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)檢測方法

1熟料的表面紋理特征返回給水的自動管理系統(tǒng)主要用于保持內(nèi)流的平衡，并確保原料的正常燃燒。基于回轉(zhuǎn)窯窯頭采集到的熟料圖片,利用圖像識別的方法來實現(xiàn)窯內(nèi)火焰、熟料等特征的非接觸自動測量,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行窯爐的閉環(huán)控制,對完善窯爐熟料燒結(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用于工業(yè)領域,熟料的表面紋理特征不僅可用于實現(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)境復雜,煤粉和煙霧干擾較大,導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量帶來了挑戰(zhàn)。為了保證對回轉(zhuǎn)窯熟料燒結(jié)狀態(tài)檢測的可靠性,在對熟料紋理圖像進行紋理分析之前,有必要對圖片質(zhì)量進行評判,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個紋理參數(shù)集,紋理的灰度共生矩陣法能較好地實現(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類不足以滿足實際工況精細判斷和控制需要。基于這個工業(yè)現(xiàn)場問題,本文首先利用信息熵實現(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)計分析法得到的紋理特征,結(jié)合MI互信息值提取出紋理識別度較好的特征參數(shù)集,并利用K-NN對欠燒、稍欠燒、正常燒結(jié)、稍過燒和過燒5種不同燒結(jié)狀態(tài)下的熟料紋理進行了識別。2窯頭圖像特征計算圖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)的原料從窯尾運動到窯頭,在窯內(nèi)完成干燥、預熱、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實時采集窯內(nèi)火焰、熟料等圖像信息,并傳送到計算機進行處理,通過提取感興趣區(qū)域的圖像特征,來間接進行窯內(nèi)工況的判別。實際的回轉(zhuǎn)窯工況現(xiàn)場環(huán)境非常復雜,煤粉和火焰的干擾會導致圖像序列凍結(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:一是對圖像樣本進行濾波,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行圖像特征的計算;另一種是對熟料區(qū)紋理參數(shù)進行濾波,即首先不考慮采集到的序列圖片的質(zhì)量,對所有的樣本圖片進行特征參數(shù)計算后,得到的參數(shù)序列中突變點為噪聲數(shù)據(jù)。由于實際回轉(zhuǎn)窯中熟料表面紋理的復雜性,不能用單一的紋理參數(shù)來對其進行精確分類,需要組合多個紋理參數(shù)進行識別,而多參數(shù)濾波是一種多維濾波,具體工況下不易實現(xiàn)。相比較而言,圖像的序列濾波更為簡單直接。在信息論中,信息熵以統(tǒng)計形式給出隨機變量或系統(tǒng)的不確定性,可以用于評價圖像所含信息量的大小,熵越大對應圖像灰度分布越分散,圖像所含的信息越豐富?？紤]灰度級為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,在對實時捕捉到的視頻進行靜態(tài)采樣和圖片凍結(jié)后,計算其相應的信息熵,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。可以看出燒結(jié)狀態(tài)與紋理特征具有較強的關聯(lián)關系,基于紋理特征參數(shù)進行狀態(tài)分類和檢測可行性高。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,目前應用較為廣泛的紋理分析方法主要有統(tǒng)計法、幾何結(jié)構法、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行描述。本文主要采用統(tǒng)計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算熟料的紋理特征,作為熟料紋理識別的待選參數(shù)。假定圖像被量化為N個灰度級,p(*)表示歸一化的事件發(fā)生概率,以下將對用到的方法和參數(shù)進行簡要總結(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)計距能對紋理實現(xiàn)最簡單直接的描述。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特定距離和方向下的滿足特定灰度關系的鄰近像素灰度值分布特性進行統(tǒng)計產(chǎn)生的矩陣,能較好地表達圖像紋理中灰度級的空間相關性。由灰度共生矩陣所產(chǎn)生的統(tǒng)計學參數(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的像素點數(shù)目稱為該灰度值的游程長度,圖像的灰度游程長度矩陣元素定義為沿指定方向滿足特定灰度級和游程長度值的像素個數(shù)。令M為游程長度,基于灰度游程矩陣法的典型紋理特征描述子主要包括:長游程優(yōu)勢:LRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j2p(i,j)(10)短游程優(yōu)勢:SRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j-2p(i,j)(11)游程長不一致: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域關系計算各像素梯度值,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)計描述子進行紋理的量化。若以3×3的領域模板為例,像素梯度計算公式為: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)計法紋理描述子中精簡出紋理識別的最佳特征集,本文采用互信息MI(mutualinformation)計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脕砗饬績蓚€信號的關聯(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)熟料圖像的能力強弱,互信息計算公式為: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聯(lián)較大、描述能力較強的紋理特征,這些特征也就是進行熟料分類的優(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)合窮盡法來識別最優(yōu)特征集并實現(xiàn)不同燒結(jié)狀態(tài)的熟料紋理分類。5實驗過程和結(jié)果分析要實現(xiàn)熟料燒結(jié)度的在線檢測,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,計算其圖像信息熵,對應的熵值計算結(jié)果如圖4所示。實驗結(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。整個分割過程主要包括圖像預處理、FCM聚類分割、區(qū)域生長、形態(tài)學平滑邊界這幾個步驟?？紤]到實際工況環(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),可對分割出來的熟料區(qū)域進一步采用形態(tài)學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)處理的實時性。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,每類均有15個樣本,為各樣本計算得到的統(tǒng)計學描述子(如第3節(jié)所述)共32個。對應為灰度直方圖法4個、梯度法4個、灰度共生矩陣法取(5,-5)方向下的描述子4個,灰度游程矩陣法采用4個方向上的描述子共20個。為了提取紋理分類的有效特征集,按照式(20)計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個備選紋理特征,以K-NN為分類工具用窮盡搜索法對不同燒結(jié)狀態(tài)下的熟料紋理進行特征參數(shù)確定和識別,特征集所含特征數(shù)量從1逐漸增加,當找到K-NN分類錯誤為0時終止搜索,實驗結(jié)果表明,當取Vertl_LRE,SA這2個特征作為特征集時,K-NN分類錯分率為0。圖6所示為75個樣本基于這2個特征向量的空間分布。提取出來的紋理特征參數(shù)中,Vert_LRE長游程優(yōu)勢是基于垂直方向的灰度游程矩陣的紋理參數(shù),游程長度反映了紋理的粗細變化,紋理越粗則游程長度越長,而細紋理則反之;SA是基于灰度共生矩陣的紋理參數(shù),SA度量了圖像像素點平均灰度值大小,即圖像的明暗程度。圖7所示為75個樣本的SA值和Vert_LRE值分布。其中1～75樣本數(shù)依次分別對應過燒、稍過燒、正常、稍欠燒、欠燒這5種燒結(jié)狀態(tài)15個樣本值。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,對于比較典型的熟料樣本,SA值可實現(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程度不同,Vert_LRE長游程優(yōu)勢參數(shù)能進一步實現(xiàn)稍過燒和正常燒結(jié)、稍欠燒和欠燒精細區(qū)分。為比較多紋理分析提取特征對熟料分類的有效性,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)計描述子集對同樣的75個熟料樣本紋理進行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)計學描述子以及結(jié)合MI系數(shù)選擇得到的特征參數(shù)集上,K-NN僅需要2個特征參數(shù)就可實現(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熟料紋理在線識別基于紋理特征的熟料燒結(jié)狀態(tài)檢測主要由視頻數(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)計算、熟料燒結(jié)狀態(tài)判別等步驟構成,具體流程如圖8所示。為驗證本文方法對熟料燒結(jié)狀態(tài)動態(tài)檢測的有效性,從某廠回轉(zhuǎn)窯現(xiàn)場選取了過燒、稍過燒、正常、稍欠燒和欠燒5種不同工況下的視頻作為測試樣本,實驗視頻時長為2min。同時,考慮到熟料隨窯爐旋轉(zhuǎn)上下運動周期大致為2～3s,為盡可能避免熟料運動時所處位置不同帶來的紋理特征計算誤差,選擇熟料圖像序列幀采樣周期為3s,并按照圖8所示的處理流程對視頻進行熟料燒結(jié)狀態(tài)檢測。表3中列出了具體識別結(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)信息熵檢驗后得到的實際有效幀數(shù),以及經(jīng)驗豐富的看窯工人觀察和判斷的實際燒結(jié)狀態(tài)與計算機判別結(jié)果對比。實驗用的視頻采樣后得到的窯頭圖片數(shù)應為40幀,然而經(jīng)信息熵判定后得到的實際有效幀數(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拍攝視野。從計算機識別結(jié)果統(tǒng)計數(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,熟料紋理在線識別正確率較靜態(tài)下的熟料樣本紋理識別率低,誤差較大的情況突出表現(xiàn)在稍過燒和稍欠燒這2個過渡階段,其主要原因是由于實際工況下的熟料處于運動狀態(tài),熟料料層表面并非靜止不變,導致了同一燒結(jié)狀態(tài)下的熟料序列圖片表面紋理的復雜多變性,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;實際上,對于過渡燒結(jié)狀態(tài)下的熟料,即便是經(jīng)驗很豐富的窯頭工人其判別也很容易發(fā)生模棱兩可的情