基于孿生Inception網(wǎng)絡(luò)的燃燒器火焰狀態(tài)監(jiān)測(cè)

馬赟，付偉，王昕，楊如意，錢相臣

（1 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102206；2 國家能源集團(tuán)新能源技術(shù)研究有限公司，北京 102211；3 國電內(nèi)蒙古東勝熱電有限公司，內(nèi)蒙古 鄂爾多斯 017000）

燃料在爐膛中燃燒是火力發(fā)電中最重要的過程之一，屬于大空間高溫、非均勻、劇烈且復(fù)雜的氣固多相流物化反應(yīng)[1]。保持穩(wěn)定的火焰至關(guān)重要，燃燒不穩(wěn)定會(huì)降低鍋爐熱效率，甚至導(dǎo)致爐膛滅火。因此，電站鍋爐需要配備性能可靠的燃燒器火焰監(jiān)測(cè)系統(tǒng)，確?？梢詫?shí)時(shí)監(jiān)測(cè)爐內(nèi)煤粉的燃燒狀況，在防止?fàn)t膛爆炸等極端情況發(fā)生[2]的同時(shí)優(yōu)化燃燒參數(shù)，提高燃燒效率，進(jìn)而提高燃煤電廠的效率和經(jīng)濟(jì)性[3]。燃燒診斷是燃燒學(xué)的一個(gè)重要分支[4]，傳統(tǒng)的火焰檢測(cè)方法主要是通過檢測(cè)燃燒過程中產(chǎn)生的光能、熱能和輻射能等能量信號(hào)的存在與否來判定是否有火焰存在或一些基礎(chǔ)的燃燒信息，但容易受到環(huán)境因素（如煙塵、結(jié)焦等）的影響，導(dǎo)致監(jiān)測(cè)效果受到限制。同時(shí)還存在誤判、漏檢等情況，導(dǎo)致監(jiān)測(cè)精度不高，容易造成火災(zāi)事故等安全隱患，顯然已經(jīng)不適應(yīng)燃燒系統(tǒng)的進(jìn)一步復(fù)雜化以及愈來愈嚴(yán)格的檢測(cè)要求[5]。

因具有直觀可見、信息豐富等優(yōu)點(diǎn)，基于數(shù)字圖像處理技術(shù)的火焰狀態(tài)監(jiān)測(cè)逐漸成為火檢領(lǐng)域的研究熱點(diǎn)[6]。已有研究證明，通過圖像獲取火焰的閃爍頻率[7]、根部區(qū)域特征[8-9]、顏色信息[10-11]等特征參數(shù)可以定量評(píng)估火焰的穩(wěn)定性。吳占松等[12]通過建立火焰亮度圖像和火焰溫度之間的關(guān)系，對(duì)黑體爐進(jìn)行標(biāo)定，獲得了NOx排放和火焰溫度之間的多項(xiàng)式回歸模型。王式民等[13]研發(fā)的“CCD爐膛火焰數(shù)字圖像處理系統(tǒng)”通過提取火焰圖像參數(shù)如火焰亮度、火焰面積等，分析其在熄火時(shí)的變化趨勢(shì)進(jìn)而判定是否熄火。婁春等[14]采用被動(dòng)式燃燒測(cè)量診斷技術(shù)，通過自發(fā)輻射診斷，對(duì)火焰燃燒狀態(tài)進(jìn)行定性分析，以及燃燒流場(chǎng)中溫度、組分體積分?jǐn)?shù)等燃燒關(guān)鍵信息的定量計(jì)算。但隨著電廠對(duì)于運(yùn)行經(jīng)濟(jì)性、安全性做出更嚴(yán)格的規(guī)定，對(duì)火焰監(jiān)測(cè)的精確化、細(xì)節(jié)化提出了更高的要求，簡(jiǎn)單判定爐膛內(nèi)火焰的存在與否已經(jīng)不能滿足需求。

近年來機(jī)器學(xué)習(xí)發(fā)展迅速，尤其是在圖像處理領(lǐng)域更是發(fā)揮出不可替代的作用，將機(jī)器學(xué)習(xí)算法運(yùn)用在火焰狀態(tài)檢測(cè)領(lǐng)域逐漸成為大勢(shì)所趨。盛楊等[15]基于支持向量機(jī)（support vector machine, SVM）對(duì)爐膛火焰是否滅火進(jìn)行判別。吳一全等[16]基于灰度熵多閾值分割和SVM 的火焰圖像識(shí)別，利用灰度熵準(zhǔn)則和改進(jìn)粒子群優(yōu)化算法，從火焰圖像中分割出背景區(qū)、燃燒區(qū)及高溫燃燒區(qū)等。基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）算法也被用來識(shí)別爐膛火焰圖像，基于CNN 的火焰監(jiān)測(cè)不僅能實(shí)現(xiàn)火焰類型識(shí)別，改善傳統(tǒng)模型識(shí)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(duì)分析燃燒特性十分關(guān)鍵。韓璞等[17]利用交互式神經(jīng)網(wǎng)絡(luò)火焰圖像識(shí)別方法，動(dòng)態(tài)調(diào)整隱層神經(jīng)元數(shù)目，提高了神經(jīng)網(wǎng)絡(luò)的分類識(shí)別的準(zhǔn)確性。唐廣通等[18]基于多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)重建爐膛溫度場(chǎng)，對(duì)300MW 的鍋爐進(jìn)行在線測(cè)量實(shí)驗(yàn)，通過對(duì)機(jī)組調(diào)峰分析了燃料量和風(fēng)量對(duì)溫度的影響，有效地提升了煤電機(jī)組的靈活調(diào)峰能力。龐殊楊等[19]采用殘差（residual network，ResNet）神經(jīng)網(wǎng)絡(luò)對(duì)轉(zhuǎn)爐火焰數(shù)據(jù)集進(jìn)行有監(jiān)督的訓(xùn)練，訓(xùn)練后的模型對(duì)火焰進(jìn)行實(shí)時(shí)、高精度的分類識(shí)別。何雨晨[20]基于鍋爐燃燒器出口燃燒視頻圖像，利用多尺度方向融合，分析單幀燃燒圖像的燃燒特征變化。在基于深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural networks， DCNN） 算 法 中，Google 團(tuán)隊(duì)[21]提出了一種Inception 網(wǎng)絡(luò)架構(gòu)，旨在解決圖像分類任務(wù)中深度網(wǎng)絡(luò)的計(jì)算量和過擬合問題。其優(yōu)點(diǎn)在于它使用了多個(gè)不同尺寸的卷積核和池化操作進(jìn)行特征提取，因而可以兼顧不同尺度的圖像特征。此外還可以在特征圖上進(jìn)行更加豐富的信息交互，從而可以更好地表達(dá)圖像中的局部和全局特征。Inception DCNN 還采用了多個(gè)分支并行計(jì)算的方式，可以有效地減少網(wǎng)絡(luò)中的參數(shù)量和計(jì)算量，避免過擬合，而且由于可以通過在網(wǎng)絡(luò)中添加更多的Inception 模塊來增加網(wǎng)絡(luò)的深度和復(fù)雜度，Inception DCNN 可以輕松地應(yīng)用于不同的任務(wù)和數(shù)據(jù)集中。Bromley 等[22]于1994 年提出孿生網(wǎng)絡(luò)的概念，并將其應(yīng)用于手寫數(shù)字的識(shí)別，之后廣泛用于處理兩個(gè)輸入“比較類似”的情況，多用于計(jì)算機(jī)視覺領(lǐng)域。

本文綜合分析了煤粉燃燒器噴射火焰圖像的特點(diǎn)，構(gòu)建了基于Inception DCNN的火焰圖像分類器模型，但I(xiàn)nception DCNN模型訓(xùn)練耗時(shí)長，故提出了采用孿生算法的思想對(duì)Inception DCNN 進(jìn)行改進(jìn)，使得在利用Inception DCNN保留火焰多尺度特征提取優(yōu)勢(shì)的基礎(chǔ)上，大幅度縮減網(wǎng)絡(luò)深度，在加快模型訓(xùn)練速度同時(shí)也取得較高的火焰狀態(tài)分辨準(zhǔn)確率，模型訓(xùn)練準(zhǔn)確率達(dá)99.86%。

1 孿生Inception DCNN網(wǎng)絡(luò)的搭建

1.1 Inception DCNN模型

Inception DCNN 的構(gòu)造方法是將多個(gè)不同尺寸的卷積核和池化操作組合在一起，形成多個(gè)分支，最后再將不同分支的輸出在特征圖維度上進(jìn)行拼接。這個(gè)過程可以通過Inception模塊來實(shí)現(xiàn)，實(shí)際使用的Inception 網(wǎng)絡(luò)結(jié)構(gòu)見圖1，每個(gè)Inception 模塊包括四個(gè)分支，分別使用1×1、3×3 和5×5 的卷積層和1×1的最大池化層進(jìn)行特征提取。其中，1×1的卷積核可以將輸入張量的每個(gè)通道看作一個(gè)獨(dú)立的特征平面，然后通過對(duì)這些特征平面進(jìn)行加權(quán)和的方式將它們聚合成一個(gè)新的特征平面。這個(gè)過程相當(dāng)于對(duì)張量進(jìn)行了一次全連接層的操作，進(jìn)而達(dá)到降維目的，根據(jù)火焰圖像的特點(diǎn)，共搭建了9個(gè)Inception模塊。

圖1 實(shí)際使用的Inception網(wǎng)絡(luò)結(jié)構(gòu)

Inception DCNN 整體網(wǎng)絡(luò)結(jié)構(gòu)搭建見圖2。首先，使用一個(gè)7 × 7 的卷積層，stride 為2，進(jìn)行圖像特征提取，并使用ReLU 作為激活函數(shù)。然后，使用一個(gè)3 × 3 的最大池化層，stride 為2，進(jìn)行下采樣。接下來，使用一個(gè)1 × 1 的卷積層減少通道個(gè)數(shù)。然后，使用一個(gè)3 × 3 的卷積層進(jìn)行初步特征提取。初步特征提取后構(gòu)建多個(gè)Inception 模塊，其中在第2、7、8個(gè)Inception模塊后均添加了最大池化層。所有卷積層均使用ReLU 作為激活函數(shù)。然后，將四個(gè)分支的輸出在通道維度上進(jìn)行拼接。使用全局平均池化層將特征圖降為一維，并使用Dropout 進(jìn)行正則化。最后，使用一個(gè)全連接層進(jìn)行分類，輸出層的大小為3。最后一層使用softmax作為激活函數(shù)，以進(jìn)行分類。

圖2 整體Inception DCNN網(wǎng)絡(luò)結(jié)構(gòu)

1.2 孿生網(wǎng)絡(luò)

標(biāo)準(zhǔn)的孿生網(wǎng)絡(luò)是由兩個(gè)結(jié)構(gòu)相同并共享權(quán)重和參數(shù)的CNN 構(gòu)成。不同輸入X1、X2通過統(tǒng)一的CNN 得到兩個(gè)向量GW(X1)、GW(X2)，計(jì)算兩個(gè)向量之間的歐式距離獲得EW，以此衡量?jī)蓚€(gè)輸入之間的相似度，其結(jié)構(gòu)見圖3。

圖3 孿生網(wǎng)絡(luò)結(jié)構(gòu)

由于孿生網(wǎng)絡(luò)的輸出實(shí)際是兩個(gè)輸入量的相似度參數(shù)，而并非是分類結(jié)果，交叉熵并不適合作為其損失函數(shù)，更適用的損失函數(shù)是對(duì)比損失（contrastive loss），其表達(dá)式見式(1)。其中，DW為孿生神經(jīng)網(wǎng)絡(luò)輸出的兩個(gè)特征向量的歐式距離，見式(2)。

式(1)中，YL為兩個(gè)樣本是否匹配的標(biāo)簽，YL=1代表兩個(gè)樣本相似或者匹配，YL=0則代表不匹配；N為樣本個(gè)數(shù)；mr為設(shè)定的閾值，表示只考慮不相似特征歐式距離在0 ～mr之間。

根據(jù)對(duì)兩個(gè)特征向量距離的定義，可以得到以下兩個(gè)條件：①不同類別的向量間的距離比同類別的向量間的距離大；②兩個(gè)向量間的距離越小，屬于同一類別的可能性越大?；诖?，觀察損失函數(shù)可發(fā)現(xiàn)，當(dāng)YL=1（即樣本相似）時(shí)，Loss函數(shù)值與向量之間的距離正相關(guān)，即越相似的向量距離越近，Loss 函數(shù)值越接近于0；當(dāng)YL=0（即樣本不相似）時(shí)，Loss函數(shù)值與向量之間的距離負(fù)相關(guān)，即越不相似的向量越近，Loss 函數(shù)值越接近于0，當(dāng)向量之間的距離甚至超過設(shè)定的閾值mr，則認(rèn)為模型訓(xùn)練得已經(jīng)足夠好了，此時(shí)Loss 函數(shù)值為0。訓(xùn)練的目標(biāo)是讓兩個(gè)相似的輸入距離盡可能地小，兩個(gè)不同類別的輸入距離盡可能地大，以上兩種情況均符合訓(xùn)練目標(biāo)。

1.3 孿生Inception DCNN網(wǎng)絡(luò)

綜合孿生網(wǎng)絡(luò)可以高效判斷兩個(gè)輸入相似性的優(yōu)勢(shì)和Inception DCNN網(wǎng)絡(luò)的優(yōu)點(diǎn)，本文提出孿生Inception DCNN 網(wǎng)絡(luò)。在孿生Inception DCNN 結(jié)構(gòu)中包含了三個(gè)Inception DCNN模塊，見圖4。首先，在每一個(gè)類別中選擇一個(gè)基準(zhǔn)樣本，將火焰圖像數(shù)據(jù)集中的樣本兩兩隨機(jī)組合為正樣本對(duì)和負(fù)樣本對(duì)，將經(jīng)過初步特征提取的兩張圖像送入權(quán)值共享的前后連接的三層Inception 卷積模塊，每個(gè)Inception 模塊中的卷積層都使用ReLu 函數(shù)激活，使用最大池化進(jìn)行下采樣，并采用Dropout 技術(shù)防止過擬合。然后，分別進(jìn)行平均池化和全連接層輸出描述火焰的特征向量，計(jì)算兩張圖片特征向量的距離，以Contrastive loss 作為損失函數(shù)，利用反向傳播算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

圖4 孿生Inception網(wǎng)絡(luò)主體結(jié)構(gòu)

網(wǎng)絡(luò)的輸入是經(jīng)過標(biāo)記的正負(fù)圖像樣本對(duì)，即訓(xùn)練集中存在大量以兩張圖片為一組的樣本對(duì)。這些樣本對(duì)中，相同燃燒器負(fù)荷下拍攝的圖像為正樣本對(duì)，標(biāo)記為1；反之，不同燃燒器負(fù)荷下拍攝的圖像為負(fù)樣本對(duì)，標(biāo)記為0。將大量的正負(fù)樣本對(duì)送入孿生Inception DCNN網(wǎng)絡(luò)后，卷積操作會(huì)將樣本對(duì)映射到高維空間并計(jì)算歐氏距離，從而得出相似度，并朝著損失函數(shù)減小的方向訓(xùn)練網(wǎng)絡(luò)。當(dāng)網(wǎng)絡(luò)訓(xùn)練收斂后，此時(shí)的孿生Inception DCNN網(wǎng)絡(luò)具有分辨兩張圖像是否為同一燃燒器負(fù)荷下拍攝的圖像的能力。在測(cè)試環(huán)節(jié)，只要分別選取不同燃燒器負(fù)荷下的火焰圖像作為基準(zhǔn)樣本，將基準(zhǔn)樣本和測(cè)試樣本組合成對(duì)輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)就會(huì)得出測(cè)試樣本和每一個(gè)基準(zhǔn)樣本的相似度參考值，進(jìn)而確定測(cè)試樣本所屬類別。

2 火焰圖像及數(shù)據(jù)集

2.1 圖像數(shù)據(jù)來源及對(duì)應(yīng)工況

本文所用于分析火焰燃燒狀態(tài)的圖片均來自于某1000MW對(duì)沖燃煤機(jī)組在冬季典型日的火檢視頻錄像，見圖5。采用內(nèi)窺式耐高溫火檢探頭拍攝爐內(nèi)煤粉燃燒情況，燃燒器工作時(shí)，就地探頭伸入爐內(nèi)，前端攝像頭將采集到的火焰畫面通過光纖實(shí)時(shí)投影到CCD 相機(jī)上，再通過現(xiàn)場(chǎng)通信模塊傳回電子間及集控室。探頭和火焰相對(duì)位置見圖6，該探頭可拍攝大約90°的廣角范圍。煤粉火焰可以明顯地分為未燃區(qū)（黑龍區(qū)）、燃燒區(qū)和燃燼區(qū)三個(gè)火焰特征區(qū)。

圖5 火焰圖像

圖6 火焰特征區(qū)示意圖

數(shù)據(jù)采集對(duì)象燃燒器所屬機(jī)組容量為600MW，采用雙調(diào)風(fēng)旋流燃燒器，前后墻對(duì)沖布置，該燃燒器當(dāng)天的燃燒工況見表1。

表1 燃燒工況

該燃燒器所屬給煤機(jī)進(jìn)行了三次較大的給煤量調(diào)整，從大約40t/h降低至35t/h，后又降低至26t/h，最后再升高至41t/h?；鹧鎴D像采集頻率為25Hz，經(jīng)過預(yù)處理，獲得實(shí)際待處理火焰視頻文件尺寸為512×512。綜合實(shí)際需求，分別制作了燃燒器平均噴煤量大約在6.5t/h、5.5t/h和4t/h的火焰圖像數(shù)據(jù)集。

2.2 火焰圖像數(shù)據(jù)集

根據(jù)采集到的火焰樣本在不同負(fù)荷下的分布情況，本文分別制作了燃燒器平均噴煤量大約在6.7t/h、5.8t/h、4.5t/h的火焰圖像數(shù)據(jù)集。為了保證將來在實(shí)際應(yīng)用中的可用性，綜合實(shí)際需求及計(jì)算機(jī)算力情況，制作了大量數(shù)據(jù)集。

為了增強(qiáng)模型的泛化性能、減少過擬合，圖像在輸入網(wǎng)絡(luò)之前進(jìn)行了一定的數(shù)據(jù)增強(qiáng)。首先將火焰圖像進(jìn)行灰度化，使其灰度值在[0，255]范圍內(nèi)，然后通過平移、轉(zhuǎn)置、鏡像等幾何變換對(duì)采集的火焰圖像進(jìn)行預(yù)處理，改正圖像采集系統(tǒng)的隨機(jī)誤差，再將圖像進(jìn)行歸一化操作，本文將火焰圖像的像素值映射到[0，1]范圍內(nèi)，最后將圖像尺寸調(diào)整為288×288，以保證其兼容后面所有的卷積操作。

3 孿生Inception DCNN模型的測(cè)試

本文的Inception DCNN 模型搭建平臺(tái)為搭載windows10、英特爾酷睿i5-10400F處理器的個(gè)人計(jì)算 機(jī)， 基 頻2.9GHz。 采 用Google 開 發(fā) 的TensorFlow2.0深度學(xué)習(xí)架構(gòu)，并用英偉達(dá)公司生產(chǎn)的GeForce GTX 1660S GPU核心進(jìn)行硬件加速。

3.1 Inception DCNN模型測(cè)試

首先設(shè)定輸入圖片尺寸為416 × 416，這是最后一層池化層為7 × 7的條件下最小圖片輸入尺寸。設(shè)定學(xué)習(xí)率為0.0001，所有的激活函數(shù)都采用ReLu、損失函數(shù)為交叉熵?fù)p失、并使用Adam優(yōu)化器進(jìn)行優(yōu)化。初次訓(xùn)練以40 張圖片為一個(gè)batch，迭代次數(shù)為100，Dropout 設(shè)置為0.4。訓(xùn)練集Loss曲線和測(cè)試集的準(zhǔn)確率隨著迭代次數(shù)增加的變化情況見圖7。從圖7 可以看出，當(dāng)?shù)?0 次左右時(shí)，模型基本達(dá)到收斂，最終Loss 函數(shù)值為0.0423，測(cè)試集準(zhǔn)確率達(dá)到99.84%，但是訓(xùn)練時(shí)間達(dá)到了5140s。

圖7 Inception DCNN模型測(cè)試情況

為防止模型不收斂、陷入局部最優(yōu)同時(shí)使模型具有較高的準(zhǔn)確率和理想的訓(xùn)練時(shí)長，滿足火檢實(shí)時(shí)性的需求，本文進(jìn)行了大量的預(yù)訓(xùn)練，對(duì)超參數(shù)進(jìn)行篩選。通過多次訓(xùn)練模型發(fā)現(xiàn)，增大學(xué)習(xí)率可以在一定程度上加快模型的訓(xùn)練，但由于火焰圖像本身相似度高，當(dāng)學(xué)習(xí)率超過0.0003時(shí)模型無法收斂，訓(xùn)練失敗。batch size 的大小直接影響訓(xùn)練速度，隨著batch size 上升，訓(xùn)練速度確實(shí)在一定程度上加快了，但當(dāng)?shù)揭欢A段后，增大batch size的大小對(duì)于提升速度沒有過大幫助，反而容易使模型陷入局部最優(yōu)。圖片的輸入尺寸是對(duì)模型訓(xùn)練速度影響較大的因素，雖然越大尺寸的圖片可以提供更加豐富的特征細(xì)節(jié)，但同時(shí)也成倍增加了模型的參數(shù)量和復(fù)雜程度，本文將輸入圖片分別設(shè)置為380×380、300×300、288×288、244×244，通過訓(xùn)練發(fā)現(xiàn)，當(dāng)輸入圖片尺寸為288×288時(shí)，無論是訓(xùn)練速度還是準(zhǔn)確率都達(dá)到了綜合最優(yōu)。綜上所述，最終設(shè)置學(xué)習(xí)率為0.0002，batch size 為40，輸入圖片尺寸為288×288，考察模型的性能表現(xiàn)。

3.2 孿生Inception DCNN模型測(cè)試

在基于孿生Inception DCNN的測(cè)試或?qū)嶋H應(yīng)用中，基準(zhǔn)樣本和待測(cè)樣本都會(huì)通過孿生網(wǎng)絡(luò)提取出它們的特征向量。最后通過計(jì)算待測(cè)樣本與各個(gè)基準(zhǔn)樣本的歐式距離，選擇具有最高相似度基準(zhǔn)樣本所對(duì)應(yīng)的類別作為該待測(cè)樣本的類別。該方法具有兩個(gè)優(yōu)點(diǎn)，其一是只需要使用很少的網(wǎng)絡(luò)層即可達(dá)到良好的效果，其二是所需的計(jì)算量很小。在網(wǎng)絡(luò)訓(xùn)練完成之后，各類別基準(zhǔn)樣本的特征向量可以預(yù)先進(jìn)行提取。在對(duì)待測(cè)樣本進(jìn)行預(yù)測(cè)時(shí)只需要提取其特征向量，然后再計(jì)算與各個(gè)基準(zhǔn)樣本的特征向量的距離。實(shí)際訓(xùn)練及測(cè)試過程見圖8。

圖8 孿生Inception DCNN模型訓(xùn)練及測(cè)試過程

3.3 實(shí)驗(yàn)結(jié)果分析

為了探究?jī)?yōu)化后的模型較原始模型的收斂速度分類準(zhǔn)確性能，對(duì)采集到的原始視頻文件連續(xù)采樣，每種負(fù)荷狀態(tài)下均采樣3min，得到三種不同負(fù)荷狀態(tài)下的火焰圖像各4500 張作為訓(xùn)練集。此外，為驗(yàn)證網(wǎng)絡(luò)的泛化性，間隔1min 后再次采樣20s，得到與訓(xùn)練集不同的三種不同負(fù)荷狀態(tài)下的火焰圖像各500張作為測(cè)試集，按照正樣本和負(fù)樣本的組合規(guī)則隨機(jī)組合出3個(gè)訓(xùn)練子集，確保每張圖片最多出現(xiàn)過一次，每個(gè)訓(xùn)練子集中均包含1000個(gè)負(fù)樣本對(duì)和500個(gè)正樣本對(duì)。同理，組合出1500 組不參加訓(xùn)練的樣本對(duì)作為測(cè)試集，設(shè)置輸入圖片尺寸為288 × 288，設(shè)置學(xué)習(xí)率為0.0002，batch size 為40，對(duì)比孿生Inception DCNN 和標(biāo)準(zhǔn)Inception DCNN的性能，見表2～表4。

表2 樣本容量為500時(shí)的性能對(duì)比

表3 樣本容量為1000時(shí)的性能對(duì)比

表4 樣本容量為1500時(shí)的性能對(duì)比

本文所用的數(shù)據(jù)集屬于不平衡數(shù)據(jù)集，在評(píng)估訓(xùn)練模型時(shí)，采用收斂迭代次數(shù)用來評(píng)估模型的收斂速度，Loss用來觀察模型的收斂結(jié)果，訓(xùn)練集準(zhǔn)確率用來觀察模型的訓(xùn)練效果，測(cè)試集準(zhǔn)確率用來評(píng)估模型的泛化性能，F(xiàn)1 值用來綜合考慮模型的精確度和召回率，特別是在不同類別之間存在不平衡或數(shù)據(jù)分布不均勻的情況下，它對(duì)誤分類和漏分類都進(jìn)行了考慮。

通過訓(xùn)練對(duì)比發(fā)現(xiàn)，在收斂速度方面，當(dāng)數(shù)據(jù)量比較小時(shí)，標(biāo)準(zhǔn)Inception DCNN無法收斂，而孿生Inception DCNN經(jīng)過較短的時(shí)間后達(dá)到收斂，但是明顯因?yàn)閿?shù)據(jù)量不足導(dǎo)致精度不高。當(dāng)數(shù)據(jù)量增加時(shí)，標(biāo)準(zhǔn)Inception DCNN 和孿生Inception DCNN的收斂速度逐漸提高，但孿生Inception DCNN的收斂速度仍快于標(biāo)準(zhǔn)Inception DCNN。在準(zhǔn)確率方面，隨著數(shù)據(jù)量的不斷增加，孿生Inception DCNN的準(zhǔn)確率優(yōu)于標(biāo)準(zhǔn)Inception DCNN，當(dāng)樣本容量為1500 時(shí)，孿生Inception DCNN 模型的準(zhǔn)確率達(dá)99.86%。在模型訓(xùn)練耗時(shí)方面，在樣本容量為1500 時(shí)，孿生Inception DCNN 將訓(xùn)練時(shí)間控制在1000s 內(nèi)。在精確率和召回率方面，孿生Inception DCNN 優(yōu)于Incception DCNN。由此說明，孿生Inception DCNN 模型都全面優(yōu)于標(biāo)準(zhǔn)Inception DCNN，從而證明了本文所提出的孿生Inception DCNN架構(gòu)的高效性。

4 結(jié)論

為改善現(xiàn)有燃煤電廠爐膛火焰狀態(tài)監(jiān)測(cè)存在的判據(jù)簡(jiǎn)單、費(fèi)人費(fèi)力等問題，本文從實(shí)際出發(fā)，以實(shí)際燃煤電廠爐膛火焰為對(duì)象，提出了一套穩(wěn)定可靠的基于孿生Inception DCNN的燃燒器火焰狀態(tài)監(jiān)測(cè)方法，具體總結(jié)如下。

構(gòu)建基于Inception DCNN網(wǎng)絡(luò)多尺度特征自動(dòng)提取的機(jī)器學(xué)習(xí)模型，通過增加網(wǎng)絡(luò)的寬度、綜合不同尺度下的特點(diǎn)對(duì)火焰圖像進(jìn)行深層次的特征提取與分類。搭建了包含9 個(gè)Inception 模塊的DCNN網(wǎng)絡(luò)，當(dāng)學(xué)習(xí)率為0.0002、batch size 大小為40 時(shí)網(wǎng)絡(luò)的綜合性能達(dá)到最優(yōu)。其優(yōu)點(diǎn)在于不需要人工過多干預(yù)就能達(dá)到99%以上的準(zhǔn)確率，但是訓(xùn)練耗時(shí)極長，不利于實(shí)際應(yīng)用。故基于孿生思想，提出基于孿生Inception DCNN進(jìn)一步對(duì)模型進(jìn)行精簡(jiǎn)和優(yōu)化，所提出的模型構(gòu)架中只包含3個(gè)Inception模塊，在不同數(shù)據(jù)集容量的對(duì)比試驗(yàn)中全面優(yōu)于Inception DCNN 網(wǎng)絡(luò)構(gòu)架，最終將網(wǎng)絡(luò)訓(xùn)練時(shí)間控制在1000s以內(nèi)，準(zhǔn)確率達(dá)到99.86%。