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 Computer&Communication, 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
　　在实际的回转窑生产领域,利用机器视觉方法对窑头熟料特征进行分析,有助于实现窑内实际工况的判断,对提高回转窑的自动控制水平具有重要意义。窑头图像中熟料的休止角反映了熟料运动模式,可用于判断其黏度、带高度[1];熟料填充率变化趋势能够反映窑尾进料量以及窑内温度的异变[2]。除此之外,熟料图像的纹理特征能较好地描述其表面的物理属性(如粗糙度、颗粒度),从而间接反映熟料在窑内的烧结状态。基于纹理这一特征属性进行模式识别在气象学、医学、地理学和工业领域已经得到了广泛应用[3-5]。在常用的空间域纹理分析方法中,统计法原理简单、较易实现,主要适合具有随机性的、无明显规则非均匀性图像,尤其是基于灰度共生矩阵的统计分析法能更好地反映图像的全局纹理特征[6]。实际回转窑熟料图像纹理无明显规律性和周期性,本文结合灰度共生矩阵方法进行了熟料表面纹理参数计算,基于Fisher系数实现了最优纹理特征选择,利用C4.5决策树实现不同烧结状态下的熟料纹理分类。
　　2回转窑窑头熟料图片
　　固定安装在回转窑窑头的摄像机实时采集窑内图像,图像主要由煤粉区、火焰区、“带高”区和熟料区四个区域构成,其中熟料区位于窑头图片的右下角[2]。基于熟练看窑工的经验,不同工况下采集到的窑头及熟料区图片如图1所示,三组熟料图片从左至右依次为过烧、欠烧和正常三种状态。异常工况下,当窑内烧结带温度过高导致熟料过烧,其黏度较正常时大,流动性差,熟料纹理粗糙,有明显的结块现象;而当温度过低时,表现为熟料黏度较正常时低,流动性强,颗粒度小,松散呈沙状;而正常工况下其黏度和流动性介于两者之间,粒度适中,纹理分布均匀。
　　图1实际窑头与熟料图片
　　Fig. 1 Images of Discharge end and Clinker of real rotary kiln
　　3基于灰度共生矩阵的纹理特征参数
　　灰度共生矩阵是在原始图像的基础上,对满足特定位置关系(角度和距离)和特定灰度关系的邻近像素灰度值分布特性进行统计产生的矩阵,表示的是图像纹理中灰度级的空间相关性,即相距(dx, dy)的两个灰度像素为i和j出现的联合频率分布。设大小为M×N的二维数字图像为f(x, y),量化图像的灰度级为Ng,则满足一定空间关系的Ng×Ng灰度共生矩阵为:
　　(1)
　　其中#{A}表示集合A中满足条件的元素个数,i和j为灰度级值,位置算子(dx, dy)的不同组合代表了不同方向和距离下的灰度共生矩阵,当(dx, dy)取(d, 0)、(d, -d)、(0, -d)和(-d, -d)时,分别对应距离为d的0°、45°、90°和135°四个方向。对灰度共生矩阵元素进行正规化后,Haralick列出了14个基于灰度共生矩阵的描述图像纹理典型参数[7],分别是角二阶距(ASM: Angular Second Moment)、对比度(Contrast)、相关性(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)、差异熵(DE: Difference Entropy)、差方差(DV: Difference Variance)、最大相关系数(MCC: Maximal Correlation Coefficient) 和两个相关性信息度量(IOC: Information measures of Correlation)。灰度共生矩阵具有丰富的特征参数,因而能从不同的角度对纹理进行描述。
4纹理特征选择和分类
　　不同的位置算子和图像灰度级的组合会生成不同的灰度共生矩阵,对纹理的描述效果也不尽相同。如果采用256灰度级,虽说保证了其精确性,但因元素过小运算时间过长,不利于实际工况分析,故常将原图像灰度级量化为16级。
　　在进行纹理分析时,怎样确定位置算子将直接影响结果的正确性。不同的距离d值适合于粗细不同的纹理,较小的d值适合于分析局部领域内的灰度变化频繁的细纹理;而对灰度值变化缓慢的粗纹理,则需要选择较大的d值。已有的文献大多根据特定分析对象选取经验值,不具有普遍意义,或者同时计算不同大小的d值,这虽然能够提高灰度共生矩阵纹理分析的分类性能,但也使得计算量大大增加。
　　对同一个纹理分析对象选择不同的方向得到的灰度共生矩阵也不一样,将四个方向上得到的灰度共生矩阵参数求平均值和差值,将其作为特征参数进行纹理识别,这种方法保证了纹理平移不变性,但也削弱了灰度共生矩阵的可区分性,同时增加计算量。除此之外,Haralick提出的14个统计纹理特征参数具有一定的冗余度,能量、熵、相关性、逆差距和对比度这五个统计纹理特征较为普遍被大多数文献采用[8],但不一定适合熟料对象。本文基于fisher系数来实现最佳位置算子和分类特征集的选择,并结合C4.5决策树对提取出的特征参数完成了分类规则的生成。 (责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）