本发明属于图像处理与机器学习领域，具体是基于注意力机制的卷积神经网络回归模型火焰当量比检测方法及装置。
背景技术：
1、甲烷主导的天然气因其高效率和低排放，在发电、供暖和运输等多个领域被广泛使用。在特定设备如燃气轮机和工业炉中，精确的燃烧控制对于提高效率和降低排放至关重要。这增加了对火焰燃烧状态，特别是火焰当量比的实时精确检测的需求。
2、火焰当量比的常见非侵入性检测技术包括光谱分析和颜色建模。光谱分析通过光纤测定特定自由基的化学发光比值间接获取火焰当量比，但这种方法需要昂贵的光学设备，并受现场布置的限制。相比之下，使用rgb彩色相机测量图像中蓝色和绿色通道(b和g)的像素强度比(ib/ig)来表征当量比，不仅成本效益高，而且适用于光学访问受限的环境，提供了一种有效的替代方案。
3、然而，传统的颜色建模法在处理火焰图像时，需进行繁琐的预处理，例如去噪和调整参数以消除富燃状态下的红黄背景辐射，这些步骤依赖于手工特征提取，效率低下且缺乏灵活性。
技术实现思路
1、本发明意在提供基于注意力机制的卷积神经网络回归模型火焰当量比检测方法及装置，以解决现有技术中处理火焰图像时，预处理过程繁琐，手工提取特征效率低、缺乏灵活性的问题。
2、本申请第一方面提供了一种基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，包括以下步骤：
3、s1、构建图像数据集：建立一个包含不同当量比燃烧状态的火焰rgb-2d图像数据集，数据集中的每个条目包括图像路径和相应的当量比标签；
4、s2、划分训练集和测试集：将所述当量比燃烧状态划分训练集和测试集，测试集中均包含贫燃和富燃的数据；
5、s3、数据加载预处理：构建模型加载图像，执行必要的预处理，预处理包括调整大小和归一化；
6、s4、配置特征提取网络：设计包含卷积层、激活函数和池化层的特征提取网络，专门用于提取图像中的视觉特征；
7、s5、搭建注意力机制层：所述注意力机制层用于分析并权衡提取的特征张量，突出与燃烧状态密切相关的视觉特征；
8、s6、构建全连接网络：利用全连接层神经元引入的权重偏置，拟合提取特征与当量比的回归关系，输出火焰当量比预测值；
9、s7、模型训练参数优化：使用训练集数据训练优化模型参数，定义模型的损失函数和评估标准，并用adam优化器进行参数训练，得到最优的检测模型；
10、s8、泛化性能测试，将经图像加载预处理后测试集数据通过回调机制输入训练好的测试模型框架中，得到所述检测模型输出的检测结果。
11、本发明开发了一种基于注意力机制的火焰当量比检测模型，实现火焰当量比的端到端检测。该模型通过自动化的特征提取与回归预测功能，避免了传统方法中繁琐的手动特征提取步骤，从而提高了测量的效率和准确性。
12、利用深度学习构建的当量比检测模型能自动从彩色相机rgb-2d图像中提取特征并进行回归预测，避免了复杂的手工特征提取工程。
13、进一步，所述s1中采用ccd或cmos图像传感器采集火焰rgb-2d火焰图像。
14、进一步，所述s2中当量比为0.73～1.05之间的为贫燃，当量比为1.18～1.47之间的富燃。
15、进一步，所述s4中配置特征提取网络包括以下步骤：
16、s4-1、卷积层：卷积操作通过执行输入图像与卷积核之间的式(1)的互相关计算：
17、
18、s4-2、激活函数：选用式(2)中relu作为激活函数；
19、f(x)＝max(0，x) (2)；
20、s4-3、池化层：选用式(3)最大池化通过选择区域内的最大值来代表该区域，突出图像的主要特征，并对特征位置的微小变动保持容忍；
21、
22、进一步，所述s4-1中，模型构建设置128个卷积核，卷积核尺寸设置3x3，滑动步长为1；s4-3中，池化矩阵s设置为2x2，滑动步长为2。
23、进一步，所述s5中注意力机制层的搭建包括以下步骤：
24、s5-1、特征处理与得分计算：接收来自特征提取网络卷积、激活、池化处理后的输出的多维特征张量，此张量经过两个计算分支生成注意力得分：
25、第一分支：应用tanh激活函数对输入张量进行非线性变换，结合权重w0和偏置b0计算得到第一组注意力得分score1；
26、第二分支：计算输入张量的行向特征偏差矩阵。具体操作为计算输入张量中每个位置像素值与其行平均值的偏差diff，该偏差经tanh函数和权重w2及偏置b2的处理后得到第二组注意力得分score2；
27、s5-2、得分融合与权重归一化：将score1和score2进行加和处理，并与引入的权重张量v相乘，使用softmax函数进行归一化，以产生最终的注意力权重张量weight；
28、s5-3、输出生成：将计算得到的注意力权重张量weight与一个设计有多通道注意力原则的掩码mask相乘，得到最终输出output。
29、进一步，s7中，均方根误差mse作为损失函数，adam优化器基于损失函数对每个参数的梯度计算，并利用反向传播算法根据输出间的差异进行动态调整；
30、
31、进一步，s7中采用决定系数r2和平均绝对误差mae作为模型评价参数：
32、
33、其中y表示数据估计值，表示真值，表示平均值，n为计算变量的元素总数。
34、本申请第二方面提供了一种火焰当量比测量装置，用于实施第一方面所述的任意一种方法，包括以下单元：
35、图像采集单元：采用一种或多种高分辨率、高速视频捕捉功能的rgb彩色图像传感器，用于捕捉火焰的快速动态变化，获得火焰rgb-2d图像；
36、数据存储单元：用于存储图像采集单元捕捉到的火焰rgb-2d图像并构建数据集，配置网络附加存储nas或其他外部存储解决方案以实现数据的长期存储和备份；
37、程序处理单元：用于检测模型的训练，配置包括多核心处理器和图形处理器；
38、软件和框架选择：采用python或c++编程语言，配合tensorflow,pytorch,keras深度学习框架，实现灵活高效的程序编码。
39、进一步，所述的图像传感器选自cmos或ccd技术；所述的数据存储单元优先选择具有快速数据访问速度和低响应时间的ssd。
1.基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：所述s1中采用ccd或cmos图像传感器采集火焰rgb-2d火焰图像。
3.根据权利要求2所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：所述s2中当量比为0.73～1.05之间的为贫燃，当量比为1.18～1.47之间的富燃。
4.根据权利要求3所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：所述s4中配置特征提取网络包括以下步骤：
5.根据权利要求4所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：所述s4-1中，模型构建设置128个卷积核，卷积核尺寸设置3x3，滑动步长为1；s4-3中，池化矩阵s设置为2x2，滑动步长为2。
6.根据权利要求5所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：所述s5中注意力机制层的搭建包括以下步骤：
7.根据权利要求6所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：s7中，均方根误差mse作为损失函数，adam优化器基于损失函数对每个参数的梯度计算，并利用反向传播算法根据输出间的差异进行动态调整；
8.根据权利要求7所述的基于注意力机制的卷积神经网络回归模型火焰当量比检测方法，其特征在于：s7中采用决定系数r2和平均绝对误差mae作为模型评价参数：
9.一种火焰当量比检测装置，用于实施如权利要求1至8中任一项所述的方法，其特征在于包括以下单元：
10.根据权利要求9所述的火焰当量比检测装置，其特征在于：所述的图像传感器选自cmos或ccd技术；所述的数据存储单元优先选择具有快速数据访问速度和低响应时间的ssd。
