天然气作为一种环保、清洁且运输成本较小的燃料,目前广泛应用于各地区的集中供暖设备。在供暖设备运行过程中,需要对燃气锅炉内部的燃烧状态进行监控,从而动态地调整入氧量和天然气用量,以保证设备的正常运行,提高生产的效率和系统的稳定性。为了对燃气锅炉进行有效的监控,本文着重对锅炉火焰的燃烧状态进行检测。目前,锅炉火焰检测算法的通用流程是先提取火焰特征,再进行算法建模,是图像处理和机器学习以及深度学习技术的一项有效结合应用。但目前的锅炉火焰燃烧状态检测算法依然存在一些可以完善的方向,例如图像分割不够准确、算法较为传统且识别准确率较低等。本文的研究基于火焰检测算法的流程出发,主要分为以下三部分的内容:火焰图像的预处理、火焰特征的提取、火焰燃烧状态检测算法。具体研究内容如下:（1）基于CCD相机拍摄的燃气锅炉火焰进行图像预处理,包括图像去噪、图像分割、图像空洞填充步骤。针对锅炉内火焰光照不均匀导致的传统分割算法分割效果较差的现象,提出了基于HSV空间的S分量的阈值分割法,提升图像分割的效果,以便对于火焰的真实参数进行准确的提取。（2）在对火焰图像进行特征提取的阶段,传统的特征提取方法通常只对单帧图像提取火焰参数。由于火焰的连续燃烧过程包括由点燃到稳定燃烧以及稳定燃烧到熄灭的过渡阶段,这两个阶段的火焰实时特征存在较多的相同特性,因此传统的特征提取方法对于过渡阶段的火焰状态识别准确率较低。本文基于实时特征和历史特征角度提取火焰的参数,其中实时特征反映了火焰当下时刻的状态信息,历史特征能够反映火焰在之前时刻的状态变化信息,能够有效地提升算法对于火焰燃烧状态识别的准确率。（3）考虑到基于人工经验提取的火焰参数较少,本文采用了树模型架构对火焰参数进行高阶的特征组合,完成特征扩充。前期研究工作主要基于梯度提升决策树和逻辑回归（GBDT+LR）的组合框架进行算法建模,增强特征的表达能力。考虑到锅炉火焰燃烧属于连续的状态演变过程,文本基于一维卷积神经网络和长短期记忆网络（1DCNN-LSTM）深度学习模型框架对火焰进行更高阶特征的提取,同时对锅炉火焰的时序信息进行有效学习。经过实验验证,本文采取的算法中GBDT+LR准确率达到93%,1DCNN-LSTM准确率达到94%,与支持向量机（SVM）、深度神经网络（DNN）相比,本文采用的两种算法在各项指标上都能够取得更好的效果,且更加稳定。