松塔的应用

中国是生物质资源大国,每年的生产生活过程中会产生大量的农林废弃物。而现阶段大量的农林废弃物并没有得到合理利用开发,造成了一系列环境问题。为了实现农林废弃物的资源化合理利用以及巩固全球生态环境的建设,高效的农林废弃物资源化利用手段成为了当下研究的热点。生物质烘焙技术是一种被普遍认可的热化学处理工艺,仅需通过180～300℃即可快速解决生物质低能量密度及高生物活性的问题,并全面提升生物质的利用价值。近年来,国内外学者在传统管式炉烘焙技术上不断优化改良,提出了多种新型烘焙技术以进一步提升生物质烘焙炭的转化效益。 在此基础上,本文提出通过过热蒸汽烘焙技术来实现农林废弃物的高效处理。在本研究中选取了多种农林废弃物对其进行烘焙炭化处理,并就烘焙炭的理化性状进行表征。同时,根据不同烘焙炭的能量转化差异,探究了烘焙炭产率及热值间的关系并相应搭建热值预测模型;最后就烘焙过程中生物质微量成分转化情况进行研究,从而深入了解微量成分的烘焙转化机理及其对烘焙炭应用的潜在影响。主要研究成果如下: 1.本实验分别在200℃、250℃以及300℃烘焙温度下根据不同反应时间(15 min、30 min、60 min)制备了多种基于不同原材料的烘焙炭,并相应对过热蒸汽烘焙技术制备的烘焙炭的元素含量、工业成分含量、能量效益和转化情况进行深入研究。通过研究发现:过热蒸汽烘焙技术可以快速有效地去除生物质中大量的木质类纤维素和挥发分,使得生物质中碳以及固定碳含量不断上升,从而有效地提升烘焙炭的能量效益。 2.前期的大量实验发现生物质个体间的烘焙产率和热值间存在较强的线性关系。而为进一步确认不同烘焙炭的能量转化效益,本研究通过烘焙炭不同参数间的相关性分析,并基于多层线性拟合以及人工神经网络搭建了多种以烘焙产率为核心参数,C、H、O、FC和生物质原始热值等为辅助参数的烘焙炭热值预测模型。通过该模型可以在实际大规模烘焙炭生产过程中仅需根据质量称重结果,即可快速有效地评估烘焙炭的燃料潜力。 3.通过TG-FTIR-GCMS三联机,本论文探究了甜菜碱、橄榄油、大豆蛋白、以及果胶等生物质微量成分在300℃烘焙条件下持续烘焙60 min的物质转化情况。在研究中发现不同种类的微量成分在烘焙过程中存在较大差异,其中碱类在烘焙过程中几乎完全损失(质量损失>85%),蛋白类以及糖类有一定损失(质量损失于40～50%),而油脂类仅有少量变化(质量损失<10%)。综上表明,生物质中的油脂类、蛋白类以及糖类成分可能对会烘焙炭的实际应用造成不同程度的影响。

为了保障松塔水库运行安全，对水库大坝坝面变形进行安全监测是不可缺少的重要措施。文章结合松塔水库现有工程资料，对其安全监测数据进行初步整编与分析，阐述了水平位移和垂直位移的具体监测方法。通过汇总分析监测数据，结果表明该检测方法运用合理，测量精度高，可以直观、精准、高效地掌握各测点的位移情况，在技术层面保障了松塔水库的安全运行。

松塔作为东北地区一种常见的干果,具有很高的食用价值和药用价值,松塔产业规模不断扩大。松塔由人工击落捡拾完成,人工收集松塔任务存在工作强度大,环境风险高和人力成本高等问题。实现林间松塔收集作业的自动化,已经成为满足林业生产需求的必然要求。松塔识别算法是实现林间松塔收集作业自动化和智能化的关键,决定着地面收集装置能否快速、准确地完成松塔捡拾。本文围绕林间松塔收集设备的识别需求,从提高松塔识别的准确率和检测速度出发,构建一种轻量级林间松塔检测模型,部署到嵌入式设备中,实现了对林间松塔快速准确检测,主要研究内容如下:(1)构建林间松塔数据集。实地拍摄林场环境下不同状态的松塔图像,使用标注工具对松塔目标标注。为加强数据的多样性,使用图片锐化、高斯模糊、色域变换和Grid Mask对拍摄的图片进行扩增。扩增后的松塔图像数据,用做后续松塔检测模型的训练与测试。(2)构建融合注意力机制的YOLOv4-Tiny林间松塔检测模型。针对林间松塔检测任务存在目标体积小、与背景颜色相近、易被遮挡等问题,对YOLOv4-Tiny模型进行优化。通过引入通道注意力机制优化模型的特征融合,加强对松塔特征提取,抑制背景特征;通过设计Focal loss和α-CIOU优化模型的损失函数,增强模型挖掘难分松塔样本和高Io U松塔样本的能力。本章构建的松塔检测模型平均识别准确率达到94.01%,可较好的实现林间环境下的松塔检测。(3)构建轻量级YOLOv4-Tiny的松塔检测模型。针对现有目标检测模型计算量大,地面收集装置存在部署困难的问题,构建轻量级松塔检测模型。首先设计轻量级增强型Shuffle Net骨干网络提取松塔特征,仅保留26×26检测层用于松塔预测。此外,把检测层的3×3卷积替换成深度可分离卷积,加快检测速度。最后,将通道宽度缩小至原来的0.75倍,进一步压缩模型的体积。本文提出的轻量级模型相较原始YOLOv4-Tiny模型参数减少87.5%,在RTX2060平均检测时间为7.4ms,在保证检测精度的前提下有效地简化了模型,为模型部署到算力有限的松塔收集装置提供模型支持。(4)构建松塔嵌入式检测平台。为满足真实场景下地面采集设备的需要,选择低成本的NVIDIA Jetson Nano作为松塔检测模型部署平台,使用Tensor RT合并模型分支和低精度量化加速。加速后的松塔检测模型在嵌入式平台检测速度达到22FPS,实现了在低算力设备中松塔的快速检测。综上,本文提出的轻量级松塔检测模型兼顾识别准确率高和检测速度快的综合性能,它可以在近色背景下快速、准确地识别松塔模型,同时在嵌入式设备上进行部署优化,为松塔拾取设备提供更精确、更轻量的解决方案。