[发明专利]生物质燃料质量检测方法及系统

权利要求书

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。