， ，，，

(1.浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310023； 2.嘉興新嘉愛(ài)斯熱電有限公司，浙江 嘉興 314016)

0 引言

秸稈可以替代煤炭、石油和天然氣等礦物質(zhì)燃料產(chǎn)生電力，不僅減少人類對(duì)礦物能源的依賴，保護(hù)國(guó)家能源資源，而且通過(guò)嚴(yán)格控制秸稈的高效燃燒將有效降低我國(guó)PM2.5濃度，減輕能源消費(fèi)給環(huán)境造成的污染[1]。目前歐美國(guó)家建立了較為完善的秸稈類農(nóng)業(yè)廢棄物燃燒發(fā)電廠，證明秸稈直燃發(fā)電具有顯著的能源效益和環(huán)境效益，而且回收廢棄秸稈增加了農(nóng)民收入，從經(jīng)濟(jì)上保證農(nóng)民不再亂燒秸稈，目前秸稈燃燒技術(shù)在我國(guó)發(fā)展十分迅速。

不同于煤炭、石油和天然氣等礦物質(zhì)燃料，不同品種和產(chǎn)地的秸稈具有不同固定碳、揮發(fā)份、水分、灰分等成分比例，加上回收時(shí)預(yù)處理手段和當(dāng)?shù)貧夂虻挠绊?，造成了秸稈燃料品質(zhì)的差異很大。由于秸稈燃料品質(zhì)的變化，導(dǎo)致燃燒單位質(zhì)量秸稈的發(fā)熱量也隨之發(fā)生改變，這給秸稈燃燒發(fā)電循環(huán)流化床鍋爐的燃燒效率控制和發(fā)電過(guò)程控制造成了不利的影響。因此，在實(shí)際秸稈燃燒發(fā)電過(guò)程中，為了更好的控制秸稈循環(huán)流化床鍋爐燃燒效率，提高秸稈燃料的發(fā)電效率和發(fā)電安全性，需要對(duì)送入循環(huán)流化床鍋爐燃燒發(fā)電的秸稈燃料進(jìn)行熱值計(jì)量操作，并將計(jì)量結(jié)果及時(shí)反饋給秸稈燃燒發(fā)電過(guò)程控制系統(tǒng)。

目前秸稈燃燒發(fā)電過(guò)程燃料熱值計(jì)量方法仍然采用化學(xué)檢驗(yàn)方法為主[2], 在秸稈燃料購(gòu)買后進(jìn)廠入庫(kù)時(shí)取樣，然后烘干秸稈燃料樣本，收集蒸發(fā)的水蒸氣，得到秸稈燃料的含水率，再燃燒烘干的秸稈燃料樣本，結(jié)合用化學(xué)試劑測(cè)定的成分組成，建立樣本絕干料的熱值，進(jìn)而計(jì)量本批次秸稈燃料的熱值。但目前這些方法和裝置不能實(shí)現(xiàn)燃燒發(fā)電的所有秸稈燃料的熱值的在線計(jì)量，而且操作周期長(zhǎng)，應(yīng)用過(guò)程復(fù)雜，計(jì)量實(shí)效性低，遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)代秸稈燃燒發(fā)電過(guò)程的高品質(zhì)燃燒控制要求。因此，近年來(lái)相關(guān)學(xué)者對(duì)于這個(gè)具有挑戰(zhàn)性的難題做了一些探索性研究，以滿足現(xiàn)代秸稈燃燒發(fā)電過(guò)程對(duì)秸稈燃料熱值的在線實(shí)時(shí)計(jì)量的迫切需要[3]。

本文結(jié)合秸稈燃燒發(fā)電過(guò)程中的實(shí)際需求，設(shè)計(jì)了一套針對(duì)秸稈燃料熱值在線實(shí)時(shí)計(jì)量的圖像分析系統(tǒng)。不同于傳統(tǒng)的化學(xué)檢驗(yàn)方法，本系統(tǒng)定制了一套基于深度學(xué)習(xí)U-Net[4]網(wǎng)絡(luò)的圖像分割算法來(lái)實(shí)現(xiàn)秸稈燃料分類功能，更進(jìn)一步地，良好的分類結(jié)果為秸稈燃燒發(fā)電過(guò)程中的熱值估算以及后續(xù)的燃料量的在線自動(dòng)調(diào)整控制提供了參考依據(jù)。

1 系統(tǒng)硬件設(shè)計(jì)

根據(jù)秸稈燃料圖像分析系統(tǒng)的設(shè)計(jì)需求，本文設(shè)計(jì)的系統(tǒng)框架如圖1所示。

圖1 秸稈燃料圖像分析系統(tǒng)框架

系統(tǒng)包括工業(yè)攝像機(jī)、圖像分析主機(jī)、服務(wù)器和工業(yè)互聯(lián)通信網(wǎng)絡(luò)總線、含水率檢測(cè)儀，其中含水率檢測(cè)儀本文不作任何介紹，但最后的含水率參數(shù)通過(guò)工業(yè)互聯(lián)網(wǎng)返回給主機(jī)用于在線計(jì)算燃料熱值。

圖像分析系統(tǒng)硬件設(shè)計(jì)如圖1虛線框所示，主要包括工業(yè)攝像機(jī)和圖分析主機(jī)兩部分。

1.1 工業(yè)攝像機(jī)的設(shè)計(jì)

工業(yè)攝像機(jī)的設(shè)計(jì)主要包括ISP處理板和攝像頭板兩部分。

ISP處理板選用TI公司開(kāi)發(fā)的針對(duì)高清視頻處理的高性價(jià)比DaVinci系列多媒體處理器DM365，主頻最高可達(dá)300 MHz，芯片內(nèi)部包含一個(gè)視頻處理子系統(tǒng)，有獨(dú)立的視頻處理前端和視頻處理后端組成，提供了成熟的圖像處理功能，能夠針對(duì)多種類型的圖像傳感器進(jìn)行圖像質(zhì)量上的優(yōu)化。

攝像頭板選用Aptina公司的CMOS傳感器 AR0135搭配M12接口，焦距為6 mm的定焦鏡頭，最大圖像傳輸率能達(dá)到720p@60fps，采用全局曝光的方式，能夠有效地避免因傳送帶快速運(yùn)動(dòng)而引起的“拖影”和“果凍現(xiàn)象”，進(jìn)而拍攝出清晰的秸稈燃料圖片。

此外，經(jīng)過(guò)ISP處理后的圖像數(shù)據(jù)通過(guò)一根雙絞線以串行的方式傳送至圖像分析主機(jī)。

1.2 圖像分析主機(jī)的設(shè)計(jì)

圖像分析主機(jī)的設(shè)計(jì)主要包括核心板以及接口板兩部分。

1.2.1 圖像分析核心板的設(shè)計(jì)

圖像分析核心板采用TI公司的一款浮點(diǎn)雙DSP C66x+雙ARM Cortex-A15工業(yè)控制及高性能音視頻處理器AM5728。

AM5728處理器最高主頻為750 MHz(DSP)+ 1.5 GHz(ARM)，ROM為4 G/8 GByte MMC，片上 L3 RAM 高達(dá)2.5 MB，雙 DDR3/DDR3L 存儲(chǔ)器接口 (EMIF) 模塊，最高支持 DDR3-1066，每 EMIF 支持高達(dá) 2 GB。支持全高清視頻(1080P@60fps)，多個(gè)視頻輸入和視頻輸出，具有 DMA 引擎和多達(dá) 3 條管線的顯示控制器。同時(shí)擁有豐富的外設(shè)接口：集成千兆網(wǎng)，PCIe，GPMC、USB、UART、SPI、SATA、I2C、DCAN及工業(yè)控制總線等接口。

此外，核心板體積極小，大小僅為80 mm×70 mm，底部為工業(yè)級(jí)精密B2B連接器，0.5 mm間距，穩(wěn)定，易插拔，防反插，關(guān)鍵大數(shù)據(jù)接口使用高速連接器，保證信號(hào)完整性。核心板是最主要的信號(hào)處理分析核心，高速信號(hào)分布密集，采用了十層板層疊設(shè)計(jì)，同時(shí)預(yù)留一大塊裸銅散熱區(qū)。

1.2.2 圖像分析接口板的設(shè)計(jì)

圖像分析接口板，主要負(fù)責(zé)與外設(shè)進(jìn)行交互。板上除了常用的HDMI,USB,SATA,UART接口外還集成了4 G模塊，用于連接工業(yè)互聯(lián)網(wǎng)，以達(dá)到和系統(tǒng)中的其他設(shè)備進(jìn)行通信的目的。

4 G模塊選用一款Neoway的基于高通平臺(tái)的 4 G 全網(wǎng)通工業(yè)級(jí)模塊N720，搭載ARM Cortex-A7處理器，具有超寬工作溫度低至-40℃高至+85℃，靜電能力達(dá)到 8 KV；支持國(guó)內(nèi)移動(dòng)/聯(lián)通/電信三大運(yùn)營(yíng)商的2 G/3 G/4 G 網(wǎng)絡(luò)制式。N720通過(guò)USB虛擬串口與主控芯片AM5728進(jìn)行通信。

2 系統(tǒng)軟件設(shè)計(jì)

在硬件系統(tǒng)的基礎(chǔ)上，軟件開(kāi)發(fā)需要完成的任務(wù)包括各模塊的驅(qū)動(dòng)編寫(xiě)、圖像的采集和處理、工作狀態(tài)的檢測(cè)、訓(xùn)練標(biāo)注平臺(tái)的設(shè)計(jì)、圖像分割算法的實(shí)現(xiàn)以及秸稈熱值的計(jì)算。圖像分割算法和秸稈熱值估算將單獨(dú)在后兩小節(jié)實(shí)現(xiàn)與分析。整個(gè)系統(tǒng)的運(yùn)行流程如圖2所示。

圖2 系統(tǒng)運(yùn)行流程

2.1 ISP圖像處理

圖像傳感器經(jīng)過(guò)曝光得到的圖像數(shù)據(jù)為原始數(shù)據(jù)(Raw Data)，由于保存的圖像信息量較大，無(wú)法直接傳遞給后續(xù)算法處理，所以需要經(jīng)由ISP處理[5]，在格式上，質(zhì)量上對(duì)圖像進(jìn)行優(yōu)化。ISP圖像處理主要流程如圖3所示。

圖3 ISP處理流程

2.2 工作狀態(tài)檢測(cè)算法

本系統(tǒng)利用了感知哈希算法[6]計(jì)算并比較圖像的相似度來(lái)檢測(cè)運(yùn)送秸稈燃料的傳送帶是否處于工作狀態(tài)，同時(shí)根據(jù)工作狀態(tài)來(lái)關(guān)閉圖像分析系統(tǒng)中的一些功能模塊，進(jìn)入待機(jī)模式，等待下一次工作，以此降低整個(gè)系統(tǒng)的功耗和網(wǎng)絡(luò)流量消耗。工作狀態(tài)檢測(cè)算法的流程如圖4所示。

圖4 系統(tǒng)運(yùn)行流程

本系統(tǒng)在算法中通過(guò)DCT變換，利用DCT低頻系數(shù)之間的相關(guān)性構(gòu)造哈希[7]。通過(guò)計(jì)算8x8DCT的矩陣的均值與64個(gè)數(shù)進(jìn)行比較，大于等于DCT均值設(shè)為1，小于DCT均值的設(shè)為0。最后得到一個(gè)64位的哈希值作為每一張圖片的“指紋編碼”，通過(guò)比較這個(gè)“指紋編碼”來(lái)比較兩張圖片的相似度，進(jìn)而判斷工作狀態(tài)。

2.3 訓(xùn)練標(biāo)注平臺(tái)

訓(xùn)練標(biāo)注平臺(tái)用ruby on rails框架開(kāi)發(fā)。結(jié)構(gòu)如表1所示，主要由數(shù)據(jù)存儲(chǔ)模塊、任務(wù)管理模塊、標(biāo)注功能模塊、登錄管理模塊、標(biāo)簽組管理模塊、訓(xùn)練管理模塊組成。

表1 各模板類別識(shí)別時(shí)間

為了方便拓展，訓(xùn)練標(biāo)注服務(wù)器被設(shè)計(jì)成分布式結(jié)構(gòu)，其架構(gòu)如圖5所示。

圖5 標(biāo)注訓(xùn)練服務(wù)器分布式架構(gòu)

標(biāo)注平臺(tái)首先將用戶或者設(shè)備上傳的圖片數(shù)據(jù)按照不同的標(biāo)簽組標(biāo)識(shí)的任務(wù)分發(fā)給不同的標(biāo)注人員，形成標(biāo)注隊(duì)列，當(dāng)用戶標(biāo)注提交任務(wù)完成后，返回給平臺(tái)形成審核隊(duì)列，當(dāng)分發(fā)任務(wù)人員審核通過(guò)后，即可發(fā)布訓(xùn)練任務(wù)，形成一個(gè)訓(xùn)練隊(duì)列，由訓(xùn)練服務(wù)器輪詢認(rèn)領(lǐng)任務(wù)。

Master程序主要實(shí)現(xiàn)任務(wù)認(rèn)領(lǐng)，下載相關(guān)的圖片數(shù)據(jù)包，返回訓(xùn)練進(jìn)度，Worker程序主要用于訓(xùn)練，生成訓(xùn)練結(jié)果，當(dāng)Worker程序訓(xùn)練完成時(shí)，會(huì)通知Master程序?qū)⒂?xùn)練結(jié)果返回給平臺(tái)，在訓(xùn)練平臺(tái)中形成訓(xùn)練結(jié)果隊(duì)列，以供給用戶展示結(jié)果。

3 分割算法

在燃料秸稈的分割算法中，核心算法主要由兩個(gè)部分組成：圖像數(shù)據(jù)增強(qiáng)算法和語(yǔ)義分割算法。圖像數(shù)據(jù)增強(qiáng)是指對(duì)現(xiàn)有的圖像數(shù)據(jù)進(jìn)行各種變換操作，以達(dá)到數(shù)據(jù)擴(kuò)展的效果。語(yǔ)義分割是將采集到的圖像輸入到U-Net改進(jìn)網(wǎng)絡(luò)中，先集后經(jīng)過(guò)編碼器、解碼器、歸一化等多種操作得到語(yǔ)義分割圖像。

3.1 圖像數(shù)據(jù)增強(qiáng)算法

深度學(xué)習(xí)是基于數(shù)據(jù)的算法，數(shù)據(jù)越多，其效果就越好，并且數(shù)據(jù)集越大，模型過(guò)擬合的可能就越小，可以說(shuō)是有百利無(wú)一害。而由于語(yǔ)義分割的數(shù)據(jù)集標(biāo)注成本較高，故我們引入了數(shù)據(jù)增強(qiáng)算法來(lái)對(duì)已有的標(biāo)注數(shù)據(jù)集進(jìn)行擴(kuò)張。

3.1.1 隨機(jī)修剪

隨機(jī)裁剪就是指在原圖像上隨機(jī)裁剪指定大小的圖片用于訓(xùn)練，假設(shè)原始圖像為256×256，裁剪得到224×224的圖片進(jìn)行輸入，這可以使我們的數(shù)據(jù)集擴(kuò)張1024倍。設(shè)定一個(gè)圖片大小，在原始數(shù)據(jù)集上的隨機(jī)位置裁剪下該大小的圖片用于訓(xùn)練。本系統(tǒng)設(shè)定的裁剪大小為 512×512。

3.1.2 PCA Jittering

首先按照RGB三個(gè)顏色通道計(jì)算了均值和標(biāo)準(zhǔn)差，對(duì)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行規(guī)范化，隨后我們?cè)谡麄€(gè)訓(xùn)練集上計(jì)算了協(xié)方差矩陣，進(jìn)行特征分解，得到特征向量和特征值，用來(lái)做PCA Jittering[8]。對(duì)秸稈燃料數(shù)據(jù)集做PCA jittering的效果如圖6所示。

圖6 施加PCA jittering效果圖

PCA jittering是利用主成分來(lái)給RGB像素值加偏差的處理方式，PCA jittering操作就是在訓(xùn)練數(shù)據(jù)上執(zhí)行PCA找到主成分，然后為每個(gè)訓(xùn)練圖像添加多個(gè)找到的主成分。

3.2 語(yǔ)義分割算法

語(yǔ)義分割[9-10]是整個(gè)系統(tǒng)的核心，通過(guò)深度學(xué)習(xí)方法來(lái)對(duì)秸稈燃料進(jìn)行分割，以分割的結(jié)果計(jì)算得到秸稈的占比，最后通過(guò)占比和各組分的熱值估算出當(dāng)前燃料堆的熱值是本算法研究的主要方向。

盡管我們采用了圖像數(shù)據(jù)增強(qiáng)來(lái)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)張，但是由于，其場(chǎng)景比較單一，各張圖片內(nèi)容會(huì)比較相似，所以實(shí)際數(shù)據(jù)集還是會(huì)偏小。因此我們選擇U-Net結(jié)構(gòu)作為算法的核心架構(gòu)。U-Net結(jié)構(gòu)的網(wǎng)絡(luò)在小數(shù)據(jù)集上也能訓(xùn)練得到一個(gè)較好的模型，并且相對(duì)于逐像素點(diǎn)分類的其他網(wǎng)絡(luò)，其網(wǎng)絡(luò)速度更快。

3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

原始的U-Net網(wǎng)絡(luò)[4]在編碼器側(cè)使用了典型的卷積[11-12]網(wǎng)絡(luò)架構(gòu)，每次重復(fù)兩個(gè)卷積層和一個(gè)池化層，深度略顯不足，而深度可以使模型擬合能力指數(shù)增長(zhǎng)[13]。

編碼器部分主要是為了提取圖片的特征，而圖像分類網(wǎng)絡(luò)在圖片特征提取方面的效果非常不錯(cuò)，谷歌最近發(fā)布的Mobilnet V2[14]是一個(gè)輕量網(wǎng)絡(luò)，在速度上超過(guò)了許多網(wǎng)絡(luò)，并且效果很好，所以我們選擇MobileNet V2網(wǎng)絡(luò)來(lái)作為編碼器。優(yōu)化后的的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。圖片輸入網(wǎng)絡(luò)后的步驟描述如下：

圖7 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

步驟一：對(duì)輸入進(jìn)行卷積得到特征圖。

步驟二：復(fù)制一份特征圖，對(duì)其中一份特征圖繼續(xù)前向卷積操作，保留另一份準(zhǔn)備進(jìn)行copy操作。

步驟三：重復(fù)步驟一、二4次。

步驟四：將前向得到的特征圖同之前保留的特征圖融合并進(jìn)行卷積操作，重復(fù)4次。

步驟五：得到最后的輸出圖。

一般而言，卷積層越多，提取的特征越高級(jí)，即從提取線慢慢變成提取物體特征，具體提取的效果可以由網(wǎng)絡(luò)根據(jù)給定數(shù)據(jù)自動(dòng)擬合

3.2.2 Loss函數(shù)

損失函數(shù)是用來(lái)評(píng)估預(yù)測(cè)結(jié)果與真值之間的差異程度，損失值越小，說(shuō)明模型的效果越好。這里我們采用交叉熵函數(shù)作為網(wǎng)絡(luò)的loss函數(shù)。

交叉熵?fù)p失函數(shù)公式如式(1)所示：

(1)

其中:n為訓(xùn)練數(shù)據(jù)的個(gè)數(shù)，x為訓(xùn)練輸入，y為期望的輸出，a為實(shí)際的輸出。其導(dǎo)數(shù)公式如式(2)，式(3)所示：

(2)

(3)

根據(jù)導(dǎo)數(shù)可以看出，在使用交叉熵作為損失函數(shù)時(shí)，權(quán)重的學(xué)習(xí)速率可以被控制，也就是可以被結(jié)果的誤差控制。那么當(dāng)誤差大的時(shí)候，權(quán)重更新就快，當(dāng)誤差小的時(shí)候，權(quán)重的更新就慢。

3.2.3 優(yōu)化算法

優(yōu)化算法主要是通過(guò)改善訓(xùn)練方式來(lái)幫助模型最小化損失函數(shù)。我們選擇Adam算法[15]作為網(wǎng)絡(luò)訓(xùn)練的優(yōu)化算法。Adam算法是在深度學(xué)習(xí)領(lǐng)域非常流行的算法，是一種可以替代傳統(tǒng)SGD算法的優(yōu)化算法，它能計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率，在非凸優(yōu)化問(wèn)題中有著許多優(yōu)勢(shì)。

4 熱值估算

在以下估算過(guò)程中，為方便敘述，將秸稈燃料主要分為三類：小麥秸稈、玉米秸稈、木頭。

計(jì)算步驟如表2所示。

表2 秸稈燃料熱值估算步驟

4.1 占比計(jì)算

4.1.1 表面積占比

用數(shù)據(jù)增強(qiáng)后的秸稈燃料數(shù)據(jù)集來(lái)訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練1 000個(gè)epoch后得到可以使用的語(yǔ)義分割模型。將秸稈圖像輸入模型，得到一張的特征圖，不同維度預(yù)測(cè)的是不同種類物體的位置信息。我們將同位置不同維度的像素值大小視為該維度代表的種類的置信度，根據(jù)每個(gè)點(diǎn)在所有維度上的像素最大值的維度值，得到秸稈分割圖，即一張的特征圖。

P(m,n)=arg maxi(F(m,n,i))

(4)

其中:m,n表示坐標(biāo)信息，i表示輸出特征圖的第i維，P(m,n)代表坐標(biāo)(m,n)的像素值，F(xiàn)(m,n,i)表示在(m,n,i)位置的像素值。

對(duì)于處理得到的特征圖，每一個(gè)像素值就代表一種物體。在本文中，0代表小麥秸稈，1代表玉米秸稈，2代表木頭，3代表背景。最后我們通過(guò)統(tǒng)計(jì)不同像素值的個(gè)數(shù)做計(jì)算得到各個(gè)物體的占比。

4.1.2 總體占比估算

通過(guò)分割算法得到的占比僅僅是表面積占比，不代表總體占比。在實(shí)際應(yīng)用中，我們不需要每隔幾秒就反饋一次占比給控制系統(tǒng)，因此針對(duì)燃料堆放不均勻，上下層次混亂等問(wèn)題，本文通過(guò)累加法計(jì)算一段時(shí)間內(nèi)的平均占比來(lái)降低隨機(jī)性，以此提高估算的精度。時(shí)間T的取值過(guò)小，過(guò)大都會(huì)影響系統(tǒng)的穩(wěn)定性。

(5)

4.2 含水率問(wèn)題

除了占比的問(wèn)題，實(shí)際熱值估算中還需要考慮含水率對(duì)熱值的影響。

由于秸稈燃料的庫(kù)存量通常很大，而且存放周期也較長(zhǎng)，因此即使是同一批次秸稈燃料，經(jīng)過(guò)長(zhǎng)時(shí)間存放后，由于含水率的變化它們的燃燒熱值都將發(fā)生很大的改變和不同。

通過(guò)含水率檢測(cè)儀在線測(cè)量秸稈燃料的含水率并返回給圖像分析主機(jī)，讀取服務(wù)器中對(duì)應(yīng)秸稈燃料的成分組成和組分的熱值[3]，采用秸稈熱值計(jì)算公式計(jì)量秸稈燃料的熱值，熱值計(jì)算公式參見(jiàn)式(5):

Q=q(1-0.01w)-a1w

(6)

其中:Q表示單位質(zhì)量某一類秸稈燃料的熱值，單位J/kg；w表示當(dāng)前時(shí)間段內(nèi)秸稈燃料的含水率，單位%；q表示秸稈燃料的決干料的熱值，單位J/kg，計(jì)算參見(jiàn)式(6)：

q=a1qC+a2qH+a3qS+a4qN-a5qO

(7)

其中:qC、qH、qS、qN和qO分別表示秸稈燃料中中碳、氫、硫、氮和氧的質(zhì)量含量，單位%；系數(shù)a1、a2、a3、a4和a5分別表示對(duì)應(yīng)秸稈燃料中對(duì)應(yīng)成分的單位質(zhì)量的熱值，單位J/kg。

4.3 熱值估算公式

綜上所述，結(jié)合平均占比計(jì)算公式和熱值估算公式得到一段時(shí)間T內(nèi)總熱值的估算公式如式(7)所示：

(8)

5 系統(tǒng)測(cè)試

5.1 分割效果

輸入測(cè)試集到U-Net網(wǎng)絡(luò)中，得到特征圖，以像素值來(lái)區(qū)分不同的類別。在本實(shí)驗(yàn)中，像素值0代表小麥秸稈，1代表玉米秸稈，2代表木頭，3代表背景，由于不同的像素值在視覺(jué)上無(wú)法給人直觀的感受，所以我們對(duì)像素值進(jìn)行了編碼，將4個(gè)像素值以不同的RGB值映射到圖片中。其中，黑色為小麥秸稈部分，紅色為玉米秸稈，綠色為木頭，黃色為背景。效果展示如圖8所示。

圖8 分割算法效果圖

5.2 算法性能測(cè)試

本文對(duì)基于改進(jìn)U-Net網(wǎng)絡(luò)的分割算法進(jìn)行了量化測(cè)試，分別以150張人工標(biāo)注過(guò)的圖片和300張人工標(biāo)注過(guò)的圖片作為訓(xùn)練集對(duì)算法進(jìn)行訓(xùn)練，挑選30張為訓(xùn)練圖片進(jìn)行測(cè)試，計(jì)算每一種成分的平均精度，平均重合度，結(jié)果如表3，表4所示。

表3 訓(xùn)練集為150的算法性能

表4 訓(xùn)練集為300的算法性能

通過(guò)比較，可以明顯的得知幾個(gè)結(jié)論：

1)小麥秸稈的分割效果最好，玉米秸稈次之，木塊的分割效果較差。

2)訓(xùn)練集的大小影響分割效果，一般而言，訓(xùn)練集越大，分割效果越好。

3)訓(xùn)練集中每種成分的多少也會(huì)影響最后的分割效果，例如訓(xùn)練集里小麥秸稈比例大，所以最后小麥秸稈的分割效果最優(yōu)。

4)平均精度和平均重合度越大，分類結(jié)果越準(zhǔn)確，最后得出的熱值估值也就越精確。

6 結(jié)束語(yǔ)

本文針對(duì)秸稈燃料燃燒發(fā)電時(shí)的實(shí)際需求，設(shè)計(jì)了用于秸稈燃料熱值估計(jì)的圖像分析系統(tǒng)，先后介紹了該系統(tǒng)的硬件和軟件系統(tǒng)，加入了傳送帶工作狀態(tài)的檢測(cè)機(jī)制，設(shè)計(jì)了用于標(biāo)注訓(xùn)練秸稈數(shù)據(jù)的平臺(tái)，提出了基于改進(jìn)U-Net網(wǎng)絡(luò)的圖像分割算法，并通過(guò)大量實(shí)驗(yàn)驗(yàn)證了該算法的精確度。系統(tǒng)測(cè)試結(jié)果表明，在訓(xùn)練集大于300以上時(shí)，算法的平均精度達(dá)到0.86以上，平均重合度達(dá)到0.68左右，算法穩(wěn)定性和適應(yīng)性較好，能根據(jù)秸稈燃料的成分不同，訓(xùn)練出不同的模型。

但是由于秸稈燃料堆放不均勻，層次復(fù)雜等問(wèn)題，得到的表面積占比不足以代表最后的占比，后續(xù)將針對(duì)如何選擇一個(gè)合理的T值使秸稈燃料占比估算的過(guò)程最優(yōu)化進(jìn)行研究，并結(jié)合實(shí)際應(yīng)用場(chǎng)景，基于大量實(shí)驗(yàn)數(shù)據(jù)，給出一個(gè)合理的時(shí)間閾值T，優(yōu)化整個(gè)系統(tǒng)的精確度。