CN108596216A - 生物质燃料质量检测方法及系统 - Google Patents
生物质燃料质量检测方法及系统 Download PDFInfo
- Publication number
- CN108596216A CN108596216A CN201810302167.1A CN201810302167A CN108596216A CN 108596216 A CN108596216 A CN 108596216A CN 201810302167 A CN201810302167 A CN 201810302167A CN 108596216 A CN108596216 A CN 108596216A
- Authority
- CN
- China
- Prior art keywords
- biomass fuel
- calorific value
- model
- identification model
- moisture content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明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。本发明能够快速、客观、准确地进行生物质燃料质量检测。
Description
技术领域
本发明涉及生物质燃料质量检测技术领域,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。
背景技术
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。
发明内容
针对现有技术的上述问题,本发明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。
本发明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。
本发明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,本发明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,本发明采用图像识别技术,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为本发明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为本发明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发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。
本发明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,取值范围为5-70;
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,取值范围为1-30;
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,取值范围为100-450,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。将输入的数据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。
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。将输入的数据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。
计算神经网络参数的步骤如下:
Step1:输入训练样本集。
Step2:构建网络并进行初始化,随机生成输入层到隐含层权值矩阵W、隐含层阈值向量b以及卷积层参数。
Step3:根据现有网络对输入样本数据进行计算得到一个关于标签信息的向量。
Step4:由分类器向前面的特征抽取器传播。
Step5:根据神经网络的权重修改策略更新权值。
Step6:重复Step3到Step5至迭代次数。
本发明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,如图1、图2所示,包括卸料棚6,卸料棚6的内部下方设置有供运输车1的卸料工位P,卸料工位P的上方沿卸料棚6宽度方向设置有移动支架5,移动支架5沿卸料棚6宽度方向与横梁滑动配合,移动支架5为工字梁结构,通过移动支架驱动装置5.1驱动,中部设置有滑轨,设置于滑轨下方的小车7与移动支架5滑动配合,小车7上沿卸料棚6高度方向设置有竖杆4,小车7上设置有液压装置4.1,液压装置4.1驱动竖杆4作竖直方向运动。竖杆4的末端设置有摄像仪器3。摄像仪器3的镜头与卸料工位P旁的物料2相对,摄像仪器3的输出端通过设置于竖杆4上的电缆与数据线8与计算机主机9连接。
系统中摄像仪器3用于在卸车过程中拍摄待检测生物质燃料即物料2的图片信息,计算机主机9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。本发明原理图如图3所示。
移动支架5安装在卸料棚6的横梁上,其移动范围覆盖整个卸料棚6的横向维度X;小车7安装在移动支架5上,小车7可以在移动支架5上移动,其移动范围覆盖整个移动支架5,即卸料棚6的纵向维度Y;竖杆4安装在小车7上,竖杆4在液压装置4.1的驱动下上下移动,即卸料棚6的竖直维度Z。通过移动支架5、小车7和竖杆4的联合移动,可以覆盖到整个卸料棚6卸料区每一个三维点,从而实现对已经卸到卸料棚6地面的物料2和进入卸料棚6的运输车辆1进行拍照。
生物质燃料运输车1停到卸料工位P后,移动支架5带动小车7及竖杆4将摄像仪器3移动到车辆前部,拍摄车辆前部含车牌的照片,照片经数据传输系统传到计算机主机9,计算机主机9内车牌软件识别该运输车的车牌号,与过磅数据相关联;随后,开始卸车,在卸车的过程中,摄像仪器3被移动到已经卸到地上的物料2上方,摄像仪器3每隔5秒钟均匀地对卸下车的生物质燃料进行拍照,照片经数据传输系统传到计算机主机9,由生物质燃料品种识别模型识别出该批生物质燃料的品种,然后调用该品种生物质燃料的含水率识别模型、含灰率识别模型及热值识别模型获得所输入照片对应生物质燃料的含水率、含灰率及热值,识别出的以上数据与车牌号数据库对应存储,所有照片所代表的含水率、含灰率及热值的平均值(或加权平均值)即为该车生物质燃料的含水率、含灰率及热值。
尽管上面结合附图对本发明的优选实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以作出很多形式的具体变换,这些均属于本发明的保护范围内。
Claims (9)
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。
4.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。。
5.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。
6.一种用于实现权利要求1~5中任一项所述的生物质燃料质量检测方法的系统,其特征在于:所述系统包括摄像仪器(3)和计算机主机(9),所述摄像仪器(3)用于在卸车过程中拍摄待检测生物质燃料即物料(2)的图片信息,所述计算机主机(9)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。
7.根据权利要求6所述的生物质燃料质量检测方法的系统,其特征在于:所述系统还包括卸料棚(6),所述卸料棚(6)的内部下方设置有供运输车(1)的卸料工位(P),所述卸料工位(P)的上方沿卸料棚(6)长度方向设置有移动支架(5),所述移动支架(5)沿卸料棚(6)宽度方向与横梁滑动配合,所述移动支架(5)上设置有滑轨,设置于滑轨下方的小车(7)与移动支架(5)沿卸料棚(6)长度方向滑动配合,所述小车(7)上沿卸料棚(6)高度方向设置有竖杆(4),所述竖杆(4)的末端设置有摄像仪器(3),所述摄像仪器(3)的镜头与卸料工位(P)旁的物料(2)相对,所述摄像仪器(3)的输出端通过设置于竖杆(4)上的电缆与数据线(8)与计算机主机(9)连接。
8.根据权利要求7所述的生物质燃料质量检测方法的系统,其特征在于:所述小车(7)上设置有液压装置(4.1),所述液压装置(4.1)驱动竖杆(4)作竖直方向运动。
9.根据权利要求7所述的生物质燃料质量检测方法的系统,其特征在于:所述移动支架(5)为工字梁结构,通过移动支架驱动装置(5.1)驱动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810302167.1A CN108596216A (zh) | 2018-04-04 | 2018-04-04 | 生物质燃料质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810302167.1A CN108596216A (zh) | 2018-04-04 | 2018-04-04 | 生物质燃料质量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596216A true CN108596216A (zh) | 2018-09-28 |
Family
ID=63624460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810302167.1A Pending CN108596216A (zh) | 2018-04-04 | 2018-04-04 | 生物质燃料质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596216A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310748A (zh) * | 2020-03-17 | 2020-06-19 | 郑州航空工业管理学院 | 一种汉画像石体育图像采集比对装置 |
CN113324937A (zh) * | 2021-08-03 | 2021-08-31 | 南京可信区块链与算法经济研究院有限公司 | 一种基于太赫兹光谱的生物质燃料质检方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4678913A (en) * | 1986-01-06 | 1987-07-07 | Walter C. Mccrone Associates, Inc. | Method and apparatus for analyzing the nature of a sample |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN201885969U (zh) * | 2010-09-19 | 2011-06-29 | 北京工商大学 | 肉类质量检测仪 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN103163075A (zh) * | 2013-03-18 | 2013-06-19 | 河海大学 | 一种水情监测系统 |
CN203519489U (zh) * | 2013-10-29 | 2014-04-02 | 杭州同孚环保科技有限公司 | 一种生物质颗粒燃料含水率在线快速检测仪 |
CN104155298A (zh) * | 2014-08-12 | 2014-11-19 | 哈尔滨工业大学 | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 |
CN105891112A (zh) * | 2016-03-31 | 2016-08-24 | 江苏大学 | 一种基于Android手机的蔬菜叶片新鲜度检测装置及方法 |
CN106383934A (zh) * | 2016-09-05 | 2017-02-08 | 中国矿业大学 | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 |
CN106650927A (zh) * | 2016-09-21 | 2017-05-10 | 光大环保(中国)有限公司 | 基于bp人工神经网络算法的生物质热值估算方法 |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
CN106802977A (zh) * | 2016-12-14 | 2017-06-06 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
CN107526927A (zh) * | 2017-08-10 | 2017-12-29 | 东北大学 | 一种高炉铁水质量在线鲁棒软测量方法 |
CN107727607A (zh) * | 2017-10-13 | 2018-02-23 | 中国科学院上海技术物理研究所 | 一种适用于生物资源检测的综合光谱成像仪 |
CN208206809U (zh) * | 2018-04-04 | 2018-12-07 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测采集装置 |
-
2018
- 2018-04-04 CN CN201810302167.1A patent/CN108596216A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4678913A (en) * | 1986-01-06 | 1987-07-07 | Walter C. Mccrone Associates, Inc. | Method and apparatus for analyzing the nature of a sample |
CN201885969U (zh) * | 2010-09-19 | 2011-06-29 | 北京工商大学 | 肉类质量检测仪 |
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN103163075A (zh) * | 2013-03-18 | 2013-06-19 | 河海大学 | 一种水情监测系统 |
CN203519489U (zh) * | 2013-10-29 | 2014-04-02 | 杭州同孚环保科技有限公司 | 一种生物质颗粒燃料含水率在线快速检测仪 |
CN104155298A (zh) * | 2014-08-12 | 2014-11-19 | 哈尔滨工业大学 | 基于光强补偿及图像灰度值的土壤表层含水率测量方法 |
CN105891112A (zh) * | 2016-03-31 | 2016-08-24 | 江苏大学 | 一种基于Android手机的蔬菜叶片新鲜度检测装置及方法 |
CN106383934A (zh) * | 2016-09-05 | 2017-02-08 | 中国矿业大学 | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 |
CN106650927A (zh) * | 2016-09-21 | 2017-05-10 | 光大环保(中国)有限公司 | 基于bp人工神经网络算法的生物质热值估算方法 |
CN106802977A (zh) * | 2016-12-14 | 2017-06-06 | 同济大学 | 一种用于烧结矿性能指标预测及综合质量评价方法 |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
CN107526927A (zh) * | 2017-08-10 | 2017-12-29 | 东北大学 | 一种高炉铁水质量在线鲁棒软测量方法 |
CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
CN107727607A (zh) * | 2017-10-13 | 2018-02-23 | 中国科学院上海技术物理研究所 | 一种适用于生物资源检测的综合光谱成像仪 |
CN208206809U (zh) * | 2018-04-04 | 2018-12-07 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测采集装置 |
Non-Patent Citations (2)
Title |
---|
戴之祥 等: "基于可见光图像的水稻植株含水率检测技术", 《农业机械学报》 * |
汤梦成 等: "基于LabVIEW的浮选泡沫图像处理及灰分预测研究", 《煤炭技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310748A (zh) * | 2020-03-17 | 2020-06-19 | 郑州航空工业管理学院 | 一种汉画像石体育图像采集比对装置 |
CN113324937A (zh) * | 2021-08-03 | 2021-08-31 | 南京可信区块链与算法经济研究院有限公司 | 一种基于太赫兹光谱的生物质燃料质检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767427A (zh) | 列车轨道扣件缺陷的检测方法 | |
CN110779937B (zh) | 一种铸件产品内部缺陷智能检测装置 | |
CN110126467B (zh) | 一种适用于大面积基板打印的融合墨液检测装置及方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
Jang et al. | Estimating compressive strength of concrete using deep convolutional neural networks with digital microscope images | |
CN110310261A (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN108596216A (zh) | 生物质燃料质量检测方法及系统 | |
CN114894642B (zh) | 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN105678793A (zh) | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 | |
CN106841214A (zh) | 一种非接触式风电叶片风沙侵蚀程度检测方法 | |
CN113012123A (zh) | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 | |
CN114445397A (zh) | 一种基于浅层神经网络的带钢缺陷检测方法 | |
CN110781729A (zh) | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 | |
CN115760837A (zh) | 一种基于深度神经网络的晶体质量评估方法及系统 | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
CN112489019A (zh) | 一种基于深度学习的gfrc图像中短切纤维的快速识别方法 | |
CN208206809U (zh) | 生物质燃料质量检测采集装置 | |
CN103674835A (zh) | 富营养化水体中氮磷物质含量现场快速检测方法及装置 | |
CN113222901A (zh) | 一种基于单阶段钢球表面缺陷检测的方法 | |
CN116883831A (zh) | 一种被遮挡的隧道表面裂缝识别方法 | |
CN112200803B (zh) | 精子核蛋白成熟度检测方法及装置 | |
Maningo et al. | Crack detection with 2D wall mapping for building safety inspection | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN109187549A (zh) | 一种用于后视镜后背层磨边缺损检测工位的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |