[发明专利]一种智能楼层集中餐厨垃圾处理控制系统

摘要

本发明涉及一种智能楼层集中餐厨垃圾处理控制系统，包括垃圾识别系统来识别垃圾对其进行一个大致分类并传输电信号进入数字信号转换器，数字信号转换器将电信号转换为数字信号，然后导入中央处理器等。本发明的中央处理器根据数据做出指令，控制干湿分离系统进行垃圾的干湿分离，然后液相垃圾进入油水分离系统进行油水分离，固相垃圾再次通过垃圾识别系统的识别将其中的塑料制品通过塑料制品分离系统进行分离。

主权项

一种智能楼层集中餐厨垃圾处理控制系统，其特征在于，所述智能楼层集中餐厨垃圾处理控制系统包括：识别垃圾的垃圾识别系统；所述识别系统包括摄像模块、图像分析模块和图像处理模块；摄像模块，用于采集图像信息，并将信息通过导线发送到图像分析模块；所述摄像模块的图像采集方法包括：步骤一：通过镶嵌的摄像头在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化。步骤二：对量化后的信号x(i)进行降维。具体是对量化后的信号通过有限脉冲响应滤波器的差分方程i＝1,…,M，其中h(0),…,h(L‑1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：则观测i＝1,…,M，其中b1,…,bL看作滤波器系数；子矩阵ΦFT的奇异值是格拉姆矩阵G(ΦF,T)＝Φ′FTΦFT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1‑δK,1+δK),i＝1,…,T，则ΦF满足RIP，并通过求解最优化问题来重构原信号；通过线性规划方法来重构原信号，亦即BP算法；针对采集的图像压缩信号，则修改ΦF为如下形式：如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解最优化问题，精确重构出原信号；其中Φ与Ψ不相关，Ξ称为CS矩阵；图像分析模块，分析垃圾信息是否已经存有记录，一旦确认便开始发送到图像处理模块；图像处理模块，用于将图像信息进行处理，读取其中各种垃圾的成分，并计算滤波前后图像统计信息比值，将信息通过导线发送到主控制器上；所述模糊度处理方法包括：图像获取，获取垃圾图像信息；图像灰度化，为方便图像的边缘提取，利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像，公式如下：Gray＝R*0.3+G*0.59+B*0.11；图像边缘提取，利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘，不同的检测算子具有不同的边缘检测模板，根据具体模板计算交叉像素的差分作为当前像素值，使用模板如下：E(i,j)＝|F(i,j)‑F(i+1,j+1)|+|F(i+1,j)‑F(i,j+1)|；图像处理，利用高通/低通滤波器对灰度图像进行滤波处理以构造待处理图像的参考图像，采用3*3均值滤波器，利用滤波模板遍历图像每个像素，每次将模板中心置于当前像素，以模板内所有像素的平均值作为当前像素新值，模板如下：19×111111111;]]>图像边缘统计信息计算，分别计算图像滤波前后各自边缘灰度信息，滤波处理前的待处理图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下：sum_orig=w1×(|F(i,j)-F(i-1,j)|+|F(i,j)-F(i,j-1)|+|F(i,j)-F(i,j+1)|+|F(i,j)-F(i+1,j)|)+w2×(|F(i,j)-F(i-1,j-1)|+|F(i,j)-F(i-1,j+1)|+|F(i,j)-F(i+1,j-1)|+|F(i,j)-F(i+1,j+1)|),]]>sum_filter=w1×(|F2(i,j)-F2(i-1,j)|+|F2(i,j)-F2(i,j-1)|+|F2(i,j)-F2(i,j+1)|+|F2(i,j)-F2(i+1,j)|)+w2×(|F2(i,j)-F2(i-1,j-1)|+|F2(i,j)-F2(i-1,j+1)|+|F2(i,j)-F2(i+1,j-1)|+|F2(i,j)-F2(i+1,j+1)|),]]>其中，w1与w2是根据离中心像素的距离设定的权值，w1＝1，w2＝1/3；图像模糊度指标计算，将得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标，为方便处理，取较大的为分母，较小的为分子，保持该值介于(0,1)之间；根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体为：得出模糊度调整范围，处理LIVE2中的174幅高斯模糊图像，计算出它们各自的模糊度处理值，然后利用拟合工具plot(value,DMOS)建立处理值value与DMOS之间的映射关系，根据最佳视觉效果对应的DMOS范围得出对应的一个模糊处理值范围[min，max]；图像模糊度调整，若图像模糊度指标小于min，判定图像滤波前后变化很大，原图像过于锐化，则利用低通滤波器进行滤波调整；若大于max，判定图像滤波前后变化很小，原图像过于模糊，则利用高通滤波器进行滤波调整，以达到更佳视觉效果；得出最终图像和该图像模糊度处理信息，并发送到主控制单元镶嵌的显示器进行显示；垃圾识别系统通过导线连接对识别进行控制的主控制单元；对垃圾识别系统的识别信息进行一个分类并传输电信号的数字信号转换器；数字信号转换器将电信号转换为数字信号后，根据数据做出指令的中央处理器；根据中央处理器的控制指令对垃圾的干湿成分进行分离的干湿分离系统；对干湿分离系统分离的液相垃圾进行油水分离的油水分离系统；对干湿分离系统分离的固相垃圾进行识别将其中的塑料制品进行分离的塑料制品分离系统；所述数字信号转换器、中央处理器均集成在主控制单元内部；油水分离系统的分离方法包括：步骤一、建立仰角式油水分离器几何模型，包括确定模型几何尺寸、选取模型坐标和对模型进行网格划分；步骤二、选取数值模拟方法，在模拟过程中，模拟介质为水和原油，油水分离温度认为是恒温50℃，湍流模型选用Realizable k‑ε模型，多相流模型采用混合物模型，在Fluent软件中选用绝对稳定的二阶迎风格式作为控制方程的离散格式，在数值模拟过程中选用SIMPLE方法；步骤三、分别对0°‑30°不同仰角下的油水分离器进行数值模拟，对不同仰角下模型的油出口水相体积含量、水出口油相体积含量和油水分离效率进行统计；建立仰角式油水分离器几何模型的具体步骤如下：第一步、仰角式油水分离器几何模型的几何尺寸数据如下：处理量300m3/d，停留时间6min，含油浓度取为10％，混合物进口直径70mm，水出口直径50mm，油出口直径50mm；第二步、模型坐标的选取；建模过程中选用的坐标系为笛卡尔坐标系，轴向为坐标轴x，径向为坐标轴y、z，原点位于分离器左端截面的中心处，坐标轴的选取；第三步、模型的网格划分；在Gambit中采用自适应网格，为了保证网格划分的精度和适应性，网格的密度设置为2.5mm×2.5mm，整个计算区域包括483612个网格单元，其中分液管部分包括5149个网格单元；油水分离过程的控制方程如下：(1)流动控制方程油水分离流动的控制方程包括连续性方程和动量方程，对于湍流的不可压缩流体，其时均方程的张量形式如下：连续性方程：∂ρ∂t+∂(ρu)∂x+∂(ρv)∂y+∂(ρw)∂z=0]]>动量方程：∂(ρu)∂t+∂(ρuu)∂x+∂(ρuv)∂y+∂(ρuw)∂z=∂∂x(μ∂u∂x)+∂∂y(μ∂u∂y)+∂∂z(μ∂u∂z)-∂p∂x+Su∂(ρv)∂t+∂(ρvu)∂x+∂(ρvv)∂y+∂(ρvw)∂z=∂∂x(μ∂v∂x)+∂∂y(μ∂v∂y)+∂∂z(μ∂v∂z)-∂p∂v+Sv∂(ρw)∂t+∂(ρwu)∂x+∂(ρwv)∂y+∂(ρww)∂z=∂∂x(μ∂w∂x)+∂∂y(μ∂w∂y)+∂∂z(μ∂w∂z)-∂p∂z+Sw]]>式中Su、Sv、Sw——广义源项，Su＝Fx+sx、Sv＝Fy+sy、Sw＝Fz+sz；Fx、Fy、Fz——质量力；sx、sy、sz如下所示：sx=∂∂x(μ∂u∂x)+∂∂y(μ∂v∂x)+∂∂z(μ∂w∂x)+∂∂x(λdivu)sy=∂∂x(μ∂u∂y)+∂∂y(μ∂v∂y)+∂∂z(μ∂w∂y)+∂∂y(λdivu)sz=∂∂x(μ∂u∂z)+∂∂y(μ∂v∂z)+∂∂z(μ∂w∂z)+∂∂z(λdivu)]]>式中μ——动力粘度(Pa·s)；λ——第二相动力粘度，通常取值为‑2/3(Pa·s)；对于不可压缩流体，若其粘度为常数，sx＝sy＝sz＝0，动量方程可以化简为：∂(ρu)∂t+∂(ρuu)∂x+∂(ρuv)∂y+∂(ρuw)∂z=∂∂x(μ∂u∂x)+∂∂y(μ∂u∂y)+∂∂z(μ∂u∂z)-∂p∂x+Fx∂(ρv)∂t+∂(ρvu)∂x+∂(ρvv)∂y+∂(ρvw)∂z=∂∂x(μ∂v∂x)+∂∂y(μ∂v∂y)+∂∂z(μ∂v∂z)-∂p∂v+Fy∂(ρw)∂t+∂(ρwu)∂x+∂(ρwv)∂y+∂(ρww)∂z=∂∂x(μ∂w∂x)+∂∂y(μ∂w∂y)+∂∂z(μ∂w∂z)-∂p∂z+Fz.]]>