对大型燃煤锅炉而言,监控炉内悬浮燃烧状态对锅炉的可靠性、安全性和经济性非常重要。煤粉锅炉的燃烧过程是一种非常复杂的悬浮燃烧,它的工况是极不稳定,锅炉燃烧的安全性主要取决于火焰的稳定性。为了避免锅炉爆炸事件的发生,炉内煤粉必须充分燃烧。如果燃烧不稳定,炉内温度场不均匀,容易出现可怕的后果,同时锅炉的热效率极大地降低。因此,炉内的温度场对判断炉膛的燃烧状态,调整锅炉的运行参数非常重要。为了提高燃烧过程的判断、预测及故障诊断能力,本课题重点研究了炉膛火焰的图像处理技术,使运行人员得到更加清晰的图像。虽然二维温度场不能很好地反映炉膛空间沿高度方向的温度变化,但能反映火焰在二维空间的分布特征,如果摄像头安装位置恰当,可以提供火焰燃烧情况等重要信息。根据图像获得的温度场给运行人员提供一个温度参考,进而指导燃烧操作。对电厂的安全运行和燃烧诊断具有重要的意义。本课题给出了比色测温算法的原理及误差分析,并给出了具体实现方法。本文根据噪声理论,分析了图像噪声的来源。全炉膛火焰的燃烧过程伴随着大量动态的随机噪声,这些噪声信号必须消除。中值滤波是非线性的信号处理技术,能有效地消除图像中的噪声信号,但是有一个明显的缺点,即必须对像素值进行排序,计算机处理时间慢。为了节省时间,本文根据全炉膛火焰的特点,设计了快速中值滤波,直接得出中值,无需排序,使滤波效率提高数十倍。为了获得丰富、清晰的火焰图像,本文提出了运用图像处理技术对其进行灰度变换、伪彩色显示技术。由于传统的图像分割技术大多基于灰度的梯度,而全炉膛火焰的灰度变化不明显,采用传统的方法不能取得满意的效果。在分析现有图像分割技术的基础上,本文采用遗传算法处理图像分割问题,把遗传算法应用于分裂合并图像分割方法,涉及到染色体编码、遗传操作设计和个体的适应度评价等问题,取得了满意的效果。对燃烧器图像,本文以梯度算子为基础,通过对样本图像的学习,利用神经网络对模板参数进行训练,从而得到最优的梯度算子,试验结果表明,本文方法可以使图像边缘检测的效果得到明显的改善。在分析现有燃烧诊断技术的基础上,本文提出了基于BP神经网络进行火焰燃烧状态的评测技术。神经网络的输入变量为表征火焰图像的燃烧参数,本文给出了这些参数的定义即其求解算法。燃烧状态指数,一个0.0-1.0之间的数据,越大代表燃烧状态越好;反之,越小代表燃烧状态差。把输出值按划定三种状态,熄火、燃烧不正常、燃烧正常,可以准确的预测到实际的燃烧状态。