基于图像处理技术的粉体燃料（生物质/煤粉）特征检测与自动识别
煤是当前广泛应用的主要能源,而生物质燃料在火力发电中具有广阔的应用前景。不同的燃料具有不同的物理和化学特性,并在应用过程中表现为复杂但有一定内在规律的燃烧和污染排放现象。因此需要确定燃料的种类,并估计燃料混合物中不同组分的质量分数,进一步为热值预测、污染预测、燃烧行为预测等需求提供依据。但是,传统的工业识别方法存在耗时长、设备昂贵、技术路线繁琐等局限性。图像法因其原理简单、成本不高、具备实现在线识别的可行性,已被诸多研究团队用于燃料识别方面的研究。然而,现有的工作从燃料而言,大部分针对煤粉完成识别;从图像而言,大部分则根据火焰图像进行研究。综上,针对尚未燃烧的生物质粉体燃料图像开展研究存在应用潜力和研究价值。本研究提出了一种基于图像处理技术的方法,可以完成对生物质粉体燃料的种类的识别,以及混合燃料不同组分质量分数的预测。研究内容及主要结果如下。1)针对当前图像法在燃料识别领域的研究现状以及相关的技术和算法进行调研,并据此完成实验设计和总体预期目标的设定。2)建立了包含六种不同类型生物质粉体燃料图像的数据集,同时完成了大量颗粒的数据标注工作。并且,在特征选择工作中,为使所采用的特征能够反映图像所包含信息的物理意义,基于人工降维的手段设计了相应的特征选择规则。3)在燃料种类识别任务中,本研究主要应用集成学习方法进行识别工作,发现集成学习针对不同的数据特点具有良好的适应性和较高的准确率。在测试集上,算法的准确率可以达到98.4%。同时,基于概率论中的组合公式,设计了图像的分区识别策略,进一步提升了图像识别的整体准确率。对于本文所提出的算法,其理论准确率可达99.8%,而实际准确率为99.3%。4)在混合燃料中各组分的质量分数的预测工作中,本研究使用了三种不同的方法,对较有代表性的M1至M4共四组混合燃料进行了建模和测试。特征提取法中,Xgboost算法通过内置的特征选择规则,完成了在几乎所有特征都不与待测值成正相关的条件下的特征选择工作,其RMSE低至0.097,MAE低至0.072,而R2可超过0.84。本研究基于图像设计了与质量分数具有很强的正相关性的回归特征Freg1和Freg2用于图像处理法和实例分割法。经测试,对于图像处理法,四组混合燃料的平均RMSE低至0.071,MAE低至0.059,R2可达0.935。而实例分割法对于粘连和重叠的颗粒的分割效果优于图像处理法,其R2值在最佳条件下建模时,可以超过0.99,但该方法可能存在颗粒的漏检问题。总体而言,这项研究基于图像处理技术,提出了一种有别于前人的、用于粉体燃料识别和混合燃料质量分数预测的方法。其原理简单,成本低,具有非侵入性,且不破坏实验材料,具备可行性和有效性。尽管在质量分数预测方面的效果还需进一步提升,实际应用场景中存在的问题和区别也尚需考察,但这已为实现粉体燃料的在线识别和预测任务提供了理论依据和技术路线。
图像处理技术;生物质粉体燃料;特征工程;燃料种类识别;质量分数预测;图像分区策略
检测技术与自动化装置
摘要
Abstract
第1章 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状及发展动态
1.2.1 图像法在粉体燃料研究中的应用
1.2.2 图像法在燃料识别工作中的应用
1.3 研究内容
1.3.1 实验方法和实验设计
1.3.2 预期目标
1.4 本章小结
第2章 实验材料及准备工作
2.1 总述
2.2 实验材料的预处理
2.3 图像采集和图像处理
2.3.1 图像采集系统
2.3.2 图像预处理
2.4 数据集的制作
第3章 特征检测和特征选择
3.1 总述
3.2 特征检测
3.2.1 颜色空间及其统计学特征
3.2.2 纹理特征
3.2.3 形态特征
3.3 特征选择
3.3.1 燃料种类识别的特征组合
3.3.2 质量分数预测采用的特征
第4章 燃料种类识别
4.1 图像识别的常用机器学习手段
4.2 识别效果的优化
4.2.1 数据标准化
4.2.2 网格搜索
4.2.3 集成学习
4.2.4 分区识别
4.3 识别效果及分析
4.3.1 数据标准化对识别效果的提升
4.3.2 网格搜索对识别效果的提升
4.3.3 集成学习对识别效果的影响
4.3.4 分区识别对识别效果的提升
4.3.5 实验重复性分析及说明
4.4 卷积神经网络的应用
4.5 混合燃料的识别
第5章 混合燃料质量分数预测
5.1 主要技术路线及误差分析
5.2 基于特征提取的预测方法
5.3 基于图像处理的预测方法
5.3.1 实现方式和图像处理方法
5.3.2 分割及预测效果
5.4 基于实例分割的预测方法
5.5 效果对比
第6章 结果讨论与展望
6.1 结果讨论
6.1.1 结果总结
6.1.2 主要贡献及应用价值
6.2 研究展望
6.2.1 主要不足及改进措施
6.2.2 后续研究方向
参考文献
致谢