买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京工业大学申请的专利基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114882391B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210304533.3，技术领域涉及：G06V20/40；该发明授权基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法是由汤健;潘晓彤;夏恒;乔俊飞设计研发完成，并于2022-03-18向国家知识产权局提交的专利申请。

本基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法在说明书摘要公布了：本发明涉及基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法。首先采用人工多曝光图像融合、特征归一化、陷波滤波、中值滤波等预处理手段对MSWI过程火焰图像进行去雾和去噪处理，以获得清晰图像；然后提取图像的亮度、火焰、颜色、主成分等多视图特征进行融合；为提高识别模型的效率与精度，基于互信息MI对多视图特征进行约简以降低输入变量维数；最后，将传统级联森林改进为每个级联层均包含随机森林RF、完全随机森林CRF和梯度提升决策树GBDT三种基学习器，将上述多视图特征作为ICF的输入，建立了基于ICF的MSWI过程燃烧状态识别模型。实验表明所构建模型可达到96％以上的识别准确率。

本发明授权基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法在权利要求书中公布了：1.基于多特征融合和改进级联森林的MSWI过程燃烧状态识别方法，其特征在于： 由图像预处理模块、多视图特征提取与选择模块、改进级联森林识别模块共3个部分组成的建模策略，相关变量及符号定义如下：表示MSWI过程中已标注燃烧状态的火焰图像，其中Inu,v代表第n幅图像，N是图像样本数量，u,v代表每幅图像中的像素点坐标；代表经过预处理后的图像；表示提取的火焰特征约简集合；K表示生成的曝光不足图像的数量，γ为伽玛曝光操作系数，r表示引导滤波器滤波半径，α，β，σB为正值调整因子，rnotch为滤波半径，sa表示中值滤波窗口边长，θth表示火焰有效区的像素阈值，ωth表示高温区像素阈值；θMI表示MI阈值，Tn表示RF和CRF中决策树的数目,η和分别表示GBDT学习率与迭代次数，minsamples表示每棵决策树的最小样本数，表示初始输入样本属于第kP类的函数估计值；Slide表示提取颜色特征时采用的滑动窗口大小；表示模型输出的燃烧状态识别结果；y为人工标记的燃烧状态；具体包括以下步骤： 步骤1：图像预处理模块：对图像中因现场环境及传输通道引入的噪声进行消除，并将火焰与炉膛背景进行分离，以便后续图像特征提取； 步骤2：多视图特征提取与选择模块：提取燃烧图像的亮度、火焰、颜色、主成分这些多视图特征，并基于MI对特征进行选择； 步骤3：改进级联森林识别模块：将经过选择的多视图特征作为ICF识别模块的输入，以RF、CRF和GBDT作为级联森林的基学习器对燃烧状态进行识别，并得到识别结果； 具体如下 1图像预处理模块 MSWI过程炉膛内的燃烧会产生较多的飞灰及烟雾，并受到高温环境和图像采集设备采用模拟信号进行图像传输的影响，所获取的彩色RGB图像不可避免地引入信号干扰以及其他物理噪声；因此，需对图像进行预处理以尽可能恢复现场图像第n幅火焰图像的预处理过程如下； a基于人工多曝光图像融合的去雾算法 首先，对原始火焰图像Inu,v进行伽玛曝光操作，生成K张曝光不足的图像K表示生成的曝光不足图像的数量，K＝6；第k张图像{Inu,v}k生成过程如下： {Inu,v}k＝Inu,vγ1 其中，γ为伽玛曝光操作系数，γ＝[1,2,4,6,8,10]；为简化表示，以Ik表示{Inu,v}k； 通过引导滤波器将Ik分解为全局分量Bk和局部分量Dk，如下： Bk＝Gr∈Lk,Lk2 Dk＝Ik-Bk,k＝1,...,K3 其中，Gr代表引导滤波操作，r＝12是用于控制模糊度的滤波半径；Lk为图像的灰度图，其同时作为引导滤波的输入图像与引导图像，RChannel、GChannel、BChannel分别表示图像的三通道分量； Dk中每个像素点的曝光权重由下式计算得到： 其中，为由7×7大小的平均滤波器对Lk进行卷积操作得到，为调整因子， 对于每个全局分量，将其作为初始曝光特征得到曝光权重 其中， 代表平均灰度图，m和n分别表示图像长和宽，α，σB为调整因子，σB＝0.5，α＝0.2； 将输入图像的全局分量和局部分量进行加权平均以得到去雾图像Z： 其中，β为调整因子，β＝1.1； 最终,得到原始火焰图像Inu,v的去雾后图像Znu,v； b特征归一化 特征归一化是将图片像素由0～255映射到0～1之间，进而减小计算复杂度以提高模型运行效率，同时将火焰与炉膛背景分离；所采用的零均值归一化如下： 其中，为图像的均值,使 为图像的标准差，使Wnu,v为归一化图像； c陷波滤波 传输过程的图像会因高温环境的影响而具有频域干扰，导致所采集的火焰图像中出现条纹噪声；因此，需通过频域滤波将条纹噪声所在频带消除；陷波滤波器属于带阻滤波器，其阻带在消除信号频率点为零，而其他频率处为1；经过陷波滤波后得到的图像为 Vnu,v＝notch{Wnu,v,rnotch}9 其中，notch表示陷波滤波操作，rnotch为滤波半径，rnotch＝minm,n5 d中值滤波 因飞灰导致的图像中的孤立噪声点需要采用中值滤波进行消除，采用5×5的窗口进行滑动操作；将窗口像素的中间值赋给模板中心，进而得到滤波后图像，记为 其中，median表示中值滤波操作； 将记为最终经过预处理的火焰图像集合； 2多视图特征提取与选择模块 a多视图特征提取子模块 在MSWI过程中，为保证物料尽可能地充分燃烧，炉排一直处于周期性的运动之中，火焰图像呈现出规律性的变化特征；针对火焰图像中蕴含的丰富信息，考虑通过多视图特征予以表征；第n幅火焰图像特征提取过程如下； 1亮度特征 针对MSWI过程的火焰图像，其亮度特征可从以下多个视角加以描述； 1平均灰度值：通过下式将原图像转换为灰度图： 其中，和分别代表第n幅图像的像素点u,v处RChannel、GChannel和BChannel三通道的颜色分量； 图像的平均灰度值计算公式如下： 其中，表示第个像素点，m和n分别代表图像长度和宽度方向上像素点的个数； 2灰度值方差：由下式计算： 3平均亮度值：上述两个特征主要是从计算机角度描述亮度特征；与RGB空间的特性不同，HSV空间对图像的表达方式更接近于人类对色彩的感知经验，其将色彩表示为颜色、鲜艳程度和明暗程度三种分量的线性组合；因此，将火焰图像由RGB空间转到HSV空间后，对V通道进行亮度特征提取更能够体现人类视觉角度的火焰图像亮度表达； 此处，将转换至HSV图像空间并表示为选取V通道计算其像素值均值作为图像的平均亮度值： 4亮度值方差：计算公式如下： 2火焰特征 火焰特征包括火焰有效区面积特征和高温区面积特征，其计算建立在V通道的基础上； 1火焰有效区面积：定义为图像内亮度值大于规定阈值θth的像素点总数，θth＝0.226，如下： 其中，Θ·为单位阶跃函数； 2火焰高温区面积：定义为图像内亮度值大于规定阈值ωth的像素点总数,ωth＝0.941，如下： 3颜色特征 采用一阶、二阶和三阶矩表达火焰图像的颜色信息； 第n幅经过预处理的火焰图像其一阶矩的计算如下： 二阶矩各项计算公式如下： 其中，表示第n幅图像各颜色通道的一阶矩特征； 三阶矩各项计算公式如下： 采用一尺度大小为原始图像15的滑窗进行颜色矩特征提取，将提取的颜色特征记为: 4主成分特征 基于主成分分析进行图像特征提取任务的目的是寻找基图像； 为防止因初始图像尺寸过大导致计算出现内存不足现象，将原图像缩小至原图0.1倍，其大小记为f×t×3，记为将其重构为矩阵χnft×3，则其协方差矩阵Cn的计算如下： 其中，为Cn的均值； 计算得到Cn的特征值λn及特征向量πn；将特征值按由大至小的顺序排列，取主元贡献率前90％的特征值对应特征向量构成矩阵Πn；相应地，降维后的主成分特征PCAn的计算如下： b基于互信息的特征选择子模块 将所提取的特征进行融合，则火焰图像对应的多视图特征可表示为:An＝[Gray_aven,Gray_varn,Bright_aven,Bright_varn,A_vn,G_vn,Color_Tn,PCAn],其特征维数记为进而，所对应火焰图像集合可表示为 多视图特征中包含的冗余特征将影响模型运行效率和识别精度；此处采用MI度量所提取特征与燃烧状态间的相关性大小，并以此作为特征选择依据； 首先，计算MI值，如下：第n幅火焰图像多视图特征的第个子特征的MI值计算如下： 其中,表示联合概率密度，及krobyn表示边际概率密度； 比较与阈值θMI，θMI＝2.5，将小于阈值的特征筛除，进而得到与燃烧状态相关度较高的多视图约简特征集合其维数记为则火焰图像集对应的约简特征集合记为 3ICF识别模块 将经过约简的多视图特征直接输入CF构建燃烧状态识别模型，并对CF进行改进； a级联层子模块 采用的CF每层包含2个RF、2个CRF与2个GBDT； 1随机森林算法 RF是由以决策树DT为基学习器构建的Bagging集成模型，是Bagging算法的扩展变体； 首先，采用Bootstrap对训练集D＝{pi,yi,i＝1,2,…b}∈PB×R进行随机采样，其中B表示训练集样本数,R表示训练集维数；RF训练子集P的产生过程可描述为： 式中：表示第j个训练子集；fGini·表示随机子空间函数；fBootstrap·表示Bootstrap函数；r＝1,…,Rj，Rj表示森林中第j个训练子集选择的特征数量，通常Rj＜＜R； 使用上述函数J次，得到RF的训练集，过程如下： 其中：J表示Bootstrap次数，也表示RF中DT的数量； 以上述J个训练子集构建RF模型中J个DT；第j个训练子集构建过程如下： 基于基尼指数准则遍历寻找最佳切分特征编号和切分点s， 其中，kP表示数据集标签y中的第kP类，kP∈1,…,KP，表示第kP类占总标签数的比例，由此可计算出数据集的基尼指数Gini·；θForest表示叶结点中包含的样本数量阈值,θForest＝8；和分别表示第j个训练子集中划分至左右结点的样本对应的标签值； 基于上述准则，首先通过遍历所有输入特征找到最优变量编号和切分点取值，将输入特征空间划分为左右两个区域；然后对每个区域重复上述过程，直到叶结点包含的样本数量少于阈值θForest，或叶结点中样本的基尼指数为0；最终将输入特征空间划分为Q个区域；为构建分类树模型，定义如下函数： 其中， 其中，表示区域Gq所包含的训练样本数量；表示区域Gq中样本特征对应的标签向量；表示区域Gq最终输出的预测结果；I·为指示函数，当时,I·＝1，否则I·＝0； 构建J个DT后，最终得到RF模型， 2完全随机森林算法 CRF与RF的不同之处在于前者在完整特征空间中随机选取某个特征的值作为分裂节点，后者在经过Bootstrap后的随机特征子空间内通过Gini系数选取分裂节点；相应地，CRF模型以FCRF·进行表示； 3梯度提升决策树算法 GBDT是将梯度提升框架与DT模型相结合，通过在残差减少的梯度方向建立一系列DT模型，以使得样本估计值不断逼近真值，最终对DT的决策结果进行叠加构成最终的GBDT模型；GBDT的构建过程可描述如下； 首先，对相关参数进行初始化设置：迭代次数学习率η＝0.6和输入样本属于第kP类的函数初始估计值 对函数估计值进行Logistic变换可得到属于第kP类的概率: 然后，定义如下损失函数， 其中，表示输入样本的估计值，当样本属于第kP类时，否则 利用损失函数计算残差减少的梯度方向，如下式： 对于多分类任务，第kP类样本可根据残差拟合一棵回归树，并计算第个叶子节点的增益 其中， 表示第kP类第个叶子节点区域，表示第n个样本的残差； 接着，由下式更新第次函数估计值的值： 其中，为迭代次数， 为指示函数，当属于第个结点时为1，否则为0； 每个类别均完成本轮决策树构建过程后，即可进行下一轮的迭代过程，直至次迭代结束；最后，将由个决策树构成的GBDT分类器学习模型记为FGBDT·； b加权平均子模块 CF每层采用2个FRF·、2个FCRF·和2个FGBDT·进行串级学习，并采用Stack思想构建CF模型；对于输入CF最后一层将输出6KP维类分布向量对其采用平均及最大值准则以得到燃烧状态识别结果 则对于特征集最终可得到燃烧状态识别结果

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。