在回转窑的生产过程中温度是影响产品质量的关键因素之一,温度过高或者过低不仅造成物料的浪费,而且影响回转窑使用寿命,因此,在回转窑生产过程中温度监测起着十分重要的作用。温度变化与炉窑内火焰的燃烧状态息息相关,通过观察火焰的状态可以判断当前窑的燃烧状态,然而目前在回转窑生产过程中,大部分采用人工看火的方式观测火焰,由于操作人员技术水平参差不齐,造成回转窑生产过程技术经济指标波动较大,运行状况不稳定,单位产品的能耗、原材料消耗和有害气体排放较高,严重制约企业节能减排水平的提高。为此,论文针人工看火所存在的问题,提出基于窑内图像的回转窑工况检测方法。首先从回转窑工业现场获取回转窑火焰图像,但是回转窑工业现场环境恶劣,带入窑内的粉尘颗粒使窑内拍摄视频受到严重污染,同时挥发窑内的火焰燃烧区位置变动较大,部分情况下摄像机拍摄的图像清晰度较差、火焰,视频图像模糊,因此论文第一步对原始火焰图像进行预处理,预处理主要包括对原始图像进行降噪和分割处理,降噪方法选取:使用多种降噪方法去除图片获取过程中所产生的自由噪声,并对结果进行分析,分割方法选取:使用模糊C均值类聚方法、KMEANS方法等不同的图像分割算法对火焰图像分割进行比较。通过实验结果比较,选用的预处理方法为:掩模降噪方法和KMEANS分割方法第二步对火焰图像进行特征提取和分类识别:根据火焰的燃烧情况将火焰状态分为“欠烧”、“正烧”、“过烧”三种状态,论文对这三种状态进行特征提取,使用的特征提取方法为方向梯度直方图方法,用该方法提取出特征矩阵,并与旋转不变局部二值方法的特征提取数据进行分类结果比较。转窑火焰图像的特征提取之后,需要让计算机去学习所提取出的特征数据,并对这些数据进行分类,方法是:分别使用极限学习机算法和支持向量机算法对所获取的火焰图片特征数据进行学习,并使用另外一组未分类图片对两种算法的分类结果进行测试,并进行比较,结果证明方向梯度直方图方法与支持向量机方法组合分类效果最好。最后将分类后的结果与现场工业数据进行数据融合,并使用最终的融合数据对回转窑工况进行检测,实验证明,该方法具有较好的工况检测效果。