电站锅炉实时入炉煤量的测量一直是锅炉建模过程中最为关键的信息之一,然而现场实际的煤量信号测点一般位于磨煤机之前,磨煤机制粉时间的不确定性给实时入炉煤量的确定带来了困难。本文基于燃烧器喷口处拍摄的煤粉燃烧图像,利用深度学习相关技术提取了图像中的煤量特征区域,并在煤量特征区域与煤量信号之间建立联系,将煤量测点推迟到燃烧器喷口处,从而实现了基于视频信号的燃烧器入炉煤量实时测量。从现场获得的火焰图像较为复杂,图像中除了煤量特征区域和燃烧区域外,还有可能出现结焦、遮挡等情况,传统图像处理方法不能够有效解决此类问题。本文提出了一种基于卷积神经网络的火焰图像分割模型,该模型可以将火焰图像分成不同的部分,从而获得煤量特征区域。煤量特征区域包含两个最直观的特征:区域面积和煤粉浓度。本文首先给出基于边界跟踪法的区域面积度量方法,以及基于像素灰度值的煤粉浓度度量方法。在得到煤量特征区域的两个特征后,分析了影响煤量特征区域特征的两个主要因素:煤量和炉膛负压。通过理论分析和仿真结果可以发现:煤量特征区域面积随煤量信号的增加而增大,煤粉浓度随煤量信号的增加而增大;煤量特征区域面积随炉膛负压的增大而增大,煤粉浓度随炉膛负压增大而减小。因此,本文对煤量特征区域面积特征与浓度特征进行融合,从而得到了一个仅与煤量信号之间存在强相关关系,而与炉膛负压信号相关性较为微弱的特征参数。通过在不同工况下的检验,该参数在误差范围内能够较好的表征煤量信息,从而实现了基于视频信号的燃烧器入炉煤量实时测量。