氧化铝回转窑火焰图像识别、检索与聚类研究

论文摘要

氧化铝回转窑烧结过程复杂、能耗高、信息化水平较低,研究新型的烧结技术和过程信息化技术,是提高氧化铝工业自动化水平、节约能耗和延长窑寿命的重要途径。本文在国家自然科学基金的资助下,以氧化铝回转窑及其火焰图像为研究对象,以回转窑节能和信息化为主要目标,对回转窑窑外烧结工艺与相关仿真进行较深入研究,然后在对回转窑火焰图像进行分析和实验研究的基础上,提取火焰图像的多种特征值,并基于神经网络技术进行火焰图像识别,最后,对火焰图像的检索和聚类挖掘进行较深入研究和探讨。论文主要结果如下:（1）引入一种新型的回转窑外干燥烧结工艺,重点介绍了工艺流程和设备流程。对工艺中关键设备干燥塔建立3D数学模型,利用Fluent进行数值仿真计算,结果表明干燥塔内部温度和速度分布较合理,雾滴的干燥速度较快。（2）开发了一种基于多区域多阀值的火焰图像分割算法,与常用单阀值及FCM分割算法比较,结果表明该算法同时具备单阀值分割的处理速度和FCM分割的效果。对分割后的火焰图像,提取得到一系列的火焰图像的特征:5个基于火焰和物料的一般特征、1个火焰形状的描述算子、4个纹理特征和5个分形维度的特征。在此基础上,设计火焰图像数据库,利用采集得到的火焰图像完成火焰图像数据库的建设。（3）以纹理、分形维度和火焰物料特征为输入量,应用神经网络技术实现火焰图像的识别。设计神经网络图像识别器的结构,根据专家经验选择实际生产中火焰图像作为训练和测试样本,通过图象识别试验,确定最佳回转窑火焰图像神经网络识别器的结构。试验结果发现火焰图像识别率最高可达到92%,基本能够满足生产需要。（4）设计了一种基于图像识别和模式分类的实时二次仿真方法。即通过建立Fluent仿真结果数据库,采用模式聚类的方法根据所采集的火焰图像及相关生产参数来判断实际工况,再建立仿真结果与工况的数学模型,并计算此时的仿真结果。以回转窑温度分布场为对象,进行二次仿真试验,通过与Fluent仿真结果进行对比,结果表明该方法能够在很短时间内得到仿真结果,同时又具有较高精度。（5）提出了一种基于内容的回转窑火焰图像检索模型。通过对火焰图像的底层特征进行相似度计算,返回一系列检索结果;同时,提出回转窑火焰图像的语义模型,实现火焰图像语义提取和语义检索方法。检索实验表明所提取的语义模型基本符合回转窑的实际,应用语义检索基本上能够查询得到一系列满足语义条件的火焰图像集。（6）研究了一种基于灰关联度的聚类算法:Gry-k-Means算法。分析了火焰图像各属性的灰关联度,并将它们转化成属性的权值,再将这些权值应用于聚类的距离量度之中,进而提出一种改进的聚类算法:Gry-k-Means算法。将该算法应用于回转窑火焰图像的聚类分析中,并对火焰图像进行挖掘试验,结果验证算法的有效性。（7）设计并实现了火焰图像信息系统RKFIIS,该系统集成火焰图像的管理、分析、识别、检索和聚类挖掘等功能。系统用户界面直观、友好,能推广至实际生产中,为回转窑的控制和管理提供支持。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 氧化铝工业概况
• 1.1.2 氧化铝熟料烧结中信息化的主要问题
• 1.2 论文选题的目的与意义
• 第二章 文献综述
• 2.1 烧结法氧化铝生产工艺及熟料窑自动控制系统综述
• 2.1.1 氧化铝烧结生产工艺概述
• 2.1.2 氧化铝回转窑自动控制系统综述
• 2.1.3 氧化铝回转窑火焰图像处理技术综述
• 2.1.4 氧化铝回转窑数值仿真概述
• 2.2 图像识别、图像检索及图像聚类挖掘概述
• 2.2.1 图像识别技术综述
• 2.2.2 图像检索技术综述
• 2.2.3 图像挖掘技术综述
• 2.3 聚类挖掘技术
• 2.3.1 聚类挖掘简介
• 2.3.2 聚类挖掘主要技术
• 2.3.3 聚类可视化挖掘
• 2.4 论文研究内容与方案
• 第三章 氧化铝回转窑窑外千燥与相关仿真研究
• 3.1 氧化铝回转窑窑外干燥
• 3.2 窑外干燥塔的仿真研究
• 3.2.1 窑外干燥塔仿真模型
• 3.2.2 窑外干燥塔仿真结果
• 3.3 氧化铝回转窑动态仿真的研究
• 3.3.1 氧化铝回转窑动态仿真模型
• 3.3.2 氧化铝回转窑动态仿真实现
• 3.3.3 氧化铝回转窑动态仿真试验
• 3.4 本章小结
• 第四章 回转窑火焰图像预处理及特征值提取
• 4.1 引言
• 4.2 回转窑火焰图像的获取及预处理
• 4.2.1 火焰图像的获取
• 4.2.2 火焰图像预处理
• 4.3 回转窑火焰图像分割
• 4.3.1 阀值分割
• 4.3.2 FCM分割
• 4.3.3 多区域多阀值分割
• 4.3.4 回转窑火焰图像分割结果
• 4.4 火焰图像特征值提取
• 4.4.1 纹理特征
• 4.4.2 火焰及物料的一般特征
• 4.4.3 分形特征
• 4.4.4 火焰形状特征
• 4.4.5 特征提取试验
• 4.4.6 火焰图像及特征数据库的设计与实现
• 4.5 本章小结
• 第五章 回转窑火焰图像识别研究
• 5.1 引言
• 5.2 神经网络理论及算法
• 5.2.1 神经网络简介
• 5.2.2 BP神经网络
• 5.2.3 改进的BP神经网络
• 5.3 回转窑火焰图像识别研究
• 5.3.1 神经网络结构设计与实现
• 5.3.2 神经网络样本选择
• 5.3.3 神经网络识别试验及结果
• 5.3.4 结果讨论
• 5.4 基于图像识别的动态仿真研究
• 5.5 本章小结
• 第六章 回转窑火焰图像检索研究
• 6.1 引言
• 6.2 基于内容的图像检索
• 6.2.1 基于内容图像检索简介
• 6.2.2 基于内容图像检索的关键技术
• 6.2.3 基于内容的回转窑火焰图像检索算法
• 6.3 基于内容的火焰图像检索试验研究
• 6.3.1 检索试验准备
• 6.3.2 检索试验及试验结果
• 6.3.3 检索试验结果讨论
• 6.4 基于语义的回转窑火焰图像检索
• 6.4.1 基于语义的图像检索简介
• 6.4.2 回转窑火焰图像语义模型
• 6.4.3 回转窑火焰图像语义检索实验及结果讨论
• 6.5 本章小结
• 第七章 回转窑火焰图像聚类挖掘的研究
• 7.1 引言
• 7.2 基于灰关联度的回转窑火焰图像聚类挖掘模型
• 7.2.1 灰关联度模型
• 7.2.2 基于灰关联度的K-Means聚类模型
• 7.2.3 基于灰关联度的Gry-k-Means聚类算法
• 7.2.4 火焰图像聚类试验研究
• 7.3 火焰图像信息系统的实现
• 7.3.1 系统总体结构
• 7.3.2 火焰图像识别功能模块
• 7.3.3 回转窑火焰图像检索功能模块
• 7.3.4 火焰图像聚类挖掘模块
• 7.3.5 回转窑火焰图像信息系统实现
• 7.4 本章小结
• 第八章 总结和展望
• 8.1 主要内容总结
• 8.2 展望
• 参考文献
• 攻读博士学位期间科研成果目录
• 致谢