數(shù)字圖像處理應用.ppt

第十一章 數(shù)字圖像處理應用,第一節(jié) 鍋爐火焰圖像檢測,一、火焰圖像檢測系統(tǒng)結(jié)構 (一) 系統(tǒng)結(jié)構 圖111為200MW火焰圖像檢測系統(tǒng)結(jié)構成圖。,圖111 系統(tǒng)構成,系統(tǒng)主要組成有：1. 火焰圖像傳感器 2. 視頻分配器 3. 視頻切換矩陣 4. 畫面分割器 5. 上位機工程師站 6. 下位機工作站 7. 錄像機等,(二) 系統(tǒng)功能 系統(tǒng)具有的主要功能： 1. 爐膛火焰的實時監(jiān)視功能 2. 滅火保護功能 3. 實時診斷功能 4. 故障記錄與追憶等主要功能,二、火焰檢測算法 （1）圖像特征分析,圖114 著火圖像 圖115 熄火圖像,有兩種滅火情況：一是斷粉熄火 另一種是噴粉滅火 傳感器故障時，整個圖像特征與黑區(qū)的特性一致。,（2）特征提取 設置如圖118示的三個特征提取區(qū)域，在相應區(qū)域內(nèi)提取火焰燃燒的特征參數(shù)。 區(qū)域A設置原則是：一般情況下，火焰的黑龍區(qū)、初燃區(qū)和燃燒區(qū)都落在該區(qū)域內(nèi)。,圖118 特征提取區(qū)域,（3） RBF神經(jīng)網(wǎng)絡 RBF神經(jīng)網(wǎng)絡輸入層到隱含層的映射具有特征聚類功能，因此RBF神經(jīng)網(wǎng)絡在分類能力和學習速度上優(yōu)于其它神經(jīng)網(wǎng)絡，故采用該神經(jīng)網(wǎng)絡進行著火判別。 RBF神經(jīng)網(wǎng)絡為三層前向網(wǎng)絡，隱含層徑向基函數(shù)采用高斯函數(shù)，其第j元的輸出 與輸入向量 的關系為：,輸出層為2個神經(jīng)元，其輸出 （ ）與隱含層輸出 （ ）的關系為: 網(wǎng)絡理想輸出狀態(tài)（1,0）為著火；（0,0）為熄火；（0,1）為滅火；（1,1）為故障。,第二節(jié) 燃燒穩(wěn)定性判別,一、燃燒穩(wěn)定性特征 彩色火焰圖像的G色度圖像的差分圖像能較好地反映出未燃區(qū)域變化，其G色度值的差分圖像 定義為：,用 表示在 時間間隔內(nèi)的火焰G色度圖像的相對變化量，其定義為: 其中 為比例因子,作用有: 一突出變化量 二調(diào)整參數(shù)與語言的模糊關系,二、判別方法 燃燒穩(wěn)定性判別方法如圖1112所示，采用了模糊模式識別方法進行燃燒穩(wěn)定性判。,圖1112 燃燒穩(wěn)定性判別方法,用一個差分圖像相對變化量來判別燃燒穩(wěn)定性，其效果不理想。而用二個差分圖像相對變化 量來進行燃燒穩(wěn)定性判別可有效克服燃燒波動的隨機影響，提高燃燒穩(wěn)定性判別正確率。此外采 樣圖像的間隔 也是影響判別的一個重要因素。 大，采樣圖像失去反映燃燒穩(wěn)定性信息； 太小，未燃區(qū)域變化不明顯，容易誤判。,在 一定條件下，燃燒穩(wěn)定性與差分圖像相對變化量在概念層上的關系用語言描述如下： 如果 大，且 大，則不穩(wěn)定燃燒； 如果 大，且 中，則不穩(wěn)定燃燒； 如果 中，且 大，則不穩(wěn)定燃燒； 其它情況下，為穩(wěn)定燃燒。,第三節(jié) 二維溫度場測量,一、測量機理 （一）CCD攝像機 CCD成像是一個光電轉(zhuǎn)換過程，在理想情況下，面陣CCD器件在像點 處的輸出電流 與該點光照度 的關系為：,當物距遠大于鏡頭焦距f時，像點 的光照度 與該點CCD所能接收到的相應物體亮度 的關系為:,在CCD攝像機中除了對CCD器件輸出電流信號放大之外，還進行了校正以滿足圖像顯示要求。因此攝像機在像點 的實際輸出電壓 與該點所對應的曝光量關系為:,（二） 理想溫度模型 在正常曝光范圍內(nèi)，溫度小于3000K時，由Wein定律可以得到:,上式可整理得到彩色CCD攝像機的三色測溫公式：,二、實際測溫模型 彩色CCD攝像機的RGB分量輸出電壓、經(jīng)過圖像采樣后與數(shù)字圖像RGB分量的灰度值近似為線性關系，于是溫度與圖像灰度值也存在如下非線性函數(shù)關系：,BP神經(jīng)網(wǎng)絡具有自學習和逼近任意有界連續(xù)非線性函數(shù)的能力。所以利用BP神經(jīng)網(wǎng)絡來構造一個“黑箱”，并通過神經(jīng)網(wǎng)絡的自學習來逼近溫度與灰度值 的函數(shù)關系，其網(wǎng)絡輸入為RGB分量的灰度值，輸出層為一個神經(jīng)元，表示測量溫度。,所采用的BP神經(jīng)網(wǎng)絡結(jié)構如圖1116所示：,圖1116 神經(jīng)網(wǎng)絡結(jié)構,三、測量結(jié)果 神經(jīng)網(wǎng)絡的學習誤差的定義為：,第四節(jié) 蘋果壞損自動檢測與分類,一、圖像處理系統(tǒng) 蘋果光學反射特性主要有如下性質(zhì)：在近紅外波段7501100nm內(nèi)，同一品種蘋果綠色、紅色、黃綠色部分的反射系數(shù)基本相等，非壞損部分反射系數(shù)比壞損部分反射系數(shù)大。另外在波段750880nm之間非壞損部分反射系數(shù)可認為是一常數(shù)。,二、圖像預處理 (一) 均值濾波 蘋果一些非壞損區(qū)域灰度值有不規(guī)則的小波動，這些現(xiàn)象可認為是由于光電子散粒噪聲、矩陣式CCD器件對光敏感性不一致以及蘋果本身表面情況細微變化所造成的。,圖1122 蘋果圖像,圖1123 圖像在壞損處（橫截面）灰度分布 圖1124 濾波后圖像在壞損處（橫截面）灰度分布,(二)圖像增強 通過增加光照強度等外部條件增大壞報與非壞損灰度對比度，但是在實際中增加光照強度可一定程度上增大壞損與非壞損灰度對比度，但并非是線性關系；另外光照強度的增強還受CCD攝像機光響應特性條件的限制。因此通過軟件方法來增大壞損與非壞報灰度差值，以利于壞損邊緣的檢測。,設對于相鄰的兩像素，在果形表面正常的情況下，可認為兩相鄰點的光照強度、形狀因子相等。于是兩相鄰像素灰度差值為： 圖像增強后的兩相鄰像素灰度差值為：,三、壞損檢測 （一）特征分析 圖像灰度分布具有如下特征： (1)當蘋果圖像中無壞損和花萼或果梗時，在理想情況下由蘋果邊緣至中心區(qū)域灰度值呈單調(diào)上升趨勢，其等灰度曲線近似圓形。 (2)圖像有壞損時，壞損區(qū)域的灰度值較相鄰的非壞損區(qū)域灰度值小，且其差值較大 (3)由于噪聲的影響，在蘋果正常部分其灰度值也有一些小的淺洼區(qū)，但是這些洼區(qū)的深度較壞損部分所對應的洼區(qū)要淺。,（二）壞損點檢測 壞損點檢測規(guī)則分以下幾種情況： （1）當相鄰比較像素PI不是壞損點時 （2）當相鄰比較像素PI是首次可疑下降點時 （3）當相鄰比較像素PI是第2可疑下降點時 （4）當相鄰比較像素PI是第3可疑下降點時 （5）當相鄰比較像素PI是第4可疑下降點時,（6）當相鄰比較像素PI是第5可疑下降點時 （7）當相鄰比較像素PI是第1可疑上升點時 （8）當相鄰比較像素PI是第2可疑上升點時 （9）當相鄰比較像素PI是第3可疑上升點時 （10）當相鄰比較像素PI是第4可疑上升點時 （11）當相鄰比較像素PI是下降壞損點時 （12）當相鄰比較像素PI是上升壞損點時,上述條件都不滿足，則檢測點P作為上升壞損點處理。上述預估值是指與壞損邊緣點相鄰的且在同一判別方向上的蘋果非壞損處的灰度值的預估值。在蘋果圖像中如無壞損和果梗、花萼時，其灰度值的空間分布可用下式近似表示：,（三）壞損區(qū)域判別 首先，將檢測出的壞損點依據(jù)壞損點標記使圖像中的壞損點匯聚成若干個不相聯(lián)的可疑壞損區(qū)域。 定義區(qū)域的最小深度為： 當 閾值，且區(qū)域面積 閾值時，該區(qū)域初步判定為壞損區(qū)域。,為了避免將果梗區(qū)和花萼區(qū)判為壞損區(qū)域，采用如下判別方法：（設可疑壞損區(qū)域所在的圖像為F1(或F3)） (1)當可疑壞損區(qū)域 的面積大于閾值 時，需進行下面判別，否則為壞損區(qū)域。 (2)在F3(或F1)中無可疑壞損區(qū)域，如果 的面積大于閾值 ，并且其形心靠近圖像處理窗口的頂部，則進行第(3)判別，否則可疑壞損區(qū)域 是壞損區(qū)域。,(3)如果形心位于接近圖像處理窗口的頂部邊緣，則 為果梗區(qū)域或花萼區(qū)域。否則F2中的蘋果圖像上部的邊緣作一直線擬合 (如圖1128所示)。當擬合直線的斜率大于 ，則為 果梗區(qū)域或花萼區(qū)域；否則 為壞損區(qū)域。,圖1128邊緣直線擬合,（4）在F3或(F1)中有可疑壞損區(qū)域 ，當其相應的形心滿足下列條件之一 則 和 為果梗區(qū)和花萼區(qū)，否則都為壞損區(qū)域。,（四）結(jié)果 壞損點單調(diào)檢測法能有效地檢測出壞損。系統(tǒng)對閾值參數(shù)選擇不是很敏感，即魯棒性較強。在參數(shù)選擇得當?shù)臈l件下，壞損檢測與判別方法能以較高的正確率將壞損檢出。,四、缺陷分類 （一） 缺陷特征參數(shù) 圓形因子 定義為： 長形因子L(B) 定義為：,區(qū)域?qū)挾萕(B)定義：設區(qū)域在方向上獲得最大 投影長度，區(qū)域在方向上的投影長度則為區(qū)域?qū)挾?，其為?（二）分類方法 缺陷分類是一個多模式分類問題，利用二叉樹（決策）方法可把一個復雜多模式分類問題化為多級多個二類模式分類問題。如圖1131所示的缺陷分類方法。,圖1131 缺陷分類方法,（三）分類結(jié)果 （1） 深度分類 由于缺陷區(qū)域深度不僅與面積有關，還與缺陷在蘋果圖像上位置有關系，因此需求出區(qū)域在圖像上的相對位置，其為：,對于深度分類采用三層BP神經(jīng)網(wǎng)絡，輸入到神經(jīng)網(wǎng)絡的特征參數(shù)有： 1. 區(qū)域最小深度 2. 區(qū)域面積 3. 區(qū)域相對坐標,（2）