基于小波变换的热处理火焰监测系统研究

2019-01-07赵京鹤张翠翠

福建茶叶 2019年6期

赵京鹤，张翠翠

（长春光华学院，吉林长春 130033）

引言

进入21世纪，我国正一步步转变为世界的制造业中心，我们众所周知的热加工行业也作为其重要的组成部分，无论是零部件生产、房地产、能源开发等方面均起着至关重要的作用。所以可以说热加工往往是一个国家的工业制造业的基础和象征，同时，德国宝马、奔驰等大厂纷纷在境外寻求合作以减少本国环境污染。对于大型热处理设备，随着燃烧器数量的增加和单个单元的容量变大，热处理炉必须实现各种操作模式。因此，对燃烧器控制灵活性的要求非常严格。早期的热处理火焰监测是通过热处理炉上的观察孔人工观察火焰的情况。随着科学技术的不断发展，热处理炉的结构变得越来越复杂，传统的观察孔已经不能满足热处理炉安全运行的需要。后来，人们发明了一种烟色显示器，它使用人造光源通过测量的烟气进入光电器件，通过光强随着烟色的变化而表征火焰的燃烧情况。有利用采集噪声的声学法，有利用着火后气体膨胀产生的压力变化的差压法，但这些方法往往时间滞后，可靠性不高等缺点。

随着计算机技术的蓬勃发展，特别是图像处理技术的日趋发展，高温监控摄像探头采集到的图像信号完全能够转换为可由计算机识别的数字图像。这意味着可以定量分析火焰图像瞬时特征，这是后续分析和火焰自动监测的理论基础。所以根据不同的工作环境要求，利用图像处理技术作为热处理过程中火焰检测方法或对现有的方法进行改进是未来研究的重要方向。

1 小波变换理论

小波变换理论是近年广泛应用在应用数学和工程学科领域中的新兴理论。同时，它也是多学科整合的热点，是信号处理的前沿课题。小波理论的起源可以追溯到20世纪初，小波的形成和发展是在20世纪80年代后期。J.Morlet是德国从事石油信号处理的工程师，在1984年首次提出小波理论。1986年，着名数学家Y.Meyer偶然构建了一个真实的小波基，并与J.Morlet合作构建了一个统一的小波基方法。随后小波理论才真正迅速的发展起来。傅里叶变换是研究稳定信号的理想工具，而对于非稳态信号，目前小波理论变换是理想的工具。

小波理论分析相对于传统傅里叶变换的优点在于它在时域和频域都具有良好的定位特性。小波变换的理论变化使得时频根据高频和低频均匀变化，这对于检测正常信号中发生的瞬态异常非常有用。

小波变换是一种时频和频域分析信号的方法，具有多分辨率分析的特点，能够表征时域和频域信号的局部特征。这是一种时域和频域定位分析方法，其中固定大小的窗口不变，但形状改变，并且时间窗口和频率窗口都可以改变。

小波变换在工程应用中具有以下优势：

（1）低熵，系数的稀疏分布，使得处理变换后的图像的熵值减小；

（2）多分辨率，由于其多分辨率优势，它可以很好地表征信号的非静态特征，如断点，边缘等。

（3）去相关，小波变换可以使处理后的信号去相关，这使得其在采集图像的同时可以去除噪音的影响；

（4）选择基本灵活性，小波变换可以任意选择变换基数，因此可以针对不同场合和不同对象选择不同的小波主函数，以获得最佳效果。

事实上，平均值为零的带通滤波器的任何脉冲响应和以更快的速率零速度降低都可以用作基本小波。从小波的定义可以看出，小波函数不仅包含一定的频率特性，而且还需要一定的局部性。也就是说，它总是等于零或在一个区间内收敛到零，这就是它被称为小波的原因。

2 多分辨率分析理论

多分辨率分析（MRA）由Mallat于1989年提出，也称为多尺度分析。其基本思想是将L2（R）中的函数f（t）表征为一系列近似函数的扰动极限，并且该级别对应于不同的分辨率。逐步分析的想法是从L2（R）的子空间开始，然后使用非常简单的变换将基数扩展到L2（R）的其他子空间。这也是“多分辨率分析”这个名称的由来。随着尺度从大到小变化，可以在所有尺度上从粗到细观察目标。

3 火焰图像的噪声处理方法

当收集火焰图像时，存在图像噪声，其是影响整个图像处理过程的不可预测的随机信号。如果图像采集过程中存在较大的噪声，则必然会在整个图像处理过程和输出结果中产生不可忽略的误差。因此，噪声分析对炉膛火焰图像的分析非常重要。

小波理论变换处理的本质是减少甚至完全消除噪声产生的系数，同时最大限度地保留真实信号的系数，最后保留重构实信号的最优估计。从信号处理的角度来看，小波去噪的本质是信号滤波，但去除噪声后，它还保留了完整的图像特征，因此它优于传统的低通滤波器。

小波去噪的基本步骤是：对信号进行多尺度小波变换，从时域变换到小波域，然后在每个尺度上尽可能多地提取信号的小波系数。去除噪声的小波系数，最后通过逆小波变换重建信号。

4 火焰图像的边缘检测

由于火焰内外温度不同，图像边缘检测也是图像处理领域的重要研究内容，也是图像深度处理的基本手段。其特征在于特定图像特征中的对象和背景之间的差异，包括灰度，杂散光和孔径系数。通过分析图像特征改变的位置来实现辨别的目的。

图像边缘是分析和理解图像的基础，是图像中最基本的特征。虽然边缘检测技术是图像处理领域的基本技术，但它也是图像处理中的问题。早期的经典算法包括Roberts边缘检测算法，Sobel边缘检测算法，Prewitt边缘检测算法等。近年来，开发了许多新的边缘检测方法，如Canny边缘检测算子，小波边缘检测算子和数学形态学边缘检测算法。

通过比较，发现通过重建可以实现小波变换的三层分解。由于分解水平太小，噪声很大，重建后图像中的噪声较多，影响精度，分解过多。由于重建过大，会使图像细节更加模糊，因此本文采用小波三层分解。对图像进行三层小波分解，采用阻塞确定阈值的方法，第一层分解系数的非边缘比为0.7，在第三层分解系数中，定义的非边缘比率是0.6，并且执行相同的处理。对于第三层分解系数，将非边缘比定义为0.5，然后重建以获得图像的边缘信息。