CN114758304A - 一种高纯圆角石英粉的过筛设备及其过筛控制方法 - Google Patents

一种高纯圆角石英粉的过筛设备及其过筛控制方法 Download PDF

Info

Publication number
CN114758304A
CN114758304A CN202210661173.2A CN202210661173A CN114758304A CN 114758304 A CN114758304 A CN 114758304A CN 202210661173 A CN202210661173 A CN 202210661173A CN 114758304 A CN114758304 A CN 114758304A
Authority
CN
China
Prior art keywords
vector
layer
feature vector
feature
sieving
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.)
Granted
Application number
CN202210661173.2A
Other languages
English (en)
Other versions
CN114758304B (zh
Inventor
乔秀娟
何书辉
何妍
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.)
JIANGSU ZHONGTENG QUARTZ MATERIAL TECHNOLOGY CO LTD
Original Assignee
JIANGSU ZHONGTENG QUARTZ MATERIAL 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 JIANGSU ZHONGTENG QUARTZ MATERIAL TECHNOLOGY CO LTD filed Critical JIANGSU ZHONGTENG QUARTZ MATERIAL TECHNOLOGY CO LTD
Priority to CN202210661173.2A priority Critical patent/CN114758304B/zh
Publication of CN114758304A publication Critical patent/CN114758304A/zh
Application granted granted Critical
Publication of CN114758304B publication Critical patent/CN114758304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B07SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07BSEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
    • B07B1/00Sieving, screening, sifting, or sorting solid materials using networks, gratings, grids, or the like
    • B07B1/42Drive mechanisms, regulating or controlling devices, or balancing devices, specially adapted for screens
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B07SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07BSEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
    • B07B9/00Combinations of apparatus for screening or sifting or for separating solids from solids using gas currents; General arrangement of plant, e.g. flow sheets
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P40/00Technologies relating to the processing of minerals
    • Y02P40/50Glass production, e.g. reusing waste heat during processing or shaping
    • Y02P40/57Improving the yield, e-g- reduction of reject rates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种高纯圆角石英粉的过筛设备及其过筛控制方法,其具有多级过筛和破碎功能,并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地,其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码,以得到用于表示上下层筛分动态效果的协同表征的协同特征向量,通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量,然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,并分类得到用于表示增大或减小调节件的速度的分类结果,这样,提高了调节件的速度控制的精准度。

Description

一种高纯圆角石英粉的过筛设备及其过筛控制方法
技术领域
本申请涉及石英筛分领域,特别涉及一种高纯圆角石英粉的过筛设备及其过筛控制方法。
背景技术
在石英从原料开采之初到熔融加工中间,需要筛分、粉碎等一系列步骤,筛分和粉碎的控制优化是提升过筛设备性能的关键。传统的过筛设备,其一般将筛分和粉碎分为两道工序来执行且通常仅包括一次筛分工序,这不仅增加了工作流程还降低筛分效率。
因此,期待一种优化的高纯圆角石英粉的过筛设备。
发明内容
本申请提供了一种高纯圆角石英粉的过筛设备及其过筛控制方法,其具有多级过筛和破碎功能,并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地,其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码,得到用于表示上下层筛分动态效果的协同表征的协同特征向量,通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量,然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,并分类得到用于表示增大或减小调节件的速度的分类结果,这样,提高了调节件的速度控制的精准度。
第一方面,本申请提供了一种高纯圆角石英粉的过筛设备,所述系统包括:上下层数据获取模块,用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频,其中,所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构,所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件;调节件参数获取模块,用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度;视频编码模块,用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;关联模块,用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;关联编码模块,用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;
控制参数编码模块,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;特征融合模块,用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及过筛控制结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述视频编码模块,包括:采样单元,用于以预定采样频率从所述第一监控视频和所述第二监控视频中提取多个第一关键帧和多个第二关键帧;卷积编码单元,用于将所述多个第一关键帧和所述多个第二关键帧分别输入所述使用三维卷积核的第一卷积神经网络以得到所述第一特征向量和所述第二特征向量。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:使用三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征张量的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述第一特征向量或所述第二特征向量,所述第一卷积神经网络的第一层的输入为所述多个第一关键帧或所述多个第二关键帧。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:使用所述过滤器对所述输入数据进行卷积处理以得到卷积特征图,其中,所述过滤器为二维卷积核;对所述卷积特征图进行基于局部特征矩阵的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述协同特征向量,所述第二卷积神经网络的第一层的输入为所述转移矩阵。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述控制参数编码模块,包括:输入向量构造单元,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;全连接编码单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 341337DEST_PATH_IMAGE001
,其中
Figure 980610DEST_PATH_IMAGE002
是输入向量,
Figure 286957DEST_PATH_IMAGE003
是输出向量,
Figure 40019DEST_PATH_IMAGE004
是权重矩阵,
Figure 997479DEST_PATH_IMAGE005
是偏置向量,
Figure 295736DEST_PATH_IMAGE006
表示矩阵乘;
一维卷积编码单元,用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 604227DEST_PATH_IMAGE007
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述特征融合模块,进一步用于:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;其中,所述公式为:
Figure 646132DEST_PATH_IMAGE008
其中,
Figure 726608DEST_PATH_IMAGE009
表示分类特征向量,
Figure 710614DEST_PATH_IMAGE010
表示协同特征向量,
Figure 725974DEST_PATH_IMAGE011
表示控制特征向量,
Figure 555259DEST_PATH_IMAGE012
表示按位置差分,
Figure 956153DEST_PATH_IMAGE013
表示按位置点乘,
Figure 600409DEST_PATH_IMAGE014
表示按位置加权和,且
Figure 368645DEST_PATH_IMAGE015
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 267200DEST_PATH_IMAGE016
为控制后验权重的超参数。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛设备中,所述过筛控制结果生成模块还用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果,其中,所述公式为:
Figure 538912DEST_PATH_IMAGE017
,其中,
Figure 864720DEST_PATH_IMAGE018
Figure 369520DEST_PATH_IMAGE019
为各层全连接层的权重矩阵,
Figure 822498DEST_PATH_IMAGE020
Figure 466493DEST_PATH_IMAGE021
表示各层全连接层的偏置矩阵。
第二方面,本申请提供了一种高纯圆角石英粉的过筛控制方法,包括:获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频,其中,所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构,所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件;获取所述预定时间段内多个预定时间点的所述调节件的移动速度;将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛控制方法中,所述将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量,包括:将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 448356DEST_PATH_IMAGE022
,其中
Figure 706031DEST_PATH_IMAGE023
是输入向量,
Figure 149650DEST_PATH_IMAGE024
是输出向量,
Figure 927113DEST_PATH_IMAGE025
是权重矩阵,
Figure 594724DEST_PATH_IMAGE026
是偏置向量,
Figure 824848DEST_PATH_IMAGE027
表示矩阵乘;
使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 334808DEST_PATH_IMAGE007
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛控制方法中,所述对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,包括:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;其中,所述公式为:
Figure 966778DEST_PATH_IMAGE008
其中,
Figure 805290DEST_PATH_IMAGE028
表示分类特征向量,
Figure 506398DEST_PATH_IMAGE029
表示协同特征向量,
Figure 573712DEST_PATH_IMAGE030
表示控制特征向量,
Figure 309455DEST_PATH_IMAGE031
表示按位置差分,
Figure 69601DEST_PATH_IMAGE032
表示按位置点乘,
Figure 260935DEST_PATH_IMAGE033
表示按位置加权和,且
Figure 381207DEST_PATH_IMAGE034
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 440299DEST_PATH_IMAGE016
为控制后验权重的超参数。
第三方面,本申请提供了一种电子设备,包括:一个或多个处理器;存储器;以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如第二方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第二方面所述的方法。
第五方面,本申请提供一种计算机程序,当所述计算机程序被计算机执行时,用于执行第二方面所述的方法。
在一种可能的设计中,第五方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
本申请提供的高纯圆角石英粉的过筛设备和方法,至少达到以下有益效果:其具有多级过筛和破碎功能,并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地,其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码,得到用于表示上下层筛分动态效果的协同表征的协同特征向量,通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量,然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,并分类得到用于表示增大或减小调节件的速度的分类结果,这样,提高了调节件的速度控制的精准度。
附图说明
图1A为本申请高纯圆角石英粉的过筛设备一个实施例的应用场景示意图;
图1B为本申请高纯圆角石英粉的过筛设备一个实施例的应用场景示意图;
图2为本申请高纯圆角石英粉的过筛设备一个实施例的结构示意图;
图3为本申请高纯圆角石英粉的过筛设备一个实施例的流程示意图;
图4为本申请高纯圆角石英粉的过筛控制方法一个实施例的方法示意图;
图5为本申请电子设备一个实施例的结构示意图。
具体实施方式
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
申请概述
相对于传统的过筛设备,本申请的技术构思是构建一种具有多级过筛和破碎机制的过筛设备,也就是,如图1A所示,所述过筛设备在结构端至少包括两层过筛层和至少一个破碎机构 M,例如,当所述过筛设备包括两层过筛层时,所述过筛设备包括上层过筛层 G1、下层过筛层 G2以及设置于所述上层过筛层 G1的破碎机构 M。
考虑到上层过筛层 G1的石英原料经所述破碎机构 M破碎后具有不同的粒径,因此,在本申请的技术方案中,还在所述上层过筛层的下方设置有过滤调控机构 F,所述过滤调控机构 F包括过滤结构 F1和用于移动所述过滤结构 F1的调节件 F2,其中,当所述调节件 F2移动所述过滤结构 F1时,所述过滤结构 F1的不同尺寸的过滤孔与所述上层过筛层G1可选择地对齐以允许不同粒径的石英原料从所述上层过筛层 G1掉落至所述下层过筛层G2。
在上述过筛设备中,对于所述调节件 F2的速度控制是关键,应可以理解,当所述调节件 F2的行进速度过快时,被调节的筛分孔无法给予足够的时间让堵塞的石英颗粒下落,而当调节件 F2的行进速度过慢时,过筛的效率又会下降,因此,如何调控调节件 F2的速度是在石英粉过筛时重要的控制参数。
近年来,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制造提供了技术支持,也就是,为过筛设备的调节件 F2的速度控制提供了新的解决思路和方案。
具体地,在本申请的技术方案中,在对所述调节件 F2进行速度控制时,需兼顾过筛效果和过筛效率,也就是,在进行速度调控时,要给予充分的时间以允许不同粒径的石英颗粒下落(也就是,要保证过筛效果),但所给予的时间也不能过长而导致过筛效率的下降。相应地,在本申请实施例中,所述过筛效果和过筛效率可通过上层过筛层 G1和下层过筛层G2的监控视频来协同表征,从人类观察经验来看,过筛效果和过筛效率可通过上层的石英颗粒减少情况和下层的石英颗粒的增加情况来协同表征。
因此,在本申请的技术方案中,首先第一相机和第二相机采集的上层过筛层 G1和下层过筛层 G2在预定时间段的第一监控视频和第二监控视频。这里,所述预定时间段为以当前时间点作为末尾时间点的预定时间段,其时长可基于实际应用场景需求做自适应调整,但在调整时需协同考虑数据处理量和控制精准度。同时,通过速度传感器获取所述预定时间段内多个预定时间点的所述调节件 F2的移动速度,这里,所述多个预定时间点之间相隔预定时间间隔且所述多个预定时间点的最后一个时间点为当前时间点。
相应地,在本申请实施例中,以使用三维卷积核的第一卷积神经网络模型对所述第一监控视频和所述第二监控视频进行编码以提取用于表示所述上层过筛层 G1的动态过筛特征的第一特征向量和用于表示所述下层过筛层 G2的石英颗粒动态变化特征的第二特征向量。进一步地,计算所述第一特征向量和所述第二特征向量之间的转移矩阵(其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量),并通过基于过滤器的第二卷积神经网络以获得用于表示上下层筛分动态效果的协同表征的协同特征向量。
考虑到所述调节件 F2的控制速度在时间维度上存在连续性,因此,在本申请的技术方案中,使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的所述调节件 F2的移动速度进行编码以得到控制特征向量。
接着,融合所述控制特征向量和所述协同特征向量以得到分类特征向量后,通过分类器就可以融合控制速度的历史特征和上下层筛分动态效果的协同表征特征来得到当前时间点的速度控制结果。
但是,考虑到协同特征向量对于控制特征向量的响应性,因此需要协同特征向量和控制特征向量之间的向量融合也获得高维特征空间内的平滑的响应信息。
因此,对协同特征向量
Figure 105766DEST_PATH_IMAGE035
和控制特征向量
Figure 781467DEST_PATH_IMAGE036
进行基于平滑过渡的融合,表示为:
Figure 190583DEST_PATH_IMAGE037
其中,
Figure 366831DEST_PATH_IMAGE038
表示分类特征向量,
Figure 983626DEST_PATH_IMAGE039
表示协同特征向量,
Figure 897355DEST_PATH_IMAGE040
表示控制特征向量,
Figure 359429DEST_PATH_IMAGE041
表示按位置差分,
Figure 393113DEST_PATH_IMAGE042
表示按位置点乘,
Figure 400384DEST_PATH_IMAGE043
表示按位置加权和,且
Figure 319186DEST_PATH_IMAGE044
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 335683DEST_PATH_IMAGE045
为控制后验权重的超参数。
由于协同特征向量对于控制特征向量的响应性,即协同特征向量的特征分布相对于控制特征向量的特征分布的后验性,通过基于平滑过渡的融合,可以以控制特征向量的特征分布作为先验分布,来获得协同特征向量作为隐特征表达的后验性分布。由此,当以该融合特征向量作为协同特征向量和控制特征向量的融合表达时,就可以获得具有响应性的特征向量的特征分布之间的更加平滑的响应一致性优化。这样,提高调节件 F2的速度控制的精准度。
基于此,本申请提出一种高纯圆角石英粉的过筛控制方法、系统以及电子设备,其具有多级过筛和破碎功能,并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地,其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码,得到用于表示上下层筛分动态效果的协同表征的协同特征向量,通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量,然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,并分类得到用于表示增大或减小调节件的速度的分类结果,这样,提高了调节件的速度控制的精准度。
本申请提供的高纯圆角石英粉的过筛控制方法,可以用于控制调节件的速度增大或减小。如图1B所示,在本申请的一个应用场景中,首先,通过部署于过筛设备上的第一相机(如图1B中的T1)和第二相机(如图1B中的T2)采集得到上层过筛层(如图1B中G1)和下层过筛层(如图1B中G2)在预定时间段的第一监控视频和第二监控视频,以及通过部署于过筛设备上的传感器(如图1B中的T3)采集得到预定时间段内多个预定时间点的调节件(如图1B中R)的移动速度,然后,将第一监控视频、第二监控视频以及调节件的移动速度输入至部署有高纯圆角石英粉的过筛算法的服务器(如图1B中的S)中,其中,所述服务器能够以高纯圆角石英粉的过筛算法对采集到的第一监控视频、第二监控视频以及调节件的移动速度进行处理,以输出用于表示所述调节件的当前时间点的控制速度应增大或应减小的分类结果。
在本实施例中,所述过筛设备至少包括两层过筛层和至少一个破碎机构 M,例如,当所述过筛设备包括两层过筛层时,所述过筛设备包括上层过筛层 G1、下层过筛层 G2以及设置于所述上层过筛层 G1的破碎机构 M。考虑到上层过筛层 G1的石英原料经所述破碎机构 M破碎后具有不同的粒径,因此,在本申请的技术方案中,还在所述上层过筛层 G1的下方设置有过滤调控机构 F,所述过滤调控机构 F包括过滤结构 F1和用于移动所述过滤结构 F1的调节件,其中,当所述调节件移动所述过滤结构 F1时,所述过滤结构 F1的不同尺寸的过滤孔与所述上层过筛层 G1可选择地对齐以允许不同粒径的石英原料从所述上层过筛层 G1掉落至所述下层过筛层 G2。
图2为本申请高纯圆角石英粉的过筛设备一个实施例的结构示意图。如图2和图3所示,高纯圆角石英粉的过筛设备100可以包括:上下层数据获取模块110,用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频;调节件参数获取模块120,用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度;视频编码模块130,用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;关联模块140,用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;关联编码模块150,用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;控制参数编码模块160,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;特征融合模块170,用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及,过筛控制结果生成模块180,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
具体地,在本申请实施例中,所述上下层数据获取模块110,用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频。考虑在对所述调节件进行速度控制时,需兼顾过筛效果和过筛效率,也就是,在进行速度调控时,要给予充分的时间以允许不同粒径的石英颗粒下落(也就是,要保证过筛效果),但所给予的时间也不能过长而导致过筛效率的下降。相应地,在本申请实施例中,所述过筛效果和过筛效率可通过上层过筛层和下层过筛层的监控视频来协同表征,从人类观察经验来看,过筛效果和过筛效率可通过上层的石英颗粒减少情况和下层的石英颗粒的增加情况来协同表征。
因此,首先采用第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频。这里,所述预定时间段为以当前时间点作为末尾时间点的预定时间段,其时长可基于实际应用场景需求做自适应调整,但在调整时需协同考虑数据处理量和控制精准度。更具体地,由第一相机采集上层过筛层在预定时间段的第一监控视频,由第二相机采集下层过筛层在预定时间段的第二监控视频。可以理解的是,考虑到在过筛过程中,上层过筛层以及下层过筛层中的石英颗粒的数量和位置实时地动态变化,为了捕捉到相对全面且丰富的图像信息,第一相机和第二相机可以设置相应的帧率,即该第一监控视频中包含多帧上层过筛层图像,该第二监控视频中包含多张下层过筛层图像。
所述调节件参数获取模块120用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度。具体地,通过速度传感器获取所述预定时间段内多个预定时间点的所述调节件的移动速度,这里,所述多个预定时间点之间相隔预定时间间隔且所述多个预定时间点的最后一个时间点为当前时间点,其时长可基于实际应用场景需求做自适应调整,但在调整时需考虑调节件的稳定性和控制精度等。
所述视频编码模块130,用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量。也就是说,以使用三维卷积核的第一卷积神经网络模型对所述第一监控视频和所述第二监控视频进行编码以提取用于表示所述上层过筛层的动态过筛特征的第一特征向量和用于表示所述下层过筛层的石英颗粒动态变化特征的第二特征向量。具体地,将第一监控视频通过第一卷积神经网络进行编码以得到用于表示所述上层过筛层的动态过筛特征的第一特征向量,将第二监控视频通过第一卷积神经网络进行编码以得到用于表示所述下层过筛层的石英颗粒动态变化特征的第二特征向量。
其中一个实施例中,所述视频编码模块130包括:采样单元,用于以预定采样频率从所述第一监控视频和所述第二监控视频中提取多个第一关键帧和多个第二关键帧;卷积编码单元,用于将所述多个第一关键帧和所述多个第二关键帧分别输入所述使用三维卷积核的第一卷积神经网络以得到所述第一特征向量和所述第二特征向量。
也就是说,按预定的采样频率从第一监控视频中提取多个第一关键帧,从第二监控视频中提取多个第二关键帧,该采样频率可以根据实际应用情况来确定。
相应地,将多个第一关键帧输入到卷积神经网络中进行编码以得到第一特征向量,将多个第二关键帧输入到第一卷积神经网络中进行编码以得到第二特征向量。
在本实施例中,所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:使用三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征张量的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述第一特征向量或所述第二特征向量,所述第一卷积神经网络的第一层的输入为所述多个第一关键帧或所述多个第二关键帧。
也就是说,第一卷积神经网络的第一层的输入数据为所述多个第一关键帧或所述多个第二关键帧,以及,所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于三维卷积核的卷积处理、基于局部特征张量的平均值池化处理和基于非线性激活的激活处理以由所述第一卷积神经网络的最后一层输出所述激活特征向量,其中,所述第一卷积神经网络的最后一层输出的所述激活特征向量为所述第一特征向量或所述第二特征向量。因此,在本申请实施例中,使用具有三维卷积核的所述第一卷积神经网络对所述多个第一关键帧进行编码以提取用于表示所述上层过筛层的动态过筛特征的第一特征向量,以及,使用具有三维卷积核的所述第一卷积神经网络对所述多个第二关键帧进行编码以提取用于表示所述下层过筛层的石英颗粒动态变化特征的第二特征向量。
所述关联模块140,用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量。也就是说,转移矩阵融合了用于表示所述上层过筛层的动态过筛特征的第一特征向量以及用于表示所述下层过筛层的石英颗粒动态变化特征的第二特征向量,即该转移矩阵可以用于表示上层过筛层的石英颗粒减少情况和下层的石英颗粒的增加情况的协同表征。
所述关联编码模块150,用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量。也就是说,将转移矩阵作为基于过滤器的第二卷积神经网络的输入数据,经第二卷积神经网络进行编码以得到用于表示上下层筛分动态效果的协同表征的协同特征向量。
在本实施例中,所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:使用所述过滤器对所述输入数据进行卷积处理以得到卷积特征图,其中,所述过滤器为二维卷积核;对所述卷积特征图进行基于局部特征矩阵的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述协同特征向量,所述第二卷积神经网络的第一层的输入为所述转移矩阵。
也就是说,第二卷积神经网络的第一层的输入数据为所述转移矩阵,以及,所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于所述过滤器的卷积处理、基于局部特征矩阵的平均值池化处理和基于非线性激活的激活处理以由所述第二卷积神经网络的最后一层输出激活特征向量,其中,所述第二卷积神经网络的最后一层输出的所述激活特征向量为用于表示上下层筛分动态效果的协同表征的协同特征向量。
所述控制参数编码模块160,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量。考虑到所述调节件的控制速度在时间维度上存在连续性,因此,在本申请实施例中,使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的所述调节件的移动速度进行编码以得到控制特征向量。也就是,使用时序编码器对所述多个预定时间点的所述调节件的移动速度按照时间维度排列得到的一维输入向量进行编码以提取所述多个预定时间点的所述调节件的移动速度的局部关联特征以得到控制特征向量,即,所述调节件的移动速度在时序维度上的变化特征信息。
具体地,所述控制参数编码模块160包括输入向量构造单元,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度以天或时为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;全连接编码单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 755032DEST_PATH_IMAGE001
,其中
Figure 182471DEST_PATH_IMAGE046
是输入向量,
Figure 257743DEST_PATH_IMAGE047
是输出向量,
Figure 546773DEST_PATH_IMAGE048
是权重矩阵,
Figure 817699DEST_PATH_IMAGE049
是偏置向量,
Figure 681619DEST_PATH_IMAGE050
表示矩阵乘;一维卷积编码单元,用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 526078DEST_PATH_IMAGE007
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
在本申请一个可选的实施例中,所述过筛设备可以通过融合所述控制特征向量和所述协同特征向量以得到分类特征向量后,通过分类器就可以融合控制速度的历史特征和上下层筛分动态效果的协同表征特征来得到当前时间点的速度控制结果。例如,通过按位置点加的方式对所述控制特征向量和所述协同特征向量进行融合。当然,所述控制特征向量和所述协同特征向量的融合方式还可以采用其他可以替代的融合方法,在此不受限制。
但是,考虑到协同特征向量对于控制特征向量的响应性,因此需要协同特征向量和控制特征向量之间的向量融合也获得高维特征空间内的平滑的响应信息。因此,本申请实施例中,所述特征融合模块170在进行融合所述控制特征向量和所述协同特征向量时考虑到特征向量之间的平滑过渡,以控制特征向量的特征分布作为先验分布,来获得协同特征向量作为隐特征表达的后验性分布。由此,当以该融合特征向量作为协同特征向量和控制特征向量的融合表达时,就可以获得具有响应性的特征向量的特征分布之间的更加平滑的响应一致性优化。这样,有利于提高调节件的速度控制的精度。
具体地,所述特征融合模块170,用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行。由于协同特征向量对于控制特征向量的响应性,即协同特征向量的特征分布相对于控制特征向量的特征分布的后验性,通过基于平滑过渡的融合,可以以控制特征向量的特征分布作为先验分布,来获得协同特征向量作为隐特征表达的后验性分布。由此,当以该融合特征向量作为协同特征向量和控制特征向量的融合表达时,就可以获得具有响应性的特征向量的特征分布之间的更加平滑的响应一致性优化。
在其中一个实施例中,所述特征融合模块170进一步用于:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;
其中,所述公式为:
Figure 868067DEST_PATH_IMAGE008
其中,
Figure 262008DEST_PATH_IMAGE051
表示分类特征向量,
Figure 313140DEST_PATH_IMAGE029
表示协同特征向量,
Figure 162672DEST_PATH_IMAGE030
表示控制特征向量,
Figure 59084DEST_PATH_IMAGE052
表示按位置差分,
Figure 776373DEST_PATH_IMAGE053
表示按位置点乘,
Figure 716516DEST_PATH_IMAGE014
表示按位置加权和,且
Figure 50414DEST_PATH_IMAGE054
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 750517DEST_PATH_IMAGE055
为控制后验权重的超参数。
所述过筛控制结果生成模块180,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
也就是说,若输出分类结果为所述调节件的当前时间点的控制速度应增大,则控制调节件的移动速度增大,若输出分类结果为所述调节件的当前时间点的控制速度应减小,则控制调节件的移动速度减小,从而兼顾过筛效果和过筛效率。进一步地,所述分类结果还可以包含所述调节件的速度增加量或速度减小量,从而按照该速度增加量或速度减小量对所述调节件的移动速度进行调节,从而达到更有利于兼顾过筛效果和过筛效率的目标速度。
具体地,所述过筛控制结果生成模块180还用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果,其中,所述公式为:
Figure 139558DEST_PATH_IMAGE056
,其中,
Figure 735756DEST_PATH_IMAGE057
Figure 25792DEST_PATH_IMAGE058
为各层全连接层的权重矩阵,
Figure 247694DEST_PATH_IMAGE059
Figure 736314DEST_PATH_IMAGE060
表示各层全连接层的偏置矩阵。
在本申请实施例中,将所述分类特征向量通过分类器以获得分类结果的过程,包括:首先,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于所述调节件的当前时间点的控制速度应增大的第一概率和所述调节件的当前时间点的控制速度应减小的第二概率。最后,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。具体地,当所述第一概率大于所述第二概率时,所述分类结果为所述调节件的当前时间点的控制速度应增大;当所述第一概率小于所述第二概率时,所述分类结果为所述调节件的当前时间点的控制速度应减小。
综上,本申请实施例提供的高纯圆角石英粉的过筛设备100,其具有多级过筛和破碎功能,并通过控制过筛设备的调节件的速度来兼顾过筛效果和过筛效率。具体地,其通过对采集到的上层过筛层和下层过筛层在预定时间段内的第一监控视频和第二监控视频进行编码,以得到用于表示上下层筛分动态效果的协同表征的协同特征向量,通过对获取到的预定时间段内多个预定时间点的调节件的移动速度通过包含一维卷积层和全连接层的时序编码器进行编码以得到控制特征向量,然后对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,并分类得到用于表示增大或减小调节件的速度的分类结果,这样,提高了调节件的速度控制的精准度。
如上所述,根据本申请实施例的高纯圆角石英粉的过筛设备100可以实现在各种终端设备中,例如基于高纯圆角石英粉的过筛算法的服务器等。在一个示例中,根据本申请实施例的高纯圆角石英粉的过筛设备100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,该高纯圆角石英粉的过筛设备100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,该高纯圆角石英粉的过筛设备100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,该高纯圆角石英粉的过筛设备100与该终端设备也可以是分立的设备,并且该高纯圆角石英粉的过筛设备100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。
如图4所示为本申请高纯圆角石英粉的过筛控制方法的一个实施例的示意图。如图4所示,所述过筛控制方法可以包括:获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频,其中,所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构,所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件;获取所述预定时间段内多个预定时间点的所述调节件的移动速度;将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛控制方法中,所述将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量,包括:将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 768992DEST_PATH_IMAGE061
,其中
Figure 80412DEST_PATH_IMAGE046
是输入向量,
Figure 387896DEST_PATH_IMAGE062
是输出向量,
Figure 199863DEST_PATH_IMAGE063
是权重矩阵,
Figure 918290DEST_PATH_IMAGE064
是偏置向量,
Figure 199229DEST_PATH_IMAGE065
表示矩阵乘;
使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 294093DEST_PATH_IMAGE007
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
其中一种可能的实现方式中,在上述高纯圆角石英粉的过筛控制方法中,所述对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,包括:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;其中,所述公式为:
Figure 957637DEST_PATH_IMAGE008
其中,
Figure 332118DEST_PATH_IMAGE009
表示分类特征向量,
Figure 615200DEST_PATH_IMAGE010
表示协同特征向量,
Figure 717017DEST_PATH_IMAGE011
表示控制特征向量,
Figure 988730DEST_PATH_IMAGE066
表示按位置差分,
Figure 314538DEST_PATH_IMAGE013
表示按位置点乘,
Figure 835649DEST_PATH_IMAGE014
表示按位置加权和,且
Figure 9666DEST_PATH_IMAGE015
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 916311DEST_PATH_IMAGE016
为控制后验权重的超参数。
可以理解的是,图4所示实施例提供的过筛控制方法可参考本申请图2所示过筛设备实施例的技术方案,其实现原理和技术效果可以进一步参考过筛设备实施例中的相关描述。
可以理解的是,上述实施例中的部分或全部步骤或操作仅是示例,本申请实施例还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照上述实施例呈现的不同的顺序来执行,并且有可能并非要执行上述实施例中的全部操作。
图5为本申请电子设备一个实施例的结构示意图,如图5所示,上述电子设备可以包括:一个或多个处理器;存储器;以及一个或多个计算机程序。
其中,上述电子设备可以为计算机、服务器、过筛设备等。
其中上述一个或多个计算机程序被存储在上述存储器中,上述一个或多个计算机程序包括指令,当上述指令被上述设备执行时,使得上述设备执行本申请图4所示方法实施例提供的高纯圆角石英粉的过筛控制方法中的功能/步骤。
如图5所示,电子设备900包括处理器910和存储器920。其中,处理器910和存储器920之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器920用于存储计算机程序,该处理器910用于从该存储器920中调用并运行该计算机程序。
上述存储器920可以是只读存储器(read-only memory,ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory,RAM)或可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质等。
上述处理器910可以和存储器920可以合成一个处理装置,更常见的是彼此独立的部件,处理器910用于执行存储器920中存储的程序代码来实现上述功能。具体实现时,该存储器920也可以集成在处理器910中,或者,独立于处理器910。
除此之外,为了使得电子设备900的功能更加完善,该电子设备900还可以包括传感器930、电源940、输入单元950等中的一个或多个。
可选地,电源940用于给电子设备中的各种器件或电路提供电源。
应理解,图5所示的电子设备900能够实现本申请图4所示实施例提供的方法的各个过程。电子设备900中的各个模块的操作和/或功能,分别为了实现上述方法实施例中的相应流程。具体可参见本申请图4所示方法实施例中的描述,为避免重复,此处适当省略详细描述。
应理解,图5所示的电子设备900中的处理器910可以是片上系统SOC,该处理器910中可以包括中央处理器(Central Processing Unit;以下简称:CPU),还可以进一步包括其他类型的处理器,例如:图像处理器(Graphics Processing Unit;以下简称:GPU)等。
总之,处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流程,且各部分处理器或处理单元相应的软件程序可存储在存储器920中。
本申请还提供一种电子设备,所述设备包括存储介质和中央处理器,所述存储介质可以是非易失性存储介质,所述存储介质中存储有计算机可执行程序,所述中央处理器与所述非易失性存储介质连接,并执行所述计算机可执行程序以实现本申请图4所示实施例提供的方法。
以上各实施例中,涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请图4所示实施例提供的方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请图4所示实施例提供的方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种高纯圆角石英粉的过筛设备,其特征在于,包括:上下层数据获取模块,用于获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频,其中,所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构,所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件;调节件参数获取模块,用于获取所述预定时间段内多个预定时间点的所述调节件的移动速度;视频编码模块,用于将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;关联模块,用于计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;关联编码模块,用于将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;控制参数编码模块,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;特征融合模块,用于对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及过筛控制结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
2.根据权利要求1所述的高纯圆角石英粉的过筛设备,其中,所述视频编码模块,包括:采样单元,用于以预定采样频率从所述第一监控视频和所述第二监控视频中提取多个第一关键帧和多个第二关键帧;卷积编码单元,用于将所述多个第一关键帧和所述多个第二关键帧分别输入所述使用三维卷积核的第一卷积神经网络以得到所述第一特征向量和所述第二特征向量。
3.根据权利要求2所述的高纯圆角石英粉的过筛设备,其中,所述第一卷积神经网络的各层在层的正向传递中对输入数据进行:使用三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征张量的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络的最后一层的输出为所述第一特征向量或所述第二特征向量,所述第一卷积神经网络的第一层的输入为所述多个第一关键帧或所述多个第二关键帧。
4.根据权利要求3所述的高纯圆角石英粉的过筛设备,其中,所述第二卷积神经网络的各层在层的正向传递中对输入数据进行:使用所述过滤器对所述输入数据进行卷积处理以得到卷积特征图,其中,所述过滤器为二维卷积核;对所述卷积特征图进行基于局部特征矩阵的平均值池化处理以得到池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络的最后一层的输出为所述协同特征向量,所述第二卷积神经网络的第一层的输入为所述转移矩阵。
5.根据权利要求4所述的高纯圆角石英粉的过筛设备,其中,所述控制参数编码模块,包括:输入向量构造单元,用于将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;全连接编码单元,用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 713711DEST_PATH_IMAGE001
,其中
Figure 814522DEST_PATH_IMAGE002
是输入向量,
Figure 856296DEST_PATH_IMAGE003
是输出向量,
Figure 291826DEST_PATH_IMAGE004
是权重矩阵,
Figure 605477DEST_PATH_IMAGE005
是偏置向量,
Figure 357532DEST_PATH_IMAGE006
表示矩阵乘;一维卷积编码单元,用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 366945DEST_PATH_IMAGE007
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
6.根据权利要求5所述的高纯圆角石英粉的过筛设备,其中,所述特征融合模块,进一步用于:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;其中,所述公式为:
Figure 24191DEST_PATH_IMAGE008
其中,
Figure 629616DEST_PATH_IMAGE009
表示分类特征向量,
Figure 485446DEST_PATH_IMAGE010
表示协同特征向量,
Figure 150913DEST_PATH_IMAGE011
表示控制特征向量,
Figure 829544DEST_PATH_IMAGE012
表示按位置差分,
Figure 753506DEST_PATH_IMAGE013
表示按位置点乘,
Figure 667105DEST_PATH_IMAGE014
表示按位置加权和,且
Figure 972315DEST_PATH_IMAGE015
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 400891DEST_PATH_IMAGE016
为控制后验权重的超参数。
7.根据权利要求6所述的高纯圆角石英粉的过筛设备,其中,所述过筛控制结果生成模块还用于:使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果,其中,所述公式为:
Figure 594457DEST_PATH_IMAGE017
,其中,
Figure 362561DEST_PATH_IMAGE018
Figure 104252DEST_PATH_IMAGE019
为各层全连接层的权重矩阵,
Figure 223387DEST_PATH_IMAGE020
Figure 489152DEST_PATH_IMAGE021
表示各层全连接层的偏置矩阵。
8.一种高纯圆角石英粉的过筛控制方法,其特征在于,包括:获取由第一相机和第二相机采集的上层过筛层和下层过筛层在预定时间段的第一监控视频和第二监控视频,其中,所述过筛设备包括设置于所述上层过筛层的下方的过滤调控机构,所述过滤调控机构包括过滤结构和用于移动所述过滤结构的调节件;获取所述预定时间段内多个预定时间点的所述调节件的移动速度;将所述第一监控视频和所述第二监控视频通过使用三维卷积核的第一卷积神经网络以得到第一特征向量和第二特征向量;计算所述第一特征向量和所述第二特征向量之间的转移矩阵,其中,所述转移矩阵与所述第一特征向量进行矩阵相乘等于所述第二特征向量;将所述转移矩阵通过基于过滤器的第二卷积神经网络以得到用于表示上下层筛分动态效果的协同表征的协同特征向量;将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量;对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,所述基于平滑过渡的融合基于所述协同特征向量和所述控制特征向量之间的差分向量来进行;以及将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述调节件的当前时间点的控制速度应增大或应减小。
9.根据权利要求8所述的高纯圆角石英粉的过筛控制方法,其中,所述将所述预定时间段内多个预定时间点的所述调节件的移动速度通过包含一维卷积层和全连接层的时序编码器以得到控制特征向量,包括:将所述预定时间段内多个预定时间点的所述调节件的移动速度以天为单位按照时间维度排列为对应于所述调节件各天的一维的输入向量;使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:
Figure 380272DEST_PATH_IMAGE022
,其中
Figure 558444DEST_PATH_IMAGE023
是输入向量,
Figure 164875DEST_PATH_IMAGE003
是输出向量,
Figure 703172DEST_PATH_IMAGE024
是权重矩阵,
Figure 445869DEST_PATH_IMAGE025
是偏置向量,
Figure 60521DEST_PATH_IMAGE026
表示矩阵乘;使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
Figure 682477DEST_PATH_IMAGE027
其中,a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸。
10.根据权利要求9所述的高纯圆角石英粉的过筛控制方法,其中,所述对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到分类特征向量,包括:以如下公式对所述协同特征向量和所述控制特征向量进行基于平滑过渡的融合以得到所述分类特征向量;其中,所述公式为:
Figure 40777DEST_PATH_IMAGE008
其中,
Figure 903560DEST_PATH_IMAGE028
表示分类特征向量,
Figure 672801DEST_PATH_IMAGE029
表示协同特征向量,
Figure 519404DEST_PATH_IMAGE030
表示控制特征向量,
Figure 415815DEST_PATH_IMAGE031
表示按位置差分,
Figure 932772DEST_PATH_IMAGE032
表示按位置点乘,
Figure 358068DEST_PATH_IMAGE014
表示按位置加权和,且
Figure 160808DEST_PATH_IMAGE033
表示向量指数运算,所述向量指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且
Figure 313441DEST_PATH_IMAGE034
为控制后验权重的超参数。
CN202210661173.2A 2022-06-13 2022-06-13 一种高纯圆角石英粉的过筛设备及其过筛控制方法 Active CN114758304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210661173.2A CN114758304B (zh) 2022-06-13 2022-06-13 一种高纯圆角石英粉的过筛设备及其过筛控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210661173.2A CN114758304B (zh) 2022-06-13 2022-06-13 一种高纯圆角石英粉的过筛设备及其过筛控制方法

Publications (2)

Publication Number Publication Date
CN114758304A true CN114758304A (zh) 2022-07-15
CN114758304B CN114758304B (zh) 2022-09-02

Family

ID=82336535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210661173.2A Active CN114758304B (zh) 2022-06-13 2022-06-13 一种高纯圆角石英粉的过筛设备及其过筛控制方法

Country Status (1)

Country Link
CN (1) CN114758304B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115091211A (zh) * 2022-08-22 2022-09-23 徐州康翔精密制造有限公司 数控车磨复合机床及其生产控制方法
CN115410004A (zh) * 2022-09-22 2022-11-29 安吉县科声磁性器材有限公司 铁粉智能筛分系统及其方法
CN115796173A (zh) * 2023-02-20 2023-03-14 杭银消费金融股份有限公司 针对监管报送需求的数据处理方法和系统
CN116059681A (zh) * 2023-03-07 2023-05-05 福建省龙德新能源有限公司 用于控制结晶成核的超声控制方法及其系统
CN117351659A (zh) * 2023-12-01 2024-01-05 四川省华地建设工程有限责任公司 一种水文地质灾害监测装置及监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446923A (zh) * 2018-10-10 2019-03-08 北京理工大学 基于训练特征融合的深度监督卷积神经网络行为识别方法
WO2020233010A1 (zh) * 2019-05-23 2020-11-26 平安科技(深圳)有限公司 基于可分割卷积网络的图像识别方法、装置及计算机设备
CN112288776A (zh) * 2020-10-26 2021-01-29 杭州电子科技大学 一种基于多时间步金字塔编解码器的目标跟踪方法
CN112784798A (zh) * 2021-02-01 2021-05-11 东南大学 一种基于特征-时间注意力机制的多模态情感识别方法
CN113239744A (zh) * 2021-04-25 2021-08-10 西安电子科技大学 基于深度学习的脑电-肌电信号融合识别方法
WO2021208588A1 (zh) * 2020-04-17 2021-10-21 Oppo广东移动通信有限公司 视频编码、解码方法及装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446923A (zh) * 2018-10-10 2019-03-08 北京理工大学 基于训练特征融合的深度监督卷积神经网络行为识别方法
WO2020233010A1 (zh) * 2019-05-23 2020-11-26 平安科技(深圳)有限公司 基于可分割卷积网络的图像识别方法、装置及计算机设备
WO2021208588A1 (zh) * 2020-04-17 2021-10-21 Oppo广东移动通信有限公司 视频编码、解码方法及装置和电子设备
CN112288776A (zh) * 2020-10-26 2021-01-29 杭州电子科技大学 一种基于多时间步金字塔编解码器的目标跟踪方法
CN112784798A (zh) * 2021-02-01 2021-05-11 东南大学 一种基于特征-时间注意力机制的多模态情感识别方法
CN113239744A (zh) * 2021-04-25 2021-08-10 西安电子科技大学 基于深度学习的脑电-肌电信号融合识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘静等: "混合Gabor的轻量级卷积神经网络的验证码识别研究", 《信息网络安全》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115091211A (zh) * 2022-08-22 2022-09-23 徐州康翔精密制造有限公司 数控车磨复合机床及其生产控制方法
CN115091211B (zh) * 2022-08-22 2023-02-28 徐州康翔精密制造有限公司 数控车磨复合机床及其生产控制方法
CN115410004A (zh) * 2022-09-22 2022-11-29 安吉县科声磁性器材有限公司 铁粉智能筛分系统及其方法
CN115796173A (zh) * 2023-02-20 2023-03-14 杭银消费金融股份有限公司 针对监管报送需求的数据处理方法和系统
CN116059681A (zh) * 2023-03-07 2023-05-05 福建省龙德新能源有限公司 用于控制结晶成核的超声控制方法及其系统
CN117351659A (zh) * 2023-12-01 2024-01-05 四川省华地建设工程有限责任公司 一种水文地质灾害监测装置及监测方法
CN117351659B (zh) * 2023-12-01 2024-02-20 四川省华地建设工程有限责任公司 一种水文地质灾害监测装置及监测方法

Also Published As

Publication number Publication date
CN114758304B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114758304B (zh) 一种高纯圆角石英粉的过筛设备及其过筛控制方法
Tang et al. Neuroevolution of self-interpretable agents
Zhang et al. Relational attention network for crowd counting
Zhang et al. Refinemask: Towards high-quality instance segmentation with fine-grained features
Kishore et al. Indian classical dance action identification and classification with convolutional neural networks
CN108205889B (zh) 基于卷积神经网络的高速公路交通流预测方法
Yang et al. ST-LBAGAN: Spatio-temporal learnable bidirectional attention generative adversarial networks for missing traffic data imputation
Heap et al. Wormholes in shape space: Tracking through discontinuous changes in shape
CN113657560B (zh) 基于节点分类的弱监督图像语义分割方法及系统
TWI539407B (zh) 移動物體偵測方法及移動物體偵測裝置
CN115731513B (zh) 基于数字孪生的智慧园区管理系统
Yang et al. Abnormal crowd behavior detection based on local pressure model
CN113537277A (zh) 确定分类的解释
TWI512685B (zh) 移動物體偵測方法及其裝置
CN116164497A (zh) 液氧制备过程中的精馏控制系统及其方法
Kim et al. AIBM: accurate and instant background modeling for moving object detection
CN113570861B (zh) 一种基于合成数据的交通流量预测方法及装置
CN115982573B (zh) 多功能送料机及其控制方法
Anees et al. Deep learning framework for density estimation of crowd videos
Tzelepis et al. Deep neural network compression for image classification and object detection
Yue et al. Improved Ada boost classifier for sports scene detection in videos: From data extraction to image understanding
Zhao et al. Causal conditional hidden Markov model for multimodal traffic prediction
Xu et al. Improving binary neural networks through fully utilizing latent weights
Klaus Anomaly Detection in the Latent Space of VAEs
CN113822240A (zh) 一种电力现场作业视频数据提取异常行为的方法及装置

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
GR01 Patent grant
GR01 Patent grant