基于紋理特征的回轉(zhuǎn)窯熟料燒結(jié)狀態(tài)分類

摘要:本文采用灰度共生矩陣方法，利用Fish系數(shù)提取出最佳分類位置算子和紋理特征參數(shù)，通過(guò)對(duì)實(shí)際回轉(zhuǎn)窯窯頭熟料圖像分析，發(fā)現(xiàn)位置算子為(5，-5)即距離為5、方向?yàn)?5°下的灰度共生矩陣對(duì)應(yīng)的和平均、逆差距、差異熵、對(duì)比度、差方差和熵這六個(gè)參數(shù)具有較好的區(qū)分度，其表面紋理特征能客觀地反映其燒結(jié)程度，并通過(guò)基于C4.5算法實(shí)現(xiàn)了過(guò)燒、欠燒和正常燒結(jié)三種不同狀態(tài)下的熟料紋理分類，其精度達(dá)到了95.65%。同時(shí)結(jié)合實(shí)際工況對(duì)熟料紋理進(jìn)行了分析，給出了各自的變化特點(diǎn)。

關(guān)鍵詞:回轉(zhuǎn)窯，熟料，紋理，灰度共生矩陣，F(xiàn)isher 系數(shù)，C4.5算法

中圖分類號(hào):TP2文獻(xiàn)標(biāo)識(shí)碼: A 國(guó)家標(biāo)準(zhǔn)學(xué)科分類與代碼: 520.6040

Classification of Sintered Clinker in Rotary Kiln Based on Texture Features

HE Min1，ZHANG Jing1，YAN Min2，CHEN Hua3

(1.College of Electrical and Information Engineering， Hunan University， Changsha， Hunan， 410082， China2.College ofPhysics and Microeletronic Science， Hunan University， Changsha， Hunan， 410082， China

3. School of ComputerCommunication， Hunan University， Changsha， Hunan， 410082，China )

Abstract:The texture analysis of the clinker image based on the gray-level co-occurrence matrix is proposed to predict the clinker’s sintered mode. The best position operator and feature sets of the gray-level co-occurrence matrix are extracted by Fisher coefficient. Subsequently， these reduced features are applied by C4.5 to classify these clinker images into three categories: over-sintered， less-sintered and normal-sintered. The experimental results show that six texture features， which are Sum Average、Inverse Difference Moment、Difference Entropy、Contrast、Difference Variance and Entropy of the gray-level co-occurrence matrix under the position operator (5，-5) have the highest degree of discrimination， and the classifier accuracy reaches 95.65% using C4.5 classifier. Finally， the difference between these three kinds of clinker textures is summarized in this paper.

Key words:Rotary kiln， Clinker， Texture， Gray-level co-occurrence matrix， Fisher coefficient， C4.5 algorithm

1 引言

在實(shí)際的回轉(zhuǎn)窯生產(chǎn)領(lǐng)域，利用機(jī)器視覺(jué)方法對(duì)窯頭熟料特征進(jìn)行分析，有助于實(shí)現(xiàn)窯內(nèi)實(shí)際工況的判斷，對(duì)提高回轉(zhuǎn)窯的自動(dòng)控制水平具有重要意義。窯頭圖像中熟料的休止角反映了熟料運(yùn)動(dòng)模式，可用于判斷其黏度、帶高度[1];熟料填充率變化趨勢(shì)能夠反映窯尾進(jìn)料量以及窯內(nèi)溫度的異變[2]。除此之外，熟料圖像的紋理特征能較好地描述其表面的物理屬性(如粗糙度、顆粒度)，從而間接反映熟料在窯內(nèi)的燒結(jié)狀態(tài)。基于紋理這一特征屬性進(jìn)行模式識(shí)別在氣象學(xué)、醫(yī)學(xué)、地理學(xué)和工業(yè)領(lǐng)域已經(jīng)得到了廣泛應(yīng)用[3-5]。在常用的空間域紋理分析方法中，統(tǒng)計(jì)法原理簡(jiǎn)單、較易實(shí)現(xiàn)，主要適合具有隨機(jī)性的、無(wú)明顯規(guī)則非均勻性圖像，尤其是基于灰度共生矩陣的統(tǒng)計(jì)分析法能更好地反映圖像的全局紋理特征[6]。實(shí)際回轉(zhuǎn)窯熟料圖像紋理無(wú)明顯規(guī)律性和周期性，本文結(jié)合灰度共生矩陣方法進(jìn)行了熟料表面紋理參數(shù)計(jì)算，基于Fisher系數(shù)實(shí)現(xiàn)了最優(yōu)紋理特征選擇，利用C4.5決策樹(shù)實(shí)現(xiàn)不同燒結(jié)狀態(tài)下的熟料紋理分類。

2回轉(zhuǎn)窯窯頭熟料圖片

固定安裝在回轉(zhuǎn)窯窯頭的攝像機(jī)實(shí)時(shí)采集窯內(nèi)圖像，圖像主要由煤粉區(qū)、火焰區(qū)、“帶高”區(qū)和熟料區(qū)四個(gè)區(qū)域構(gòu)成，其中熟料區(qū)位于窯頭圖片的右下角[2]。基于熟練看窯工的經(jīng)驗(yàn)，不同工況下采集到的窯頭及熟料區(qū)圖片如圖1所示，三組熟料圖片從左至右依次為過(guò)燒、欠燒和正常三種狀態(tài)。異常工況下，當(dāng)窯內(nèi)燒結(jié)帶溫度過(guò)高導(dǎo)致熟料過(guò)燒，其黏度較正常時(shí)大，流動(dòng)性差，熟料紋理粗糙，有明顯的結(jié)塊現(xiàn)象;而當(dāng)溫度過(guò)低時(shí)，表現(xiàn)為熟料黏度較正常時(shí)低，流動(dòng)性強(qiáng)，顆粒度小，松散呈沙狀;而正常工況下其黏度和流動(dòng)性介于兩者之間，粒度適中，紋理分布均勻。

圖1實(shí)際窯頭與熟料圖片

Fig. 1 Images of Discharge end and Clinker of real rotary kiln

3基于灰度共生矩陣的紋理特征參數(shù)

灰度共生矩陣是在原始圖像的基礎(chǔ)上，對(duì)滿足特定位置關(guān)系(角度和距離)和特定灰度關(guān)系的鄰近像素灰度值分布特性進(jìn)行統(tǒng)計(jì)產(chǎn)生的矩陣，表示的是圖像紋理中灰度級(jí)的空間相關(guān)性，即相距(dx， dy)的兩個(gè)灰度像素為i和j出現(xiàn)的聯(lián)合頻率分布。設(shè)大小為M×N的二維數(shù)字圖像為f(x， y)，量化圖像的灰度級(jí)為Ng，則滿足一定空間關(guān)系的Ng×Ng灰度共生矩陣為:

(1)

其中#{A}表示集合A中滿足條件的元素個(gè)數(shù)，i和j為灰度級(jí)值，位置算子(dx， dy)的不同組合代表了不同方向和距離下的灰度共生矩陣，當(dāng)(dx， dy)取(d， 0)、(d， -d)、(0， -d)和(-d， -d)時(shí)，分別對(duì)應(yīng)距離為d的0°、45°、90°和135°四個(gè)方向。對(duì)灰度共生矩陣元素進(jìn)行正規(guī)化后，Haralick列出了14個(gè)基于灰度共生矩陣的描述圖像紋理典型參數(shù)[7]，分別是角二階距(ASM: Angular Second Moment)、對(duì)比度(Contrast)、相關(guān)性(Correlation)、方差(SS: Sum of Squares)、和平均(SA: Sum Average)、逆差矩(IDM: Inverse Difference Moment)、熵(Entropy)、和方差(SV: Sum Variance)、和熵(SE: Sum Entropy)、差異熵(DE: Difference Entropy)、差方差(DV: Difference Variance)、最大相關(guān)系數(shù)(MCC: Maximal Correlation Coefficient) 和兩個(gè)相關(guān)性信息度量(IOC: Information measures of Correlation)。灰度共生矩陣具有豐富的特征參數(shù)，因而能從不同的角度對(duì)紋理進(jìn)行描述。

4紋理特征選擇和分類

不同的位置算子和圖像灰度級(jí)的組合會(huì)生成不同的灰度共生矩陣，對(duì)紋理的描述效果也不盡相同。如果采用256灰度級(jí)，雖說(shuō)保證了其精確性，但因元素過(guò)小運(yùn)算時(shí)間過(guò)長(zhǎng)，不利于實(shí)際工況分析，故常將原圖像灰度級(jí)量化為16級(jí)。

在進(jìn)行紋理分析時(shí)，怎樣確定位置算子將直接影響結(jié)果的正確性。不同的距離d值適合于粗細(xì)不同的紋理，較小的d值適合于分析局部領(lǐng)域內(nèi)的灰度變化頻繁的細(xì)紋理;而對(duì)灰度值變化緩慢的粗紋理，則需要選擇較大的d值。已有的文獻(xiàn)大多根據(jù)特定分析對(duì)象選取經(jīng)驗(yàn)值，不具有普遍意義，或者同時(shí)計(jì)算不同大小的d值，這雖然能夠提高灰度共生矩陣紋理分析的分類性能，但也使得計(jì)算量大大增加。

對(duì)同一個(gè)紋理分析對(duì)象選擇不同的方向得到的灰度共生矩陣也不一樣，將四個(gè)方向上得到的灰度共生矩陣參數(shù)求平均值和差值，將其作為特征參數(shù)進(jìn)行紋理識(shí)別，這種方法保證了紋理平移不變性，但也削弱了灰度共生矩陣的可區(qū)分性，同時(shí)增加計(jì)算量。除此之外，Haralick提出的14個(gè)統(tǒng)計(jì)紋理特征參數(shù)具有一定的冗余度，能量、熵、相關(guān)性、逆差距和對(duì)比度這五個(gè)統(tǒng)計(jì)紋理特征較為普遍被大多數(shù)文獻(xiàn)采用[8]，但不一定適合熟料對(duì)象。本文基于fisher系數(shù)來(lái)實(shí)現(xiàn)最佳位置算子和分類特征集的選擇，并結(jié)合C4.5決策樹(shù)對(duì)提取出的特征參數(shù)完成了分類規(guī)則的生成。

4.1基于fisher系數(shù)的位置算子選擇

Fisher 系數(shù)是用來(lái)評(píng)價(jià)類間分離程度的函數(shù)，具體定義如公式(2)所示[9]:

(2)

其中M為總類數(shù)，micro;i、micro;j和pi 、pj分別為第i、j類的均值和概率，Vi為方差，當(dāng)各分割類的類間均值間距平方和與類內(nèi)方差和之比達(dá)到最大時(shí)，F(xiàn)isher系數(shù)值達(dá)到最大，對(duì)應(yīng)的參數(shù)類間區(qū)分能力最強(qiáng)，類間分離效果最佳。采用Fisher系數(shù)對(duì)由不同位置算子下的灰度共生矩陣計(jì)算出的紋理典型參數(shù)進(jìn)行評(píng)判，從中得出Fisher系數(shù)值最高的位置算子以及對(duì)應(yīng)的距離d值和方向，即為具體紋理分析對(duì)象最佳位置算子。

4.2 基于C4.5的紋理特征分類

C4.5算法是J.R.Quinlan于1993年提出的一種經(jīng)典決策樹(shù)算法[10]，可以基于事例數(shù)據(jù)自上而下形成決策樹(shù)，并轉(zhuǎn)化為便于理解的分類規(guī)則進(jìn)行輸出。C4.5算法使用信息增益率測(cè)試選擇屬性結(jié)點(diǎn)，克服了傳統(tǒng)的使用信息增益選擇屬性時(shí)偏向選擇取值較多的屬性的不足， 在保持分類能力的同時(shí)有利于產(chǎn)生較為精簡(jiǎn)的規(guī)則;可以在決策樹(shù)的構(gòu)造過(guò)程中或者完成后進(jìn)行決策樹(shù)的剪枝，便于靈活控制產(chǎn)生規(guī)則的規(guī)模和復(fù)雜度;能夠自動(dòng)完成連續(xù)屬性的離散化處理;對(duì)不完整的數(shù)據(jù)具有填補(bǔ)功能，因而對(duì)所處理數(shù)據(jù)具有很強(qiáng)的魯棒性。自90年代以來(lái)，由于產(chǎn)生規(guī)則易于理解、分類精度高而已得到廣泛應(yīng)用[11，12]。

5 實(shí)驗(yàn)過(guò)程與結(jié)果分析

圖像來(lái)源于某廠現(xiàn)場(chǎng)回轉(zhuǎn)窯窯頭視頻，按照經(jīng)驗(yàn)豐富的看窯工觀察和判斷結(jié)果，選取了過(guò)燒、正常和欠燒三種情況下熟料圖片分別為7、41、21 張，對(duì)圖片進(jìn)行灰度化、濾波預(yù)處理后，分割得到的熟料區(qū)樣本共69幅。基于灰度共生矩陣和C4.5的熟料紋理分類可分為如下幾個(gè)步驟:

Step1:熟料感興趣區(qū)域獲取;

Step2:灰度共生矩陣特征參數(shù)計(jì)算;

Step3:最佳位置算子的Fisher評(píng)判;

Step4:C4.5決策樹(shù)分類及其規(guī)則生成。

5.1 實(shí)驗(yàn)結(jié)果

在對(duì)原始圖片進(jìn)行灰度化、濾波等后，本文采用改進(jìn)的融合空間信息的灰度級(jí)FCM和區(qū)域生長(zhǎng)法完成了紋理分析感興趣區(qū)(熟料區(qū))的分割[2]。

將分割后的熟料圖片灰度值極化為16級(jí)，計(jì)算距離d從1至5，0°、45°、90°和135°四個(gè)方向上所有灰度共生矩陣紋理特征的Fisher系數(shù)分布。通過(guò)比較同一方向和距離基礎(chǔ)上的14個(gè)灰度共生矩陣特征參數(shù)發(fā)現(xiàn)，和平均SA、逆差矩IDM、差異熵DE、對(duì)比度Contrast、差方差DV和熵Entropy這六個(gè)參數(shù)具有較大的Fisher系數(shù)值。實(shí)驗(yàn)結(jié)果表明，SA參數(shù)對(duì)應(yīng)的Fisher系數(shù)隨距離和方向的變化率比較平緩，說(shuō)明參數(shù)對(duì)方向和距離不太敏感，不同的位置算子對(duì)SA參數(shù)的分類效果影響不大;然而IDM、DE、Contrast、DV和Entropy這五個(gè)參數(shù)隨位置算子的變化Fisher系數(shù)波動(dòng)較大，圖2所示為這五個(gè)顯著紋理特征的Fisher系數(shù)具體數(shù)值，其中x軸對(duì)應(yīng)位置算子依次從(0， 1)至(5， -5)。

圖25個(gè)重要紋理參數(shù)Fisher系數(shù)分布

Fig.2Distribution of fisher coefficients of five important texture features

圖2表明，IDM、 DE、Entropy最大的Fisher系數(shù)值出現(xiàn)在位置算子為(5， -5)時(shí)(像素距離為5，方向?yàn)?5°)分別為34.75、28.66和25.7，盡管Contrast和DV最大Fisher系數(shù)值(分別為28.8和18.8)對(duì)應(yīng)的位置算子為(0，5)，但(5，-5)時(shí)對(duì)應(yīng)的Fisher系數(shù)值(分別為27.3和18.1)與之相比相差很小。由此，選擇(5， -5)做為計(jì)算灰度共生矩陣的位置算子，既避免了需要計(jì)算多個(gè)距離、多個(gè)方向下的灰度共生矩陣帶來(lái)的計(jì)算復(fù)雜度，又避免了隨意選擇位置算子的盲目性。

基于(5， -5)位置算子計(jì)算灰度共生矩陣，選擇Contrast、IDM、SA、DE、DV和Entropy做為熟料紋理分類的特征參數(shù)集，定義class值為1、2、3分別代表過(guò)燒、正常和欠燒，屬性標(biāo)注為:a1-Contrast，a2-IDM，a3-SA，a4-DE，a5-DV，a6-Entropy。C4.5決策樹(shù)提取的六條分類規(guī)則具體如下:

C4.5決策樹(shù)提取了Contrast、IDM、SA、DV做為特征參數(shù)，正確分類數(shù)為66個(gè)，錯(cuò)分?jǐn)?shù)為3個(gè)，分類精度達(dá)到95.65%。為了對(duì)比采用Fisher系數(shù)提取出的最優(yōu)位置算子和特征參數(shù)分類的能力，選擇常用的角二階距(ASM)、熵(Entropy)、相關(guān)性(Correlation)、逆差距(IDM)和對(duì)比度(Contrast)這五個(gè)參數(shù)四個(gè)方向的平均值做為特征參數(shù)，距離d取1-5對(duì)相同的熟料對(duì)象集用C4.5決策樹(shù)進(jìn)行分類，結(jié)果如表1所示。表中屬性標(biāo)注為:a1-Contrast，a2-IDM，a3-SA，a4-DE，a5-DV，a6-Entropy，a7-ASM，a8-Correlation。對(duì)比結(jié)果表明，本文的方法在僅需要計(jì)算單一方向和距離(5，-5)的灰度共生矩陣，就可以達(dá)到很好的分類精度。

5.2 不同燒結(jié)狀態(tài)熟料紋理參數(shù)理解

C4.5決策樹(shù)分類結(jié)果得出，由于實(shí)際回轉(zhuǎn)窯中熟料表面紋理的復(fù)雜性，很難用單一的紋理參數(shù)來(lái)對(duì)其進(jìn)行精確分類，需要組合多個(gè)紋理參數(shù)進(jìn)行識(shí)別。同時(shí)，相對(duì)于過(guò)燒和欠燒狀態(tài)，正常狀態(tài)下的熟料情況更為復(fù)雜多樣。提取出來(lái)的基于灰度共生矩陣的紋理參數(shù)中，SA (a3)具有最高屬性重要度，其次是Contrast (a1) 和DV (a5)，隨后是IDM (a2)。SA度量了圖像像素點(diǎn)平均灰度值大小，即圖像的明暗程度。差方差表明了鄰近像素對(duì)灰度值差異的方差。逆差矩IDM反映了圖像紋理的同質(zhì)性或規(guī)則程度，是圖像紋理局部變化的度量。Contrast度量了圖像的灰度差或?qū)Ρ榷龋从沉藞D像灰度共生矩陣值的分布情況和圖像的局部變化。為了對(duì)不同工況下的熟料紋理參數(shù)進(jìn)行分析和理解，圖3顯示了69個(gè)熟料樣本位置算子為(5，-5)時(shí)計(jì)算的灰度共生矩陣對(duì)應(yīng)的SA、Contrast、DV和IDM值的具體分布情況，橫坐標(biāo)軸1-7、8-28、29-69分別對(duì)應(yīng)過(guò)燒、欠燒和正常狀態(tài)。

欠燒熟料圖像(樣本8-28)呈現(xiàn)出來(lái)的表面紋理為松散細(xì)沙狀，不同區(qū)域間變化很小、局部非常均勻、對(duì)比度小、紋理規(guī)則，具有較大的IDM值和較小的Contrast值。窯爐為了保持熟料質(zhì)量的穩(wěn)定性，會(huì)通過(guò)加煤等方式升高爐內(nèi)溫度，導(dǎo)致熟料溫度的升高、亮度增加，從而具有相對(duì)較大的SA值。過(guò)燒熟料圖像(樣本1-7)黏度很高，呈塊狀，表面紋理粗糙，窯爐通過(guò)減煤加風(fēng)等措施降低窯內(nèi)溫度以避免后續(xù)熟料的過(guò)燒，從而導(dǎo)致熟料溫度降低，亮度減小，具有較小的SA值。而正常燒結(jié)狀態(tài)時(shí)，回轉(zhuǎn)窯內(nèi)達(dá)到動(dòng)平衡，窯內(nèi)風(fēng)、煤等工況穩(wěn)定，窯內(nèi)圖像變得更清晰，此時(shí)的熟料(樣本29-69)既沒(méi)有過(guò)燒狀態(tài)下的結(jié)塊現(xiàn)象，也沒(méi)有欠燒狀態(tài)下的粒度過(guò)小呈沙狀松散現(xiàn)象，熟料區(qū)圖像豐富，溝紋較深，即對(duì)比度較大，相對(duì)過(guò)燒和欠燒而言具有較大的Contrast值。

圖3 灰度共生矩陣特征參數(shù)

Fig.3 Features of GLCM

6 結(jié)論

基于灰度共生矩陣的紋理特征參數(shù)能較好的描述回轉(zhuǎn)窯的熟料表面紋理，利用Fisher系數(shù)提取出最佳位置算子和最有效分類參數(shù)集能有效的避免傳統(tǒng)方法中計(jì)算灰度共生矩陣的隨意性和大計(jì)算量，既保證了分類識(shí)別的精度，又充分考慮了在線識(shí)別的實(shí)時(shí)性。基于約簡(jiǎn)的紋理特征參數(shù)組，經(jīng)典的C4.5決策樹(shù)算法實(shí)現(xiàn)了三種燒結(jié)狀態(tài)下的熟料的分類，分類精度達(dá)到95.65%，這充分說(shuō)明了用紋理分析方法進(jìn)行熟料燒結(jié)狀態(tài)判別的可行性。

參考文獻(xiàn)

[1] M.He， J.Zhang， X.Y.Liu. Determination of the Repose angle of Stuff in Rotary Kiln Based on Image Processing. The 9th International Conference on Electronic Measurement Instruments(ICEMI)， Beijing， China， Aug.， 2009(4): 97-101.

[2] 何敏，章兢，何昭暉，靖立偉. 基于回轉(zhuǎn)窯圖像的熟料填充率測(cè)量[J].儀器儀表學(xué)報(bào)，2009，30(12): 2586-2592

He Min， Zhang Jing， He Zhaohui， Jing Liwei， Measurement of filling percentage of clinker using rotary kiln image[J]. Chinese Journal of Scientific Instrument，2009， 30 (12): 2586-2592

[3] Christodoulou，C.I.，Michaelides， S.C.， Pattichis， C.S.. Pattichis. Multifeature Texture Analysis for the Classification of Clouds in Satellite Imagery[J]. IEEE Trans. on Geoscience and Remote Sensing， 2003， 41(11):2662-2668.

[4] Adele Lauria. GPCALMA: Implementation in Italian hospitals of a computer aided detection system for breast lesions by mammography examination[J]. Physica Medica， 2009， 25(2): 58-72

[5] Jayson Tessiera， Carl Duchesnea， et.al..Estimation of alumina content of anode cover materials using multivariate image analysis techniques[J]. Chemical Engineering Science， 2008， 63(5):1370-1380

[6] Ohanian P P， Dubes R C. Performance evaluation for four classes of texture feature[J].Pattern Recognition， 1992，25(8):819-833.

[7] R.M.， Haralick， K.Shanmugam， and I. Dinstein. Textural features for image classification[J]. IEEE Trans. On Systems， Man and Cybernetics， 1973， 3(6): 610-621.

[8] R.W.Conners and C.A.Harlow. A theoretical com- pareson of texture algorithms[J]. IEEE Trans. On Pattern Analysis and Machine Intelligence，1980， 2(3): 204-222.

[9] Theodoridis，S.，Koutroumbas，K. Pattern Recognition [M].， Academic Press: New York， 1998.

[10] Quinlan J R.C4.5:Programs for Machine Leaming [M]. San Francisco， CA: Morgan Kaufmann， 1993.

[11] Weiming Hu， Ou Wu， et.al. Recognition of Pornographic Web Pages by Classifying Texts and Images[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence， 2007， 29(6): 1019 -1034

[12] Linhui Jia，Kitchen，L. Object-based image similarity computation using inductive learning of contour- segment relations[J]. IEEE Trans. on Image Processing， 2000，9 (1): 80 -87