CN112819044A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112819044A CN112819044A CN202110074108.5A CN202110074108A CN112819044A CN 112819044 A CN112819044 A CN 112819044A CN 202110074108 A CN202110074108 A CN 202110074108A CN 112819044 A CN112819044 A CN 112819044A
- Authority
- CN
- China
- Prior art keywords
- feature map
- neural network
- classifier
- classification
- loss function
- 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
- 238000012549 training Methods 0.000 title claims abstract description 133
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000010409 ironing Methods 0.000 claims abstract description 137
- 230000006870 function Effects 0.000 claims abstract description 124
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 239000004744 fabric Substances 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000002485 combustion reaction Methods 0.000 description 9
- 230000002269 spontaneous effect Effects 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 2
- 239000011159 matrix material Substances 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
- 230000003252 repetitive effect Effects 0.000 description 2
- 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
- 238000001514 detection method 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
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 235000000396 iron Nutrition 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
- 238000012856 packing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06C—FINISHING, DRESSING, TENTERING OR STRETCHING TEXTILE FABRICS
- D06C15/00—Calendering, pressing, ironing, glossing or glazing textile fabrics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Textile Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能制造领域下的智能操作任务补偿控制,其具体地公开了一种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,其基于深度学习的计算机视觉技术,通过提取正在被熨烫设备熨烫的布匹的图像的高维特征并进行分类,来实现熨烫设备的自动控制。具体地,在训练过程中,增加用于保证平整度的损失函数对卷积神经网络和分类器训练,从而使得在分类任务中能够考虑到目标对象对正在执行的目标任务的完成性。
Description
技术领域
本发明涉及智能制造领域下的智能操作任务补偿控制,且更为具体地,涉及一种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、基于深度神经网络的熨烫设备智能控制方法、用于目标对象的目标操作任务补偿的神经网络的训练系统、基于深度神经网络的熨烫设备智能控制系统和电子设备。
背景技术
布匹纺织成型后,为了保证布面平整,方便收纳包装,需要经过熨烫加工,通过熨烫设备的熨烫滚轴在布匹表面滑过,抚平褶皱。在使用熨烫设备对布料进行熨烫时,由于熨烫滚轴的温度非常高,当对布匹进行反复熨烫时,容易由于长时间与布料接触而导致布料持续吸热自燃,造成危险。
因此,期望提供一种能够防止布料由于被熨烫而自燃的熨烫设备的控制方法。
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熨烫设备的智能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、基于深度神经网络的熨烫设备智能控制方法、用于目标对象的目标操作任务补偿的神经网络的训练系统、基于深度神经网络的熨烫设备智能控制系统和电子设备,其基于深度学习的计算机视觉技术,通过提取正在被熨烫设备熨烫的布匹的图像的高维特征并进行分类,来实现熨烫设备的自动控制。具体地,在训练过程中,增加用于保证平整度的损失函数对卷积神经网络和分类器训练,从而使得在分类任务中能够考虑到目标对象对正在执行的目标任务的完成性。
根据本申请的一个方面,提供了一种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,其包括:
获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;
将所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;
将当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;
将所述当前特征图和所述先前特征图相乘以获得动态特征图;
将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;
计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;
将所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;以及
基于所述分类损失函数值和所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
在上述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中,所述第一分类器的训练过程,包括:获取训练图像,所述训练图像为被熨烫的布匹的图像;将所述训练图像通过卷积神经网络,以获得训练特征图;将所述训练特征图通过所述第一分类器,以获得分类损失函数值;以及,以预设步长减小所述分类损失值,并通过梯度下降的反向传播来更新所述第一分类器的参数。
在上述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中,所述当前图像与所述先前图像之间具有预设时间间隔。
在上述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中,将所述当前特征图通过第二分类器,以获得分类损失函数值,包括:将所述当前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Softmax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交叉熵损失函数,以获得所述分类损失函数值。
在上述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中,所述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熨烫设备智能控制方法,其包括:
获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;
将所述图像输入根据如上所述的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所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及
基于所述第一概率和所述第二概率确定是否应该停止熨烫设备工作。
根据本申请的再一方面,提供了一种用于目标对象的目标操作任务补偿的神经网络的训练系统,其包括:
图像获取单元,用于获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;
特征图生成单元,用于将所述图像获取单元获得的所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;
第一概率值生成单元,用于将所述特征图生成单元获得的所述当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;
动态特征图生成单元,用于将所述特征图生成单元获得的所述当前特征图和所述先前特征图相乘以获得动态特征图;
第二概率值生成单元,用于将所述动态特征图生成单元获得的所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;
目标损失函数值计算单元,用于计算所述第一概率值生成单元获得的所述第一概率值与第二概率值生成单元获得的所述第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;
分类损失函数值生成单元,用于将所述特征图生成单元获得的所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;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和所述目标损失函数值计算单元获得的所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
在上述用于目标对象的目标操作任务补偿的神经网络的训练系统中,所述第一概率值生成单元,包括:训练图像获取子单元,用于获取训练图像,所述训练图像为被熨烫的布匹的图像;训练特征图生成子单元,用于将所述训练图像获取子单元获得的所述训练图像通过卷积神经网络,以获得训练特征图;分类损失函数值生成子单元,用于将所述训练特征图生成子单元获得的所述训练特征图通过所述第一分类器,以获得分类损失函数值;以及,更新子单元,用于以预设步长减小所述分类损失函数值生成子单元获得的所述分类损失值,并通过梯度下降的反向传播来更新所述第一分类器的参数。
在上述用于目标对象的目标操作任务补偿的神经网络的训练系统中,所述当前图像与所述先前图像之间具有预设时间间隔。
在上述用于目标对象的目标操作任务补偿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,用于将所述当前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Softmax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交叉熵损失函数,以获得所述分类损失函数值。
在上述用于目标对象的目标操作任务补偿的神经网络的训练系统中,所述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熨烫设备智能控制系统,其包括:
待检测图像获取单元,用于获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;
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目标对象的目标操作任务补偿的神经网络的训练方法所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及
控制结果生成单元,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生成是否控制熨烫设备停止工作的控制结果。
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目标对象的目标操作任务补偿的神经网络的训练方法,或者,基于深度神经网络的熨烫设备智能控制方法。
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目标对象的目标操作任务补偿的神经网络的训练方法,或者,基于深度神经网络的熨烫设备智能控制方法。
与现有技术相比,本申请提供的一种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、基于深度神经网络的熨烫设备智能控制方法、用于目标对象的目标操作任务补偿的神经网络的训练系统、基于深度神经网络的熨烫设备智能控制系统和电子设备,其基于深度学习的计算机视觉技术,通过提取正在被熨烫设备熨烫的布匹的图像的高维特征并进行分类,来实现熨烫设备的自动控制。具体地,在训练过程中,增加用于保证平整度的损失函数对卷积神经网络和分类器训练,从而使得在分类任务中能够考虑到目标对象对正在执行的目标任务的完成性。
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的应用场景图;
图2图示了根据本申请实施例的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的流程图;
图3图示了根据本申请实施例的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的系统架构示意图;
图4图示了根据本申请实施例的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中,所述第一分类器的训练过程的流程图;
图5图示了根据本申请实施例的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中,将所述当前特征图通过第二分类器,以获得分类损失函数值的流程图;
图6图示了根据本申请实施例的基于深度神经网络的熨烫设备智能控制方法的流程图;
图7图示了根据本申请实施例的用于目标对象的目标操作任务补偿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目标对象的目标操作任务补偿的神经网络的训练系统中第一概率值生成单元的框图。
图9图示了根据本申请实施例的用于目标对象的目标操作任务补偿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10图示了根据本申请实施例的基于深度神经网络的熨烫设备智能控制系统的框图。
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在使用熨烫设备对布料进行熨烫时,由于熨烫滚轴的温度非常高,当对布匹进行反复熨烫时,容易由于长时间与布料接触而导致布料持续吸热自燃,造成危险。因此,期望提供一种能够防止布料由于被熨烫而自燃的熨烫设备的控制方法。
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技术,通过获取正在被熨烫设备的熨烫滚轴熨烫的布匹的图像,并通过卷积神经网络提取其高维特征并进行分类,来实现熨烫设备的自动控制,以便于在可能造成布料自燃的情况停止熨烫设备的工作。
但是,在实际应用过程当中,发明人发现当基于训练图像来训练卷积神经网络和分类器时,由于布料可能发生自燃的危险随着熨烫的时间增大,因此为了防止自燃,卷积神经网络和分类器趋向于对于所有情况都直接归于停止熨烫设备的工作的类别,导致实用性较差。
进一步地,本申请的发明人发现,由于熨烫设备的主要功能是将布匹熨烫平整,因此需要对于本申请的卷积神经网络和分类器的训练施加附加条件,也就是在保证布匹熨烫平整度的情况下防止布料自燃,因此,在卷积神经网络和分类器的训练时,需要增加用于保证平整度的损失函数,这可以考虑使用用于表示平整度的动态变化梯度的损失函数。因为该损失函数在本申请中用于表示卷积神经网络和分类器的训练所要达到的现实目标,因此也可以被称为目标损失函数。
具体地,在本申请的技术方案中,获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像,并将所述当前图像和先前图像分别通过卷积神经网络以获得当前特征图和先前特征图,接下来,将当前特征图通过预先训练好的用于基于特征图进行平整度分类的分类器,以获得当前特征图相对于平整度标签的第一概率值。然后,将所述当前特征图和所述先前特征图相乘,并通过该预先训练好的用于基于特征图进行平整度分类的分类器,以获得相乘后的特征图相对于平整度标签的第二概率值,并计算所述第一概率值与第二概率值的差值以获得用于表示平整度的动态变化梯度的目标损失函数值。
并且,将所述当前特征图通过用于熨烫设备是否停止工作的分类器以获得分类损失函数值,并基于所述分类损失函数值和所述目标损失函数值的加权和来训练所述卷积神经网络和用于熨烫设备是否停止工作的分类器,从而使得在分类任务中能够考虑到目标对象对正在执行的目标任务的完成性,这在本申请中可以称为目标操作任务补偿。
基于此,本申请提出了一种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,其包括:获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;将所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;将当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;将所述当前特征图和所述先前特征图相乘以获得动态特征图;将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;将所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;以及,基于所述分类损失函数值和所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
基于此,本申请还提出了一种基于深度神经网络的熨烫设备智能控制方法,其包括:获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;将所述图像输入根据如上所述的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所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及,基于所述第一概率和所述第二概率确定是否应该停止熨烫设备工作。
图1图示了根据本申请实施例的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和基于深度神经网络的熨烫设备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)获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;然后,将所述当前图像和先前图像输入至部署有用于目标对象的目标操作任务补偿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目标对象的目标操作任务补偿的神经网络的训练算法以所述当前图像和先前图像对用于目标对象的目标操作任务补偿的神经网络进行训练。
在通过如上所述的用于目标对象的目标操作任务补偿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熨烫设备是否停止工作进行控制。
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)获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;然后,将所述图像输入至部署有基于深度神经网络的熨烫设备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熨烫设备智能控制算法对所述图像进行处理,以生成是否控制熨烫设备停止工作的控制结果。
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图示了用于目标对象的目标操作任务补偿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目标对象的目标操作任务补偿的神经网络的训练方法,包括:S110,获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;S120,将所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;S130,将当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;S140,将所述当前特征图和所述先前特征图相乘以获得动态特征图;S150,将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;S160,计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;S170,将所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;以及,S180,基于所述分类损失函数值和所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
图3图示了根据本申请实施例的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的架构示意图。如图3所示,在所述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的网络架构中,首先,将获取的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像(例如,如图3中所示意的IN1)和先前图像(例如,如图3中所示意的IN2)分别通过卷积神经网络(例如,如图3中所示意的CNN)以获得对应于所述当前图像的当前特征图(例如,如图3中所示意的F1)和对应于所述先前图像的先前特征图(例如,如图3中所示意的F2);接着,将当前特征图通过预先训练好的第一分类器(例如,如图3中所示意的第一分类器),以获得所述当前特征图归属于平整度标签的第一概率值(例如,如图3中所示意的K1);接着,将所述当前特征图和所述先前特征图相乘以获得动态特征图(例如,如图3中所示意的Fa);接着,将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值(例如,如图3中所示意的K2);接着,计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;接着,将所述当前特征图通过第二分类器(例如,如图3中所示意的第二分类器),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目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
在步骤S110中,获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像。如前所述,本申请考虑通过基于深度学习的计算机视觉技术,通过获取正在被熨烫设备的熨烫滚轴熨烫的布匹的图像,并通过卷积神经网络提取其高维特征并进行分类,来实现熨烫设备的自动控制。具体地,在本申请实施例中,以摄像头采集正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像作为训练用图像,特别地,在采集图像的过程中,所述当前图像与所述先前图像之间具有预设时间间隔,所述预设时间间隔值不宜过大,否则相邻两帧不能很好地反映出布匹图像变化的时序关系,当然,所述预设时间间隔值也不宜过小,因为会浪费计算资源。
在步骤S120中,将所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图。也就是,以卷积神经网络提取出所述当前图像和先前图像中各张图像中的各高维特征。
特别地,所述卷积神经网络可采用深度残差神经网络,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,将当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器。也就是,将当前特征图通过预先训练好的用于基于特征图进行平整度分类的分类器,以获得当前特征图相对于平整度标签的第一概率值。应可以理解,由于熨烫设备的主要功能是将布匹熨烫平整,因此需要对于本申请的卷积神经网络和分类器的训练施加附加条件,也就是在保证布匹熨烫平整度的情况下防止布料自燃。
特别地,在本申请实施例中,所述第一分类器的训练过程,包括:首先,获取训练图像,所述训练图像为被熨烫的布匹的图像。接着,将所述训练图像通过卷积神经网络,以获得训练特征图,也就是,以卷积神经网络提取出所述训练图像中的各高维特征,所述卷积神经网络可采用深度残差神经网络,例如,ResNet 50。接着,将所述训练特征图通过所述第一分类器,以获得分类损失函数值,也就是,采用解耦的方式,所述第一分类器包括编码器,所述编码器由卷积层、池化层或者全连接层构成,通过编码器将训练特征图编码为特征向量后通过Softmax分类函数,以获得输出值,通过计算输出值与真实值之间的差值以获得分类损失函数值。然后,以预设步长减小所述分类损失值,并通过梯度下降的方向传播来更新所述第一分类器的参数,应可以理解,以所述分类损失函数值训练所述第一分类器,可以提高第一分类器最终的分类结果的准确度。
图4图示了根据本申请实施例的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中,所述第一分类器的训练过程的流程图。如图4所示,所述第一分类器的训练过程,包括:S210,获取训练图像,所述训练图像为被熨烫的布匹的图像;S220,将所述训练图像通过卷积神经网络,以获得训练特征图;S230,将所述训练特征图通过所述第一分类器,以获得分类损失函数值;以及,S240,以预设步长减小所述分类损失值,并通过梯度下降的方向传播来更新所述第一分类器的参数。
在步骤S140中,将所述当前特征图和所述先前特征图相乘以获得动态特征图。也就是,将所述当前特征图的特征矩阵和所述先前特征图的特征矩阵进行按像素位置点乘,以获得动态特征图,所述动态特征图融合了所述当前特征图和所述先前特征图之间的关联信息。
在步骤S150中,将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值。也就是,将动态特征图通过预先训练好的用于基于特征图进行平整度分类的分类器,以获得动态特征图相对于平整度标签的第二概率值,所述第一分类器包括编码器,所述编码器由卷积层、池化层或者全连接层构成。具体地,在本申请实施例中,所述动态特征图通过编码器编码为特征向量后通过Softmax分类函数,以获得分类结果,计算所述分类结果与标签的交叉熵损失函数,以获得第二概率值。
在步骤S160中,计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值。应可以理解,由于需要在保证布匹熨烫平整度的情况下防止布料自燃,因此,在卷积神经网络和分类器的训练时,需要增加用于保证平整度的损失函数,这可以考虑使用用于表示平整度的动态变化梯度的损失函数。因为该损失函数在本申请中用于表示卷积神经网络和分类器的训练所要达到的现实目标,因此也可以被称为目标损失函数。
在步骤S170中,将所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器。应可以理解,由于熨烫设备的主要功能是将布匹熨烫平整,因此在本申请的技术方案中,实质上是基于当前的布匹图像的特征来确定布匹是否已经被熨烫平整,因此,将所述当前特征图通过用于熨烫设备是否停止工作的第二分类器以获得分类损失函数值来训练卷积神经网络和第二分类器。
具体地,在本申请实施例中,将所述当前特征图通过第二分类器,以获得分类损失函数值的过程,包括:首先,将所述当前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当前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交叉熵损失函数,以获得所述分类损失函数值。应可以理解,交叉熵损失函数可以计算所述分类结果符合真实值的概率,以获得分类损失函数值。
图5图示了根据本申请实施例的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中,将所述当前特征图通过第二分类器,以获得分类损失函数值的流程图。如图5所示,将所述当前特征图通过第二分类器,以获得分类损失函数值,包括:S310,将所述当前特征图通过一个或多个全连接层,以获得分类特征向量;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,将所述分类结果和真实值输入交叉熵损失函数,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目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。应可以理解,基于所述分类损失函数值和所述目标损失函数值对卷积神经网络和第二分类器进行训练,并以此来更新卷积神经网络和第二分类器的参数,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熨烫设备智能控制方法。
图6图示了根据本申请实施例的基于深度神经网络的熨烫设备智能控制方法的流程图。如图6所示,根据本申请实施例的基于深度神经网络的熨烫设备智能控制方法,包括:S310,获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;S320,将所述图像输入根据如上所述的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所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及,S330,基于所述第一概率和所述第二概率确定是否应该停止熨烫设备工作。
综上,本申请实施例的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、基于深度神经网络的熨烫设备智能控制方法被阐明,其基于深度学习的计算机视觉技术,通过提取正在被熨烫设备熨烫的布匹的图像的高维特征并进行分类,来实现熨烫设备的自动控制。具体地,在训练过程中,增加用于保证平整度的损失函数对卷积神经网络和分类器训练,从而使得在分类任务中能够考虑到目标对象对正在执行的目标任务的完成性。
示例性系统
图7图示了根据本申请实施例的用于目标对象的目标操作任务补偿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目标对象的目标操作任务补偿的神经网络的训练系统700,包括:图像获取单元710,用于获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;特征图生成单元720,用于将所述图像获取单元710获得的所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;第一概率值生成单元730,用于将所述特征图生成单元720获得的所述当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;动态特征图生成单元740,用于将所述特征图生成单元720获得的所述当前特征图和所述先前特征图相乘以获得动态特征图;第二概率值生成单元750,用于将所述动态特征图生成单元740获得的所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;目标损失函数值计算单元760,用于计算所述第一概率值生成单元730获得的所述第一概率值与第二概率值生成单元750获得的所述第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;分类损失函数值生成单元770,用于将所述特征图生成单元720获得的所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;以及,参数更新单元780,用于基于所述分类损失函数值生成单元770获得的所述分类损失函数值和所述目标损失函数值计算单元760获得的所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
在一个示例中,在上述训练系统700中,如图8所示,所述第一概率值生成单元730,包括:训练图像获取子单元731,用于获取训练图像,所述训练图像为被熨烫的布匹的图像;训练特征图生成子单元732,用于将所述训练图像获取子单元731获得的所述训练图像通过卷积神经网络,以获得训练特征图;分类损失函数值生成子单元733,用于将所述训练特征图生成子单元732获得的所述训练特征图通过所述第一分类器,以获得分类损失函数值;以及,更新子单元734,用于以预设步长减小所述分类损失函数值生成子单元733获得的所述分类损失值,并通过梯度下降的反向传播来更新所述第一分类器的参数。
在一个示例中,在上述训练系统700中,所述当前图像与所述先前图像之间具有预设时间间隔。
在一个示例中,在上述训练系统700中,如图9所示,所述分类损失函数值生成单元770,包括:分类特征向量生成子单元771,用于将所述当前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772,用于将所述分类特征向量生成子单元771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,计算子单元773,用于将所述分类结果生成子单元772获得的所述分类结果和真实值输入交叉熵损失函数,以获得所述分类损失函数值。
在一个示例中,在上述训练系统700中,所述卷积神经网络为深度残差网络。
这里,本领域技术人员可以理解,上述训练系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的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,例如用于控制熨烫设备是否停止工作的服务器等。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熨烫设备智能控制系统。
图10图示了根据本申请实施例的基于深度神经网络的熨烫设备智能控制系统的框图。如图10所示,根据本申请实施例的基于深度神经网络的熨烫设备智能控制系统1000,包括:待检测图像获取单元1010,用于获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;分类单元1020,用于将所述待检测图像获取单元1010获得的所述图像输入根据如上所述的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所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及,控制结果生成单元1030,用于基于所述分类单元1020获得的所述第一概率和所述第二概率生成是否控制熨烫设备停止工作的控制结果。
这里,本领域技术人员可以理解,上述智能控制系统1000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熨烫设备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1000可以实现在各种终端设备中,例如用于控制熨烫设备是否停止工作的服务器等。在一个示例中,根据本申请实施例的智能控制系统1000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1000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1000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1000与该终端设备也可以是分立的设备,并且该智能控制系统1000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目标对象的目标操作任务补偿的神经网络的训练方法,或者,基于深度神经网络的熨烫设备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动态特征图、目标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,包括控制结果等。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目标对象的目标操作任务补偿的神经网络的训练方法,或者,基于深度神经网络的熨烫设备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”部分中描述的用于目标对象的目标操作任务补偿的神经网络的训练方法,或者,基于深度神经网络的熨烫设备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)
1.一种用于目标对象的目标操作任务补偿的神经网络的训练方法,其特征在于,包括:
获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;
将所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;
将当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;
将所述当前特征图和所述先前特征图相乘以获得动态特征图;
将所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;
计算所述第一概率值与第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;
将所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;以及
基于所述分类损失函数值和所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
2.根据权利要求1所述的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,其中,所述第一分类器的训练过程,包括:
获取训练图像,所述训练图像为被熨烫的布匹的图像;
将所述训练图像通过卷积神经网络,以获得训练特征图;
将所述训练特征图通过所述第一分类器,以获得分类损失函数值;以及
以预设步长减小所述分类损失值,并通过梯度下降的反向传播来更新所述第一分类器的参数。
3.根据权利要求1所述的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,其中,所述当前图像与所述先前图像之间具有预设时间间隔。
4.根据权利要求1所述的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,其中,将所述当前特征图通过第二分类器,以获得分类损失函数值,包括:
将所述当前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Softmax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交叉熵损失函数,以获得所述分类损失函数值。
5.根据权利要求1所述的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,其中,所述卷积神经网络为深度残差网络。
6.一种基于深度神经网络的熨烫设备智能控制方法,其特征在于,包括:
获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;
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目标对象的目标操作任务补偿的神经网络的训练方法所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及
基于所述第一概率和所述第二概率确定是否应该停止熨烫设备工作。
7.一种用于目标对象的目标操作任务补偿的神经网络的训练系统,其特征在于,包括:
图像获取单元,用于获取正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像和先前图像;
特征图生成单元,用于将所述图像获取单元获得的所述当前图像和先前图像分别通过卷积神经网络,以获得对应于所述当前图像的当前特征图和对应于所述先前图像的先前特征图;
第一概率值生成单元,用于将所述特征图生成单元获得的所述当前特征图通过预先训练好的第一分类器,以获得所述当前特征图归属于平整度标签的第一概率值,其中,所述第一分类器为用于基于特征图进行平整度分类的分类器;
动态特征图生成单元,用于将所述特征图生成单元获得的所述当前特征图和所述先前特征图相乘以获得动态特征图;
第二概率值生成单元,用于将所述动态特征图生成单元获得的所述动态特征图通过所述第一分类器,以获得所述动态特征图归属于平整度标签的第二概率值;
目标损失函数值计算单元,用于计算所述第一概率值生成单元获得的所述第一概率值与第二概率值生成单元获得的所述第二概率值的差值,以获得用于表示平整度的动态变化梯度的目标损失函数值;
分类损失函数值生成单元,用于将所述特征图生成单元获得的所述当前特征图通过第二分类器,以获得分类损失函数值,其中,所述第二分类器为用于对熨烫设备是否停止工作进行分类的分类器;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和所述目标损失函数值计算单元获得的所述目标损失函数值,更新所述卷积神经网络和所述第二分类器的参数。
8.根据权利要求7所述的用于目标对象的目标操作任务补偿的神经网络的训练系统,其中,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,用于将所述当前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Softmax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交叉熵损失函数,以获得所述分类损失函数值。
9.一种基于深度神经网络的熨烫设备智能控制系统,其特征在于,包括:
待检测图像获取单元,用于获取待检测的正在被熨烫设备的熨烫滚轴熨烫的布匹的当前图像;
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目标对象的目标操作任务补偿的神经网络的训练方法所训练的卷积神经网络和分类器,所述分类器的输出为表示对应于熨烫设备应该停止工作的第一概率和熨烫设备不应该停止工作的第二概率;以及
控制结果生成单元,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生成是否控制熨烫设备停止工作的控制结果。
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目标对象的目标操作任务补偿的神经网络的训练方法或者如权利要求6所述的基于深度神经网络的熨烫设备智能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074108.5A CN112819044A (zh) | 2021-01-20 | 2021-01-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110074108.5A CN112819044A (zh) | 2021-01-20 | 2021-01-20 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819044A true CN112819044A (zh) | 2021-05-18 |
Family
ID=75858365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110074108.5A Pending CN112819044A (zh) | 2021-01-20 | 2021-01-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819044A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256145A (zh) * | 2021-06-09 | 2021-08-13 | 深圳万顺叫车云信息技术有限公司 | 安全中心中台系统 |
CN113971319A (zh) * | 2021-10-12 | 2022-01-25 | 浙江腾腾电气有限公司 | 配置有精度补偿的稳压器及其补偿方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403430A (zh) * | 2017-06-15 | 2017-11-28 | 中山大学 | 一种rgbd图像语义分割方法 |
KR20180125905A (ko) * | 2017-05-16 | 2018-11-26 | 삼성전자주식회사 | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 |
CN110909815A (zh) * | 2019-11-29 | 2020-03-24 | 深圳市商汤科技有限公司 | 神经网络训练、图像处理方法、装置及电子设备 |
US20200143204A1 (en) * | 2018-11-01 | 2020-05-07 | International Business Machines Corporation | Image classification using a mask image and neural networks |
CN111950643A (zh) * | 2020-08-18 | 2020-11-17 | 创新奇智(上海)科技有限公司 | 模型训练方法、图像分类方法及对应装置 |
-
2021
- 2021-01-20 CN CN202110074108.5A patent/CN112819044A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180125905A (ko) * | 2017-05-16 | 2018-11-26 | 삼성전자주식회사 | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 |
CN107403430A (zh) * | 2017-06-15 | 2017-11-28 | 中山大学 | 一种rgbd图像语义分割方法 |
US20200143204A1 (en) * | 2018-11-01 | 2020-05-07 | International Business Machines Corporation | Image classification using a mask image and neural networks |
CN110909815A (zh) * | 2019-11-29 | 2020-03-24 | 深圳市商汤科技有限公司 | 神经网络训练、图像处理方法、装置及电子设备 |
CN111950643A (zh) * | 2020-08-18 | 2020-11-17 | 创新奇智(上海)科技有限公司 | 模型训练方法、图像分类方法及对应装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256145A (zh) * | 2021-06-09 | 2021-08-13 | 深圳万顺叫车云信息技术有限公司 | 安全中心中台系统 |
CN113256145B (zh) * | 2021-06-09 | 2021-09-21 | 深圳万顺叫车云信息技术有限公司 | 安全中心中台系统 |
CN113971319A (zh) * | 2021-10-12 | 2022-01-25 | 浙江腾腾电气有限公司 | 配置有精度补偿的稳压器及其补偿方法 |
CN113971319B (zh) * | 2021-10-12 | 2023-04-18 | 浙江腾腾电气有限公司 | 配置有精度补偿的稳压器及其补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miyato et al. | Virtual adversarial training: a regularization method for supervised and semi-supervised learning | |
CN110021051B (zh) | 一种基于生成对抗网络通过文本指导的人物图像生成方法 | |
KR20190081243A (ko) | 정규화된 표현력에 기초한 표정 인식 방법, 표정 인식 장치 및 표정 인식을 위한 학습 방법 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
Lai et al. | Real-time micro-expression recognition based on ResNet and atrous convolutions | |
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 | |
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 | |
CN115731513B (zh) | 基于数字孪生的智慧园区管理系统 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN116426331A (zh) | 香料油的智能化制备方法及其系统 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN116168243A (zh) | 剃须刀的智能化生产系统及其方法 | |
Gao | A two-channel attention mechanism-based MobileNetV2 and bidirectional long short memory network for multi-modal dimension dance emotion recognition | |
CN114299304B (zh) | 一种图像处理方法及相关设备 | |
Kumar et al. | Single sample face recognition in the last decade: a survey | |
Blattmann et al. | Behavior-driven synthesis of human dynamics | |
Wang et al. | Bilateral attention network for semantic segmentation | |
WO2021200392A1 (ja) | データ調整システム、データ調整装置、データ調整方法、端末装置及び情報処理装置 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN114037648A (zh) | 基于类Softmax函数信息熵的智能速率参数控制方法 | |
Uddin et al. | Dynamic facial expression understanding using deep spatiotemporal LDSP on spark | |
CN112380369B (zh) | 图像检索模型的训练方法、装置、设备和存储介质 | |
CN112489044A (zh) | 用于加热装置的石墨烯电热膜接触检测方法 | |
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 | |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240103 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: 210043 room 101-6, building 17, phase I, human resources service Industrial Park, Jiangbei new district, Nanjing City, Jiangsu Province Applicant before: Jiangsu Tianmu UAV Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |