生物质燃料质量检测方法及系统技术方案

本发明专利技术公开了一种生物质燃料质量检测方法及系统，所述方法包括步骤：1)将生物质燃料运输车停到卸料工位，开始卸车；2)通过摄像仪器按照均匀地对卸下车的待检测生物质燃料进行拍照；3)将摄像仪器拍摄的照片传输至计算机；4)将图片数据分别输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型；5)基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型输出每一张图片对应的品种、含水率、含灰率和热值；6)对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。本发明专利技术能够快速、客观、准确地进行生物质燃料质量检测。

【技术实现步骤摘要】
生物质燃料质量检测方法及系统
本专利技术涉及生物质燃料质量检测
，具体地指一种基于深度学习的生物质燃料质量检测方法及系统。
技术介绍
一座生物质发电厂每年燃烧20-30万吨的生物质燃料，平均每天进厂100车燃料，每一车都要进行取样质检，目前生物质燃料的质量检测是质检员按照一定的规则在车辆的不同位置取得样品，代表一车生物质燃料的质量，样品送到化验室，化验员按照一定的规则对样品取舍，制得化验样品，对该化验样品进行水分、灰分及热值等检测，水分的检测，一般在105℃的条件下干燥4小时，根据干燥前后的重量，计算出水分的含量；制得的化验样品送到量热计里测算出来热值，最后推算出该车生物质燃料的水分、灰分及热值。上述目前这种常用的生物质质量检测，存在如下弊端：1、取样员的主观随意性比较大，如果燃料中干湿、杂质等是混合的，即使按规定进行九点取样法，在同一处，可能取到质量好的样，也可能取得质量差的样品；2、取样仅仅是一部分样品，有时候并不能代表整车生物质燃料的质量；3、在化验员制样期间，经过再一次的取舍，同样会造成样品的失真；4、整个取样化验的时间较长；5、人力消耗较多。
技术实现思路
针对现有技术的上述问题，本专利技术提出一种生物质燃料质量检测方法及系统，能够快速、客观、准确地进行生物质燃料质量检测。本专利技术提出的一种生物质燃料质量检测方法，其特殊之处在于，所述方法包括如下步骤：1)将生物质燃料运输车停到卸料工位，开始卸车；2)在卸车过程中，通过摄像仪器按照设定间隔时间均匀地对卸下车的待检测生物质燃料进行拍照；3)将摄像仪器拍摄的照片传输至计算机，计算机将照片转换为图片数据；4)将图片数据分别输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型；5)基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型输出每一张图片对应的品种、含水率、含灰率和热值；6)对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值或者加权平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。优选地，所述基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型为经过训练的计算机深度学习模型，训练过程为：A1)取一个生物质燃料样品，在化验室测试其水分、灰分和热值，拍摄照片并转换为图片数据，将图片数据与对应的品种标签、水分标签、灰分标签和热值标签储存；A2)取相同品种的一个生物质燃料样品，重复步骤A1)直至满足以下条件：a)对于每一个含水率为x％的该种生物质燃料取得的照片不少于50张，x为整数；b)对于每一个含灰率为y％的该种生物质燃料取得的照片不少于50张，y为整数；c)对于每一个热值为k的该种生物质燃料取得的照片不少于50张，k为整数，单位为万卡/kg；A3)将所有图片数据与对应的水分标签输入至深度学习模型进行训练，计算神经网络参数，得到含水率识别模型；将所有图片数据与对应的灰分标签输入至深度学习模型进行训练，计算神经网络参数，得到含灰率识别模型；将所有图片数据与对应的热值标签输入至深度学习模型进行训练，计算神经网络参数，得到热值识别模型；A4)换一种生物质燃料，重复步骤A1)～A3)，直至完成所有待检测生物质燃料的含水率识别模型、含灰率识别模型、热值识别模型；A5)将所有图片数据与对应的品种标签输入至深度学习模型进行训练，计算神经网络参数，得到品种识别模型。优选地，所述步骤A3)中将所有图片数据与对应的水分、灰分、热值标签分为训练数据和验证数据，训练数据用于计算神经网络参数，验证数据用于对模型的识别准确率进行验证，模型识别率大于90％，验证通过，否则验证不通过重新计算神经网络参数。优选地，所述步骤A2)中x的取值范围为5-70，y的取值范围为1-30，z的取值范围为100-450。优选地，所述步骤A5)中将所有图片数据与对应的品种标签分为训练数据和验证数据，训练数据用于计算神经网络参数，验证数据用于对模型的识别准确率进行验证，模型识别率大于90％，验证通过，否则验证不通过重新计算神经网络参数。本专利技术还提出一种用于实现上述生物质燃料质量检测方法的系统，其特殊之处在于，所述系统包括摄像仪器和计算机主机，所述摄像仪器用于在卸车过程中拍摄待检测生物质燃料即物料的图片信息，所述计算机主机用于将接收的图片信息输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型，输出每一张图片对应的品种、含水率、含灰率和热值；再对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值或者加权平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。进一步地，所述系统还包括卸料棚，所述卸料棚的内部下方设置有供运输车的卸料工位，所述卸料工位的上方沿卸料棚长度方向设置有移动支架，所述移动支架沿卸料棚宽度方向与横梁滑动配合，所述移动支架上设置有滑轨，设置于滑轨下方的小车与移动支架沿卸料棚长度方向滑动配合，所述小车上沿卸料棚高度方向设置有竖杆，所述竖杆的末端设置有摄像仪器，所述摄像仪器的镜头与卸料工位旁的物料相对，所述摄像仪器的输出端通过设置于竖杆上的电缆与数据线与计算机主机连接。更进一步地，所述小车上设置有液压装置，所述液压装置驱动竖杆作竖直方向运动。更进一步地，所述移动支架为工字梁结构，通过移动支架驱动装置驱动。与现有技术相比，本专利技术从根源上解决了生物质燃料取样代表性差、检测时间长、人力资源消耗大的缺陷，本专利技术采用图像识别技术，通过采集大量的样本，由计算机对样品进行深度学习，挖掘图片数据局部特征，提取全局训练特征和分类，得出图像与水分、杂质的映射关系，经过模型训练，然后由训练出来的模型对采集的图像进行比照，由此推算出对应生物质燃料的含水率及含杂率，检测结果具有快速、客观、准确的特点。附图说明图1为本专利技术生物质燃料质量检测方法的系统的结构示意图。图2为图1的俯视图。图3为本专利技术生物质燃料质量检测方法的原理图。图中：1、运输车，2、物料，3、摄像仪器，4、竖杆，4.1、液压装置，5、移动支架，5.1、移动支架驱动装置，6、卸料棚，7、小车，8、电缆与数据线，9、主机。具体实施方式下面结合附图及实施例对本专利技术作进一步的详细描述，但该实施例不应理解为对本专利技术的限制。本专利技术提出的生物质燃料质量检测方法，包括如下步骤：1)将生物质燃料运输车停到卸料工位，开始卸车；2)在卸车过程中，通过摄像仪器按照设定间隔时间均匀地对卸下车的待检测生物质燃料进行拍照；3)将摄像仪器拍摄的照片传输至计算机，计算机将照片转换为图片数据；4)将图片数据分别输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型；5)基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型输出每一张图片对应的品种、含水率、含灰率和热值；6)对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值或者加权平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型为经过训练的计算机深度学习模型，训练过程为：A1)取一个生物质燃料样品，在化验室测试其水分、灰分和热值，拍摄照片并转换为图片数据，将图片数据与对应的品种标签、水分标本文档来自技高网...

【技术保护点】
1.一种生物质燃料质量检测方法，其特征在于：所述方法包括如下步骤：1)将生物质燃料运输车停到卸料工位，开始卸车；2)在卸车过程中，通过摄像仪器按照设定间隔时间均匀地对卸下车的待检测生物质燃料进行拍照；3)将摄像仪器拍摄的照片传输至计算机，计算机将照片转换为图片数据；4)将图片数据分别输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型；5)基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型输出每一张图片对应的品种、含水率、含灰率和热值；6)对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值或者加权平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。

【技术特征摘要】
1.一种生物质燃料质量检测方法，其特征在于：所述方法包括如下步骤：1)将生物质燃料运输车停到卸料工位，开始卸车；2)在卸车过程中，通过摄像仪器按照设定间隔时间均匀地对卸下车的待检测生物质燃料进行拍照；3)将摄像仪器拍摄的照片传输至计算机，计算机将照片转换为图片数据；4)将图片数据分别输入至基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型；5)基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型输出每一张图片对应的品种、含水率、含灰率和热值；6)对卸车过程中拍摄的所有图片对应的含水率、含灰率和热值取平均值或者加权平均值，得到该车待检测生物质燃料的含水率、含灰率和热值。2.根据权利要求1所述的生物质燃料质量检测方法，其特征在于：所述基于深度学习的含水率识别模型、含灰率识别模型、热值识别模型和品种识别模型为经过训练的计算机深度学习模型，训练过程为：A1)取一个生物质燃料样品，在化验室测试其水分、灰分和热值，拍摄照片并转换为图片数据，将图片数据与对应的品种标签、水分标签、灰分标签和热值标签储存；A2)取相同品种的一个生物质燃料样品，重复步骤A1)直至满足以下条件：a)对于每一个含水率为x％的该种生物质燃料取得的照片不少于50张，x为整数；b)对于每一个含灰率为y％的该种生物质燃料取得的照片不少于50张，y为整数；c)对于每一个热值为k的该种生物质燃料取得的照片不少于50张，k为整数，单位为万卡/kg；A3)将所有图片数据与对应的水分标签输入至深度学习模型进行训练，计算神经网络参数，得到含水率识别模型；将所有图片数据与对应的灰分标签输入至深度学习模型进行训练，计算神经网络参数，得到含灰率识别模型；将所有图片数据与对应的热值标签输入至深度学习模型进行训练，计算神经网络参数，得到热值识别模型；A4)换一种生物质燃料，重复步骤A1)～A3)，直至完成所有待检测生物质燃料的含水率识别模型、含灰率识别模型、热值识别模型；A5)将所有图片数据与对应的品种标签输入至深度学习模型进行训练，计算神经网络参数，得到品种识别模型。3.根据权利要求2所述的生物质燃料质量检测方法，其特征在于：所述步骤A3)中将所有图片数据与对应的水分、灰分、热值标签分为训练数据和验证数据，训练数据用于计算神经网络参数，验证数据用于...

【专利技术属性】
技术研发人员：谢鸿微，江林，曾鑫，李金亮，王显锋，汪伟林，王模胜，王家辉，
申请(专利权)人：格薪源生物质燃料有限公司，
类型：发明
国别省市：湖北,42