CN115186774B - 智能电缆剥线设备及其方法 - Google Patents

智能电缆剥线设备及其方法 Download PDF

Info

Publication number
CN115186774B
CN115186774B CN202211106765.4A CN202211106765A CN115186774B CN 115186774 B CN115186774 B CN 115186774B CN 202211106765 A CN202211106765 A CN 202211106765A CN 115186774 B CN115186774 B CN 115186774B
Authority
CN
China
Prior art keywords
matrix
classification
characteristic
feature
characteristic matrix
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.)
Active
Application number
CN202211106765.4A
Other languages
English (en)
Other versions
CN115186774A (zh
Inventor
邓全巧
倪琪琪
许凤全
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.)
Xuzhou Feiyu Machinery Technology Co ltd
Original Assignee
Xuzhou Feiyu Machinery 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 Xuzhou Feiyu Machinery Technology Co ltd filed Critical Xuzhou Feiyu Machinery Technology Co ltd
Priority to CN202211106765.4A priority Critical patent/CN115186774B/zh
Publication of CN115186774A publication Critical patent/CN115186774A/zh
Application granted granted Critical
Publication of CN115186774B publication Critical patent/CN115186774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/002Image coding using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7796Active pattern-learning, e.g. online learning of image or video features based on specific statistical tests
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02GINSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/12Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for removing insulation or armouring from cables, e.g. from the end thereof
    • H02G1/1202Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for removing insulation or armouring from cables, e.g. from the end thereof by cutting and withdrawing insulation
    • H02G1/1204Hand-held tools

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及电缆剥线技术领域,其具体地公开了一种智能电缆剥线设备及其方法,其通过将训练电流特征矩阵和频域统计特征矩阵之间的均方误差作为损失函数值对Taming模型进行训练,从而强化所述Taming模型的图像编码器对于所述电流信号微弱变化的感知能力,然后,将电流信号的波形图通过训练完成的所述Taming模型的图像编码器以得到分类特征矩阵,并基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,最后,将所述校正后分类特征矩阵通过分类器以得到用于表示是否停止切割的分类结果,从而实现基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。

Description

智能电缆剥线设备及其方法
技术领域
本申请涉及电缆剥线技术领域,且更为具体地,涉及一种智能电缆剥线设备及其方法。
背景技术
剥线钳是内线电工、电动机修理、仪器仪表电工常用的工具之一,用来供电工剥除电线头部的表面绝缘层。剥线钳可以使得电线被切断的绝缘皮与电线分开,还可以防止触电。因此,剥线钳在实际的应用中具有重要的作用。
目前,随着电缆技术的不断应用发展,应用于电缆的电动剥线钳应运而生。电缆包括有电缆外皮、电缆内部绝缘层和电缆内芯,而电动剥线钳的作用就是剥除电缆外皮,留下电缆内部绝缘层和电缆内芯。然而,对于电动剥线钳而言,一个重要的技术难点是在于往下切割的过程中何时停止切割以避免伤害到电缆内部绝缘层和电缆内芯。
因此,期望一种优化的智能电缆剥线设备。
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智能电缆剥线设备及其方法,其通过将训练电流特征矩阵和频域统计特征矩阵之间的均方误差作为损失函数值对Taming模型进行训练,从而强化所述Taming模型的图像编码器对于所述电流信号微弱变化的感知能力,然后,将电流信号的波形图通过训练完成的所述Taming模型的图像编码器以得到分类特征矩阵,并基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,最后,将所述校正后分类特征矩阵通过分类器以得到用于表示是否停止切割的分类结果,从而实现基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
根据本申请的一个方面,提供了一种智能电缆剥线设备,其包括:电流信号监测单元,用于获取电动剥线钳在切割过程中的电流信号;电流特征编码单元,用于将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;电流特征校正单元,用于基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及控制结果生成单元,用于将所述校正后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是否停止切割。
在上述智能电缆剥线设备中,所述智能电缆剥线设备还包括用于对所述Taming模型进行训练的训练模块;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;频域特征提取单元,用于基于傅里叶变换从所述电流信号提取多个频域统计特征值;频域特征编码单元,用于将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;电流图形编码单元,用于将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;损失计算单元,用于计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及训练单元,用于以所述均方误差作为损失函数值对所述Taming模型进行训练。
根据本申请的另一方面,提供了一种智能电缆剥线方法,其包括:获取电动剥线钳在切割过程中的电流信号;将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及将所述校正后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是否停止切割。
在上述智能电缆剥线方法中,所述智能电缆剥线方法还包括对所述Taming模型进行训练的训练阶段;其中,所述训练阶段,包括:获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;基于傅里叶变换从所述电流信号提取多个频域统计特征值;将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及以所述均方误差作为损失函数值对所述Taming模型进行训练。
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智能电缆剥线设备。
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智能电缆剥线设备。
与现有技术相比,本申请提供的一种智能电缆剥线设备及其方法,其通过将训练电流特征矩阵和频域统计特征矩阵之间的均方误差作为损失函数值对Taming模型进行训练,从而强化所述Taming模型的图像编码器对于所述电流信号微弱变化的感知能力,然后,将电流信号的波形图通过训练完成的所述Taming模型的图像编码器以得到分类特征矩阵,并基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,最后,将所述校正后分类特征矩阵通过分类器以得到用于表示是否停止切割的分类结果,从而实现基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
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智能电缆剥线设备的应用场景图。
图2图示了根据本申请实施例的智能电缆剥线设备的框图示意图。
图3图示了根据本申请实施例的智能电缆剥线设备中训练模块的框图。
图4图示了根据本申请实施例的智能电缆剥线设备中电流特征校正单元的框图。
图5图示了根据本申请实施例的智能电缆剥线方法的流程图。
图6图示了根据本申请实施例的智能电缆剥线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智能电缆剥线方法中,基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵的流程图。
图8图示了根据本申请实施例的智能电缆剥线方法中,对所述Taming模型进行训练的训练阶段的流程图。
图9图示了根据本申请实施例的智能电缆剥线方法中,对所述Taming模型进行训练的训练阶段的系统架构的示意图。
图10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:应可以理解,由于电缆包括电缆外皮、电缆内部绝缘层和电缆内芯。在使用电动剥线钳进行切割时,因阻力不同会导致工作电流信号产生微弱的变化,因此,为了能够在进行切割时避免伤害到电缆内部的绝缘层和电缆内芯,可利用对于电流信号的变化特征分析来判断是否停止切割。这本质上也是一个分类的问题,也就是,通过深度神经网络模型来对于所述电动剥线钳在切割过程中的电流信号的时域隐含特征进行提取,并且利用所述电流信号的频域特征来强化所述深度神经网络模型对于所述电流信号微弱变化的感知能力。进一步地,就可以将优化后的所述电流信号的隐含特征通过分类器中进行是否停止切割的分类判断,进而基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
具体地,在本申请的技术方案中,首先,获取电动剥线钳在切割过程中的电流信号。然后,使用Taming模型的图像编码器对于所述电流信号的波形图进行编码以得到电流特征矩阵。这里,所述图像编码器使用深度卷积神经网络来对所述电流信号的波形图进行编码,以提取出所述电流信号的波形图的局部特征在高维空间中的特征分布表示。
进一步地,考虑到所述电动剥线钳在切割过程中的实时电流信号包含丰富的信息,且可以通过傅里叶变换将这种模拟信息转换为数字信息进行传送。因此,为了能够更充分地提取出所述电流信号中的隐含特征信息来进行切割停止控制,在本申请的技术方案中,进一步利用频域特征来强化所述图像编码器对于所述电流信号微弱变化的感知能力。也就是,具体地,基于傅里叶变换从所述电流信号提取多个频域统计特征值。然后,考虑到所述各个频域统计特征值之间存在着关联性特征,因此将所述多个频域统计特征值通过所述Taming模型的序列编码器中进行编码,以提取出所述多个频域统计特征值之间的基于全局的高维语义特征以更适于表征所述电流信号的本质特征,从而得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列以整合所述各个频域统计特征的全局关联性隐含特征来得到频域统计特征矩阵。
这样,基于所述电流特征矩阵和所述频域统计特征矩阵两者的特征信息来进行分类判断,能够利用所述电流信号的频域特征来强化对于所述电流信号微弱变化的感知能力,进而基于切割过程中的电流变化模式来控制所述电缆剥线钳是否停止切割以避免伤害到所述线缆的内部绝缘层和内芯。
值得一提的是,在本申请的技术方案中,在对于所述Taming模型进行训练的过程中,可以使用所述训练电流特征矩阵和所述频域统计特征矩阵的均方误差的损失函数来计算这两者的特征差异来进行训练。这样,在推断时,仅使用训练完成的所述Taming模型的图像编码器来对所述电流信号的波形图进行编码以得到分类特征矩阵进而进行分类处理。
特别地,在本申请的技术方案中,对于通过Taming模型的图像编码器获得的分类特征矩阵,由于所述均方误差的损失函数是将所述训练电流特征矩阵的特征语义逐位置地融合到所述频域统计特征矩阵的特征语义中,使得所述图像编码器对于局部特征语义的表达性能较好。但是,仍然期望所述分类特征矩阵能够具有更好的全局图像特征语义的表达能力。
因此,对于所述分类特征矩阵进行位置提议局部推理转化,具体为:
Figure DEST_PATH_IMAGE001
其中,
Figure DEST_PATH_IMAGE002
是所述分类特征矩阵,
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
为第二卷积层和第一卷积层,
Figure DEST_PATH_IMAGE005
,用于将二维位置坐标映射为一维数值,
Figure DEST_PATH_IMAGE006
表示所述分类特征矩阵
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
坐标矩阵,
Figure DEST_PATH_IMAGE009
表示矩阵的按位置加和,
Figure DEST_PATH_IMAGE010
表示矩阵的按位置点乘,且
Figure DEST_PATH_IMAGE011
是校正后分类特征矩阵。
这里,所述位置提议局部推理转化用于全面融合所捕获的局部语义和进一步衍生全局语义,其使用位置信息作为提议,来通过卷积层的局部感知场对全局场景语义进行推理,并且,在所述位置提议局部推理转化中,所述卷积层的参数是可以调整的,以实现特征语义信息的局部-全局迁移和全局特征语义信息的推断预测间的平衡,进而提高分类的准确性。这样,能够基于切割过程中的电流变化模式来实时准确地判断是否停止切割并加以控制,进而避免伤害到所述电缆内部绝缘层和内芯,以保证所述电动剥线钳处理后的电缆的质量。
基于此,本申请提供了一种智能电缆剥线设备,其包括:电流信号监测单元,用于获取电动剥线钳在切割过程中的电流信号;电流特征编码单元,用于将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;电流特征校正单元,用于基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及,控制结果生成单元,用于将所述校正后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是否停止切割。
图1图示了根据本申请实施例的智能电缆剥线设备的应用场景图。如图1所示,在该应用场景的训练模块中,首先,通过部署在电动剥线钳(例如,如图1中所示意的E)中的电流传感器(例如,如图1中所示意的C)采集训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号。然后,将采集的所述训练数据输入至部署有智能电缆剥线算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够基于智能电缆剥线算法以所述训练数据对所述智能电缆剥线设备的Taming模型进行训练。
在训练完成后,通过部署在电动剥线钳(例如,如图1中所示意的E)中的电流传感器(例如,如图1中所示意的C)采集电动剥线钳在切割过程中的电流信号。然后,将采集的所述电动剥线钳在切割过程中的电流信号输入至部署有智能电缆剥线算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够以智能电缆剥线算法对所述电动剥线钳在切割过程中的电流信号进行处理,以生成用于表示是否停止切割的分类结果。
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。
示例性系统
图2图示了根据本申请实施例的智能电缆剥线设备的框图示意图。如图2所示,根据本申请实施例的所述智能电缆剥线设备100,包括:电流信号监测单元110,用于获取电动剥线钳在切割过程中的电流信号;电流特征编码单元120,用于将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;电流特征校正单元130,用于基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及,控制结果生成单元140,用于将所述校正后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是否停止切割。
在本申请实施例中,所述电流信号监测单元110,用于获取电动剥线钳在切割过程中的电流信号。如上所述,应可以理解,由于电缆包括电缆外皮、电缆内部绝缘层和电缆内芯。在使用电动剥线钳进行切割时,因阻力不同会导致工作电流信号产生微弱的变化,因此,为了能够在进行切割时避免伤害到电缆内部的绝缘层和电缆内芯,可利用对于电流信号的变化特征分析来判断是否停止切割。这本质上也是一个分类的问题,即,提取电动剥线钳在切割过程中的电流信号的实时变化特征,并将电流信号的实时变化特征通过分类器中进行是否停止切割的分类判断,进而基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
在本申请的一个实施例中,通过部署在电动剥线钳中的电流传感器采集电动剥线钳在切割过程中的电流信号。
在本申请实施例中,所述电流特征编码单元120,用于将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码。应可以理解,考虑Taming模型的图像编码器在特征提取上具有显著优势,因此,使用Taming模型的图像编码器对于所述电流信号的波形图进行编码以得到电流特征矩阵,并将电流特征矩阵作为所述分类特征矩阵。这里,所述图像编码器使用深度卷积神经网络来对所述电流信号的波形图进行编码,以提取出所述电流信号的波形图的局部特征在高维空间中的特征分布表示。
在本申请一个具体的实施例中,所述电流特征编码单元120,进一步用于:所述深度卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述深度卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述深度卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图;以及,使用所述深度卷积神经网络的各层的激活单元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,所述深度卷积神经网络的最后一层的输出为所述分类特征矩阵。
进一步地,考虑到所述电动剥线钳在切割过程中的实时电流信号包含丰富的信息,且可以通过傅里叶变换将这种模拟信息转换为数字信息进行传送。因此,为了能够更充分地提取出所述电流信号中的隐含特征信息来进行切割停止控制,在本申请的技术方案中,进一步利用频域特征来强化所述图像编码器对于所述电流信号微弱变化的感知能力。也就是,具体地,基于傅里叶变换从所述电流信号提取多个频域统计特征值。然后,考虑到所述各个频域统计特征值之间存在着关联性特征,因此将所述多个频域统计特征值通过所述Taming模型的序列编码器中进行编码,以提取出所述多个频域统计特征值之间的基于全局的高维语义特征以更适于表征所述电流信号的本质特征,从而得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列以整合所述各个频域统计特征的全局关联性隐含特征来得到频域统计特征矩阵。
这样,基于所述电流特征矩阵和所述频域统计特征矩阵两者的特征信息来进行分类判断,能够利用所述电流信号的频域特征来强化对于所述电流信号微弱变化的感知能力,进而基于切割过程中的电流变化模式来控制所述电缆剥线钳是否停止切割以避免伤害到所述线缆的内部绝缘层和内芯。
值得一提的是,在本申请的技术方案中,在对于所述Taming模型进行训练的过程中,可以使用所述训练电流特征矩阵和所述频域统计特征矩阵的均方误差的损失函数来计算这两者的特征差异来进行训练。这样,在推断时,仅使用训练完成的所述Taming模型的图像编码器来对所述电流信号的波形图进行编码以得到分类特征矩阵进而进行分类处理。
在本申请一个具体的实施例中,所述智能电缆剥线设备100还包括用于对所述Taming模型进行训练的训练模块150。图3图示了根据本申请实施例的智能电缆剥线设备中训练模块的框图。如图3所示,所述训练模块150,包括:训练数据获取单元,用于获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;频域特征提取单元,用于基于傅里叶变换从所述电流信号提取多个频域统计特征值;频域特征编码单元,用于将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;电流图形编码单元,用于将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;损失计算单元,用于计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及,训练单元,用于以所述均方误差作为损失函数值对所述Taming模型进行训练。
特别地,在本申请的技术方案中,对于通过Taming模型的图像编码器获得的分类特征矩阵,由于将所述均方误差作为损失函数是将所述训练电流特征矩阵的特征语义逐位置地融合到所述频域统计特征矩阵的特征语义中,使得所述图像编码器对于局部特征语义的表达性能较好。但是,仍然期望所述分类特征矩阵能够具有更好的全局图像特征语义的表达能力。因此,对于所述分类特征矩阵进行位置提议局部推理转化,具体为:
Figure DEST_PATH_IMAGE012
其中,
Figure DEST_PATH_IMAGE013
是所述分类特征矩阵,
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
为第二卷积层和第一卷积层,
Figure DEST_PATH_IMAGE016
,用于将二维位置坐标映射为一维数值,
Figure DEST_PATH_IMAGE017
表示所述分类特征矩阵
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
坐标矩阵,
Figure DEST_PATH_IMAGE020
表示矩阵的按位置加和,
Figure DEST_PATH_IMAGE021
表示矩阵的按位置点乘,且
Figure DEST_PATH_IMAGE022
是校正后分类特征矩阵。
这里,所述位置提议局部推理转化用于全面融合所捕获的局部语义和进一步衍生全局语义,其使用位置信息作为提议,来通过卷积层的局部感知场对全局场景语义进行推理,并且,在所述位置提议局部推理转化中,所述卷积层的参数是可以调整的,以实现特征语义信息的局部-全局迁移和全局特征语义信息的推断预测间的平衡,进而提高分类的准确性。这样,能够基于切割过程中的电流变化模式来实时准确地判断是否停止切割并加以控制,进而避免伤害到所述电缆内部绝缘层和内芯,以保证所述电动剥线钳处理后的电缆的质量。
在本申请实施例中,所述电流特征校正单元130,用于基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵。
图4图示了根据本申请实施例的智能电缆剥线设备中电流特征校正单元的框图。如图4所示,在本申请一个具体的实施例中,所述电流特征校正单元130,包括:局部感知子单元131,用于将所述分类特征矩阵通过第一卷积层以得到局部感知特征矩阵;全局场景构造子单元132,用于计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩阵的按位置加和以得到全局场景特征矩阵;语义推理子单元133,用于将所述全局场景特征矩阵通过第二卷积层以得到全局场景语义推理特征矩阵;位置信息提取子单元134,用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值矩阵;以及,位置转化单元135,用于计算所述位置特征值矩阵和所述全局场景语义推理特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
进一步地,在本申请一个实施例中,所述语义推理子单元,进一步用于:使用所述第二卷积层以如下公式对于所述全局场景特征矩阵进行处理以得到所述全局场景语义推理特征矩阵;其中,所述公式为:
Figure DEST_PATH_IMAGE023
其中
Figure DEST_PATH_IMAGE024
表示所述全局场景特征矩阵,
Figure DEST_PATH_IMAGE025
表示所述全局场景语义推理特征矩阵,
Figure DEST_PATH_IMAGE026
为所述第二卷积层。
进一步地,在本申请一个实施例中,所述位置信息提取子单元,进一步用于:以如下公式将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到所述位置特征值矩阵;其中,所述公式为:
Figure DEST_PATH_IMAGE027
其中
Figure DEST_PATH_IMAGE028
表示所述分类特征矩阵的
Figure DEST_PATH_IMAGE029
坐标矩阵,
Figure DEST_PATH_IMAGE030
,用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值,
Figure DEST_PATH_IMAGE031
表示所述位置特征值矩阵。
在本申请实施例中,所述控制结果生成单元140,用于将所述校正后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是否停止切割。也就是,将优化后的所述电流信号的隐含特征通过分类器中进行是否停止切割的分类判断,进而基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
在本申请一个具体的实施例中,所述控制结果生成单元,进一步用于:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成所述分类结果,其中,所述公式为:
Figure DEST_PATH_IMAGE032
,其中
Figure DEST_PATH_IMAGE033
表示将所述校正后分类特征矩阵投影为向量,
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
为各层全连接层的权重矩阵,
Figure DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE037
表示各层全连接层的偏置矩阵。
在本申请的一个实施例中,还设置有提醒装置,例如,警示灯,当分类结果为停止切割时,警示灯亮起,使工作人员停止切割。
综上,基于本申请实施例的所述智能电缆剥线设备,其通过将训练电流特征矩阵和频域统计特征矩阵之间的均方误差作为损失函数值对Taming模型进行训练,从而强化所述Taming模型的图像编码器对于所述电流信号微弱变化的感知能力,然后,将电流信号的波形图通过训练完成的所述Taming模型的图像编码器以得到分类特征矩阵,并基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,最后,将所述校正后分类特征矩阵通过分类器以得到用于表示是否停止切割的分类结果,从而实现基于切割过程中的电流变化模式来判断是否停止切割以避免伤害到所述电缆内部绝缘层和内芯。
如上所述,根据本申请实施例的所述智能电缆剥线设备100可以实现在各种终端设备中,例如部署有智能电缆剥线算法的服务器等。在一个示例中,根据智能电缆剥线设备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,该智能电缆剥线设备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,该智能电缆剥线设备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,该智能电缆剥线设备100与该终端设备也可以是分立的设备,并且智能电缆剥线设备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。
示例性方法
图5图示了根据本申请实施例的智能电缆剥线方法的流程图。如图5所示,根据本申请实施例的所述智能电缆剥线方法,包括,S110,获取电动剥线钳在切割过程中的电流信号;S120,将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;S130,基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及,S140,将所述校正后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是否停止切割。
图6图示了根据本申请实施例的的智能电缆剥线方法的系统架构的示意图。在本申请实施例中,首先,获取电动剥线钳在切割过程中的电流信号;并将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;然后,基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;最后,将所述校正后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是否停止切割。
在本申请一个具体的实施例中,所述将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,包括:所述深度卷积神经网络的各层在层的正向传递中对输入数据分别进行:使用所述深度卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;使用所述深度卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图;以及,使用所述深度卷积神经网络的各层的激活单元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,所述深度卷积神经网络的最后一层的输出为所述分类特征矩阵。
图7图示了根据本申请实施例的智能电缆剥线方法中,基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵的流程图。如图7所示,在本申请一个具体的实施例中,所述基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,包括:S210,将所述分类特征矩阵通过第一卷积层以得到局部感知特征矩阵;S220,计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩阵的按位置加和以得到全局场景特征矩阵;S230,将所述全局场景特征矩阵通过第二卷积层以得到全局场景语义推理特征矩阵;S240,将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值矩阵;以及,S250,计算所述位置特征值矩阵和所述全局场景语义推理特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
在本申请一个具体的实施例中,所述将所述全局场景特征矩阵通过第二卷积层以得到全局场景语义推理特征矩阵,包括:使用所述第二卷积层以如下公式对于所述全局场景特征矩阵进行处理以得到所述全局场景语义推理特征矩阵;其中,所述公式为:
Figure DEST_PATH_IMAGE038
其中
Figure DEST_PATH_IMAGE039
表示所述全局场景特征矩阵,
Figure DEST_PATH_IMAGE040
表示所述全局场景语义推理特征矩阵,
Figure DEST_PATH_IMAGE041
为所述第二卷积层。
在本申请一个具体的实施例中,所述将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值矩阵,包括:以如下公式将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到所述位置特征值矩阵;其中,所述公式为:
Figure DEST_PATH_IMAGE042
其中
Figure DEST_PATH_IMAGE043
表示所述分类特征矩阵的
Figure DEST_PATH_IMAGE044
坐标矩阵,
Figure DEST_PATH_IMAGE045
,用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值,
Figure DEST_PATH_IMAGE046
表示所述位置特征值矩阵。
在本申请一个具体的实施例中,所述将所述校正后分类特征矩阵通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成所述分类结果,其中,所述公式为:
Figure DEST_PATH_IMAGE047
,其中
Figure DEST_PATH_IMAGE048
表示将所述校正后分类特征矩阵投影为向量,
Figure 455731DEST_PATH_IMAGE049
Figure DEST_PATH_IMAGE050
为各层全连接层的权重矩阵,
Figure 904029DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE052
表示各层全连接层的偏置矩阵。
图8图示了根据本申请实施例的智能电缆剥线方法中,对所述Taming模型进行训练的训练阶段的流程图。如图8所示,在本申请一个具体的实施例中,所述智能电缆剥线方法还包括对所述Taming模型进行训练的训练阶段;其中,所述训练阶段,包括:S310,获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;S320,基于傅里叶变换从所述电流信号提取多个频域统计特征值;S330,将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;S340,将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;S350,计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及,S360,以所述均方误差作为损失函数值对所述Taming模型进行训练。
图9图示了根据本申请实施例的智能电缆剥线方法中,对所述Taming模型进行训练的训练阶段的系统架构的示意图。如图9所示,在对所述Taming模型进行训练的训练阶段的系统架构中,首先,获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号。然后,基于傅里叶变换从所述电流信号提取多个频域统计特征值。接着将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵。同时,将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;最后,计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差,并以所述均方误差作为损失函数值对所述Taming模型进行训练。
这里,本领域技术人员可以理解,上述智能电缆剥线方法中的各个步骤的具体操作已经在上面参考图1到图4的智能电缆剥线设备的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图10来描述根据本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10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智能电缆剥线以及/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电动剥线钳在切割过程中的电流信号等各种内容。
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。
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智能电缆剥线方法的步骤。
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智能电缆剥线方法的步骤。
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 (8)

1.一种智能电缆剥线设备,其特征在于,包括:
电流信号监测单元,用于获取电动剥线钳在切割过程中的电流信号;
电流特征编码单元,用于将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;
电流特征校正单元,用于基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及
控制结果生成单元,用于将所述校正后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是否停止切割;
其中,所述电流特征校正单元,包括:
局部感知子单元,用于将所述分类特征矩阵通过第一卷积层以得到局部感知特征矩阵;
全局场景构造子单元,用于计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩阵的按位置加和以得到全局场景特征矩阵;
语义推理子单元,用于将所述全局场景特征矩阵通过第二卷积层以得到全局场景语义推理特征矩阵;
位置信息提取子单元,用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值矩阵;以及
位置转化单元,用于计算所述位置特征值矩阵和所述全局场景语义推理特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
2.根据权利要求1所述的智能电缆剥线设备,其特征在于,所述电流特征编码单元,进一步用于:所述深度卷积神经网络的各层在层的正向传递中对输入数据分别进行:
使用所述深度卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
使用所述深度卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图;以及
使用所述深度卷积神经网络的各层的激活单元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,所述深度卷积神经网络的最后一层的输出为所述分类特征矩阵。
3.根据权利要求2所述的智能电缆剥线设备,其特征在于,所述语义推理子单元,进一步用于:使用所述第二卷积层以如下公式对于所述全局场景特征矩阵进行处理以得到所述全局场景语义推理特征矩阵;
其中,所述公式为:
Mc=Cov1(Ms)
其中Ms表示所述全局场景特征矩阵,Mc表示所述全局场景语义推理特征矩阵,Cov1()为所述第二卷积层。
4.根据权利要求3所述的智能电缆剥线设备,其特征在于,所述位置信息提取子单元,进一步用于:以如下公式将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到所述位置特征值矩阵;
其中,所述公式为:
Mp=Φ(PM)
其中PM表示所述分类特征矩阵的(x,y)坐标矩阵,
Figure FDA0003913935140000021
用于将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值,Mp表示所述位置特征值矩阵。
5.根据权利要求4所述的智能电缆剥线设备,其特征在于,所述控制结果生成单元,进一步用于:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成所述分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
6.根据权利要求1所述的智能电缆剥线设备,其特征在于,所述智能电缆剥线设备还包括用于对所述Taming模型进行训练的训练模块;
其中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;
频域特征提取单元,用于基于傅里叶变换从所述电流信号提取多个频域统计特征值;
频域特征编码单元,用于将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;
电流图形编码单元,用于将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;
损失计算单元,用于计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及
训练单元,用于以所述均方误差作为损失函数值对所述Taming模型进行训练。
7.一种智能电缆剥线方法,其特征在于,包括:
获取电动剥线钳在切割过程中的电流信号;
将所述电流信号的波形图通过训练完成的Taming模型的图像编码器以得到分类特征矩阵,其中,所述图像编码器使用深度卷积神经网络对所述电流信号的波形图进行编码;
基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵;以及
将所述校正后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是否停止切割;
其中,所述基于所述分类特征矩阵中各个元素的位置信息,对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵,包括:
将所述分类特征矩阵通过第一卷积层以得到局部感知特征矩阵;
计算所述局部感知特征矩阵和所述分类特征矩阵的转置矩阵的按位置加和以得到全局场景特征矩阵;
将所述全局场景特征矩阵通过第二卷积层以得到全局场景语义推理特征矩阵;
将所述分类特征矩阵中各个元素的二维位置坐标映射为一维数值以得到位置特征值矩阵;以及
计算所述位置特征值矩阵和所述全局场景语义推理特征矩阵的按位置点乘以得到所述校正后分类特征矩阵。
8.根据权利要求7所述的智能电缆剥线方法,其特征在于,所述智能电缆剥线方法还包括对所述Taming模型进行训练的训练阶段;
其中,所述训练阶段,包括:
获取训练数据,所述训练数据为电动剥线钳在切割过程中的电流信号;
基于傅里叶变换从所述电流信号提取多个频域统计特征值;
将所述多个频域统计特征值通过所述Taming模型的序列编码器以得到多个频域统计特征向量,并将所述多个频域统计特征向量进行二维排列为频域统计特征矩阵;
将所述电流信号通过所述Taming模型的图像编码器以得到训练电流特征矩阵;
计算所述训练电流特征矩阵和所述频域统计特征矩阵之间的均方误差;以及
以所述均方误差作为损失函数值对所述Taming模型进行训练。
CN202211106765.4A 2022-09-13 2022-09-13 智能电缆剥线设备及其方法 Active CN115186774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211106765.4A CN115186774B (zh) 2022-09-13 2022-09-13 智能电缆剥线设备及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211106765.4A CN115186774B (zh) 2022-09-13 2022-09-13 智能电缆剥线设备及其方法

Publications (2)

Publication Number Publication Date
CN115186774A CN115186774A (zh) 2022-10-14
CN115186774B true CN115186774B (zh) 2022-12-16

Family

ID=83524197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211106765.4A Active CN115186774B (zh) 2022-09-13 2022-09-13 智能电缆剥线设备及其方法

Country Status (1)

Country Link
CN (1) CN115186774B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115857614B (zh) * 2022-11-17 2023-12-29 弘正储能(上海)能源科技有限公司 多路光伏mppt交错式boost控制方法及其系统
CN116470885B (zh) * 2023-06-17 2023-09-29 浙江佳环电子有限公司 高压脉冲电路系统及其控制方法
CN116503816B (zh) * 2023-06-28 2023-09-01 杭州久展电子有限公司 一种数据线缆的接脚分线检测方法
CN117638799B (zh) * 2023-12-14 2024-05-28 温岭市恒亚机电有限公司 具有漏电保护功能的远程变频控制器及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458858A (zh) * 2008-10-17 2009-06-17 深圳市康贝电子有限公司 一种铠装电缆防盗的检测方法及装置
CN112991173B (zh) * 2021-03-12 2024-04-16 西安电子科技大学 基于双通道特征迁移网络的单帧图像超分辨率重建方法
CN114985826A (zh) * 2022-06-22 2022-09-02 徐州飞宇机械科技有限公司 棘轮式电缆剪的最大过切深度限制装置及其限制方法
CN115002903B (zh) * 2022-07-28 2022-11-15 中集海洋工程有限公司 用于海上装备内部空间的人员轨迹定位系统及测试方法

Also Published As

Publication number Publication date
CN115186774A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN115186774B (zh) 智能电缆剥线设备及其方法
CN115203380B (zh) 基于多模态数据融合的文本处理系统及其方法
CN111460807B (zh) 序列标注方法、装置、计算机设备和存储介质
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN115859437A (zh) 基于分布式光纤传感系统的导管架水下应力检测系统
CN112528634A (zh) 文本纠错模型训练、识别方法、装置、设备及存储介质
CN115783923A (zh) 基于大数据的电梯故障模式识别系统
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN115951883B (zh) 分布式微服务架构的服务组件管理系统及其方法
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN115392301A (zh) 换流变压器状态识别方法、装置、设备、介质和程序产品
CN115146676A (zh) 电路故障检测方法及其系统
CN115118675A (zh) 基于智能网卡设备实现的数据流传输加速方法及其系统
CN109919214B (zh) 一种神经网络模型的训练方法及训练装置
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN110135583B (zh) 标注信息的生成方法、标注信息的生成装置和电子设备
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
CN112465805A (zh) 用于钢筋冲压折弯的质量检测的神经网络的训练方法
CN115788793A (zh) 全局监控预警方法及其系统
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN114239760B (zh) 多模态模型训练以及图像识别方法、装置、电子设备
CN116385733A (zh) 用于斗轮机的高精度定位系统及其方法
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法
CN115450852A (zh) 风机的智能转速监控系统及其监控方法
CN113571046A (zh) 一种人工智能语音识别分析方法、系统、装置及存储介质

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