火焰区域。

火焰的形状通常是“顶圆底扁”的，可以通过计算火焰轮廓的圆度、长宽比等特征来判断。

具体方法是，先通过边缘提取算法获取火焰轮廓。

然后计算轮廓的圆度和长宽比，设定一个阈值，如果圆度和长宽比都符合要求，则将该区域识别为火焰区域。

3. 结果分析对于同一场景下的火焰图像，使用不同的方法进行识别，结果可能有所不同。

因此，需要综合使用多种方法，提高识别的准确度。

本文采用了HSV颜色模型和形状特征综合的方法，得到了较好的识别效果。

通过该方法，可以快速、准确地识别火焰图像中的火焰区域，实现对火焰的监测和预警。

总之，基于MATLAB图像处理的火焰特征识别方法研究有着广泛的应用价值。

基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别

基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别李鹏举;刘辉;王彬;王龙【摘要】在基于火焰图像识别的转炉吹炼状态识别过程中,针对已有方法存在火焰彩色纹理信息利用不充分和状态识别率仍需提高的问题,提出一种基于火焰彩色纹理复杂度特征的转炉吹炼状态识别方法.首先,将火焰图像转化到HSI颜色空间下并作非均匀量化;然后,计算H分量和S分量的共生矩阵从而融入火焰图像的颜色信息;其次,利用得到的颜色共生矩阵计算火焰纹理复杂度的特征描述子;最后,应用Canberra距离作为相似度度量准则对吹炼状态进行分类和识别.实验结果表明,与已有的转炉火焰灰度共生矩阵和灰度差分统计方法相比,在满足吹炼识别实时性要求的前提下,所提方法的识别率分别提高了28.33％和3.33％.【期刊名称】《计算机应用》【年(卷),期】2015(035)001【总页数】6页(P283-288)【关键词】转炉炼钢;彩色纹理;颜色共生矩阵;Canberra距离;纹理识别【作者】李鹏举;刘辉;王彬;王龙【作者单位】昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500【正文语种】中文【中图分类】TP391.413钢铁工业在国民经济中占有重要地位，钢铁工业的发展水平，历来是国家经济发展程度的重要标志。

目前我国转炉炼钢所占的比例大约为88%，在我国炼钢生产中占据绝对主导地位[1]。

对转炉终点的准确预测，不仅对提高产品质量、降低冶炼成本而且对实现节能降耗、减少环境污染都有重要的意义。

在实际生产过程中，依靠人工经验观察炉口火焰和取样判断来预测转炉冶炼终点的方法，不仅增加了工人的工作强度，而且受限于工人的经验、主观情绪以及熟练程度，预测精度不高；副枪是一种在氧枪上配置了专门探头的检测工具，副枪检测[2]的方法是将副枪进入熔池内检测钢水的温度和含碳量，根据所得数据判断所处的吹炼阶段，属于间断性检测，不能实时连续测量，且副枪探头长期工作于高温和腐蚀环境中，使用成本高；炉气分析检测方法[3]是利用烟气分析仪或质谱仪等设备检测炉口气体成分，通过仪器分析得到熔池内的脱碳速度和温度，对吹炼数据能连续检测，但因质谱仪等仪器价格较贵且气体探头需要经常维修和更换，维护费用较高，难以在中小型转炉中推广；基于炉口辐射[4]的方法是利用炉口光辐射能量在不同吹炼时期呈现出的规律性变化来判断识别，但是辐射能的输入容易受到炼钢转炉现场多个干扰辐射源的干扰。

基于火焰视觉虚化性的多特征融合火焰检测

基于火焰视觉虚化性的多特征融合火焰检测
徐兵荣;叶炯耀
【期刊名称】《计算机应用与软件》
【年(卷),期】2022(39)11
【摘要】火焰是火灼热发光的气化部分,该部分能被可见光捕获但却会被激光穿透,将这一个特征定义为火焰的视觉虚化性。

通过增加对火焰视觉虚化性的检测,提出一种新型的多特征融合火焰检测算法。

该算法利用RGB-HIS颜色模型分割疑似火焰区域,同时通过双目摄像头与激光测距捕捉火焰的视觉虚化性特征,并结合了火焰的颜色、相似度、质心运动特征。

采用MES(Multi-expert system)多特征融合方法构建一种高精度的火焰检测系统。

实验结果表明,该算法误判率降低了9百分点,漏检率降低至0.46%,是视觉火焰检测技术很好的补足,解决了低成本商用视频火焰检测技术的难题。

【总页数】8页(P160-167)
【作者】徐兵荣;叶炯耀
【作者单位】华东理工大学信息科学与工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于视觉特征对比度和二维熵的火焰检测
2.基于融合特征与支持向量机结合的火焰检测
3.基于MHSW特征融合的火焰检测
4.基于多级特征融合的视频火焰检测方法
5.基于改进YOLOv3融合特征的火焰目标检测方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于模糊模式与火焰图像特征量的燃烧状态识别方法

基于模糊模式与火焰图像特征量的燃烧状态识别方法
林彬;马增益;王飞;严建华;白卫东;罗娅;岑可法
【期刊名称】《热力发电》
【年(卷),期】2004(33)10
【摘要】通过对火焰图像进行分析,提取出火焰亮度、火焰面积、质心偏移距离和圆形度等7个特征量,应用模糊模式建立识别模型,根据最大隶属度判别火焰的燃烧状态.模型识别结果表明,此方法识别准确率高,计算速度快,适合实际应用.
【总页数】3页(P19-21)
【作者】林彬;马增益;王飞;严建华;白卫东;罗娅;岑可法
【作者单位】浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027;浙江大学,浙江,杭州,310027
【正文语种】中文
【中图分类】TK223.2
【相关文献】
1.基于BP网络的燃烧器火焰燃烧状态识别 [J], 董晓峰;高庆忠;刘广生
2.锅炉火焰图像特征及燃烧状态智能监测综述 [J], 佘星星;黄福珍
3.基于图像特征的火灾火焰识别方法 [J], 王媛彬;马宪民
4.基于BP网络的旋流燃烧器火焰燃烧状态识别 [J], 董冠良;孙静怡
5.基于数字图像和SDBP的预混火焰燃烧状态识别 [J], 朱曙光;宋阁;谭俊杰;刘心志
因版权原因，仅展示原文概要，查看原文内容请购买。