CN113049445B - 基于深度学习的水煤浆流动性检测装置及其检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的水煤浆流动性检测装置及其检测方法，半封闭式箱体内设有光源和激光发射器；内壁的一侧面设有侧位相机，相对的另一侧面设有侧面背板光源；顶面设有顶部相机，对应的底部设有底面背板光源；顶部还设有入料口；入料口底部设有电磁阀门；半封闭式箱体内壁的底部设有定量模具；入料口上方还设有活塞；还包括嵌入式AI平台，侧位相机，顶部相机均与嵌入式AI平台连接。通过侧位相机采集煤浆滴落过程的视频，分析视频中煤浆形态特征，通过激光发射器与顶部相机，采集滴落后摊开的煤浆图像并分析滴落煤浆的体积，综合考虑煤浆滴落状态与煤浆滴落体积，得出流动性检测结果。

Description

基于深度学习的水煤浆流动性检测装置及其检测方法

技术领域

本发明涉及矿物加工中水煤浆技术领域，尤其是基于深度学习的水煤浆流动性检测装置及其检测方法。

技术背景

“富煤、贫油、少气”是我国能源结构的基本特征，而我国煤炭资源的分布极不均衡，其中60-70％集中在西部地区，因此煤炭资源的远距离运输具有重要的研究价值。除了常规的水运、铁运和汽运之外，煤炭的管道运输是解决我国煤炭运输紧张的新途径。目前相对成熟的管道输煤方案，是将煤、水、添加剂混合制成水煤浆，然后通过泵站和管线实现水煤浆的管道输送，并在管道终端增加脱水提浓环节，最终得到满足雾化、燃烧、气化等基本要求的合格浆体。在这过程中，水煤浆作为一种固液两相的非牛顿流体，其流变性对水煤浆的输送、雾化、燃烧、气化均起到决定性作用。而水煤浆的流动性作为流变性的重要表现形式，其快速、稳定、准确的在线检测方法与配套仪器对水煤浆的远距离输送、气化、燃烧等工业应用都具有极其重要的意义。

目前的现有技术中，仍习惯于利用表观粘度大小来间接反映水煤浆流动性的好坏，但表观粘度并不能完全反映流体不可逆形变的难易程度，仅能用于大致比较。在针对颗粒粗糙、流动性普遍较差的气化型水煤浆时，利用表观粘度很难反映出气化浆的流动性差异。较为先进的基于数字图像处理技术的水煤浆流动性测定方法，主要借鉴混凝土行业流动性检测方法，将浆注满截锥圆模并提起测量水煤浆摊开面积，此方法能在一定程度上对水煤浆流动性进行量化，但与人类感官上对流动性的判断脱节。一般在研究人员判断浆体流态时，往往根据物料自然流下时的状态，将流动性分为若干等级，这种方法虽然适合水煤浆流动性的判断，但是受操作人员的主观因素影响过大，因此不利于推广应用。

随着深度学习理论与技术的不断完善，社会各行各业的智能化发展进程得到了大力推动。深度学习的最大优势就是通过建立与训练神经网络模型，以端到端的模式模拟人脑对事物的认知过程，因此将深度学习方法引入水煤浆流动性检测能够极大地节约测试所需人力、物力，实现检测智能化、标准化、专业化，然而目前仍未见该方法在水煤浆技术领域中的应用。

发明内容

本发明的目的是提供一种基于深度学习的水煤浆流动性检测装置及其检测方法，利用该方法与配套仪器可实现水煤浆流动性的在线准确检测。

本发明的目的是通过以下技术方案实现的：

基于深度学习的水煤浆流动性检测装置，包括半封闭式箱体，半封闭式箱体内设有光源和激光发射器；半封闭式箱体内壁的一侧面设有侧位相机，相对的另一侧面设有侧面背板光源；半封闭式箱体内壁的顶面设有顶部相机，对应的底部设有底面背板光源；

半封闭式箱体内壁顶部还设有入料口，入料口底部设有电磁阀门；

半封闭式箱体内壁的底部设有定量模具，所述的定量模具位于入料口的下方；定量模具设置在水平导轨上；

入料口上方还设有活塞，所述的活塞通过支架安装在垂直导轨上；待系统给出开始指令后，电磁阀门可自动打开，并在固定时间后，可由活塞挤压入料口处残留煤浆。

还包括嵌入式AI平台，侧位相机、顶部相机均与嵌入式AI平台连接。

所述的半封闭式箱体底部设有排污口，可用于残留煤浆的自动冲洗与自清洁功能。

基于深度学习的水煤浆流动性检测方法，可依托基于深度学习的水煤浆流动性检测装置进行水煤浆流动性的实时在线检测。

流动性的判定从煤浆滴落状态与煤浆滴落体积两个方面展开；

采用侧位相机采集煤浆滴落视频，利用图像处理技术采集视频的关键帧与特征信息，并将关键帧与特征信息一同输入煤浆流态的智能识别模型，用以煤浆滴落状态的判定。

所述的利用图像处理技术，根据视频帧之间的差异性大小自适应截取出关键帧，然后结合特征值，描述关键帧中的煤浆区域特征；

通过采集海量不同流态煤浆的滴落状态视频，所述关键帧与相关特征值提取方法，建立煤浆滴落状态训练样本集，并以此作为输入源，基于深度学习算法构建煤浆流态智能识别模型；

训练完成后部署至嵌入式AI平台中，实现流态识别功能的分布式部署。

其中，所述的特征值包括连通区域个数、连通区域总面积、旋转矩阵长宽比、圆形度、凸包缺陷面积、检点检测数。

进一步的，特征提取网络包括深度卷积神经网络和自编码网络，提取关键帧中的煤浆特征信息，然后结合所述的关键帧特征信息，基于长短时记忆网络挖掘帧与帧之间的特征信息关联，从而构建煤浆流态智能识别模型。

通过激光发射器向滴落后摊开的煤浆发射线阵/面阵激光，然后由顶部相机捕捉带有激光的煤浆图像，基于三维激光扫描算法测得滴落的煤浆体积。

基于深度学习的水煤浆流动性检测装置，按如下步骤进行实时在线检测：

步骤S1：取得待测煤浆样品并倒入入料口；

步骤S2：启动基于深度学习的水煤浆流动性检测装置后，电磁阀门打开，煤浆样品从入料口流入定量模具；

步骤S3：在煤浆滴落过程中，由侧面设置的侧位相机采集煤浆由上而下滴落时的视频，并传输至嵌入式AI平台；

步骤S4：待电磁阀门开启特定时间后，由活塞开始挤压。

步骤S5：挤压特定时间后，将定量模具提起，并通过顶部相机与激光发射器测定落下的煤浆体积。

步骤S6：智能识别系统通过分析煤浆流态与落下的体积，综合给出煤浆流动性的判断结果。

步骤S7：开启自动清洁模式，将测量后煤浆通过排污口冲刷干净。

本发明通过上述技术方案，具有以下优点：

1.本发明通过直接拍摄水煤浆自然流下的状态，更符合研究人员对于流动性检测的直观感受，且由计算机控制整个检测过程，并直接模拟人工判定的过程，避免了人员操作与判定的随机性，提高了该方法与仪器设备的可推广性。

2.本发明通过三维激光扫描技术，直接测定水煤浆自然流下时实际流下浆体的体积与形态，可以避免因浆体粘度高产生的挂壁现象导致的实验误差，提升了水煤浆流动性检测的精度，相比于混凝土行业流动性检测方法中的面积测定法，检测效果更加稳定。

3.本发明通过多个视觉检测位置与多个检测模块的耦合，将水煤浆行业技术人员的流动性判定标准进行量化体现，全方面测定水煤浆流动性，可以适应各种条件下的水煤浆流动性检测要求。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明基于深度学习的水煤浆流动性检测方法流程示意图；

图2为本发明基于深度学习的水煤浆流动性检测装置的正视图；

图3为本发明基于深度学习的水煤浆流动性检测装置的侧视图；

图4为本发明基于深度学习的水煤浆流动性检测装置的俯视图；

图5为本发明基于深度学习的水煤浆流动性检测装置在线监测操作流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和有点更加清楚，下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例也不应该理解成对本发明限制。

如图2到图4所示，基于深度学习的水煤浆流动性检测装置，包括半封闭式箱体1，半封闭式箱体1内设有光源2和激光发射器3；半封闭式箱体1内壁的一侧面设有侧位相机4，相对的另一侧面设有侧面背板光源5；半封闭式箱体1内壁的顶面设有顶部相机6，对应的底部设有底面背板光源7；

半封闭式箱体1内壁顶部还设有入料口8，入料口8底部设有电磁阀门9；

半封闭式箱体1内壁的底部设有定量模具10，所述的定量模具10位于入料口8的下方；定量模具10设置在水平导轨11上；

入料口8上方还设有活塞12，所述的活塞12通过支架安装在垂直导轨13上；待系统给出开始指令后，电磁阀门9可自动打开，并在固定时间后，可由活塞12挤压入料口8处残留煤浆。

还包括嵌入式AI平台14，侧位相机4，顶部相机6均与嵌入式AI平台14连接。

所述的半封闭式箱体1底部设有排污口15，可用于残留煤浆的自动冲洗与自清洁功能。

半封闭式箱体1是可开门设计，半封闭式箱体1体积可以是50cm×60cm×60cm；嵌入式AI平台14可以是具有较高算力、可用于边缘计算的专用嵌入式系统；侧位相机4可以是帧速率较高的专用黑白工业相机，顶部相机6可以是对颜色较敏感的专用彩色工业相机；激光发射器3可以是面阵激光发射器3；顶部的光源2可以是高亮无影光源，背板光源可以是常规LED背板光源，背板光源表面附有可拆卸的玻璃板，光照条件可以是玻璃板上表面：650lux(±10)，侧位相机4水平：1070lux(±15)；电磁阀门9可以是电磁蝶阀；入料口8可以是可拆卸设计、表面相对光滑的材质；定量模具10可以是口直径75mm，下口直径68mm，高度为55mm，内壁光滑无接缝的金属制品。

如图3所示，在一个优选的实施例中，顶部相机6拍摄方向与激光发射器3的激光发射方向的角度可以是60°；

如图2和图4所示，在一个优选的实施例中，排污口15位于半封闭式箱体1底部角落，可用于冲洗残留在半封闭式箱体1底部的煤浆，实现自动清洗功能。如图5所示，在一个优选的实施例中，可按照如下步骤测量水煤浆流动性：

步骤S1：取得待测煤浆样品并倒入入料口8；

步骤S2：启动基于深度学习的水煤浆流动性检测装置后，电磁阀门9打开，煤浆样品从入料口8流入定量模具10；

步骤S3：在煤浆滴落过程中，由侧面设置的侧位相机4采集煤浆由上而下滴落时的视频，并传输至嵌入式AI平台14；

步骤S4：待电磁阀门9开启特定时间后，由活塞12开始挤压。

步骤S5：挤压特定时间后，将定量模具10提起，并通过顶部相机6与激光发射器3测定落下的煤浆体积。

步骤S6：煤浆流态智能识别模型通过分析煤浆流态与落下的体积，综合给出煤浆流动性的判断结果。

步骤S7：设备开启自动清洁模式，将测量后煤浆通过排污口15冲刷干净。

如图1所示，本发明中基于深度学习的水煤浆流动性检测方法分为煤浆滴落状态判定与煤浆滴落体积检测两个部分。其中，煤浆滴落状态的判定以侧位相机4捕捉的视频信号为输入，煤浆滴落体积检测以顶部相机6捕捉的图像信号为输入。各部分按照如下步骤进行：

步骤S11：侧位相机4捕捉画面并进行煤浆目标检测，待画面中出现煤浆开始计时；

步骤S12：记录5s后停止，并对5s内的煤浆滴落视频进行关键帧提取；

步骤S13：通过滤波降噪、二值化处理、形态学运算、掩码运算等方式对关键帧进行预处理；

步骤S14：提取预处理后画面中连通区域个数、连通区域总面积，对应连通区域旋转矩阵长宽比、圆形度、凸包缺陷面积、检点检测数等特征值，最终形成每帧画面的特征张量T1；

步骤S15：将预处理后的关键帧按顺序输入深度神经网络模型，进行特征提取，形成由深度神经网络模型提取到的特征张量T2；

步骤S16：将特征张量T1与T2对齐后，输入煤浆流态智能识别模型，基于长短时记忆网络挖掘帧与帧之特征信息的关联，最终得出煤浆滴落状态判定结果。

步骤S21：待侧位相机4停止记录后，启动顶部活塞12，将入料口8处残余煤浆挤落，落入定量模具10；

步骤S22：定量模具10沿导轨升起后移走，启动激光发射器3与顶部相机6，等待一定时长后采集顶部相机6出入的图像；

步骤S23：通过滤波降噪、二值化处理、形态学运算、掩码运算等方式对图像进行预处理；

步骤S24：针对预处理后的图像，提取激光线，基于光学三角测距法，根据激光发射器3、顶部相机6、煤浆三者的位置关系，将图3中激光线的形变程度换算为煤浆形态与体积；

步骤S25：根据步骤S24中测得的体积，计算煤浆形态的球形度，结合放入入料口8处的煤浆体积，计算滴落效率，综合给出煤浆滴落体积检测结果。

步骤S31：结合步骤S16得出的煤浆滴落状态判定结果与S25得出的煤浆滴落体积检测结果，综合得出流动性判定结果。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

说明书中所列举的实施例方案及技术参数，只是为了帮助读者理解本发明的原理以及阐述本发明所具有的优势，并不代表已经达到了最优化情况，本领域的技术人员可以通过对本发明的各项参数进行优化来得到更好的效果。本领域技术人员应当理解在本发明的基础上所作出的各种可能的等同替换和改变，均属于本发明申请保护的范围。

Claims (3)

1.基于深度学习的水煤浆流动性检测方法，采用基于深度学习的水煤浆流动性检测装置，包括半封闭式箱体，半封闭式箱体内设有光源和激光发射器；半封闭式箱体内壁的一侧面设有侧位相机，相对的另一侧面设有侧面背板光源；半封闭式箱体内壁的顶面设有顶部相机，对应的底部设有底面背板光源；

半封闭式箱体内壁顶部还设有入料口，入料口底部设有电磁阀门；

半封闭式箱体内壁的底部设有定量模具，所述的定量模具位于入料口的下方；定量模具设置在水平导轨上；

入料口上方还设有活塞，所述的活塞通过支架安装在垂直导轨上；

还包括嵌入式AI平台，侧位相机，顶部相机均与嵌入式AI平台连接；

其特征在于，流动性的判定从煤浆滴落状态与煤浆滴落体积两个方面展开；

采用侧位相机采集煤浆滴落视频，利用图像处理技术采集视频的关键帧与特征信息，并将关键帧与特征信息一同输入煤浆流态的智能识别模型，用以煤浆滴落状态的判定；

利用图像处理技术，根据视频帧之间的差异性大小自适应截取出关键帧，然后结合特征值，描述关键帧中的煤浆区域特征；所述的特征值包括连通区域个数、连通区域总面积、旋转矩阵长宽比、圆形度、凸包缺陷面积、检点检测数；

通过采集海量不同流态煤浆的滴落状态视频的关键帧与特征信息，建立煤浆滴落状态训练样本集，并以此作为输入源，基于深度学习算法构建煤浆流态智能识别模型；

训练完成后部署至嵌入式AI平台中，实现流态识别功能的分布式部署；

所述的煤浆滴落体积，通过激光发射器向滴落后摊开的煤浆发射线阵/面阵激光，然后由顶部相机捕捉带有激光的煤浆图像，基于三维激光扫描算法测得滴落的煤浆体积；具体步骤为：

步骤S1：待侧位相机停止记录后，启动顶部活塞，将入料口处残余煤浆挤落，落入定量模具；

步骤S2：定量模具沿导轨升起后移走，启动激光发射器与顶部相机，等待一定时长后采集顶部相机出入的图像；

步骤S3：通过滤波降噪、二值化处理、形态学运算、掩码运算等方式对图像进行预处理；

步骤S4：针对预处理后的图像，提取激光线，基于光学三角测距法，根据激光发射器、顶部相机、煤浆三者的位置关系，将激光线的形变程度换算为煤浆形态与体积；

步骤S5：根据步骤S4中测得的体积，计算煤浆形态的球形度，结合放入入料口处的煤浆体积，计算滴落效率，综合给出煤浆滴落体积检测结果。

2.根据权利要求1所述的基于深度学习的水煤浆流动性检测方法，其特征在于，所述的构建煤浆流态智能识别模型，包括深度卷积神经网络和自编码网络，提取关键帧中的煤浆特征信息，然后结合所述的关键帧与特征信息，基于长短时记忆网络挖掘帧与帧之间的特征信息关联，从而构建煤浆流态智能识别模型。

3.根据权利要求1所述的基于深度学习的水煤浆流动性检测方法，其特征在于，所述的采用侧位相机采集煤浆滴落视频，包括以下步骤：

步骤S1：取得待测煤浆样品并倒入入料口；

步骤S2：启动基于深度学习的水煤浆流动性检测装置后，电磁阀门打开，煤浆样品从入料口流入定量模具；

步骤S3：在煤浆滴落过程中，由侧面设置的侧位相机采集煤浆由上而下滴落时的视频，并传输至嵌入式AI平台；

步骤S4：待电磁阀门开启特定时间后，由活塞开始挤压；

步骤S5：挤压特定时间后，将定量模具提起，并通过顶部相机与激光发射器测定落下的煤浆体积；

步骤S6：煤浆流态智能识别模型通过分析煤浆流态与落下的体积，综合给出煤浆流动性的判断结果。

Images