放空火炬是保障石油化工厂、炼油厂等企业安全生产的一种特殊燃烧设施,其对排放废气和有毒气体燃烧的充分与否,是影响环境污染的重要因素。近年来,国内外加强了对VOCs的治理,明确指出火炬系统对VOCs治理具有重要意义,同时提高对放空火炬燃烧效率的要求。传统的放空火炬燃烧控制系统为手动控制,即工作人员通过观察火炬的燃烧状况进行手动调控消烟。受工作人员个人状态因素的影响,该方法易出现观测黑烟不及时,而导致消烟操作滞后。目前,随着工业智能化的发展,通过智能算法来替代人工以提升工业的安全性与可靠性成为改善火炬燃烧控制系统的可行性方案。为解决传统放空火炬燃烧控制系统存在的不足,设计了用于识别放空火炬烟雾的卷积神经网络模型算法,利用人工智能算法监测放空火炬的燃烧状态,从而有效避免因工作人员对黑烟反应不及时导致的环境污染问题。针对“放空火炬燃烧效率控制技术开发项目”对放空火炬燃烧黑烟识别的需求和放空火炬燃烧效率控制系统研发实验现场采集的图像所展现的复杂环境背景的实际问题,进行如下几方面研究:1.探索卷积神经网络提取烟雾图像特征的特点,并设计针对烟雾图像的分类网络。目前,大多数用于提取图像特征的卷积神经网络架构都是源于图像分类网络的研究。分类任务的卷积神经网络可以有效提取出图像中与分类标签相匹配的图像特征。本文通过可视化方法分析卷积神经网络模型对烟雾特征提取的特点,并针对可视化研究结论,设计卷积神经网络对烟雾图像进行分类。将本文设计的卷积神经网络与最新的基于卷积神经网络的烟雾分类算法进行对比,本文算法在网络复杂度上有明显降低,在相应的烟雾检测数据库中的准确性提高到99%以上。2.针对传统图像处理方法不能有效解决动态变化的晴、阴、天空等复杂背景下图像烟雾分割任务的问题,结合卷积神经网络提取烟雾图像特征特点的研究结论,设计了两种针对放空火炬图像烟雾分割的全卷积模型。分割模型设计的思想主要针对分类模型验证的浅层特征包含大量烟雾图像特征,进而设计出的浅层全卷积模型和多尺度特征复用的全卷积模型。将本文设计的图像烟雾分割算法与通用的卷积神经网络图像语义分割算法进行比较,在处理火炬实验场采集的真实图像时,本文算法在像素级准确率和平均交并比等性能指标对比中效果最优,此外,算法模型的复杂度和执行效率均满足工业需求。3.由于实际工程中,放空火炬图像存储占用大量资源,为此使用下采样的方式减少图像存储空间。为此,针对放空火炬烟雾图像超分辨率技术的研究可以有效恢复图像中有价值的烟雾区域,增强视觉感受和算法识别能力。本文使用全烟雾图像块作为训练样本并依据模型提取烟雾特征的设计经验,设计了针对放空火炬烟雾区域的超分辨率方法。该模型将烟雾识别网络设计研究的经验应用于烟雾图像超分辨率算法设计,进一步验证了识别网络提取烟雾特征的优势。通过与传统超分辨率算法和典型的卷积超分辨率算法模型对比,本文算法在放空火炬烟雾区域具有更高的超分辨率恢复效果。4.放空火炬燃烧监控系统软件和烟雾监测器的设计。为证明本文研究内容在实际工程项目中的实用性和有效性,设计了两种用于验证基于卷积神经网络的烟雾分割算法的应用方式。一种是通过MFC框架在Windows系统上搭建的具有交互式界面的软件,使用海康威视提供的官方SDK调用海康威视摄像头,并利用Keras深度学习框架训练的烟雾分割网络模型来评估当前帧图像的黑烟区域。另一种是火炬燃烧烟雾监测器,将提出的图像烟雾分割网络模型部署到树莓派3B开发板中,通过RSTP协议访问海康威视网络摄像头,获取当前时刻图像,并进行实时图像烟雾区域分割。两种应用方式均能验证本文所提算法的实用性,为放空火炬燃烧控制系统提供有效的黑烟识别功能。