[发明专利]基于深度学习的水煤浆流动性检测装置及其检测方法

权利要求书

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。