CN113327300B - 基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 - Google Patents
基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 Download PDFInfo
- Publication number
- CN113327300B CN113327300B CN202110611275.9A CN202110611275A CN113327300B CN 113327300 B CN113327300 B CN 113327300B CN 202110611275 A CN202110611275 A CN 202110611275A CN 113327300 B CN113327300 B CN 113327300B
- Authority
- CN
- China
- Prior art keywords
- area
- garbage
- heat value
- thermal imaging
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明涉及入炉垃圾的热值实时测算技术,旨在提供一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法。本发明利用不同垃圾组分在红外波段图像内颜色不同的原理,通过热成像摄像机采集入炉垃圾的热成像图并人工标注形成数据集,通过U‑Net全卷积神经网络循环进行模型训练,并结合模型输出的垃圾分割体积与单位体积垃圾热值计算,最终得到入炉垃圾的实时热值。相较现场运行人员根据DCS数据或经验估算垃圾热值,本发明更具有实时性和精确性,其能够高效和准确的测算料斗内的垃圾热值,能实现对垃圾焚烧炉的稳定燃烧的诊断,减少污染物排放以及燃烧的高效清洁利用。
Description
技术领域
本发明涉及入炉垃圾的热值实时测算技术领域,尤其涉及一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法。
背景技术
随着我国经济的快速发展,“垃圾围城”困境不断升级,垃圾焚烧技术对垃圾减量化、无害化、资源化起到了很大的作用.但由于我国垃圾成分复杂、热值不均匀,且无法提前估算入炉垃圾的热值,垃圾给料速率的调节有一定滞后性,容易影响焚烧炉燃烧效率、稳定运行及增加污染物排放.因此,需要对垃圾焚烧炉入炉垃圾热值进行实时测算,以解决上述问题,实现垃圾的清洁、高效能源化利用。
垃圾焚烧发电厂物料进入焚烧炉之前,需要安排人工实时注视监控屏幕,通过运行人员通过经验估算垃圾热值来调整垃圾给料量和风量等,实现焚烧炉内的稳定燃烧,这既需要工作人员时刻保持高度集中的注意力。另外,人工监视方式无法精准估算出垃圾热值,控制调节存在滞后性,容易使得焚烧炉内燃烧产生较大的波动。
目前,国内外垃圾热值的计算方法大致有,仪器测试(氧弹热量法)、公式估计法(Dulong/Scheurer-Kestner等);以及利用灰色关联度预测生活垃圾热值的影响,并利用BP(Back Propagation)神经网络建立垃圾热值预测模型。但这些方法存在着误差大、计算模型复杂难以应用、限制条件多等缺陷,并不能做到垃圾热值的实时测算。在现阶段的研究中,缺少一个有效的技术方法,能够对垃圾热值进行实时定量检测计算。
综上,目前尚无能够实时直接测算入炉垃圾热值的方法,大多数运行人员仅能从垃圾料斗的监控画面估算出垃圾热值的粗略情况。因此,亟需一种入炉垃圾热值实时测算方法以解决上述问题。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法。
为解决技术问题,本发明的解决方案是:
提供一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法,包括以下步骤:
(1)在垃圾焚烧炉入炉前的料斗上方设置热成像摄像机,获取料斗中垃圾的热成像图;
(2)对热成像图进行校正后,对热成像图进行切割操作,去除时间和日期信息;
(3)不同热值的垃圾会在热成像图中显示为不同颜色,按颜色的区别将热值区域定义为高、中、低三个级别;由于不同种类垃圾的表面发射率不同,导致其能够发出的辐射量不同,因此在热成像图中产生了不同颜色的区域。高热值区域在热成像图片中颜色偏红,低热值区域在热成像图片中偏蓝。根据该规则对足量热成像图中的热值区域进行人工标注,将标注后的图像与原图一一对应后组成料斗垃圾的热成像数据库;
(4)以热成像数据库作为训练集,将其输入U-Net全卷积神经网络中进行训练,得到用于分析热成像图中热值区域的自动识别模型;
(5)将实时生成的单张热成像图输入自动识别模型,对该图中不同级别的热值区域分别进行识别;然后计算各级别热值区域的图像总面积areai,设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;
在与热成像摄像机的标定转换系数a相乘后,得到料斗中不同热值垃圾的实际分割面积Si,其中S1为高热值区域分割面积、S2为中热值区域分割面积、S3为低热值区域分割面积:
Si=areai×α
其中,Simg为热成像图中对应区域的图像分割面积,单位:m2;Sactual为热成像图中被分割区域的实际面积,单位:m2;i=1,2,3;
标定转换系数α,是通过计算热成像摄像机拍摄同一区域的实际面积与对应图像面积比值所得到的;假定热成像摄像机在入料口正上方拍摄且拍摄距离恒定,所述标定转换系数α应为恒定值。
(6)假设料斗中的垃圾堆料高度h和密度ρ保持不变,则垃圾料斗顶部面积S2、垃圾料斗底部面积S1和中截面面积S0的值保持恒定,结合棱台体积公式计算垃圾料斗中的某类垃圾的实时平均热值:
其中,Qpi为某张图片的垃圾预测热值,单位:kJ/kg,其中i=1,2,3,Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值;areai为各级别热值区域的图像总面积,单位:m2;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;ρ为该堆垃圾的密度,单位:kg/m3;h为假定垃圾堆料高度,单位:m;Qri为不同热值区域垃圾的经验热值,单位:kJ/kg,其中,Qr1为高热值区域垃圾经验热值,Qr2为中热值区域垃圾经验热值,Qr3为低热值区域垃圾经验热值;S1为垃圾料斗底部面积,单位:m2;S0为料斗中截面面积,单位:m2;S2为垃圾料斗顶部面积,单位:m2;
(7)根据步骤(5)中的识别结果和步骤(6)中的计算结果,对高、中、低热值区域的垃圾热值计算总和以得到实时的预测热值总和:
Q′p=Qp1+Qp2+Qp3
其中,Q′p为某张热成像图对应的所有垃圾热值总和的预测值,单位:kJ/kg;Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值,单位:kJ/kg。
本发明中,所述步骤(5)中,各级别的热值区域面积areai是通过下述方式计算的:
areai=areai1+areai2+…+areain
其中,areai为热成像图中某一级别热值区域的总面积,其中i=1,2或3;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;其中,areai1~areain则代表该图中分布在不同位置的某一级别热值区域的面积,i=1,2或3,n取决于图中各热值区域的具体个数。
本发明中,所述步骤(6)中垃圾的经验热值Qri是通过下述公式计算获得的:
其中,Qri为生活垃圾的不同级别热值区域经验热值,单位:kJ/kg;设定Qr1为高热值区域垃圾经验热值,Qr2为中热值区域垃圾经验热值,Qr3为低热值区域垃圾经验热值;Q′ri(f)为不同级别热值区域中某成分垃圾干基高位热值,单位:kJ/kg;C′f为某成分垃圾干基百分含量,单位:%;Cf(W)为某成分垃圾含水量,单位:%。
本发明中,在使用热成像摄像机获取垃圾的热成像图之前,先以张氏标定法对热成像摄像机进行标定操作,获取热成像摄像机的标定参数。
本发明中,采用Labelme标注工具对热成像图进行人工标注。
本发明进一步提供了基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算系统,该系统中包括:
热成像摄像机,用于获取料斗中垃圾的热成像图;
工控机,内置热成像图像识别与热值计算模块,用于通过前述方法对实时获得的热成像图进行识别和计算,得到料斗中垃圾的实时预测热值总和;
数据线,用于连接热成像摄像机和工控机。
发明原理描述:
现有技术中通过传统工业相机捕捉物体的反射光来采集入炉垃圾,受实地现场光源的角度及亮度影响,存在被拍摄垃圾有阴影和光源亮度不够等问题,会极大地影响被拍摄垃圾的清晰度和准确性。本发明利用不同垃圾组分在红外波段图像内颜色不同的原理,通过热成像摄像机采集入炉垃圾的热成像图并人工标注形成数据集,通过U-Net全卷积神经网络循环进行模型训练,并结合模型输出的垃圾分割体积与单位体积垃圾热值计算,最终得到入炉垃圾的实时热值。
与现有技术相比,本发明的有益效果是:
相较现场运行人员根据DCS数据或经验估算垃圾热值,本发明更具有实时性和精确性,其能够高效和准确的测算料斗内的垃圾热值,能实现对垃圾焚烧炉的稳定燃烧的诊断,减少污染物排放以及燃烧的高效清洁利用。
附图说明
图1为入炉垃圾热值实时测算流程的示意图;
图2为垃圾仓及料斗结构示意图;
图3为料斗内部的结构示意图。
图中标记为:1料仓垃圾,2抓料爪,3数据线,4工控机,5热成像摄像机,6料斗,7传送带。
具体实施方式
首先需要说明的是,本发明涉及图像处理技术,是计算机技术在图像处理及工业控制领域的一种应用。在本发明的实现过程中,会涉及到多个软件功能模块的应用。申请人认为,如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后,在结合现有公知技术的情况下,本领域技术人员完全可以运用其掌握的软件编程技能实现本发明。前述软件功能模块包括但不限于:热成像图像处理模块、热成像图像识别与热值计算模块等,凡本发明申请文件提及的均属此范畴,申请人不再一一列举。
为了使本发明的目的、技术方案和优点更加清晰,下面结合附图以及具体实施例对本发明作进一步的说明,显然,所述实施例仅仅是本发明最基础的实施例,而不是全部实施例。基于本发明的其他实施例,均属于本发明保护的范围。
如图1所示,本发明中基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算系统,包括:热成像摄像机5,用于获取料斗6中垃圾的热成像图;工控机4,内置热成像图像识别与热值计算模块,用于对实时获得的热成像图进行识别和计算,得到料斗6中垃圾的实时预测热值总和;数据线3,用于连接热成像摄像机5和工控机4。
本发明的工作过程如下:将料内仓垃圾1由抓料爪2定期投送进垃圾料斗6中,垃圾通过料斗6掉落至传送带7上并被送入炉膛充分燃烧。通过热成像摄像机5,对每隔一段时间由抓料爪2投送进料斗的垃圾进行热成像图采集,将采集到的热成像图通过数据线3输入工控机4中的热成像图像识别与热值计算模块。该模块中内置已经训练好的U-Net图像自动识别模型,通过识别和计算得到最终的入炉垃圾的平均热值。抓料爪2每隔一段时间会将料仓内垃圾1投送进入料斗,以确保垃圾焚烧炉内时刻保持燃烧状态。
作为一个优选的示例(如图2所示),料斗6上部呈上下底面为正方形的四棱柱,下部呈倒立的四棱台;四棱台上底面为四棱柱的下底面,四棱台下底面是边长为四棱台上底面的1/2的正方形;四棱台上底面边长为4m、下底面边长斜边长3m,与水平底面夹角设定为75°;该设定可以避免垃圾进入料斗6内在一侧堆积,较好得解决了料堆表面高低极不均匀造成测算不准的问题。
在进行实际运行之前,需要对该系统进行安装、调校和训练,具体包括:
(1)在垃圾焚烧炉入炉前的料斗上方设置热成像摄像机,热成像摄像机中内置红外测温传感器用以测量不同垃圾组分在红外波段图像内的颜色。先以张氏标定法对其进行标定操作,获取热成像摄像机的标定参数。然后使用热成像摄像机,获取垃圾的热成像图。
(2)对热成像图进行校正;然后对热成像图进行切割操作,去除时间和日期信息;
(3)不同热值的垃圾会在热成像图中显示为不同颜色,按颜色的区别将热值区域定义为高、中、低三个级别;由于不同种类垃圾的表面发射率不同,导致其能够发出的辐射量不同,因此在热成像图中产生了不同颜色的区域。高热值区域在热成像图片中颜色偏红,低热值区域在热成像图片中偏蓝。根据该规则,采用Labelme标注工具对足量热成像图中的热值区域进行人工标注,将标注后的图像与原图一一对应后组成料斗垃圾的热成像数据库;
(4)以热成像数据库作为训练集,将其输入U-Net全卷积神经网络中进行训练,得到用于分析热成像图中热值区域的自动识别模型。
在获得自动识别模型后,即可将系统投入实际运行中,具体说明如下:
(5)将实时生成的单张热成像图输入自动识别模型,对该图中不同级别的热值区域分别进行识别;然后计算各级别热值区域的图像总面积areai,设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;
各级别的热值区域面积areai是通过下述方式计算的:
areai=areai1+areai2+…+areain
其中,areai为热成像图中某一级别热值区域的总面积,其中i=1,2或3;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;其中,areai1~areain则代表该图中分布在不同位置的某一级别热值区域的面积,i=1,2或3,n取决于图中各热值区域的具体个数。
在与热成像摄像机的标定转换系数α相乘后,得到料斗中不同热值垃圾的实际分割面积Si,其中S1为高热值区域分割面积、S2为中热值区域分割面积、S3为低热值区域分割面积:
Si=areai×α
其中,Simg为热成像图中对应区域的图像分割面积,单位:m2;Sactual为热成像图中被分割区域的实际面积,单位:m2;i=1,2或3;
(6)假设料斗中的垃圾堆料高度h和密度ρ保持不变,则垃圾料斗顶部面积S2、垃圾料斗底部面积S1和中截面面积S0的值保持恒定,结合棱台体积公式计算垃圾料斗中的某类垃圾的实时平均热值:
其中,Qpi为某张图片的垃圾预测热值,单位:kJ/kg,其中i=1,2,3,Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值;areai为各级别热值区域的图像总面积,单位:m2;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;ρ为该堆垃圾的密度,单位:kg/m3;h为假定垃圾堆料高度,单位:m;Qri为不同热值区域垃圾的经验热值,单位:kJ/kg,其中,Qr1为高热值区域垃圾经验热值,Qr2为中热值区域垃圾经验热值,Qr3为低热值区域垃圾经验热值;S1为垃圾料斗底部面积,单位:m2;S0为料斗中截面面积,单位:m2;S2为垃圾料斗顶部面积,单位:m2;
垃圾的经验热值Qri是通过下述公式计算获得的:
其中,Qri为生活垃圾的不同级别热值区域经验热值,单位:kJ/kg;设定Qr1为高热值区域垃圾经验热值,Qr2为中热值区域垃圾经验热值,Qr3为低热值区域垃圾经验热值;Q′ri(f)为不同级别热值区域中某成分垃圾干基高位热值,单位:kJ/kg;C′f为某成分垃圾干基百分含量,单位:%;Cf(W)为某成分垃圾含水量,单位:%。
(7)根据步骤(5)中的识别结果和步骤(6)中的计算结果,对高、中、低热值区域的垃圾热值计算总和以得到实时的预测热值总和:
Q′p=Qp1+Qp2+Qp3
其中,Q′p为某张热成像图对应的所有垃圾热值总和的预测值,单位:kJ/kg;Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值,单位:kJ/kg。
具体的应用示例:
在浙江宁波康恒垃圾焚烧厂进行试验,其处理的垃圾主要是生活垃圾,其中高热值垃圾主要包括塑料、纺织物,中热值垃圾主要包括厨余垃圾,低热值垃圾主要包括沙土及金属。
其中,通过计算认为Qr1为高热值区域垃圾经验热值为15550kJ/kg,Qr2为中热值区域垃圾经验热值为3500kJ/kg,Qr3为低热值区域垃圾经验热值为300kJ/kg。
以某张热成像图片为例,通过下列式子分别计算出该张图片的高热值区域热值Qp1、中热值区域热值Qp2、低热值区域热值Qp3,并最终通过将不同热值区域加和得到该张图的最终预测热值Q′p。其中h假定为2.90m,由于垃圾料斗如图3为棱柱,结合棱柱体积公式,可以计算出垃圾料斗底部面积S1=6.35m2,垃圾料斗中截面面积S0=10.63m2,垃圾料斗顶部面积S2=16m2。计算相机标定系数α=15,堆积密度ρ=488.85kg/m3。
Q′p=Qp1+Qp2+Qp3
高热值区域计算area1=0.23m2,即高热值区域占据总体积的21.55%,代入式中计算结果为:
中热值区域计算area2=0.64m2,即中热值区域占据总体积的60.01%,代入式中计算结果为:
低热值区域计算area3=0.20m2,即低热值区域占据总体积的18.44%,代入式中计算结果为:
相加后,总热值为Q′p=Qp1+Qp2+Qp3=84286178.3kJ,计算总质量m=15301.0kg,该张热成像图单位质量热值的结果为Q′p/m=5508.54kJ/kg。
本发明利用不同垃圾组分在红外波段图像内颜色不同的原理,实现入炉垃圾热值的热成像图像热值区域自动分割,得到入炉垃圾的平均实时热值,并利用人工标注的方法制作入炉垃圾热成像图数据库,通过对图像预处理以及在U-Net全卷积神经网络中训练等方法,获得垃圾焚烧炉入炉垃圾热值实时测量模型,最终输入每一次垃圾进入料斗后拍摄的热成像图片,得到图像低、中、高热值区域分割面积并最终计算出垃圾的平均热值。最终,该方法解决了垃圾焚烧电厂无法实时获得入炉垃圾热值的问题,能实时监控和计算垃圾热值的变化情况,为垃圾焚烧炉内燃烧诊断提供较强的依据,从而实现垃圾焚烧发电厂的清洁高效利用。
Claims (6)
1.一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法,其特征在于,包括以下步骤:
(1)在垃圾焚烧炉入炉前的料斗上方设置热成像摄像机,获取料斗中垃圾的热成像图;
(2)对热成像图进行校正后,对热成像图进行切割操作,去除时间和日期信息;
(3)不同热值的垃圾会在热成像图中显示为不同颜色,按颜色的区别将热值区域定义为高、中、低三个级别;根据该规则对足量热成像图中的热值区域进行人工标注,将标注后的图像与原图一一对应后组成料斗垃圾的热成像数据库;
(4)以热成像数据库作为训练集,将其输入U-Net全卷积神经网络中进行训练,得到用于分析热成像图中热值区域的自动识别模型;
(5)将实时生成的单张热成像图输入自动识别模型,对该图中不同级别的热值区域分别进行识别;然后计算各级别热值区域的图像总面积areai,设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;
在与热成像摄像机的标定转换系数α相乘后,得到料斗中不同热值垃圾的实际分割面积Si,其中S1为高热值区域分割面积、S2为中热值区域分割面积、S3为低热值区域分割面积:
Si=areai×α
其中,Simg为热成像图中对应区域的图像分割面积,单位:m2;Sactual为热成像图中被分割区域的实际面积,单位:m2;i=1,2或3;
(6)料斗中的垃圾堆料高度h和密度ρ保持不变,则垃圾料斗顶部面积S2、垃圾料斗底部面积S1和中截面面积S0的值保持恒定,结合棱台体积公式计算垃圾料斗中的某类垃圾的实时平均热值:
其中,Qpi为某张图片的垃圾预测热值,单位:kJ/kg,其中i=1,2,3,Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值;areai为各级别热值区域的图像总面积,单位:m2;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;ρ为该堆垃圾的密度,单位:kg/m3;h为垃圾堆料高度,单位:m;Qri为不同热值区域垃圾的经验热值,单位:kJ/kg,其中,Qr1为高热值区域垃圾经验热值,Qr2为中热值区域垃圾经验热值,Qr3为低热值区域垃圾经验热值;S1为垃圾料斗底部面积,单位:m2;S0为料斗中截面面积,单位:m2;S2为垃圾料斗顶部面积,单位:m2;
(7)根据步骤(5)中的识别结果和步骤(6)中的计算结果,对高、中、低热值区域的垃圾热值计算总和以得到实时的预测热值总和:
Q′p=Qp1+Qp2+Qp3
其中,Q′p为某张热成像图对应的所有垃圾热值总和的预测值,单位:kJ/kg;Qp1为高热值区域垃圾预测热值,Qp2为中热值区域垃圾预测热值,Qp3为低热值区域垃圾预测热值,单位:kJ/kg。
2.根据权利要求1所述的方法,其特征在于,所述步骤(5)中,各级别的热值区域面积areai是通过下述方式计算的:
areai=areai1+areai2+…+areain
其中,areai为热成像图中某一级别热值区域的总面积,其中i=1,2或3;设定area1为高热值区域图像总面积、area2为中热值区域图像总面积、area3为低热值区域图像总面积;其中,areai1~areain则代表该图中分布在不同位置的某一级别热值区域的面积,i=1,2或3,n取决于图中各热值区域的具体个数。
4.根据权利要求1至3任意一项中所述的方法,其特征在于,在使用热成像摄像机获取垃圾的热成像图之前,先以张氏标定法对热成像摄像机进行标定操作,获取热成像摄像机的标定参数。
5.根据权利要求1至3任意一项中所述的方法,其特征在于,采用Labelme标注工具对热成像图进行人工标注。
6.一种基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算系统,其特征在于,包括:
热成像摄像机,用于获取料斗中垃圾的热成像图;
工控机,内置热成像图像识别与热值计算模块,用于通过权利要求1所述方法对实时获得的热成像图进行识别和计算,得到料斗中垃圾的实时预测热值总和;
数据线,用于连接热成像摄像机和工控机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611275.9A CN113327300B (zh) | 2021-06-01 | 2021-06-01 | 基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611275.9A CN113327300B (zh) | 2021-06-01 | 2021-06-01 | 基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327300A CN113327300A (zh) | 2021-08-31 |
CN113327300B true CN113327300B (zh) | 2022-04-19 |
Family
ID=77423122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110611275.9A Active CN113327300B (zh) | 2021-06-01 | 2021-06-01 | 基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327300B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114964360B (zh) * | 2022-04-26 | 2023-05-26 | 浙江大学 | 一种基于激光雷达的传送带上投料速率及其热值的测量系统及方法 |
CN115048981B (zh) * | 2022-05-13 | 2022-12-06 | 中国城市建设研究院有限公司 | 装修垃圾高热值组分处理检验方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101476731A (zh) * | 2008-12-31 | 2009-07-08 | 华南理工大学 | 基于垃圾热值软测量的垃圾焚烧控制方法 |
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 |
CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
WO2019089825A1 (en) * | 2017-11-02 | 2019-05-09 | AMP Robotics Corporation | Systems and methods for optical material characterization of waste materials using machine learning |
CN111965167A (zh) * | 2020-08-20 | 2020-11-20 | 天津大学 | 预测固体废弃物元素组成及热值的方法及装置 |
CN112131517A (zh) * | 2020-09-02 | 2020-12-25 | 苏州西热节能环保技术有限公司 | 一种垃圾焚烧电厂入炉垃圾低位热值的测算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10104313B2 (en) * | 2016-07-08 | 2018-10-16 | United Technologies Corporation | Method for turbine component qualification |
US20190261243A1 (en) * | 2018-02-20 | 2019-08-22 | Netgear, Inc. | Video-based channel selection in a wireless network-connected camera system |
-
2021
- 2021-06-01 CN CN202110611275.9A patent/CN113327300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101476731A (zh) * | 2008-12-31 | 2009-07-08 | 华南理工大学 | 基于垃圾热值软测量的垃圾焚烧控制方法 |
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 |
CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
WO2019089825A1 (en) * | 2017-11-02 | 2019-05-09 | AMP Robotics Corporation | Systems and methods for optical material characterization of waste materials using machine learning |
CN111965167A (zh) * | 2020-08-20 | 2020-11-20 | 天津大学 | 预测固体废弃物元素组成及热值的方法及装置 |
CN112131517A (zh) * | 2020-09-02 | 2020-12-25 | 苏州西热节能环保技术有限公司 | 一种垃圾焚烧电厂入炉垃圾低位热值的测算方法 |
Non-Patent Citations (1)
Title |
---|
基于图像深度学习的垃圾热值预测研究;谢昊源 等;《化工学报》;20210531;第72卷(第5期);2773-2782 * |
Also Published As
Publication number | Publication date |
---|---|
CN113327300A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113327300B (zh) | 基于热成像图的垃圾焚烧炉入炉垃圾热值的实时测算方法 | |
EP3660397B1 (en) | Waste composition estimation device, system, program, method, and data structure | |
US7231078B2 (en) | Method for monitoring a thermodynamic process | |
JP6824859B2 (ja) | 炉内状態量推定装置、推定モデル作成装置、それらのプログラムおよび方法 | |
JP2011027349A (ja) | 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム | |
JP6342367B2 (ja) | 廃棄物の発熱量推算方法およびこれを用いた廃棄物処理装置 | |
JP6723864B2 (ja) | ごみ移動速度検出機能を備えた燃焼制御装置 | |
CN112521955B (zh) | 一种焦饼中心温度检测方法及系统 | |
JP7308016B2 (ja) | ごみ質推定システム及び方法、並びに、ごみ貯蔵設備 | |
JP6782203B2 (ja) | 発熱量推定方法、発熱量推定装置、及びごみ貯蔵設備 | |
CN106018731A (zh) | 一种煤质挥发分、固定碳在线检测方法及系统 | |
JP2019160153A (ja) | ごみ質の推定システムおよびそのごみ質の推定システムを用いたクレーン運転制御システム | |
JP7256016B2 (ja) | 予測モデル生成装置、予測モデル生成装置による予測モデル生成方法、及び予測装置 | |
JP7296436B2 (ja) | 制御装置 | |
CN106709922A (zh) | 基于图像的牧草覆盖度和生物量自动检测方法 | |
Garami et al. | Reaction zone monitoring in biomass combustion | |
KR20240073073A (ko) | 제어 장치 | |
JP2024021223A (ja) | ごみの攪拌方法及びごみの攪拌システム | |
CN117053205A (zh) | 一种基于低二噁英排放目标的生活垃圾焚烧工况控制系统 | |
JP6941501B2 (ja) | 画像処理装置及び画像処理方法 | |
WO2022172481A1 (ja) | 運転支援装置、運転支援方法および運転支援プログラム | |
JP7243491B2 (ja) | 炉内監視装置及び炉内監視方法 | |
JP3825579B2 (ja) | 溶融スラグ流の画像認識方法 | |
CN116576447A (zh) | 一种用于生物质燃料的锅炉热能管理系统 | |
Sedlák et al. | Thermal imaging in analysis of local climate in industrialized area-exploring new methodology |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |