基于深度卷积网络的窑内工况燃煤火焰图像识别算法研究

发布时间：2021-02-23 15:25

　　回转窑是建材、冶金、化工等工业领域的大型关键热工设备。窑内烧结过程复杂多变,利用窑内燃煤火焰图像进行工况识别和判断是后续进行稳定控制的基础和关键。目前,深度学习在语音识别、图像处理、互联网应用等多个领域已获得成功应用,本文基于深层卷积神经网络进行窑内工况的燃煤火焰图像识别算法研究,同时将免疫遗传算法优化卷积网络参数设计提高图像识别性能,对于深度学习的工业软测量应用具有重要意义。主要研究内容分为以下几点:（1）研究了卷积神经网络（CNN）架构和基础理论。分析了卷积运算、激活函数、池化、全连接、dropout层等基本操作模块和卷积神经网络中反向传播以及梯度下降等核心运算,在此基础上给出了卷积神经网络的基本结构以及计算流程。（2）针对窑内燃煤火焰图像粉尘大、易受干扰等特点,选择图像灰度化后的中值滤波和GIF去雾对火焰图像进行了预处理,并根据“过烧”、“正烧”以及“欠烧”三种工况状态进行人工标定形成回转窑烧成带的工况识别图像数据集。（3）分析了AlexNet、VGGNet、GoogleNet以及ResNet四种卷积神经网络模型结构,利用上节窑内火焰图像集基于Tensorflow仿真平台进行了窑... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

回转窑烧结流程示意图

不同卷积核处理结果

dropout前后神经网络对于一个有N个节点的神经网络，有了Dropout后，可以看做是2^N个模型

【参考文献】：
期刊论文
[1]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[J]. 周晓杰,蔡元强,夏克江,富月.  控制与决策. 2017(01)
[2]基于光照补偿和模糊增强的煤粉区分割方法[J]. 陈华,章兢,张小刚,胡红平.  仪器仪表学报. 2012(09)
[3]基于回转窑图像的熟料填充率测量[J]. 何敏,章兢,何昭晖,靖立伟.  仪器仪表学报. 2009(12)
[4]基于火焰图像特征与BT-SVM的窑况识别方法[J]. 孙鹏,周晓杰,柴天佑.  系统仿真学报. 2009(13)
[5]基于图像反馈的回转窑烧结温度智能预测控制[J]. 张小刚,陈华,章兢,刘小燕.  控制理论与应用. 2007(06)
[6]基于神经网络的回转窑火焰图像分割[J]. 李树涛,王耀南.  仪器仪表学报. 2001(01)
[7]基于多神经网络分类器组合的火焰图像分割[J]. 李树涛,王耀南,毛建旭.  数据采集与处理. 2000(04)
[8]氧化铝熟料窑烧成温度自动控制系统[J]. 王士钊.  工业仪表与自动化装置. 1996(05)
[9]图象处理技术用于发光火焰温度分布测量的研究[J]. 王补宣,李天铎,吴占松.  工程热物理学报. 1989(04)

博士论文
[1]水泥回转窑烧成状态识别与熟料质量指标软测量的研究[D]. 李帷韬.东北大学 2012

硕士论文
[1]基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究[D]. 林彦君.武汉科技大学 2015
[2]回转窑烧结带温度的数字图像特征信息提取与分析[D]. 杨绪辰.哈尔滨理工大学 2015
[3]基于烧成带图像的回转窑熟料烧结工况识别方法研究[D]. 吴小勋.东北大学 2014
[4]基于回转窑数字图像特征信息提取与窑况判别研究[D]. 丁艳军.哈尔滨理工大学 2010
[5]光流算法及其在回转窑窑况识别中的应用研究[D]. 魏兆一.东北大学 2005



本文编号：3047806