基于深度學習算法的硝酸銨溶液析晶點檢測系統

［摘 要］ 為解決膨化硝銨生產線水相溶液質量自動檢測的問題，根據生產線現場條件，設計了水相溶液質量自動檢測系統。通過研究不同深度學習算法對硝酸銨析晶狀態判定的準確度發現，EfficientNet算法的準確度最高。對EfficientNet算法進行改良，上調每層特征通道數，在深度上刪去了多個MBConv層，減小參數量，降低FLOPs，加速檢測，使系統自動測量的析晶點溫度與人工測量的平均誤差小于0.3 ℃。結果表明：系統可準確測量硝酸銨水相溶液的析晶溫度及密度，并自動生成硝酸銨水相溶液檢測報告;同時，實現數據的追溯和查詢，并對異常數據進行標記，滿足生產需要。

［關鍵詞］ 硝酸銨水相溶液；深度學習；析晶點；EfficientNet算法

［分類號］ TQ560.7

A Detection System for Crystallization Points of Ammonium Nitrate Solution Based on Deep Learning Algorithm

WEI Zhouhua①， WANG Qinghua①， HE Fengjun①， DANG Chuanggang①， TIAN Lu②， SUN Weibo②

①Shaanxi Beifang Civil Explosive Group Co.， Ltd. （Shaanxi Xi’an， 715600）

②College of Energy Engineering， Xi’an University of Science and Technology （Shaanxi Xi’an， 710054）

［ＡＢＳＴＲＡＣＴ］ An automatic quality detection system for expanded ammonium nitrate aqueous solution was designed based on the on-site conditions of the production line. The accuracy of different deep learning algorithms in determining the crystallization state of ammonium nitrate solution was studied. EfficiencyNet algorithm exhibited the highest accuracy. EfficiencyNet algorithm was improved by increasing the number of feature channels in each layer and removing multiple MBConv layers in depth. The numbers of parameters were reduced， FLOPs were lowered， and the detection were accelerated. The average error between the automatically measured crystallization point temperature by the system and the manually measured temperature is less than 0.3 ℃. The results demonstrate that the system can accurately measure the crystallization temperature and density of ammonium nitrate solution， and automatically generate detection reports for ammonium nitrate solution. At the same time， it can trace and query data， and mark abnormal data， thereby meeting production requirements.

［KEYWORDS］ aqueous solution of ammonium nitrate; deep learning; crystallization point; EfficientNet algorithm

0 引言

硝銨類炸藥是應用最廣泛的工業炸藥品種之一，具有中等威力和一定的敏感性。膨化硝銨炸藥是硝銨炸藥的一種，它的多微孔結構具有能夠形成熱點起爆的敏化作用，故無需如一般工業炸藥中要加單質炸藥、高感度鹽或金屬粉等敏化劑，可降低成本，減少污染及生產、使用中的危險性。膨化硝銨炸藥由硝酸銨溶液在專用表面活性劑作用下經真空強制析晶工藝而制得［1］。由于實際生產的需要，硝酸銨溶液需處于過飽和狀態，但高濃度硝酸銨溶液易在較低溫度下析晶結塊［2］。硝酸銨溶液析晶點不僅是生產時質量標準的重要參數，同時對于炸藥儲存、運輸以及爆炸性能等均具有重要的影響［3］。

目前，炸藥生產廠家大多使用2種析晶點檢測手段：一種是水相溶液析晶點溫度檢測；一種是水相溶液pH值檢測。這2種方法均需人工進行操作。一方面，我國號召實現工廠機器換人，使用智能化手段進行產品生產;另一方面，人工檢測析晶點對于操作人員來說有一定的安全隱患，同時，外部因素對結果影響較大。為響應國家號召，同時確保檢測結果的準確性，眾多科研人員對該項目進行了深入研究［4-8］。

前人的研究在自動化、無人化方面均有一定的技術更新，但仍存在不足。本文中，基于某膨化炸藥生產線，采用深度學習算法對采集的硝酸銨溶液視頻進行剪裁，結合溫度、密度以及pH值等傳感器顯示的溶液當前狀態數據，自動確定溶液析晶點溫度，確保了系統檢測結果的準確性以及操作的安全性。

1 系統結構

基于深度學習算法的硝酸銨水相溶液析晶點檢測系統，按照功能實現可以分為以下4個主要系統：取樣系統、數據采集系統、析晶狀態檢測系統和控制系統。系統及結構如圖1所示。

取樣系統實現了對硝酸銨溶液的泵送取樣。主要包括溶液循環泵與氣動球閥。溶液循環泵通過電機驅動葉輪旋轉，產生強大的壓力，從而將硝酸銨溶液從儲液罐中抽取，并輸送到析晶狀態檢測系統的設備中。氣動球閥通過氣動執行器控制球體的旋轉來實現閥門的開啟和關閉。氣動執行器接收到氣源信號時，活塞推動承插桿并帶動球體旋轉90°，使球體從閥體出口上移開，從而打開通道，允許硝酸銨液體通過。反之，當氣源信號斷開時，彈簧將球體緊密貼合到閥體的出口上，保持閥門閉合狀態，阻止硝酸銨液體通過。

數據采集系統使用密度傳感器與溫度傳感器傳送數據，獲得溶液的實時狀態。

析晶狀態檢測系統主要包括玻璃視蠱、高清攝像頭。取樣系統工作完畢后，溶液停留在玻璃視蠱內，由攝像頭將此刻的實時畫面傳輸給計算機。計算機利用深度學習算法判斷此刻溶液是否析晶，并自動記錄析晶溫度。

控制系統主要包括可編程邏輯控制器（PLC）與計算機。PLC通過周期性地循環執行一系列步驟完成工作。工作過程中，深度學習算法服務器通過企業網絡采集并保存圖像、溫度、密度等信息，自動進行深度學習。通過該服務器，可以發送系統開始析晶點檢測的信號給PLC，水相析晶點檢測系統開始運行，判斷析晶點后，及時發給PLC控制電磁動作和循環泵動作，并控制蒸汽吹掃。PLC和攝像機掛在控制系統內千兆交換機端口，可以通過該接口交換信息。PLC通過模擬輸入端口和通訊端口采集溫度、密度等信息;通過模擬輸出端口控制變頻器運行；通過數字信號控制集料電磁閥、吹掃電磁閥、循環泵等工作；通過自帶工業以太網端口上傳采集參數和接收控制指令與信號。計算機則放置在控制室中，作為整個系統的核心控制元件，工作人員通過觀察檢測界面，判斷此時系統運作是否正常；出現意外情況時，可以根據不同的問題選擇手動操作點擊對應按鈕來實現調控。

2 析晶狀態判定算法研究

2.1 算法選擇

深度學習算法是系統判斷析晶狀態的核心方法。本系統中，使用深度學習的卷積神經網絡（CNN）模型進行圖像識別。CNN本質上是一種輸入到輸出的映射［9］。為了找到最高效的圖像識別算法，對ResNet-50、MobileNetV2、ShuffleNet、Dense-Net和EfficientNet算法進行了對比研究。

對于圖2所示的一組隨機的析晶狀態，ResNet-50的準確率為98.57%；MobileNetV2的準確率為95.11%;ShuffleNet的準確率為95.22%;DenseNet的準確率為98.21%;EfficientNet的準確率為98.05%。故而本系統使用準確率較高的EfficientNet算法進行析晶判斷，這是目前較為先進的CNN模型之一［10］，它可用更少的訓練量達到更高的識別度［11］。

2.2 算法訓練

訓練時，首先需要輸入圖像樣本集（帶標簽的圖像），接著進行數據由低層次向高層次的前向傳播。在前向傳播過程中，輸入的圖形數據經過多層卷積層的卷積和池化處理，提出特征向量，將特征向量傳入全連接層中，得出分類識別的結果。全連接層中的全連接權值矩陣通常會基于專家經驗設置初始值。當輸出的結果與期望值相符時，輸出結果，完成訓練，得到全連接權值矩陣。

當前向傳播得出的結果與預期不相符時，則進入反向傳播階段，即將誤差從高層次向底層次進行傳播訓練的階段。在反向傳播過程中，求出結果與期望值的誤差，再將誤差一層一層返回，計算出每一層誤差，然后進行權值更新。該過程的主要目的是通過訓練樣本和期望值來調整網絡權值。

最后，經多次前向和反向傳播循環，得到輸出符合預期結果的訓練后權重文件模型，即輸出適合分辨析晶狀態的一類CNN網絡。達到99.9%的成功率后，訓練結束。

2.3 閾值判定

使用EfficientNet進行閾值判定時，通常會根據具體的任務和數據集來確定閾值的設定。閾值判定是指根據模型輸出的概率，與預先設定的閾值進行比較，以確定最終的分類結果或者決策。用均方誤差來計算當前幀截圖中“正在析晶狀態”與工程中訓練的權重參數的相似度情況，并輸出相似度。采用SoftMax函數篩選與訓練中的最相似情況，一階求導輸出范圍為0～1的數，以最高相似度得分作為判定標準。

2.4 結果輸出

為了得到更高的準確率，上調了每層特征通道數的同時，在深度上刪去了多個MBConv層，減小參數量，降低FLOPs（即系統每秒可以執行完成的浮點數運算次數），加速檢測，得到了改良算法Efficient-blast，準確率高達99.83%。數據集中算法結果如表1所示。

如圖3所示，對于不同的析晶狀態，本系統都能夠成功識別，并生成圖4所示相應的檢測報告。檢測報告主要包括開始檢測時的密度、析晶狀態轉化時的溫度及幀圖片。

3 測量方法與結果分析

3.1 測量方法

首先，在控制室打開保溫蒸汽閥，讓測量管道升溫;然后，打開出口球閥和溶液泵，使水相溶液在管道內循環，做好測量準備。

接著，通過點擊水相溶液檢測界面的“開始”按鍵，即可讓系統按照既定的流程開始運轉;當測量管道內水相溶液溫度達到檢測工藝溫度時，記錄此刻溶液的密度，啟動析晶判斷程序。進行析晶判斷時，通過深度學習算法判斷是否析晶。當出現析晶狀態時，記錄此刻溫度，并生成檢測報告，如圖4所示。

自動測量結束后，控制溶液泵停止、再反轉，打開吹掃蒸汽閥，以清掃管道內的殘余晶體。

3.2 結果與分析

自2023年11月19日至2024年1月30日，對1 027 t硝酸銨水相溶液進行了自動檢測，共得到了180余組系統測量的析晶點溫度。將自動測量的析晶點溫度與人工測量溫度進行對比，兩者平均誤差在0.3 ℃以內。表2列出了節選的20組測量溫度。圖5顯示了這20組析晶點溫度的測量誤差。

為了直觀地分析硝酸銨溶液析晶點檢測系統所得數據的穩定程度，對比系統測量析晶點溫度與人工測量析晶點溫度的方差，進行判斷。

使用節選的部分數據，用樣本統計量來代替總體參數。樣本方差計算公式為

S2=∑ni=1（xi-）2n-1。（1）

式中：S2為樣本方差；xi為樣本值；為樣本均值。

將表2數據代入式（1），計算可得：系統測量的S2為0.025 89；人工測量的S2為0.034 74。兩者相比，系統測量樣本方差較??；計算2個樣本方差的差值為0.008 85，可知兩者測量結果誤差非常小。同時，由計算結果可知，系統測量析晶點溫度的離散程度更小，測量波動更小，穩定性更高。

4 結論

1）基于深度學習算法的硝酸銨水相溶液析晶點檢測系統，可以實現現場無人值守的硝酸銨水相溶液析晶點自動測量，避免人為因素對溫度檢測結果影響的同時，實現了工廠內部無人化、機器化操作，管理更加安全。

2）修正的EfficientNet算法即Eifficient-blast對析晶狀態的判別度最高，準確率為99.83%，可以識別多種析晶狀態，滿足析晶點自動測量的需求。

3）基于深度學習算法的硝酸銨水相溶液析晶點檢測系統，自動測量的析晶點溫度與人工測量的平均誤差在0.3 ℃之內，且相較人工檢測，系統檢測樣本方差更小。因而，系統檢測析晶點溫度的離散程度更小，測量波動更小，穩定性更高。

參考文獻

［1］ 陸明， 呂春緒， 劉祖亮. 硝酸銨的膨化機理研究［J］.兵工學報， 2002， 23（1）： 30-34.

LU M，L C X，LIU Z L. A study on the expansion me-chanism of ammonium nitrate［J］.Acta Armamentarii， 2002， 23（1）： 30-34.

［2］ 黃麟， 趙旭東， 席韜， 等.現場混裝乳化炸藥中低溫制備及性能表征［J］.工程爆破， 2023， 29（4）： 143-148.

HUANG L， ZHAO X D， XI T， et al. Mid-low tempe-rature preparation and properties characterization of on-site mixed emulsion explosive ［J］. Engineering Blasting， 2023， 29（4）： 143-148.

［3］ 徐尊， 吳紅波， 繆志軍， 等.析晶點對乳化炸藥穩定性的影響研究［J］.廣東化工， 2015， 42（8）： 66， 60.

XU Z， WU H B， MIU Z J， et al. Effect of crystallization point on the stability of emulsion explsoives［J］.Guangdong Chemical Industry， 2015， 42（8）： 66， 60.

［4］ 王枚， 遲平， 吳攀宇， 等.硝酸銨水溶液析晶點在線無人化測量方法的研究［J］.火工品， 2023（4）： 71-75.

WANG M， CHI P， WU P Y， et al. Study on online unmanned measurement method of crystallization point of ammonium nitrate aqueous solution ［J］.Initiators amp; Pyrotechnics， 2023（4）： 71-75.

［5］ 劉萬義， 耿圖禹， 徐森， 等.硝酸銨溶液析晶點測量方法研究［J］.爆破器材， 2021， 50（3）： 60-64.

LIU W Y， GENG T Y， XU S， et al. Study on measurement method of crystallization point of ammonium nitrate solution ［J］.Explosive Materials， 2021， 50（3）： 60-64.

［6］ 崔雪峰， 張日強， 孟祥宇， 等.基于Arduino的硝酸銨溶液析晶點溫度測量系統的研究［J］.現代礦業， 2020（12）： 165-167， 173.

［7］ 劉德晶.W/O法在乳化炸藥水相析晶點測試中的應用［J］.廣東化工， 2018， 45（3）： 38-39.

LIU D J.Application of W/O method in the determination of crystallization point of emulsion explosive ［J］.Guangdong Chemical Industry， 2018， 45（3）： 38-39.

［8］ 張東杰.乳化炸藥用液體硝酸銨技術指標在線檢測系統［J］.火工品， 2018（4）： 45-48.

ZHANG D J. Research on on-line detection system for technical indicators of liquid ammonium nitrate for emulsion explosives ［J］.Initiators amp; Pyrotechnics， 2018（4）： 45-48.

［9］ 傅楊攀， 劉勇健， 陳貢發， 等.基于CSMR和卷積神經網絡的巖質邊坡穩定性分析［J］.自然災害學報， 2023， 32（1）： 114-121.

FU Y P， LIU Y J， CHEN G F， et al.Stability analysis of rock slope based on CSMR and convolution neural network ［J］.Journal of Natural Disasters， 2023， 32（1）： 114-121.

［10］ 王瀟怡， 羅運華， 喻忠軍， 等.基于EfficientNet的多通道雷達目標微動特征分類方法［J］.系統工程與電子技術， 2024，46（9）： 1-14.

WANG X Y， LUO Y H， YU Z J， et al.Multi-channel radar target micro-motion feature classification method based on EfficientNet ［J］.Journal of Systems Enginee-ring and Electronics， 2024， 46（9）： 1-14.

［11］ 周子云， 黃洪. 改進EfficientNet圖像分類的惡意流量檢測模型［J］.四川輕化工大學學報（自然科學版）， 2023， 36（6）： 49-56.

ZHOU Z Y， HUANG H. Improved malicious traffic detection model for efficientnet image classification［J］.Journal of Sichuan University of Science amp; Engineering（Natural Science Edition）， 2023， 36（6）： 49-56.