王 宇，余岳峰，朱小磊，张忠孝

(上海交通大学 机械与动力工程学院， 上海 200240)

近年来，利用彩色CCD(Charge Coupled Device，电荷耦合元件)和数字图像处理技术诊断火焰稳定性逐渐成为燃烧领域的研究热点[1].从图像中提取火焰特征参数，训练模型并对燃烧状态进行模式识别，可以实现对燃烧过程的有效监测[2].然而，传统的火焰特征参数往往依据先验知识提取，涉及到复杂的数学与物理模型建立[3-5].这些参数大多基于特定的研究算法，在许多环境下并不通用，如燃烧器的结构不同、相机拍摄角度不同及光照条件变化等.实际工业中，也正是由于缺少适用度很高的特征，使得火焰检测模型受到限制，不易于推广.

随着计算机性能不断提高，深度学习逐渐展现出优势.其中，在图像识别、检测及分割等领域，尤其以卷积神经网络(CNN，Convolutional Neural Network)的发展最为迅速，并产生一系列优化模型，如R-CNN、Fast R-CNN、Faster R-CNN[6-7]等.CNN通过卷积层自动提取图像中的隐含特征，在传统模型通用性不好、识别率不高的情况下，展现出更强的稳健性，显著提高了模型的表达能力.CNN不仅能实现火焰类型识别，改善传统模型识别率不高、泛化能力弱等问题，还能通过特征映射图等挖掘出潜在的火焰特征，对于分析燃烧稳定性十分关键.然而，CNN自身存在不少缺陷.比如，CNN是端到端的学习框架，网络内部参数的物理意义不可获知，通常只求得到模型最终的判别结果.此外，CNN只能提取图像中的静态特征，不关心时间域上的信息.

本文结合光……