基于深度學(xué)習(xí)的甲烷高壓射流湍流燃燒火焰圖像處理方法研究

石 磊，雷 艷，梁曉杰，林 琛，王 磊，王曉艷，周定武

（1.濰柴動力股份有限公司內(nèi)燃機可靠性國家重點實驗室，濰坊 261061；2.北京工業(yè)大學(xué) 汽車工程系，北京 100124；3.湖南汽車工程職業(yè)學(xué)院，長沙 412001）

0 概述

低碳燃料天然氣由于其具有熱值高、儲量豐富、經(jīng)濟性好、碳排放低等優(yōu)點，成為實用的清潔替代能源［1–2］。天然氣主要成分是甲烷，在內(nèi)燃機中應(yīng)用時有低壓預(yù)混和高壓直噴兩種方式。低壓噴射天然氣發(fā)動機受爆震限制，熱效率較低，且低負(fù)荷工況易出現(xiàn)工作不穩(wěn)定甚至失火［3］。天然氣缸內(nèi)直噴是天然氣發(fā)動機實現(xiàn)高效率、低排放的技術(shù)途徑，成為發(fā)動機節(jié)能減排的重要方向之一［4］。缸內(nèi)直噴方式下，天然氣在上止點前高速射流進入燃燒室，由引燃火焰引燃天然氣射流，最終形成射流湍流燃燒。作為天然氣主要成分的甲烷，其分子結(jié)構(gòu)中C—H 鍵的鍵能較大，超過一般有機物分子結(jié)構(gòu)中的C—C 鍵的鍵能，天然氣燃燒的火焰?zhèn)鞑ニ俣容^慢［5］。天然氣直噴發(fā)動機的射流燃燒特性對整機性能影響至關(guān)重要，開展天然氣高壓射流燃燒的基礎(chǔ)研究十分必要。目前，研究人員多采用光學(xué)測試方法對射流燃燒特性進行研究，高速攝影、紋影技術(shù)成為研究射流燃燒的主要手段。文獻［6］中用紋影獲得了燃燒火焰圖像并測量了層流燃燒火焰半徑。文獻［7］中采用高速攝影機、紋影技術(shù)研究了高壓甲烷射流特性，而且開展定容彈內(nèi)甲烷射流燃燒特性試驗研究［8］。在通過光學(xué)測試獲得燃燒火焰圖像后，精確分析火焰?zhèn)鞑ニ俣鹊热紵暧^特性十分必要，其中對火焰邊緣定位、火焰輪廓的提煉是處理紋影圖片的關(guān)鍵，國內(nèi)外學(xué)者對火焰紋影圖像處理進行了大量研究。

隨著數(shù)字圖像處理技術(shù)的發(fā)展，從紋影照片中獲取目標(biāo)的形態(tài)學(xué)參數(shù)已不完全依賴人工測量。使用計算機可進行批量圖像處理，將輸入的灰度圖像轉(zhuǎn)為二值黑白圖像，再通過算法提取形態(tài)學(xué)信息，大大增加了數(shù)據(jù)獲取的速度，同時避免了人為判斷帶來的誤差［9］。目前通常采用經(jīng)典的邊緣檢測算法用MATLAB 等軟件進行圖像處理。文獻［10］中開展了定容彈甲烷射流燃燒的光學(xué)測試，并基于亮度對比法識別火焰邊緣輪廓。文獻［11］中通過紋影獲得了甲烷空氣預(yù)混層流燃燒圖像并用MATLAB 編程處理了圖像獲得了火焰?zhèn)鞑ニ俣?。文獻［12］中利用MATLAB 軟件編寫了紋影圖片批量處理程序，獲得火焰?zhèn)鞑ジ鞣较虻陌霃街?。文獻［13］中利用紋影獲得了定容彈天然氣燃燒圖像并完成了圖像處理，獲得了火焰?zhèn)鞑ヌ匦?。以上文獻中圖像處理中通過去除背景、調(diào)整對比度、使用邊緣檢測算子識別邊緣、膨脹腐蝕、去除孤島等步驟，可以較好完成對單個目標(biāo)（火焰）的分割任務(wù)，但其具有對噪聲敏感、需要手動設(shè)置閾值、自適應(yīng)能力較差等問題。

文獻［8］中對甲烷射流燃燒研究獲得了甲烷高壓射流并形成湍流燃燒的射流燃燒火焰圖像，如圖1所示。試驗中，定容彈點火針點燃預(yù)混甲烷形成層流球形火焰，接著甲烷高壓射流進入定容彈并沖入層流火焰球，最后甲烷射流被引燃形成湍流火焰。這個燃燒過程中，紋影拍攝到甲烷射流、層流燃燒火焰及湍流燃燒火焰。這種射流燃燒圖像含有多個目標(biāo)（氣體射流、燃燒火焰），而且氣體射流與燃燒火焰尤其是湍流燃燒火焰對比度差異太大，射流不易識別。對于存在多個目標(biāo)且目標(biāo)間對比度差異較大的圖像，傳統(tǒng)的邊緣檢測算子識別邊緣方法會對整幅圖片進行對比度調(diào)整，難以保證所有待分割目標(biāo)都處在適合邊緣檢測算子識別的亮度，通常分割效果不理想，火焰邊界識別效果較差。

圖1 甲烷射流燃燒紋影圖片

相較于計算機，人工對這類圖像的識別測量準(zhǔn)確性更高。近年來，隨著神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的突破性改變，以深度學(xué)習(xí)為代表的人工智能理論研究取得了長足進步［14–16］，深度學(xué)習(xí)理論在圖像處理方面得以應(yīng)用［17］。20 世紀(jì)80年代就有研究中將BP 神經(jīng)網(wǎng)絡(luò)運用于圖像處理，但受制于計算機性能，當(dāng)神經(jīng)網(wǎng)絡(luò)規(guī)模較大時效果明顯惡化。2012年AlexNet贏得了著名的ImageNet 圖像識別大賽，其采用ReLU 激活函數(shù)從根本上解決了梯度消失問題，并采用圖形處理器（graphics processing unit，GPU）極大提高了模型的運算速度［18］。深度學(xué)習(xí)算法吸引了學(xué)術(shù)界和工業(yè)界的極大關(guān)注并得到飛速發(fā)展。Facebook 基于深度學(xué)習(xí)的DeepFace 項目人臉識別準(zhǔn)確率已達(dá)到97% 以上，與人類識別的準(zhǔn)確率相當(dāng)［19］，這也再一次證明了深度學(xué)習(xí)算法在圖像識別方面的優(yōu)越性。全卷積網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）的提出使神經(jīng)網(wǎng)絡(luò)實現(xiàn)了精確到單個像素的圖像語義分割［20］，而后又在FCN 的基礎(chǔ)上提出了SegNet、U-Net、V-Net、DenseU-Net、DeepLab、PSPNet、RefineNet 等一系列用于圖像分割的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，廣泛應(yīng)用于醫(yī)學(xué)影像、自動駕駛遙感圖像研究等領(lǐng)域。

本文中基于定容彈開展了高壓天然氣（甲烷）射流燃燒光學(xué)測試，結(jié)合神經(jīng)網(wǎng)絡(luò)理論，將深度學(xué)習(xí)技術(shù)運用到燃燒火焰圖像處理中，采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行圖像分割，識別火焰邊緣，進一步獲得準(zhǔn)確的射流燃燒火焰?zhèn)鞑ニ俣?。本研究成功將深度學(xué)習(xí)方法應(yīng)用于燃燒火焰圖像處理，有助于提高多模式燃燒火焰圖像處理質(zhì)量，有利于多模式燃燒的基礎(chǔ)研究，可為復(fù)雜火焰圖像處理奠定基礎(chǔ)。

1 光學(xué)測試研究

基于定容彈進行甲烷射流燃燒光學(xué)測試，光學(xué)測試系統(tǒng)主要包括定容彈、點火系統(tǒng)、加熱系統(tǒng)、紋影光學(xué)系統(tǒng)、氣體供給系統(tǒng)、采集系統(tǒng)等，相關(guān)測試設(shè)備及測試方法詳見文獻［7–8］。

試驗中，甲烷先噴射進入定容彈，與空氣預(yù)先混合形成可燃混合氣，并由點火針點燃形成預(yù)燃火焰；然后甲烷高壓噴射進入彈內(nèi)，甲烷射流沖入預(yù)燃火焰被引燃形成湍流火焰。本試驗采用高速攝影結(jié)合紋影系統(tǒng)對整個射流燃燒進行觀測，捕獲甲烷射流及火焰的發(fā)展歷程。為了確保點火順利，試驗過程中對定容彈進行加熱使其溫度保持在300 ℃。但是由于定容彈內(nèi)空氣受熱后熱運動加強，導(dǎo)致背景擾動加劇，影響了圖像質(zhì)量?；鹧鎴D像雖然清晰展示了火焰發(fā)展過程，但是背景噪聲過強對圖像處理十分不利。為了降低背景空氣的擾動，調(diào)整了紋影系統(tǒng)的靈敏度以去除背景噪聲，獲得了射流和火焰共存的圖像。

圖2 為甲烷射流燃燒的光學(xué)測試原始火焰圖像。甲烷噴射壓力為10 MPa，點火系統(tǒng)觸發(fā)點火信號時刻為零時刻（0 ms），甲烷噴射時刻與點火間隔Δt為3 ms。光學(xué)測試結(jié)果顯示，點火針點火形成球形層流火焰，當(dāng)球形火焰發(fā)展到一定程度時，甲烷射流進入定容彈，此時噴射與點火間隔時間為3 ms。3.3 ms 時甲烷射流不斷向前發(fā)展并沖入球形火焰中，隨后甲烷射流被球形火焰引燃，產(chǎn)生大量火焰皺褶，形成湍流燃燒，球形火焰外形難以維持，湍流火焰迅速向前發(fā)展，迅速充滿整個定容彈。圖2 中的火焰發(fā)展過程較為清晰，球形火焰輪廓相對清晰，但氣體射流及后發(fā)展的湍流火焰與紋影背景極為接近，不易分割，精確識別火焰邊緣極為重要。

圖2 甲烷射流燃燒光學(xué)測試火焰圖像

2 射流燃燒火焰邊緣檢測算法

本文中針對高壓甲烷射流燃燒的光學(xué)測試結(jié)果分別采用了經(jīng)典邊緣檢測算法和深度學(xué)習(xí)方法進行圖像處理。

2.1 經(jīng)典邊緣檢測算法

2.1.1 邊緣檢測原理

邊緣檢測算法包括濾波、增強、檢測和定位4 個步驟。

（1）濾波。邊緣檢測算法主要是基于圖像強度的一階和二階導(dǎo)數(shù)，導(dǎo)數(shù)的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。需要指出，大多數(shù)濾波器在降低噪聲的同時也導(dǎo)致了邊緣強度的損失，因此增強邊緣和降低噪聲之間需要折中。

（2）增強。增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值，增強算法可以將鄰域或局部強度值有顯著變化的點突顯出來，邊緣增強一般是通過計算梯度幅值來完成的。

（3）檢測。在圖像中有許多點的梯度幅值比較大，而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣，應(yīng)用某種方法確定哪些點是邊緣點，最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)。

（4）定位。如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計，邊緣的方位也可以被估計出來。

在邊緣檢測算法中，前3 個步驟應(yīng)用得十分普遍。這是因為大多數(shù)場合下僅需要邊緣檢測器指出邊緣出現(xiàn)在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向。邊緣檢測誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，把真邊緣判別成假邊緣而去掉。邊緣估計誤差用概率統(tǒng)計模型來描述邊緣的位置和方向誤差。因為邊緣檢測誤差和邊緣估計誤差的計算方法完全不同，其誤差模型也完全不同，二者應(yīng)區(qū)分開。

2.1.2 邊緣檢測算法算子

在圖像中，邊緣總是以強突變的形式出現(xiàn)，例如灰度的突然變化。目標(biāo)區(qū)域邊緣與背景之間的灰度值突變可以通過不同的邊緣檢測算子檢測到，進而實現(xiàn)對邊緣的提取。MATLAB 中常用的邊緣檢測算子主要有Roberts 算子、Sobel 算子、Prewitt 算子、Canny 算子、LOG 算子等。

邊緣檢測常用函數(shù)為edge，其調(diào)用形式為：BW=edge（I，‘operator’，thresh，direction）。其中，BW為返回圖像；operator 為算子類型；thresh 為敏感度閾值，當(dāng)thresh 為空則自動選擇閾值；direction 為指定方向，默認(rèn)為both。

Roberts 算子是最簡單的算子，其采用對角線方向上相鄰兩像素點的灰度值的差近似作為梯度幅值來檢測邊緣。Roberts 算子如式（1）所示。

Sobel 算子是基于一階導(dǎo)數(shù)的邊緣檢測算子，引入了類似局部平均的運算，具體是把圖像中每個像素的上下左右4 個鄰域的灰度值加權(quán)作差。Sobel算子的模板為兩個3×3 的矩陣，如式（2）所示。

對于復(fù)雜的圖像，采用復(fù)雜的3×3 算子檢測邊緣效果更好。Prewitt 算子與Sobel 算子大小相同，其基本原理與Sobel 算子類似。Prewitt 算子的兩個模板分別代表圖像的水平梯度和垂直梯度，其模板如式（3）所示。

Canny 算子是一個具有濾波、圖像增強、邊緣檢測的多階段優(yōu)化算子，其通過高斯濾波器平滑灰度圖像，利用一階偏導(dǎo)有限差分來計算灰度梯度的幅值和方向，利用兩個閾值來分別檢測和連接邊緣。

LOG 算子又稱拉普拉斯算子，是一種不依賴邊緣檢測方向的二階微分算子，其對孤立像素的響應(yīng)強度遠(yuǎn)大于對目標(biāo)邊緣的響應(yīng)強度，同時對噪聲非常敏感，只適用于無噪聲圖像。采用LOG 算子進行邊緣檢測時，一般首先采用高斯函數(shù)對圖像進行平滑。LOG 算子的模板中心系數(shù)為正，其余相鄰系數(shù)為負(fù)，所有系數(shù)的和應(yīng)該為0，如式（4）所示。

本文中分別運用這5 種算子進行了圖像處理，通過調(diào)用edge 函數(shù)實現(xiàn)燃燒火焰圖像的邊緣檢測。圖3 展示了不同邊緣檢測算子的應(yīng)用效果，可見在視覺效果上5 種不同算子的檢測效果差異不大。

圖3 不同邊緣檢測算子對比

從算子原理上來看，Roberts 算子是一種利用局部差分算子尋找邊緣的算子，對于圖像中火焰邊緣定位準(zhǔn)確但不夠平滑，且無法抑制噪聲的影響。Sobel算子是通過計算邊緣處灰度梯度到極值從而檢測邊緣，對噪聲具有很好的消除作用，但是檢測的邊緣較為模糊。Prewitt 算子與Sobel 算子原理相同，但與Sobel 算子相比，能夠消除圖像中的偽邊緣。Canny算子通過兩種不同的閾值分別檢測強邊緣和弱邊緣，容易檢測出真正的弱邊緣，同時采用兩種不同閾值檢測能夠很好地避免噪聲的干擾。LOG 算子具有邊界定位準(zhǔn)確度高、抗干擾能力強、連續(xù)性好等優(yōu)點，但是邊緣定位精度和消除噪聲級間存在著矛盾。綜合來看，Canny 算子的優(yōu)勢更為明顯，既能夠準(zhǔn)確地定位圖像中的邊緣，又能避免噪聲對邊緣檢測的影響。同時Canny 算子是edge 函數(shù)中最有效的邊緣檢測算子，因此本文中選擇Canny 算子作為邊緣檢測首選算子。

2.2 深度學(xué)習(xí)算法原理

2.2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了精確地識別射流燃燒中射流、層流火焰、湍流火焰邊緣，采用深度學(xué)習(xí)領(lǐng)域的U-Net 網(wǎng)絡(luò)結(jié)構(gòu)搭建火焰圖像分類模型。U-Net 網(wǎng)絡(luò)是基于FCN網(wǎng)絡(luò)改進得到的，因其結(jié)構(gòu)形狀類似于U 形，故名U-Net。其廣泛應(yīng)用于醫(yī)學(xué)影像分割，可從對比度相近的影像中精準(zhǔn)地分割病灶或組織等目標(biāo)，分割準(zhǔn)確率遠(yuǎn)遠(yuǎn)超越傳統(tǒng)圖像處理算法［20］。U-Net 網(wǎng)絡(luò)結(jié)構(gòu)對醫(yī)學(xué)影像分割與本文中采用紋影法拍攝的火焰圖像具有許多相似之處。U-Net 網(wǎng)絡(luò)主要分為特征提取和上采樣兩部分，共4 層，兩部分間相同層級用連接（contact），較淺的層分辨率更高，用來解決像素定位的問題，較深的層用來解決像素分類的問題。

2.2.2 卷積

圖像卷積就是用卷積核與圖像進行卷積運算。在傳統(tǒng)圖像處理時，通過不同的卷積核可以對圖像進行濾波和邊緣檢測。在本文使用的神經(jīng)網(wǎng)絡(luò)中，卷積層使用16 個疊加的3×3 卷積核進行卷積運算，卷積核參數(shù)使用隨機初始化方法進行初始化，然后在不斷迭代的過程中更正權(quán)值以學(xué)習(xí)特征。神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中不斷更新參數(shù)，因此除了輸入層以外，訓(xùn)練參數(shù)更新將導(dǎo)致其后層輸入數(shù)據(jù)分布的變化，這極易導(dǎo)致梯度彌散的發(fā)生，訓(xùn)練的速度也會降低，所以在卷積層之后加入歸一化層作歸一化處理，均值歸一化為0，方差歸一化為1，然后再將歸一化后的數(shù)據(jù)輸入網(wǎng)絡(luò)的下一層。

本文引入Batch Normalization 可以避免梯度彌散的發(fā)生，使用更大的學(xué)習(xí)率提高訓(xùn)練速度，同時把訓(xùn)練數(shù)據(jù)徹底打亂防止某個樣本經(jīng)常被選用。

2.2.3 最大池化

對于圖像而言，池化是將多個像素的信息融入一個像素中，減少了特征和參數(shù)，進而簡化了卷積網(wǎng)絡(luò)計算時的復(fù)雜度，能在保留圖像信息的同時將圖像的尺寸減小，在下一次卷積時增大圖像感受野，提取到更大范圍的圖像特征。池化主要分為平均池化和最大池化，平均池化將鄰域內(nèi)的所有像素求平均轉(zhuǎn)化為一個像素值，最大池化將取鄰域內(nèi)最大的像素值作為池化后的像素值。

本文中采用2×2 的最大池化，即將4 個像素中最大的像素值保留，每次池化圖像尺寸縮小至四分之一，共進行4 次池化，圖像像素變化依次為256×256、128×128、64×64、32×32、16×16。

2.2.4 反卷積

在計算機視覺的深度學(xué)習(xí)領(lǐng)域，輸入圖像通過卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過池化提取特征后輸出的尺寸會變小，需要將圖像恢復(fù)到原來的尺寸以便進行下一步的計算。這個采用擴大圖像尺寸實現(xiàn)圖像分辨率由小到大的映射的操作稱作上采樣。上采樣有雙線性插值（bilinear）、反卷積（transposed convolution）和反池化（unpooling）3 種常見的方法。

本文中采用反卷積方法，也叫轉(zhuǎn)置卷積。它并不是正向卷積的完全逆過程，而是一種特殊的正向卷積，先按照一定的比例通過補0 來擴大輸入圖像的尺寸，接著旋轉(zhuǎn)卷積核，再進行正向卷積。每次反卷積圖像尺寸增大4 倍，共進行4 次反卷積，圖像像素變化依次為16×16、32×32、64×64、128×128、256×256。

2.2.5 訓(xùn)練過程

采用深度學(xué)習(xí)方法對高壓甲烷射流燃燒的15組光學(xué)測試圖片進行圖像處理，其中5 組圖片用于訓(xùn)練，其余10 組圖片用于測試。對用于訓(xùn)練的5 組共3 種不同工況的圖片進行標(biāo)注，共381 張圖片作為數(shù)據(jù)集。對5 組圖片進行標(biāo)注及訓(xùn)練，使用訓(xùn)練好的模型進行預(yù)測。訓(xùn)練時，隨機選擇20% 的數(shù)據(jù)進行交叉驗證，以監(jiān)督當(dāng)前訓(xùn)練模型是否過擬合，訓(xùn)練集中的304 張圖片作為訓(xùn)練集，77 張作為驗證集，用其余10 組共6 種不同工況的圖片作為測試集。

為了使圖片適合于神經(jīng)網(wǎng)絡(luò)的進一步處理，本文中首先對光學(xué)測試圖像進行預(yù)處理，原圖像素為1 024×672，但有部分區(qū)域不包含所需要提取的有效信息，圖片尺寸過大會占用過多內(nèi)存，無法使用更大的批處理量大?。╞atch size）。本研究中從原圖中固定位置截取512×512 的區(qū)域，去除了無用信息區(qū)域，大大提高了有效信息所占的比例。此外，由于圖像處理受制于顯卡硬件性能，本研究中進一步將圖片像素縮至256×256，最終批處理量大?。╞atch size）可以達(dá)到16。

2.2.6 評估指標(biāo)

本文中采用二進制交叉熵?fù)p失函數(shù)（binary cross entropy loss，BCE Loss）。為實現(xiàn)對圖像分割算法的客觀評價，構(gòu)建數(shù)學(xué)模型測試分割算法精度。對經(jīng)過算法處理后得到的分割結(jié)果圖、人工描邊圖分別進行二值化，使得圖像中每個輪廓的內(nèi)部像素為1，其余部分的像素為0，令分割結(jié)果的二值圖為算法圖，人工描邊圖的二值圖為標(biāo)準(zhǔn)圖。采用交并比（intersection of union，IOU）作為評估指標(biāo)。IOU對于目標(biāo)檢測性能的評價具有重要的參考價值，其含義是模型對某一類別預(yù)測結(jié)果和真實值的交集與并集的比值，如式（5）所示。其中交并比對于目標(biāo)檢測而言是檢測框和真實框之間的交并比，而對于圖像分割而言是計算預(yù)測掩碼和真實掩碼之間的交并比。

式中，IOU為IOU；TP表示真正例（true positives），為算法圖和標(biāo)準(zhǔn)圖中像素值均為1 的像素點數(shù)量；FP表示假正例（false positives），為算法圖像素值為1 且標(biāo)準(zhǔn)圖像素值為0 的像素點數(shù)量；FN表示假負(fù)例（false negatives），為算法圖像素值為0 且標(biāo)準(zhǔn)圖像素值為1的像素點數(shù)量；TN表示真負(fù)例（true negatives），為算法圖和標(biāo)準(zhǔn)圖中像素值均為0 的像素點數(shù)量。

在圖像處理過程中射流燃燒圖片經(jīng)過訓(xùn)練后，驗證集IOU達(dá)到76%。

3 射流燃燒火焰圖像處理結(jié)果分析

分別采用經(jīng)典邊緣檢測算法、深度學(xué)習(xí)理論對射流燃燒火焰圖像進行火焰輪廓識別分析，并基于MATLAB 編程完成圖像批處理。圖4 是一組光學(xué)測試的原始圖像，點火系統(tǒng)觸發(fā)點火信號時刻為零時刻（0 ms），甲烷噴射壓力為10 MPa，噴射時刻與點火間隔為1 ms。由圖可見，原圖中射流進入球形火焰后迅速燃燒，火焰沿射流方向快速發(fā)展。原圖中湍流火焰邊緣肉眼難以準(zhǔn)確識別，難以分析火焰前鋒面的發(fā)展歷程，無法準(zhǔn)確獲得火焰?zhèn)鞑ニ俣燃盎鹧婷娣e等參數(shù)。

圖4 甲烷射流燃燒光學(xué)測試圖像

圖5 和圖6 是針對圖4 這組光學(xué)測試圖像分別采用邊緣檢測算法、深度學(xué)習(xí)方法完成的圖像處理結(jié)果。

圖5 邊緣檢測算法處理結(jié)果

圖6 深度學(xué)習(xí)法處理結(jié)果

由圖5 可知，采用邊緣檢測算法處理結(jié)果顯示，早期只有預(yù)燃火球時（0.1 ms）可以有效識別火焰，射流開始時（0.3 ms）無法識別射流；且氣體射流接觸預(yù)燃火焰時（0.6 ms）由于燃燒增強導(dǎo)致背景擾動增加，圖像噪聲增多，不能準(zhǔn)確識別火焰邊界，未能完整識別射流邊界；當(dāng)射流火焰進一步發(fā)展成湍流火焰（＞1.3 ms），射流邊界及火焰輪廓均不能完整識別，存在背景噪聲；隨著火焰進一步發(fā)展（2.0 ms），背景擾動更劇烈，射流火焰邊界不能完整識別，火焰與壁面出現(xiàn)重疊而無法區(qū)分，背景雜質(zhì)多。可見，對于存在不同的目標(biāo)圖像（射流和火焰），由于兩個目標(biāo)差異過大，這種邊緣檢測算法無法區(qū)分識別。

由圖6 可知，采用深度學(xué)習(xí)方法處理圖像結(jié)果顯示，初始時（0.3 ms）球形火焰及射流可對比識別；當(dāng)射流遇到球形火焰時（0.6 ms），二者雖然重疊在一起，但沿射流方向的湍流火焰邊緣可以識別，且背景清晰無背景雜質(zhì)；當(dāng)湍流火焰出現(xiàn)時（1.3 ms），火焰輪廓清晰且無背景雜質(zhì)；隨著湍流火焰進一步發(fā)展（2.0 ms），火焰輪廓清晰可辨別，且與背景壁面無任何重疊?？梢姡鶕?jù)深度學(xué)習(xí)方法圖像處理結(jié)果，可以獲得沿射流方向的火焰前鋒面的發(fā)展歷程及傳播速度。

因此，本研究中根據(jù)深度學(xué)習(xí)方法圖像處理結(jié)果分析甲烷高壓射流燃燒特性。為了分析火焰發(fā)展，根據(jù)定容彈甲烷射流燃燒測試光學(xué)圖像定義坐標(biāo)軸系，如圖7 所示。定義點火針的點火點為坐標(biāo)原點，水平布置的點火針方向為x軸，沿垂直方向定義為y軸。根據(jù)深度學(xué)習(xí)處理獲得的火焰輪廓結(jié)果，可以獲得火焰前鋒面沿射流方向y軸的傳播位移及傳播速度。

圖7 甲烷射流燃燒圖像坐標(biāo)系

定義火焰前鋒面沿y方向最大位移為火焰最大傳播位移ymax，達(dá)到最大火焰?zhèn)鞑ノ灰茣r的速度為火焰?zhèn)鞑ニ俣葀y，此時火焰占據(jù)的投影面積為火焰面積。圖8為圖4 所示工況下（甲烷噴射時刻與點火間隔1 ms）的射流火焰沿射流方向y軸火焰前鋒面?zhèn)鞑ノ灰?、火焰?zhèn)鞑ニ俣群突鹧婷娣e。由圖8 可見，從點火針點火到射流遭遇火焰前（＜1.3 ms），圖像中出現(xiàn)球形火焰并沿y軸傳播，火焰前鋒面位移向前發(fā)展?；鹧?zhèn)鞑プ畲笪灰苰max呈線性緩慢增加，火焰面積相應(yīng)增大，火焰?zhèn)鞑ニ俣葀y穩(wěn)定在一個較低的值，平均速度為2.6 m/s，最高為3.7 m/s，此階段火焰具有典型的層流燃燒火焰特征。在射流接觸火焰前鋒之后（＞1.3 ms），火焰前鋒面位移驟增，火焰?zhèn)鞑ニ俣冗_(dá)到300 m/s，同時火焰面積上升的斜率急劇增大；且從火焰圖像上看，此時火焰前鋒出現(xiàn)大量褶皺，結(jié)合火焰?zhèn)鞑ニ俣燃盎鹧嫘螒B(tài)來看，此時火焰從層流轉(zhuǎn)換為湍流燃燒。

圖8 甲烷射流燃燒火焰?zhèn)鞑ヌ匦?/p>

圖9 給出了不同的噴射與點火間隔時間下的甲烷射流燃燒火焰發(fā)展特性。圖9（a）是火焰前鋒面位移的發(fā)展情況：對于不同的噴射與點火間隔，在射流遇到火焰前，火焰前鋒面位移均呈線性上升趨勢；而且，對于所有不同間隔，火焰前鋒面位移線性發(fā)展段均呈線性且趨于重合，其線性擬合曲線斜率約為2.5，即射流沖擊火焰前火焰?zhèn)鞑ニ俣燃s為2.5 m/s，為層流火焰速度。圖9（b）顯示的是火焰面積的發(fā)展特性：對于不同的噴射與點火間隔時間，火焰面積隨時間發(fā)展均增加；當(dāng)間隔時間增大時，其面積增加斜率下降。圖9（c）為沿射流方向（y方向）火焰?zhèn)鞑ニ俣鹊淖兓?。對于不同間隔時間，射流火焰均出現(xiàn)了從層流火焰發(fā)展成為湍流火焰的現(xiàn)象。在火焰遭遇射流前，其火焰速度值較低（平均為2.5 m/s），為層流火焰速度，一旦射流接觸火焰，火焰速度從層流速度快速上升，最大火焰?zhèn)鞑ニ俣葀ymax高達(dá)300 m/s。圖9（d）給出了最大火焰?zhèn)鞑ニ俣葀ymax的變化。隨著間隔時間增加，最大火焰?zhèn)鞑ニ俣瘸示€性下降。這是因為隨著間隔時間的增加，射流遭遇預(yù)燃火焰的時間相應(yīng)推后，這意味著預(yù)燃火焰燃燒時間增加，預(yù)燃火焰釋放的能量、火焰面積隨時間增加而累積增強，射流對預(yù)燃火焰的影響相應(yīng)減弱，因此最終形成的射流火焰?zhèn)鞑ニ俣认鄳?yīng)下降。

圖9 不同間隔時間的甲烷射流燃燒火焰?zhèn)鞑ヌ匦?/p>

4 結(jié)論

（1）對于存在不同目標(biāo)（射流和火焰）的圖像，多目標(biāo)間差異過大導(dǎo)致邊緣檢測算法無法較好識別射流和火焰，邊緣檢測算法適合于單一目標(biāo)的火焰圖像處理。

（2）深度學(xué)習(xí)方法可以識別射流湍流燃燒火焰輪廓，有效地獲得射流湍流燃燒火焰前鋒面發(fā)展位移及火焰?zhèn)鞑ニ俣?，該方法適用于多個目標(biāo)的火焰圖像處理。

（3）當(dāng)高壓甲烷射流接觸預(yù)燃火焰時，沿射流方向火焰?zhèn)鞑ニ俣扔煞€(wěn)定的層流速度（＜3 m/s）快速上升，最大火焰?zhèn)鞑ニ俣雀哌_(dá)300 m/s，形成湍流火焰，火焰快速向前發(fā)展，火焰面積增加。隨著射流和點火時間間隔的增加，最大火焰?zhèn)鞑ニ俣染€性下降。