本發(fā)明屬于氣化爐灰渣識別，具體涉及氣化爐灰渣進行拍照識別，尤其是涉及需對灰渣進行人工查驗的氣化爐。

背景技術：

1、氣化爐做為煤化工企業(yè)的龍頭裝置，它的安全、穩(wěn)定和經(jīng)濟運行是煤化工企業(yè)保證安全生產(chǎn)、降低能耗和提高經(jīng)濟效益的重點?；以剂孔鳛樵u價氣化爐運行狀況的一項重要指標，對生產(chǎn)消耗和節(jié)能減排有著舉足輕重的影響。氣化爐灰渣含碳量偏高，直接影響是造成系統(tǒng)原料煤消耗高、生產(chǎn)成本高。目前灰渣殘?zhí)甲R別分為實驗室實測和目測估計，取灰渣后經(jīng)過研磨，烘干、制樣、灼燒等步驟。得到真實殘?zhí)悸?。但是殘?zhí)柯蕼y試過程繁瑣，且在測量過程耗時較長，一般需要6小時后才能出結(jié)果。目前估計是基于實驗室基礎上，有經(jīng)驗的操作人員根據(jù)經(jīng)驗判斷殘?zhí)悸?，對氣化爐生產(chǎn)更快速的提高指導。

2、目前，在氣化爐的操作中，有一項重要的工作內(nèi)容就是每8個小時，操作人員需要打開豎灰管上的人口排灰孔，將一部分灰渣傾倒在地上，然后平攤開，對灰渣的大小、顏色和形態(tài)進行查看，必要的時候還需要在灰渣上澆上一些水。最后再將灰渣收集起來，送到灰渣溝。這樣做的主要缺點是時間滯后，不能及時地根據(jù)灰渣的信息對汽氧比等參數(shù)進行調(diào)整。另一方面，勞動強度大，現(xiàn)場的工作條件比較惡劣，灰渣的識別非常依賴操作人員的經(jīng)驗和能力，不同操作人員對同一批灰渣得出結(jié)論不同。借助現(xiàn)代計算機技術對灰渣進行識別，將其灰渣識別標準化，提高灰渣診斷的準確性，更加精準的對氣化爐運行提供指導。

技術實現(xiàn)思路

1、本項目發(fā)明的目的就是提供一種基于yolov3的氣化爐灰渣識別方法。

2、本發(fā)明的目的通過下述技術方案實現(xiàn)

3、一種基于yolov3的氣化爐灰渣識別方法，包括以下步驟：

4、步驟1：煤灰圖像收集及殘?zhí)悸驶灒豪孟鄼C進行拍照，對每次樣品進行殘?zhí)蓟炇曳治龅贸稣鎸崥執(zhí)悸剩瑢γ總€灰渣樣品進行先拍一次照，噴水后還要再拍一次照片尤其是噴水去掉浮灰后的照片能夠很清晰地反應灰渣的真實狀況。

5、步驟2：圖像標注以及數(shù)據(jù)集劃分：利用軟件labelimg對圖片進行標注，得到同操作人員溝通灰渣種類進行框選和標記分類，分為5類：很多細灰、有細灰、無細灰無明顯結(jié)塊、有渣、結(jié)渣嚴重，得到圖像的標注信息文件，然后按照數(shù)據(jù)集的格式，對數(shù)據(jù)和對應標注文件就進行整理標注照片中物體邊界框位置和類別，保證圖像種類均衡性，將數(shù)據(jù)集劃分為訓練集：驗證集：測試集，其比例為7:2:1。

6、步驟3：圖像數(shù)據(jù)增強：對訓練集圖像進行預處理，旋轉(zhuǎn)、裁剪、增加訓練集圖片數(shù)量，以提高模型泛化能力。

7、步驟4：將模型訓練主要參數(shù)：圖片寬和高設置為416×416，通道數(shù)設置為3，learning_rate學習效率設置為0.001，動量參數(shù)momentum設置為0.9，訓練epoch為300，batch為16，學習調(diào)整的策略policy設置為steps，學習效率衰減設置為0.1。處理的數(shù)據(jù)集進行訓練，每次迭代都計算損失函數(shù)，并更新參數(shù)值，使損失函數(shù)的值最小，直到模型收斂，同時為防止過擬合，迭代次數(shù)不超過300次。

8、步驟5、在完成模型訓練后，保存模型權(quán)重參數(shù)，設置格式為.pt格式。對保存到模型權(quán)重文件重新加載，并用這個權(quán)重文件檢測測試集的圖片。

9、本發(fā)明的工作過程和原理為：

10、基于yolov3算法的灰渣識別方法，該方法在樣本標記階段采用labelimg進行標注；利用yolov3網(wǎng)絡結(jié)構(gòu)學習到經(jīng)過經(jīng)過真實殘?zhí)悸屎腿斯そ?jīng)驗的灰渣識別，得到一個可自動識別灰渣并得出殘?zhí)悸实哪Ｐ停缓髮⒛Ｐ颓度胫悄苌a(chǎn)系統(tǒng)中，實現(xiàn)實時拍攝實時返回識別結(jié)果和殘?zhí)悸?。解決人工檢查耗時低效和人工經(jīng)驗不統(tǒng)一的弊端，使氣化爐運行更加高效、安全。

技術特征：

1.一種基于yolov3的氣化爐灰渣識別方法，包括以下步驟：步驟一：煤灰圖像收集及殘?zhí)悸驶灒豪孟鄼C進行拍照，對每次樣品進行殘?zhí)蓟炇曳治龅贸稣鎸崥執(zhí)悸?，對每個灰渣樣品進行先拍一次照，噴水后還要再拍一次照片尤其是噴水去掉浮灰后的照片能夠很清晰地反應灰渣的真實狀況；步驟二：圖像標注以及數(shù)據(jù)集劃分：利用軟件labelimg對圖片進行標注，得到同操作人員溝通灰渣種類進行框選和標記分類，分為5類：很多細灰、有細灰、無細灰無明顯結(jié)塊、有渣、結(jié)渣嚴重，得到圖像的標注信息文件，然后按照數(shù)據(jù)集的格式，對數(shù)據(jù)和對應標注文件就進行整理標注照片中物體邊界框位置和類別，保證圖像種類均衡性，將數(shù)據(jù)集劃分為訓練集：驗證集：測試集，其比例為7:2:1；步驟三：圖像數(shù)據(jù)增強：對訓練集圖像進行預處理，旋轉(zhuǎn)、裁剪、增加訓練集圖片數(shù)量，以提高模型泛化能力；步驟四：將模型訓練主要參數(shù)：圖片寬和高設置為416×416，通道數(shù)設置為3，learning_rate學習效率設置為0.001，動量參數(shù)momentum設置為0.9，訓練epoch為300，batch為16，學習調(diào)整的策略policy設置為steps，學習效率衰減設置為0.1，處理的數(shù)據(jù)集進行訓練；每次迭代都計算損失函數(shù)，并更新參數(shù)值，使損失函數(shù)的值最小，直到模型收斂，同時為防止過擬合，迭代次數(shù)不超過300次；步驟五、在完成模型訓練后，保存模型權(quán)重參數(shù)，設置格式為.pt格式，對保存到模型權(quán)重文件重新加載，并用這個權(quán)重文件檢測測試集的圖片。

2.根據(jù)權(quán)利要求?1所述的方法，其中所述氣化裝置是包含但不僅限于魯奇爐、德士古水煤漿氣化爐、航天爐。

3.根據(jù)權(quán)利要求?1所述的方法，其中所述步驟4的主要參數(shù)調(diào)整包括學習率、學習率衰減、動量參數(shù)、批次大小、批次大小劃分和閾值等，以準確率最快最優(yōu)為目的。

技術總結(jié)
本發(fā)明屬于氣化爐灰渣識別領域，該方法利用YOLOv3網(wǎng)絡結(jié)構(gòu)去學習到通過人工采集標記的灰渣圖片與化驗室真實殘?zhí)悸氏嚓P聯(lián)后，得到一個可以自動識別灰渣殘?zhí)悸实哪Ｐ停缓髮⒛Ｐ图虞d到實時返回識別結(jié)果和該張圖片的殘?zhí)悸?。本發(fā)明克服了傳統(tǒng)上對灰渣進行人工識別的得出經(jīng)驗結(jié)論和化驗室嚴重的滯后性，對灰渣進行快速準確識別，快速實現(xiàn)目標檢測同時得到優(yōu)于人工經(jīng)驗的準確率，通過該方法得到的模型，可以快速識別并得到殘?zhí)悸?，可以廣泛應用到相關的氣化爐。

技術研發(fā)人員：李俊杰,周永濤,馬軍鵬,孫宗禮,付來利,王宇飛,劉長偉,朱天宇,趙海明,王玉田,陳吉,毛成龍,靳永勇,路嗣恩
受保護的技術使用者：中煤陜西榆林能源化工有限公司
技術研發(fā)日：
技術公布日：2024/12/26