化工学报 ›› 2021, Vol. 72 ›› Issue (5): 2773-2782.DOI: 10.11949/0438-1157.20201481
收稿日期:
2020-10-26
修回日期:
2020-12-05
出版日期:
2021-05-05
发布日期:
2021-05-05
通讯作者:
林晓青
作者简介:
谢昊源(1998—),男,硕士研究生,基金资助:
XIE Haoyuan(),HUANG Qunxing,LIN Xiaoqing(),LI Xiaodong,YAN Jianhua
Received:
2020-10-26
Revised:
2020-12-05
Online:
2021-05-05
Published:
2021-05-05
Contact:
LIN Xiaoqing
摘要:
垃圾焚烧发电厂入炉垃圾热值波动大,影响了锅炉运行的稳定性和发电效率,利用图像深度学习的方法实现入炉垃圾热值的实时预测,有助于电厂实现“超前调控”。本文探讨了国内外垃圾图像识别及热值预测的研究进展和不足,认为目前缺少符合我国垃圾组分结构的垃圾图像数据库和热值智能预测方法,提出了用Yolov5识别图像中垃圾种类来预测热值的方法,通过入炉垃圾图像的实时采集与分类标记建立图像数据库,并耦合mosaic数据增强等图像数据处理及神经网络训练,提出建立垃圾热值实时预测模型的设想。本文进一步展望了垃圾热值智能预测的发展前景,未来可以将深度学习与图像识别技术高效结合,实现入炉垃圾热值的实时与精准预测。
中图分类号:
谢昊源, 黄群星, 林晓青, 李晓东, 严建华. 基于图像深度学习的垃圾热值预测研究[J]. 化工学报, 2021, 72(5): 2773-2782.
XIE Haoyuan, HUANG Qunxing, LIN Xiaoqing, LI Xiaodong, YAN Jianhua. Study on the calorific value prediction of municipal solid wastes by image deep learning[J]. CIESC Journal, 2021, 72(5): 2773-2782.
序号 | 类别 | 组成成分 |
---|---|---|
1 | 塑料类 | 废弃塑料 |
2 | 橡胶类 | 橡胶、皮革制品 |
3 | 木竹类 | 废弃的木竹制品及木材 |
4 | 纺织物 | 废弃的布类(包括化纤布)、棉花 |
5 | 纸类 | 废弃的纸张及纸制品 |
6 | 土砖类 | 炉灰、尘土 |
7 | 厨余类 | 动、植物类食品(包括水果)的残余物 |
8 | 金属类 | 废弃的金属、金属制品(包括电池) |
9 | 玻璃类 | 废弃玻璃、玻璃制品 |
10 | 其他类 | 上述九类以外的其他生活垃圾 |
11 | 混合类 | 粒径小于10 mm的、按上述分类比较困难的混合物 |
表1 生活垃圾物理成分组成
Table 1 Composition of physical composition of domestic garbage
序号 | 类别 | 组成成分 |
---|---|---|
1 | 塑料类 | 废弃塑料 |
2 | 橡胶类 | 橡胶、皮革制品 |
3 | 木竹类 | 废弃的木竹制品及木材 |
4 | 纺织物 | 废弃的布类(包括化纤布)、棉花 |
5 | 纸类 | 废弃的纸张及纸制品 |
6 | 土砖类 | 炉灰、尘土 |
7 | 厨余类 | 动、植物类食品(包括水果)的残余物 |
8 | 金属类 | 废弃的金属、金属制品(包括电池) |
9 | 玻璃类 | 废弃玻璃、玻璃制品 |
10 | 其他类 | 上述九类以外的其他生活垃圾 |
11 | 混合类 | 粒径小于10 mm的、按上述分类比较困难的混合物 |
生活垃圾低位热值Q/(kJ/kg) | 稳定燃烧条件 |
---|---|
Q<3350 | 无法自燃,需加辅助燃料 |
3350<Q<4200 | 少加辅助燃料 |
4200<Q<5000 | 一次、二次风预热至200~250℃ |
5650<Q<8500 | 一次风预热至100~200℃ |
Q>8500 | 一次、二次风常温 |
表2 生活垃圾焚烧与热值的关系
Table 2 The relationship between domestic waste incineration and calorific value
生活垃圾低位热值Q/(kJ/kg) | 稳定燃烧条件 |
---|---|
Q<3350 | 无法自燃,需加辅助燃料 |
3350<Q<4200 | 少加辅助燃料 |
4200<Q<5000 | 一次、二次风预热至200~250℃ |
5650<Q<8500 | 一次风预热至100~200℃ |
Q>8500 | 一次、二次风常温 |
类别 | 计算公式 | 单位 | 适用范围 |
---|---|---|---|
物理组成分析热值[ | Conventional: | kJ/kg | 垃圾 |
Tokyo: | kJ/kg | 生活垃圾 | |
Ali Khan: | kJ/kg | 生活垃圾 | |
元素分析热值[ | Dulong: | kJ/kg | 生活垃圾/煤 |
Scheurer-Kestner: | kJ/kg | 生活垃圾 | |
Steuer: | kJ/kg | 生活垃圾 | |
工业特征分析热值[ | Bento: | kJ/kg | 垃圾 |
表3 三种垃圾热值计算方法经验公式
Table 3 Three empirical formulas for calculating the calorific value of garbage
类别 | 计算公式 | 单位 | 适用范围 |
---|---|---|---|
物理组成分析热值[ | Conventional: | kJ/kg | 垃圾 |
Tokyo: | kJ/kg | 生活垃圾 | |
Ali Khan: | kJ/kg | 生活垃圾 | |
元素分析热值[ | Dulong: | kJ/kg | 生活垃圾/煤 |
Scheurer-Kestner: | kJ/kg | 生活垃圾 | |
Steuer: | kJ/kg | 生活垃圾 | |
工业特征分析热值[ | Bento: | kJ/kg | 垃圾 |
结构网络 | 残差组件个数/个 | 卷积核总数/个 |
---|---|---|
Yolov5s | 12 | 1001 |
Yolov5m | 24 | 1488 |
Yolov5l | 36 | 1984 |
Yolov5x | 48 | 2480 |
表4 Yolov5不同网络结构的卷积核个数以及残差组件个数
Table 4 The number of convolution kernels and the number of residual components of different network structures in Yolov5
结构网络 | 残差组件个数/个 | 卷积核总数/个 |
---|---|---|
Yolov5s | 12 | 1001 |
Yolov5m | 24 | 1488 |
Yolov5l | 36 | 1984 |
Yolov5x | 48 | 2480 |
生活垃圾成分 | 垃圾占比/% | 干基高位热值/ (kJ/kg) | 干基氢 含量/% |
---|---|---|---|
塑料类 | 10.12~14.12 | 24096~32570 | 7.2 |
橡胶类 | 8.03~13.38 | 15365~23260 | 10.0 |
木竹类 | 1.71~6.15 | 10682~18610 | 6.0 |
纺织物 | 1.08~4.44 | 10551~17450 | 6.6 |
纸类 | 17.39~24.28 | 11467~16600 | 6.0 |
土砖类 | 1.02~4.87 | 3686~6980 | 3.0 |
厨余类 | 39.86~53.1 | 1140~4650 | 6.4 |
金属类 | 0.11~0.32 | 700 | — |
玻璃类 | 0.89~1.91 | 140 | — |
表5 各类生活垃圾占比、热值及氢含量
Table 5 Calorific value and hydrogen content of various types of domestic waste
生活垃圾成分 | 垃圾占比/% | 干基高位热值/ (kJ/kg) | 干基氢 含量/% |
---|---|---|---|
塑料类 | 10.12~14.12 | 24096~32570 | 7.2 |
橡胶类 | 8.03~13.38 | 15365~23260 | 10.0 |
木竹类 | 1.71~6.15 | 10682~18610 | 6.0 |
纺织物 | 1.08~4.44 | 10551~17450 | 6.6 |
纸类 | 17.39~24.28 | 11467~16600 | 6.0 |
土砖类 | 1.02~4.87 | 3686~6980 | 3.0 |
厨余类 | 39.86~53.1 | 1140~4650 | 6.4 |
金属类 | 0.11~0.32 | 700 | — |
玻璃类 | 0.89~1.91 | 140 | — |
1 | 林晓青, 陈志良, 李晓东, 等. 煤粉炉掺烧生活垃圾对灰渣特性的影响研究[J]. 化工学报, 2018, 69(6): 2708-2713. |
Lin X Q, Chen Z L, Li X D, et al. Study on characterization of ash from co-combustion of coal with municipal solid waste[J]. CIESC Journal, 2018, 69(6): 2708-2713. | |
2 | 房科靖, 熊祖鸿, 鲁敏, 等. 垃圾热值的研究进展[J]. 新能源进展, 2019, 7(4): 359-364. |
Fang K J, Xiong Z H, Lu M, et al. Research progress of garbage calorific value [J]. Advances in New and Renewable Energy, 2019, 7(4): 359-364. | |
3 | Liu Y, Jing X Y, Nie J, et al. Context-aware 3D mean-shift with occlusion handling for robust object tracking in RGB-D videos[J]. IEEE Transactions on Multimedia, 2019, 21(3): 664-677. |
4 | 杨涛. 基于经济统计数据的生活垃圾热值计算模型[J]. 环境工程技术学报, 2014, 4(2): 158-163. |
Yang T. Economic statistics based municipal solid waste heating value calculation model[J]. Journal of Environmental Engineering Technology, 2014, 4(2): 158-163. | |
5 | Tian Y N, Yang G D, Wang Z, et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model[J]. Computers and Electronics in Agriculture, 2019, 157: 417-426. |
6 | 纪超, 黄新波, 曹雯, 等. 结合深度学习和全局-局部特征的图像显著区域计算[J]. 计算机辅助设计与图形学学报, 2019, 31(10): 1838-1846. |
Ji C, Huang X B, Cao W, et al. Fusion of deep learning and global-local features of the image salient region calculation[J]. Journal of Computer-Aided Design & Computer Graphics, 2019, 31(10): 1838-1846. | |
7 | 杨辉. 我国环境污染状况及环境保护的可行性建议[J]. 中国高新科技, 2020, (9): 74-75. |
Yang H. environmental pollution status and feasibility suggestions for environmental protection[J]. China High-Tech, 2020, (9): 74-75. | |
8 | 于宇, 沈淑霞, 张巍. 自然保护区生态旅游与生态环境保护研究[J]. 价值工程, 2020, 39(19): 85-86. |
Yu Y, Shen S X, Zhang W. Study on eco-tourism and eco-environmental protection in nature reserves[J]. Value Engineering, 2020, 39(19): 85-86. | |
9 | 王延涛, 曹阳. 我国城市生活垃圾焚烧发电厂垃圾热值分析[J]. 环境卫生工程, 2019, 27(5): 41-44. |
Wang Y T, Cao Y. Analysis on garbage caloric value in MSW incineration power plant in China[J]. Environmental Sanitation Engineering, 2019, 27(5): 41-44. | |
10 | 国家市场监督管理总局, 中国国家标准化管理委员会. 生活垃圾分类标志: [S]. 北京: 中国标准出版社, 2019. |
State Administration for Market Regulation, Standardization Administration of the People's Republic of China. Signs for classification of municipal solid waste: [S]. Beijing: Standards Press of China, 2019. | |
11 | 房德职, 李克勋. 国内外生活垃圾焚烧发电技术进展[J]. 发电技术, 2019, 40(4): 367-376. |
Fang D Z, Li K X. An overview of power generation from municipal solid waste incineration plants at home and abroad[J]. Power Generation Technology, 2019, 40(4): 367-376. | |
12 | 刘波. 提高生活垃圾热值的几种途径[J]. 科技创新导报, 2012, (6): 236. |
Liu B. Several ways to increase the calorific value of domestic waste[J]. Science and Technology Innovation Herald, 2012, (6): 236. | |
13 | 李清海, 甘超, 蒙爱红, 等. 干燥对乏垃圾热值影响的实验研究[J]. 清华大学学报(自然科学版), 2011, 51(12): 1865-1869. |
Li Q H, Gan C, Meng A H, et al. Experimental study on effect of drying on heating value of spent waste[J]. Journal of Tsinghua University(Science and Technology), 2011, 51(12): 1865-1869. | |
14 | 文科军, 吴丽萍, 杨丽, 等. 可燃垃圾的焚烧热值分析[J]. 环境科学与技术, 2007, 30(7): 40-42. |
Wen K J, Wu L P, Yang L, et al. Analysis of caloric value of flammable refuse [J]. Environmental Science and Technology, 2007, 30(7): 40-42. | |
15 | Bonifazi G, Serranti S, Rem P C. Hydrogen content and calorific value of municipal solid waste: innovative quality control strategies of waste fed to incinerators[J]. Waste Management and the Environment IV, 2008, 109: 289-298. |
16 | Oribe-Garcia I, Kamara-Esteban O, Martin C, et al. Identification of influencing municipal characteristics regarding household waste generation and their forecasting ability in Biscay[J]. Waste Management, 2015, 39: 26-34. |
17 | 孙培锋, 李晓东, 池涌, 等. 城市生活垃圾热值预测的研究[J]. 能源工程, 2006, (5): 39-42. |
Sun P F, Li X D, Chi Y, et al. The study on prediction of lower heat value of MSW[J]. Energy Engineering, 2006, (5): 39-42. | |
18 | Chen W H, Lee K T, Chih Y K, et al. Novel renewable double-energy system for activated biochar production and thermoelectric generation from waste heat[J]. Energy & Fuels, 2020, 34(3): 3383-3393. |
19 | Abubakar A, Barnabas M H, Tanko B M. The physico-chemical composition and energy recovery potentials of municipal solid waste generated in Numan Town, North-Eastern Nigeria[J]. Energy and Power Engineering, 2018, 10(11): 475-485. |
20 | Behrsin I. Rendering renewable: technoscience and the political economy of waste-to-energy regulation in the European Union[J]. Annals of the American Association of Geographers, 2019, 109(5): 1362-1378. |
21 | Bai J, Lian S, Liu Z, et al. Deep learning based robot for automatically picking up garbage on the grass[J]. IEEE Transactions on Consumer Electronics, 2018, 64(3): 382-389. |
22 | 张瑛华, 张友富, 王洪. 基于神经网络的生活垃圾低位热值计算模型的研究与应用[J]. 电力建设, 2010, 31(9): 94-97. |
Zhang Y H, Zhang Y F, Wang H. Research and application of the LHV of MSW calculation model based on neural network[J]. Electric Power Construction, 2010, 31(9): 94-97. | |
23 | 马晓茜, 谢泽琼. 基于BP神经网络的垃圾热值预测模型[J]. 科技导报, 2012, 30(23): 46-50. |
Ma X Q, Xie Z Q. Prediction models for the heating values of municipal refuse based on BP neural network[J]. Science & Technology Review, 2012, 30(23): 46-50. | |
24 | 邓睿渠, 汪林正, 张睿智, 等. 基于粒子群算法的生活垃圾高热值成分热解动力学特性研究[J]. 化工学报, 2020, 71(7): 3238-3246. |
Deng R Q, Wang L Z, Zhang R Z, et al. Kinetic study on MSW components with particle swarm method[J]. CIESC Journal, 2020, 71(7): 3238-3246. | |
25 | Meng S, Chu W T. A study of garbage classification with convolutional neural networks[C]//2020 Indo–Taiwan 2nd International Conference on Computing, Analytics and Networks (Indo-Taiwan ICAN). IEEE, 2020: 152-157. |
26 | Zeng M, Lu X, Xu W, et al. PublicGarbageNet: a deep learning framework for public garbage classification[C]//2020 39th Chinese Control Conference (CCC). IEEE, 2020: 7200-7205. |
27 | 宁凯, 张东波, 印峰, 等. 基于视觉感知的智能扫地机器人的垃圾检测与分类[J]. 中国图象图形学报, 2019, 24(8): 1358-1368. |
Ning K, Zhang D B, Yin F, et al. Garbage detection and classification of intelligent sweeping robot based on visual perception[J]. Journal of Image and Graphics, 2019, 24(8): 1358-1368. | |
28 | Lowe D G. Object recognition from local scale-invariant features[C]//Proceedings of the Seventh IEEE International Conference on Computer Vision. IEEE, 1999: 1150-1157. |
29 | Bay H, Ess A, Tuytelaars T, et al. Speeded-up robust features(SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359. |
30 | Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 779-788. |
31 | Qi Q, Zhao S Y, Zhao W J, et al. High-speed video salient object detection with temporal propagation using correlation filter[J]. Neurocomputing, 2019, 356(3): 107-118. |
32 | 徐畅, 程文轩, 杨远舟. 关于Yolo目标检测算法的基础研究[J]. 电脑与信息技术, 2020, 28(4): 45-47. |
Xu C, Cheng W X, Yang Y Z. Research on the basis of Yolo target detection algorithm[J]. Computer and Information Technology, 2020, 28(4): 45-47. | |
33 | Gienger A, Ostertag A, Böhm M, et al. Data-based distributed fault diagnosis for adaptive structures using convolutional neural networks[J]. Unmanned Systems, 2020, 8(3): 221-228. |
34 | 杨兰兰, 高铭宇, 王晨宁, 等. 基于数据增强的人脸表情识别方法研究[J]. 计算机产品与流通, 2020, (11): 128-129. |
Yang L L, Gao M Y, Wang C N, et al. Research on facial expression recognition method based on data enhancement[J]. Computer Products and Circulation, 2020, (11): 128-129. | |
35 | 中华人民共和国住房和城乡建设部. 生活垃圾采样和分析方法: [S]. 北京: 中国标准出版社, 2009. |
Ministry of Housing and Urban-Rural Development of the People's Republic of China. Sampling and analysis methods for domestic waste: [S]. Beijing: Standards Press of China, 2009. | |
36 | Fenn P. The deep learning revolution[J]. Information, Communication & Society, 2020, 23(7): 1098-1099. |
37 | Chow D S, Khatri D, Chang P D, et al. Updates on deep learning, and glioma: use of convolutional neural networks to image glioma heterogeneity[J]. Neuroimaging Clinics of North America, 2020, 30(4): 493-503. |
38 | 张琦, 张荣梅, 陈彬. 基于深度学习的图像识别技术研究综述[J]. 河北省科学院学报, 2019, 36(3): 28-36. |
Zhang Q, Zhang R M, Chen B. Research review of image recognition technology based on deep learning[J]. Journal of the Hebei Academy of Sciences, 2019, 36(3): 28-36. | |
39 | 旦增, 王旭彤, 颜蓓蓓, 等. 西藏生活垃圾掺烧市政污泥的焚烧特性研究[J]. 化工学报, 2019, 70(8): 3151-3159. |
Dan Z, Wang X T, Yan B B, et al. Study on incineration characteristics of Tibetan municipal solid wastes mixed with sewage sludge[J]. CIESC Journal, 2019, 70(8): 3151-3159. |
[1] | 温凯杰, 郭力, 夏诏杰, 陈建华. 一种耦合CFD与深度学习的气固快速模拟方法[J]. 化工学报, 2023, 74(9): 3775-3785. |
[2] | 曹跃, 余冲, 李智, 杨明磊. 工业数据驱动的加氢裂化装置多工况切换过渡状态检测[J]. 化工学报, 2023, 74(9): 3841-3854. |
[3] | 杨克, 贾岳, 纪虹, 邢志祥, 蒋军成. 垃圾焚烧飞灰对瓦斯爆炸压力及火焰传播的抑制作用及机理研究[J]. 化工学报, 2023, 74(8): 3597-3607. |
[4] | 尹刚, 李伊惠, 何飞, 曹文琦, 王民, 颜非亚, 向禹, 卢剑, 罗斌, 卢润廷. 基于KPCA和SVM的铝电解槽漏槽事故预警方法[J]. 化工学报, 2023, 74(8): 3419-3428. |
[5] | 诸程瑛, 王振雷. 基于改进深度强化学习的乙烯裂解炉操作优化[J]. 化工学报, 2023, 74(8): 3429-3437. |
[6] | 闫琳琦, 王振雷. 基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模[J]. 化工学报, 2023, 74(8): 3407-3418. |
[7] | 徐野, 黄文君, 米俊芃, 申川川, 金建祥. 多源信息融合的离心式压缩机喘振诊断方法[J]. 化工学报, 2023, 74(7): 2979-2987. |
[8] | 高学金, 姚玉卓, 韩华云, 齐咏生. 基于注意力动态卷积自编码器的发酵过程故障监测[J]. 化工学报, 2023, 74(6): 2503-2521. |
[9] | 周继鹏, 何文军, 李涛. 异形催化剂上乙烯催化氧化失活动力学反应工程计算[J]. 化工学报, 2023, 74(6): 2416-2426. |
[10] | 黄磊, 孔令学, 白进, 李怀柱, 郭振兴, 白宗庆, 李平, 李文. 油页岩添加对准东高钠煤灰熔融行为影响的研究[J]. 化工学报, 2023, 74(5): 2123-2135. |
[11] | 郑书闽, 郭鹏程, 颜建国, 王帅, 李文博, 周淇. 微小通道内过冷流动沸腾阻力特性实验及预测研究[J]. 化工学报, 2023, 74(4): 1549-1560. |
[12] | 贠程, 王倩琳, 陈锋, 张鑫, 窦站, 颜廷俊. 基于社团结构的化工过程风险演化路径深度挖掘[J]. 化工学报, 2023, 74(4): 1639-1650. |
[13] | 张江淮, 赵众. 碳三加氢装置鲁棒最小协方差约束控制及应用[J]. 化工学报, 2023, 74(3): 1216-1227. |
[14] | 顾学荣, 刘硕士, 杨思宇. 基于并行EGO和代理模型辅助的多参数优化方法研究[J]. 化工学报, 2023, 74(3): 1205-1215. |
[15] | 吴选军, 王超, 曹子健, 蔡卫权. 数据与物理信息混合驱动的固定床吸附穿透深度学习模型[J]. 化工学报, 2023, 74(3): 1145-1160. |
阅读次数 | ||||||||||||||||||||||||||||||||||||||||||||||||||
全文 945
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||
摘要 842
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||