CN112766358A - 用于粉尘抽吸强度控制的神经网络的训练方法 - Google Patents

用于粉尘抽吸强度控制的神经网络的训练方法 Download PDF

Info

Publication number
CN112766358A
CN112766358A CN202110050008.9A CN202110050008A CN112766358A CN 112766358 A CN112766358 A CN 112766358A CN 202110050008 A CN202110050008 A CN 202110050008A CN 112766358 A CN112766358 A CN 112766358A
Authority
CN
China
Prior art keywords
training
neural network
dust suction
loss function
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Withdrawn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
CN202110050008.9A
Other languages
English (en)
Inventor
张友松
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 Tidili Technology Co ltd
Original Assignee
Chengdu Tidili 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 Tidili Technology Co ltd filed Critical Chengdu Tidili Technology Co ltd
Priority to CN202110050008.9A priority Critical patent/CN112766358A/zh
Publication of CN112766358A publication Critical patent/CN112766358A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (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粉尘抽吸强度控制的神经网络的训练方法和基于深度神经网络的粉尘抽吸强度智能控制方法，其通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值以构成出长度为n的特征向量，该特征向量表示出训练图像的训练特征图在高维空间内的类别内特征。然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，提取高维特征中相互一致的类内和类间性质的图像特征，以提高智能操作控制的精准度。

Description

用于粉尘抽吸强度控制的神经网络的训练方法
技术领域
本发明涉及智慧制造领域下的智能状态控制，且更为具体地，涉及一种用于粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法、用于粉尘抽吸强度控制的神经网络的训练系统、基于深度神经网络的粉尘抽吸强度智能控制系统和电子设备。
背景技术
目前，现有木质板材加工业以木质板材为原料，人工利用数控加工装置进行加工作业，对板材进行开槽、钻孔、压刻细纹路和开榫等加工。在该过程中，难以避免地会产生大量的粉尘，对操作环境带来污染，也会危害工作人员的身体健康。
目前，为了避免粉尘的危害，一般都是采用抽风机来对粉尘进行抽吸，但是，如何准确地控制抽风机的抽吸强度又成为新的问题。一种方式是通过人工来控制抽风机的强度档位，但是工作人员在工作过程中很可能顾不上调整档位。另一种方式是根据具体的作业内容，比如开槽、钻孔等来调整档位，当这也难免出现准确性不够的问题。
因此，期待一种能够对粉尘抽吸强度智能控制的技术方案。
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智能控制抽风机的抽吸强度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粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法、用于粉尘抽吸强度控制的神经网络的训练系统、基于深度神经网络的粉尘抽吸强度智能控制系统和电子设备，其通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值以构成出长度为n的特征向量，该特征向量表示出训练图像的训练特征图在高维空间内的类别内特征。然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，提取高维特征中相互一致的类内和类间性质的图像特征，以提高智能操作控制的精准度。
根据本申请的一个方面，提供了一种用于粉尘抽吸强度控制的神经网络的训练方法，其包括：
获取板材在加工过程中的多张图像作为训练图像集；
将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；
以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；
对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；
对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；
计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；
将所述多个训练特征图通过分类器，以获得分类损失函数值；以及
基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。
在上述用于粉尘抽吸强度控制的神经网络的训练方法中，在以聚类算法将所述多个训练特征图划分为N个类别中，所述聚类算法为KNN聚类算法。
在上述用于粉尘抽吸强度控制的神经网络的训练方法中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量，包括：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。
在上述用于粉尘抽吸强度控制的神经网络的训练方法中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵，包括：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。
在上述用于粉尘抽吸强度控制的神经网络的训练方法中，将所述多个训练特征图通过分类器，以获得分类损失函数值，包括：将所述多个训练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输入分类函数，以获得分类结果；以及，将所述分类结果和真实值输入损失函数，以获得所述分类损失函数值。
在上述用于粉尘抽吸强度控制的神经网络的训练方法中，所述深度卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了基于深度神经网络的粉尘抽吸强度智能控制方法，其包括：
获取待检测的板材在加工过程中的图像；
将所述图像输入根据如上所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及
基于所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。
根据本申请的再一方面，提供了一种用于粉尘抽吸强度控制的神经网络的训练系统，其包括：
图像获取单元，用于获取板材在加工过程中的多张图像作为训练图像集；
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集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；
类别划分单元，用于以聚类算法将所述训练特征图生成单元获得的所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；
特征向量生成单元，用于对类别划分单元获得的所述该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；
距离矩阵生成单元，用于对类别划分单元获得的所述该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；
交叉熵损失函数值计算单元，用于计算所述特征向量生成单元获得的所述特征向量和所述距离矩阵生成单元获得的所述距离矩阵之间的交叉熵损失函数值；
分类损失函数值计算单元，用于将所述训练特征图生成单元获得的所述多个训练特征图通过分类器，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和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的加权和，更新所述深度卷积神经网络的参数。
在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述聚类算法为KNN聚类算法。
在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述特征向量生成单元，进一步用于：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。
在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述距离矩阵生成单元，进一步用于：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。
在上述用于粉尘抽吸强度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：分类特征向量生成子单元，用于将所述多个训练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输入分类函数，以获得分类结果；以及，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和真实值输入损失函数，以获得所述分类损失函数值。
在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述深度卷积神经网络为深度残差网络。
根据本申请的又一方面，提供了一种基于深度神经网络的粉尘抽吸强度智能控制系统，其包括：
待检测图像获取单元，用于获取待检测的板材在加工过程中的图像；
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粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及
控制单元，用于基于所述分类单元获得的所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。
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粉尘抽吸强度控制的神经网络的训练方法，或者，基于深度神经网络的粉尘抽吸强度智能控制方法。
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用于粉尘抽吸强度控制的神经网络的训练方法，或者，基于深度神经网络的粉尘抽吸强度智能控制方法。
与现有技术相比，本申请提供的一种用于粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法、用于粉尘抽吸强度控制的神经网络的训练系统、基于深度神经网络的粉尘抽吸强度智能控制系统和电子设备，其其通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值以构成出长度为n的特征向量，该特征向量表示出训练图像的训练特征图在高维空间内的类别内特征。然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，提取高维特征中相互一致的类内和类间性质的图像特征，以提高智能操作控制的精准度。
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粉尘抽吸强度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用于粉尘抽吸强度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用于粉尘抽吸强度控制的神经网络的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粉尘抽吸强度控制的神经网络的训练方法中，将所述多个训练特征图通过分类器，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粉尘抽吸强度智能控制方法的流程图。
图6图示了根据本申请实施例的用于粉尘抽吸强度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用于粉尘抽吸强度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8图示了根据本申请实施例的基于深度神经网络的粉尘抽吸强度智能控制系统的框图。
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，现有木质板材加工业在对板材进行开槽、钻孔、压刻细纹路和开榫等加工过程中，难以避免地会产生大量的粉尘，对操作环境带来污染，也会危害工作人员的身体健康。目前，为了避免粉尘的危害，一般都是采用抽风机来对粉尘进行抽吸，但是，如何准确地控制抽风机的抽吸强度又成为新的问题。一种方式是通过人工来控制抽风机的强度档位，但是工作人员在工作过程中很可能顾不上调整档位。另一种方式是根据具体的作业内容，比如开槽、钻孔等来调整档位，当这也难免出现准确性不够的问题。
基于此，本申请的发明人考虑通过对所获得的板材加工过程中的图像进行识别，来通过基于识别出的高维图像特征进行分类的方式，来获得应该控制的抽风机的强度档位。并且，期望这种抽风机的强度档位的控制除了与板材加工过程中产生的粉尘的分布情况有关以外，也能够尽可能地符合粉尘产生的性质，也就是加工过程的性质，从而提高控制的准确性。
如上所述，加工的具体作业内容不能够反映出加工过程中粉尘产生的性质，比如钻孔作业在某些情况下不一定比开槽作业产生更少的粉尘，这与所加工的木质板材的材料性质，钻孔的作业参数等都有关系，因此，还是需要从图像的高维特征的性质方面来进行考虑。
具体地，在本申请的方案中，在获得板材加工过程中的图像作为训练图像输入卷积神经网络之后，对于所获得的多个训练特征图，通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值，从而构成出长度为n的特征向量。也就是，该长度为n的特征向量可以表示出训练图像的训练特征图在高维空间内的类别内特征。
然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，再计算所述特征向量与所述距离矩阵的交叉熵损失函数值，并以此来更新卷积神经网络，就可以使得卷积神经网络学习到如何针对图像的高维特征的相互一致的类内和类间性质来进行图像的高维特征提取。
同时，训练特征图也通过分类器获得分类损失函数值，并集合所述交叉熵损失函数值来对卷积神经网络进行训练，该分类器的标签为对应的抽风机的强度档位。
基于此，本申请提出了一种用于粉尘抽吸强度控制的神经网络的训练方法，其包括：获取板材在加工过程中的多张图像作为训练图像集；将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；将所述多个训练特征图通过分类器，以获得分类损失函数值；以及，基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度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粉尘抽吸强度智能控制方法，其包括：获取待检测的板材在加工过程中的图像；将所述图像输入根据如上所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及，基于所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。
图1图示了根据本申请实施例的用于粉尘抽吸强度控制的神经网络的训练方法和基于深度神经网络的粉尘抽吸强度智能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)获取板材在加工过程中的多张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用于粉尘抽吸强度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用于粉尘抽吸强度控制的神经网络的训练算法以所述训练图像集对用于粉尘抽吸强度控制的神经网络进行训练。
在通过如上所述的用于粉尘抽吸强度控制的神经网络的训练算法训练好所述神经网络后，可基于所述深度神经网络对粉尘抽吸强度进行控制。
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)获取待检测的板材在加工过程中的图像；然后，将所述图像输入至部署有基于深度神经网络的粉尘抽吸强度智能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粉尘抽吸强度智能控制算法对所述图像进行处理，以生成最终档位，并以最终档位控制抽风机的工作强度。
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图示了用于粉尘抽吸强度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用于粉尘抽吸强度控制的神经网络的训练方法，包括：S110，获取板材在加工过程中的多张图像作为训练图像集；S120，将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；S130，以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；S140，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；S150，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；S160，计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；S170，将所述多个训练特征图通过分类器，以获得分类损失函数值；以及，S180，基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度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粉尘抽吸强度控制的神经网络的训练方法的架构示意图。如图3所示，在所述用于粉尘抽吸强度控制的神经网络的训练方法的网络架构中，首先，将获取的训练图像集(例如，如图3中所示意的IN1)中多张图像分别通过深度卷积神经网络(例如，如图3中所示意的CNN)以获得多个训练特征图(例如，如图3中所示意的Ft1到Ftk)；接着，以聚类算法将所述多个训练特征图划分为N个类别(例如，如图3中所示意的C1到Cn)，N为正整数，其中，每个类别具有一个聚类中心；接着，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值(例如，如图3中所示意的D1到Dn)，以获得由N个特征值构成的特征向量(例如，如图3中所示意的V1)；接着，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵(例如，如图3中所示意的M1)；接着，计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；接着，将所述多个训练特征图通过分类器(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和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。
在步骤S110中，获取板材在加工过程中的多张图像作为训练图像集。如前所述，本技术方案考虑通过对所获得的板材加工过程中的图像进行识别，来通过基于识别出的高维图像特征进行分类的方式，来获得应该控制的抽风机的强度档位。具体地，在本申请实施例中，首先以摄像头采集板材在加工过程中的多张图像作为训练图像。
在步骤S120中，将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图。也就是，以深度卷积神经网络提取出所述训练图像集中各张图像中的各高维特征。应可以理解，加工的具体作业内容不能够反映出加工过程中粉尘产生的性质，比如钻孔作业在某些情况下不一定比开槽作业产生更少的粉尘，这与所加工的木质板材的材料性质，钻孔的作业参数等都有关系，因此，需要从图像的高维特征的性质方面来进行考虑。
特别地，所述深度卷积神经网络可采用深度残差神经网络，例如，ResNet50。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，以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心。
具体地，在本申请实施例中，在以聚类算法将所述多个训练特征图划分为N个类别中，例如，所述聚类算法可被实施为传统的KNN聚类算法。应可以理解，通过聚类算法可以计算所述多个训练特征图之间的相似性，并根据所述多个训练特征图之间的相似性进行分类。KNN算法又称k近邻分类(k-nearest neighbor classification)算法，它是根据不同特征值之间的距离来进行分类的一种简单的机器学习方法，KNN算法主要应用领域是对未知事物进行分类，即判断未知事物属于哪一类，判断思想是，基于欧几里得定理，判断未知事物的特征和哪一类已知事物的的特征最接近。具体地，KNN聚类算法的计算过程，包括：首先，给定未知对象，计算它与训练集中的每个对象的距离；接着，圈定距离最近的k个训练对象，作为未知对象的近邻；然后，在这k个近邻中出线次数最多的类别就是测试对象的预测类别。
在步骤S140中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量。也就是，该长度为n的特征向量可以表示出训练图像的训练特征图在高维空间内的类别内特征。
具体地，在本申请实施例中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量的过程，包括：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。应可以理解，通过计算所述每个类别内的所有训练特征图到其聚类中心的平方欧式距离，可以从空间距离维度上反映出所述每个类别内的所有训练特征图到其聚类中心之间的特征差异。
在步骤S150中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵。也就是，该n*n的距离矩阵可以表示出训练特征图在高维空间内的类别间特征
具体地，在本申请实施例中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵的过程，包括：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。应可以理解，通过计算所述每两个类别的聚类中心之间的平方欧式距离，可以从空间距离维度上反映出所述每两个类别的聚类中心之间的特征差异。特别地，采用平方欧式距离是为了与获得特征向量的距离度量保持一致，应可以理解，采用统一的距离度量是为了在后续计算损失函数时，减少由于距离度量方式不同带来的计算误差。当然，在本申请的其他实施例中，还可以有其他距离度量方式，例如马氏距离，但是要保持统一。
在步骤S160中，计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值。也就是，通过所述特征向量和所述距离矩阵之间的交叉熵损失函数来进行多个训练特征图的高维特征中相互一致的类内和类间性质的特征提取。
在步骤S170中，将所述多个训练特征图通过分类器，以获得分类损失函数值。具体地，在本申请实施例中，将所述多个训练特征图通过分类器，以获得分类损失函数值的过程，包括：首先，将所述多个训练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，以一个或多个全连接层作为编码器对所述多个训练特征图进行编码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，将所述分类结果和真实值输入损失函数，以获得所述分类损失函数值。
图4图示了根据本申请实施例的用于粉尘抽吸强度控制的神经网络的训练方法中，将所述多个训练特征图通过分类器，以获得分类损失函数值的流程图。如图4所示，将所述多个训练特征图通过分类器，以获得分类损失函数值，包括：S210，将所述多个训练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输入分类函数，以获得分类结果；以及，S230，将所述分类结果和真实值输入损失函数，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和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。应可以理解，基于所述分类损失函数值和所述交叉熵损失函数值的加权和来对卷积神经网络进行训练，并以此来更新卷积神经网络的参数，就可以使得卷积神经网络学习到如何针对图像的高维特征的相互一致的类内和类间性质来进行图像的高维特征提取，同时可以增强模型的训练速度和精度。
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粉尘抽吸强度智能控制方法。
图5图示了根据本申请实施例的基于深度神经网络的粉尘抽吸强度智能控制方法的流程图。如图5所示，根据本申请实施例的基于深度神经网络的粉尘抽吸强度智能控制方法，包括：S310，获取待检测的板材在加工过程中的图像；S320，将所述图像输入根据如上所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及，S330，基于所述不同强度档位标签的概率值中最大概率值对应的档位控制抽风机的工作强度。
综上，本申请实施例的用于粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法被阐明，其基于深度学习的计算机视觉的方法对所获得的板材加工过程中的图像进行识别，并基于识别出的高维图像特征进行分类的方式，来获得应该控制的抽风机的强度档位。具体地，在对用于粉尘抽吸强度控制的神经网络的训练过程中，通过聚类算法将所述多个训练特征图划分为n个类别，再通过计算所述n个类别的类内和类间性质的交叉熵损失值，并结合分类损失函数值来对卷积神经网络进行训练，进而增强模型的准确性。
示例性系统
图6图示了根据本申请实施例的用于粉尘抽吸强度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用于粉尘抽吸强度控制的神经网络的训练系统600，包括：图像获取单元610，用于获取板材在加工过程中的多张图像作为训练图像集；训练特征图生成单元620，用于将所述图像获取单元610获得的所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；类别划分单元630，用于以聚类算法将所述训练特征图生成单元620获得的所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；特征向量生成单元640，用于对类别划分单元630获得的所述该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；距离矩阵生成单元650，用于对类别划分单元630获得的所述该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；交叉熵损失函数值计算单元660，用于计算所述特征向量生成单元640获得的所述特征向量和所述距离矩阵生成单元650获得的所述距离矩阵之间的交叉熵损失函数值；分类损失函数值计算单元670，用于将所述训练特征图生成单元620获得的所述多个训练特征图通过分类器，以获得分类损失函数值；以及，参数更新单元680，用于基于所述分类损失函数值计算单元670获得的所述分类损失函数值和所述交叉熵损失函数值计算单元660获得的所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。
在一个示例中，在上述用于粉尘抽吸强度控制的神经网络的训练系统600中，所述聚类算法为KNN聚类算法。
在一个示例中，在上述用于粉尘抽吸强度控制的神经网络的训练系统600中，所述特征向量生成单元640，进一步用于：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。
在一个示例中，在上述用于粉尘抽吸强度控制的神经网络的训练系统600中，所述距离矩阵生成单元650，进一步用于：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。
在一个示例中，在上述用于粉尘抽吸强度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计算单元670，包括：分类特征向量生成子单元671，用于将所述多个训练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672，用于将所述分类特征向量生成子单元671获得的所述分类特征向量输入分类函数，以获得分类结果；以及，计算子单元673，用于将所述分类结果生成子单元672获得的所述分类结果和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，在上述用于粉尘抽吸强度控制的神经网络的训练系统600中，所述深度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的用于粉尘抽吸强度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，例如用于粉尘抽吸强度控制的服务器等。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粉尘抽吸强度智能控制系统。
图8图示了根据本申请实施例的基于深度神经网络的粉尘抽吸强度智能控制系统的框图。如图8所示，根据本申请实施例的基于深度神经网络的粉尘抽吸强度智能控制系统800，包括：待检测图像获取单元810，用于获取待检测的板材在加工过程中的图像；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粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及，控制单元830，用于基于所述分类单元820获得的所述不同强度档位标签的概率值中最大概率值对应的档位控制抽风机的工作强度。
这里，本领域技术人员可以理解，上述智能控制系统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粉尘抽吸强度智能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智能控制系统800可以实现在各种终端设备中，例如用于粉尘抽吸强度控制的服务器等。在一个示例中，根据本申请实施例的智能控制系统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，该智能控制系统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，该智能控制系统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，该智能控制系统800与该终端设备也可以是分立的设备，并且该智能控制系统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用于粉尘抽吸强度控制的神经网络的训练方法，或者，基于深度神经网络的粉尘抽吸强度智能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矩阵、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，包括最终档位等。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用于粉尘抽吸强度控制的神经网络的训练方法，或者，基于深度神经网络的粉尘抽吸强度智能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”部分中描述的用于粉尘抽吸强度控制的神经网络的训练方法，或者，基于深度神经网络的粉尘抽吸强度智能控制方法中的步骤。
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)

1.一种用于粉尘抽吸强度控制的神经网络的训练方法，其特征在于，包括：
获取板材在加工过程中的多张图像作为训练图像集；
将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；
以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；
对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；
对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；
计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；
将所述多个训练特征图通过分类器，以获得分类损失函数值；以及
基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。
2.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，在以聚类算法将所述多个训练特征图划分为N个类别中，所述聚类算法为KNN聚类算法。
3.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量，包括：
对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。
4.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵，包括：
对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。
5.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，将所述多个训练特征图通过分类器，以获得分类损失函数值，包括：
将所述多个训练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输入分类函数，以获得分类结果；以及
将所述分类结果和真实值输入损失函数，以获得所述分类损失函数值。
6.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，所述深度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粉尘抽吸强度智能控制方法，其特征在于，包括：
获取待检测的板材在加工过程中的图像；
将所述图像输入根据如权利要求1到6中任意一项所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及
基于所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。
8.一种用于粉尘抽吸强度控制的神经网络的训练系统，其特征在于，包括：
图像获取单元，用于获取板材在加工过程中的多张图像作为训练图像集；
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集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；
类别划分单元，用于以聚类算法将所述训练特征图生成单元获得的所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；
特征向量生成单元，用于对类别划分单元获得的所述该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；
距离矩阵生成单元，用于对类别划分单元获得的所述该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；
交叉熵损失函数值计算单元，用于计算所述特征向量生成单元获得的所述特征向量和所述距离矩阵生成单元获得的所述距离矩阵之间的交叉熵损失函数值；
分类损失函数值计算单元，用于将所述训练特征图生成单元获得的所述多个训练特征图通过分类器，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和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的加权和，更新所述深度卷积神经网络的参数。
9.一种基于深度神经网络的粉尘抽吸强度智能控制系统，其特征在于，包括：
待检测图像获取单元，用于获取待检测的板材在加工过程中的图像；
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6中任意一项所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及
控制单元，用于基于所述分类单元获得的所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。
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粉尘抽吸强度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粉尘抽吸强度智能控制方法。
CN202110050008.9A 2021-01-14 2021-01-14 用于粉尘抽吸强度控制的神经网络的训练方法 Withdrawn CN112766358A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110050008.9A CN112766358A (zh) 2021-01-14 2021-01-14 用于粉尘抽吸强度控制的神经网络的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110050008.9A CN112766358A (zh) 2021-01-14 2021-01-14 用于粉尘抽吸强度控制的神经网络的训练方法

Publications (1)

Publication Number Publication Date
CN112766358A true CN112766358A (zh) 2021-05-07

Family

ID=75700723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110050008.9A Withdrawn CN112766358A (zh) 2021-01-14 2021-01-14 用于粉尘抽吸强度控制的神经网络的训练方法

Country Status (1)

Country Link
CN (1) CN112766358A (zh)

Similar Documents

Publication Publication Date Title
US11741361B2 (en) Machine learning-based network model building method and apparatus
Demirel et al. Zero-shot object detection by hybrid region embedding
Maji et al. Efficient classification for additive kernel SVMs
Bose et al. Efficient inception V2 based deep convolutional neural network for real‐time hand action recognition
EP4042320A1 (en) Adversarial network for transforming handwritten text
US20170076152A1 (en) Determining a text string based on visual features of a shred
CN112287839A (zh) 一种基于迁移学习的ssd红外图像行人检测方法
CN112966088B (zh) 未知意图的识别方法、装置、设备及存储介质
CN116167989A (zh) 铝杯的智能化生产方法及其系统
CN111461244A (zh) 一种基于SimpleShot的One-Shot学习新方法
Zhao Research on the application of local binary patterns based on color distance in image classification
CN111782804A (zh) 基于TextCNN同分布文本数据选择方法、系统及存储介质
CN113255752A (zh) 基于特征聚类的固体材料一致性分选方法
CN106033546B (zh) 基于自上而下学习的行为分类方法
CN116258947B (zh) 适用于家居定制行业的工业自动化处理方法及系统
CN112960213A (zh) 使用特征概率分布表示的智能包装质量检测方法
CN110889290B (zh) 文本编码方法和设备、文本编码有效性检验方法和设备
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
CN112766358A (zh) 用于粉尘抽吸强度控制的神经网络的训练方法
CN115905845A (zh) 数据中心异常检测方法、系统、设备及存储介质
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
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
CN112328784B (zh) 数据信息分类方法及装置
CN112884145A (zh) 用于数据中心的智能散热效果检测的神经网络的训练方法
CN112819040A (zh) 基于权值生成机制的用于水泥加工的智能控制方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210507

WW01 Invention patent application withdrawn after publication