CN110849879A - 含碳量的检测方法、检测系统及计算机存储介质 - Google Patents

含碳量的检测方法、检测系统及计算机存储介质 Download PDF

Info

Publication number
CN110849879A
CN110849879A CN201911202770.3A CN201911202770A CN110849879A CN 110849879 A CN110849879 A CN 110849879A CN 201911202770 A CN201911202770 A CN 201911202770A CN 110849879 A CN110849879 A CN 110849879A
Authority
CN
China
Prior art keywords
image information
information entropy
carbon content
sample
detection model
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
Application number
CN201911202770.3A
Other languages
English (en)
Inventor
袁俊
田鹏路
李志超
张少男
魏庆波
曾骥敏
宋亚杰
任新宇
陈世和
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huarun Power Technology Research Institute Co Ltd
Original Assignee
Huarun Power Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huarun Power Technology Research Institute Co Ltd filed Critical Huarun Power Technology Research Institute Co Ltd
Priority to CN201911202770.3A priority Critical patent/CN110849879A/zh
Publication of CN110849879A publication Critical patent/CN110849879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Combustion & Propulsion (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种含碳量的检测方法、检测系统及计算机存储介质，用于实时检测含碳样本的含碳量。本申请实施例方法包括：检测系统分别获取训练样本的标准含碳量、训练样本的图像的标准图像信息熵以及标准图像信息熵与对照系数之间的图像信息熵差，检测系统使用包括标准含碳量和图像信息熵差的训练数据集对初始检测模型进行训练，得到目标检测模型。本申请实施例通过模型训练得到图像信息熵差与含碳量的函数关系，当需要检测样本的含碳量时，只需获取待测样本对应的图像信息熵差，目标检测模型对输入的图像信息熵差进行运算后即可输出待测样本的含碳量，无需对待测样本进行长时间灼烧，从而减少了检测时间，达到实时检测含碳量的目的。

Description

含碳量的检测方法、检测系统及计算机存储介质
技术领域
本申请实施例涉及火电能源领域，具体涉及一种含碳量的检测方法、检测系统及计算机存储介质。
背景技术
飞灰是火电厂在燃煤发电时燃烧煤炭所产生的烟气灰分中的细微固体颗粒物，其成分有二氧化硅、氧化铝以及较少部分的碳。工业上对飞灰的含碳量进行实时检测，有利于指导工作人员正确调整风煤比，提高锅炉燃烧水平。
飞灰含碳量的检测方法有化学灼烧失重法，此方法是在设定的高温下对飞灰样本进行灼烧，飞灰中残碳燃尽后会使得飞灰样本的质量减少，将飞灰样本的烧失量作为样本的含碳量。采用此方法检测飞灰含碳量，其测量精度较高，方法简单易行，并且设备容易维护。
但是，化学灼烧失重法前期需要对样本进行长时间的高温灼烧，前处理时间较长，导致整个检测过程漫长，测量结果无法实时地反映当前的锅炉燃烧的工况。
发明内容
本申请实施例提供了一种含碳量的检测方法、检测系统及计算机存储介质，用于实时检测含碳样本的含碳量。
本申请实施例第一方面提供了一种含碳量的检测方法，包括：
检测系统获取训练样本的标准含碳量；
所述检测系统获取所述训练样本的图像的标准图像信息熵；
所述检测系统获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
所述检测系统构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量；
所述检测系统将所述标准含碳量和所述图像信息熵差确定为训练数据集；
所述检测系统使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
优选的，所述对照系数为零。
优选的，所述对照系数为对照样本的图像的图像信息熵。
优选的，所述训练样本为校核煤种的燃煤对应的样本，所述对照样本为设计煤种的燃煤对应的样本。
优选的，所述检测系统使用所述训练数据集对所述初始检测模型进行训练，包括：
所述检测系统使用所述训练数据集，基于反向传播神经网络算法对所述初始检测模型进行训练。
本申请实施例第二方面提供了一种检测系统，包括：
第一获取单元，用于获取训练样本的标准含碳量；
第二获取单元，用于获取所述训练样本的图像的标准图像信息熵；
第三获取单元，用于获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
构建单元，用于构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量；
确定单元，用于将所述标准含碳量和所述图像信息熵差确定为训练数据集；
训练单元，用于使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
优选的，所述对照系数为零。
优选的，所述对照系数为对照样本的图像的图像信息熵。
优选的，所述训练样本为校核煤种的燃煤对应的样本，所述对照样本为设计煤种的燃煤对应的样本。
优选的，所述训练单元具体用于使用所述训练数据集，基于反向传播神经网络算法对所述初始检测模型进行训练。
本申请实施例第三方面提供了一种检测系统，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述输入输出设备用于获取训练样本的标准含碳量，获取所述训练样本的图像的标准图像信息熵，获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
所述处理器用于构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量，将所述标准含碳量和所述图像信息熵差确定为训练数据集，使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
本申请实施例第四方面提供了一种计算机存储介质，计算机存储介质中存储有指令，该指令在计算机上执行时，使得计算机执行前述第一方面的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
检测系统分别获取训练样本的标准含碳量、训练样本的图像的标准图像信息熵以及标准图像信息熵与对照系数之间的图像信息熵差，构建用于检测含碳量的初始检测模型，初始检测模型包括了以图像信息熵差为自变量和以含碳量为因变量的函数关系，检测系统使用包括标准含碳量和图像信息熵差的训练数据集对初始检测模型进行训练，得到目标检测模型，目标检测模型可以用于对待检测样本进行检测。本申请实施例通过模型训练得到图像信息熵差与含碳量的函数关系，当需要检测飞灰样本的含碳量时，只需获取待检测样本的图像的图像信息熵与对照系数之间的差值，即图像信息熵差，目标检测模型对输入的图像信息熵差进行运算后即可输出待检测样本的含碳量，无需对待检测样本进行长时间灼烧，从而减少了检测时间，达到实时检测飞灰含碳量的目的。
附图说明
图1为本申请实施例中含碳量的检测方法一个流程示意图；
图2为本申请实施例中检测系统一个结构示意图；
图3为本申请实施例中检测系统另一结构示意图。
具体实施方式
本申请实施例提供了一种含碳量的检测方法、检测系统及计算机存储介质，用于实时检测含碳样本的含碳量。
请参阅图1，本申请实施例中含碳量的检测方法一个实施例包括：
101、检测系统获取训练样本的标准含碳量；
本实施例中，训练样本为火电厂的锅炉中燃煤未完全燃烧所产生的固体样本，可以是飞灰样本、炉渣样本以及其他含有碳成分的固体样本。检测系统获取训练样本的含碳量，本实施例将训练样本的含碳量称为标准含碳量。
在获取训练样本的标准含碳量之前需要使用取样器对训练样本进行采集和取样，例如，当以飞灰作为训练样本时，采用飞灰取样器对锅炉尾部烟道内的飞灰进行采集和取样。
训练样本可以是某一种燃煤未完全燃烧所产生的多个不同燃烧时段的固体样本时，例如，某一种类的燃煤在初期的燃烧阶段和后期的燃烧阶段，分别采集燃煤未完全燃烧所产生的多个固体样本作为训练样本。
训练样本也可以是多种燃煤未完全燃烧所产生的固体样本。例如，火电厂会根据燃煤的市场情况、燃煤分布的地理位置、燃煤运输条件和煤质特性等诸多因素配备多种燃煤，如作为设计煤种的燃煤以及多种作为校核煤种的燃煤，则可以将各种具有不同用途的燃煤未完全燃烧所产生的固体样本作为训练样本。
训练样本的标准含碳量可以通过现有的含碳量检测方法测得，例如采用微波测量法、化学灼烧失重法测得含碳量。由于化学灼烧失重法的检测精度较高，在实际运用中可以采用化学灼烧失重法测得训练样本的标准含碳量。
102、检测系统获取训练样本的图像的标准图像信息熵；
在采集到训练样本之后，需要对训练样本进行成像，得到训练样本的图像，并计算得到训练样本的图像的图像信息熵，本实施例将训练样本的图像的图像信息熵称为标准图像信息熵。
检测系统获取训练样本的标准图像信息熵可以通过在自身系统上计算训练样本的图像的图像信息熵的方式获取到，也可以是技术人员在检测系统之外对训练样本的图像的图像信息熵进行计算之后，将得到的标准图像信息熵导入到检测系统上，检测系统进而得到该标准图像信息熵，检测系统获取标准图像信息熵的方式不作限定。
103、检测系统获取图像信息熵差；
检测系统获取图像信息熵差，图像信息熵差为标准图像信息熵与对照系数之间的差值，其中对照系数为任意的明确的数值。
本实施例中，对照系数可以是零。当对照系数为零时，图像信息熵差的数值等于标准图像信息熵的数值或者是标准图像信息熵的数值的相反数。
对照系数也可以是对照样本的图像的图像信息熵，则图像信息熵差为标准图像信息熵与对照样本的图像的图像信息熵之间的差值，其中对照样本为燃煤未完全燃烧所产生的固体样本。
对照样本和训练样本可以来自同一种燃煤，此时对照样本可以是某一种燃煤在初期的燃烧阶段未完全燃烧所产生的固体样本，则训练样本可以是该种类燃煤在后期的燃烧阶段未完全燃烧所产生的多个固体样本。
对照样本和训练样本也可以来自不同种类的燃煤，此时，训练样本是某一种类燃煤未完全燃烧所产生的固体样本，则对照样本可以是另一种类的燃煤未完全燃烧所产生的固体样本。
例如，训练样本可以是作为校核煤种的燃煤未完全燃烧所产生的固体样本，则对照样本可以是作为设计煤种的燃煤未完全燃烧所产生的固体样本，其中作为校核煤种的燃煤(以下称“校核燃煤”)可以只有一种，则训练样本可以是该种类的校核燃煤在多个不同燃烧时期未完全燃烧所产生的多个固体样本；校核燃煤也可以有多种，则训练样本可以是多种校核燃煤未完全燃烧所产生的固体样本。
104、检测系统构建初始检测模型；
由于本实施例的原理是采用训练好的网络模型来预测待检测样本的含碳量，因此，检测系统需要构建初始检测模型，并在后续的操作中对该初始检测模型进行训练。其中，初始检测模型包含图像信息熵差和含碳量的函数关系，图像信息熵差为自变量，含碳量为因变量。
105、检测系统将标准含碳量和图像信息熵差确定为训练数据集；
由于初始检测模型需要经过训练，因此需要确定用来训练初始检测模型的训练数据集，本实施例中，由于初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量，因此，检测系统将标准图像信息熵与对照系数之间的图像信息熵差作为自变量的取值，将标准含碳量作为因变量的取值，标准含碳量和图像信息熵差作为训练数据集用来训练初始检测模型。
106、检测系统使用训练数据集对初始检测模型进行训练，得到目标检测模型；
在确定了训练数据集之后，检测系统使用训练数据集对初始检测模型进行训练，得到目标检测模型，目标检测模型包含了图像信息熵差与含碳量之间明确的函数关系。在初始检测模型中，已知图像信息熵差和含碳量存在函数关系，但是两者之间的函数关系是不明确的，无法根据自变量(图像信息熵差)计算得到因变量(含碳量)，而经过模型训练之后，获得该函数关系的相关参数，相关参数与自变量、因变量共同构成图像信息熵差和含碳量的函数关系，此时该函数关系是明确的，可以根据图像信息熵差计算得到与图像信息熵差对应的含碳量。
本实施例中，检测系统对初始检测模型的训练可以基于反向传播神经网络(backpropagation neural network，BP)算法，也可以根据广义回归神经网络(generalregression neural network，GRNN)算法对初始检测模型进行训练，还可以基于灰色神经网络算法、支持向量机(support vector machines,svm)神经网络算法或者是遗传算法等模型训练方法对初始检测模型进行训练。
在对待检测样本进行检测时，首先计算该待检测样本的图像的图像信息熵与对照系数之间的差值，得到图像信息熵差，向目标检测模型输入该图像信息熵差，目标检测模型根据图像信息熵差与含碳量之间明确的函数关系，对输入的图像信息熵差进行计算之后，输出该待检测样本的含碳量，从而实现含碳量的检测。
本实施例中，步骤101和102执行顺序不作限定，可以先执行步骤102，后执行步骤101；也可以先执行步骤101，后执行步骤102，或者是两个步骤同时执行。
本实施例中，检测系统分别获取训练样本的标准含碳量、训练样本的图像的标准图像信息熵以及标准图像信息熵与对照系数之间的图像信息熵差，构建用于检测含碳量的初始检测模型，初始检测模型包括了以图像信息熵差为自变量和以含碳量为因变量的函数关系，检测系统使用包括标准含碳量和图像信息熵差的训练数据集对初始检测模型进行训练，得到目标检测模型，目标检测模型可以用于对待检测样本进行检测。本实施例通过模型训练得到图像信息熵差与含碳量的函数关系，当需要检测样本的含碳量时，只需获取待检测样本的图像的图像信息熵与对照系数之间的差值，即图像信息熵差，目标检测模型对输入的图像信息熵差进行运算后即可输出待检测样本的含碳量，无需对待检测样本进行长时间灼烧，从而减少了检测时间，达到实时检测含碳量的目的。
上面对本申请实施例中的含碳量的检测方法进行了描述，下面对本申请实施例中的检测系统进行描述，请参阅图2，本申请实施例中检测系统一个实施例包括：
第一获取单元201，用于获取训练样本的标准含碳量；
第二获取单元202，用于获取训练样本的图像的标准图像信息熵；
第三获取单元203，用于获取图像信息熵差，图像信息熵差为标准图像信息熵与对照系数之间的差值；
构建单元204，用于构建初始检测模型，初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量；
确定单元205，用于将标准含碳量和图像信息熵差确定为训练数据集；
训练单元206，用于使用训练数据集对初始检测模型进行训练，得到目标检测模型，目标检测模型用于对待检测样本进行检测。
本实施例中，对照系数可以为零，也可以是对照样本的图像的图像信息熵。
作为优选的方案，训练样本可以是校核煤种的燃煤对应的样本，对照样本为设计煤种的燃煤对应的样本。
本实施例中，训练单元206具体用于使用训练数据集，基于反向传播神经网络算法对初始检测模型进行训练。
本实施例中，检测系统可以利用图像信息熵差和标准含碳量作为训练数据集对初始检测模型进行训练，得到的目标检测模型可以用于检测含碳样本的含碳量，在网络模型的训练过程和含碳量检测过程中，检测系统中各单元所执行的操作与前述图1所示实施例中描述的类似，此处不再赘述。
本实施例中，第一获取单元201、第二获取单元202和第三获取单元203分别获取训练样本的标准含碳量、训练样本的图像的标准图像信息熵以及标准图像信息熵与对照系数之间的图像信息熵差，构建单元204构建用来检测含碳量的初始检测模型，初始检测模型包括了以图像信息熵差为自变量和以含碳量为因变量的函数关系，训练单元206使用包括标准含碳量和图像信息熵差的训练数据集对初始检测模型进行训练，得到目标检测模型，目标检测模型可以用于对待检测样本进行检测。本实施例通过模型训练得到图像信息熵差与含碳量的函数关系，当需要检测样本的含碳量时，只需获取待检测样本的图像的图像信息熵与对照系数之间的差值，即图像信息熵差，目标检测模型对输入的图像信息熵差进行运算后即可输出待检测样本的含碳量，无需对待检测样本进行长时间灼烧，从而减少了检测时间，达到实时检测含碳量的目的。
下面对本申请实施例中的检测系统进行描述，请参阅图3，本申请实施例中检测系统一个实施例包括：
该检测系统300可以包括一个或一个以上中央处理器(central processingunits，CPU)301和存储器305，该存储器305中存储有一个或一个以上的应用程序或数据。
其中，存储器305可以是易失性存储或持久存储。存储在存储器305的程序可以包括一个或一个以上模块，每个模块可以包括对检测系统中的一系列指令操作。更进一步地，中央处理器301可以设置为与存储器305通信，在检测系统300上执行存储器305中的一系列指令操作。
检测系统300还可以包括一个或一个以上电源302，一个或一个以上有线或无线网络接口303，一个或一个以上输入输出接口304，和/或，一个或一个以上操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等。
该中央处理器301可以执行前述图1所示实施例中检测系统所执行的操作，具体此处不再赘述。
本申请实施例还提供了一种计算机存储介质，其中一个实施例包括：该计算机存储介质中存储有指令，该指令在计算机上执行时，使得该计算机执行前述图1所示实施例中检测系统所执行的操作。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (12)

1.一种含碳量的检测方法，其特征在于，包括：
检测系统获取训练样本的标准含碳量；
所述检测系统获取所述训练样本的图像的标准图像信息熵；
所述检测系统获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
所述检测系统构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量；
所述检测系统将所述标准含碳量和所述图像信息熵差确定为训练数据集；
所述检测系统使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
2.根据权利要求1所述的含碳量的检测方法，其特征在于，所述对照系数为零。
3.根据权利要求1所述的含碳量的检测方法，其特征在于，所述对照系数为对照样本的图像的图像信息熵。
4.根据权利要求3所述的含碳量的检测方法，其特征在于，所述训练样本为校核煤种的燃煤对应的样本，所述对照样本为设计煤种的燃煤对应的样本。
5.根据权利要求1至4任一项所述的含碳量的检测方法，其特征在于，所述检测系统使用所述训练数据集对所述初始检测模型进行训练，包括：
所述检测系统使用所述训练数据集，基于反向传播神经网络算法对所述初始检测模型进行训练。
6.一种检测系统，其特征在于，所述检测系统包括：
第一获取单元，用于获取训练样本的标准含碳量；
第二获取单元，用于获取所述训练样本的图像的标准图像信息熵；
第三获取单元，用于获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
构建单元，用于构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量；
确定单元，用于将所述标准含碳量和所述图像信息熵差确定为训练数据集；
训练单元，用于使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
7.根据权利要求6所述的检测系统，其特征在于，所述对照系数为零。
8.根据权利要求6所述的检测系统，其特征在于，所述对照系数为对照样本的图像的图像信息熵。
9.根据权利要求8所述的检测系统，其特征在于，所述训练样本为校核煤种的燃煤对应的样本，所述对照样本为设计煤种的燃煤对应的样本。
10.根据权利要求6至9任一项所述的检测系统，其特征在于，所述训练单元具体用于使用所述训练数据集，基于反向传播神经网络算法对所述初始检测模型进行训练。
11.一种检测系统，其特征在于，所述检测系统包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述输入输出设备用于获取训练样本的标准含碳量，获取所述训练样本的图像的标准图像信息熵，获取图像信息熵差，所述图像信息熵差为所述标准图像信息熵与对照系数之间的差值；
所述处理器用于构建初始检测模型，所述初始检测模型中包含的函数关系的自变量为图像信息熵差，因变量为含碳量，将所述标准含碳量和所述图像信息熵差确定为训练数据集，使用所述训练数据集对所述初始检测模型进行训练，得到目标检测模型，所述目标检测模型用于对待检测样本进行检测。
12.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至5中任一项所述的方法。
CN201911202770.3A 2019-11-29 2019-11-29 含碳量的检测方法、检测系统及计算机存储介质 Pending CN110849879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911202770.3A CN110849879A (zh) 2019-11-29 2019-11-29 含碳量的检测方法、检测系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911202770.3A CN110849879A (zh) 2019-11-29 2019-11-29 含碳量的检测方法、检测系统及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110849879A true CN110849879A (zh) 2020-02-28

Family

ID=69606413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911202770.3A Pending CN110849879A (zh) 2019-11-29 2019-11-29 含碳量的检测方法、检测系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110849879A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845554A (zh) * 2017-02-07 2017-06-13 中国林业科学研究院资源信息研究所 一种檀香植株生长土壤铁元素含量的图像确定方法和系统
CN107860715A (zh) * 2017-10-27 2018-03-30 西安交通大学 一种锅炉炉渣含碳量检测方法
CN108052980A (zh) * 2017-12-21 2018-05-18 南京理工大学 基于图像的空气质量等级检测方法
CN109087277A (zh) * 2018-06-11 2018-12-25 北京工业大学 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法
CN109612943A (zh) * 2019-01-14 2019-04-12 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845554A (zh) * 2017-02-07 2017-06-13 中国林业科学研究院资源信息研究所 一种檀香植株生长土壤铁元素含量的图像确定方法和系统
CN107860715A (zh) * 2017-10-27 2018-03-30 西安交通大学 一种锅炉炉渣含碳量检测方法
CN108052980A (zh) * 2017-12-21 2018-05-18 南京理工大学 基于图像的空气质量等级检测方法
CN109087277A (zh) * 2018-06-11 2018-12-25 北京工业大学 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法
CN109612943A (zh) * 2019-01-14 2019-04-12 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
付钦学 等: "基于数字图像处理技术的锅炉排渣含碳量检测方法研究", 《机电信息》 *
邢超 等: "利用图像信息熵差检测炉渣碳质量分数", 《西安交通大学学报》 *

Similar Documents

Publication Publication Date Title
CN108700852B (zh) 模型参数值推定装置及推定方法、记录介质、模型参数值推定系统
CN106547265B (zh) 一种轨道交通电子控制装置的现场可靠性评估方法及系统
CN111080469B (zh) 一种用于火电厂的co2排放量核算方法及装置
Rios et al. A data-driven fire spread simulator: Validation in Vall-Llobrega's fire
CN103150581B (zh) 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置
CN107421717B (zh) 一种红外成像仪最小可探测温差自动测试方法及装置
CN106546681B (zh) 用于测试燃气涡轮的系统和方法
CN112883631B (zh) 燃气轮机的排烟含氧量预测方法及装置
Manion et al. The importance of relative reaction rates in the optimization of detailed kinetic models
CN110849879A (zh) 含碳量的检测方法、检测系统及计算机存储介质
JP2018179615A (ja) 発生源分析装置および発生源分析システム
CN116564431B (zh) 一种基于大数据处理的污染源在线分析系统及方法
Smolarz et al. Fuzzy modeling for optical sensor for diagnostics of pulverized coal burner
CN114267418B (zh) 一种锅炉运行数据的实时测量方法及装置
CN114444550B (zh) 结构化数据解析方法、装置、电子设备及存储介质
JP4932668B2 (ja) パラメータ算出装置、パラメータ算出方法、およびパラメータ算出プログラム
CN108491862A (zh) 一种变电设备传感器群数据融合与无线汇聚方法及系统
CN114819238A (zh) 燃气锅炉的烟气含氧量预测方法及装置
CN1003189B (zh) 估计机械构件预期寿命的方法与装置
CN106845050A (zh) 滚动轴承可靠性评估方案
Panaccione et al. Multi-component liquid analyzer during steady-state and dynamic CO2 capture operations: Near real-time feedback in industrialized environment
Hultgren et al. Circulating fluidized bed boiler state estimation with an unscented Kalman filter tool
CN114036833B (zh) 燃煤锅炉管壁减薄速率的获取方法、装置和电子设备
CN114819237B (zh) 燃气锅炉的烟气含氧量预测方法及装置
Chui et al. On the dynamics of flame images identified through computer vision and modal methods

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: 20200228