CN102538000A - 燃烧火焰诊断方法 - Google Patents

Abstract

本发明提供一种燃烧火焰诊断方法，先利用一个图像撷取装置，得到执行一燃烧工艺的一炉膛内的一原始图像，其中该原始图像包含一火焰图像与一背景图像。接着，利用一火焰识别技术将该原始图像中的该火焰图像与该背景图像分离。之后，计算该火焰图像的特征。再依据火焰图像的特征，诊断该炉膛的稳定性与燃烧效率。

Description

燃烧火焰诊断方法

技术领域

本发明涉及一种基于图像的工艺监控与诊断方法，且特别涉及一种基于火焰图像的燃烧工艺监控与异常现象及原因诊断方法。

背景技术

锅炉系统为目前化工厂、电厂或传统制造工业中，工艺生产动力与热能的来源，然而，受到近几年国际油价波动与环保意识抬头的影响，以及对于工业安全的日益重视，发展更有效率、排放气体更符合环保标准、以及操作更具安全性的燃烧监控系统，已成为锅炉设备开发以及燃烧工艺监控的重要议题。

类似如锅炉系统的工业燃烧系统，其运作的基本要求在于建立稳定的燃烧火焰，不稳定的火焰通常产生于不好的燃烧条件设定或动态控制。燃烧不稳定会降低热效率，也会引起炉膛熄火，甚至导致爆炸事故。

目前的预防实施方法是通过火检器来判断燃烧器是否熄火以启动燃烧系统保护装置避免事故发生。然而，常见的辐射光能式(UV/VIS/IR)火检器只能检测有无火焰，并需设定静态的阈值且不具空间信息，因此容易发生误警报，改进式的数字式火检器仍无法有效解决因火焰飘移所导致火焰有无的误判断，较新颖的作法是利用燃烧图像及微处理器计算能力的全炉膛图像式监测系统，但全炉膛图像式监测系统是对整个炉膛燃烧状况进行判断或监控，无法识别火焰是否存在和其稳定性。

由于使用者寻求燃烧安全辅助感测系统的市场需求，加上美国能源局于工业燃烧技术发展蓝图中也明白指出“火焰稳定性传感器”的研发需求，因此为了产业需求与延续火检系统的技术发展趋势，本发明开发了图像式智能化火焰诊断系统，可提供燃烧火焰的燃烧状态信息及实时尾气浓度信息，并提供燃烧稳定性诊断和燃烧效率评估的功能，在技术开发上，以减少不容易决定的人为参数设定为目标，此发明技术让燃烧火焰信息透明化并具多功能性，可以最小化成本与最大化使用效益。

发明内容

基于上述目的，本发明提供一种燃烧火焰诊断方法，先利用一个图像撷取装置，得到执行一燃烧工艺的一炉膛内的一原始图像，其中该原始图像包含一火焰图像与一背景图像。接着，利用一火焰识别技术将该原始图像中的该火焰图像与该背景图像分离。之后，计算该火焰图像的特征。再依据该火焰图像的特征，诊断该炉膛的稳定性与燃烧效率，以监控该燃烧工艺。

为使本发明的上述和其它目的、特征、和优点能更明显易懂，下文特举出实施例，并配合所附图式，作详细说明如下。

附图说明

图1显示依据本发明实施例的硬件结构示意图。

图2显示依据本发明实施例的基于图像的燃烧工艺监控方法的流程图。

图3显示图2中的步骤S23的火焰识别方法流程图。

图4显示图2中步骤S27的诊断炉膛的稳定性和效率诊断方法流程图。

图5是本发明的特定区域选定的一流程图，用以实现步骤S302。

图6显示在高空燃比情况和低空燃比情况下的火焰内部和火焰外围的火焰图像。

图7显示燃烧空气过剩(左侧图片)到燃烧空气不足(右侧图片)的原始图像以及识别后的火焰图像。

图8和图9显示火焰图像特征与尾气氧浓度的观察结果。

图10显示原始图像以及识别后的火焰图像以及在不同状况下的特征趋势。

图11显示稳定性诊断结果和各阶段的代表图像。

主要元件符号说明

11燃烧系统；

13高温摄像机；

15现场计算机(Field PC)；

17应用计算机(Application PC)；

S21取得炉膛的原始图像；

S23将原始图像中的火焰图像与背景图像分离；

S25计算火焰图像的特征；

S27根据火焰图像的特征，诊断炉膛的稳定性和燃烧效率；

S29发出对应的警报信息；

S301接收多个原始图像；

S302选定原始图像中的特定区域作为分析对象；

S303将原始图像转换至HSV的色彩空间；

S304执行模糊化程序；

S305执行模糊逻辑推论；

S306执行解模糊化过程；

S307由原始图像中分离出火焰图像；

S41撷取火焰图像的特征信息；

S42以火焰图像特征来建立尾气浓度的实时预测值；

S43将火焰图像特征通过自适应网络模糊推论系统建立单张火焰图像的稳定性诊断结果；

S44利用当前的一张与前多张火焰图像的稳定性诊断结果连续性的通过自适应网络模糊推论系统以建立一动态火焰图像的稳定性诊断结果；

S45将多个尾气浓度的实时预测值和动态火焰图像的稳定性诊断结果进行火焰燃烧效率诊断；

S501色彩对象；

S502选择非感兴趣的色彩对象；

S503产生非感兴趣屏蔽；

S504储存多个非感兴趣屏蔽；

S505矩阵逻辑运算；

S506多个原始图像；

S507是否满足随机选择；

S508融合的感兴趣屏蔽；

S509完成区域选定。

具体实施方式

本发明说明书提供不同的实施例来说明本发明不同实施方式的技术特征。其中，实施例中的各元件的配置为说明之用，并非用以限制本发明。且实施例中图式标号的部分重复，为了简化说明，并非意指不同实施例之间的关联性。

本发明实施例揭露了一种基于图像的燃烧工艺监控与诊断方法。本发明实施例的基于图像的燃烧工艺监控与诊断方法利用一个外拍式或插入式的图像撷取装置，于高温环境下捕捉炉膛内的火焰图像，并依据分析火焰图像所得到的特征来进行火焰燃烧监控，诊断该炉膛内的燃烧状态。

图1显示依据本发明实施例的硬件结构示意图。实施本发明方法的硬件结构说明如图1所示，其包含一燃烧系统11、一高温摄像机13、一现场计算机(Field PC)15、一应用计算机(Application PC)17。

其中，燃烧系统11具有一炉膛。高温摄像机13可以为外挂式或嵌入式高温摄像机，其用以取得燃烧系统11的炉膛内图像。高温摄像机13所取得的炉膛内图像包含火焰图像，其所撷取的炉膛内图像则由现场计算机15和应用计算机17加以分析，取得火焰图像并分析火焰的特征(例如燃烧的温度、燃烧面积、燃烧重心、火焰色度、火焰亮度等，详见后述)，进而可以诊断燃烧的状态(方法详见后述)。其中，现场计算机15和应用计算机17可以是分开的计算机系统，也可以将现场计算机15和应用计算机17合一。

图2显示依据本发明实施例的基于图像的燃烧工艺监控方法的流程图。

步骤S21中，取得炉膛的原始图像。例如，利用一图像撷取装置例如是高温摄像机，拍摄炉膛内部，以得到执行燃烧工艺的炉膛的一原始图像，其中原始图像包含一火焰图像与一背景图像。

当图像撷取装置撷取到原始图像之后，步骤S23中通过一火焰识别技术将原始图像中的火焰图像与背景图像分离(详见图3)，然后在步骤S25中计算火焰图像的特征，以作为后续监控及诊断的依据。在步骤S27中根据这些火焰图像的特征，诊断炉膛的稳定性和燃烧效率，最后再依据步骤S27的诊断结果，在步骤S29中发出对应的警报信息。具体实施方法于后续详细说明。

如上所述，步骤S25的火焰特征计算在考量减少人为参数设定和图像撷取装置限制情况下，火焰图像的特征包括色彩信息和几何信息两大类。其中色彩信息包含：以统计分析得到的亮度值平均、亮度值变异、亮度峰态、亮度值偏态、亮度熵值、均匀度、平均温度等；或以辐射学方法得到的温度场计算信息；以及以连续图像的频谱分析得到的火焰闪烁频率信息等其中之一。其中几何信息包含：火焰分布相关信息及空间分布等。火焰分布相关信息可以为火焰长、宽与火焰喷射角度、火焰区域面积、火焰质量重心位置等其中之一。而空间分布则可以为2D-FFT、2D-小波等其中之一。此外，另可针对火焰图像的不同区域的对比进行相对特征计算，如：选择区域的面积比例、选择区域的亮度值比例、选择区域的亮度变异比值、火焰燃烧区域能量、火焰内部与火焰全区面积比例等其中之一，详细计算方法请参考表1至5。

表1几何特征计算

表2色彩特征计算

表3色彩特征计算

表4色彩特征计算

表5不同选择区域的对比特征计算

图3显示图2中的步骤S23的火焰识别方法流程图。

在本实施例中，列举感官式火焰识别方法来做说明，火焰识别方法也可利用HSV色彩模型或RGB高斯混合模型等色彩模型来完成，也可利用阈值法，并不以此为限。感官式火焰识别方法利用HSV色彩空间、色彩学和模糊理论来构建燃烧图像火焰分割的技术。应用感官式火焰识别技术的动机在于：(1)炉内环境单纯；(2)特定燃料种类；(3)具有不同的光学滤镜；(4)要最小化人为设定。如果是应用传统阈值分割方法或RGB高斯混合模型来构建火焰的色彩模型，则需要先以一张或多张图像进行建模。而且，图像撷取装置可选用不同波长的滤镜，使得收集的原始图像会有色差。为了符合实际应用的限制与最小化人为设定的目标，因此提出如图3所示的感官式火焰识别方法。

本发明的感官式火焰识别方法基于人类视觉对色彩直观认知，将火焰色彩转换至HSV空间，结合色彩学和模糊算法，智能化考量HSV，以迅速将火焰图像切割出来，对于火焰图像而言，H可代表不同燃烧物种所释出的颜色，S可代表不同温度所呈现的饱和度，V代表烟所产生不同的灰程度。

参见图3，在步骤S301中接收由图像撷取装置拍摄炉膛内得到的多个原始图像(相同于步骤S21)。

为了节省火焰识别的计算资源，可以在步骤S302中选定原始图像中的特定区域作为分析对象。图3的方法流程中，步骤S302可依据使用者的选择是否执行，待步骤S303到S308执行一次之后，再执行步骤S302，以选定原始图像中的特定区域作为分析对象，进而节省火焰识别的计算资源。

图5是本发明的特定区域选定的一流程图，用以实现步骤S302。在步骤S501，对原始图像进行模糊分类的识别，以产生多个彩色对象。在步骤S502，选择非感兴趣的色彩对象。举例而言，炉壁或积灰通常呈现黑色或灰色等色系，如果使用者对此对象不感兴趣，则可将此色系定义为非感兴趣对象。在步骤S503，根据所找出的非感兴趣的色彩对象，产生单一图像非感兴趣屏蔽(mask)矩阵，其中矩阵的大小与原始图像尺寸相同。在步骤S504，储存一个或多个图像的非感兴趣屏蔽矩阵。在步骤S505中，将当前一个及先前多个非感兴趣屏蔽矩阵进行矩阵逻辑运算，得到一融合的感兴趣屏蔽，也就是S508。步骤S506，与步骤S301相同，接收由图像撷取装置拍摄炉膛内得到的多个连续火焰的原始图像。在步骤S507，从S506多个原始图像中进行随机挑选，如果不满足随机挑选条件，则使用S508的结果，即融合的感兴趣屏蔽作为特定区域选定，反之，一旦随机条件成立，则将区域选定范围重新设定为整张原始图像的尺寸，以避免摄影环境变化时，所融合的感兴趣屏蔽无法捕捉。

本发明利用可视化色彩对象分类功能，可以自动化决定分析监测的范围，如此一来，可以去除图像撷取装置光学镜头表面遭到污染所造成的影响，还可以将墙壁等视觉障碍物去除，增加火焰图像特征计算的正确性，更可以有效减少火焰分割的计算时间。

另外，在燃煤系统中的积灰会影响锅炉的热传效率，但是过于频繁地以蒸气进行吹扫动作，又会造成热损失，所以吹灰时机的决定对于锅炉效率至关重要。本发明的自动化感兴趣区域选定方法，若将非感兴趣的色彩对象(积灰)视为监控的对象，针对炉灰增生的问题，此方法可以作为炉灰增生检测器，以决定适当的吹灰时机。

在步骤S303中，将原始图像(或特定区域的原始图像)例如为RGB图像，转换至HSV的色彩空间，以产生一HSV图像。HSV色彩模型可以将亮度和色彩信息作分离，所以可以提供如同人类的颜色感知。其中HSV色彩空间的H表示色度(hue)，S表示饱和度(saturation)，V则表示明亮度(value)。将RGB原始图像转换至HSV的色彩空间的方法可参见文献(例如文献：A.R.Smith，″Color Gamut Transform Pairs，″ACM SIGGRAPH Computer Graphics 12，pp.12-19，1978.)。

步骤S304中，将原始图像中的每一像素(pixel)对应于HSV图像执行模糊化程序，以建立模糊集合以及模糊规则(Fuzzy Rule)，并区分切割H、S与V隶属函数(Membership Function)的范围。详细来说，针对原始图像中的每一个像素，将对应的HSV图像分别在H、S与V色彩空间中区分为多个模糊子集合，并利用这些模糊子集合建立模糊规则，即分别在H、S与V色彩空间中各选择一模糊子集合以建立一条模糊规则，在本实施例中，将HSV图像分别在H、S与V色彩空间中区分为10、6与5个的模糊子集合，因此可建立三百条模糊规则，但不以此为限。此外，在区分切割H、S与V隶属函数的范围时，计算隶属度，即对应H、S与V色彩空间中的每一模糊子集合产生一量化的隶属度。

在步骤S305中，执行模糊逻辑推论，利用建立的模糊规则，进行颜色的推论，并依据色彩学中人眼对颜色区分的程度，产生多个分类结果，可将多个模糊规则推论为同一分类结果。详细来说，依据建立的模糊规则，将每一模糊规则中的模糊子集合对应的隶属度相乘，以产生一推论值，并将这些产生的推论值分类至分类结果中。在本实施例中，三百条的模糊规则即产生三百个推论值，依据色彩学的分类，将火焰图像颜色区分为19个分类结果，并将三百个推论值分类至19个分类结果中。要说的是，此处所述的三百条规则与19个分类结果，仅为方便说明之用，并不限定于此。

在步骤S306中，执行解模糊化过程。为了增加颜色区分精确性，本实施例将三百个推论值分类至19个分类结果中，并计算每一分类结果的推论值的总和，选出具有最大值的分类结果作为该原始图像的像素的分类结果，即定义该像素为具有其分类结果的颜色。

在步骤S307中，由原始图像中分离出火焰图像。经过上述的步骤S306之后，原始图像中每一像素被定义为具有一种分类结果的颜色，通过这些分类结果可得知火焰图像的区域。在本实施例中，将分类结果区分为19个，除了能识别火焰内、火焰外围以及炉壁等区域外，其针对有前处理的图像(例如加装滤镜后所拍摄到的图像，其火焰颜色可能偏绿)也可进行火焰图像的区分，而不需要重新建立色彩模型。

本实施例中的19个分类结果包括：1白色(white)、2淡灰色(light_grey)、3深灰色(dark_grey)、4黑色(black)、5红色(red)、6粉红色(pink)、7深咖啡色(dark_brown)、8浅咖啡色(light_brown)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黄色(yellow)、12橄榄绿(olive)、13淡绿色(light_green)、14深绿色(dark_green)、15蓝绿色(teal)、16水绿色(aqua)、17蓝色(blue)、18深粉紫色(dark_fucia)、19淡粉紫色(light_fucia)。上述分类结果为例示，本发明实施并不以此为限。

例如，在重油燃烧的炉膛的原始图像中，属于分类结果的1白色(white)、5红色(red)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黄色(yellow)的区域图像可以判断为火焰图像。而若以加装了滤镜的摄像机拍摄上述重油燃烧的炉膛的原始图像中，属于颜色分类1白色(white)、9深橘色(dark_orange)、10淡橘色(light_orange)、11黄色(yellow)、13淡绿色(light_green)的区域图像可以判断为火焰图像，通过分类结果可以辨别出火焰图像。

本实施例技术可利用图3的感官式火焰识别技术，分割出不同燃烧区域的火焰图像来定义相对的特征，除了强调智能化外，也可以有效抗炉膛环境的干扰。

若以重油燃烧为例，当氧气不足的情况发生时，造成燃烧成分无法实时反应，导致某些反应向外围扩散或反应不完全，因此燃烧区域可以区分为(1)火焰内部：整个燃烧最稳定的区域，通常与燃烧负荷有直接相关；(2)火焰外围：当火焰趋向不稳定情况，火焰开始会有闪烁及面积变化等状况发生。

参见图6，其分别显示在高空燃比情况和低空燃比情况下的火焰内部和火焰外围的火焰图像。

因为高温区域是燃烧的骨干，燃烧温度越高通常燃烧越稳定，因此评量高温区域和火焰图像的面积比或强度比，都是判别火焰稳定性的重要指标，特别是燃煤系统，火焰均匀度也是反应燃烧状态好坏的另一个重要参数，通常均匀度越高，火焰间亮度差异越小，燃烧越稳定。在本实施例中，为了说明本发明可以有效萃取出火焰图像所含有的重要信息，因此以固定燃料流量、不同过剩空气比的重油燃烧结果来实例说明火焰特征与工艺参数的关联性。

参见图7，其显示燃烧空气过剩(左侧图片)到燃烧空气不足(右侧图片)的原始图像以及识别后的火焰图像。

因为烟道氧浓度的取样测量有时间延迟，所以在本实施例中先利用相关性分析得知时间延迟约39秒，以利特征与气体浓度的数据同步，参见图8和图9，根据火焰图像特征与尾气氧浓度的观察结果，重点整理如下：

(1)火焰图像特征与燃烧状态具有高度相关性；

(2)内火焰面积几乎固定，而外火焰面积随着燃烧空气减少而增大，同样反映在面积比；

(3)操作条件改变时，内外火焰的平均亮度与平均温度几乎不变，但总火焰的亮度和平均温度，呈现与尾气浓度正相关，主要是内外平均时面积变化效应所贡献；

(4)内外火焰的亮度变异比值反映了燃烧不稳定的趋势；

(5)空气流量影响了整个燃烧火焰的质量中心位置，但内火焰的Y轴质量中心位置没有变动。

图4显示图2中步骤S27的诊断炉膛的稳定性和效率的方法流程图。

步骤S41中，撷取在步骤S25中取得的火焰图像的特征信息。

步骤S42中，为了实时诊断燃烧效率，先利用一回归模型，如最小平方法(PLS)或神经网络，以火焰图像特征来建立尾气浓度的实时预测值，以克服燃烧系统的输送和测量时延。实时尾气预测模型可以如文献(例如文献：H.Yu，J.F.MacGregor，“Monitoring flames in anindustrial boiler using multivariate image analysis，”AICHE Journal 50(7)，pp.1474-1483，2004.)所述。

在步骤S43中，同时也将火焰图像的特征通过一自适应网络模糊推论系统(ANFIS)建立一单张火焰图像的稳定性诊断结果。详细来说，火焰图像的特征输入自适应网络模糊推论系统后，会与一历史事件数据库进行比对，从而将该火焰图像依燃烧状态分类，产生单张火焰图像的稳定性诊断结果。自适应网络模糊推论系统，利用网络架构，以达成自动调整隶属函数，以及自动建立模糊如果-那么规则的技术，例如可参考文献中所述的自适应网络模糊推论系统(例如文献：J.-S.Roger Jang，C.T.Sun，E.Mizutani，Neuro-Fuzzy and Soft Computing：AComputational Approach to Learning and Machine Intelligence，PearsonEducation Taiwan Ltd，2004.)。

在步骤S44中，利用当前的一张与前多张火焰图像的稳定性诊断结果连续性的通过自适应网络模糊推论系统(ANFIS)以建立一动态火焰图像的稳定性诊断结果。在本实施例中，利用当前的一张与前3～5张火焰图像的稳定性诊断结果，以连续状态输入至自适应网络模糊推论系统(ANFIS)，来做进一步的动态确认，此步骤可以避免因为取样时间和火焰随机闪烁等因素造成误诊断，并产生动态火焰图像的稳定性与强韧性的诊断结果。

最后在步骤S45中，将多个尾气浓度的实时预测值和动态火焰图像的稳定性诊断结果进行火焰燃烧效率诊断。即通过自适应网络模糊推论系统推论动态火焰图像的稳定性诊断结果，结合尾气浓度的实时预测值作为效率诊断的指标，以评估火焰燃烧效率。

在本发明中，将自适应网络模糊推论系统应用于燃烧火焰诊断，是因为(1)燃烧火焰本身的闪烁动态和图像撷取装置的搭配和安装，难有决定性的特征量化标准；(2)各式燃烧系统和样本限制，难有完整的专家判断准则，因此本发明以步骤S43的第一层自适应网络模糊推论系统来自动建立该燃烧系统的图像特征模糊量化标准和判断准则，并可作为系统化专家经验建置的方法，再以步骤S44中的第二层自适应网络模糊推论系统来作进一步的动态确认，避免因为取样时间和火焰闪烁等因素造成误诊断。

以下再列举一实施例，用以进一步说明如何利用本发明实施例的燃烧工艺监控与诊断方法来进行燃烧工艺监控与诊断，但并非用以限定本发明。

本实施例以工业蒸气锅炉进行测试，其蒸气容量最大可达每小时15吨的蒸气供给，操作条件设定区分为小、中、大三种负载。此外对于燃烧不稳定以及熄火状态，一并进行实验收集与燃烧状态分析，图像来源则利用外拍式的高温摄像机来获得，测试目标是利用火焰图像来准确地识别出：i.稳定燃烧(三种负载)、ii.不稳定燃烧以及iii.熄火等状态。

在本实施例中选择的3种特征如图10所示，其定义分别为火焰内部与火焰全区面积的比例、火焰全区域的亮度值平均、以及火焰内部的亮度熵值。在图10中除了显示原始图像以及识别后的火焰图像外，也列出在不同状况下的特征趋势。

稳定性诊断结果和各阶段的代表图像则如图11所示，左图是基于单张火焰图像的稳定性诊断结果，右图是基于连续五张火焰图像的稳定性诊断结果(即动态稳定性诊断结果)。上方五张图片分别表示：(1)小负载、(2)中负载、(3)大负载、(4)不稳定燃烧和(5)熄火的状态，红色原点即为燃烧图像的状态值输出。

从结果可发现，动态的稳定性诊断结果可以减少因为火焰扰动所造成偏离。

本发明的方法，或特定形式或其部分，可以通过程序代码的形式存在。程序代码可以包含于实体介质，如软盘、光盘片、硬盘、或是任何其它机器可读取(如计算机可读取)储存介质，其中，当程序代码被机器，如计算机加载且执行时，此机器变成用以参与本发明的装置。程序代码也可以通过一些传送介质，如电线或电缆、光纤、或是任何传输形式进行传送，其中，当程序代码被机器，如计算机接收、加载且执行时，此机器变成用以参与本发明的装置。当在一般用途处理单元实施时，程序代码结合处理单元提供一操作类似于应用特定逻辑电路的独特装置。

虽然本发明已以优选实施例揭露如上，但是其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，可作各种的更动与润饰，因此本发明的保护范围当视权利要求所界定者为准。

Claims (15)

1.一种燃烧火焰诊断方法，其包括：

利用一个图像撷取装置，得到执行一燃烧工艺的一炉膛的一原始图像，其中该原始图像包含一火焰图像与一背景图像；

利用一火焰识别技术将该原始图像中的该火焰图像与该背景图像分离；

计算该火焰图像的特征；以及

依据该火焰图像的特征，诊断该炉膛的稳定性与燃烧效率。

2.根据权利要求1所述的燃烧火焰诊断方法，其中该火焰识别技术包括：

将该原始图像转换至HSV色彩空间，以产生一HSV图像；

将该原始图像中的每一像素对应于该HSV图像执行模糊化程序，以建立一模糊集合以及多个模糊规则，并区分切割H、S与V隶属函数的范围；

执行模糊逻辑推论，利用建立的该模糊规则，进行颜色的推论，并依据色彩学中人眼对颜色区分的程度，产生多个分类结果，并将多个模糊规则推论为同一分类结果；

执行解模糊化过程，以定义该像素为具有该分类结果的颜色；以及

通过所述像素的分类结果得知该火焰图像的区域，并由该原始图像中分离出该火焰图像。

3.根据权利要求2所述的燃烧火焰诊断方法，还包括：在该原始图像转换至HSV色彩空间前，选定该原始图像中的特定区域作为分析对象的步骤。

4.根据权利要求3所述的燃烧火焰诊断方法，其中选定该原始图像中的特定区域作为分析对象的步骤还包括：

对该原始图像进行模糊分类的识别，以产生多个彩色对象；

选择非感兴趣的多个色彩对象；

根据所找出的非感兴趣的每一色彩对象，产生一单一图像非感兴趣屏蔽矩阵；

储存所述非感兴趣屏蔽矩阵；

将当前一个及先前多个非感兴趣屏蔽矩阵进行矩阵逻辑运算，得到一融合的感兴趣屏蔽；以及

将该融合的感兴趣屏蔽作为特定区域选定。

5.根据权利要求2所述的燃烧火焰诊断方法，其中执行模糊化程序还包括：

针对该原始图像中的每一个像素，将对应的该HSV图像分别在H、S与V色彩空间中区分为多个模糊子集合，并分别在H、S与V色彩空间中各选择一模糊子集合，以建立该模糊规则。

6.根据权利要求5所述的燃烧火焰诊断方法，其中执行模糊化程序还包括：

在区分切割H、S与V隶属函数的范围时，计算对应H、S与V色彩空间中的每一模糊子集合，产生一量化的隶属度。

7.根据权利要求6所述的燃烧火焰诊断方法，其中执行模糊逻辑推论还包含：

依据建立的所述模糊规则，将每一模糊规则中的所述模糊子集合对应的所述隶属度相乘，以产生一推论值，并将所述推论值分类至所述分类结果中。

8.根据权利要求7所述的燃烧火焰诊断方法，其中执行解模糊化过程还包含：

计算每一分类结果的所述推论值的总和，选出具有最大值的该分类结果作为该原始图像的该像素的该分类结果。

9.根据权利要求1所述的燃烧火焰诊断方法，其中该火焰图像的特征包含一色彩信息和一几何信息。

10.根据权利要求9所述的燃烧火焰诊断方法，其中该色彩信息包含：以统计分析得到的亮度值平均、亮度值变异、亮度峰态、亮度值偏态、亮度熵值、均匀度、平均温度或以辐射学方法得到的温度场计算信息，以及以连续图像的频谱分析得到的火焰闪烁频率信息其中之一。

11.根据权利要求9所述的燃烧火焰诊断方法，其中该几何特征包含火焰分布相关信息及空间分布，其中该火焰分布相关信息为火焰长、宽与火焰喷射角度、火焰区域面积、火焰质量重心位置，且该空间分布为2D-FFT、2D-小波的其中之一。

12.根据权利要求1所述的燃烧火焰诊断方法，其中该火焰图像的特征包含：选择区域的面积比例、选择区域的亮度值比例、选择区域的亮度变异比值、火焰燃烧区域能量、火焰内部与火焰全区面积比例的其中之一。

13.根据权利要求1所述的燃烧火焰诊断方法，其中，诊断该炉膛的稳定性与燃烧效率的方法还包括：

利用一回归模型，以该火焰图像的特征来建立尾气浓度的实时预测值；

将该火焰图像的特征通过一自适应网络模糊推论系统建立一单张火焰图像的稳定性诊断结果；

利用当前的一张与前多张该火焰图像的稳定性诊断结果连续性的通过该自适应网络模糊推论系统以建立一动态火焰图像的稳定性诊断结果；

将多个所述尾气浓度的实时预测值和该动态火焰图像的稳定性诊断结果进行火焰燃烧效率诊断。

14.根据权利要求13所述的燃烧火焰诊断方法，其中建立该单张火焰图像的稳定性诊断结果的步骤还包括：

将火焰图像的特征输入该自适应网络模糊推论系统后，与一历史事件数据库进行比对，从而将该火焰图像依燃烧状态分类，产生该单张火焰图像的稳定性诊断结果。

15.根据权利要求1所述的燃烧火焰诊断方法，还包括依据该炉膛的稳定性与燃烧效率，发出对应的警报信息的步骤。

Images