CN112613600A - 基于距离类别损失函数的装填控制的神经网络的训练方法 - Google Patents
基于距离类别损失函数的装填控制的神经网络的训练方法 Download PDFInfo
- Publication number
- CN112613600A CN112613600A CN202011519094.5A CN202011519094A CN112613600A CN 112613600 A CN112613600 A CN 112613600A CN 202011519094 A CN202011519094 A CN 202011519094A CN 112613600 A CN112613600 A CN 112613600A
- Authority
- CN
- China
- Prior art keywords
- neural network
- loss function
- distance
- filling
- feature map
- 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
- 238000011049 filling Methods 0.000 title claims abstract description 268
- 238000012549 training Methods 0.000 title claims abstract description 144
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000004568 cement Substances 0.000 claims abstract description 199
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 171
- 238000011068 loading method Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012856 packing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002360 preparation method Methods 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
- 230000004913 activation Effects 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
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于距离类别损失函数的装填控制的神经网络的训练方法,其包括:获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像;将所述非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值;将所述第一特征图通过分类器以获得分类损失函数值;以及,基于所述距离类别损失函数值和所述分类损失函数值的加权和,更新所述第一卷积神经网络和所述分类器的参数。
Description
技术领域
本发明涉及深度学习和神经网络技术领域,且更为具体地,涉及一种基于距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法、基于距离类别损失函数的装填控制的神经网络的训练系统、基于深度神经网络的水泥装填控制系统和电子设备。
背景技术
在水泥加工制备的过程中,水泥最终会被装填在袋子中。相比传统的人工水泥装填的方式,已经开发出了自动化的水泥装填装置。但是,目前的自动化的水泥装填装置仅适用于对标准化的水泥装填袋进行装填,而在实际应用场景下,很多时候会使用非标准化的水泥装填袋。
因此,期待一种用于自动化水泥装填装置的装填出口的开口大小控制的技术方案。
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。
深度学习以及神经网络的发展为自动化水泥装填装置的装填出口的开口大小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距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法、基于距离类别损失函数的装填控制的神经网络的训练系统、基于深度神经网络的水泥装填控制系统和电子设备,其基于深度学习的计算机视觉的方式,通过对水泥装填袋的袋口图像的识别,来控制自动化水泥装填装置的装填出口的开口大小。具体地,在对用于水泥装填装置的装填出口的开口大小控制的神经网络的训练过程中,引入了距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练,进而提高训练后的神经网络的鲁棒性。
根据本申请的一个方面,提供了一种基于距离类别损失函数的装填控制的神经网络的训练方法,其包括:
获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;
将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;
将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;
计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;
将所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;以及
基于所述距离类别损失函数值和所述分类损失函数值的加权和,更新所述第一卷积神经网络和所述分类器的参数。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,将所述训练图像通过编码器以获得训练特征向量,包括:将所述训练图像通过所述深度卷积神经网络中的多层卷积层、多层池化层和多层激活层以获得卷积特征图;以及,将所述卷积特征图通过所述深度卷积神经网络中的所述全连接层,以获得所述训练特征向量。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:计算所述第一特征图与所述第二特征图之间的曼哈顿距离。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:计算所述第一特征图与所述第二特征图之间的欧式距离。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,将所述第一特征图通过分类器以获得分类损失函数值,包括:将所述第一特征图通过一个或多个全连接层,以获得分类特征向量;将所述分类特征向量通过Softmax分类函数,以获得分类结果;以及,计算所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,所述第一卷积神经网络为深度残差网络。
在上述基于距离类别损失函数的装填控制的神经网络的训练方法中,所述标准化的水泥装填袋的大小类别为1档到m档,其中,当所述参考图像中标准化的水泥装填袋的大小类别为1档时,所述第一类别系数为1,所述第二类别系数为1。
根据本申请的另一方面,提供了一种基于深度神经网络的水泥装填控制方法,其包括:
获取待检测的水泥装填袋的袋口图像;
将所述图像输入根据如上所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及
基于所述档位调节水泥装填装置的装填出口的开口大小。
根据本申请的再一方面,提供了一种基于距离类别损失函数的装填控制的神经网络的训练系统,其包括:
训练图像集获取单元,用于获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;
第一特征图生成单元,用于将所述训练图像集获取单元获得的所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;
第二特征图生成单元,用于将所述训练图像集获取单元获得的所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;
距离类别损失函数值计算单元,用于计算所述第一特征图生成单元获得的所述第一特征图与所述第二特征图生成单元获得的所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;
分类损失函数值生成单元,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分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;以及
参数更新单元,用于基于所述距离类别损失函数值计算单元获得的所述距离类别损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和,更新所述第一卷积神经网络和所述分类器的参数。
在上述基于距离类别损失函数的装填控制的神经网络的训练系统中,所述距离类别损失函数值计算单元,进一步用于:计算所述第一特征图与所述第二特征图之间的曼哈顿距离。
在上述基于距离类别损失函数的装填控制的神经网络的训练系统中,所述距离类别损失函数值计算单元,进一步用于:计算所述第一特征图与所述第二特征图之间的欧式距离。
在上述基于距离类别损失函数的装填控制的神经网络的训练系统中,所述分类损失函数值生成单元,包括:分类特征向量生成子单元,用于将所述第一特征图通过一个或多个全连接层,以获得分类特征向量;分类结果生成子单元,用于将所述分类特征向量生成子单元获得的所述分类特征向量通过Softmax分类函数,以获得分类结果;以及,计算子单元,用于计算所述分类结果生成子单元获得的所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
在上述基于距离类别损失函数的装填控制的神经网络的训练系统中,所述第一卷积神经网络为深度残差网络。
在上述基于距离类别损失函数的装填控制的神经网络的训练系统中,所述标准化的水泥装填袋的大小类别为1档到m档,其中,当所述参考图像中标准化的水泥装填袋的大小类别为1档时,所述第一类别系数为1,所述第二类别系数为1。
根据本申请的又一方面,提供了一种基于深度神经网络的水泥装填控制系统,其包括:
待检测图像获取单元,用于获取待检测的水泥装填袋的袋口图像;
档位生成单元,用于将所述待检测图像获取单元获得的所述图像输入根据如上所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及
装填出口调节单元,用于基于所述档位生成单元获得的所述档位调节水泥装填装置的装填出口的开口大小。
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基于距离类别损失函数的装填控制的神经网络的训练方法,或者,基于深度神经网络的水泥装填控制方法。
根据本申请的再又一方面,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基于距离类别损失函数的装填控制的神经网络的训练方法,或者,基于深度神经网络的水泥装填控制方法。
与现有技术相比,本申请提供的一种基于距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法、基于距离类别损失函数的装填控制的神经网络的训练系统、基于深度神经网络的水泥装填控制系统和电子设备,其基于深度学习的计算机视觉的方式,通过对水泥装填袋的袋口图像的识别,来控制自动化水泥装填装置的装填出口的开口大小。具体地,在对用于水泥装填装置的装填出口的开口大小控制的神经网络的训练过程中,引入了距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练,进而提高训练后的神经网络的鲁棒性。
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距离类别损失函数的装填控制的神经网络的训练方法的应用场景图;
图2图示了根据本申请实施例的基于距离类别损失函数的装填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距离类别损失函数的装填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距离类别损失函数的装填控制的神经网络的训练方法中,将所述第一特征图通过分类器以获得分类损失函数值的流程图;
图5图示了根据本申请实施例的基于深度神经网络的水泥装填控制方法的流程图;
图6图示了根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练系统的框图。
图7图示了根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练系统中分类损失函数值生成单元的框图。
图8图示了根据本申请实施例的基于深度神经网络的水泥装填控制系统的框图。
图9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,在水泥加工制备的过程中,水泥最终会被装填在袋子中。相比传统的人工水泥装填的方式,已经开发出了自动化的水泥装填装置。但是,目前的自动化的水泥装填装置仅适用于对标准化的水泥装填袋进行装填,而在实际应用场景下,很多时候会使用非标准化的水泥装填袋。
基于此,本申请的发明人考虑通过基于深度学习的计算机视觉的方式,来通过对非标准化的水泥装填袋的袋口图像的识别,来确定自动化水泥装填装置的装填出口的开口大小,从而在保证装填效率的同时避免装填的水泥溢出。
在实践过程中,考虑到自动化的水泥装填装置主要是针对标准化的水泥装填袋进行设计工作,并且其装填出口的开口大小的几个档位虽然可以控制进行切换,但是一般无法进行大小的调整,因此在建立从水泥装填袋的袋口图像到装填出口的开口大小的映射过程中,需要尽可能充分地考虑到水泥装填袋和开口大小的标准化特征。这一方面可以促进神经网络的训练,一方面也可以提高训练后的神经网络的鲁棒性,并且可以改进开口大小的确定的准确性。
因此,在本申请的技术方案中,引入了距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练。具体地,将包含非标准化的水泥装填袋的袋口图像的训练集中的训练图像输入第一卷积神经网络以获得第一特征图,并将包含标准化的水泥装填袋的袋口图像的参考集中的参考图像输入第二卷积神经网络以获得第二特征图。然后,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数。这里,第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,且第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数。例如,标准化的水泥装填袋的大小类别为1到m的m档,当前参考图像对应于第l档,则第一类别系数为l,自动化水泥装填装置的装填出口的开口大小同理。
并且,对于第一特征图,再将其通过分类器之后获得分类损失函数值,这里,所述分类器的多个标签即为所述自动化水泥装填装置的装填出口的开口大小的多个档位。然后,通过距离类别损失函数值与分类损失函数值的加权和训练所述第一卷积神经网络。这样,在实际使用过程中,就可以直接通过第一卷积神经网络从输入的水泥装填袋的袋口图像确定自动化水泥装填装置的装填出口的开口大小的具体档位。
基于此,本申请提出了一种基于距离类别损失函数的装填控制的神经网络的训练方法,其包括:获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;将所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;以及,基于所述距离类别损失函数值和所述分类损失函数值的加权和,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水泥装填控制方法,其包括:获取待检测的水泥装填袋的袋口图像;将所述图像输入根据如上所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及,基于所述档位调节水泥装填装置的装填出口的开口大小。
图1图示了根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练方法和基于深度神经网络的水泥装填控制方法的应用场景图。
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)获取包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像作为训练图像集;然后,将所述训练图像集输入至部署有基于距离类别损失函数的装填控制的神经网络的训练算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于距离类别损失函数的装填控制的神经网络的训练算法以所述训练图像集对基于距离类别损失函数的装填控制的神经网络进行训练。
在通过如上所述的基于距离类别损失函数的装填控制的神经网络的训练算法训练好所述神经网络后,可基于所述基于深度神经网络的水泥装填控制算法进行检测。
进一步地,如图1所示,在该应用场景的应用阶段,通过摄像头(例如,如图1中所示意的C)获取待检测的水泥装填袋的袋口图像;然后,将所述图像输入至部署有基于深度神经网络的水泥装填控制算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于深度神经网络的水泥装填控制算法对所述图像进行处理,以生成自动化水泥装填装置的装填出口的开口大小的具体档位,并基于所述档位调节水泥装填装置的装填出口的开口大小。
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图示了基于距离类别损失函数的装填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距离类别损失函数的装填控制的神经网络的训练方法,包括:S110,获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;S120,将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;S130,将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;S140,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;S150,将所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;S160,基于所述距离类别损失函数值和所述分类损失函数值的加权和,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基于距离类别损失函数的装填控制的神经网络的训练方法的架构示意图。如图3所示,在所述基于距离类别损失函数的装填控制的神经网络的训练方法的网络架构中,首先,将摄像头获取的训练图像中非标准化的水泥装填袋的袋口图像(例如,如图3中所示意的IN1)通过第一卷积神经网络(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,将摄像头获取的训练图像中的参考图像(例如,如图3中所示意的IN2)通过第二卷积神经网络(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);接着,计算所述第一特征图与所述第二特征图之间的距离(例如,如图3中所示意的圈L),并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值;接着,将所述第一特征图通过分类器(例如,如图3中所示意的分类器)以获得分类损失函数值;然后,基于所述距离类别损失函数值和所述分类损失函数值的加权和,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,获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像。如前所述,目前的自动化的水泥装填装置仅适用于对标准化的水泥装填袋进行装填,而在实际应用场景下,很多时候会使用非标准化的水泥装填袋,因此,本申请的发明人考虑通过基于深度学习的计算机视觉的方式,来通过对非标准化的水泥装填袋的袋口图像的识别,来确定自动化水泥装填装置的装填出口的开口大小,从而在保证装填效率的同时避免装填的水泥溢出。应可以理解,获取标准化的水泥装填袋的袋口图像作为参考图像的目的:尽可能充分地考虑到水泥装填袋和开口大小的标准化特征,从而建立从水泥装填袋的袋口图像到装填出口的开口大小的映射。
具体地,在本申请实施例中,可将摄像头安装在水泥装填设备上,将摄像头对准水泥装填袋的袋口位置,从而通过摄像头采集非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像。
在步骤S120中,将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图。本领域普通技术人员应了解,卷积神经网络在提取局部空间特征方面具有优异的性能表现,因此,采用卷积神经网络能够提取到想要的高维特征。
具体地,在本申请实施例中,所述第一卷积神经网络为深度残差神经网络,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,将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图。也就是,通过第二卷积神经网络提取到所述参考图像中的高维特征。
值得一提的是,所述第二卷积神经网络可以与所述第一卷积神经网络具有相同的网络结构;当然,所述第二卷积神经网络的结构也可以与所述第一卷积神经网络的结构有所区别,对此,并不为本申请所局限。
在步骤S140中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数。应可以理解,通过计算距离类别损失函数,在神经网络的训练过程中,引入距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练,从而提高训练后的神经网络的鲁棒性,并且可以改进开口大小的确定的准确性。
具体地,在本申请实施例中,所述标准化的水泥装填袋的大小类别为1档到m档,其中,当所述参考图像中标准化的水泥装填袋的大小类别为1档时,所述第一类别系数为1,所述第二类别系数为1。
更进一步地,在本申请实施例中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:计算所述第一特征图与所述第二特征图之间的曼哈顿距离。本领域普通技术人员应了解,曼哈顿距离也被称为最小绝对值偏差(LAD),它是目标值与估计值的绝对差值的总和。通过计算所述第一特征图与所述第二特征图之间的哈曼顿距离,可以从数值维度上反映出所述第一特征图与所述第二特征图之间的每个位置之间的特征差异。
值得一提的是,在本申请的其他示例中,还可以通过其他方式计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值。
例如,在本申请的另一个示例中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:计算所述第一特征图与所述第二特征图之间的欧式距离。本领域普通技术人员应了解,欧式距离也被称为最小平方误差(LSE),它是目标值与估计值的差值的平方和。在该另一示例中,通过计算所述第一特征图与所述第二特征图之间的欧式距离,可以从空间距离维度上反映出所述解码值与真实值之间的特征差异。
在步骤S150中,将所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位。也就是,分类器中包含编码器,编码器可以是卷积层、池化层或者全连接层。
具体地,在本申请实施例中,将所述第一特征图通过分类器以获得分类损失函数的过程,包括:首先,将所述第一特征图通过一个或多个全连接层,以获得分类特征向量,也就是,将所述第一特征图通过全连接层,以通过全连接层对所述第一特征图进行编码以充分利用所述第一特征图中每个位置信息,以生成分类特征向量;接着,将所述分类特征向量通过Softmax分类函数,以获得分类结果;然后,计算所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
图4图示了根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练方法中,将所述第一特征图通过分类器以获得分类损失函数的流程图。如图4所示,将所述第一特征图通过分类器以获得分类损失函数,包括:S210,将所述第一特征图通过一个或多个全连接层,以获得分类特征向量;S220,;将所述分类特征向量通过Softmax分类函数,以获得分类结果;以及,S230,计算所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
在步骤S160中,基于所述距离类别损失函数值和所述分类损失函数值的加权和,更新所述第一卷积神经网络和所述分类器的参数。应可以理解,通过对所述距离类别损失函数值和所述分类损失函数值进行加权,使得所述第一卷积神经网络能够更好地学习到用于水泥装填装置的装填出口的开口大小控制的更加鲁棒的特征,可以改进开口大小的确定的准确性,同时可以促进神经网络的训练。特别地,加权权重可作为超参数参与到训练过程中。
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水泥装填控制方法。
图5图示了根据本申请实施例的基于深度神经网络的水泥装填控制方法的流程图。如图5所示,根据本申请实施例的基于深度神经网络的水泥装填控制方法,包括:S310,获取待检测的水泥装填袋的袋口图像;S320,将所述图像输入根据如上所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及,S330,基于所述档位调节水泥装填装置的装填出口的开口大小。
综上,本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法被阐明,其基于深度学习的计算机视觉的方式,通过对水泥装填袋的袋口图像的识别,来控制自动化水泥装填装置的装填出口的开口大小。具体地,在对用于水泥装填装置的装填出口的开口大小控制的神经网络的训练过程中,引入了距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练,进而提高训练后的神经网络的鲁棒性。
示例性系统
图6图示了根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练系统的框图。
如图6所示,根据本申请实施例的基于距离类别损失函数的装填控制的神经网络的训练系统600,包括:训练图像集获取单元610,用于获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;第一特征图生成单元620,用于将所述训练图像集获取单元610获得的所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;第二特征图生成单元630,用于将所述训练图像集获取单元610获得的所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;距离类别损失函数值计算单元640,用于计算所述第一特征图生成单元620获得的所述第一特征图与所述第二特征图生成单元630获得的所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述训练图像集获取单元610获得的所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述训练图像集获取单元610获得的所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;分类损失函数值生成单元650,用于将所述第一特征图生成单元620获得的所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;参数更新单元660,用于基于所述距离类别损失函数值计算单元640获得的所述距离类别损失函数值和所述分类损失函数值生成单元650获得的所述分类损失函数值的加权和,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,在上述基于距离类别损失函数的装填控制的神经网络的训练系统600中,所述距离类别损失函数值计算单元640,进一步用于:计算所述第一特征图与所述第二特征图之间的曼哈顿距离。
在一个示例中,在上述基于距离类别损失函数的装填控制的神经网络的训练系统600中,所述距离类别损失函数值计算单元640,进一步用于:计算所述第一特征图与所述第二特征图之间的欧式距离。
在一个示例中,在上述基于距离类别损失函数的装填控制的神经网络的训练系统600中,如图7所示,所述分类损失函数值生成单元650,包括:分类特征向量生成子单元651,用于将所述第一特征图通过一个或多个全连接层,以获得分类特征向量;分类结果生成子单元652,用于将所述分类特征向量生成子单元651获得的所述分类特征向量通过Softmax分类函数,以获得分类结果;以及,计算子单元653,用于计算所述分类结果生成子单元652获得的所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
在一个示例中,在上述基于距离类别损失函数的装填控制的神经网络的训练系统600中,所述第一卷积神经网络为深度残差网络。
在一个示例中,在上述基于距离类别损失函数的装填控制的神经网络的训练系统600中,所述标准化的水泥装填袋的大小类别为1档到m档,其中,当所述参考图像中标准化的水泥装填袋的大小类别为1档时,所述第一类别系数为1,所述第二类别系数为1。
这里,本领域技术人员可以理解,上述训练系统600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4的基于距离类别损失函数的装填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600可以实现在各种终端设备中,例如用于自动化水泥装填装置的装填出口的开口大小控制的服务器等。在一个示例中,根据本申请实施例的训练系统600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600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600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600与该终端设备也可以是分立的设备,并且该训练系统600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,还提供了一种基于深度神经网络的水泥装填控制系统。
图8图示了根据本申请实施例的基于深度神经网络的水泥装填控制系统的框图。如图8所示,根据本申请实施例的基于深度神经网络的水泥装填控制系统800,包括:待检测图像获取单元810,用于获取待检测的水泥装填袋的袋口图像;档位生成单元820,用于将所述待检测图像获取单元810获得的所述图像输入根据如上所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及,装填出口调节单元830,用于基于所述档位生成单元820获得的所述档位调节水泥装填装置的装填出口的开口大小。
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5的基于深度神经网络的水泥装填控制方法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,例如用于自动化水泥装填装置的装填出口的开口大小控制的服务器等。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9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备包括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距离类别损失函数的装填控制的神经网络的训练方法,或者,基于深度神经网络的水泥装填控制方法的功能以及/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距离类别损失函数值、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:输入系统13和输出系统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。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括自动化水泥装填装置的装填出口的开口大小的具体档位等。该输出系统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9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距离类别损失函数的装填控制的神经网络的训练方法,或者,基于深度神经网络的水泥装填控制方法中的功能中的步骤。
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”部分中描述的基于距离类别损失函数的装填控制的神经网络的训练方法,或者,基于深度神经网络的水泥装填控制方法中的步骤。
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、系统或器件,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)
1.一种基于距离类别损失函数的装填控制的神经网络的训练方法,其特征在于,包括:
获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;
将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;
将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;
计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;
将所述第一特征图通过分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;以及
基于所述距离类别损失函数值和所述分类损失函数值的加权和,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所述的基于距离类别损失函数的装填控制的神经网络的训练方法,其中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:
计算所述第一特征图与所述第二特征图之间的曼哈顿距离。
3.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法,其中,计算所述第一特征图与所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,包括:
计算所述第一特征图与所述第二特征图之间的欧式距离。
4.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法,其中,将所述第一特征图通过分类器以获得分类损失函数值,包括:
将所述第一特征图通过一个或多个全连接层,以获得分类特征向量;
将所述分类特征向量通过Softmax分类函数,以获得分类结果;以及
计算所述分类结果与真实值之差并输入损失函数,以获得分类损失函数值。
5.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法,其中,所述第一卷积神经网络为深度残差网络。
6.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法,其中,所述标准化的水泥装填袋的大小类别为1档到m档,其中,当所述参考图像中标准化的水泥装填袋的大小类别为1档时,所述第一类别系数为1,所述第二类别系数为1。
7.一种基于深度神经网络的水泥装填控制方法,其特征在于,包括:
获取待检测的水泥装填袋的袋口图像;
将所述图像输入根据如权利要求1到6中任意一项所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及
基于所述档位调节水泥装填装置的装填出口的开口大小。
8.一种基于距离类别损失函数的装填控制的神经网络的训练系统,其特征在于,包括:
训练图像集获取单元,用于获取训练图像集,所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像,所述标准化的水泥装填袋的袋口图像作为参考图像;
第一特征图生成单元,用于将所述训练图像集获取单元获得的所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图;
第二特征图生成单元,用于将所述训练图像集获取单元获得的所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图;
距离类别损失函数值计算单元,用于计算所述第一特征图生成单元获得的所述第一特征图与所述第二特征图生成单元获得的所述第二特征图之间的距离,并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值,其中,所述第一类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋的大小类别系数,所述第二类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数;
分类损失函数值生成单元,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分类器以获得分类损失函数值,其中,所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位;以及
参数更新单元,用于基于所述距离类别损失函数值计算单元获得的所述距离类别损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和,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水泥装填控制系统,其特征在于,包括:
待检测图像获取单元,用于获取待检测的水泥装填袋的袋口图像;
档位生成单元,用于将所述待检测图像获取单元获得的所述图像输入根据如权利要求1到6中任意一项所述的基于距离类别损失函数的装填控制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,所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位;以及
装填出口调节单元,用于基于所述档位生成单元获得的所述档位调节水泥装填装置的装填出口的开口大小。
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中任一项所述的基于距离类别损失函数的装填控制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水泥装填控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519094.5A CN112613600A (zh) | 2020-12-21 | 2020-12-21 | 基于距离类别损失函数的装填控制的神经网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519094.5A CN112613600A (zh) | 2020-12-21 | 2020-12-21 | 基于距离类别损失函数的装填控制的神经网络的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613600A true CN112613600A (zh) | 2021-04-06 |
Family
ID=75243833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519094.5A Pending CN112613600A (zh) | 2020-12-21 | 2020-12-21 | 基于距离类别损失函数的装填控制的神经网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613600A (zh) |
-
2020
- 2020-12-21 CN CN202011519094.5A patent/CN112613600A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170177972A1 (en) | Method for analysing media content | |
CN108763325A (zh) | 一种网络对象处理方法及装置 | |
US20210125061A1 (en) | Device and method for the generation of synthetic data in generative networks | |
CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
KR20170038622A (ko) | 영상으로부터 객체를 분할하는 방법 및 장치 | |
CN113361593B (zh) | 生成图像分类模型的方法、路侧设备及云控平台 | |
CN111723841A (zh) | 文本检测方法、装置、电子设备及存储介质 | |
CN112766206A (zh) | 一种高位视频车辆检测方法、装置、电子设备和存储介质 | |
CN112380918A (zh) | 一种道路车辆状态识别方法、装置、电子设备及存储介质 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN112767342A (zh) | 基于双分支推断机制的瓦斯气体智能检测方法 | |
CN114037648A (zh) | 基于类Softmax函数信息熵的智能速率参数控制方法 | |
CN116028821B (zh) | 融合领域知识的预训练模型训练方法、数据处理方法 | |
CN113139549A (zh) | 一种基于多任务学习的参数自适应全景分割方法 | |
CN111753859B (zh) | 样本生成方法、装置及设备 | |
CN112613600A (zh) | 基于距离类别损失函数的装填控制的神经网络的训练方法 | |
CN110719487B (zh) | 视频预测方法和装置、电子设备及车辆 | |
CN114913330B (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
CN114155417B (zh) | 图像目标的识别方法、装置、电子设备及计算机存储介质 | |
WO2018203551A1 (ja) | 信号検索装置、方法、及びプログラム | |
CN113139520B (zh) | 用于工业互联网的设备膜片性能监测方法 | |
CN112734016A (zh) | 用于钢筋表面的光滑程度检测的神经网络的训练方法 | |
CN112507933B (zh) | 基于集中式信息交互的显著性目标检测方法及系统 | |
CN112001301B (zh) | 基于全局交叉熵加权的楼宇监控方法、装置和电子设备 | |
CN112862758A (zh) | 用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210406 |
|
WD01 | Invention patent application deemed withdrawn after publication |