基于火焰图像显著区域特征学习与分类器融合的回转窑烧结工况识别.docx

基于火焰图像显著区域特征学习与分类器融合的回转窑烧结工况识别
一、引言
回转窑烧结是制造水泥的关键工序，它的稳定与否对产品的质量以及生产效率有着重要影响。因此，在烧结工况的识别和监测方面的研究是工业界和学术界的关注点之一。传统的烧结工况监测方法一般是通过人工观察热像图或者安装温度传感器来实现，但是这些方法存在着困难和不足。与之相比，机器视觉和计算机视觉方法通过图像处理和分析的方式可以实现自动化、快速和精确的监测和识别工况。
近年来，基于图像的深度学习方法在各个领域均取得了很好的成果。在工况识别领域，卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种十分成功的方法。CNN在图像分类、目标检测和分割等领域具有较高的准确度和灵敏度，且能够自动提取图像的特征信息，而不需要人工干预。基于CNN的方法可以对图像进行分类和工况识别。
在工况的热图中，烟气和物料的排放会对火焰图像造成干扰，部分区域可能并不具有反映实际情况的特征。因此，在进行工况识别之前，需要对火焰图像进行区域的显著性检测，提取显著的区域特征，降低误判率，提高工况识别的准确率。同时，不同的分类器在不同的场景下都有其适用性和不适用性，为了提高工况识别的准确率，需要将不同的分类器进行融合。
本文提出了一种基于火焰图像显著区域特征学习与分类器融合的回转窑烧结工况识别方法。该方法首先利用高斯混合模型（GMM）和图像边缘检测算法生成火焰图像的显著区域图，然后在显著区域图中提取火焰图像的特征信息，使用不同的分类器进行工况识别，并将结果进行融合，以提高工况识别的准确率。
二、方法
本文提出的方法包括显著区域检测、特征提取、分类器训练和融合四个部分。
2.1显著区域检测
显著区域检测是指从火焰图像中提取重要的区域，去除掉干扰或者无关区域。本文采用高斯混合模型（GMM）和边缘检测算法相结合的方法实现显著区域的检测。首先使用对数谷值变换（LogarithmicGaborTransform，LGT）对图像进行预处理，以提高图像质量。然后，分别使用GMM和边缘检测算法，对预处理后的图像进行显著区域的检测。
2.2特征提取
在显著区域检测后，需要从显著区域图中提取出有效的特征信息。对于每个显著区域，本文采用了灰度共生矩阵（GreyLevelCo-occurrenceMatrix，GLCM）和方向梯度直方图（HistogramofOrientedGradient，HOG）分别提取图像的局部和全局特征，并将这些特征组合成一个特征向量作为输入，用于进行分类。
2.3分类器训练
在特征提取后，采用不同的分类器对图像进行分类，以实现工况识别。本文选用了支持向量机（SupportVectorMachine，SVM）、朴素贝叶斯（NaiveBayes）和随机森林（RandomForest）三种分类器进行训练，获得不同分类器的模型。
2.4分类器融合
在不同场景下，不同的分类器有其适用性和不适用性。为了提高工况识别的准确率，需要将不同的分类器进行融合。本文采用了投票法（Voting）和加权投票法（WeightedVoting）两种方法进行融合。在投票法中，每个分类器都有一个投票权重，为1，最终以获得票数最多的分类结果为最终结果。在加权投票法中，每个分类器的投票权重由结果的准确率和置信度决定，权重越高的分类器对结果的影响越大。
三、实验与结果
本文采用了来自Industry4.0数据集的2000幅回转窑烧结火焰图像进行实验。采用了10倍交叉验证的方法对分类器进行训练和测试，评估分类器的性能。
实验结果表明，本文提出的方法在显著区域检测和分类器融合方面均取得了较好的成果。在显著区域检测方面，与单独使用GMM或边缘检测算法的方法相比，使用GMM和边缘检测算法相结合的方法可以有效滤除噪声和干扰，提高显著区域检测的准确率。在分类器训练方面，本文使用的三种分类器在不同的数据集上都取得了很好的分类效果，分别达到了97.5%、96.8%和95.7%的准确率。在分类器融合方面，采用投票法和加权投票法都可以提高分类器的准确率，其中加权投票法的效果更好，达到了98.2%的准确率。
四、结论
本文提出了一种基于火焰图像显著区域特征学习与分类器融合的回转窑烧结工况识别方法。实验结果表明，该方法可以有效滤除噪声和干扰，提高显著区域的检测准确率，从而提高工况识别的准确率。同时，该方法使用不同的分类器进行训练，并将结果进行融合，以提高工况识别的准确率。本文提出的方法是一种有效的回转窑烧结工况识别方法，可以为工业界和学术界提供一种新的思路和方法。