CN112508041A - 基于分类结果标签的用于喷雾控制的神经网络的训练方法 - Google Patents

基于分类结果标签的用于喷雾控制的神经网络的训练方法 Download PDF

Info

Publication number
CN112508041A
CN112508041A CN202011521389.6A CN202011521389A CN112508041A CN 112508041 A CN112508041 A CN 112508041A CN 202011521389 A CN202011521389 A CN 202011521389A CN 112508041 A CN112508041 A CN 112508041A
Authority
CN
China
Prior art keywords
classification
neural network
feature map
loss function
classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202011521389.6A
Other languages
English (en)
Inventor
刘春雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Ruixi Information Technology Co ltd
Original Assignee
Suzhou Ruixi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Ruixi Information Technology Co ltd filed Critical Suzhou Ruixi Information Technology Co ltd
Priority to CN202011521389.6A priority Critical patent/CN112508041A/zh
Publication of CN112508041A publication Critical patent/CN112508041A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于分类结果标签的用于喷雾控制的神经网络的训练方法，所述方法分两个阶段针对以相同源图像进行训练。在第一阶段中，首先将获取的煤炭图像通过卷积神经网络获得第一特征图再通过第一分类器获得该第一特征图的分类结果，该第一分类器的分类标签数目对应于喷雾装置的控制档位，以获得该第一特征图在每个标签下的概率值。在第二阶段中，将煤炭图像通过该卷积神经网络获得第二特征图，再以第一阶段中获得概率值构成标签向量，计算所述标签向量与所述第二特征图的交叉熵损失函数值，且同时将所述第二特征图通过第二分类器以获得分类损失函数值，并通过该交叉熵损失函数值和该分类损失函数值来更新所述卷积神经网络。

Description

基于分类结果标签的用于喷雾控制的神经网络的训练方法
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种基于分类结果标签的用于喷雾控制的神经网络的训练方法、基于深度神经网络的喷雾控制方法、基于分类结果标签的用于喷雾控制的神经网络的训练系统、基于深度神经网络的喷雾控制系统和电子设备。
背景技术
煤矿生产过程中，由采煤工作面采出的煤炭主要是采用带式输送机运输到煤仓，以实现煤炭的高效运输。带式输送机在运煤时，往往会产生扬尘，扬尘不仅对井下现场作业环境及职工的身体健康产生很大的危害，而且也是诱发煤尘爆炸的重要因素之一。所以，针对带式输送机，通常使用喷雾装置来达到降低扬尘的效果。
目前，通常通过带式输送机的启停控制喷雾装置的开关，但是由于带式输送机运输的煤炭量并不恒定，如果始终以最大量开启喷雾装置，则容易造成水资源的浪费。
因此，期待一种优化的用于带式输送机的喷雾装置的控制方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为喷雾装置的控制提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于分类结果标签的用于喷雾控制的神经网络的训练方法、基于深度神经网络的喷雾控制方法、基于分类结果标签的用于喷雾控制的神经网络的训练系统、基于深度神经网络的喷雾控制系统和电子设备，其在以深度卷积神经网络提取煤炭图像中的特征以进行扬尘的严重程度的判定时，以所述煤炭图像中煤炭量作为辅助信息来提高对于扬尘严重程度的判定准确率，从而提高喷速装置的喷雾档位控制的准确率。
根据本申请的一个方面，提供了一种基于分类结果标签的用于喷雾控制的神经网络的训练方法，其包括：
第一阶段，包括：
获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；
将所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及
将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及
第二阶段，包括：
将所述煤炭图像通过第二卷积神经网络以获得第二特征图；
计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值；
将所述第二特征图通过第二分类器以获得分类损失函数值；以及
基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，包括：将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；以及，将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第二特征图通过第二分类器以获得分类损失函数值，包括：将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层；将所述第二分类特征向量输入Softmax分类函数，以获得分类结果；以及，将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练方法中，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数，包括：在每一轮迭代中，基于所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述第二卷积神经网络的参数；以及，基于所述分类损失函数值，更新所述第二分类器的参数。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练方法中，所述第二卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种基于深度神经网络的喷雾控制方法，其包括：
获取带式输送机运输的煤炭的图像；以及
将所述煤炭图像输入根据如上所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
根据本申请的又一方面，提供了一种基于分类结果标签的用于喷雾控制的神经网络的训练系统，其包括：
第一训练模块，包括：
训练图像获取单元，用于获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；
第一特征图生成单元，用于将所述训练图像获取单元获得的所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及
预分类单元，用于将所述第一特征图生成单元获得的所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及
第二训练模块，包括：
第二特征图生成单元，用于将所述训练图像获取单元获得的所述煤炭图像通过第二卷积神经网络以获得第二特征图；
交叉熵损失函数值计算单元，用于计算所述第二特征图生成单元获得的所述第二特征图与由所述预分类单元获得的所述多个概念值构成的标签向量之间的交叉熵损失函数值；
分类损失函数值计算单元，用于将所述第二特征图生成单元获得的所述第二特征图通过第二分类器以获得分类损失函数值；以及
参数更新单元，用于基于所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和所述分类损失函数值计算单元获得的所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练系统中，所述预分类单元，包括：编码子单元，用于将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；以及，概率值计算子单元，用于将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练系统中，所述分类损失函数值计算单元，包括：全连接处理子单元，用于将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层；分类结果生成子单元，用于将所述第二分类特征向量输入Softmax分类函数，以获得分类结果；以及，损失函数计算子单元，用于将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练系统中，所述参数更新单元，进一步用于：在每一轮迭代中，基于所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述第二卷积神经网络的参数；以及，基于所述分类损失函数值，更新所述第二分类器的参数。
在上述基于分类结果标签的用于喷雾控制的神经网络的训练系统中，所述第二卷积神经网络为深度残差网络。
根据本申请的再一方面，还提供了一种基于深度神经网络的喷雾控制系统，其包括：
输入图像获取单元，用于获取带式输送机运输的煤炭的图像；以及
控制档位生成单元，用于将所述输入图像获取单元获得的所述煤炭图像输入根据如上所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于水泥包装机的袋装水泥容量监控的神经网络的训练方法，或者，基于深度神经网络的喷雾控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于水泥包装机的袋装水泥容量监控的神经网络的训练方法，或者，基于深度神经网络的喷雾控制方法。
根据本申请提供的基于分类结果标签的用于喷雾控制的神经网络的训练方法、基于深度神经网络的喷雾控制方法、基于分类结果标签的用于喷雾控制的神经网络的训练系统、基于深度神经网络的喷雾控制系统和电子设备，其在以深度卷积神经网络提取煤炭图像中的特征以进行扬尘的严重程度的判定时，以所述煤炭图像中煤炭量作为辅助信息来提高对于扬尘严重程度的判定准确率，从而提高喷速装置的喷雾档位控制的准确率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法和基于深度神经网络的喷雾控制方法的应用场景示意图。
图2图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法的流程图。
图3图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法的架构示意图。
图4图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值的流程图。
图5图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第二特征图通过第二分类器以获得分类损失函数值的流程图。
图6图示了根据本申请实施例的基于深度神经网络的喷雾控制方法的流程图。
图7图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练系统的框图。
图8图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练系统中预分类单元的框图。
图9图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练系统中分类损失函数值计算单元的框图。
图10图示了根据本申请实施例的基于深度神经网络的喷雾控制系统的框图。
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，煤矿生产过程中，由采煤工作面采出的煤炭主要是采用带式输送机运输到煤仓，以实现煤炭的高效运输。带式输送机在运煤时，往往会产生扬尘，扬尘不仅对井下现场作业环境及职工的身体健康产生很大的危害，而且也是诱发煤尘爆炸的重要因素之一。所以，针对带式输送机，通常使用喷雾装置来达到降低扬尘的效果。
目前，通常通过带式输送机的启停控制喷雾装置的开关，但是由于带式输送机运输的煤炭量并不恒定，如果始终以最大量开启喷雾装置，则容易造成水资源的浪费。
因此，期待一种优化的用于带式输送机的喷雾装置的控制方案。
本申请的申请人期望通过识别带式输送机所运输的煤炭量以及扬尘的严重程度，来控制喷雾装置，从而达到节约水资源的目的。因此，本申请的申请人采用机器视觉技术来识别图像特征，以确定带式输送机所运输的煤炭量以及扬尘的严重程度。
并且，本申请的申请人注意到，通常情况下，带式输送机所运输的煤炭量与扬尘的严重程度成正比，因此，在通过卷积神经网络提取图像中的特征以进行扬尘的严重程度的判定时，带式输送机所运输的煤炭量将是重要的参考参数。也就是，在实际应用中，提取到的用于判定扬尘的严重程度的图像特征在特征分布上应该符合基于带式输送机所运输的煤炭量的标签值。
基于此，在本申请的卷积神经网络的训练过程中，分两个阶段针对相同源图像迭代地进行训练，在第一阶段中，在获得带式输送机运输的煤炭图像之后，首先通过卷积神经网络获得第一特征图，再通过第一分类器获得该第一特征图的分类结果，其中，该第一分类器的分类标签数目对应于喷雾装置的控制档位，从而获得该第一特征图在每个标签下的概率值。
然后，在第二阶段中，将所述扬尘图像通过所述卷积神经网络获得第二特征图，再以第一阶段中获得的该第一特征图在每个标签下的概率值构成标签向量，计算所述标签向量与所述第二特征图的交叉熵损失函数值，且同时将所述第二特征图通过第二分类器以获得分类损失函数值，并通过该交叉熵损失函数值和该分类损失函数值来更新所述卷积神经网络。
这里，在第一阶段中并不更新卷积神经网络，因为在本申请的方案中，期望能够在扬尘的情况下对于带式输送机运输的煤炭量进行准确判定，因此通过在第二阶段获得的损失函数值来更新卷积神经网络，以便于充分利用提取出的关于扬尘的信息。
基于此，本申请提出了一种基于分类结果标签的用于喷雾控制的神经网络的训练方法，其包括：第一阶段，包括：获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；将所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及，第二阶段，包括：将所述煤炭图像通过第二卷积神经网络以获得第二特征图；计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值；将所述第二特征图通过第二分类器以获得分类损失函数值；以及，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
基于此，本申请还提出了一种基于深度神经网络的喷雾控制方法，其包括：获取带式输送机运输的煤炭的图像；以及，将所述煤炭图像输入根据如上所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
图1图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法和基于深度神经网络的喷雾控制方法的应用场景示意图。
如图1所示，在该应用场景的训练阶段中，通过摄像头(例如，如图1中所示意的C)采集带式输送机运输的煤炭的图像；然后，将所述煤炭图像输入至部署有基于分类结果标签的用于喷雾控制的神经网络的训练算法的服务器中(例如，如图2中所示意的S)，其中，所述服务器能够以基于分类结果标签的用于喷雾控制的神经网络的训练算法以所述煤炭图像对用于喷雾控制的神经网络进行训练。
在训练完成后，在检测阶段中，首先通过摄像头(例如，如图1中所示意的C)采集带式输送机运输的煤炭的图像；然后，将所述煤炭图像输入至部署有基于深度神经网络的喷雾控制算法的服务器中(例如，如图2中所示意的S)，其中，所述服务器能够以基于深度神经网络的喷雾控制算法对获取的所述煤炭图像进行处理，以生成用于表示喷速装置的控制档位的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法的流程图。如图2所示，根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法，包括：第一阶段，包括：S110，获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；S120，将所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及，S130，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及，第二阶段，包括：
S140，将所述煤炭图像通过第二卷积神经网络以获得第二特征图；S150，计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值；S160，将所述第二特征图通过第二分类器以获得分类损失函数值；以及，S170，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
图3图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法的架构示意图。如图3所示，在第一阶段中，在该网络架构中，首先将获取的煤炭图像(例如，如图3中所示意的IN0)输入第一卷积神经网络(例如，如图3中所示意的CNN1)以获得第一特征图(例如，如图3中所示意的F1)；接着，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值(例如，如图3中所示意的V)，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数。在第二阶段中，在该网络架构中，首先将所述煤炭图像输入第二卷积神经网络(例如，如图3中所示意的CNN2)以获得第二特征图(例如，如图3中所示意的F2)；然后，计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值，并且，将所述第二特征图通过第二分类器以获得分类损失函数值。接着，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
应注意到，在该网络架构中，第一阶段并不更新卷积神经网络，因为在本申请的方案中，期望能够在扬尘的情况下对于带式输送机运输的煤炭量进行准确判定，因此通过在第二阶段获得的损失函数值来更新卷积神经网络，以便于充分利用提取出的关于扬尘的信息。
更具体地，在第一阶段中，在步骤S110中，获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象。如前所述，在本申请的技术方案中，申请人期望通过识别带式输送机所运输的煤炭量以及扬尘的严重程度来控制喷雾装置，从而达到节约水资源的目的。并且，在通过卷积神经网络提取图像中的特征以进行扬尘的严重程度的判定时，带式输送机所运输的煤炭量将是重要的参考参数。因此，在步骤S110中，所采集的所述煤炭图像中包含煤炭对象和扬尘对象。
更具体地，在第一阶段中，在步骤S120中，将所述煤炭图像通过第一卷积神经网络以获得第一特征图。也就是，以深度卷积神经网络作为特征提取器提取出所述煤炭图像中的高维特征，这里，所述第一深度卷积神经网络聚焦于提取所述煤炭图像中所述煤炭对象的高维特征。
本领域普通技术人员应知晓，深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述第一卷积神经网络被实施为深度残差网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
更具体地，在第一阶段中，在步骤S130中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数。也就是，将步骤S120中所获得的用于表示煤炭对象的高维特征以所述第一分类器进行分类，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
更具体地，在本申请一个具体的示例中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值的过程，包括：首先，将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量，也就是，以所述第一分类器包括一个或多个全连接层作为编码器，以用于对所述第一特征图进行编码以获得所述第一分类特征向量。应可以理解，通过全连接层可充分地利用所述第一特征图中各个位置的信息，以利于提高预分类的准确率。接着，将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
图4图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值的流程图。如图4所示，在本申请实施例中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，包括：S210，将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；以及，S220，将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
更具体地，在第二阶段中，在步骤S140中，将所述煤炭图像通过第二卷积神经网络以获得第二特征图。也就是，以深度卷积神经网络作为特征提取器提取出所述煤炭图像中的其他高维特征，这里，所述第二深度卷积神经网络聚焦于提取所述煤炭图像中所述扬尘对象的高维特征。
本领域普通技术人员应知晓，深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述第二卷积神经网络被实施为深度残差网络，例如，ResNet 150。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
更具体地，在第二阶段中，在步骤S150中，计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值。如前所述，在本申请的技术场景中，提取到的用于判定扬尘的严重程度的图像特征在特征分布上应该符合基于带式输送机所运输的煤炭量的标签值。
因此，计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值，所述交叉熵损失函数表示所述第二特征图中特征分布符合基于带式输送机所运输的煤炭量的标签值的概率。
更具体地，在第二阶段中，在步骤S160中，将所述第二特征图通过第二分类器以获得分类损失函数值。具体地，在本申请实施例中，将所述第二特征图通过第二分类器以获得分类损失函数值的过程，包括：首先，将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层。也就是，所述第二分类器同样包括编码器，所述编码器以一个或多个全连接层构成，用于对所述第二分类特征图进行编码，以将所述第二分类特征图映射到标签空间中。接着，将所述第二分类特征向量输入Softmax分类函数，以获得分类结果，这里，Softmax分类函数是常见的分类函数。接着，将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
图5图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法中，将所述第二特征图通过第二分类器以获得分类损失函数值的流程图。如图5所示，在本申请实施例中，将所述第二特征图通过第二分类器以获得分类损失函数值，包括：S310，将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层；S320，将所述第二分类特征向量输入Softmax分类函数，以获得分类结果；以及，S330，将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
更具体地，在第二阶段中，在步骤S170中，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。在具体实施中，在每一轮迭代中，可首先基于所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述第二卷积神经网络的参数，然后，基于所述分类损失函数值，更新所述第二分类器的参数，也就是，在该示例中，所述第二卷积神经网络和所述第二分类器被独立地训练，以使得所述第二卷积神经网络能更聚焦于特征提取，所述第二分类器能更聚焦于分类。
综上，基于本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法被阐明，所述方法分两个阶段针对以相同源图像进行训练。在第一阶段中，首先将获取的煤炭图像通过卷积神经网络获得第一特征图再通过第一分类器获得该第一特征图的分类结果，该第一分类器的分类标签数目对应于喷雾装置的控制档位，以获得该第一特征图在每个标签下的概率值。在第二阶段中，将煤炭图像通过该卷积神经网络获得第二特征图，再以第一阶段中获得概率值构成标签向量，计算所述标签向量与所述第二特征图的交叉熵损失函数值，且同时将所述第二特征图通过第二分类器以获得分类损失函数值，并通过该交叉熵损失函数值和该分类损失函数值来更新所述卷积神经网络。
根据本申请的另一方面，还提供了一种基于深度神经网络的喷雾控制方法。
图6图示了根据本申请实施例的基于深度神经网络的喷雾控制方法的流程图。
如图6所示，根据本申请实施例的基于深度神经网络的喷雾控制方法，包括：S410，获取带式输送机运输的煤炭的图像；以及，S420，将所述煤炭图像输入根据如上所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
特别地，根据本申请实施例的基于深度神经网络的喷雾控制方法以深度卷积神经网络提取煤炭图像中的特征以进行扬尘的严重程度的判定时，以所述煤炭图像中煤炭量作为辅助信息来提高对于扬尘严重程度的判定准确率，从而提高喷速装置的喷雾档位控制的准确率。
示例性系统
图7图示了根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练系统的框图。
如图7所示，根据本申请实施例的基于分类结果标签的用于喷雾控制的神经网络的训练系统700，包括：第一训练模块710，包括：训练图像获取单元711，用于获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；第一特征图生成单元712，用于将所述训练图像获取单元711获得的所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及，预分类单元713，用于将所述第一特征图生成单元712获得的所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及，第二训练模块720，包括：第二特征图生成单元721，用于将所述训练图像获取单元711获得的所述煤炭图像通过第二卷积神经网络以获得第二特征图；交叉熵损失函数值计算单元722，用于计算所述第二特征图生成单元721获得的所述第二特征图与由所述预分类单元713获得的所述多个概念值构成的标签向量之间的交叉熵损失函数值；分类损失函数值计算单元723，用于将所述第二特征图生成单元721获得的所述第二特征图通过第二分类器以获得分类损失函数值；以及，参数更新单元724，用于基于所述交叉熵损失函数值计算单元722获得的所述交叉熵损失函数值和所述分类损失函数值计算单元723获得的所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
在一个示例中，在上述训练系统700中，如图8所示，所述预分类单元713，包括：编码子单元714，用于将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；以及，概率值计算子单元715，用于将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
在一个示例中，在上述训练系统700中，如图9所示，所述分类损失函数值计算单元723，包括：全连接处理子单元725，用于将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层；分类结果生成子单元726，用于将所述第二分类特征向量输入Softmax分类函数，以获得分类结果；以及，损失函数计算子单元727，用于将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
在一个示例中，在上述训练系统700中，所述参数更新单元724，进一步用于：在每一轮迭代中，基于所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述第二卷积神经网络的参数；以及，基于所述分类损失函数值，更新所述第二分类器的参数。
在一个示例中，在上述训练系统700中，所述第二卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述训练系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于分类结果标签的用于喷雾控制的神经网络的训练方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的训练系统700可以实现在各种终端设备中，例如用于喷雾控制的服务器等。在一个示例中，根据本申请实施例的训练系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该训练系统700可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该训练系统700同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该训练系统700与该终端设备也可以是分立的设备，并且该训练系统700可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提出了一种基于深度神经网络的喷雾控制系统。
图10图示了根据本申请实施例的基于深度神经网络的喷雾控制系统的框图。如图10所示，根据本申请实施例的基于深度神经网络的喷雾控制系统800，包括：输入图像获取单元810，用于获取带式输送机运输的煤炭的图像；以及，控制档位生成单元820，用于将所述输入图像获取单元获得的所述煤炭图像输入根据如上所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
这里，本领域技术人员可以理解，上述控制系统800中的各个单元和模块的具体功能和操作已经在上面参考图6的基于深度神经网络的喷雾控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的控制系统800可以实现在各种终端设备中，例如用于喷雾控制的服务器等。在一个示例中，根据本申请实施例的控制系统800可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该控制系统800可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该控制系统800同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该控制系统800与该终端设备也可以是分立的设备，并且该控制系统800可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法，或者，基于深度神经网络的喷雾控制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如煤炭图像、分类损失函数值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果(即，喷雾装置的控制档位)等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图11中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法，或者，基于深度神经网络的喷雾控制方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于分类结果标签的用于喷雾控制的神经网络的训练方法，或者，基于深度神经网络的喷雾控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于分类结果标签的用于喷雾控制的神经网络的训练方法，其特征在于，包括：
第一阶段，包括：
获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；
将所述煤炭图像通过第一卷积神经网络以获得第一特征图；以及
将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；以及
第二阶段，包括：
将所述煤炭图像通过第二卷积神经网络以获得第二特征图；
计算所述第二特征图与由所述多个概念值构成的标签向量之间的交叉熵损失函数值；
将所述第二特征图通过第二分类器以获得分类损失函数值；以及
基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
2.根据权利要求1所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法，其中，将所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，包括：
将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；
将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
3.根据权利要求1所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法，其中，将所述第二特征图通过第二分类器以获得分类损失函数值，包括：
将所述第二特征图通过编码器进行编码，以获得第二分类特征向量，所述编码器包括一个或多个全连接层；
将所述第二分类特征向量输入Softmax分类函数，以获得分类结果；及
将所述分类结果与真实值之间的差值输入损失函数，以获得所述分类损失函数值。
4.根据权利要求1所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法，其中，基于所述交叉熵损失函数值和所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数，包括：在每一轮迭代中，
基于所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述第二卷积神经网络的参数；以及
基于所述分类损失函数值，更新所述第二分类器的参数。
5.根据权利要求4所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法，其中，所述第二卷积神经网络为深度残差网络。
6.一种基于深度神经网络的喷雾控制方法，其特征在于，包括：
获取带式输送机运输的煤炭的图像；以及
将所述煤炭图像输入根据如权利要求1至5任一所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
7.一种基于分类结果标签的用于喷雾控制的神经网络的训练系统，其特征在于，包括：
第一训练模块，包括：
训练图像获取单元，用于获取带式输送机运输的煤炭的图像，所述煤炭图像中包含煤炭对象和扬尘对象；
第一特征图生成单元，用于将所述训练图像获取单元获得的所述煤炭图像通过第一卷积神经网络以获得第一特征图；
预分类单元，用于将所述第一特征图生成单元获得的所述第一特征图通过第一分类器以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值，所述第一分类器的分类标签数目对应于所述带式输送机的喷速装置的控制档位数；
第二训练模块，包括：
第二特征图生成单元，用于将所述训练图像获取单元获得的所述煤炭图像通过第二卷积神经网络以获得第二特征图；
交叉熵损失函数值计算单元，用于计算所述第二特征图生成单元获得的所述第二特征图与由所述预分类单元获得的所述多个概念值构成的标签向量之间的交叉熵损失函数值；
分类损失函数值计算单元，用于将所述第二特征图生成单元获得的所述第二特征图通过第二分类器以获得分类损失函数值；以及
参数更新单元，用于基于所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和所述分类损失函数值计算单元获得的所述分类损失函数值，更新所述第二卷积神经网络和所述第二分类器的参数。
8.根据权利要求7所述的基于分类结果标签的用于喷雾控制的神经网络的训练系统，其中，所述预分类单元，包括：
编码子单元，用于将所述第一特征图通过一个或多个全连接层，以获得第一分类特征向量；以及
概率值计算子单元，用于将所述第一分类特征向量输入Softmax分类函数，以获得所述第一特征图分别归属于所述分类器的多个分类标签的多个概率值。
9.一种基于深度神经网络的喷雾控制系统，其特征在于，包括：
输入图像获取单元，用于获取带式输送机运输的煤炭的图像；以及
控制档位生成单元，用于将所述输入图像获取单元获得的所述煤炭图像输入根据如权利要求1至5任一所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法所训练的第二卷积神经网络和第二分类器，以获得分类结果，所述分类结果用于表示喷速装置的控制档位。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的基于分类结果标签的用于喷雾控制的神经网络的训练方法，或者，如权利要求6所述的基于深度神经网络的喷雾控制方法。
CN202011521389.6A 2020-12-21 2020-12-21 基于分类结果标签的用于喷雾控制的神经网络的训练方法 Withdrawn CN112508041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011521389.6A CN112508041A (zh) 2020-12-21 2020-12-21 基于分类结果标签的用于喷雾控制的神经网络的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011521389.6A CN112508041A (zh) 2020-12-21 2020-12-21 基于分类结果标签的用于喷雾控制的神经网络的训练方法

Publications (1)

Publication Number Publication Date
CN112508041A true CN112508041A (zh) 2021-03-16

Family

ID=74923087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011521389.6A Withdrawn CN112508041A (zh) 2020-12-21 2020-12-21 基于分类结果标签的用于喷雾控制的神经网络的训练方法

Country Status (1)

Country Link
CN (1) CN112508041A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256145A (zh) * 2021-06-09 2021-08-13 深圳万顺叫车云信息技术有限公司 安全中心中台系统
CN114726870A (zh) * 2022-04-14 2022-07-08 福建福清核电有限公司 基于可视化拖拽的混合云资源编排方法、系统和电子设备
CN114776304A (zh) * 2022-05-30 2022-07-22 广州海洋地质调查局 一种深海矿产异常区识别的方法、装置、设备及介质
CN115583510A (zh) * 2022-09-29 2023-01-10 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256145A (zh) * 2021-06-09 2021-08-13 深圳万顺叫车云信息技术有限公司 安全中心中台系统
CN114726870A (zh) * 2022-04-14 2022-07-08 福建福清核电有限公司 基于可视化拖拽的混合云资源编排方法、系统和电子设备
CN114726870B (zh) * 2022-04-14 2024-05-14 福建福清核电有限公司 基于可视化拖拽的混合云资源编排方法、系统和电子设备
CN114776304A (zh) * 2022-05-30 2022-07-22 广州海洋地质调查局 一种深海矿产异常区识别的方法、装置、设备及介质
CN115583510A (zh) * 2022-09-29 2023-01-10 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统
CN115583510B (zh) * 2022-09-29 2023-10-27 华能伊敏煤电有限责任公司 基于激光扫描仪的自动排土控制方法及其系统
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统
CN115818166B (zh) * 2022-11-15 2023-09-26 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统

Similar Documents

Publication Publication Date Title
CN112508041A (zh) 基于分类结果标签的用于喷雾控制的神经网络的训练方法
CN109891897B (zh) 用于分析媒体内容的方法
CN113657390B (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
CN109086873B (zh) 递归神经网络的训练方法、识别方法、装置及处理设备
CN113313022B (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN109685065B (zh) 试卷内容自动分类的版面分析方法、系统
CN114863437B (zh) 文本识别方法、装置、电子设备和存储介质
CN116247824B (zh) 电力设备的控制方法及其系统
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
CN111858843A (zh) 一种文本分类方法及装置
CN114780831A (zh) 基于Transformer的序列推荐方法及系统
CN114491077A (zh) 文本生成方法、装置、设备及介质
CN112651466A (zh) 土壤重金属污染的微生物种类选择的神经网络训练方法
CN113850251A (zh) 基于ocr技术的文本纠正方法、装置、设备以及存储介质
CN117036271A (zh) 生产线质量监测方法及其系统
CN116486323A (zh) 基于人工智能的输煤廊道监控管理系统及其方法
CN115374845A (zh) 商品信息推理方法和装置
CN116403253A (zh) 基于卷积神经网络的人脸识别监控管理系统及其方法
CN111597816A (zh) 一种自注意力命名实体识别方法、装置、设备及存储介质
CN110941828B (zh) 基于AndroGRU的安卓恶意软件静态检测方法
CN110348581B (zh) 用户特征群中用户特征寻优方法、装置、介质及电子设备
CN111126420A (zh) 一种建立识别模型的方法及装置
CN112767342A (zh) 基于双分支推断机制的瓦斯气体智能检测方法
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法
CN114707017A (zh) 视觉问答方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316