一种垃圾热值的测量方法及装置与流程

本技术涉及垃圾处理，尤其涉及一种垃圾热值的测量方法及装置。

背景技术：

1、随着国内经济的快速发展，居民生活垃圾的产量也在迅速增加，其造成的污染程度也在加剧，因此，为确保城市的可持续发展，需要对生活垃圾进行有效的处理。目前，在采用焚烧法对居民生活垃圾进行处理的过程中，垃圾热值是影响垃圾焚烧稳定性的一个关键参数，入炉垃圾热值的变化对燃烧过程的稳定性有比较大的影响，因此在垃圾入炉进行焚烧处理前需要对待焚烧垃圾的热值进行比较准确的测量。目前一般采用氧弹量热仪和热重分析仪对生活垃圾的热值进行测量，但由于生活垃圾是一种非均匀的燃料，其组分复杂且热值分布不均匀，想要测得垃圾热值一般需要采用正确的取样方法，准确对垃圾物理成分进行分拣和比例测定，得到的热值才具有代表性，但垃圾物理组成成分的分拣工作易受到分拣人员主观判断的影响，而且样品前处理工作繁多，整套操作流程复杂，费时费力，在需要进行长期热值测量以及评估时，该实验方法获得准确数据耗时过长，不利于垃圾焚烧处理工作的快速展开。

技术实现思路

1、本说明书实施例提供一种垃圾热值的测量方法及装置，以解决。

2、为解决上述技术问题，本说明书实施例是这样实现的：

3、根据本发明实施例的第一方面，提供一种垃圾热值的测量方法，包括：

4、s1、利用光谱相机获取待处理垃圾的原始光谱图像，对所述原始光谱图像进行去噪处理，得到经过去噪处理后的光谱图像；

5、s2、基于所述经过去噪处理后的光谱图像得到所述待处理垃圾的光谱信息；

6、s3、将所述光谱信息输入到训练完毕的卷积神经网络中，得到所述待处理垃圾对应的热值信息；

7、其中，所述训练完毕的卷积神经网络的训练过程具体包括：

8、s31、构建数据集；

9、预先采用光谱相机得到若干个由不同种类垃圾进行混合得到的垃圾混合物的光谱图像，并基于热值测量仪器测量得到每个垃圾混合物的热值信息，得到若干个以热值信息为标签的垃圾混合物的光谱图像；

10、s32、将所述若干个以热值信息为标签的垃圾混合物的光谱图像按预定比例划分为训练集和验证集两部分；

11、s33、以所述训练集中以热值信息为标签的垃圾混合物的光谱图像为训练样本对卷积神经网络进行训练；在训练过程中按如下优化器算法对所述卷积神经网络中的权重参数进行更新，当训练出的卷积神经网络在所述验证集上的准确程度满足预定阈值时停止训练；其中，所述优化器算法具体包括：

12、s331、设定学习率ε、衰减速率ρ、动量系数μ，设定卷积神经网络中的待学习参数θ、累积平方梯度r、累积梯度v的初始值，以及以数值大小等于10-5的参数δ，

13、s332、从所述训练集中随机选择m个样本，其中，所述m个样本中的各个样本携带有对应的热值信息，所述样本中包含m个光谱图像表示为：{x(1)，...,x(m)}，以及各个光谱图像对应的热值信息表示为：{y(1)，...,y(m)}；

14、s333、按如下规则计算所述m个样本在当前时间步t时的平均梯度gt：其中，函数f(x(i)；θ)表示卷积神经网映射的函数，函数l(f(x(i)；θ),y(i))表示损失函数；表示梯度符号；

15、s334、按如下规则更新所述当前时间步t对应的累积梯度vt：vt←μvt-1+(1-μ)gt，其中，其中符号vt-1表示所述当前时间步t的上一时间步对应的累积梯度；

16、s335、按如下规则更新累积所述当前时间步t对应的平方梯度rt：rt←ρrt-1+(1-ρ)gt*gt，其中符号rt-1表示所述当前时间步t的上一时间步对应的累积平方梯度；

17、s336、按如下规则分别计算第一修正偏差和第二修正偏差其中，s337、基于下述规则更新所述当前时间步t时的待学习参数其中，符号θt-1表示所述当前时间步t的上一时间步对应的待学习参数；

18、更新时间步t＝t+1；

19、s338、重复步骤s332至步骤s337迭代直至训练出的所述待学习参数θ在验证集上的准确程度满足预定阈值时停止训练。

20、优选的，所述光谱相机可旋转地设置于所述待处理垃圾的斜上方，基于下述公式设置所述光谱相机的焦距f，

21、

22、

23、其中，符号h表示所述待处理测垃圾在所述光谱相机上的成像高度，符号h表示所述待处理垃圾的高度，符号l表示被观察处理的垃圾与所述光谱相机的镜头之间的距离，符号h0表示所述光谱相机的感光元件的高度，符号w表示所述待处理测垃圾在所述光谱相机上的成像宽度，符号w表示所述待处理垃圾的宽度，符号w0表示所述光谱相机的感光元件的宽度，符号ε为预定设定数值大小的参数。

24、优选的，所述得到所述待处理垃圾对应的热值信息之后，包括：

25、旋转所述光谱相机，获得不同位置的待处理垃圾的热值信息，在显示界面中对所述不同位置的待处理垃圾的热值信息进行显示。

26、优选的，所述待处理垃圾上方设置有led光源，所述led光源用于对所述待处理垃圾进行补光照射。

27、优选的，通过翻转操作、平移操作、旋转操作、缩放操作、添加噪声操作中的一种或多种操作的组合对所述训练集中的光谱图像进行数据增强操作，得到数据增强操作处理后的光谱图像，以提高经过训练的卷积神经网络的泛化能力。

28、优选的，对于所述卷积神经网络中的任意一层神经元，从开区间中均匀随机取值以对所述任意一层神经元中的所有待学习参数，其中符号d表示所述任意一层神经元中神经元的个数。

29、优选的，在所述卷积神经网络中相邻的全连接层和非线性激活层之间设置有批量归一化层，所述批量归一化层用于对基于若干数量的训练样本作为输入数据时，对所述全连接层中每个神经元所输出的批量数据进行标准化处理，所述标准化处理的过程具体包括：

30、对于所述全连接层中的任意一个神经元，计算所述任意一个神经元所输出的批量数据的均值μb，其中，其中，xi，i＝1,2,...,n表示以所述若干数量的训练样本作为输入数据时所述任意一个神经元的批量输出数据；

31、计算所述任意一个神经元所输出的所述批量输出数据的方差其中，

32、基于下式计算所述任意一个神经元的输出值的标准化值其中，符号ε2表示数值大于零且小于预定正值的常数；

33、基于下式对所述归一化值进行平移缩放操作，得到进行平移缩放操作后的输出数据yi，其中γ表示所述任意一个神经元对应的缩放因子，β表示所述任意一个神经元对应的平移因子；

34、

35、优选的，在对所述卷积神经网络进行测试的过程中，对于某一个特定的测试样本，在对所述任意一个神经元进行标准化处理时，以所述卷积神经网络训练过程中所述任意一个神经元对应的若干个历史均值的均值作为均值以所述卷积神经网络训练过程中所述任意一个神经元对应的若干个方差的均值作为方差

36、根据本发明实施例的第二方面，提供一种垃圾热值的测量装置，包括：

37、光谱图像获取模块，用于利用光谱相机获取待处理垃圾的原始光谱图像，对所述原始光谱图像进行去噪处理，得到经过去噪处理后的光谱图像；

38、光谱信息获取模块，用于基于所述经过去噪处理后的光谱图像得到所述待处理垃圾的光谱信息；

39、垃圾热值信息获取模块，用于将所述光谱信息输入到训练完毕的卷积神经网络中，得到所述待处理垃圾对应的热值信息；

40、其中，所述训练完毕的卷积神经网络的训练过程具体包括：

41、构建数据集；

42、预先采用光谱相机得到若干个由不同种类垃圾进行混合得到的垃圾混合物的光谱图像，并基于热值测量仪器测量得到每个垃圾混合物的热值信息，得到若干个以热值信息为标签的垃圾混合物的光谱图像；

43、将所述若干个以热值信息为标签的垃圾混合物的光谱图像按预定比例划分为训练集和验证集两部分；

44、以所述训练集中以热值信息为标签的垃圾混合物的光谱图像为训练样本对卷积神经网络进行训练；在训练过程中按如下优化器算法对所述卷积神经网络中的权重参数进行更新，当训练出的卷积神经网络在所述验证集上的准确程度满足预定阈值时停止训练；其中，所述优化器算法具体包括：

45、设定学习率ε、衰减速率ρ、动量系数μ，设定卷积神经网络中的待学习参数θ、累积平方梯度r、累积梯度v的初始值，以及以数值大小等于10-5的参数δ，

46、从所述训练集中随机选择m个样本，其中，所述m个样本中的各个样本携带有对应的热值信息，所述样本中包含m个光谱图像表示为：{x(1)，...,x(m)}，以及各个光谱图像对应的热值信息表示为：{y(1)，...,y(m)}；

47、按如下规则计算所述m个样本在当前时间步t时的平均梯度gt：其中，函数f(x(i)；θ)表示卷积神经网映射的函数，函数l(f(x(i)；θ),y(i))表示损失函数；表示梯度符号；

48、按如下规则更新所述当前时间步t对应的累积梯度vt：vt←μvt-1+(1-μ)gt，其中，其中符号vt-1表示所述当前时间步t的上一时间步对应的累积梯度；

49、按如下规则更新累积所述当前时间步t对应的平方梯度rt：rt←ρrt-1+(1-ρ)gt*gt，其中符号rt-1表示所述当前时间步t的上一时间步对应的累积平方梯度；

50、按如下规则分别计算第一修正偏差和第二修正偏差其中，

51、基于下述规则更新所述当前时间步t时的待学习参数其中，符号θt-1表示所述当前时间步t的上一时间步对应的待学习参数；

52、更新时间步t＝t+1；

53、重复迭代直至训练出的所述待学习参数θ在验证集上的准确程度满足预定阈值时停止训练。

54、本说明书一个实施例至少能够达到以下有益效果：通过设置于待处理垃圾附近的光谱相机获取待处理垃圾的光谱图像，再将经过去噪处理后的光谱图像中的光谱信息输入到训练完毕的卷积神经网络中，能够快速准确地得到该待处理垃圾对应的热值信息，并且该过程无需人工对待处理垃圾进行取样，从而不受分拣人员主观判断的影响，得到的待处理垃圾的热值信息的精确度高。