CN115571656B - 基于料位检测的自动排土控制方法及其系统 - Google Patents
基于料位检测的自动排土控制方法及其系统 Download PDFInfo
- Publication number
- CN115571656B CN115571656B CN202211188584.0A CN202211188584A CN115571656B CN 115571656 B CN115571656 B CN 115571656B CN 202211188584 A CN202211188584 A CN 202211188584A CN 115571656 B CN115571656 B CN 115571656B
- Authority
- CN
- China
- Prior art keywords
- matrix
- level
- decoding
- training
- signal intensity
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 138
- 239000002689 soil Substances 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000007599 discharging Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 342
- 238000012549 training Methods 0.000 claims description 140
- 230000007246 mechanism Effects 0.000 claims description 76
- 238000013527 convolutional neural network Methods 0.000 claims description 60
- 238000003062 neural network model Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 23
- 238000012935 Averaging Methods 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000011343 solid material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/005—Control arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G65/00—Loading or unloading
- B65G65/28—Piling or unpiling loose materials in bulk, e.g. coal, manure, timber, not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/04—Bulk
- B65G2201/045—Sand, soil and mineral ore
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Fluid Mechanics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种基于料位检测的自动排土控制方法及其系统,其通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内,以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,基于校正测量值确定是否进行排土,进而提高自动排土控制的准确性。
Description
技术领域
本申请涉及排土技术领域,且更为具体地,涉及一种基于料位检测的自动排土控制方法及其系统。
技术背景
雷达料位计是基于时间行程原理的测量仪表,雷达波以光速运行,运行时间可以通过电子部件被转化为物位信号,探头发出高频脉冲并沿缆绳传播,当脉冲遇到物料表面时反射回来被仪表内的接收器接收,并将距离信号转化为物位信号。
电磁波可以穿透空间蒸汽、粉尘等干扰源,遇到障碍物易于被反射,被测介质导电性越好或介电常数越大,回波信号的反射效果越好。
发射-反射-接收是雷达式料位计工作的基本原理。雷达传感器的天线以波束的形式发射最小5.8GHz的雷达信号。反射回来的信号仍由天线接收,雷达料位计雷达脉冲信号从发射到接收的运行时间与传感器到介质表面的距离以及物位成比例。
目前,现有的排土机上通过安装雷达料位计来检测料位高度,以实现自动排土。但是,当测量固态物料时,由于固体介质会有一个堆角,传感器要倾斜一定的角度。相应地,利用雷达料位计进行料位测量时,排土带的堆角会时刻发生变化,导致雷达料位计的测量发生偏差,进而导致控制的偏差。
因此,期待一种优化的基于料位检测的自动排土控制方案。
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基于料位检测的自动排土控制方法及其系统,其通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内,以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,基于校正测量值确定是否进行排土,进而提高自动排土控制的准确性。
根据本申请的一个方面,提供了一种基于料位检测的自动排土控制方法,其包括:
获取由以面阵形式排布的多个雷达料位计采集的多个料位值;
将所述多个料位值按照所述面阵形式排列为料位输入矩阵;
将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;
获取所述多个雷达料位计在测量料位值时的接收信号强度值;
将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;
将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;
融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;
将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及
基于所述解码值,确定是否进行排土。
在上述基于料位检测的自动排土控制方法中,所述将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵,包括:使用所述第一卷积神经网络模型的卷积编码部分对所述料位输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图;将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图;计算所述第一空间注意力特征图和所述初始卷积特征图的按位置点乘以得到料位特征图;以及,对所述料位特征图进行沿通道维度的全局均值池化处理以得到所述料位特征矩阵。
在上述基于料位检测的自动排土控制方法中,所述将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵,包括:使用所述第二卷积神经网络模型的卷积编码部分对所述信号强度输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图;将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图;计算所述第二空间注意力特征图和所述初始卷积特征图的按位置点乘以得到信号强度特征图;以及,对所述信号强度特征图进行沿通道维度的全局均值池化处理以得到所述信号强度特征矩阵。
在上述基于料位检测的自动排土控制方法中,所述融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵,包括:以如下公式来融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述信号强度特征矩阵,为所述料位特征
矩阵,“”表示所述信号强度特征矩阵和所述料位特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述信号强度特征矩阵和所述料位特征矩阵之间的平衡
的加权参数。
在上述基于料位检测的自动排土控制方法中,所述将所述解码特征矩阵通过训练
完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值,包括:使用所述解
码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
在上述基于料位检测的自动排土控制方法中,所述基于所述解码值,确定是否进行排土,包括:基于所述解码值与预定阈值之间的比较,确定是否进行排土。
在上述基于料位检测的自动排土控制方法中,还包括:对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练。
在上述基于料位检测的自动排土控制方法中,所述对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练,包括:获取训练数据,所述训练数据包括:由以面阵形式排布的所述多个雷达料位计采集的多个训练料位值、所述多个雷达料位计在测量料位值时的训练接收信号强度值和真实料位值;将所述多个训练料位值和所述多个训练接收信号强度值按照所述面阵形式排列为训练料位输入矩阵和训练信号强度输入矩阵;将所述训练料位输入矩阵通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练料位特征矩阵;将所述训练信号强度输入矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练信号强度特征矩阵;融合所述训练信号强度特征矩阵和所述训练料位特征矩阵以得到训练解码特征矩阵;将所述训练解码特征矩阵通过所述解码器以得到解码损失函数值;以及,基于所述解码损失函数值并以梯度下降的反向传播算法来对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行迭代地训练,其中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,对由所述解码特征矩阵展开后得到的解码特征向量进行迭代。
在上述基于料位检测的自动排土控制方法中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,以如下公式对由所述解码特征矩阵展开后得到的解码特征向量进行迭代,其中,所述公式为:
其中表示所述解码特征矩阵展开后得到的解码特征向量,和分别表示所述
解码器在每次迭代更新前后的权重矩阵,表示向量的零范数,表示向量的指数运
算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示
按位置加法,表示按位置减法,表示矩阵相乘。
根据本申请的另一方面,提供了一种基于料位检测的自动排土控制系统,包括:
料位值获取单元,用于获取由以面阵形式排布的多个雷达料位计采集的多个料位值;
料位值排列单元,用于将所述多个料位值按照所述面阵形式排列为料位输入矩阵;
料位值空间关注单元,用于将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;
信号强度值获取单元,用于获取所述多个雷达料位计在测量料位值时的接收信号强度值;
信号强度排列单元,用于将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;
信号强度空间关注单元,用于将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;
解码特征矩阵生成单元,用于融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;
解码回归单元,用于将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及
比较单元,用于基于所述解码值,确定是否进行排土。
在上述基于料位检测的自动排土控制系统中,所述料位值空间关注单元,进一步用于:使用所述第一卷积神经网络模型的卷积编码部分对所述料位输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图;将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图;计算所述第一空间注意力特征图和所述初始卷积特征图的按位置点乘以得到料位特征图;以及,对所述料位特征图进行沿通道维度的全局均值池化处理以得到所述料位特征矩阵。
在上述基于料位检测的自动排土控制系统中,所述信号强度空间关注单元,进一步用于:使用所述第二卷积神经网络模型的卷积编码部分对所述信号强度输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图;将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图;计算所述第二空间注意力特征图和所述初始卷积特征图的按位置点乘以得到信号强度特征图;以及,对所述信号强度特征图进行沿通道维度的全局均值池化处理以得到所述信号强度特征矩阵。
在上述基于料位检测的自动排土控制系统中,所述解码特征矩阵生成单元,进一步用于:以如下公式来融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述信号强度特征矩阵,为所述料位特征
矩阵,“”表示所述信号强度特征矩阵和所述料位特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述信号强度特征矩阵和所述料位特征矩阵之间的平衡
的加权参数。
在上述基于料位检测的自动排土控制系统中,所述解码回归单元,进一步用于:使
用所述解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其中,所
述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表
示矩阵乘。
在上述基于料位检测的自动排土控制系统中,所述比较单元,进一步用于:基于所述解码值与预定阈值之间的比较,确定是否进行排土。
在上述基于料位检测的自动排土控制系统中,还包括:对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的训练模块。所述对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括:由以面阵形式排布的所述多个雷达料位计采集的多个训练料位值、所述多个雷达料位计在测量料位值时的训练接收信号强度值和真实料位值;训练数据输入矩阵构造单元,用于将所述多个训练料位值和所述多个训练接收信号强度值按照所述面阵形式排列为训练料位输入矩阵和训练信号强度输入矩阵;训练料位特征矩阵生成单元,用于将所述训练料位输入矩阵通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练料位特征矩阵;训练信号强度特征矩阵生成单元,用于将所述训练信号强度输入矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练信号强度特征矩阵;融合单元,用于融合所述训练信号强度特征矩阵和所述训练料位特征矩阵以得到训练解码特征矩阵;解码损失函数值生成单元,用于将所述训练解码特征矩阵通过所述解码器以得到解码损失函数值;以及,迭代训练单元,用于基于所述解码损失函数值并以梯度下降的反向传播算法来对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行迭代地训练,其中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,对由所述解码特征矩阵展开后得到的解码特征向量进行迭代。
在上述基于料位检测的自动排土控制系统中,所述迭代训练单元,进一步用于:在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,以如下公式对由所述解码特征矩阵展开后得到的解码特征向量进行迭代,其中,所述公式为:
其中表示所述解码特征矩阵展开后得到的解码特征向量,和分别表示所述
解码器在每次迭代更新前后的权重矩阵,表示向量的零范数,表示向量的指数运
算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示
按位置加法,表示按位置减法,表示矩阵相乘。
与现有技术相比,本申请提供的基于料位检测的自动排土控制方法及其系统,其通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内,以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,基于校正测量值确定是否进行排土,进而提高自动排土控制的准确性。
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基于料位检测的自动排土控制方法的应用场景图。
图2图示了根据本申请实施例的基于料位检测的自动排土控制方法的流程图。
图3图示了根据本申请实施例的基于料位检测的自动排土控制方法的架构图。
图4图示了根据本申请实施例的基于料位检测的自动排土控制方法中对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的流程图。
图5图示了根据本申请实施例的基于料位检测的自动排土控制系统的框图。
图6图示了根据本申请实施例的基于料位检测的自动排土控制系统中训练模块的框图。
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。
申请概述
如上所述,现有的排土机上通过安装雷达料位计来检测料位高度,以实现自动排土。但是,当测量固态物料时,由于固体介质会有一个堆角,传感器要倾斜一定的角度。相应地,利用雷达料位计进行料位测量时,排土带的堆角会时刻发生变化,导致雷达料位计的测量发生偏差,进而导致控制的偏差。因此,期待一种优化的基于料位检测的自动排土控制方案。
相应地,为了能够实时准确地进行料位校正测量,以提高自动排土控制的准确性。因此,在本申请的技术方案中,期望使用基于深度学习的人工智能控制技术,通过安装多个雷达料位计以面阵的形式进行排布来同时进行料位的测量。也就是,通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内。并且,为了能够对于所述多个雷达料位计之间产生的信号干扰进行滤除以提高测量的精准度,进一步以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响。然后,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,能够实时准确地进行料位校正测量,进而提高自动排土控制的准确性。
具体地,在本申请的技术方案中,首先,通过以面阵形式排布的多个雷达料位计采集多个料位值,并把所述多个料位值按照所述面阵形式排列为料位输入矩阵。这样,能够整合具有空间位置信息的所述以面阵形式排布的多个雷达料位计共同采集的料位值的数据信息,有利于提高后续的特征提取。接着,再将所述料位输入矩阵通过在隐含关联特征提取方面具有优异表现的卷积神经网络模型中进行特征挖掘,但是考虑到在采集到的所述多个料位值排列的具有面阵形式空间特征信息的所述料位输入矩阵中,所述各个料位值之间具有着空间上的关联性特征。因此,为了能够在聚焦于所述各个料位值的空间位置关联特征分布信息来将排土带的对角值纳入考虑范围内,在本申请的技术方案中,进一步使用空间注意力机制的第一卷积神经网络模型来对于所述料位输入矩阵进行处理,以提取出所述各个料位值之间的空间关联隐含特征,从而得到料位特征矩阵。
然后,考虑到在利用所述以面阵形式排布的多个雷达料位计进行料位测量时,会因所述各个雷达料位计之间产生的信号干扰而影响测量精度。因此,在本申请的技术方案中,为了能够对于所述多个雷达料位计之间产生的信号干扰进行滤除以提高测量的精准度,进一步以所述多个雷达料位计在测量料位值时的接收信号强度关联矩阵来表示信号干扰所带来的测量精度影响。也就是,具体地,首先将采集到的所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵。接着,由于以所述面阵形式排列的信号强度输入矩阵中的所述各个接收信号强度值在空间位置上也具有着关联性的特征分布信息,因此,进一步使用空间注意力机制的第二卷积神经网络模型来对于所述信号强度输入矩阵进行处理,以提取出所述各个雷达料位计的接收信号强度值在聚焦于空间维度上的隐含关联特征分布信息,以此来表示所述信号干扰所带来的测量精度影响,从而得到信号强度特征矩阵。
进一步地,就可以融合所述信号强度特征矩阵和所述料位特征矩阵来进行解码回归,以得到用于表示料位校正测量值的解码值。这样,能够在滤除所述各个雷达料位计之间的信号干扰和所述排土带的对角值的影响下,对于所述料位进行准确地校正测量,进而提高排土控制的准确性。
特别地,在本申请的技术方案中,由于所述料位特征矩阵包括通过使用空间注意力机制的第一卷积神经网络模型提取到的料位值跨面阵空间位置分布关联特征,而所述信号强度特征矩阵包括通过使用空间注意力机制的第二卷积神经网络模型提取到的信号干扰跨面阵空间位置分布关联特征,使得在融合所述信号强度特征矩阵和所述料位特征矩阵得到的解码特征矩阵中具有较多的局部跨面阵空间位置分布关联模式,这样,当将解码特征矩阵在通过解码器进行解码回归时,解码器的权重矩阵通过参数调整来与所述解码特征矩阵的适配负担较重,影响了解码器的训练速度和解码结果的准确性。
也就是,以解码器在迭代时权重矩阵的参数更新前后的场景点相关性的度量作为
校正因数,来对解码特征向量的解码回归表示进行优化,以通过解码器的解码场景的分布
相似性做出支持来对解码特征向量进行相关性描述,以在对于解码器的权重矩阵进行参
数更新的同时,提升优化后的解码特征向量对于所述参数更新的适配程度,从而加快了
解码器的训练速度,且提高了解码结果的准确性。这样,能够实时准确地进行料位的校正测
量,进而提高自动排土控制的准确性。
基于此,本申请提出了一种基于料位检测的自动排土控制方法,其包括:获取由以面阵形式排布的多个雷达料位计采集的多个料位值;将所述多个料位值按照所述面阵形式排列为料位输入矩阵;将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;获取所述多个雷达料位计在测量料位值时的接收信号强度值;将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及,基于所述解码值,确定是否进行排土。
图1图示了根据本申请实施例的基于料位检测的自动排土控制方法的应用场景图。如图1所示,在该应用场景中,首先获取由以面阵形式排布的多个雷达料位计(例如,如图1中所示意的Se1至Sen)采集的多个料位值和所述多个雷达料位计在测量料位值时的接收信号强度值。进而,将所述多个料位值和所述多个接收信号强度值输入至部署有基于料位检测的自动排土控制算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述基于料位检测的自动排土控制算法对所述多个料位值和所述多个接收信号强度值进行处理,以得到用于表示料位校正测量值的解码值,并基于所述解码值,确定是否进行排土。
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图示了根据本申请实施例的基于料位检测的自动排土控制方法的流程图。如图2所示,根据本申请实施例的基于料位检测的自动排土控制方法,包括:S110,获取由以面阵形式排布的多个雷达料位计采集的多个料位值;S120,将所述多个料位值按照所述面阵形式排列为料位输入矩阵;S130,将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;S140,获取所述多个雷达料位计在测量料位值时的接收信号强度值;S150,将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;S160,将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;S170,融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;S180,将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及,S190,基于所述解码值,确定是否进行排土。
图3图示了根据本申请实施例的基于料位检测的自动排土控制方法的架构图。如图3所示,在该架构图中,首先获取由以面阵形式排布的多个雷达料位计采集的多个料位值。接着,将所述多个料位值按照所述面阵形式排列为料位输入矩阵。然后,将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵。进而,获取所述多个雷达料位计在测量料位值时的接收信号强度值。接着,将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵。然后,将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵。进而,融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵。接着,将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值,并基于所述解码值,确定是否进行排土。
在步骤S110中,获取由以面阵形式排布的多个雷达料位计采集的多个料位值。如上所述,现有的排土机上通过安装雷达料位计来检测料位高度,以实现自动排土。但是,当测量固态物料时,由于固体介质会有一个堆角,传感器要倾斜一定的角度。相应地,利用雷达料位计进行料位测量时,排土带的堆角会时刻发生变化,导致雷达料位计的测量发生偏差,进而导致控制的偏差。因此,期待一种优化的基于料位检测的自动排土控制方案。相应地,为了能够实时准确地进行料位校正测量,以提高自动排土控制的准确性。因此,在本申请的技术方案中,期望使用基于深度学习的人工智能控制技术,通过安装多个雷达料位计以面阵的形式进行排布来同时进行料位的测量。也就是,通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内。并且,为了能够对于所述多个雷达料位计之间产生的信号干扰进行滤除以提高测量的精准度,进一步以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响。然后,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,能够实时准确地进行料位校正测量,进而提高自动排土控制的准确性。具体地,在本申请的技术方案中,首先,通过以面阵形式排布的多个雷达料位计采集多个料位值。
在步骤S120中,将所述多个料位值按照所述面阵形式排列为料位输入矩阵。这样,能够整合具有空间位置信息的所述以面阵形式排布的多个雷达料位计共同采集的料位值的数据信息,有利于提高后续的特征提取。
在步骤S130中,将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵。也就是,将所述料位输入矩阵通过在隐含关联特征提取方面具有优异表现的卷积神经网络模型中进行特征挖掘,但是考虑到在采集到的所述多个料位值排列的具有面阵形式空间特征信息的所述料位输入矩阵中,所述各个料位值之间具有着空间上的关联性特征。因此,为了能够在聚焦于所述各个料位值的空间位置关联特征分布信息来将排土带的对角值纳入考虑范围内,在本申请的技术方案中,进一步使用空间注意力机制的第一卷积神经网络模型来对于所述料位输入矩阵进行处理,以提取出所述各个料位值之间的空间关联隐含特征,从而得到料位特征矩阵。
在一个示例中,在上述基于料位检测的自动排土控制方法中,所述将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵,包括:使用所述第一卷积神经网络模型的卷积编码部分对所述料位输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图;将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图;计算所述第一空间注意力特征图和所述初始卷积特征图的按位置点乘以得到料位特征图;以及,对所述料位特征图进行沿通道维度的全局均值池化处理以得到所述料位特征矩阵。
在步骤S140中,获取所述多个雷达料位计在测量料位值时的接收信号强度值。考虑到在利用所述以面阵形式排布的多个雷达料位计进行料位测量时,会因所述各个雷达料位计之间产生的信号干扰而影响测量精度。因此,在本申请的技术方案中,为了能够对于所述多个雷达料位计之间产生的信号干扰进行滤除以提高测量的精准度,进一步以所述多个雷达料位计在测量料位值时的接收信号强度关联矩阵来表示信号干扰所带来的测量精度影响。也就是,首先获取所述多个雷达料位计在测量料位值时的接收信号强度值。
在步骤S150中,将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵。也就是,将采集到的所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵。
在步骤S160中,将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵。由于以所述面阵形式排列的信号强度输入矩阵中的所述各个接收信号强度值在空间位置上也具有着关联性的特征分布信息,因此,进一步使用空间注意力机制的第二卷积神经网络模型来对于所述信号强度输入矩阵进行处理,以提取出所述各个雷达料位计的接收信号强度值在聚焦于空间维度上的隐含关联特征分布信息,以此来表示所述信号干扰所带来的测量精度影响,从而得到信号强度特征矩阵。
在一个示例中,在上述基于料位检测的自动排土控制方法中,所述将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵,包括:使用所述第二卷积神经网络模型的卷积编码部分对所述信号强度输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图;将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图;计算所述第二空间注意力特征图和所述初始卷积特征图的按位置点乘以得到信号强度特征图;以及,对所述信号强度特征图进行沿通道维度的全局均值池化处理以得到所述信号强度特征矩阵。
在步骤S170中,融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵。进一步地,就可以融合所述信号强度特征矩阵和所述料位特征矩阵来进行解码回归。
在一个示例中,在上述基于料位检测的自动排土控制方法中,所述融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵,包括:以如下公式来融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述信号强度特征矩阵,为所述料位特征
矩阵,“”表示所述信号强度特征矩阵和所述料位特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述信号强度特征矩阵和所述料位特征矩阵之间的平衡
的加权参数。
在步骤S180中,将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值。所述解码值滤除了所述各个雷达料位计之间的信号干扰和所述排土带的对角值的影响。
在一个示例中,在上述基于料位检测的自动排土控制方法中,所述将所述解码特
征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值,包
括:使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值;其
中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
在步骤S190中,基于所述解码值,确定是否进行排土。这样,能够在滤除所述各个雷达料位计之间的信号干扰和所述排土带的对角值的影响下,对于所述料位进行准确地校正测量,进而提高排土控制的准确性。
在一个示例中,在上述基于料位检测的自动排土控制方法中,所述基于所述解码值,确定是否进行排土,包括:基于所述解码值与预定阈值之间的比较,确定是否进行排土。
在上述基于料位检测的自动排土控制方法中,还包括:对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练。
图4图示了根据本申请实施例的基于料位检测的自动排土控制方法中对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的流程图。如图4所示,在上述基于料位检测的自动排土控制方法中,所述对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练,包括步骤:S210,获取训练数据,所述训练数据包括:由以面阵形式排布的所述多个雷达料位计采集的多个训练料位值、所述多个雷达料位计在测量料位值时的训练接收信号强度值和真实料位值;S220,将所述多个训练料位值和所述多个训练接收信号强度值按照所述面阵形式排列为训练料位输入矩阵和训练信号强度输入矩阵;S230,将所述训练料位输入矩阵通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练料位特征矩阵;S240,将所述训练信号强度输入矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练信号强度特征矩阵;S250,融合所述训练信号强度特征矩阵和所述训练料位特征矩阵以得到训练解码特征矩阵;S260,将所述训练解码特征矩阵通过所述解码器以得到解码损失函数值;以及,S270,基于所述解码损失函数值并以梯度下降的反向传播算法来对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行迭代地训练,其中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,对由所述解码特征矩阵展开后得到的解码特征向量进行迭代。
特别地,在本申请的技术方案中,由于所述料位特征矩阵包括通过使用空间注意力机制的第一卷积神经网络模型提取到的料位值跨面阵空间位置分布关联特征,而所述信号强度特征矩阵包括通过使用空间注意力机制的第二卷积神经网络模型提取到的信号干扰跨面阵空间位置分布关联特征,使得在融合所述信号强度特征矩阵和所述料位特征矩阵得到的解码特征矩阵中具有较多的局部跨面阵空间位置分布关联模式,这样,当将解码特征矩阵在通过解码器进行解码回归时,解码器的权重矩阵通过参数调整来与所述解码特征矩阵的适配负担较重,影响了解码器的训练速度和解码结果的准确性。基于此,在本申请的技术方案中,在解码器的训练过程当中,引入解码器迭代的场景相关优化。
在一个示例中,在上述基于料位检测的自动排土控制方法中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,以如下公式对由所述解码特征矩阵展开后得到的解码特征向量进行迭代,其中,所述公式为:
其中表示所述解码特征矩阵展开后得到的解码特征向量,和分别表示所述
解码器在每次迭代更新前后的权重矩阵,表示向量的零范数,表示向量的指数运
算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示
按位置加法,表示按位置减法,表示矩阵相乘。
也就是,以解码器在迭代时权重矩阵的参数更新前后的场景点相关性的度量作为
校正因数,来对解码特征向量的解码回归表示进行优化,以通过解码器的解码场景的分布
相似性做出支持来对解码特征向量进行相关性描述,以在对于解码器的权重矩阵进行参
数更新的同时,提升优化后的解码特征向量对于所述参数更新的适配程度,从而加快了
解码器的训练速度,且提高了解码结果的准确性。这样,能够实时准确地进行料位的校正测
量,进而提高自动排土控制的准确性。
综上,基于本申请实施例的基于料位检测的自动排土控制方法被阐明,其通过以面阵形式排布的多个雷达料位计共同采集料位值,从而可基于各个料位值之间的关联性特征来将排土带的对角值纳入考虑范围内,以所述多个雷达料位计在测量时的接收信号强度关联特征来表示信号干扰所带来的测量精度影响,融合这两者的隐含特征信息来进行解码回归得到更为准确的所述料位的校正测量值。这样,基于校正测量值确定是否进行排土,进而提高自动排土控制的准确性。
示例性系统
图5图示了根据本申请实施例的基于料位检测的自动排土控制系统的框图。如图5所示,根据本申请实施例的基于料位检测的自动排土控制系统100,包括:料位值获取单元110,用于获取由以面阵形式排布的多个雷达料位计采集的多个料位值;料位值排列单元120,用于将所述多个料位值按照所述面阵形式排列为料位输入矩阵;料位值空间关注单元130,用于将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;信号强度值获取单元140,用于获取所述多个雷达料位计在测量料位值时的接收信号强度值;信号强度排列单元150,用于将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;信号强度空间关注单元160,用于将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;解码特征矩阵生成单元170,用于融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;解码回归单元180,用于将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及,比较单元190,用于基于所述解码值,确定是否进行排土。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述料位值空间关注单元130,进一步用于:使用所述第一卷积神经网络模型的卷积编码部分对所述料位输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图;将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图;计算所述第一空间注意力特征图和所述初始卷积特征图的按位置点乘以得到料位特征图;以及,对所述料位特征图进行沿通道维度的全局均值池化处理以得到所述料位特征矩阵。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述信号强度空间关注单元160,进一步用于:使用所述第二卷积神经网络模型的卷积编码部分对所述信号强度输入矩阵进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图;将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图;计算所述第二空间注意力特征图和所述初始卷积特征图的按位置点乘以得到信号强度特征图;以及,对所述信号强度特征图进行沿通道维度的全局均值池化处理以得到所述信号强度特征矩阵。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述解码特征矩阵生成单元170,进一步用于:以如下公式来融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;其中,所述公式为:
其中,为所述解码特征矩阵,为所述信号强度特征矩阵,为所述料位特征
矩阵,“”表示所述信号强度特征矩阵和所述料位特征矩阵相对应位置处的元素相加,和为用于控制所述解码特征矩阵中所述信号强度特征矩阵和所述料位特征矩阵之间的平衡
的加权参数。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述解码回归单
元180,进一步用于:使用所述解码器以如下公式对所述解码特征矩阵进行解码回归以获得
所述解码值;其中,所述公式为:,其中是所述解码特征矩阵,是所述解码值,是权重矩阵,表示矩阵乘。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述比较单元190,进一步用于:基于所述解码值与预定阈值之间的比较,确定是否进行排土。
在上述基于料位检测的自动排土控制系统100中,还包括:对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的训练模块200。
图6图示了根据本申请实施例的基于料位检测的自动排土控制系统中训练模块的框图。如图6所示,所述对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练的训练模块200,包括:训练数据获取单元210,用于获取训练数据,所述训练数据包括:由以面阵形式排布的所述多个雷达料位计采集的多个训练料位值、所述多个雷达料位计在测量料位值时的训练接收信号强度值和真实料位值;训练数据输入矩阵构造单元220,用于将所述多个训练料位值和所述多个训练接收信号强度值按照所述面阵形式排列为训练料位输入矩阵和训练信号强度输入矩阵;训练料位特征矩阵生成单元230,用于将所述训练料位输入矩阵通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练料位特征矩阵;训练信号强度特征矩阵生成单元240,用于将所述训练信号强度输入矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练信号强度特征矩阵;融合单元250,用于融合所述训练信号强度特征矩阵和所述训练料位特征矩阵以得到训练解码特征矩阵;解码损失函数值生成单元260,用于将所述训练解码特征矩阵通过所述解码器以得到解码损失函数值;以及,迭代训练单元270,用于基于所述解码损失函数值并以梯度下降的反向传播算法来对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行迭代地训练,其中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,对由所述解码特征矩阵展开后得到的解码特征向量进行迭代。
在一个示例中,在上述基于料位检测的自动排土控制系统100中,所述迭代训练单元270,进一步用于:在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,以如下公式对由所述解码特征矩阵展开后得到的解码特征向量进行迭代,其中,所述公式为:
其中表示所述解码特征矩阵展开后得到的解码特征向量,和分别表示所述
解码器在每次迭代更新前后的权重矩阵,表示向量的零范数,表示向量的指数运
算,所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值,表示
按位置加法,表示按位置减法,表示矩阵相乘。
这里,本领域技术人员可以理解,上述基于料位检测的自动排土控制系统 100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于料位检测的自动排土控制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基于料位检测的自动排土控制系统 100可以实现在各种终端设备中,例如用于基于料位检测的自动排土控制的服务器等。在一个示例中,根据本申请实施例的基于料位检测的自动排土控制系统 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,该基于料位检测的自动排土控制系统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,该基于料位检测的自动排土控制系统 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,该基于料位检测的自动排土控制系统 100与该终端设备也可以是分立的设备,并且该基于料位检测的自动排土控制系统 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。
Claims (10)
1.一种基于料位检测的自动排土控制方法,其特征在于,包括:
获取由以面阵形式排布的多个雷达料位计采集的多个料位值;
将所述多个料位值按照所述面阵形式排列为料位输入矩阵;
将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;
获取所述多个雷达料位计在测量料位值时的接收信号强度值;
将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;
将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;
融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;
将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及
基于所述解码值,确定是否进行排土。
2.根据权利要求1所述的基于料位检测的自动排土控制方法,其特征在于,所述将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵,包括:
使用所述第一卷积神经网络模型的卷积编码部分对所述料位输入矩阵进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图;
将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图;
计算所述第一空间注意力特征图和所述初始卷积特征图的按位置点乘以得到料位特征图;以及
对所述料位特征图进行沿通道维度的全局均值池化处理以得到所述料位特征矩阵。
3.根据权利要求2所述的基于料位检测的自动排土控制方法,其特征在于,所述将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵,包括:
使用所述第二卷积神经网络模型的卷积编码部分对所述信号强度输入矩阵进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图;
将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图;
计算所述第二空间注意力特征图和所述初始卷积特征图的按位置点乘以得到信号强度特征图;以及
对所述信号强度特征图进行沿通道维度的全局均值池化处理以得到所述信号强度特征矩阵。
6.根据权利要求5所述的基于料位检测的自动排土控制方法,其特征在于,所述基于所述解码值,确定是否进行排土,包括:
基于所述解码值与预定阈值之间的比较,确定是否进行排土。
7.根据权利要求1所述的基于料位检测的自动排土控制方法,其特征在于,还包括:对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练。
8.根据权利要求7所述的基于料位检测的自动排土控制方法,其特征在于,所述对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行训练,包括:
获取训练数据,所述训练数据包括:由以面阵形式排布的所述多个雷达料位计采集的多个训练料位值、所述多个雷达料位计在测量料位值时的训练接收信号强度值和真实料位值;
将所述多个训练料位值和所述多个训练接收信号强度值按照所述面阵形式排列为训练料位输入矩阵和训练信号强度输入矩阵;
将所述训练料位输入矩阵通过所述使用空间注意力机制的第一卷积神经网络模型以得到训练料位特征矩阵;
将所述训练信号强度输入矩阵通过所述使用空间注意力机制的第二卷积神经网络模型以得到训练信号强度特征矩阵;
融合所述训练信号强度特征矩阵和所述训练料位特征矩阵以得到训练解码特征矩阵;
将所述训练解码特征矩阵通过所述解码器以得到解码损失函数值;以及
基于所述解码损失函数值并以梯度下降的反向传播算法来对所述解码器、所述使用空间注意力机制的第一卷积神经网络模型和所述使用空间注意力机制的第二卷积神经网络模型进行迭代地训练,其中,在训练的每一轮迭代中,基于所述解码器在每次迭代更新前后的权重矩阵,对由所述解码特征矩阵展开后得到的解码特征向量进行迭代。
10.一种基于料位检测的自动排土控制系统,其特征在于,包括:
料位值获取单元,用于获取由以面阵形式排布的多个雷达料位计采集的多个料位值;
料位值排列单元,用于将所述多个料位值按照所述面阵形式排列为料位输入矩阵;
料位值空间关注单元,用于将所述料位输入矩阵通过训练完成的使用空间注意力机制的第一卷积神经网络模型以得到料位特征矩阵;
信号强度值获取单元,用于获取所述多个雷达料位计在测量料位值时的接收信号强度值;
信号强度排列单元,用于将所述多个雷达料位计在测量料位值时的接收信号强度值以所述面阵形式排列为信号强度输入矩阵;
信号强度空间关注单元,用于将所述信号强度输入矩阵通过训练完成的使用空间注意力机制的第二卷积神经网络模型以得到信号强度特征矩阵;
解码特征矩阵生成单元,用于融合所述信号强度特征矩阵和所述料位特征矩阵以得到解码特征矩阵;
解码回归单元,用于将所述解码特征矩阵通过训练完成的解码器进行解码回归以得到用于表示料位校正测量值的解码值;以及
比较单元,用于基于所述解码值,确定是否进行排土。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211188584.0A CN115571656B (zh) | 2022-09-28 | 2022-09-28 | 基于料位检测的自动排土控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211188584.0A CN115571656B (zh) | 2022-09-28 | 2022-09-28 | 基于料位检测的自动排土控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115571656A CN115571656A (zh) | 2023-01-06 |
CN115571656B true CN115571656B (zh) | 2023-06-02 |
Family
ID=84582420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211188584.0A Active CN115571656B (zh) | 2022-09-28 | 2022-09-28 | 基于料位检测的自动排土控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115571656B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004251001A (ja) * | 2003-02-20 | 2004-09-09 | Shimizu Corp | トンネル掘削機の排土機構及び排土方法 |
CN101492750A (zh) * | 2008-12-30 | 2009-07-29 | 北京科技大学 | 基于工业相控阵雷达的高炉料面测量与控制系统 |
CN106352951A (zh) * | 2016-09-29 | 2017-01-25 | 上海沃纳机电设备有限公司 | 多频率雷达料位计及基于其的物料料位测量方法 |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
CN112147589A (zh) * | 2020-08-18 | 2020-12-29 | 桂林电子科技大学 | 基于卷积神经网络的频率分集阵列的雷达目标定位方法 |
CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
CN113627283A (zh) * | 2021-07-23 | 2021-11-09 | 中冶南方工程技术有限公司 | 基于雷达回波信号的料面测量方法、终端设备及存储介质 |
CN114590605A (zh) * | 2022-03-15 | 2022-06-07 | 内蒙古京宁热电有限责任公司 | 一种用于斗轮堆取料机的智能无人控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8218003B2 (en) * | 2007-10-05 | 2012-07-10 | Seiko Epson Corporation | Optimization strategies for GPU view projection matrix implementation |
-
2022
- 2022-09-28 CN CN202211188584.0A patent/CN115571656B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004251001A (ja) * | 2003-02-20 | 2004-09-09 | Shimizu Corp | トンネル掘削機の排土機構及び排土方法 |
CN101492750A (zh) * | 2008-12-30 | 2009-07-29 | 北京科技大学 | 基于工业相控阵雷达的高炉料面测量与控制系统 |
CN106352951A (zh) * | 2016-09-29 | 2017-01-25 | 上海沃纳机电设备有限公司 | 多频率雷达料位计及基于其的物料料位测量方法 |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
CN112147589A (zh) * | 2020-08-18 | 2020-12-29 | 桂林电子科技大学 | 基于卷积神经网络的频率分集阵列的雷达目标定位方法 |
CN112634292A (zh) * | 2021-01-06 | 2021-04-09 | 烟台大学 | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 |
CN113627283A (zh) * | 2021-07-23 | 2021-11-09 | 中冶南方工程技术有限公司 | 基于雷达回波信号的料面测量方法、终端设备及存储介质 |
CN114590605A (zh) * | 2022-03-15 | 2022-06-07 | 内蒙古京宁热电有限责任公司 | 一种用于斗轮堆取料机的智能无人控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115571656A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4207081B2 (ja) | 電波伝搬特性推定システム及びその方法並びにプログラム | |
CN111537987B (zh) | 一种基于遗传算法的非相干散射雷达数据反演方法 | |
CN110493869B (zh) | 一种基于rssi的k近邻差分修正质心定位方法 | |
CN112632680B (zh) | 基于深度学习的大型土木工程结构的渗漏水状况重建方法 | |
CN115685096B (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
KR20180088009A (ko) | 레이더를 이용한 거리 측정 방법 및 장치 | |
CN110426717B (zh) | 一种协同定位方法及系统、定位设备、存储介质 | |
Shangguan et al. | GF-3 polarimetric data quality assessment based on automatic extraction of distributed targets | |
CN115571656B (zh) | 基于料位检测的自动排土控制方法及其系统 | |
CN117744505A (zh) | 基于深度学习的随钻方位电磁波电阻率反演方法 | |
KR101504357B1 (ko) | 측정 데이터를 이용한 무선망 최적화용 지형 지물 정보 추출 방법 | |
Caceres et al. | WLAN-based real time vehicle locating system | |
CN113009462A (zh) | 数据处理方法、装置及设备 | |
CN110991507A (zh) | 基于分类器的道路地下空洞识别方法、装置及系统 | |
JP2020173160A (ja) | 津波高及び津波到達時間予測システム | |
Huang et al. | Generalisable convolutional neural network model for radio wave propagation in tunnels | |
CN113030841B (zh) | 一种无线电测向方法、装置以及可读存储介质 | |
US20230021093A1 (en) | Electromagnetic wave field data processing method and apparatus, and medium | |
CN116258052A (zh) | 一种路损预测方法、装置及电子设备 | |
Kidera et al. | A high-resolution imaging algorithm without derivatives based on waveform estimation for UWB radars | |
Shimizu et al. | Location estimation method for unknown signal source | |
CN107766607A (zh) | 一种用于扩展目标检测的发射接收稳健设计方法 | |
CN111914802B (zh) | 一种基于迁移学习的电离层返回散射传播模式识别方法 | |
CN104049243B (zh) | 一种合成孔径雷达图像仿真的方法及系统 | |
Shutin et al. | Application of the evidence procedure to the estimation of wireless channels |
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 |