CN112541462A - 用于有机废气的光净化效果检测的神经网络的训练方法 - Google Patents
用于有机废气的光净化效果检测的神经网络的训练方法 Download PDFInfo
- Publication number
- CN112541462A CN112541462A CN202011519366.1A CN202011519366A CN112541462A CN 112541462 A CN112541462 A CN 112541462A CN 202011519366 A CN202011519366 A CN 202011519366A CN 112541462 A CN112541462 A CN 112541462A
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature map
- training
- waste gas
- organic waste
- 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.)
- Pending
Links
- 239000007789 gas Substances 0.000 title claims abstract description 167
- 238000012549 training Methods 0.000 title claims abstract description 150
- 239000010815 organic waste Substances 0.000 title claims abstract description 120
- 230000000694 effects Effects 0.000 title claims abstract description 116
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 108
- 238000000746 purification Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 65
- 239000012535 impurity Substances 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 52
- 238000001514 detection method Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000003647 oxidation Effects 0.000 claims description 33
- 238000007254 oxidation reaction Methods 0.000 claims description 33
- 230000001699 photocatalysis Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 abstract description 18
- 239000013618 particulate matter Substances 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 239000002912 waste gas Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004568 cement Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (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)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Catalysts (AREA)
Abstract
本申请公开了一种用于有机废气的光净化效果检测的神经网络的训练方法。在所述训练方法中，使用不包含气体杂质但是包含颗粒物杂质的图像作为参考图像，与训练图像分别输入两个结构相同的卷积神经网络，从而得到训练特征图和参考特征图，再确定训练特征图中的各个位置与参考特征图中的相应位置之间的特征值之间的差值，并从训练特征图中确定该差值小于预定阈值的各个位置，然后删除掉这些位置的特征值，从而获得能够聚焦于颗粒物以外的其它图像特征的表达的特征图。
Description
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种用于有机废气的光净化效果检测的神经网络的训练方法、基于深度神经网络的用于有机废气的光净化效果检测方法、用于有机废气的光净化效果检测的神经网络的训练系统、基于深度神经网络的用于有机废气的光净化效果检测系统和电子设备。
背景技术
工业排放的有机废气种类多，组成复杂、浓度呈无规律的变化,而且流量巨大，目前的主要治理方法是通过光催化氧化再结合颗粒物过滤的技术进行处理，即，通过使用UV光源发出的光线照射废气并与废气高效地接触，从而去除了废气中的有机气体杂质，在通过过滤材料来滤除气体中的颗粒物。
相对地，颗粒物的过滤效果比较容易检测，而光催化氧化效果目前还主要通过对气体进行取样并进行化学检测的方式来实现，当这需要对于其中有机气体的复杂的实验操作，在过程繁琐的同时无法保证实时性。
因此，期待一种优化的用于有机废气的光净化效果检测的方案。
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有机废气的光净化效果检测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用于有机废气的光净化效果检测的神经网络的训练方法、基于深度神经网络的用于有机废气的光净化效果检测方法、用于有机废气的光净化效果检测的神经网络的训练系统、基于深度神经网络的用于有机废气的光净化效果检测系统和电子设备，其基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测，并且，在使用卷积神经网络对于图像进行特征提取时，对所获得的特征图进行特征的筛选处理，以使得处理后的特征图能更聚焦于颗粒物以外的其他图像特征表达，通过这样的方式，来提高光净化效果检测的准确率。
根据本申请的一个方面，提供了一种用于有机废气的光净化效果检测的神经网络的训练方法，其包括：
获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；
将所述多个第一图像通过第一卷积神经网络以获得训练特征图；
将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；
计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图；
确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；
基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；
将所述增强特征图通过分类器，以获得分类损失函数值；以及
基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
在上述用于有机废气的光净化效果检测的神经网络的训练方法中，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵，包括：响应于所述差分图中像素位置的值小于预设阈值，将对应位置设为0；响应于所述差分图中像素位置的值大于等于预设阈值，将对应位置设为1；以及，将对应像素位置的编码值进行有序排列，以获得所述位置掩码矩阵。
在上述用于有机废气的光净化效果检测的神经网络的训练方法中，所述预设阈值作为超参数参与到所述第一卷积神经网络的训练过程中。
在上述用于有机废气的光净化效果检测的神经网络的训练方法中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图，包括：将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图。
在上述用于有机废气的光净化效果检测的神经网络的训练方法中，将所述增强特征图通过分类器，以获得分类损失函数值，包括：将所述增强特征图通过多个卷积层，以获得深度特征图；将所述深度特征图通过一个或多个全连接层，以获得分类特征向量；以及，将所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值。
在上述用于有机废气的光净化效果检测的神经网络的训练方法中，所述第一卷积神经网络和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用于有机废气的光净化效果检测方法，其包括：
获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及
将所述待检测图像输入根据如上所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
根据本申请的又一方面，提供了一种用于有机废气的光净化效果检测的神经网络的训练系统，其包括：
训练图像获取单元，用于获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；
训练特征图生成单元，用于将所述训练图像获取单元获得的所述多个第一图像通过第一卷积神经网络以获得训练特征图；
参考特征图生成单元，用于将所述训练图像获取单元获得的所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；
差分图生成单元，用于计算所述训练特征图生成单元获得的所述训练特征图与所述参考特征图生成单元获得的所述参考特征图之间的按像素位置差分，以获得差分图；
位置掩码矩阵生成单元，用于确定所述差分图生成单元获得的所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；
增强特征图生成单元，用于基于所述位置掩码矩阵生成单元获得的所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；
分类损失函数值计算单元，用于将所述增强特征图生成单元获得的所述增强特征图通过分类器，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，更新所述第一卷积神经网络和所述分类器的参数。
在上述用于有机废气的光净化效果检测的神经网络的训练系统中，所述位置掩码矩阵生成单元，进一步包括：响应于所述差分图中像素位置的值小于预设阈值，将对应位置设为0；响应于所述差分图中像素位置的值大于等于预设阈值，将对应位置设为1；以及，将对应像素位置的编码值进行有序排列，以获得所述位置掩码矩阵。
在上述用于有机废气的光净化效果检测的神经网络的训练系统中，所述预设阈值作为超参数参与到所述第一卷积神经网络的训练过程中。
在上述用于有机废气的光净化效果检测的神经网络的训练系统中，所述增强特征图生成单元，进一步用于：将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图。
在上述用于有机废气的光净化效果检测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：卷积处理子单元，用于将所述增强特征图通过多个卷积层，以获得深度特征图；全连接处理子单元，用于将所述深度特征图通过一个或多个全连接层，以获得分类特征向量；以及，损失函数计算子单元，用于将所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值。
在上述用于有机废气的光净化效果检测的神经网络的训练系统中，所述第一卷积神经网络和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用于有机废气的光净化效果检测系统，其包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及
分类结果生成单元，用于将所述待检测图像获取单元获得的所述待检测图像输入根据如上所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
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用于有机废气的光净化效果检测方法。
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用于有机废气的光净化效果检测方法。
根据本申请提供的用于有机废气的光净化效果检测的神经网络的训练方法、基于深度神经网络的用于有机废气的光净化效果检测方法、用于有机废气的光净化效果检测的神经网络的训练系统、基于深度神经网络的用于有机废气的光净化效果检测系统和电子设备，其基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测，并且，在使用卷积神经网络对于图像进行特征提取时，对所获得的特征图进行特征的筛选处理，以使得处理后的特征图能更聚焦于颗粒物以外的其他图像特征表达，通过这样的方式，来提高光净化效果检测的准确率。
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用于有机废气的光净化效果检测的神经网络的训练方法和基于深度神经网络的用于有机废气的光净化效果检测方法的应用场景示意图。
图2图示了根据本申请实施例的用于有机废气的光净化效果检测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用于有机废气的光净化效果检测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用于有机废气的光净化效果检测的神经网络的训练方法中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图的流程图。
图5图示了根据本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法中，将所述增强特征图通过分类器，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用于有机废气的光净化效果检测方法的流程图。
图7图示了根据本申请实施例的用于有机废气的光净化效果检测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用于有机废气的光净化效果检测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9图示了根据本申请实施例的基于深度神经网络的用于有机废气的光净化效果检测系统的框图。
图10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，工业排放的有机废气种类多，组成复杂、浓度呈无规律的变化,而且流量巨大，目前的主要治理方法是通过光催化氧化再结合颗粒物过滤的技术进行处理，即，通过使用UV光源发出的光线照射废气并与废气高效地接触，从而去除了废气中的有机气体杂质，在通过过滤材料来滤除气体中的颗粒物。
相对地，颗粒物的过滤效果比较容易检测，而光催化氧化效果目前还主要通过对气体进行取样并进行化学检测的方式来实现，当这需要对于其中有机气体的复杂的实验操作，在过程繁琐的同时无法保证实时性。
因此，期待一种优化的用于有机废气的光净化效果检测的方案。
本申请的申请人发现，在通过光催化氧化去除废气中的有机气体杂质时，由于空气的化学成分的变化，在相同的UV光源照射的情况下，气体所呈现出的光学特性也会发生相应的变化，因此，可以考虑采用基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测。
并且，由于图像中的颗粒物杂质的存在，在使用卷积神经网络对于图像进行特征提取时，更希望所提取的特征能够聚焦于颗粒物以外的其它图像特征的表达，因此这就需要对所获得的特征图进行特征的筛选处理。
这种特征的筛选处理可以通过类似于集合的差运算的处理来实现，也就是，使用不包含气体杂质但是包含颗粒物杂质的图像作为参考图像，与训练图像分别输入两个结构相同的卷积神经网络，从而得到训练特征图和参考特征图，再确定训练特征图中的各个位置与参考特征图中的相应位置之间的特征值之间的差值，并从训练特征图中确定该差值小于预定阈值的各个位置，然后删除掉这些位置的特征值。这里，预定阈值是为了允许卷积神经网络在特征提取时保留预定公差。并且，删除后的相应的位置可以以任意相同的默认值填充，从而获得能够聚焦于颗粒物以外的其它图像特征的表达的特征图。这样，该特征图进一步通过多个卷积层和分类器之后，就可以提高对于光催化氧化效果的检测的准确性。
基于此，本申请提出了一种用于有机废气的光净化效果检测的神经网络的训练方法，其包括：获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；将所述多个第一图像通过第一卷积神经网络以获得训练特征图；将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图；确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；将所述增强特征图通过分类器，以获得分类损失函数值；以及，基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
基于此，本申请还提出了一种基于深度神经网络的用于有机废气的光净化效果检测方法，其包括：获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及，将所述待检测图像输入根据如上所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
图1图示了根据本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法和基于深度神经网络的用于有机废气的光净化效果检测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)采集经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；然后，将所述多张第一图像和所述多张第二图像输入至部署有用于有机废气的光净化效果检测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，所述服务器能够以用于有机废气的光净化效果检测的神经网络的训练算法以所述多张第一图像和所述多张第二图像对用于光净化效果检测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)采集获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；然后，将所述待检测图像输入至部署有基于深度神经网络的用于有机废气的光净化效果检测算法的服务器中(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用于有机废气的光净化效果检测算法对获取的所述待检测图像进行处理，以生成用于表示有机废气的光净化效果是否合格的分类结果。
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用于有机废气的光净化效果检测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用于有机废气的光净化效果检测的神经网络的训练方法，包括：S110，获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；S120，将所述多个第一图像通过第一卷积神经网络以获得训练特征图，S130，将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；S140，计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图；S150，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；S160，基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；S170，将所述增强特征图通过分类器，以获得分类损失函数值；以及，S180，基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
图3图示了根据本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法的架构示意图。如图3所示，在该网络架构中，首先将获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像(例如，如图3中所示意的IN0)通过第一卷积神经网络(例如，如图3中所示意的CNN1)以获得训练特征图(例如，如图3中所示意的F1)。同时，将获取的经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像(例如，如图3中所示意的IN1)通过第二卷积神经网络(例如，如图3中所示意的CNN2)以获得参考特征图(例如，如图3中所示意的Fr)，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构。接着，计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图(例如，如图3中所示意的Fd)。然后，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵(例如，如图3中所示意的Mp)，并基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图(例如，如图3中所示意的Fi)。接着，将所述增强特征图通过分类器，以获得分类损失函数值。然后，基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
在步骤S110中，获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像。如前所述，在本申请的技术方案中，本申请发明人发现，在通过光催化氧化去除废气中的有机气体杂质时，由于空气的化学成分的变化，在相同的UV光源照射的情况下，气体所呈现出的光学特性也会发生相应的变化，因此，可以考虑采用基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测采用基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测。
并且，由于光学图像中的颗粒物杂质的存在，在使用卷积神经网络对于图像进行特征提取时，更希望所提取的特征能够聚焦于颗粒物以外的其它图像特征的表达，因此这就需要对所获得的特征图进行特征的筛选处理。这种特征的筛选处理可以通过类似于集合的差运算的处理来实现，因此，在本申请的技术方案中，使用不包含气体杂质但是包含颗粒物杂质的第二图像作为参考图像。
在步骤S120中，将所述多个第一图像通过第一卷积神经网络以获得训练特征图。也就是，以深度卷积神经网络作为特征提取器提取出所述第一图像中的高维特征。这里，所述第一图像中既包含有机气体又包含颗粒物杂质，因此，所述训练特征图中既包括有机气体的高维特征表达，也包括颗粒物杂质的高维特征表达。
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。
在步骤S130中，将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构。也就是，以具有相同网络结构的所述第二卷积神经网络提取所述第二图像中的高维特征。这里，应可以理解，因为所述第二图像中不包含有机气体但包含颗粒物杂质，因此，所述参考特征图具有颗粒物杂质的高维特征表达而不具备有机气体的高维特征表达。
在步骤S140中，计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图。通过计算所述训练特征图与所述参考特征图之间的按像素位置差分，可消除所述训练特征图和所述参考特征图在高维特征空间中相同的特征表达，以聚焦于所述训练特征图和所述参考特征图中的差异特征，以获得所述差分特征图。
具体地，如前所述，所述参考特征图具有颗粒物杂质的高维特征表达而不具备有机气体的高维特征表达，所述训练特征图中既包括有机气体的高维特征表达，也包括颗粒物杂质的高维特征表达，因此，所述差分图能够更聚焦于有机气体的高维特征表达而减少颗粒物杂质的高维特征表达。
在步骤S150中，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵。应可以理解，所述差分图中小于所述预设阈值的位置集合在语义空间中更大概率为颗粒物特征表达，因此，所述位置掩码矩阵表示所述训练特征图中颗粒物高维特征分布的位置。
更具体地，在本申请实施例中，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵的过程，包括：首先，响应于所述差分图中像素位置的值小于预设阈值，将对应位置设为0；响应于所述差分图中像素位置的值大于等于预设阈值，将对应位置设为1；以及，将对应像素位置的编码值进行有序排列，以获得所述位置掩码矩阵。
在步骤S160中，基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图。也就是，基于所述位置掩码矩阵，并从训练特征图中确定该差值小于预定阈值的各个位置，然后删除掉这些位置的特征值。具体地，在所述位置掩码矩阵中特征值为0的位置为需要删除的位置。
具体地，在本申请实施例中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图的过程，包括：将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图。并且，删除后的相应的位置可以以任意相同的默认值填充，从而获得能够聚焦于颗粒物以外的其它图像特征的表达的特征图。
图4图示了根据本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图的流程图。如图4所示，在本申请实施例中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图，包括：S210，将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图；以及，S220，以任意相同的数值填充被删除的像素位置的特征值。
在步骤S170中，将所述增强特征图通过分类器，以获得分类损失函数值。也就是，在本申请的技术方案架构中，特征提取和基于特征分类被解耦，也就是，所述第一卷积神经网络聚焦于特征提取，所述分类器聚焦于分类。
具体地，在本申请实施例中，所述分类器包括编码器，所述编码器用于对所述增强特征图进行编码，以将所述增强特征图映射到标签空间中，以获得分类特征向量。在本申请实施例中，所述编码器包括多个卷积层和至少一全连接层，其中，所述多个卷积层用于对所述增强特征图进行卷积处理，以获得深度特征图，所述一个或多个全连接层用于对所述深度特征图进行进一步地编码，以获得所述分类特征向量。进而，将编码所获得的所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值，所述分类损失函数值表示分类结果符合真实值的概率。
图5图示了根据本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法中，将所述增强特征图通过分类器，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，将所述增强特征图通过分类器，以获得分类损失函数值，包括：S310，将所述增强特征图通过多个卷积层，以获得深度特征图；S320，将所述深度特征图通过一个或多个全连接层，以获得分类特征向量；S330，将所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值
在步骤S180中，基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。这是深度神经网络的常规训练过程，即，以预设步长减小所述分类损失函数，并通过梯度下降的方向传播来更新所述第一卷积神经网络和所述分类器。
综上，基于本申请实施例的用于有机废气的光净化效果检测的神经网络的训练方法被阐明，其基于人工智能的计算机视觉技术，来基于光学图像进行光催化氧化效果的检测，并且，在使用卷积神经网络对于图像进行特征提取时，对所获得的特征图进行特征的筛选处理，以使得处理后的特征图能更聚焦于颗粒物以外的其他图像特征表达，通过这样的方式，来提高光净化效果检测的准确率。
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用于有机废气的光净化效果检测方法。
图6图示了根据本申请实施例的基于深度神经网络的用于有机废气的光净化效果检测方法的流程图。
如图6所示，根据本申请实施例的基于深度神经网络的用于有机废气的光净化效果检测方法，包括：S410，获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及，S420，将所述待检测图像输入根据如上所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
示例性系统
图7图示了根据本申请实施例的用于有机废气的光净化效果检测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用于有机废气的光净化效果检测的神经网络的训练系统700，包括：训练图像获取单元710，用于获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；训练特征图生成单元720，用于将所述训练图像获取单元710获得的所述多个第一图像通过第一卷积神经网络以获得训练特征图；参考特征图生成单元730，用于将所述训练图像获取单元710获得的所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；差分图生成单元740，用于计算所述训练特征图生成单元720获得的所述训练特征图与所述参考特征图生成单元730获得的所述参考特征图之间的按像素位置差分，以获得差分图；位置掩码矩阵生成单元750，用于确定所述差分图生成单元740获得的所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；增强特征图生成单元760，用于基于所述位置掩码矩阵生成单元750获得的所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；分类损失函数值计算单元770，用于将所述增强特征图生成单元760获得的所述增强特征图通过分类器，以获得分类损失函数值；以及，参数更新单元780，用于基于所述分类损失函数值计算单元770获得的所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
在一个示例中，在上述训练系统700中，所述位置掩码矩阵生成单元750，进一步包括：响应于所述差分图中像素位置的值小于预设阈值，将对应位置设为0；响应于所述差分图中像素位置的值大于等于预设阈值，将对应位置设为1；以及，将对应像素位置的编码值进行有序排列，以获得所述位置掩码矩阵。
在一个示例中，在上述训练系统700中，所述预设阈值作为超参数参与到所述第一卷积神经网络的训练过程中。
在一个示例中，在上述训练系统700中，所述增强特征图生成单元760，进一步用于：将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图。
在一个示例中，在上述训练系统700中，如图7所示，所述分类损失函数值计算单元770，包括：卷积处理子单元771，用于将所述增强特征图通过多个卷积层，以获得深度特征图；全连接处理子单元772，用于将所述深度特征图通过一个或多个全连接层，以获得分类特征向量；以及，损失函数计算子单元773，用于将所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值。
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的用于有机废气的光净化效果检测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，例如用于有机废气的光净化效果检测的服务器等。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用于有机废气的光净化效果检测系统。
图9图示了根据本申请实施例的基于深度神经网络的用于有机废气的光净化效果检测系统的框图。如图9所示，根据本申请实施例的基于深度神经网络的用于有机废气的光净化效果检测系统800，包括：待检测图像获取单元810，用于获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及，分类结果生成单元820，用于将所述待检测图像获取单元810获得的所述待检测图像输入根据如上所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
这里，本领域技术人员可以理解，上述控制系统900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用于有机废气的光净化效果检测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检测系统900可以实现在各种终端设备中，例如用于有机废气的光净化效果检测的服务器等。在一个示例中，根据本申请实施例的检测系统900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，该检测系统900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，该检测系统900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，该检测系统900与该终端设备也可以是分立的设备，并且该检测系统900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10来描述根据本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10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用于有机废气的光净化效果检测的神经网络的训练方法，或者，基于深度神经网络的用于有机废气的光净化效果检测方法以及/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第一图像、第二图像、分类结果等各种内容。
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10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用于有机废气的光净化效果检测的神经网络的训练方法，或者，基于深度神经网络的用于有机废气的光净化效果检测方法中的步骤。
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用于有机废气的光净化效果检测的神经网络的训练方法，或者，基于深度神经网络的用于有机废气的光净化效果检测方法中的步骤。
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)
1.一种用于有机废气的光净化效果检测的神经网络的训练方法，其特征在于，包括：
获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；
将所述多个第一图像通过第一卷积神经网络以获得训练特征图；
将所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；
计算所述训练特征图与所述参考特征图之间的按像素位置差分，以获得差分图；
确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；
基于所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；
将所述增强特征图通过分类器，以获得分类损失函数值；以及
基于所述分类损失函数值，更新所述第一卷积神经网络和所述分类器的参数。
2.根据权利要求1所述的用于有机废气的光净化效果检测的神经网络的训练方法，其中，确定所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵，包括：
响应于所述差分图中像素位置的值小于预设阈值，将对应位置设为0；
响应于所述差分图中像素位置的值大于等于预设阈值，将对应位置设为1；以及
将对应像素位置的编码值进行有序排列，以获得所述位置掩码矩阵。
3.根据权利要求2所述的用于有机废气的光净化效果检测的神经网络的训练方法，其中，所述预设阈值作为超参数参与到所述第一卷积神经网络的训练过程中。
4.根据权利要求2所述的用于有机废气的光净化效果检测的神经网络的训练方法，其中，基于所述位置掩码矩阵删除所述训练特征图中对应位置的值以获得增强特征图，包括：
将所述位置掩码矩阵与所述训练特征图进行按像素位置点乘以获得所述增强特征图。
5.根据权利要求1所述的用于有机废气的光净化效果检测的神经网络的训练方法，其中，将所述增强特征图通过分类器，以获得分类损失函数值，包括：
将所述增强特征图通过多个卷积层，以获得深度特征图；
将所述深度特征图通过一个或多个全连接层，以获得分类特征向量；及
将所述分类特征向量通过Softmax分类函数，以获得所述分类损失函数值。
6.根据权利要求1所述的用于有机废气的光净化效果检测的神经网络的训练方法，其中，所述第一卷积神经网络和第二卷积神经网络为深度残差网络。
7.一种基于深度神经网络的用于有机废气的光净化效果检测方法，其特征在于，包括：
获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及
将所述待检测图像输入根据如权利要求1至6任一所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
8.一种用于有机废气的光净化效果检测的神经网络的训练系统，其特征在于，包括：
训练图像获取单元，用于获取经光催化氧化后的有机废气在UV光源照射下的多个第一图像以及经光催化氧化后并检测不包含有机气体但包含颗粒物杂质的有机废气在相同的所述UV光源照射下的多个第二图像；
训练特征图生成单元，用于将所述训练图像获取单元获得的所述多个第一图像通过第一卷积神经网络以获得训练特征图；
参考特征图生成单元，用于将所述训练图像获取单元获得的所述多个第二图像通过第二卷积神经网络以获得参考特征图，所述第一卷积神经网络与所述第二卷积神经网络具有相同的网络结构；
差分图生成单元，用于计算所述训练特征图生成单元获得的所述训练特征图与所述参考特征图生成单元获得的所述参考特征图之间的按像素位置差分，以获得差分图；
位置掩码矩阵生成单元，用于确定所述差分图生成单元获得的所述差分图中各像素位置的值小于预设阈值的位置集合，以获得位置掩码矩阵；
增强特征图生成单元，用于基于所述位置掩码矩阵生成单元获得的所述位置掩码矩阵，删除所述训练特征图中对应位置的值以获得增强特征图；
分类损失函数值计算单元，用于将所述增强特征图生成单元获得的所述增强特征图通过分类器，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，更新所述第一卷积神经网络和所述分类器的参数。
9.一种基于深度神经网络的用于有机废气的光净化效果检测系统，其特征在于，包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为有机废气经光催化氧化后在UV光源照射下所采集的图像；以及
分类结果生成单元，用于将所述待检测图像获取单元获得的所述待检测图像输入根据如权利要求1至6任一所述的用于有机废气的光净化效果检测的神经网络的训练方法所训练的第一卷积神经网络和分类器中，以获得分类结果，所述分类结果用于表示有机废气的光净化效果是否合格。
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1-6中任一项所述的用于有机废气的光净化效果检测的神经网络的训练方法，或者，如权利要求7所述的基于深度神经网络的用于有机废气的光净化效果检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519366.1A CN112541462A (zh) | 2020-12-21 | 2020-12-21 | 用于有机废气的光净化效果检测的神经网络的训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519366.1A CN112541462A (zh) | 2020-12-21 | 2020-12-21 | 用于有机废气的光净化效果检测的神经网络的训练方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541462A true CN112541462A (zh) | 2021-03-23 |
Family
ID=75019367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011519366.1A Pending CN112541462A (zh) | 2020-12-21 | 2020-12-21 | 用于有机废气的光净化效果检测的神经网络的训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541462A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
| CN110378278A (zh) * | 2019-07-16 | 2019-10-25 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、对象搜索方法、装置以及电子设备 |
| CN110516691A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆尾气检测方法和装置 |
| US20200184224A1 (en) * | 2018-12-11 | 2020-06-11 | Canon Kabushiki Kaisha | Alignment-free video change detection using deep blind image region prediction |
| CN111414987A (zh) * | 2019-01-08 | 2020-07-14 | 南京人工智能高等研究院有限公司 | 神经网络的训练方法、训练装置和电子设备 |
| CN112016534A (zh) * | 2020-10-26 | 2020-12-01 | 城云科技（中国）有限公司 | 车辆违停检测的神经网络的训练方法、检测方法和装置 |
| CN112052945A (zh) * | 2019-06-06 | 2020-12-08 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、神经网络的训练装置和电子设备 |
-
2020
- 2020-12-21 CN CN202011519366.1A patent/CN112541462A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103196789A (zh) * | 2013-04-02 | 2013-07-10 | 江苏大学 | 柴油车尾气烟度检测方法 |
| CN110516691A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆尾气检测方法和装置 |
| US20200184224A1 (en) * | 2018-12-11 | 2020-06-11 | Canon Kabushiki Kaisha | Alignment-free video change detection using deep blind image region prediction |
| CN111414987A (zh) * | 2019-01-08 | 2020-07-14 | 南京人工智能高等研究院有限公司 | 神经网络的训练方法、训练装置和电子设备 |
| CN112052945A (zh) * | 2019-06-06 | 2020-12-08 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、神经网络的训练装置和电子设备 |
| CN110378278A (zh) * | 2019-07-16 | 2019-10-25 | 北京地平线机器人技术研发有限公司 | 神经网络的训练方法、对象搜索方法、装置以及电子设备 |
| CN112016534A (zh) * | 2020-10-26 | 2020-12-01 | 城云科技（中国）有限公司 | 车辆违停检测的神经网络的训练方法、检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bayar et al. | Constrained convolutional neural networks: A new approach towards general purpose image manipulation detection | |
| CN115375691B (zh) | 基于图像的半导体扩散纸源缺陷检测系统及其方法 | |
| 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 | |
| CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN112668013B (zh) | 一种面向Java源码的语句级模式探索的漏洞检测方法 | |
| CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
| JP2021174529A (ja) | 生体を検知するための方法及び装置 | |
| CN112418353A (zh) | 用于电池隔膜异常检测的神经网络的训练方法 | |
| CN112733853A (zh) | 基于前景背景的分离与关联的矿物分离效果的检测方法 | |
| CN113724286A (zh) | 显著性目标的检测方法、检测设备及计算机可读存储介质 | |
| Cinar et al. | A novel convolutional neural network‐based approach for brain tumor classification using magnetic resonance images | |
| CN115205788A (zh) | 食材质量监控系统 | |
| CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
| Nekrasov et al. | Ugains: Uncertainty guided anomaly instance segmentation | |
| CN112767342A (zh) | 基于双分支推断机制的瓦斯气体智能检测方法 | |
| Lai et al. | Generative focused feedback residual networks for image steganalysis and hidden information reconstruction | |
| CN112541462A (zh) | 用于有机废气的光净化效果检测的神经网络的训练方法 | |
| CN112819044A (zh) | 用于目标对象的目标操作任务补偿的神经网络的训练方法 | |
| CN116488874A (zh) | 基于自监督掩码上下文重构的网络入侵检测方法和系统 | |
| CN117011782A (zh) | 工业园区环境监测方法及其系统 | |
| CN116721091A (zh) | 一种布匹瑕疵检测方法、装置及可读介质 | |
| CN112489033A (zh) | 基于分类权重的混凝土养护箱的清洁效果的检测方法 | |
| CN112950693A (zh) | 使用高斯分布概率值的智能静电吸附距离控制方法 | |
| CN115510900A (zh) | 电路故障自动诊断方法及其诊断系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231229 Address after: Room 408-8, 4th Floor, Building 2, Haichuang Technology Center, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 313000 Applicant after: HANGZHOU ZHUILIE TECHNOLOGY Co.,Ltd. Address before: 210000 innovation cooperative, 2nd floor, building 4, 128 Jiangjun Avenue, Jiangning District, Nanjing City, Jiangsu Province Applicant before: Nanjing Yehong Intelligent Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |