CN114768986B - 高纯熔融石英粉的精细化研磨装置及其研磨方法 - Google Patents

Abstract

公开了一种高纯熔融石英粉的精细化研磨装置及其研磨方法，其使用基于深度学习的深度神经网络模型对研磨过程中的监控视频和研磨过程中产生的音效进行编码，并基于尺度迁移确定性将两者在高维特征空间中的特征表示进行融合以得到包含待研磨物的颗粒度的实时变化特征和研磨声效的变化特征的分类特征矩阵，并通过分类器以获得用于当前时间点的研磨机的研磨转速是否应增大或应减小的分类结果，这样所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，从而提高研磨效率。

Description

高纯熔融石英粉的精细化研磨装置及其研磨方法

技术领域

本申请涉及智能设备领域，且更为具体地，涉及一种高纯熔融石英粉的精细化研磨装置及其研磨方法。

背景技术

石英粉又称硅微粉，是一种坚硬、耐磨、化学性能稳定的硅酸盐矿物，因其具备白度高，无杂质、铁量低等特点，故应用范围广。熔融石英粉是石英粉产品的一种。在熔融石英粉生产过程中，对其原料的研磨至关重要，现有的主要依靠球磨机对原料进行研磨，其中需要经过预研磨、初筛选、一次研磨、再筛选、再研磨等多次不同速度的研磨与反复筛选才能获得一定精度的石英粉，生产效率低下。

因此，期待一种具有更高研磨效率的用于高纯熔融石英粉的精细化研磨的研磨设备及其研磨方案。

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高纯熔融石英粉的精细化研磨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高纯熔融石英粉的精细化研磨装置及其研磨方法，其使用基于深度学习的深度神经网络模型对研磨过程中的监控视频和研磨过程中产生的音效进行编码，并基于尺度迁移确定性将两者在高维特征空间中的特征表示进行融合以得到包含待研磨物的颗粒度的实时变化特征和研磨声效的变化特征的分类特征矩阵，并通过分类器以获得用于当前时间点的研磨机的研磨转速是否应增大或应减小的分类结果，这样所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，从而提高研磨效率。

根据本申请的一个方面，提供了一种高纯熔融石英粉的精细化研磨装置，其包括：研磨监测模块，用于获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号；监控视频编码模块，用于将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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；声音编码模块，用于将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；跨模态联合编码模块，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及研磨控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

在上述高纯熔融石英粉的精细化研磨装置中，所述监控视频编码模块，包括：采样单元，用于从所述熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频提取多个图像关键帧；张量构造单元，用于将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；以及三维卷积编码单元，用于将所述三维输入张量通过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。

在上述高纯熔融石英粉的精细化研磨装置中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述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矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图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，所述第一卷积神经网络的第一层的输入为所述三维输入张量。

在上述高纯熔融石英粉的精细化研磨装置中，所述使用二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述二维卷积核对所述输入数据进行二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矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图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第二特征向量，所述第二卷积神经网络的第一层的输入为所述声音信号的波形图。

在上述高纯熔融石英粉的精细化研磨装置中，所述跨模态联合编码模块，进一步用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到所述分类特征矩阵；其中，所述公式为：

表示所述第一特征向量,

表示所述第二特征向量，

表示矩阵的Frobenius范数，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。

在上述高纯熔融石英粉的精细化研磨装置中，所述研磨控制结果生成模块，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；以及控制结果生成子单元，用于将所述分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

在上述高纯熔融石英粉的精细化研磨装置中，所述研磨设备为球磨机。

根据本申请的另一方面，提供了一种高纯熔融石英粉的精细化研磨方法，其包括：获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号；将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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；将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

在上述高纯熔融石英粉的精细化研磨方法中，将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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，包括：从所述熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频提取多个图像关键帧；将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；以及将所述三维输入张量通过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。

在上述高纯熔融石英粉的精细化研磨方法中，对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行，包括：以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到所述分类特征矩阵；其中，所述公式为：

表示所述第一特征向量,

表示所述第二特征向量，

表示矩阵的Frobenius范数，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。

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高纯熔融石英粉的精细化研磨方法。

根据本申请的又一方面，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高纯熔融石英粉的精细化研磨方法。

与现有技术相比，本申请提供的一种高纯熔融石英粉的精细化研磨装置及其研磨方法，其使用基于深度学习的深度神经网络模型对研磨过程中的监控视频和研磨过程中产生的音效进行编码，并基于尺度迁移确定性将两者在高维特征空间中的特征表示进行融合以得到包含待研磨物的颗粒度的实时变化特征和研磨声效的变化特征的分类特征矩阵，并通过分类器以获得用于当前时间点的研磨机的研磨转速是否应增大或应减小的分类结果，这样所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，从而提高研磨效率。

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高纯熔融石英粉的精细化研磨装置的应用场景图。

图2图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置的框图示意图。

图3图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置中监控视频编码模块的框图。

图4图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置中研磨控制结果生成模块的框图。

图5图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法的流程图。

图6图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法的系统架构的示意图。

图7图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法中，将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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的流程图。

图8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

如上所述，在熔融石英粉生产过程中，对其原料的研磨至关重要，现有的主要依靠球磨机对原料进行研磨，其中需要经过预研磨、初筛选、一次研磨、再筛选、再研磨等多次不同速度的研磨与反复筛选才能获得一定精度的石英粉，生产效率低下。深度学习以及神经网络的发展（尤其是机器视觉技术的发展），为高纯熔融石英粉的精细化研磨提供的解决思路和方案。

具体来说，本申请发明人发现：在熔融石英粉的精细化生产过程中，不同研磨阶段（包括预研磨、一次研磨和再研磨）采用不同的研磨速度来控制球磨机，例如，在预研磨阶段采用恒定的第一研磨速度进行研磨，待筛选之后以恒定的第二研磨速度进行研磨，再二次筛选之后，以恒定的第三研磨速度进行研磨。然而，这种研磨速度的控制模式过于粗糙，其没有基于研磨产物的实际实时情况来自适应的调整其研磨速度，导致其研磨效率低且在研磨过程中需经过多次过筛。

针对上述技术问题，本申请发明人对现有的研磨设备（例如，球磨机）进行改进，具体地，对所述研磨设备的研磨速度的控制模式进行改进，以使得其能够基于研磨产物的实时情况来自适应地调整其研磨转速，以使得所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，通过这样的方式，来提高研磨效率且中间过程无需多次过筛只需要最后进行一次过筛即可。

具体来说，在本申请的技术方案中，在本申请实施例中，待研磨物（即，熔融石英原料）的实时研磨状况可通过相机所采集的监控视频来捕捉。并且，本申请发明人考虑到待研磨物的实时研磨状态还可以通过研磨时所产生的音效来表征。因此，在本申请的技术方案中，本申请发明人尝试从多传感器信息融合的技术构思来构建研磨设备的研磨速度控制方案。

更为具体地，首先通过相机采集熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及通过声音传感器采集所述预定时间段内的声音信号。这里，预定时间段为包括当前时间点在内的当前时间点之前的预定时间段，例如，30s。值得一提的是，针对所述预定时间段的时长设定，一方面要考虑所述监控视频能够采集到充分的研磨物在被研磨过程中的实时动态变化特征，另一方面，还需要考虑计算设备的计算量，应可以理解，如果所述预定时间段的时长设定过长，则会导致计算量过大，而导致研磨速度的控制实时性下降。

进一步地，在本申请实施例中，使用在图像特征提取方面具有优异表现的卷积神经网络模型对所述监控视频进行编码以提取被研磨物在时间维度上的动态变化特征。为了降低数据处理量，以预定采样频率从所述监控视频中提取多个图像关键帧，并将所述多个图像关键帧沿时间维度构造为三维输入张量。接着，将所述三维输入张量通过使用三维卷积核的第一卷积神经网络模型，其中，所述第一卷积神经模型以所述三维卷积核对所述三维输入张量进行基于两个空间维度和一个时间维度的卷积编码以提取所述被研磨物的局部空间特征在时序维度上的动态变化特征以得到第一特征向量。应可以理解，所述三维卷积核的对应于所述三维输入张量的时间维度的尺度可基于实际场景需求做调整，对此，并不为本申请所局限。

考虑到所述声音信号的波形图在数据结构上也是一个二维矩阵，因此，区别于现有的基于统计学习的声音信号分析手段（例如，基于时域特征统计或基于频域特征统计的声音信号处理手段），在本申请的技术方案中，同样以在图像处理领域具有优异性能表现的卷积神经网络模型对所述声音信号的波形图进行编码以得到用于表示研磨过程中音效的动态变化特征的第二特征向量。

接着，融合所述第一特征向量和所述第二特征向量并通过分类器就可以获得当前时间点的研磨速度控制结果。但是，如果直接以级联或者按位置加权和的方式来融合所述第一特征向量和所述第二特征向量，一方面会出现过拟合的问题，另一方面，也无法充分保留所述第一特征向量和所述第二特征向量的不同模态特征的特征表达的特异性。

特别地，在本申请的技术方案中，针对作为待研磨物的颗粒度实时变化的图像域特征表达的第一特征向量

，和作为研磨声效的声音域特征表达的第二特征向量

，由于其具有关联属性，因此计算两者的关联矩阵来获得分类矩阵

。但是，考虑到两者属于不同的模态，在高维空间内各自的特征分布向关联特征分布迁移时，需要约束其尺度迁移确定性，因此，关联方式表示为：

表示矩阵的Frobenius范数，第一特征向量

和第二特征向量

均为列向量，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值；这样，在通过特征向量间的相对位置关联来获得关联特征的同时，通过关联特征的矩阵表达的低秩约束来保留尺度迁移条件下的到目标类概率的远程（long range）关系，从而保证分类矩阵

与第一特征向量

和第二特征向量

的目标类概率下的概率分布的一致性。这样，提高研磨速度的控制的精准度，以使得当前时间点的研磨速度的调整适配于当前被研磨物的实时情况。

基于此，本申请提供了一种高纯熔融石英粉的精细化研磨装置，其包括：研磨监测模块，用于获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号；监控视频编码模块，用于将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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；声音编码模块，用于将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；跨模态联合编码模块，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，研磨控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

图1图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置及其研磨方法的应用场景图。

如图1所示，在该应用场景中，通过相机（例如，图1中所示意的C1）采集熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频，同时通过声音传感器（例如，图1中所示意的C2）采集在所述预定时间段内的声音信号。然后，将获得的监控视频和声音信号的波形图输入至部署有高纯熔融石英粉的精细化研磨算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述高纯熔融石英粉的精细化研磨算法对所述监控视频和所述声音信号的波形图进行处理以生成当前时间点的研磨机的研磨转速应增大或应减小的分类结果。进而，调整研磨转速以使其适配于待研磨对象当前时刻的最佳研磨速度需求。

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。

示例性装置

图2图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置的框图示意图。如图2所示，根据本申请实施例的所述精细化研磨装置200，包括：研磨监测模块210，用于获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号；监控视频编码模块220，用于将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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；声音编码模230，用于将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；跨模态联合编码模块240，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，研磨控制结果生成模块250，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

在本申请实施例中，所述研磨监测模块210的作用为获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号。应可以理解，针对不同颗粒度的研磨产物所要求的最佳研磨速度需求不同，为了使得研磨转速适配于待研磨对象当前时刻的最佳研磨速度需求，需要获取研磨物的实时研磨状态，所以本申请通过相机采集监控视频。而本申请发明人考虑到单纯的视频数据表征能力较弱，所以本申请同时使用声音传感器采集声音信号，通过研磨音效来表征研磨物的实时研磨状态。

具体的，通过相机采集熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及通过声音传感器采集所述预定时间段内的声音信号。这里，预定时间段为包括当前时间点在内的当前时间点之前的预定时间段，例如，30s。值得一提的是，针对所述预定时间段的时长设定，一方面要考虑所述监控视频能够采集到充分的研磨物在被研磨过程中的实时动态变化特征，应可以理解，如果所述预定时间段的时长设定过短，则无法充分的采集研磨物在被研磨过程中的实时动态变化特征，另一方面，还需要考虑计算设备的计算量，应可以理解，如果所述预定时间段的时长设定过长，则会导致计算量过大，而导致研磨速度的控制实时性下降。

在本申请实施例中，所述监控视频编码模块220的作用为将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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。应可以理解，为了获取监控视频中的被研磨物的颗粒度的实时变化特征，需要将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频输入使用三维卷积核的第一卷积神经网络模型，以提取被研磨物的局部空间特征在时序维度上的动态变化特征，从而得到第一特征向量。

具体的，为了降低数据处理量，以预定采样频率从所述监控视频中提取多个图像关键帧，并将所述多个图像关键帧沿时间维度构造为三维输入张量。具体的，每个视频都是一个图像序列，其内容比一张图像丰富很多,表现力强，信息量大。对视频的分析通常是基于图像帧，但图像帧通常存在大量冗余，如果对所有图像帧进行处理，则数据处理量过于庞大，从而导致研磨速度的控制实时性下降。图像关键帧提取则主要体现视频中各个镜头的显著特征，同时图像关键帧还能表征相邻时间段的图像帧，通过图像关键帧提取能够在具有较强表征能力的同时降低输出处理量。在本申请的实施例中，所述监控视频为预定时间段内的连续不断的图像帧，故以预定采样频率从所述监控视频中提取多个图像关键帧。

接着，将所述三维输入张量通过使用三维卷积核的第一卷积神经网络模型，其中，所述第一卷积神经模型以所述三维卷积核对所述三维输入张量进行基于两个空间维度和一个时间维度的卷积编码以提取所述被研磨物的局部空间特征在时序维度上的动态变化特征以得到第一特征向量。应可以理解，所述三维卷积核的对应于所述三维输入张量的时间维度的尺度可基于实际场景需求做调整，对此，并不为本申请所局限。

图3图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置中监控视频编码模块的框图示意图。如图3所示，所述监控视频编码模块220，包括：采样单元221、张量构造单元222和三维卷积编码单元223。其中，采样单元221，用于从所述熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频提取多个图像关键帧；张量构造单元222，用于将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；三维卷积编码单元223，用于将所述三维输入张量通过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。

具体的，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述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矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图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，所述第一卷积神经网络的第一层的输入为所述三维输入张量。

在本申请的一个具体的实施例中，基于过滤器，在层的正向传递过程中进行W₃×H₃的特征矩阵的池化（平均值池化或者最大值池化），表示为：

在本申请实施例中，所述声音编码模块230的作用为将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量。应可以理解。应可以理解，考虑到所述声音信号的波形图在数据结构上也是一个二维矩阵，因此，区别于现有的基于统计学习的声音信号分析手段（例如，基于时域特征统计或基于频域特征统计的声音信号处理手段），在本申请的技术方案中，同样以在图像处理领域具有优异性能表现的卷积神经网络模型对所述声音信号的波形图进行编码以得到用于表示研磨过程中音效的动态变化特征的第二特征向量。

具体的，基于所述二维卷积核对所述输入数据进行二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矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图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第二特征向量，所述第二卷积神经网络的第一层的输入为所述声音信号的波形图。

接着，融合所述第一特征向量和所述第二特征向量并通过分类器就可以获得当前时间点的研磨速度控制结果。但是，如果直接以级联或者按位置加权和的方式来融合所述第一特征向量和所述第二特征向量，一方面会出现过拟合的问题，另一方面，也无法充分保留所述第一特征向量和所述第二特征向量的不同模态特征的特征表达的特异性。应可以理解，第一特征向量和第二特征向量是通过不同的形式来表征同一个特征，也就是第一特征向量和第二特征向量分别以图像和声音的形式来表征研磨物的实时研磨状态，而一个好的特征表示主要有平滑性、时间和空间一致性、稀疏性和自然聚类等特性，也就是第一特征向量和第二特征向量是相互关联的，但使用不同模态会具有不同程度的噪音，所以在第一特征向量和第二特征向量融合时要进行关联和约束其尺度迁移确定性。

特别地，在本申请的技术方案中，针对作为待研磨物的颗粒度实时变化的图像域特征表达的第一特征向量，和作为研磨声效的声音域特征表达的第二特征向量，由于其具有关联属性，因此计算两者的关联矩阵来获得分类矩阵。但是，考虑到两者属于不同的模态，在高维空间内各自的特征分布向关联特征分布迁移时，需要约束其尺度迁移确定性，因此，关联方式表示为：

表示矩阵的Frobenius范数，第一特征向量和第二特征向量均为列向量，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值；这样，在通过特征向量间的相对位置关联来获得关联特征的同时，通过关联特征的矩阵表达的低秩约束来保留尺度迁移条件下的到目标类概率的远程（long range）关系，从而保证分类矩阵与第一特征向量和第二特征向量的目标类概率下的概率分布的一致性。这样，提高研磨速度的控制的精准度，以使得当前时间点的研磨速度的调整适配于当前被研磨物的实时情况。

在本申请实施例中，所述跨模态联合编码模块240的作用为对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行。

更为具体的，以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到所述分类特征矩阵；其中，所述公式为：

表示所述第一特征向量,

表示所述第二特征向量，

表示矩阵的Frobenius范数，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。应可以理解，通过特征向量间的相对位置关联来获得关联特征的同时，通过关联特征的矩阵表达的低秩约束来保留尺度迁移条件下的到目标类概率的远程（long range）关系，从而保证分类矩阵与第一特征向量和第二特征向量的目标类概率下的概率分布的一致性。这样，提高研磨速度的控制的精准度，以使得当前时间点的研磨速度的调整适配于当前被研磨物的实时情况。

在本申请实施例中，所述研磨控制结果生成模块250的作用为将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

图4图示了根据本申请实施例的高纯熔融石英粉的精细化研磨装置中研磨控制结果生成模块的框图示意图。如图4所示，所述研磨控制结果生成模块250，包括：全连接编码子单元251和控制结果生成子单元252。其中，全连接编码子单元251，用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；控制结果生成子单元252，用于将所述分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

其中，所述公式为：

，其中

表示将所述分类特征矩阵投影为向量，

至

为各层全连接层的权重矩阵，

至

表示各层全连接层的偏置矩阵。

也就是，所述分类器首先使用多个全连接层对所述分类特征矩阵进行全连接编码以充分利用所述分类特征矩阵中各个位置的信息以将所述分类特征矩阵降维为一维的分类特征向量；然后，计算所述一维的分类特征向量的Softmax函数值，即，所述分类特征向量归属于各个分类标签的概率值，在本申请实施例中，所述分类标签包括当前时间点的研磨机转速应增大（第一标签）、当前时间点的研磨机转速应不变（第二标签）以及当前时间点的研磨机转速应减小（第三标签）。最后，将概率值较大者对应的标签作为所述分类结果。通过所述分类结果来调控研磨机转速，以使得所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求。

综上，本申请实施例的高纯熔融石英粉的精细化研磨装置已被阐明，其使用基于深度学习的深度神经网络模型对研磨过程中的监控视频和研磨过程中产生的音效进行编码，并基于尺度迁移确定性将两者在高维特征空间中的特征表示进行融合以得到包含待研磨物的颗粒度的实时变化特征和研磨声效的变化特征的分类特征矩阵，并通过分类器以获得用于当前时间点的研磨机的研磨转速是否应增大或应减小的分类结果，这样所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，从而提高研磨效率。

如上所述，根据本申请实施例的所述高纯熔融石英粉的精细化研磨装置200可以实现在各种终端设备中，例如具有高纯熔融石英粉的精细化研磨算法的服务器等。在一个示例中，根据高纯熔融石英粉的精细化研磨装置200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，该用于高纯熔融石英粉的精细化研磨装置200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，该用于高纯熔融石英粉的精细化研磨装置200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，该高纯熔融石英粉的精细化研磨装置200与该终端设备也可以是分立的设备，并且高纯熔融石英粉的精细化研磨装置200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。

示例性方法

图5图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法的流程图。如图5所示，根据本申请实施例的高纯熔融石英粉的精细化研磨方法，包括：S110，获取由相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号；S120，将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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；S130，将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；S140，对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，S150，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

图6图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法的系统架构的示意图。在本申请实施例的系统架构中，首先将通过相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频输入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。然后，将通过声音传感器采集的所述预定时间段内的声音信号输入使用二维卷积核的第二卷积神经网络以得到第二特征向量。接着，将第一特征向量和第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵。最后，将分类特征矩阵通过分类器以得到分类结果，该所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小。

在本申请一示例中，图7图示了根据本申请实施例的高纯熔融石英粉的精细化研磨方法中，将所述熔融石英原料在被研磨设备研磨时的在预定时间段内的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的流程图，包括：S210，从所述熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频提取多个图像关键帧；S220，将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；以及，S230，将所述三维输入张量通过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。

综上，本申请实施例的高纯熔融石英粉的精细化研磨方法已被阐明，其通过相机采集熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频以及声音传感器采集在所述预定时间段内的声音信号。然后，使用深度神经网络模型对监控视频和声音波形图进行基于尺度迁移确定性的编码以得到包含待研磨物的颗粒度的实时变化特征和研磨声效的变化特征的分类特征矩阵，并通过分类器以获得当前时间点的研磨机的研磨转速是否应增大或应减小，以使得所调制的研磨转速能适配于待研磨对象当前时刻的最佳研磨速度需求，从而提高研磨效率且中间过程无需多次过筛只需要最后进行一次过筛即可。

示例性电子设备

下面，参考图8来描述根据本申请实施例的电子设备。

图8图示了根据本申请实施例的电子设备的框图。

如图8所示，电子设备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高纯熔融石英粉的精细化研磨以及/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相机采集的熔融石英原料在被研磨设备研磨时的在预定时间段内的监控视频、声音传感器采集的所述预定时间段内的声音信号等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置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。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置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8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高纯熔融石英粉的精细化研磨方法的步骤。

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”部分中描述的根据本申请各种实施例的高纯熔融石英粉的精细化研磨方法的步骤。

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、装置或器件，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 (3)

1.一种高纯熔融石英粉的精细化研磨装置，其特征在于，包括：

研磨监测模块，用于获取由相机采集的熔融石英原料在被研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号的波形图；

监控视频编码模块，用于将所述熔融石英原料在被研磨时的在预定时间段内的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；

声音编码模块，用于将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；

跨模态联合编码模块，用于对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及

研磨控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小；

其中，所述监控视频编码模块，包括：

采样单元，用于从所述熔融石英原料在被研磨时的在预定时间段内的监控视频提取多个图像关键帧；

张量构造单元，用于将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；以及

三维卷积编码单元，用于将所述三维输入张量通过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；

其中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：

基于所述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矩阵的均值池化处理以得到池化特征图；以及

对所述池化特征图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，所述第一卷积神经网络的第一层的输入为所述三维输入张量；

其中，所述使用二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：

基于所述二维卷积核对所述输入数据进行二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矩阵的均值池化处理以得到池化特征图；以及

对所述池化特征图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第二特征向量，所述第二卷积神经网络的第一层的输入为所述声音信号的波形图；

其中，所述跨模态联合编码模块，用于：以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到所述分类特征矩阵；

其中，所述公式为：

表示所述第一特征向量,

表示所述第二特征向量，

表示矩阵的Frobenius范数，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值；

其中，所述研磨控制结果生成模块，包括：

全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以得到分类特征向量；以及

控制结果生成子单元，用于将所述分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

2.根据权利要求1所述的高纯熔融石英粉的精细化研磨装置，其中，所述研磨设备为球磨机。

3.一种高纯熔融石英粉的精细化研磨方法，其特征在于，包括步骤：

获取由相机采集的熔融石英原料在被研磨时的在预定时间段内的监控视频以及由声音传感器采集的所述预定时间段内的声音信号的波形图；

将所述熔融石英原料在被研磨时的在预定时间段内的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；

将所述声音信号的波形图通过使用二维卷积核的第二卷积神经网络以得到第二特征向量；

对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的研磨机的研磨转速应增大或应减小；

其中，所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：

基于所述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矩阵的均值池化处理以得到池化特征图；以及

对所述池化特征图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，所述第一卷积神经网络的第一层的输入为所述三维输入张量；

其中，所述使用二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：

基于所述二维卷积核对所述输入数据进行二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矩阵的均值池化处理以得到池化特征图；以及

对所述池化特征图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第二特征向量，所述第二卷积神经网络的第一层的输入为所述声音信号的波形图；

其中，将所述熔融石英原料在被研磨时的在预定时间段内的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，包括：

从所述熔融石英原料在被研磨时的在预定时间段内的监控视频提取多个图像关键帧；

将所述多个图像关键帧按时间维度进行排列以得到三维输入张量；以及

将所述三维输入张量通过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；

其中，对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到分类特征矩阵，其中，所述基于尺度迁移确定性的关联编码基于所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵除以所述第一特征向量乘以所述第二特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行，包括：

以如下公式对所述第一特征向量和所述第二特征向量进行基于尺度迁移确定性的关联编码以得到所述分类特征矩阵；

其中，所述公式为：

表示所述第一特征向量,

表示所述第二特征向量，

表示矩阵的Frobenius范数，

表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。

Images