趙豐華

(溫州商學院,浙江 溫州 325204)

工業(yè)爐是通過固、液、氣體等燃料產(chǎn)生的熱量,對工件進行加工的設備,在加熱過程中涉及化學反應、熔煉等過程,而燃燒需要在穩(wěn)定、均勻燃燒火焰上完成運作,假設其在不穩(wěn)定狀況下工作,會降低工業(yè)爐的熱效率,增加煙塵產(chǎn)生量,嚴重會引發(fā)爐膛內(nèi)部爆炸。工業(yè)爐火焰圖像檢測結(jié)果取決于圖像分割效果[1-3],圖像分割是圖像處理核心環(huán)節(jié),其本質(zhì)就是將工業(yè)爐火焰圖像分割成多個獨立,或者具有獨立特征的部分提取出來。為了保證工業(yè)爐火焰燃燒質(zhì)量與預防潛在的危險,研究工業(yè)爐火焰圖像閾值分割具有重要意義。

為此,國內(nèi)學者進行了深入研究。顏禮彬[4]采用白化方法將火焰圖像序列上冗余信息去除,根據(jù)獨立分量分析法分離該圖像上獨立信息部分,結(jié)合顏色模型識別出火焰位置,完成火焰圖像閾值分割。韓玲燕等[5]根據(jù)水平集方法獲取火焰圖像的輪廓,利用二維直方圖提取該圖像細節(jié)特征,結(jié)合小波多尺度特征分集完成圖像閾值分割。但是這兩種方法都存在著計算復雜度高、收斂速度慢的問題。

基于此,提出一種通過改進ISCA算法完成工業(yè)爐火焰圖像閾值分割算法。利用混沌映射方法增加群體多樣性,采用貪婪選擇完善候選解的質(zhì)量,結(jié)合Kapur熵函數(shù)提升最優(yōu)解尋找速度,獲得最佳分割結(jié)果。

1 改進ISCA算法的工業(yè)爐火焰圖像最優(yōu)解獲取

工業(yè)爐是一種工業(yè)設備,主要是用燃燒燃料或轉(zhuǎn)換電能產(chǎn)生的熱量來加工物料。在運行過程中,一般通過爐膛內(nèi)的電熱元件功率和燒嘴輸出調(diào)節(jié)膛內(nèi)的溫度。為了保證其安全運行,需要了解工業(yè)爐內(nèi)的燃料使用情況。利用混沌映射改進正余弦算法,對工業(yè)爐火焰圖像進行初始化,在此基礎上,基于對立學習方法,以提升算法的收斂性和獲得最優(yōu)結(jié)果。

1.1 工業(yè)爐火焰圖像初始化

工業(yè)爐在生產(chǎn)過程中需要用到液體燃料、氣體燃料和固體燃料等,若操作不當,極有可能產(chǎn)生安全事故,為了減少該類現(xiàn)象的發(fā)生,需要對工業(yè)爐火焰圖像閾值進行分割。由于工業(yè)爐火焰圖像分割方法存在計算量大、收斂慢等問題,為此,利用混沌映射對正余弦算法進行改進。

正余弦算法[6-7](sine cosine algorithm, 簡稱SCA)屬于一種隨機群算法,其本質(zhì)就是根據(jù)正余弦函數(shù)的振蕩特征逐漸收斂于最優(yōu)解,向外波動進行全局搜索,從而找到全局最優(yōu)解。

假設在B維空間中經(jīng)過初始化處理后,生成數(shù)量為n的種群,用va=(va1,va2,…,vaB)來描述該種群中的第a個個體的空間位置,用f(v)來表示該個體的適應度函數(shù),此時,最佳的粒子空間位置是Pg=(vg1,vg2,…,vgA),那么,更新第a個個體位置表示為

(1)

式中:b=1,2,…;B為當前粒子所處于的維度;N為目前迭代次數(shù);s1,s2,s3,s4為4個不相同的參數(shù),且s2∈(0,2π),s3∈(0,2),s4∈(0,1),s1具有線性遞減特征,則

(2)

式中:c為常數(shù);Nmax為最大迭代次數(shù)。根據(jù)式(1)可知正余弦算法主要用到s1,s2,s3,s4參數(shù),每個參數(shù)都有各自作用,即s1能夠判斷出個體下一次運動的方向;s2決定個體運動的距離大小;s3為了引入修正策略,賦予最優(yōu)解一個任意權(quán)重數(shù)值,進而增大(減少)個體運動方向所產(chǎn)生的效果;s4負責各正余弦函數(shù)之間轉(zhuǎn)換。由此對這四個參數(shù)的設定,能夠使正余弦算法具有較強的局部搜索能力,但其全局的最佳解的尋找能力較差,進而影響使用效果,就需要對正余弦算法進行改進。

種群質(zhì)量影響正余弦算法使用效果,質(zhì)量優(yōu)良的種群能夠提升其收斂速度、求解效率。初始化處理通常采用rand函數(shù)完成的,雖然此方法隨機性好,但其分布效果較差。而混沌變量方法[8-9]的隨機性、遍歷性的特征,能夠有效增加群體的種類。為此,采用混沌映射方法改進正余弦算法,混沌映射是一種以隨機性、非線性、遍歷性為特點,從一個確定的系統(tǒng)中產(chǎn)生一系列的混沌序列的算法,且收斂速度較快,可對正余弦算法起到較好的優(yōu)化效果。通過混沌序列對工業(yè)爐火焰圖像進行初始化處理,計算過程為

vn+1=εvn(1-vn)

(3)

式中:0<ε≤4,0

混沌[10]初始化處理詳細過程為:

步驟一:根據(jù)rand函數(shù)產(chǎn)生種群首個個體v(a,:);

步驟二:采用混沌算法對第二個個體進行初始化處理,將v(a,:)的各維度做歸一化處理,并對其進行賦值v(a+1,:),且0≤v(a+1,:)≤1;

步驟三:按照式(3)進行混沌映射,形成混沌變量cv(b);

步驟四:根據(jù)cv(a)把v(a+1,b)映射到原空間中,即v(a+1,b)=vmin+cv(b)×(vmax-vmin);

步驟五:分析是否完成整個種群的遍歷,若否,回到步驟二,若是,終止。

1.2 獲取工業(yè)爐火焰圖像最優(yōu)解

工業(yè)爐火焰圖像分割質(zhì)量決定了最終的監(jiān)測效果,因此,采用改進正余弦優(yōu)化算法獲取工業(yè)爐火焰圖像的最優(yōu)解。為了提升正余弦優(yōu)化算法最優(yōu)解的質(zhì)量,引入對立學習機制[11-12],改進正余弦優(yōu)化算法中個體空間位置的更新方法,使得該算法的原始更新方法能夠與對立學機制進行交替執(zhí)行,有效增加工業(yè)爐火焰圖像類型,進而提升工業(yè)爐火焰圖像最優(yōu)解質(zhì)量與收斂速度。

設定va(N)=(v′a1,v′a2,…,v′aB)表示迭代次數(shù)為N時工業(yè)爐火焰圖像b的位置,lb、ub分別描述b維的空間位置的上下兩個邊界值,則工業(yè)爐火焰圖像b對立位置計算過程為

va(N)′=lb+ub-va(N)

(4)

如果va(N)′的適應度值大于va(N),也就是f(va(N)′)≥f(va(N)),就需要將va(N)′替換va(N);若f(va(N)′)≤f(va(N)),就需要將va(N)保留該群體中。通過對立機制后,群體的產(chǎn)生過程為:按照對立學習機制形成M個工業(yè)爐火焰圖像的對立解,改進ISCA算法把原圖像及其對立解圖像,按照貪婪選擇原理提取出質(zhì)量優(yōu)良的個體作為新圖像,進而在保證全局尋找能力的前提下,使工業(yè)爐火焰圖像具有更多個體類型。

改進ISCA算法的具體執(zhí)行流程為:

(1)相關參數(shù)設定:工業(yè)爐火焰圖像數(shù)量M,最大迭代次數(shù)Nmax,混沌系數(shù)ε。

(2)工業(yè)爐火焰圖像初始化處理:在搜尋空間內(nèi)生成新的圖像M′。

(3)根據(jù)對立學習機制得出M的對立圖像M′,將M、M′中的個體的適應度進行合并,提取出該序列中質(zhì)量好的個體組成初始圖像M1,記錄M1的最優(yōu)粒子v*(N)。

(4)假設迭代次數(shù)N為單數(shù),則M1按照正余弦優(yōu)化算法進行空間位置更新,進而生成新圖像,按照公式(2)更新參數(shù)s1,假設N為雙數(shù),按照對立學習機制產(chǎn)生M1的對立解,再把M1及其對立圖像進行合并組成新圖像。

(5)判定迭代次數(shù)能否為Nmax。如果為Nmax,則返回步驟(4),反之,則輸出最佳的粒子,即獲得最優(yōu)工業(yè)爐火焰圖像結(jié)果。

2 工業(yè)爐火焰圖像閾值分割

由于工業(yè)爐火焰燃燒過程中會產(chǎn)生大量的灰塵,并釋放大量熱輻射,致使火焰圖像上存在大量噪聲,嚴重影響工業(yè)爐火焰圖像閾值分割結(jié)果,為此在進行圖像閾值分割前,需要將火焰圖像上的噪聲去除。

2.1 工業(yè)爐火焰圖像預處理

設定F表示工業(yè)爐火焰的原始圖像,將F分解成R、G、B三種灰度圖,即FR、FG、FB,再以中值濾波算法[13-14]為依據(jù),過濾FR、FG、FB灰度圖,根據(jù)排序統(tǒng)計理論,抑制圖像噪聲的非線性平滑,通過將圖像中一點的值改為鄰域點的中值,使得較近的像素值越接近真實值,從而消除了工業(yè)爐火焰圖像噪聲。通過該算法得出任意像素中處理后的工業(yè)爐火焰圖像為

E(x,y)=F(x-k,y-d),(k,d)∈W,(x,y)∈I

(5)

式中:W為3×3的矩形模板;(k,d)為該矩形模板的長與寬的大小;I為該圖像的定義域;(x,y)為該圖像上任意一點像素。通過式(5)去除圖像上噪聲,得出較為清晰的工業(yè)爐火焰圖像。

2.2 工業(yè)爐火焰圖像閾值分割模型建立

經(jīng)過式(5)得出工業(yè)爐火焰圖像E可知,該圖像上有L個灰度等級,TH={th1,th2,…,the}表示該圖像的分割閾值,其把圖像E分割成Z個類型,即E1,E2,…;EZ,當中常數(shù)e=1,2,…,Z-1,th1

(6)

式中:h為灰度級i的像素值,且0

(7)

各閾值對應的去噪后工業(yè)爐火焰圖像的Kapur熵為

(8)

各類型的累積分布函數(shù)計算過程為

(9)

通過式(6)～式(9)建立去噪后工業(yè)爐火焰圖像閾值分割模型。

2.3 工業(yè)爐火焰圖像分割實現(xiàn)

改進ISCA算法根據(jù)公式(6)把Kapur熵當做適應度函數(shù),經(jīng)過不斷迭代計算找出最優(yōu)的分割閾值,其本質(zhì)就是:根據(jù)改進ISCA算法在工業(yè)爐火焰圖像的灰度空間內(nèi)尋找出最佳值,結(jié)合Kapur熵函數(shù)得出改進ISCA算法中每一個個體的適應度情況,找出最優(yōu)值,進而發(fā)現(xiàn)Kapur熵最大值的分割閾值TH*,以該值進行工業(yè)爐火焰圖像分割。詳細過程為:

(1)獲取去噪后的工業(yè)爐火焰圖像E,產(chǎn)生E的灰度直方圖;

(2)設定改進ISCA算法相關參數(shù);

(3)產(chǎn)生起始群體,各粒子空間位置的矢量即為工業(yè)爐火焰圖像的灰度值組合,則灰度值的范圍為0≤L≤256,也就是工業(yè)爐火焰圖像分割的閾值范圍;

(4)將Kapur當作適應度函數(shù),進行改進ISCA算法的最優(yōu)解尋找過程;

(5)分析改進ISCA算法迭代次數(shù)是否達到最大迭代次數(shù)Nmax,假設達到,回到(4),假設未達到,就需要將最優(yōu)個體輸出,該個體也就是分割的最優(yōu)閾值TH*;

(6)按照(5)得出最優(yōu)閾值TH*進行火焰圖像分割,并分析工業(yè)爐火焰分割圖像的效果。

3 實驗數(shù)據(jù)分析與研究

3.1 實驗環(huán)境

實驗選用CCD攝像機與圖像采集器獲取某工業(yè)爐火焰灰度圖像作為實驗研究對象,該圖像收集與處理過程中需要使用的設備如表1所示。

表1 圖像收集與處理設備使用情況

3.2 實驗數(shù)據(jù)分析過程

實驗中攝像機已被固定,工業(yè)爐處于正常運作狀態(tài),采集到火焰圖像像素是512×640,如圖1(a)所示。因為工業(yè)爐運行環(huán)境復雜,且煙塵極多,并考慮火焰圖像收集設備因素,獲得工業(yè)爐火焰圖像上會含有大量噪聲,為此需要將該原始圖像進行去除處理,如圖1所示。

圖1 中間包內(nèi)鋼水層與保護渣層分界面的火焰定位

3.3 分割效果對比分析

實驗選用誤分率當作工業(yè)爐火焰圖像分割檢測指標,ME數(shù)值大小能夠直接表現(xiàn)出該圖像背景像素被錯誤劃分到目標區(qū)域的比值,計算過程為

(10)

式中:Bo、Fo為工業(yè)爐火焰圖像背景區(qū)域及其二值掩碼;Bt、Ft為工業(yè)爐火焰圖像目標區(qū)域及其二值掩碼。根據(jù)式(10)可知,ME數(shù)值越大,其分割結(jié)果越差,反之越好。

實驗采集11張工業(yè)爐火焰圖像,選用獨立分量分析、二維直方圖與改進ISCA算法進行誤分率對比分析,結(jié)果如圖2所示。

圖2 誤分率對比分析

由圖2可知,利用所提算法進行圖像閾值分割的誤分率始終在2%以下,效果最好。因為所提算法使用Kapur熵找出全局最優(yōu)分割閾值,進而很好地將背景區(qū)域與目標區(qū)域分開。而獨立分量分析算法、二維直方圖算法易陷入局部最優(yōu)分割閾值,會將一部分背景區(qū)域的像素點錯誤識別成目標區(qū)域的像素點,進而得出ME數(shù)值始終大于所提算法。

3.4 分割耗時對比

實驗使用獨立分量分析算法、二維直方圖算法與改進ISCA算法,在11張工業(yè)爐火焰圖像中進行圖像閾值分割用時對比分析,如圖3所示。

圖3 各算法的工業(yè)爐火焰圖像閾值分割用時對比

由圖3可知,改進ISCA算法工業(yè)爐火焰圖像分割用時最短,因為所提算法利用混沌變量方法提升尋找最優(yōu)解的速度,利用中值濾波算法來消除圖像上的噪聲,從而極大地減少了圖像的分割難度,為此用0.3 s即可完成11張圖像閾值分割。而獨立分量分析算法屬于一種機器學習算法,計算過程較為繁瑣,為此圖像分割用時較長;二維直方圖分割圖像過程中會降低火焰圖像信息的對比度,增加圖形處理的難度,圖像閾值分割用時較長。

3.5 收斂性對比

算法收斂性是評估算法性能的基本指標之一。為了更好地分析與對比改進ISCA算法的性能,實驗設定算法的最多迭代次數(shù)為120次。改進ISCA算法、獨立分量分析算法與二維直方圖算法的收斂性能如圖4所示。

圖4 各算法的收斂性能對比情況

由圖4可知,所提算法在第17次迭代時實現(xiàn)了收斂,而獨立分量分析算法在10～40次迭代時陷入局部極值,隨后緩慢跳出,在第65次迭代達到收斂;二維直方圖算法從始至終都未達到收斂。由此可知,改進ISCA算法的收斂性能最好,因為該算法利用貪婪選擇,可以有效地提高種群的多樣性,從而防止種群進入局部極值。

4 結(jié) 論

為了提高工業(yè)爐火焰圖像閾值分割精度,采用一種改進ISCA算法完成工業(yè)爐火焰圖像閾值分割。根據(jù)SCA算法的特點,采用混沌變量算法對其進行改進,并設立對立學習機制提升種群的多樣性,通過中值濾波方法去除工業(yè)爐火焰圖像上噪聲,利用Kapur熵最大化、灰度直方圖等方法完成工業(yè)爐火焰圖像閾值分割。實驗結(jié)果表明,所提算法能夠有效提升運行效率及其分割精度,并保證其收斂速度。