CN112733784A - 用于确定脱硫石膏的加料量是否适当的神经网络训练方法 - Google Patents

用于确定脱硫石膏的加料量是否适当的神经网络训练方法 Download PDF

Info

Publication number
CN112733784A
CN112733784A CN202110074934.XA CN202110074934A CN112733784A CN 112733784 A CN112733784 A CN 112733784A CN 202110074934 A CN202110074934 A CN 202110074934A CN 112733784 A CN112733784 A CN 112733784A
Authority
CN
China
Prior art keywords
neural network
feature map
training
image
classification
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Withdrawn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
CN202110074934.XA
Other languages
English (en)
Inventor
吴文浩
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.)
Chengdu Yilangjiao Network Technology Co ltd
Original Assignee
Chengdu Yilangjiao Network 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 Chengdu Yilangjiao Network Technology Co ltd filed Critical Chengdu Yilangjiao Network Technology Co ltd
Priority to CN202110074934.XA priority Critical patent/CN112733784A/zh
Publication of CN112733784A publication Critical patent/CN112733784A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

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

Abstract

本申请涉及智慧制造领域下的智能操作控制，其具体地公开了一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其包括：获得训练图像和参考图像；将所述训练图像通过第一卷积神经网络以获得训练特征图；将所述参考图像通过第二卷积神经网络以获得参考特征图；计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；以所述不相似性系数乘以所述训练特征图，以获得分类特征图；将所述分类特征图通过分类器，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的参数。

Description

用于确定脱硫石膏的加料量是否适当的神经网络训练方法
技术领域
本发明涉及智慧制造领域下的智能操作控制，且更为具体地，涉及一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法、基于深度神经网络的脱硫石膏的加料量检测方法、用于确定脱硫石膏的加料量是否适当神经网络训练系统、基于深度神经网络的脱硫石膏的加料量检测系统和电子设备。
背景技术
脱硫石膏又称排烟脱硫石膏、硫石膏或FGD石膏，其一般被制成含有脱硫石膏、有机肥、泥炭、腐殖酸等成分的盐碱地改良剂，以用于加速土壤中排盐速度，改善土质。目前，该含有脱硫石膏、有机肥、泥炭、腐殖酸等成分的盐碱地改良剂由上述按照配比的脱硫石膏及辅料与水混合后搅拌制成。但是，在将脱硫石膏由进料口加入搅拌罐内时，由于脱硫石膏为粉状材料，因此脱硫石膏容易残留在进料口的内壁上，且脱硫石膏进入搅拌罐中会有一部分原料飘散在搅拌罐内，从而导致无法精确地判断加料量。
目前，基本上都是凭借着熟练工人的经验来判断加料量是否恰当，这是因为如果加料量已经足够，即使目前有脱硫石膏残留在进料口的内壁上，或者飘散在搅拌罐内，也可以在后续的搅拌罐的搅拌过程中与搅拌罐内已有的辅料和水充分混合，从而获得符合标准的盐碱地改良剂。但是，这种方式一方面依赖于熟练工人的经验，普通工人没有能力来判断加料量是否恰当；另一方面，即便是熟练工人，其也无法做到精准判断，因此，最终产品的一致性无法确保。
因此，期待一种优化的用于检测脱硫石膏的加料量是否恰当的技术方案。
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脱硫石膏的加料量检测问题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确定脱硫石膏的加料量是否适当的神经网络训练方法、基于深度神经网络的脱硫石膏的加料量检测方法、用于确定脱硫石膏的加料量是否适当神经网络训练系统、基于深度神经网络的脱硫石膏的加料量检测系统和电子设备，其以深度神经网络提取搅拌罐内加料后的图像中包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像特征，从而通过图像分类的方式来确定加料量是否适当。并且，为了提高在图像分类时的准确性并且加快神经网络的训练速度和提高其鲁棒性，同时使用基于参考图像的迁移学习的思路来促进对图像特征的提取。
根据本申请的一个方面，提供了一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其包括：
获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；
将所述训练图像通过第一卷积神经网络以获得训练特征图；
将所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；
以所述不相似性系数乘以所述训练特征图，以获得分类特征图；
将所述分类特征图通过分类器，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的参数。
在上述用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数，包括：以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及，计算所述训练特征向量与所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
在上述用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，将所述分类特征图通过分类器，以获得分类损失函数值，包括：将所述分类特征图通过编码器以获得分类特征向量，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输入损失函数，以获得所述分类损失函数值。
在上述用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，所述第一卷积神经网络为深度残差网络。
在上述用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，基于所述分类损失函数值，更新所述第一卷积神经网络的参数，包括：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述分类器的参数。
根据本申请的另一方面，提供了基于深度神经网络的脱硫石膏的加料量检测方法，其包括：
获取待检测的加料后图像；
将所述图像输入根据如上所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及
基于所述第一概率和所述第二概率确定所述脱硫石膏的加料量是否适当。
根据本申请的再一方面，提供了一种用于确定脱硫石膏的加料量是否适当神经网络训练系统，其包括：
图像获取单元，用于获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；
训练特征图生成单元，用于将所述图像获取单元获得的所述训练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，用于将所述图像获取单元获得的所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
不相似性系数计算单元，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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；
分类特征图生成单元，用于以所述不相似性系数计算单元获得的所述不相似性系数乘以所述训练特征图，以获得分类特征图；
分类损失函数值生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器，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生成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的参数。
在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统中，所述不相似性系数计算单元，包括：训练特征向量生成子单元，用于以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；参考特征向量生成子单元，用于以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及，计算子单元，用于计算所述训练特征向量生成子单元获得的所述训练特征向量与所述参考特征向量生成子单元获得的所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统中，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，用于将所述分类特征图通过编码器以获得分类特征向量，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，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入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生成子单元获得的所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统中，所述第一卷积神经网络为深度残差网络。
在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统中，所述参数更新单元，进一步用于：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述分类器的参数。
根据本申请的又一方面，提供了一种基于深度神经网络的脱硫石膏的加料量检测系统，其包括：
待检测图像获取单元，用于获取待检测的加料后图像；
分类单元，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用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及
检测结果生成单元，用于基于所述分类单元获得的所述第一概率和所述第二概率以获得所述脱硫石膏的加料量是否适当的测试结果。
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确定脱硫石膏的加料量是否适当的神经网络训练方法，或者，基于深度神经网络的脱硫石膏的加料量检测方法。
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用于确定脱硫石膏的加料量是否适当的神经网络训练方法，或者，基于深度神经网络的脱硫石膏的加料量检测方法。
与现有技术相比，本申请提供的一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法、基于深度神经网络的脱硫石膏的加料量检测方法、用于确定脱硫石膏的加料量是否适当神经网络训练系统、基于深度神经网络的脱硫石膏的加料量检测系统和电子设备，其以深度神经网络提取搅拌罐内加料后的图像中包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像特征，从而通过图像分类的方式来确定加料量是否适当。并且，为了提高在图像分类时的准确性并且加快神经网络的训练速度和提高其鲁棒性，同时使用基于参考图像的迁移学习的思路来促进对图像特征的提取。
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确定脱硫石膏的加料量是否适当的神经网络训练方法的应用场景图；
图2图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法的流程图；
图3图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法的系统架构示意图；
图4图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数的流程图；
图5图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，将所述分类特征图通过分类器，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脱硫石膏的加料量检测方法的流程图；
图7图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当神经网络训练系统的框图。
图8图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当神经网络训练系统中不相似性系数计算单元的框图。
图9图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当神经网络训练系统中分类损失函数值生成单元的框图。
图10图示了根据本申请实施例的基于深度神经网络的脱硫石膏的加料量检测系统的框图。
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，脱硫石膏一般被制成含有脱硫石膏、有机肥、泥炭、腐殖酸等成分的盐碱地改良剂，以用于加速土壤中排盐速度，改善土质。目前，该含有脱硫石膏、有机肥、泥炭、腐殖酸等成分的盐碱地改良剂由上述按照配比的脱硫石膏及辅料与水混合后搅拌制成。但是，在将脱硫石膏由进料口加入搅拌罐内时，由于脱硫石膏为粉状材料，因此脱硫石膏容易残留在进料口的内壁上，且脱硫石膏进入搅拌罐中会有一部分原料飘散在搅拌罐内，从而导致无法精确地判断加料量。
目前，基本上都是凭借着熟练工人的经验来判断加料量是否恰当，这是因为如果加料量已经足够，即使目前有脱硫石膏残留在进料口的内壁上，或者飘散在搅拌罐内，也可以在后续的搅拌罐的搅拌过程中与搅拌罐内已有的辅料和水充分混合，从而获得符合标准的盐碱地改良剂。但是，这种方式一方面依赖于熟练工人的经验，普通工人没有能力来判断加料量是否恰当；另一方面，即便是熟练工人，其也无法做到精准判断，因此，最终产品的一致性无法确保。
针对上述问题，本申请的发明人期望通过基于计算机视觉的图像分类的方式，来通过搅拌罐内的加料后的图像来提取包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像特征，从而通过图像分类的方式来确定加料量是否适当。
在实践过程中，为了提高在图像分类时的准确性并且加快神经网络的训练速度和提高其鲁棒性，在本申请的技术方案中，同时使用基于参考图像的迁移学习的思路来促进对图像特征的提取。也就是，当使用训练图像输入第一卷积神经网络并得到训练特征图之后，使用参考图像输入第二卷积神经网络以得到参考特征图。这里，训练图像是未经过搅拌均匀的加料后图像，也就是，图像中包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像部分，而参考图像是已经搅拌均匀的加料后图像。然后，通过计算训练特征图和参考特征图之间的余弦距离与一的差值来表征训练特征图与参考特征图之间的不相似性，并将所述不相似性作为系数对所述训练特征图进行加权，以使得所获得的分类特征图能够聚焦于训练图像与参考图像的不相似的部分，这包括残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏在输入图像中所体现出的图像特征在经过卷积神经网络的提取之后所获得的高维特征。
这样，再将所述分类特征图通过分类器以获得分类损失函数值，并训练所述第一卷积神经网络，就可以改进第一卷积神经网络的训练速度及其鲁棒性，并且也相应提高了最终的分类结果的准确度，这里，最终的分类结果表示所述搅拌罐的加料后的图像对应的脱硫石膏的加料量是否适当。
基于此，本申请提出了一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其包括：获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；将所述训练图像通过第一卷积神经网络以获得训练特征图；将所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；以所述不相似性系数乘以所述训练特征图，以获得分类特征图；将所述分类特征图通过分类器，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的参数。
基于此，本申请还提出了一种基于深度神经网络的脱硫石膏的加料量检测方法，其包括：获取待检测的加料后图像；将所述图像输入根据如上所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及，基于所述第一概率和所述第二概率确定所述脱硫石膏的加料量是否适当。
图1图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法和基于深度神经网络的脱硫石膏的加料量检测方法的应用场景图。
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)获取未经过搅拌均匀的加料后图像和已经搅拌均匀的加料后图像分别作为训练图像和参考图像；然后，将所述训练图像和参考图像输入至部署有用于确定脱硫石膏的加料量是否适当神经网络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用于确定脱硫石膏的加料量是否适当神经网络训练算法以所述训练图像和参考图像对用于确定脱硫石膏的加料量是否适当神经网络进行训练。
在通过如上所述的用于确定脱硫石膏的加料量是否适当神经网络的训练算法训练好所述神经网络后，可基于所述深度神经网络对脱硫石膏的加料量是否适当进行检测。
进一步地，如图1所示，在该应用场景的检测阶段，通过摄像头(例如，如图1中所示意的C)获取待检测的加料后的图像；然后，将所述图像输入至部署有基于深度神经网络的脱硫石膏的加料量检测算法的服务器中(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脱硫石膏的加料量检测算法对所述图像进行处理，以生成脱硫石膏的加料量是否适当的检测结果。
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图示了用于确定脱硫石膏的加料量是否适当的神经网络训练方法的流程图。如图2所示，根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，包括：S110，获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；S120，将所述训练图像通过第一卷积神经网络以获得训练特征图；S130，将所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；S150，以所述不相似性系数乘以所述训练特征图，以获得分类特征图；S160，将所述分类特征图通过分类器，以获得分类损失函数值；以及，S170，基于所述分类损失函数值，更新所述第一卷积神经网络的参数。
图3图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法的架构示意图。如图3所示，在所述用于确定脱硫石膏的加料量是否适当的神经网络训练方法的网络架构中，首先，将摄像头获取的训练图像(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)以获得训练特征图(例如，如图3中所示意的F1)，其中，所述训练图像为未经过搅拌均匀的加料后图像；接着，将所述参考图像(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)以获得参考特征图(例如，如图3中所示意的F2)，其中，所述参考图像为已经搅拌均匀的加料后图像；接着，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数(例如，如图3中所示意的K1)；接着，以所述不相似性系数乘以所述训练特征图，以获得分类特征图(例如，如图3中所示意的Fc)；接着，将所述分类特征图通过分类器(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，基于所述分类损失函数值，更新所述第一卷积神经网络的参数。
在步骤S110中，获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像。这里，训练图像是未经过搅拌均匀的加料后图像，也就是，图像中包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像部分，而参考图像是已经搅拌均匀的加料后图像。应可以理解，获取参考图像的目的：使用基于参考图像的迁移学习的思路来促进对图像特征的提取，以提高在图像分类时的准确性并且加快神经网络的训练速度和提高其鲁棒性。
在步骤S120中，将所述训练图像通过第一卷积神经网络以获得训练特征图。也就是，以所述第一卷积神经网络提取出训练图像中的高维特征。
特别地，在本申请实施例中，所述第一卷积神经网络为深度残差网络，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，将所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构。也就是，以所述第二卷积神经网络提取出参考图像中的高维特征。应可以理解，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构的目的：减少参考图像和训练图像在通过卷积神经网络进行特征提取时因网络结构不同带来的损失。
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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数。也就是，通过计算训练特征图和参考特征图之间的余弦距离与一的差值来表征训练特征图与参考特征图之间的不相似性。
具体地，在本申请实施例中，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数的过程，包括：首先，以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量。接着，以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量。本领域普通技术人员应知晓，池化，也叫下采样，其作用在将图像的尺寸缩减，所谓平均值池化就是将特定区域内的数值取平均，赋予输出的相应位置，通过对所述训练特征图和参考特征图进行宽度或者高度维度上的平均值池化，可保留所述特征图中“次重要”元素的大量信息。
然后，计算所述训练特征向量与所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。本领域普通技术人员应知晓，在分析两个特征向量之间的相似性时，常使用余弦相似度来表示。余弦相似度的取值范围是[-1,1]，相同的两个向量之间的相似度为1。如果希望得到类似于距离的表示，将1减去余弦相似度即为余弦距离。因此余弦距离的取值范围为[0,2]，相同的两个向量余弦距离为0。
图4图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数的流程图。如图4所示，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数，包括：S210，以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；S220，以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及，S230，计算所述训练特征向量与所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
在步骤S150中，以所述不相似性系数乘以所述训练特征图，以获得分类特征图。也就是，将所述不相似性作为系数对所述训练特征图进行加权，以使得所获得的分类特征图能够聚焦于训练图像与参考图像的不相似的部分，这包括残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏在输入图像中所体现出的图像特征在经过卷积神经网络的提取之后所获得的高维特征。
在步骤S160中，将所述分类特征图通过分类器，以获得分类损失函数值。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，将所述分类特征图通过分类器，以获得分类损失函数值的过程，包括：首先，将所述分类特征图通过编码器以获得分类特征向量，所述编码器包括一个或多个全连接层，也就是，通过全连接层对所述分类特征图进行编码以充分利用所述分类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输入Softmax分类函数，以获得分类结果。然后，将所述分类结果与真实值输入损失函数，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用于确定脱硫石膏的加料量是否适当的神经网络训练方法中，将所述分类特征图通过分类器，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，将所述分类特征图通过分类器，以获得分类损失函数值，包括：S310，将所述分类特征图通过编码器以获得分类特征向量，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输入损失函数，以获得所述分类损失函数值。
在步骤S170中，基于所述分类损失函数值，更新所述第一卷积神经网络的参数。应可以理解，以所述分类损失函数值训练所述第一卷积神经网络，就可以改进第一卷积神经网络的训练速度及其鲁棒性，并且也相应提高了最终的分类结果的准确度，这里，最终的分类结果表示所述搅拌罐的加料后的图像对应的脱硫石膏的加料量是否适当。
具体地，在本申请实施例中，基于所述分类损失函数值，更新所述第一卷积神经网络的参数的过程，包括：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述分类器的参数。也就是，在训练过程中，分类器也迭代地更新，以使得：训练后的第一卷积神经网络聚焦于训练图像与参考图像的不相似的部分，以及，所述分类器能基于训练图像与参考图像的不相似的部分更准确地进行分类。
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脱硫石膏的加料量检测方法。
图6图示了根据本申请实施例的基于深度神经网络的脱硫石膏的加料量检测方法的流程图。如图6所示，根据本申请实施例的基于深度神经网络的脱硫石膏的加料量检测方法，包括：S410，获取待检测的加料后图像；S420，将所述图像输入根据如上所述的用于确定脱硫石膏的加料量是否适当神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及，S430，基于所述第一概率和所述第二概率确定所述脱硫石膏的加料量是否适当。
综上，本申请实施例的用于确定脱硫石膏的加料量是否适当的神经网络训练方法、基于深度神经网络的脱硫石膏的加料量检测方法被阐明，其以深度神经网络提取搅拌罐内加料后的图像中包含残留在进料口的内壁上以及飘散在搅拌罐内的脱硫石膏的图像特征，从而通过图像分类的方式来确定加料量是否适当。并且，为了提高在图像分类时的准确性并且加快神经网络的训练速度和提高其鲁棒性，同时使用基于参考图像的迁移学习的思路来促进对图像特征的提取。
示例性系统
图7图示了根据本申请实施例的用于确定脱硫石膏的加料量是否适当神经网络训练系统的框图。
如图7所示，根据本申请实施例的用于确定脱硫石膏的加料量是否适当神经网络训练系统700，包括：图像获取单元710，用于获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；训练特征图生成单元720，用于将所述图像获取单元710获得的所述训练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，用于将所述图像获取单元710获得的所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；不相似性系数计算单元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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；分类特征图生成单元750，用于以所述不相似性系数计算单元740获得的所述不相似性系数乘以所述训练特征图，以获得分类特征图；分类损失函数值生成单元760，用于将所述分类特征图生成单元750获得的所述分类特征图通过分类器，以获得分类损失函数值；以及，参数更新单元770，用于基于所述分类损失函数值生成单元760获得的所述分类损失函数值，更新所述第一卷积神经网络的参数。
在一个示例中，在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统700中，如图8所示，所述不相似性系数计算单元740，包括：训练特征向量生成子单元741，用于以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；参考特征向量生成子单元742，用于以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及，计算子单元743，用于计算所述训练特征向量生成子单元742获得的所述训练特征向量与所述参考特征向量生成子单元743获得的所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
在一个示例中，在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统700中，如图9所示，所述分类损失函数值生成单元760，包括：分类特征向量生成子单元761，用于将所述分类特征图通过编码器以获得分类特征向量，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762，用于将所述分类特征向量生成子单元761获得的所述分类特征向量输入Softmax分类函数，以获得分类结果；以及，损失函数计算子单元763，用于将所述分类结果生成子单元762获得的所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在一个示例中，在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统700中，所述第一卷积神经网络为深度残差网络。
在一个示例中，在上述用于确定脱硫石膏的加料量是否适当神经网络训练系统700中，所述参数更新单元770，进一步用于：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述分类器的参数。
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的用于确定脱硫石膏的加料量是否适当的神经网络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，例如用于脱硫石膏的加料量检测的服务器等。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，还提供了一种基于深度神经网络的脱硫石膏的加料量检测系统。
图10图示了根据本申请实施例的基于深度神经网络的脱硫石膏的加料量检测系统的框图。如图10所示，根据本申请实施例的基于深度神经网络的脱硫石膏的加料量检测系统800，包括：待检测图像获取单元810，用于获取待检测的加料后图像；分类单元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用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及，检测结果生成单元830，用于基于所述分类单元820获得的所述第一概率和所述第二概率以获得所述脱硫石膏的加料量是否适当的测试结果。
这里，本领域技术人员可以理解，上述检测系统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7的基于深度神经网络的脱硫石膏的加料量检测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检测系统800可以实现在各种终端设备中，例如用于脱硫石膏的加料量检测的服务器等。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，该检测系统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，该检测系统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，该检测系统800与该终端设备也可以是分立的设备，并且该检测系统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用于确定脱硫石膏的加料量是否适当的神经网络训练方法，或者，基于深度神经网络的脱硫石膏的加料量检测方法的功能以及/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不相似性系数、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，包括分类结果等。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用于确定脱硫石膏的加料量是否适当的神经网络训练方法，或者，基于深度神经网络的脱硫石膏的加料量检测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”部分中描述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，或者，基于深度神经网络的脱硫石膏的加料量检测方法中的步骤。
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、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)

1.一种用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其特征在于，包括：
获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；
将所述训练图像通过第一卷积神经网络以获得训练特征图；
将所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；
以所述不相似性系数乘以所述训练特征图，以获得分类特征图；
将所述分类特征图通过分类器，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的参数。
2.根据权利要求1所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其中，计算所述训练特征图与所述参考特征图之间的余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数，包括：
以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；
以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及
计算所述训练特征向量与所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
3.根据权利要求1所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其中，将所述分类特征图通过分类器，以获得分类损失函数值，包括：
将所述分类特征图通过编码器以获得分类特征向量，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所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其中，所述第一卷积神经网络为深度残差网络。
5.根据权利要求1所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法，其中，基于所述分类损失函数值，更新所述第一卷积神经网络的参数，包括：
以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述分类器的参数。
6.一种基于深度神经网络的脱硫石膏的加料量检测方法，其特征在于，包括：
获取待检测的加料后图像；
将所述图像输入根据如权利要求1到5中任意一项所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及
基于所述第一概率和所述第二概率确定所述脱硫石膏的加料量是否适当。
7.一种用于确定脱硫石膏的加料量是否适当神经网络训练系统，其特征在于，包括：
图像获取单元，用于获得训练图像和参考图像，所述训练图像为未经过搅拌均匀的加料后图像，所述参考图像为已经搅拌均匀的加料后图像；
训练特征图生成单元，用于将所述图像获取单元获得的所述训练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，用于将所述图像获取单元获得的所述参考图像通过第二卷积神经网络以获得参考特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
不相似性系数计算单元，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余弦距离与一的差值，以获得所述训练特征图与所述参考特征图之间的不相似性系数；
分类特征图生成单元，用于以所述不相似性系数计算单元获得的所述不相似性系数乘以所述训练特征图，以获得分类特征图；
分类损失函数值生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器，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生成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的参数。
8.根据权利要求7所述的用于确定脱硫石膏的加料量是否适当神经网络训练系统，其中，所述不相似性系数计算单元，包括：
训练特征向量生成子单元，用于以第一池化层对所述训练特征图进行全局平均值池化处理，以获得训练特征向量；
参考特征向量生成子单元，用于以第二池化层对所述参考特征图进行全局平均值池化处理，以获得参考特征向量；以及
计算子单元，用于计算所述训练特征向量生成子单元获得的所述训练特征向量与所述参考特征向量生成子单元获得的所述参考特征向量之间余弦距离与1的差值，以获得所述不相似性系数。
9.一种基于深度神经网络的脱硫石膏的加料量检测系统，其特征在于，包括：
待检测图像获取单元，用于获取待检测的加料后图像；
分类单元，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5中任意一项所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述脱硫石膏的加料量适当的第一概率和所述脱硫石膏的加料量不适当的第二概率；以及
检测结果生成单元，用于基于所述分类单元获得的所述第一概率和所述第二概率以获得所述脱硫石膏的加料量是否适当的测试结果。
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中任一项所述的用于确定脱硫石膏的加料量是否适当的神经网络训练方法或者如权利要求6所述的基于深度神经网络的脱硫石膏的加料量检测方法。
CN202110074934.XA 2021-01-20 2021-01-20 用于确定脱硫石膏的加料量是否适当的神经网络训练方法 Withdrawn CN112733784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110074934.XA CN112733784A (zh) 2021-01-20 2021-01-20 用于确定脱硫石膏的加料量是否适当的神经网络训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110074934.XA CN112733784A (zh) 2021-01-20 2021-01-20 用于确定脱硫石膏的加料量是否适当的神经网络训练方法

Publications (1)

Publication Number Publication Date
CN112733784A true CN112733784A (zh) 2021-04-30

Family

ID=75592657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110074934.XA Withdrawn CN112733784A (zh) 2021-01-20 2021-01-20 用于确定脱硫石膏的加料量是否适当的神经网络训练方法

Country Status (1)

Country Link
CN (1) CN112733784A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114191953A (zh) * 2021-12-07 2022-03-18 国网河北能源技术服务有限公司 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114191953A (zh) * 2021-12-07 2022-03-18 国网河北能源技术服务有限公司 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN114191953B (zh) * 2021-12-07 2024-02-20 国网河北能源技术服务有限公司 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法

Similar Documents

Publication Publication Date Title
US20210125061A1 (en) Device and method for the generation of synthetic data in generative networks
CN110766038B (zh) 无监督式的地貌分类模型训练和地貌图构建方法
CN108334805B (zh) 检测文档阅读顺序的方法和装置
Rehbach et al. Expected improvement versus predicted value in surrogate-based optimization
CN111612002A (zh) 一种基于神经网络的多目标物体运动追踪方法
CN115564766B (zh) 水轮机蜗壳座环的制备方法及其系统
CN112418212A (zh) 一种基于EIoU改进的YOLOv3算法
US20210133576A1 (en) Method and apparatus for automatically producing an artificial neural network
WO2022037299A1 (zh) 异常行为检测方法、装置、电子设备及计算机可读存储介质
CN112418351A (zh) 基于全局与局部上下文感知的零样本学习图像分类方法
CN112784905A (zh) 数据样本扩充的方法、装置和电子设备
CN115841644A (zh) 基于物联网的城市基础建设工程设备的控制系统及其方法
CN112733784A (zh) 用于确定脱硫石膏的加料量是否适当的神经网络训练方法
Dreyer et al. Revealing hidden context bias in segmentation and object detection through concept-specific explanations
CN112613462B (zh) 一种加权交并比方法
CN112465805A (zh) 用于钢筋冲压折弯的质量检测的神经网络的训练方法
CN111461152B (zh) 货物检测方法及装置、电子设备和计算机可读介质
CN115631374A (zh) 控件操作方法、控件检测模型的训练方法、装置和设备
CN115454018A (zh) 基于复杂度的自动驾驶场景测试用例生成方法及系统
CN114445716A (zh) 关键点检测方法、装置、计算机设备、介质及程序产品
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
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
US11837000B1 (en) OCR using 3-dimensional interpolation
WO2024016945A1 (zh) 图像分类模型的训练方法、图像分类方法及相关设备
CN115270997B (zh) 基于迁移学习的火箭目标姿态稳定判别方法及相关装置

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

Application publication date: 20210430

WW01 Invention patent application withdrawn after publication