基于光流法和深度學習的燃氣火焰穩定性

王 宇，余岳峰，朱小磊，張忠孝

(上海交通大學 機械與動力工程學院， 上海 200240)

近年來，利用彩色CCD(Charge Coupled Device，電荷耦合元件)和數字圖像處理技術診斷火焰穩定性逐漸成為燃燒領域的研究熱點[1].從圖像中提取火焰特征參數，訓練模型并對燃燒狀態進行模式識別，可以實現對燃燒過程的有效監測[2].然而，傳統的火焰特征參數往往依據先驗知識提取，涉及到復雜的數學與物理模型建立[3-5].這些參數大多基于特定的研究算法，在許多環境下并不通用，如燃燒器的結構不同、相機拍攝角度不同及光照條件變化等.實際工業中，也正是由于缺少適用度很高的特征，使得火焰檢測模型受到限制，不易于推廣.

隨著計算機性能不斷提高，深度學習逐漸展現出優勢.其中，在圖像識別、檢測及分割等領域，尤其以卷積神經網絡(CNN，Convolutional Neural Network)的發展最為迅速，并產生一系列優化模型，如R-CNN、Fast R-CNN、Faster R-CNN[6-7]等.CNN通過卷積層自動提取圖像中的隱含特征，在傳統模型通用性不好、識別率不高的情況下，展現出更強的穩健性，顯著提高了模型的表達能力.CNN不僅能實現火焰類型識別，改善傳統模型識別率不高、泛化能力弱等問題，還能通過特征映射圖等挖掘出潛在的火焰特征，對于分析燃燒穩定性十分關鍵.然而，CNN自身存在不少缺陷.比如，CNN是端到端的學習框架，網絡內部參數的物理意義不可獲知，通常只求得到模型最終的判別結果.此外，CNN只能提取圖像中的靜態特征，不關心時間域上的信息.

本文結合光流法和深度學習對燃氣火焰的穩定性進行了研究.為了直觀地展現燃氣火焰在二維圖像中的動態燃燒過程，采用光流法計算火焰光流矢量場，并給出光流脈動評價指標，以此來評估火焰燃燒穩定性.同時，將深度學習方法引入燃氣火焰燃燒狀態識別，搭建了深度卷積神經網絡模型，結合火焰靜態與動態特征，實現了對燃氣燃燒實驗臺上5種典型火焰燃燒狀態的分類與識別.

1 實驗裝置和方法

1.1 實驗裝置和測量系統

本實驗利用工業CCD相機在350 kW燃氣燃燒實驗臺上獲取火焰圖像，并基于光流法和深度學習框架搭建了一套火焰狀態識別及穩定性判別系統.實驗臺的具體結構如圖1(a)所示，主要包括燃燒控制部分和圖像采集部分.燃燒控制部分主要由燃燒器、燃燒室、石英玻璃觀察窗、配氣管路及煙氣分析儀等組成.圖像采集部分由CCD相機、通信光纜、相機支架及上位機等組成.圖1(b)給出了本實驗所采用的兩種燃燒器，分別用來模擬擴散火焰和預混火焰.

臥式燃燒室具有黑體爐環境， 可通過裝有石英玻璃的小窗觀察到燃燒室的內部情況，使得外界光源對實驗的干擾大幅度降低.實驗中，通過控制燃氣和空氣的配比，模擬甲烷在高、低負荷不同當量比下的燃燒工況，從而獲得具有代表性的火焰圖像序列.CCD相機通過光纜將實時采集的火焰圖像數據傳輸給上位機，為燃燒穩定性評估和狀態在線識別建立數據集.由于實驗裝置的制約，本實驗通過尾部煙氣分析儀測得煙氣含氧量，以此來推算過量空氣系數φ.

圖1 燃氣燃燒實驗臺與燃燒器Fig.1 Gas-fired combustion apparatus and burners

1.2 實驗方法及工況

為了獲取不同燃燒工況下燃氣火焰圖像序列，本實驗模擬了高、低燃氣負荷，通過調整一次配風來確定不同的當量比燃燒.其中，額定負荷下燃氣流量為35 N·m3/h，擴散火焰高負荷為額定負荷的91.4%，低負荷為額定負荷的48.3%，預混火焰高負荷為額定負荷的92.6%，低負荷為額定負荷的51.4%.同時，用兩種不同類型的燃燒器進行實驗，模擬了擴散和預混兩種燃燒形式.本實驗的燃氣火焰狀態可分為擴散穩定、擴散脫火、預混穩定、預混脫火及預混回火等.分類過程中，將“擴散脫火”歸入擴散不穩定燃燒工況，將“預混脫火”和“預混回火”歸入預混不穩定燃燒工況.

2 圖像采集和數據集建立

2.1 圖像采集

圖像采集部分主要涉及到軟、硬件設置，包括CCD相機位置、相機內參、采集幀率、數據傳輸及圖像預處理等.其中，CCD相機鏡頭正對火焰觀察窗口，按預先設定的光圈、幀速采集圖像.相機的光圈調到最大(鏡頭焦距為16 mm)，這導致高負荷下火焰圖像出現過度曝光現象.為了更好地捕捉到低負荷下不穩定的火焰圖像，認為損失部分高負荷下火焰圖像的信息是有必要的.采集擴散火焰圖像時，相機積分時間為10 ms；采集預混火焰圖像時，相機積分時間為5 ms.經分析，燃氣火焰的振動頻率在3～25 Hz[8]，為了采集到火焰閃爍信號，采集幀速通常要高于25幀/秒.而實際工業中，爐膛觀火電視監測系統每秒只處理1～2張火焰圖像，不關心火焰瞬態變化.而且，一旦采集幀速過高，提出的光流指標也會失去評價效果.本實驗為了兼顧這兩點，綜合考慮采用10幀/s的圖像采集速度.此外，本實驗所用CCD為單CCD，每個像素點只有1個顏色值，可依據插值獲得其他顏色值.插值后，可得到燃氣火焰RGB三色矩陣圖像，圖像分辨率為493像素×656像素.具體插值辦法可見文獻[9].為了降低模型和現場操作的復雜度，本實驗沒有做CCD相機位置標定，僅在合適的視距下調整焦距以清晰拍攝到火焰圖像.此外，在深度卷積神經網絡數據預處理中加入數據擴充算法，這在某種程度上減小了火焰拍攝位置變化對識別結果的影響.

2.2 數據集建立

為了識別燃氣火焰的燃燒狀態以及評估火焰穩定性，需要建立火焰圖像數據集以滿足深度學習模型的要求.深度學習模型主要依靠數據驅動，因此對數據集的精度要求非常高，規范的數據可以顯著提高卷積神經網絡的識別能力和泛化能力.

實際采集中，火焰圖像容易受到各種外界因素的干擾，夾雜許多噪聲，如光照變化及數據傳輸損失等[10].為了減少網絡對這些冗余噪聲的學習，降低訓練時不必要的內存消耗，需要在火焰圖像數據上進行降噪處理.常用的降噪方法有濾波法及插值法等[11].考慮到實時性，采用中值濾波法對圖像進行降噪.本研究沿用可變閾值的“最大類間方差法”對火焰圖像進行分割，在滿足實時性要求的同時，也有效降低了光源干擾對燃燒區域錯分的影響[9].基于此，建立燃氣火焰圖像數據集，主要包括下面5類：擴散穩定火焰、擴散不穩定火焰(主要指脫火)、預混穩定火焰、預混不穩定火焰(包括脫火和回火)及背景(包括熄火).拍攝到的火焰圖像共計 11 435 張圖片，其中，擴散穩定 4 852 張，擴散不穩定247張，預混穩定 5 808 張，預混不穩定223張，背景及熄火305張.

3 火焰圖像光流估計

3.1 光流法

為了評估燃氣火焰在圖像中的速度脈動，引入光流法來估計燃燒區域的光流矢量.光流法在目標檢測、測速及場景重建[12-13]等領域應用廣泛，卻少有研究將其運用到燃燒診斷中，根本原因是火焰體不是剛體，不僅外形變化劇烈，而且很難滿足灰度守恒假設[14].

燃氣在燃燒過程中伴隨著復雜而劇烈的化學變化，燃氣火焰不僅脈動響應快，閃爍頻率快，而且在燃燒不充分時，壓力和熱釋放率都會大幅度波動，表現出亮度不均勻等現象.直接對火焰圖像進行平滑，會導致火焰亮度信息嚴重缺失，造成更多誤判斷，甚至計算出的結果本身就是錯誤的.傳統光流法在上述情況下并不適用，有學者提出廣義質量傳輸問題，以此來適應火焰特殊的光流場.考慮圖像中火焰區域亮度(質量)守恒，該模型可以表達為[15]

(1)

式中：It為圖像灰度對時間的導數；u為圖像中火焰體在x和y兩個方向的光流矢量；I為火焰圖像的灰度強度.

可知，經由CCD拍攝的世界坐標系下的火焰圖像是整個三維火焰在CCD成像坐標系下的投影.對于單幀火焰灰度圖像(已從RGB空間映射到256灰度級空間)，假設在整個二維成像面上灰度守恒，由此可建立灰度質量守恒方程，即火焰圖像上燃燒區域的灰度總強度隨時間的變化等于火焰峰面上進出的灰度變化.從某種程度上講，這個假設建立了火焰輻射能和圖像灰度之間的關聯，表明圖像中火焰亮度變化只能通過火焰邊界進出.使用這種方法就能夠刻畫火焰亮度的局部特性.因此，建立圖像中火焰燃燒區域灰度強度與沿火焰峰面法向上灰度變化之間的關系：

?x,y∈ΩItdxdy=-∮?ΩIu·NdL

(2)

式中：Ω為圖像中的火焰區域；?Ω為圖像中的火焰峰面；N為沿火焰峰面法線方向的單位向量；L為沿火焰燃燒區域的邊緣長度.利用散度定理

(3)

式中：A為火焰面積.將圖像中火焰峰面上灰度變化的線積分轉化為整個火焰燃燒區域的面積分，再與式(2)建立等式，從而可得到火焰圖像亮度(質量)守恒定律，具體推導過程可見文獻[15].

將式(1)作為正則項，構造拉格朗日能量泛函，建立最佳質量傳輸(OMT，Optimal Mass Transport)光流模型[14]：

(4)

式中：α為正則項系數；T為積分時間.該模型有數值解：

(5)

3.2 光流脈動評價模型

在給定的相機拍攝幀速下，可通過相鄰火焰圖像獲取燃氣火焰的光流矢量場.然而，光流矢量只能定性地觀察二維火焰圖像上的光流脈動，不能準確評估火焰光流脈動大小.燃氣火焰傳播速度極快，火焰瞬態燃燒時，亮度與幾何特征變化劇烈，尤其在不穩定燃燒階段，計算出的光流矢量在相鄰圖像之間差異較大(矢量大小及方向)，僅通過觀察矢量場來衡量火焰的脈動大小極不合理.為了評價光流的脈動程度，本文提出了光流脈動能量值ω，用以評估光流矢量的脈動大?。?/p>

(6)

式中：ui為第i點的光流矢量；n為火焰圖像中火焰區域的像素點總數.ω利用2-范數來代表燃氣火焰圖像中每一個像素點的光流脈動能量值，并用所有火焰區域像素點的期望能量值來衡量每一幀火焰圖像中光流的平均脈動程度.

4 火焰圖像分類

4.1 VGG-Nets模型概述

為了區分不同類型下不同燃燒狀態的燃氣火焰，采用深度學習領域經典的VGG-Nets框架搭建火焰圖像分類模型.VGG-Nets模型是牛津大學視覺幾何組2014年參加ImageNet圖像分類與定位比賽中用到的模型[16].該模型結構簡單，使用小卷積核(3×3)通過堆疊的方式形成深層結構，提高了網絡的非線性表達能力，而且模型的收斂速度更快.

本研究改進了VGG-Nets下的VGG16模型，使該模型符合火焰狀態分類任務.VGG16模型可以劃分為不同塊(B1～B5)，每一塊包括若干卷積層和匯合層.整個VGG16的網絡架構包括13個卷積層，3個全連接層，5個匯合層.下面是對實驗中采用的VGG16網絡結構的基本介紹.表1給出了火焰圖像在VGG16模型不同塊中的輸入與輸出維度.

(1) 首先，輸入分辨率大小為224像素×224像素，通道數為3的火焰RGB圖像；

(2) 在B1中采用兩個3×3×3，通道數為64的卷積核，利用卷積操作將原圖轉換為特征圖，得到的特征圖通道數都是64.通過匯合層將特征圖的大小砍半，通道數翻倍，在降低參數的同時增加了網絡的深度；

(3) 在B2中采用兩個3×3×3，通道數為128的卷積核，得到通道數為128的特征圖.再通過匯合層將特征圖的大小砍半；

(4) 在B3中采用兩個3×3×3，通道數為256的卷積核，得到通道數為256的特征圖.通過匯合操作減少參數個數，提高網絡深度；

(5) 在B4中采用3個3×3×3，通道數為512的卷積核，得到通道數為512的特征圖，再通過匯合操作減少參數個數；

(6) B5和B4結構相同，但B5特征圖的大小在B4特征圖的基礎上又縮減了一半，輸出維度為 7×7×512；

(7) 最后，將全部卷積和匯合操作完成后的特征圖張量展開成列向量，通過兩個1×1×4 096 的全連接層和1×1×5的Softmax層進行火焰圖像分類.

表1 VGG16模型不同塊中圖像的輸入與輸出維度Tab.1 Input and output dimensions of images in different blocks of VGG16 model

4.2 VGG-Nets參數選擇

VGG-Nets的主要參數設置如下：匯合層采用平均匯合，激活層采用ReLU(Rectified Linear Unit)函數，網絡不考慮偏置項；采用隨機梯度下降(Stochastic Gradient Descent，SGD)算法；每一批訓練數據大小設置為16，學習率為 0.000 1，損失函數采用交叉熵損失函數.限于篇幅，關于參數的詳細介紹可參考文獻[16].

實際拍攝的火焰圖像分辨率為493像素×656像素，為了適合卷積神經網絡的輸入，在訓練之前，已將圖像尺寸調整為VGG16網絡合適的輸入大小.調整圖像輸入大小必定會損失部分火焰圖像信息，但結果表明這種預處理方法對識別率影響不大.本研究基于Keras搭建VGG16模型的整體框架，并在GPU上進行訓練.由于實際的VGG16模型最后的分類層為1×1×1 000 的Softmax層，這與我們的火焰狀態分類數不匹配.為了適合火焰狀態分類任務，將原始分類層去除，添加1×1×5的Softmax層.調用ImageNet數據庫中已經預先訓練好的網絡權重，在改進的VGG16模型上進行微調(從后往前依次更新權重)，總共訓練20個輪次.

5 實驗結果分析

傳統火焰檢測算法能識別出不同的火焰狀態[2-4,9]，卻無法評價火焰的脈動程度，這是因為缺少了燃燒在時間維度上的特征信息.研究發現，光流法能將火焰體在時間域上的亮度信息變化清楚地反映出來，對于觀察異常燃燒十分重要.圖2(a)為火焰圖像燃燒區域邊緣的光流脈動，圖2(b)為火焰圖像中心區域的光流脈動.可以看出，在火焰燃燒區域的局部位置處，不同像素點的光流大小和指向差別較大，尤其是圖像中亮度缺陷或亮度梯度變化明顯的區域.這表明火焰瞬態脈動非常劇烈，火焰內部的真實溫度場和速度場處在快速變化階段.同樣，火焰圖像中部分區域光流矢量幾乎不可見，這說明了該區域的光流脈動很小， 火焰燃燒充分且較為穩定.

圖2 火焰圖像光流矢量場Fig.2 Optical flow vector fields of flame image

利用光流矢量場在二維火焰圖像上觀察火焰脈動，雖不能從本質上分析火焰的瞬態燃燒行為，但克服了單幀火焰圖像不能完全判斷火焰穩定性的困難，增加了時間域上燃氣火焰的亮度波動信息，對工業燃燒診斷火焰穩定性判斷起到了參考作用.值得注意的是，本文單從局部區域對火焰光流進行了觀察，如果從整幅火焰圖像來看，光流計算的效果似乎并不突出，還有待進一步研究.比如，可以考慮最合適的相機采集幀速及最佳相機曝光時間等問題.另外，計算出的光流場信息具有相對性，關于其準確性還有待進一步驗證.

為了量化每一幀火焰圖像光流場的脈動程度，利用提出的光流脈動評價模型對高低燃氣負荷下擴散穩定及預混穩定的燃氣圖像序列進行計算，結果如圖3所示.可以看出，不管是擴散燃燒還是預混燃燒，火焰圖像的光流脈動能量值基本是在低負荷下更高.這符合常識，相對于高負荷，低負荷工況下燃氣量少，參與反應的燃氣大量消耗，燃料來不及供應.較少的燃氣受射流影響在爐內分布不均，促使燃燒空間分布不均勻.這種不均勻性改變了氣流的速度梯度，使得相同位置下不同時刻的燃燒強度也不同.而火焰亮度是與燃燒強度直接相關的，反映在二維圖像中，燃燒區域會出現明顯的灰度變化.

圖3 不同過量空氣系數下火焰圖像光流脈動平均值Fig.3 Average value of optical flow pulsation in flame image at different excess air coefficients

而且，在同一燃氣負荷下，隨著過量空氣系數逐漸增大，火焰光流脈動明顯有變大的趨勢，且波動幅度也相應增大.經分析，這主要是因為一次配風量增大，導致火焰內部參與燃燒反應的氧化劑增多，促使燃燒更充分，火焰瞬時脈動更加劇烈.同時，由于空氣及燃氣互相卷吸，大量空氣吹散燃氣火焰，使得二維圖像序列上燃氣火焰亮度分布不均，致使通過灰度計算出的光流脈動幅度也越大，尤其是在甲烷“貧燃”燃燒工況下.此外，針對不同燃燒情形或不同的過量空氣系數，光流脈動能量的不確定性差異很大，這可能是由于不同的火焰類型或不同的空燃比使燃燒過程受到不同因素主導所致.例如，預混情形下由于空氣與燃氣預先混合，燃燒過程中往往受化學動力學因素較多.而一旦一次配風量過大，流體動力學因素就會占據主導，此時光流脈動會因為混合效應加強而出現大幅度波動.當然，這肯定還和燃燒器的具體結構有關.

為了詳細了解光流脈動評價模型在實際評估燃氣火焰穩定性時的作用，本研究針對幾個典型的燃燒過程進行了案例分析，包括擴散點火過程、擴散脫火過程及預混喘振過程等.實驗中發現，燃氣擴散火焰的傳播速度極快，脫火過程很短，在10 幀/s的圖像采集速度下，火焰幾乎瞬時消失.擴散火焰在低燃氣負荷下從有火變為無火，這個過程也僅發生在半秒之內.而高負荷下，火焰則經歷了光流脈動能量值攀升的過程，持續了大概100 s左右.

計算出擴散火焰圖像熄火前幾幀的光流矢量場和光流脈動能量值，能量脈動時序曲線如圖4所示.結果表明，當火焰進入不穩定燃燒階段時，火焰圖像的光流脈動會明顯變大，圖像中出現異常的亮度變化(包括點火階段)，直至火焰熄滅，光流脈動能量陡降為0.火焰在高負荷下脫火，過程持續時間則比較長，在2 min內火焰圖像光流從1個能量單位升高到5個能量單位，最終才停止脈動.

圖4 擴散火焰不穩定階段光流脈動Fig.4 Optical flow pulsation of diffusion flame in unstable process

預混火焰是燃氣和空氣預先混合而進行的燃燒，在燃燒不穩定階段極易出現喘振現象，潛在很大的安全隱患.圖5給出了27 s左右預混火焰喘振階段的光流脈動能量曲線.可以看出，在火焰不斷閃爍的過程中，計算出的火焰光流脈動能量值在5～40個能量單位之間跳動，并最終隨著火焰熄滅脈動消失.從圖3已經可以得知，在火焰穩定燃燒階段，光流脈動能量幾乎不會超過5個能量單位，而一旦火焰圖像亮度變化非常劇烈，光流脈動能量也會出現攀升.燃氣預混火焰在穩定燃燒和不穩定燃燒階段，其光流脈動的能量數量級差異較大，這主要體現在燃燒不穩定時燃燒室內溫度和壓力的急劇變化.預混燃燒主要受化學動力學因素控制，一旦燃氣與一次配風的比例控制不當，在實際燃燒中很容易造成脫火、回火等危險情形發生.因此， 利用本實驗所提出的光流脈動大小來評估預混火焰的不穩定燃燒并

圖5 預混火焰喘振階段光流脈動Fig.5 Optical flow pulsation of premixed flame in unstable process

及時給出反饋是有必要的.實驗中發現，本研究提出的光流法適用于低速氣態火焰流場不適用于高速湍流火焰，且相機的拍攝幀速不宜過高，否則，較小采樣間隔下光流能量脈動變化將不明顯.

由上述分析可知，光流法可以提取出相鄰火焰圖像之間的動態特征，并通過光流脈動能量值來反映每一時刻火焰的不穩定性.這是從時間維度上對火焰脈動進行分析.然而，這種動態特征受限于相機的采集幀速，而且缺少了對圖像中火焰空間分布及火焰形態學特征的表征.經分析，火焰狀態識別模型能提取出火焰亮度及幾何等特征作為模式，從而對火焰類型進行判別.傳統識別模型往往受限于特征模型建立的困難以及模型在不同場景適用性低的問題，而CNN易于提取火焰圖像特征，且能夠挖掘出對分析火焰穩定性有決定性作用的隱含特征.因此，為了彌補光流法對火焰特征及火焰穩定性解釋不足的缺陷，通過CNN獲取了燃氣火焰圖像中的靜態特征，并基于此實現了燃氣火焰狀態分類.

為了使模型更加通用，將所有火焰圖像矩陣的像素點從0～255的灰度值標準化到0～1.訓練時，設定隨機種子，將已知類別的火焰圖像數據打亂，按批次抽取數據進行訓練，保證數據不重不漏.同時，采用數據擴充等方式增加了火焰圖像的樣本數量，在一定程度上提高了模型的泛化能力.

將不同工況下的擴散火焰圖像分為擴散穩定及擴散不穩定兩種狀態.將不同工況下的預混火焰圖像分為預混穩定及預混不穩定兩種狀態.此外，還有背景以及熄火等圖像.將所有數據按4∶1分成訓練集及驗證集，每批次抽取16張圖進行訓練，訓練20個輪次.本實驗最終的穩定性判定結果如表2所示.可知，VGG16網絡內部的卷積操作可以學習到火焰圖像的不同模式.圖6給出了不同塊下(B1～B5)擴散及預混火焰的特征圖像. 通過卷積層的特征映射圖， 可以清楚地觀察到燃氣擴散及預混火焰在穩定

圖6 不同塊下擴散及預混火焰特征層圖像(像素×像素)Fig.6 Feature maps of diffusion and premixed flames in different blocks (pixel×pixel)

表2 判定結果Tab.2 Results of classification

與不穩定燃燒階段各自的靜態特征，包括火焰結構、燃燒空間分布等.比如，靠前的淺層卷積核容易學習到火焰各種基本的外形特征，如火焰輪廓、邊緣及紋理信息等；靠后的深層卷積核會學習到火焰圖像中語義層更高的表示特征，如火焰峰面、火焰結構等的模式.相對于傳統模型，CNN通過訓練可以自動學習出火焰特征，降低了特征參數提取的復雜度，也提高了特征的通用性.

本文所建立的VGG16模型適用于監測沿燃燒器軸向拍攝的燃氣火焰，且能夠區分不同的火焰類型及火焰狀態.實驗發現，VGG16模型效果良好，訓練2到3個輪次后，驗證集的平均準確度已達到99.95%以上，識別能力較好.VGG16模型利用小卷積核在相同的網絡深度下可以獲取到原始圖像更大的感受范圍，提取出火焰圖像更為全局、語義層更高的信息.此外，通過疊加小卷積核，VGG16模型的參數在無形中減少了，網絡深度也得到增加，這對于降低計算量、提高火焰識別模型的正確率是有利的.

通過深度神經網絡提取火焰圖像的靜態特征，結合上文提到的火焰動態光流矢量，可以較為完整地表征火焰燃燒穩定性.既從定性角度觀察到了火焰圖像中局部區域的光流脈動情況，又從全局角度相對地評估了光流脈動的大小，達到了實驗研究的目的.此外，借助深度神經網絡模型實現了對火焰不同燃燒狀態的分類與識別，彌補了傳統火焰檢測模型在特征提取方面的劣勢，有助于深度學習方法在燃燒診斷領域落地與應用.

6 結論

(1) 結合光流法和深度學習框架搭建了一套火焰狀態識別及穩定性判別系統，對擴散火焰和預混火焰分別進行了光流矢量計算和不同燃燒狀態的分類，取得了良好的效果.

(2) 通過光流法提取火焰圖像在時間域上的動態特征，同時，利用深度卷積神經網絡提取火焰靜態特征，結合兩者可較為完整地表征燃氣火焰的燃燒穩定性.

(3) 該光流法只適用于低速流場，不適合高速湍流火焰流場.對火焰傳播速度極快的情形以及亮度波動劇烈的情形效果不好，尤其是低負荷下的燃氣火焰.

(4) 通過卷積神經網絡模型降低了提取火焰特征的難度，結合光流法，又提高了特征表達的全面性，相對于基于人工特征提取的傳統模型，表現出較大的優勢.