Baza Publikacji Pracowników Politechniki Lubelskiej

Status:
Autorzy:	Omiotek Zbigniew, Kotyra Andrzej
Dyscypliny:
	Aby zobaczyć szczegóły należy się zalogować.
Rok wydania:	2021
Wersja dokumentu:	Elektroniczna
Język:	angielski
Numer czasopisma:	2
Wolumen/Tom:	21
Numer artykułu:	500
Strony:	1 - 15
Impact Factor:	3,847
Web of Science® Times Cited:	30
Scopus® Cytowania:	39
Bazy:	Web of Science \| Scopus
Efekt badań statutowych	NIE
Finansowanie:	This research was funded by the Scientific Fund of the Lublin University of Technology: FD-AEiE-OMIO.
Materiał konferencyjny:	NIE
Publikacja OA:	TAK
Licencja:
Sposób udostępnienia:	Witryna wydawcy
Wersja tekstu:	Ostateczna wersja opublikowana
Czas opublikowania:	W momencie opublikowania
Data opublikowania w OA:	12 stycznia 2021
Abstrakty:	angielski
	Nowadays, despite a negative impact on the natural environment, coal combustion is still a significant energy source. One way to minimize the adverse side effects is sophisticated combustion technologies, such as, e.g., staged combustion, co-combustion with biomass, and oxy-combustion. Maintaining the combustion process at its optimal state, considering the emission of harmful substances, safe operation, and costs requires immediate information about the process. Flame image is a primary source of data which proper processing make keeping the combustion at desired conditions, possible. The paper presents a method combining flame image processing with a deep convolutional neural network (DCNN) that ensures high accuracy of identifying undesired combustion states. The method is based on the adaptive selection of the gamma correction coefficient (G) in the flame segmentation process. It uses the empirically determined relationship between the G coefficient and the average intensity of the R image component. The pre-trained VGG16 model for classification was used. It provided accuracy in detecting particular combustion states on the ranging from 82 to 98%. High accuracy and fast processing time make the proposed method possible to apply in the real systems.

Informacja o cookies

Flame Image Processing and Classification Using a Pre-Trained VGG16 Model in Combustion Diagnosis

Artykuł w czasopiśmie