【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及燃煤工況識(shí)別，具體是涉及一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法及其系統(tǒng)。
技術(shù)介紹
1、鋼鐵、有色、建材、電力等傳統(tǒng)行業(yè)常使用燃煤來生產(chǎn)能源和煅燒材料，是消耗能源的主要行業(yè)，也是碳排放的主要來源。穩(wěn)健、準(zhǔn)確地檢測(cè)出系統(tǒng)的燃煤工況是實(shí)現(xiàn)系統(tǒng)高效控制的重要一環(huán)，是減少碳排放、提高產(chǎn)品質(zhì)量和降低能源消耗的關(guān)鍵。由于燃煤高溫工業(yè)過程裝備復(fù)雜，現(xiàn)場(chǎng)環(huán)境惡劣，現(xiàn)有綜合生產(chǎn)控制水平相對(duì)落后，難以保證生產(chǎn)的全流程長(zhǎng)期穩(wěn)定優(yōu)化運(yùn)行。
2、火焰視頻圖像直觀反映燃燒狀況。近年來，隨著大數(shù)據(jù)、圖像處理技術(shù)與模式識(shí)別技術(shù)的發(fā)展，廣大學(xué)者利用火焰圖像對(duì)生產(chǎn)工況、產(chǎn)品質(zhì)量進(jìn)行了廣泛的研究。該類方法首先在火焰視頻上抽幀，形成火焰圖像，再對(duì)火焰圖像進(jìn)行質(zhì)量增強(qiáng)與工況識(shí)別。然而，由于火焰閃爍的特性，該類基于單一幀的工況識(shí)別方法難以捕捉火焰的動(dòng)態(tài)變化，魯棒性和識(shí)別精度難以滿足現(xiàn)場(chǎng)需要。相比于圖像，視頻可以分析多幀圖像之間的關(guān)聯(lián)性，利用多幀圖像的信息進(jìn)行相互校準(zhǔn)和驗(yàn)證，降低誤差和不確定性，從而獲得更豐富、更魯棒的工況信息。其次，cnn通過卷積圖像獲得局部細(xì)節(jié)信息，使得其在處理圖像中物體邊界紋理信息的能力尤為突出，但其在學(xué)習(xí)火焰低層次特征時(shí)受到阻礙。這是由于回轉(zhuǎn)窯內(nèi)的復(fù)雜環(huán)境，火焰視頻采集會(huì)受到粉塵、煙霧以及高溫的影響，所拍攝到的燒結(jié)區(qū)火焰紋理特征弱，火焰與周邊環(huán)境無明顯的邊界信息。
3、針對(duì)回轉(zhuǎn)窯燒結(jié)過程中單一幀工況特征信息不穩(wěn)定的問題，如何提高識(shí)別模型魯棒性與準(zhǔn)確性的同時(shí)，降低模型的計(jì)算復(fù)雜度，是目前回轉(zhuǎn)窯工況識(shí)別中急需
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)所要解決的技術(shù)問題是，克服上述
技術(shù)介紹
的不足，提供一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法及其系統(tǒng)，提高識(shí)別模型魯棒性與準(zhǔn)確性的同時(shí)，降低模型的計(jì)算復(fù)雜度。
2、本專利技術(shù)解決其技術(shù)問題采用的技術(shù)方案是，一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，包括：火焰視頻預(yù)處理模塊、工況特征提取模塊、分類器，火焰視頻預(yù)處理模塊與工況特征提取模塊相連，工況特征提取模塊與分類器相連；
3、工況特征提取模塊包括全局工況特征提取網(wǎng)絡(luò)和局部工況特征提取網(wǎng)絡(luò)，全局工況特征提取網(wǎng)絡(luò)與局部工況特征提取網(wǎng)絡(luò)相連；
4、火焰視頻預(yù)處理模塊對(duì)火焰視頻預(yù)處理；
5、全局工況特征提取網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)火焰視頻全局工況特征的提取；局部工況特征提取網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)火焰視頻局部工況特征的提取；
6、分類器根據(jù)火焰視頻局部工況特征對(duì)工況進(jìn)行分類，得到分類結(jié)果；
7、全局工況特征提取網(wǎng)絡(luò)包括火焰視頻線性嵌入網(wǎng)絡(luò)、第一視頻線性注意力網(wǎng)絡(luò)、第一空間特征下采樣模塊、第二視頻線性注意力網(wǎng)絡(luò)，火焰視頻線性嵌入網(wǎng)絡(luò)與第一視頻線性注意力網(wǎng)絡(luò)相連，第一視頻線性注意力網(wǎng)絡(luò)與第一空間特征下采樣模塊相連，第一空間特征下采樣模塊與第二視頻線性注意力網(wǎng)絡(luò)相連；
8、局部工況特征提取網(wǎng)絡(luò)包括第二空間特征下采樣模塊、第一視頻swintransformer網(wǎng)絡(luò)、第三空間特征下采樣模塊、第二視頻swin?transformer網(wǎng)絡(luò)，第二空間特征下采樣模塊與第一視頻swin?transformer網(wǎng)絡(luò)相連，第一視頻swin?transformer網(wǎng)絡(luò)與第三空間特征下采樣模塊相連，第三空間特征下采樣模塊與第二視頻swin?transformer網(wǎng)絡(luò)相連。
9、進(jìn)一步，所述第一視頻線性注意力網(wǎng)絡(luò)與第二視頻線性注意力網(wǎng)絡(luò)相同，包括第一歸一化層、第一3d窗口聚焦線性多頭自注意力模塊、第二歸一化層、第一多層感知機(jī)、第三歸一化層、第二3d窗口聚焦線性多頭自注意力模塊、第四歸一化層、第二多層感知機(jī)，第一歸一化層與第一3d窗口聚焦線性多頭自注意力模塊相連，第一3d窗口聚焦線性多頭自注意力模塊與第二歸一化層相連，第二歸一化層與第一多層感知機(jī)相連，第一多層感知機(jī)與第三歸一化層相連，第三歸一化層與第二3d窗口聚焦線性多頭自注意力模塊相連，第二3d窗口聚焦線性多頭自注意力模塊與第四歸一化層相連，第四歸一化層與第二多層感知機(jī)相連；所述第一3d窗口聚焦線性多頭自注意力模塊和第二3d窗口聚焦線性多頭自注意力模塊相同，用于在指定大小的3d窗口中計(jì)算具有聚焦linear?attention的自注意力，提取火焰視頻全局工況特征。
10、進(jìn)一步，所述第一視頻swin?transformer網(wǎng)絡(luò)與第二視頻swin?transformer網(wǎng)絡(luò)相同，包括第五歸一化層、3d窗口多頭自注意力模塊、第六歸一化層、第三多層感知機(jī)、第七歸一化層、3d移動(dòng)窗口多頭自注意力模塊、第八歸一化層、第四多層感知機(jī)，第五歸一化層與3d窗口多頭自注意力模塊相連，?3d窗口多頭自注意力模塊與第六歸一化層相連，第六歸一化層與第三多層感知機(jī)相連，第三多層感知機(jī)與第七歸一化層相連，第七歸一化層與3d移動(dòng)窗口多頭自注意力模塊相連，?3d移動(dòng)窗口多頭自注意力模塊與第八歸一化層相連，第八歸一化層與第四多層感知機(jī)相連；所述3d窗口多頭自注意力模塊，用于在指定大小的3d窗口中計(jì)算softmax自注意力，進(jìn)而提取局部工況特征；所述3d移動(dòng)窗口多頭自注意力模塊，用于在指定大小的3d窗口中通過3d窗口的移動(dòng)計(jì)算softmax自注意力，進(jìn)而提取局部工況特征。
11、一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，包括以下步驟：
12、步驟s1：火焰視頻預(yù)處理：提取火焰視頻幀，輸入到transformer網(wǎng)絡(luò)，transformer網(wǎng)絡(luò)的patch?partition層對(duì)輸入的火焰視頻幀進(jìn)行分塊；
13、步驟s2：火焰視頻線性嵌入網(wǎng)絡(luò)對(duì)視頻幀的分塊進(jìn)行填充，使用3d?卷積層將每個(gè)分塊映射到?c?維空間中；
14、步驟s3：將映射后的每個(gè)分塊輸入全局工況特征提取網(wǎng)絡(luò)，提取火焰視頻樣本全局工況特征；
15、步驟s4：將全局工況特征輸入局部工況特征提取網(wǎng)絡(luò)，提取火焰視頻樣本局部工況特征；
16、步驟s5：分類器根據(jù)火焰視頻局部工況特征對(duì)工況進(jìn)行分類，得到分類結(jié)果。
17、進(jìn)一步，步驟s1中，提取的火焰視頻幀為，其中 t表示輸入幀數(shù)，也即深度，每幀包含像素， h是視頻圖像幀的高， w是視頻圖像幀的寬，3表示視頻圖像幀的三色通道，也即輸入的火焰視頻幀為，transformer網(wǎng)絡(luò)的patch?partition層對(duì)輸入的視頻幀進(jìn)行3d塊分塊，得到tokens。
18、進(jìn)一步，步驟s2中，火焰視頻線性嵌入網(wǎng)絡(luò)首先對(duì)輸入token的長(zhǎng)h，寬w，深度t進(jìn)行填充，填充后使用一個(gè)?3d?卷積層，將每個(gè)token?塊映射到?c?維空間中，c?維空間是一個(gè)具有?c?個(gè)維度的向量空間，其中?c?是一個(gè)正整數(shù)。
19、進(jìn)一步，步驟s3中，第一視頻線性注意力網(wǎng)絡(luò)對(duì)火焰視頻線性嵌入網(wǎng)絡(luò)的輸出進(jìn)行第一次全局工況特征提取，提取結(jié)果經(jīng)第一空間特征下采樣模塊本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于，包括：火焰視頻預(yù)處理模塊、工況特征提取模塊、分類器，火焰視頻預(yù)處理模塊與工況特征提取模塊相連，工況特征提取模塊與分類器相連；
2.如權(quán)利要求1所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于：所述第一視頻線性注意力網(wǎng)絡(luò)與第二視頻線性注意力網(wǎng)絡(luò)相同，包括第一歸一化層、第一3D窗口聚焦線性多頭自注意力模塊、第二歸一化層、第一多層感知機(jī)、第三歸一化層、第二3D窗口聚焦線性多頭自注意力模塊、第四歸一化層、第二多層感知機(jī)，第一歸一化層與第一3D窗口聚焦線性多頭自注意力模塊相連，第一3D窗口聚焦線性多頭自注意力模塊與第二歸一化層相連，第二歸一化層與第一多層感知機(jī)相連，第一多層感知機(jī)與第三歸一化層相連，第三歸一化層與第二3D窗口聚焦線性多頭自注意力模塊相連，第二3D窗口聚焦線性多頭自注意力模塊與第四歸一化層相連，第四歸一化層與第二多層感知機(jī)相連；所述第一3D窗口聚焦線性多頭自注意力模塊和第二3D窗口聚焦線性多頭自注意力模塊相同，用于在指定大小的3D窗口中計(jì)算具有聚焦Linear?Attention的自注意力
3.如權(quán)利要求1所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于：所述第一視頻Swin?Transformer網(wǎng)絡(luò)與第二視頻Swin?Transformer網(wǎng)絡(luò)相同，包括第五歸一化層、3D窗口多頭自注意力模塊、第六歸一化層、第三多層感知機(jī)、第七歸一化層、3D移動(dòng)窗口多頭自注意力模塊、第八歸一化層、第四多層感知機(jī)，第五歸一化層與3D窗口多頭自注意力模塊相連，?3D窗口多頭自注意力模塊與第六歸一化層相連，第六歸一化層與第三多層感知機(jī)相連，第三多層感知機(jī)與第七歸一化層相連，第七歸一化層與3D移動(dòng)窗口多頭自注意力模塊相連，?3D移動(dòng)窗口多頭自注意力模塊與第八歸一化層相連，第八歸一化層與第四多層感知機(jī)相連；所述3D窗口多頭自注意力模塊，用于在指定大小的3D窗口中計(jì)算SoftMax自注意力，進(jìn)而提取局部工況特征；所述3D移動(dòng)窗口多頭自注意力模塊，用于在指定大小的3D窗口中通過3D窗口的移動(dòng)計(jì)算SoftMax自注意力，進(jìn)而提取局部工況特征。
4.一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于，應(yīng)用于權(quán)利要求1-3之一所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，包括以下步驟：
5.如權(quán)利要求4所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S1中，提取的火焰視頻幀為，其中T表示輸入幀數(shù)，也即深度，每幀包含像素，H是視頻圖像幀的高，W是視頻圖像幀的寬，3表示視頻圖像幀的三色通道，也即輸入的火焰視頻幀為，Transformer網(wǎng)絡(luò)的Patch?Partition層對(duì)輸入的視頻幀進(jìn)行3D塊分塊，得到tokens。
6.如權(quán)利要求5所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S2中，火焰視頻線性嵌入網(wǎng)絡(luò)首先對(duì)輸入token的長(zhǎng)H，寬W，深度T進(jìn)行填充，填充后使用一個(gè)?3D?卷積層，將每個(gè)token?塊映射到?C?維空間中，C?維空間是一個(gè)具有?C?個(gè)維度的向量空間，其中?C?是一個(gè)正整數(shù)。
7.如權(quán)利要求4所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S3中，第一視頻線性注意力網(wǎng)絡(luò)對(duì)火焰視頻線性嵌入網(wǎng)絡(luò)的輸出進(jìn)行第一次全局工況特征提取，提取結(jié)果經(jīng)第一空間特征下采樣模塊降采樣，再經(jīng)第二視頻線性注意力網(wǎng)絡(luò)進(jìn)行第二次全局工況特征提取；第一視頻線性注意力網(wǎng)絡(luò)、第二視頻線性注意力網(wǎng)絡(luò)提取全局工況特征的方法如下：
8.如權(quán)利要求7所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S3中，第一3D窗口聚焦線性多頭自注意力模塊和第二3D窗口聚焦線性多頭自注意力模塊獲得Linear?Attention自注意力權(quán)重矩陣，具體方法如下：
9.如權(quán)利要求4所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S4中，第二空間特征下采樣模塊對(duì)第二視頻線性注意力網(wǎng)絡(luò)的輸出進(jìn)行降采樣，降采樣結(jié)果經(jīng)第一視頻Swin?Transformer網(wǎng)絡(luò)進(jìn)行第一次局部工況特征提取，提取結(jié)果經(jīng)第三空間特征下采樣模塊降采樣，降采樣結(jié)果經(jīng)第二視頻Swin?Transformer網(wǎng)絡(luò)進(jìn)行第二次局部工況特征提取；第一視頻Swin?Transformer網(wǎng)絡(luò)、第二視頻Swin?Transformer網(wǎng)絡(luò)提取局部工況特征的方法如下：
10.如權(quán)利要求9所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于：步驟S4中，3D窗口多頭自注意力模塊和3D移動(dòng)窗口多頭自注意力模塊獲得Sof...
【技術(shù)特征摘要】
1.一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于，包括：火焰視頻預(yù)處理模塊、工況特征提取模塊、分類器，火焰視頻預(yù)處理模塊與工況特征提取模塊相連，工況特征提取模塊與分類器相連；
2.如權(quán)利要求1所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于：所述第一視頻線性注意力網(wǎng)絡(luò)與第二視頻線性注意力網(wǎng)絡(luò)相同，包括第一歸一化層、第一3d窗口聚焦線性多頭自注意力模塊、第二歸一化層、第一多層感知機(jī)、第三歸一化層、第二3d窗口聚焦線性多頭自注意力模塊、第四歸一化層、第二多層感知機(jī)，第一歸一化層與第一3d窗口聚焦線性多頭自注意力模塊相連，第一3d窗口聚焦線性多頭自注意力模塊與第二歸一化層相連，第二歸一化層與第一多層感知機(jī)相連，第一多層感知機(jī)與第三歸一化層相連，第三歸一化層與第二3d窗口聚焦線性多頭自注意力模塊相連，第二3d窗口聚焦線性多頭自注意力模塊與第四歸一化層相連，第四歸一化層與第二多層感知機(jī)相連；所述第一3d窗口聚焦線性多頭自注意力模塊和第二3d窗口聚焦線性多頭自注意力模塊相同，用于在指定大小的3d窗口中計(jì)算具有聚焦linear?attention的自注意力，提取火焰視頻全局工況特征。
3.如權(quán)利要求1所述的基于火焰視頻多尺度注意力的燃煤工況識(shí)別系統(tǒng)，其特征在于：所述第一視頻swin?transformer網(wǎng)絡(luò)與第二視頻swin?transformer網(wǎng)絡(luò)相同，包括第五歸一化層、3d窗口多頭自注意力模塊、第六歸一化層、第三多層感知機(jī)、第七歸一化層、3d移動(dòng)窗口多頭自注意力模塊、第八歸一化層、第四多層感知機(jī)，第五歸一化層與3d窗口多頭自注意力模塊相連，?3d窗口多頭自注意力模塊與第六歸一化層相連，第六歸一化層與第三多層感知機(jī)相連，第三多層感知機(jī)與第七歸一化層相連，第七歸一化層與3d移動(dòng)窗口多頭自注意力模塊相連，?3d移動(dòng)窗口多頭自注意力模塊與第八歸一化層相連，第八歸一化層與第四多層感知機(jī)相連；所述3d窗口多頭自注意力模塊，用于在指定大小的3d窗口中計(jì)算softmax自注意力，進(jìn)而提取局部工況特征；所述3d移動(dòng)窗口多頭自注意力模塊，用于在指定大小的3d窗口中通過3d窗口的移動(dòng)計(jì)算softmax自注意力，進(jìn)而提取局部工況特征。
4.一種基于火焰視頻多尺度注意力的燃煤工況識(shí)別方法，其特征在于，應(yīng)用于權(quán)利要求1-3之一所述的基于火焰視頻多尺...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王鼎湘，吳俊霖，吳樂園，萬金海，張煒杰，廖資，
申請(qǐng)(專利權(quán))人：長(zhǎng)沙理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。