基于信息熵和组合纹理特征的回转窑熟料烧结状态检测方法

基于信息熵和组合纹理特征的回转窑熟料烧结状态检测方法

1熟料的表面纹理特征返回给水的自动管理系统主要用于保持内流的平衡，并确保原料的正常燃烧。基于回转窑窑头采集到的熟料图片,利用图像识别的方法来实现窑内火焰、熟料等特征的非接触自动测量,不仅能提供丰富的窑内工况信息,还能作为图像反馈来进行窑炉的闭环控制,对完善窑炉熟料烧结质量监控具有重要意义。图像纹理特征越来越多地被应用于工业领域,熟料的表面纹理特征不仅可用于实现熟料感兴趣区的分割,还可用于判断其烧结状态。由于工业回转窑窑内环境复杂,煤粉和烟雾干扰较大,导致采集到的熟料序列图像质量缺乏稳定性,给熟料图像纹理图像的在线测量带来了挑战。为了保证对回转窑熟料烧结状态检测的可靠性,在对熟料纹理图像进行纹理分析之前,有必要对图片质量进行评判,滤除图像序列中异常帧。此外,研究表明,利用Fisher系数确定最佳位置算子(距离和方向)以及4个纹理参数集,纹理的灰度共生矩阵法能较好地实现熟料的欠烧、过烧和正常烧结3种状态分类。然而,实际工况下熟料烧结状态变化较缓慢,在欠烧、正常烧结和过烧之间的转化有着中间的过渡过程,因此,仅将其区分为3类不足以满足实际工况精细判断和控制需要。基于这个工业现场问题,本文首先利用信息熵实现序列图像的有效性判断,为了避免单一纹理分析方法的局限性,综合4种纹理统计分析法得到的纹理特征,结合MI互信息值提取出纹理识别度较好的特征参数集,并利用K-NN对欠烧、稍欠烧、正常烧结、稍过烧和过烧5种不同烧结状态下的熟料纹理进行了识别。2窑头图像特征计算图1所示为工业回转窑原理图,随着回转窑的缓慢旋转,待烧结的原料从窑尾运动到窑头,在窑内完成干燥、预热、分解、烧结和冷却等过程,并从窑头下料口排出,安装在窑头的摄像机实时采集窑内火焰、熟料等图像信息,并传送到计算机进行处理,通过提取感兴趣区域的图像特征,来间接进行窑内工况的判别。实际的回转窑工况现场环境非常复杂,煤粉和火焰的干扰会导致图像序列冻结后得到的采样图片质量不稳定。分析图2给出的窑头视频图像序列实例,其中第2排的第2和第3幅图片为受粉尘干扰的异常窑头图片。相较于其他图片而言,整个窑头图像都被粉尘充斥,呈现为较统一的红色,无法辨认熟料、火焰。为保证视觉特征数据来源的可靠性,可采用2种方法:一是对图像样本进行滤波,即将采集到的异常图片直接从序列集中滤除,再基于保留下来的正常图片进行图像特征的计算;另一种是对熟料区纹理参数进行滤波,即首先不考虑采集到的序列图片的质量,对所有的样本图片进行特征参数计算后,得到的参数序列中突变点为噪声数据。由于实际回转窑中熟料表面纹理的复杂性,不能用单一的纹理参数来对其进行精确分类,需要组合多个纹理参数进行识别,而多参数滤波是一种多维滤波,具体工况下不易实现。相比较而言,图像的序列滤波更为简单直接。在信息论中,信息熵以统计形式给出随机变量或系统的不确定性,可以用于评价图像所含信息量的大小,熵越大对应图像灰度分布越分散,图像所含的信息越丰富。考虑灰度级为N的图像,定义pi为图像像素灰度值为i的概率,其图像信息熵E定义为:E=-Ν∑i=0pilog2pi(1)E=−∑i=0Npilog2pi(1)受粉尘干扰的窑头图片其信息量明显小于正常工况视野清晰下的图片。由此,在对实时捕捉到的视频进行静态采样和图片冻结后,计算其相应的信息熵,并将信息熵值明显小于某一阈值的图片从图片序列中滤除。3回转窑熟料纹理分析方法不同烧结程度的熟料其表面纹理呈现不同的特征,过烧的熟料因烧结过度黏度很高,有明显的结块现象,熟料表面纹理粗糙;欠烧的熟料呈现出来的图像表面纹理为颗粒度小的松散细沙状,局部较均匀、不同区域间变化很小;而正常烧结状态的熟料纹理丰富、粒度适中、沟纹较深。可以看出烧结状态与纹理特征具有较强的关联关系,基于纹理特征参数进行状态分类和检测可行性高。图3所示依次为过烧、稍过烧、正常、稍欠烧、欠烧5种烧结状态下的熟料图片。纹理的无法精确定义造就了纹理分析方法的丰富多样,目前应用较为广泛的纹理分析方法主要有统计法、几何结构法、模型法以及频域变换法,因回转窑熟料纹理属于不规则的自然纹理,很难用精确的模型来进行描述。本文主要采用统计法中的灰度直方图法、灰度共生矩阵法、灰度游程矩阵法以及梯度法来计算熟料的纹理特征,作为熟料纹理识别的待选参数。假定图像被量化为N个灰度级,p(*)表示归一化的事件发生概率,以下将对用到的方法和参数进行简要总结。1不同粒度直方图的特征灰度直方图代表了图像区域的概率密度分布,用图像的灰度直方图的各统计距能对纹理实现最简单直接的描述。根据阶数的不同,常用的灰度直方图特征有(一阶距)、方差(二阶距)、偏斜度(三阶距)、峰度(四阶距)。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熟料图像矩阵特性灰度共生矩阵是对特定距离和方向下的满足特定灰度关系的邻近像素灰度值分布特性进行统计产生的矩阵,能较好地表达图像纹理中灰度级的空间相关性。由灰度共生矩阵所产生的统计学参数中,描述不同烧结状态的熟料图像矩阵特性的主要有以下:对比度: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基于度游程矩阵法的典型纹理特征描述子在感兴趣的图像区域里,连续或共线的并具有相同灰度级的像素点数目称为该灰度值的游程长度,图像的灰度游程长度矩阵元素定义为沿指定方向满足特定灰度级和游程长度值的像素个数。令M为游程长度,基于灰度游程矩阵法的典型纹理特征描述子主要包括:长游程优势:LRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j2p(i,j)(10)短游程优势:SRE=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1Μ∑j=1j-2p(i,j)(11)游程长不一致:RLΝ=[Ν∑i=1Μ∑j=1p(i,j)]-1Ν∑i=1(Μ∑j=1p(i,j))2(12)游程维度: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梯度法纹理的梯度分析法基于某一领域关系计算各像素梯度值,将图像转化为梯度图像,然后利用生成的梯度图像的各阶距作为统计描述子进行纹理的量化。若以3×3的领域模板为例,像素梯度计算公式为:G(x,y)=√(ix+1,y-ix-1,y)2+(ix,y+1-ix,y-1)2(15)令M为梯度图像的总梯度值,则梯度法的纹理统计描述子包括: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各特征的联程度为了从众多的统计法纹理描述子中精简出纹理识别的最佳特征集,本文采用互信息MI(mutualinformation)计算纹理特征在熟料分类中提供的信息量大小。互信息在信息论中主要用来衡量两个信号的关联程度,纹理特征fi与熟料类别C的互信息值的大小可用来度量该纹理描述子区分熟料图片的相关程度,即该纹理区分不同烧结状态熟料图像的能力强弱,互信息计算公式为: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个纹理特征,cj表示第j类,p代表概率。通过比较不同纹理特征的互信息值,可以有效地选择与熟料分类关联较大、描述能力较强的纹理特征,这些特征也就是进行熟料分类的优选可能特征集。基于MI信息值初选出来的10个纹理特征,将特征正规化后,以K-NN为分类工具结合穷尽法来识别最优特征集并实现不同烧结状态的熟料纹理分类。5实验过程和结果分析要实现熟料烧结度的在线检测,首先要确定判定图像序列有效性的信息熵阈值并完成不同烧结程度下的熟料纹理分析与分类。5.1密度特征选取为了获取图像序列有效性分析的信息熵阈值,将图2所示的原始彩色图像序列灰度化后,计算其图像信息熵,对应的熵值计算结果如图4所示。实验结果表明,正常的视野清晰的图像样本其熵值较高,而被粉尘干扰的图像(下排第2、3幅)熵值一般在6.5以下。为实现熟料纹理分析,首先需要将熟料区从窑头图像中分割出来。整个分割过程主要包括图像预处理、FCM聚类分割、区域生长、形态学平滑边界这几个步骤。考虑到实际工况环境下,熟料区的位置基本固定在窑头的右下角的一定范围内,可对分割出来的熟料区域进一步采用形态学开闭操作获取通用模板,完成纹理分析感兴趣区域的框定,以保证系统处理的实时性。图5所示为获取的不同烧结状态下部分熟料区样本。从熟料样本图片中选取处于5种不同烧结状态且纹理视觉区分明显的典型样本共75个,每类均有15个样本,为各样本计算得到的统计学描述子(如第3节所述)共32个。对应为灰度直方图法4个、梯度法4个、灰度共生矩阵法取(5,-5)方向下的描述子4个,灰度游程矩阵法采用4个方向上的描述子共20个。为了提取纹理分类的有效特征集,按照式(20)计算各特征与样本类别之间的互信息值,表1所示为按互信息值大小排列前10的纹理特征参数,其中“Vert”和“135DR”分别表示垂直方向和135°方向。基于这10个备选纹理特征,以K-NN为分类工具用穷尽搜索法对不同烧结状态下的熟料纹理进行特征参数确定和识别,特征集所含特征数量从1逐渐增加,当找到K-NN分类错误为0时终止搜索,实验结果表明,当取Vertl_LRE,SA这2个特征作为特征集时,K-NN分类错分率为0。图6所示为75个样本基于这2个特征向量的空间分布。提取出来的纹理特征参数中,Vert_LRE长游程优势是基于垂直方向的灰度游程矩阵的纹理参数,游程长度反映了纹理的粗细变化,纹理越粗则游程长度越长,而细纹理则反之;SA是基于灰度共生矩阵的纹理参数,SA度量了图像像素点平均灰度值大小,即图像的明暗程度。图7所示为75个样本的SA值和Vert_LRE值分布。其中1～75样本数依次分别对应过烧、稍过烧、正常、稍欠烧、欠烧这5种烧结状态15个样本值。从SA值的分布规律中可以看出,SA值随着熟料的烧结程度变化呈现出较明显的规律性,对于比较典型的熟料样本,SA值可实现熟料样本按过烧、稍过和正常、稍欠和欠烧3类划分。此外,不同烧结状态下的熟料纹理的粗细程度不同,Vert_LRE长游程优势参数能进一步实现稍过烧和正常烧结、稍欠烧和欠烧精细区分。为比较多纹理分析提取特征对熟料分类的有效性,本文分别采用灰度直方图法、灰度共生矩阵法、灰度游程矩阵法、梯度法的统计描述子集对同样的75个熟料样本纹理进行K-NN分类,结果如表2所示。从表2中的分类结果可以看出,在综合不同纹理方法得到的统计学描述子以及结合MI系数选择得到的特征参数集上,K-NN仅需要2个特征参数就可实现5种不同烧结状态下的熟料分类,且具有较高的分类精度。5.2熟料纹理在线识别基于纹理特征的熟料烧结状态检测主要由视频数据采集、图片冻结、序列图像有效性分析、熟料区分割、纹理参数计算、熟料烧结状态判别等步骤构成,具体流程如图8所示。为验证本文方法对熟料烧结状态动态检测的有效性,从某厂回转窑现场选取了过烧、稍过烧、正常、稍欠烧和欠烧5种不同工况下的视频作为测试样本,实验视频时长为2min。同时,考虑到熟料随窑炉旋转上下运动周期大致为2～3s,为尽可能避免熟料运动时所处位置不同带来的纹理特征计算误差,选择熟料图像序列帧采样周期为3s,并按照图8所示的处理流程对视频进行熟料烧结状态检测。表3中列出了具体识别结果,表中数据包括每段视频采样后获得的图片序列经信息熵检验后得到的实际有效帧数,以及经验丰富的看窑工人观察和判断的实际烧结状态与计算机判别结果对比。实验用的视频采样后得到的窑头图片数应为40帧,然而经信息熵判定后得到的实际有效帧数有所减少,其中以熟料欠烧状态下的有效帧数最少,说明该窑况下的回转窑内更容易受到粉尘等的干扰而影响摄像机拍摄视野。从计算机识别结果统计数据中可以看出,大多数情况下视频采样图片熟料纹理判别结果保持了和工人识别结果的一致性,这充分说明了本文方法的有效性。然而,熟料纹理在线识别正确率较静态下的熟料样本纹理识别率低,误差较大的情况突出表现在稍过烧和稍欠烧这2个过渡阶段,其主要原因是由于实际工况下的熟料处于运动状态,熟料料层表面并非静止不变,导致了同一烧结状态下的熟料序列图片表面纹理的复杂多变性,且相邻状态之间的熟料纹理特征易出现交叠的情况,区分并不非常典型;实际上,对于过渡烧结状态下的熟料,即便是经验很丰富的窑头工人其判别也很容易发生模棱两可的情