(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210916924.0 (22)申请日 2022.08.01 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区湖南大 学信息科 学与工程学院 (72)发明人 李涛　赵娜　 (74)专利代理 机构 长沙新裕知识产权代理有限 公司 43210 专利代理师 梁小林 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 一种回转窑火焰燃烧状态 识别方法 (57)摘要 本发明涉及一种基于Res2Net和注意力机制 的回转窑火焰燃烧状态识别方法， 属于窑炉图像 分析技术领域， 包括获取处理火焰图像数据集； 引入Res2Net网络和卷积注意力模 块(CBAM)搭建 网络模型； 采用得到的图像数据集作为输入， 最 终产生三维预测； 取预测得分最高的燃烧状态为 此时回转窑内的燃烧状态， 输出最终结果。 窑炉 图像由于其拍摄环境过于恶劣， 导致图片视觉效 果差， 现有技术在对窑炉图像进行分类往往效果 不佳， 本发 明能够提高识别的质量以及分类的准 确率。 权利要求书1页 说明书5页 附图3页 CN 115100578 A 2022.09.23 CN 115100578 A 1.一种回转窑火焰燃烧状态 识别方法， 其特 征在于， 包括以下步骤： 步骤1： 使用CD D摄像机采集工厂火焰燃烧视频， 处 理得到火焰图像数据集； 步骤2： 引入由残差网络的改进网络结构， 简称Res2Net， 和注意力机制， 搭建卷积网络 分类模型； 采用Res2Net作为特征提取子网络， 结合卷积注意力模块， 简称CBAM， 将火焰图像数据 集实现在Res2Net的残差结构中， 经CBAM注意力机制模块处 理得到特 征图； 步骤3： 采用得到的图像数据集作为输入， 最终产生三维预测， 对应欠燃烧、 正常燃烧和 过燃烧三种燃烧状态的特 征图； 步骤4： 对特征图进行分类预测， 特征图经过全连接层处理； 之后经过可信度最大分类 器， 即softmax分类 器， 对燃烧状态进行分类， 并输出最终的燃烧状态预测分类结果。 2.根据权利要求1所述的一种回转窑火焰燃烧状态 识别方法， 其特 征在于， 步骤1中所述的处 理得到火焰图像数据集包括： S1.1， 将从CCD摄像机中捕获到的火焰燃烧视频按帧提取为连续的图像序列， 分解成大 小为704×576的RGB图像数据集； S1.2， 将图像数据集划分为 欠燃烧、 正常燃烧、 过燃烧三种状态； S1.3， 将S1.2中的图像数据集划分为训练数据集、 测试 数据集。 3.根据权利要求1所述的一种回转窑火焰燃烧状态 识别方法， 其特 征在于， 所述步骤2中的Res2Net作为特 征提取子网络包括： 在第一个1x1卷积后， 将输入划分到5个子集， 定义 ， ； 每个特征尺度 大小相同， 通道是输入特 征的1/5， 输出为 ； 除了 之外的子特 征都有3×3的卷积核 ， 子特征 与 相加之后输入到 ； 得到输出 的公式如下： （1） 。 4.根据权利要求3所述的一种回转窑火焰燃烧状态 识别方法， 其特 征在于， 所述步骤2中的结合卷积注意力模块CBAM包含2个独立的子模块， 通道注意力模块， 简 称CAM， 和空间注意力模块， 简称SAM  ， 结合了空间和通道两个不同的维度推算注意力图， 通 过使用注意机制来增 加表现力， 关注重要特 征并抑制不必要的特 征。 5.根据权利要求1所述的一种回转窑火焰燃烧状态 识别方法， 其特 征在于， 所述步骤4中的分类预测包括： 将步骤2中的特 征图作为输出 结果， 经过全连接层操作； 经步骤3产生三维预测， 对应欠燃烧、 正常燃烧和过燃烧三种燃烧状态， 对特征层全连 接后经过softmax分类器， softmax函数将输入转换为具有分类分布的概率； 最终输出三个 燃烧类别的预测概 率， 预测概 率最高的燃烧状态则为此时 回转窑内的燃烧状态。权　利　要　求　书 1/1 页 2 CN 115100578 A 2一种回转窑火焰燃烧状态识别方 法 技术领域 [0001]本发明涉及一种回转窑火焰燃烧状态识别方法， 特别是一种基于Res2Net结合注 意力机制的回转窑火焰燃烧状态 识别的方法， 属于窑炉图像分析技 术领域。 背景技术 [0002]回转窑在冶炼金属、 生产水泥、 生产钢铁等许多工业领域都获得了应用。 回转窑的 燃烧火焰状态是回转窑运行中不可忽视的重要环节。 回转窑燃烧是否能够充分稳定的燃 烧， 让温度恒定， 这是能否提高产品质量的关键。 与此同时， 回转窑在工作时会产生粉尘、 大 气污染物排放超标等问题， 所以为了获得高质量产品并且做到节 能减排， 必须控制好回转 窑的燃烧状态， 将窑内温度控制在恰当的范围。 回转窑的燃烧状态通常分为三种： “正常燃 烧、 欠燃烧、 过燃烧 ”。 最早的回转窑是出现在水泥生产中， 之后英国人兰萨姆于1885  年发 明回转窑。 此后回转窑因其自身导热性好以及混合能力强， 多用于发电、 冶金和水泥等工业 生产领域， 推动了工业产业的发展。 但由于回转窑 结构的复杂性及燃烧的非线性， 窑内的燃 烧状态常常靠 “人工监测 ”， 这种方法导致人力 资源的浪费以及错误判断的风险增高。 到了 20世纪70年代的时候， 工业领域开始使用CCD相机， 国内外也开始研究可视化火焰监测， 1989 年， 清华大学吴占松 等人首次研究小型火焰温度分布与图像亮度之间的关系， 得到多 项式回归模型， 开始以烧成带火焰图像为研究对 象分析烧成状态， 火焰图像处理自此引起 国内学者的广泛关注燃煤火焰监控多应用于工业锅炉， 主要 是通过对燃烧火焰图像数据进 行分析， 实现对CO和NOX的排放量和煤种的识别。 [0003]随着计算机领域的不断发展， 王杰生等人根据回转窑氧化物球团烧结过程的煤粉 燃烧火焰图像纹理特征， 提出了一种基于广义学习矢量神经网络的燃烧工况识别方法同 时， 大量基于 火焰图像特征提取的方法被提出和研究。 其中， 陈华等人利用一系列模糊火焰 图像， 从图像火焰区域提取了3个发光特征和4个动态特征， 用于检测回转窑中的温度。 然而 这些方法需要在前期进 行大量的预 处理， 需要手动调整参数。 近年来， 深度学习俨然成为焦 点， 许多领域也在纷纷使用， 并取得了很大的成功。 张振庭 等人提出了一种基于深度学习的 回转窑燃烧状态监测系统， 通过端到端网络， 免去传统的基于特征提取方法繁杂的程序。 另 外， 提出的卷积 循环神经网络(CRNN)能有效地提取火焰图像序列特征来预测回转窑内的燃 烧状态。 实践证明， 深度学习的方法能够更加快速、 准确 地检测回转窑火焰燃烧状态。 窑炉 图像由于其拍摄环境过于恶劣， 导致图片视觉效果差， 现有技术在对窑炉图像进行分类往 往效果不佳。 相比传统的网络， 由于使用更深的网络， 分类准确度加深。 通过使用注意机制 来增加表现力， 关注重要特 征并抑制不必要的特 征。 [0004]而ResNet作为深度学习经典骨干框架通过提出残差模块(Residual bloack)， 解 决了深层次网络难以训练， 存在梯度消失和梯度爆炸 问题， 使神经网络提取特征 的能力大 大增强。 ResNet在提升神经网络训练速度方面取得显著效果， 但具体应用于计算机视觉的 分类、 定位、 检测和分割有待提升。 本发 明采用Res2 Net作为特征提取子网络， 结合注 意力机 制， 可以更好的捕获细节和全局特性， 与网络设计相结合， 进一 步提高网络性能。说　明　书 1/5 页 3 CN 115100578 A 3