[00938192]基于机器视觉的火焰燃烧性能研究

针对火焰图像与燃烧性能之间的关联关系存在的关键问题，从火焰图像的采集和处理、图像模式识别、MATLAB环境下验证其火焰燃烧性能分析效果等方面进行深入的研究，旨在提高基于火焰图像的火焰燃烧性能评价标准，扩大机器视觉的应用范围。该项目完成的主要工作有：1、火焰图像去噪处理时提出了自适应投票快速中值滤波算法(AVMF)，该算法对图像像素进行自适应选择去噪，且对噪声像素的处理采用完全不排序的投票算法。2、在对多种燃烧状态下的氧乙炔火焰图像进行轮廓特征提取时，发现在RGB模型的各颜色空间中，不同燃烧状态的火焰轮廓存在很大差异，为了能够更精确地获得火焰特征，提出了按RGB颜色通道进行火焰图像分割的方法。3、模式识别过程中采用了两种研究方法：1)应用最小二乘支持向量机(LS-SVM)算法实现氧乙炔火焰图像的分类和识别。应用BP神经网络和标准SVM算法对氧乙炔火焰图像进行了对比实验研究。LS-SVM对氧乙炔火焰图像的识别分类是成功的，相比于其他算法，在速度和精度方面有明显的优势。2)建立基于图像特征值序列的隐马尔可夫模型(HMM)，实现对氧乙炔焰燃烧过程的分类与识别。分别用一维HMM、二维HMM、一维分步HMMBP和人工神经网络技术进行建模与识别，对比实验结果可以发现，提出的一维分步HMM技术在准确率和运算时间上优于其它算法。研究工作的主要创新点：1、针对火焰图像去噪处理，提出了自适应投票快速中值滤波算法(AVMF)。该算法按图像像素进行自适应选择去噪，且对噪声像素的处理采用完全不排序的投票算法。使中值滤波的速度和性能都获得很大的提升。2、在对多种燃烧状态下的氧乙炔火焰图像进行轮廓特征提取时，发现在RGB模型的各颜色空间中，不同燃烧状态的火焰轮廓存在很大差异，为了能够更精确地获得火焰特征，提出了按RGB颜色通道进行火焰图像分割的方法。3、建立基于图像特征值序列的隐马尔可夫模型(HMM)，实现对氧乙炔焰燃烧过程的分类与识别。提出的一维分步HMM技术既具有较高的识别准确率，又具有较快的运算时间，可以很好的实现燃烧状态的自动监测与控制。将机器视觉用于火焰燃烧性能的研究是一个跨学科的研究领域，涉及图像处理技术、模式识别技术、人工智能以及自动化检测与控制等学科。机器视觉的应用领域非常广泛，应用于火焰燃烧性能的研究，提高了燃烧性能识别的准确性和自适应性。在该项目的研究基础上，进一步将其研究成果应用于实际的工业、农业、医疗、服务业等各领域，对于推动信息化和产业化的有机结合具有重要意义。该项目的研究成果可以采用与公司、工矿企业进行技术合作与技术服务的方式进行推广。