一种基于深度学习的化肥造粒粒度检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的化肥造粒粒度检测方法及装置。所述方法包括控制工业相机定时拍摄化肥造粒过程中的图像，对图像进行预处理，利用深度学习进行检测模型训练并优化，将训练的检测模型部署至WEB物联网平台，工控机实时拍摄造粒图像上传至平台进行造粒检测。此外本发明专利技术提供了造粒检测的配套装置，包括：化肥传送带、固定支架、工业相机、补光灯、工控机、WEB物联网云平台。固定支架设于化肥传送带上，架设工业相机，支架两侧设有补光灯，工控机通过光纤连接相机，获取造粒图像，再经过HTTP上传至WEB物联网云平台，得到造粒检测结果，进一步给出预警。本发明专利技术通过深度学习实现化肥造粒粒度检测的智能化，降低成本，提高安全性。全性。全性。

【技术实现步骤摘要】
一种基于深度学习的化肥造粒粒度检测方法及装置


[0001]本专利技术属于复合肥造粒粒径检测分析
，具体涉及一种基于深度学习的化肥造粒粒度检测方法及装置。

技术介绍

[0002]现阶段化肥厂复合肥料的生产方法包括料浆法、熔体法、团粒法等，而氨酸法由于它产量较高，应用成本低，能耗低等优点，已经成为复合肥生产工艺的重要发展方向，是主流中大型化肥生产工厂造粒技术手段。氨酸造粒技术，将各种原料计量后混合均匀，送入造粒机内，通过造粒机转动形成料床，再经过埋管加入液氨(气氨)、浓硫酸、洗液、蒸汽，对物料进行打湿、加热，反应后的物料在造粒机内滚动团聚成粒。造粒机内物料反应好后颜色均匀，颗粒饱满，表面致密有光泽，强度高，为后续的产品防结块打下基础。
[0003]传统的氨酸法造粒工艺，需要化肥厂熟练的技术工人在生产时人眼观察造粒机内物料状态，实时监控，根据过往的造粒成型的经验来判断造粒机的情况，这种靠技术工人检测造粒的方式耗时耗力。并且在化肥造粒过程中会散发出浓烈的化学气体，工人长期吸入混有氨酸气体会氨中毒，对人体的呼吸系统造成损伤，故而实现氨酸造粒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的化肥造粒粒度检测方法，其特征在于，所述方法包括以下步骤：S1、工控机控制工业相机对造粒图像进行采集；S2、对采集到的图像进行预处理，使化肥颗粒图像特征更为明显；S3、图像标注：对预处理后得到的数据集进行标注，区分出正常颗粒图像与非正常颗粒图像；S4、使用深度学习方法对造粒检测网络模型进行训练；S5、优化模型：对模型进行优化处理来提高识别准确率以及识别的速度；S6、将训练好的造粒检测网络模型布置到WEB物联网云平台；S7、工控机实时获取造粒图像，并上传所述WEB物联网云平台进行粒度的检测。2.根据权利要求1所述的一种基于深度学习的化肥造粒粒度检测方法，其特征在于：在所述步骤S1中，图像采集设备为CCD工业相机，所述CCD工业相机垂直架设于运输化肥颗粒的传送带上，定时采集滚筒造粒出来的化肥颗粒图像。3.根据权利要求1所述的一种基于深度学习的化肥造粒粒度检测方法，其特征在于：在所述步骤S2中，通过如下操作进行图像预处理：2.1)对图像进行像素相加处理，增加化肥颗粒的像素特征，利用双边滤波算法，滤除噪声并保留化肥颗粒的边缘信息；2.2)利用局部图像的均值和方差来实现增强不同局部或像素：用f(x,y)来表示待增强的图像，用g(x,y)表示输出增强图像，即局部增强后的图像，增强的局部或像素为图像中灰度比较小且对比度也较小的区域，利用下面公式进行计算：其中m(x,y)和σ(x,y)分别代表以(x,y)位置像素为中心的邻域内的像素的均值和方差；M代表待增强图像f(x,y)的均值，S代表增强图像f(x,y)的均方差，a,b,k和E均为系数，且a<b<0.5,k<0.5,E代表增强的系数，2<E<5，M≤km(x,y)用于选择相对于全图比较暗的区域；aS≤σ(x,y)≤bS用于选择相对于全图方差比较小的区域。4.根据权利要求1所述的一种基于深度学习的化肥造粒粒度检测方法，其特征在于：在所述步骤S3中，根据图像中化肥颗粒形态对图像进行标注，包括进行粉状颗粒、正常颗粒、大块颗粒三...

【专利技术属性】
技术研发人员：周林立，王涛，水加豪，熊建巧，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：