CN115857359A - 高强度泥土的制备工艺及其系统 - Google Patents
高强度泥土的制备工艺及其系统 Download PDFInfo
- Publication number
- CN115857359A CN115857359A CN202211713481.1A CN202211713481A CN115857359A CN 115857359 A CN115857359 A CN 115857359A CN 202211713481 A CN202211713481 A CN 202211713481A CN 115857359 A CN115857359 A CN 115857359A
- Authority
- CN
- China
- Prior art keywords
- training
- ultrasonic
- monitoring
- feature
- feature vector
- 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
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Chemical Or Physical Treatment Of Fibers (AREA)
Abstract
公开了一种高强度泥土的制备工艺及其系统,其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此作为分类特征矩阵进行分类处理,以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果,进而实现对当前时间点的超声发生器功率的自适应控制。
Description
技术领域
本发明涉及混泥土制备技术领域,且更为具体地,涉及一种高强度泥土的制备工艺及其系统。
背景技术
在泥土中混入其他掺杂成分,例如天然纤维、纳米材料等,是提高泥土强度的有效途径,这种类型的泥土也被称为混泥土。由于土料就地取材、造价较低、施工便捷等优点,混泥土得到了广泛的应用,从单一的筑路工程发展到软土地区的地基加固、公路边坡的维护等。
混泥土的强度主要取决于两个要素:所掺杂的成分以及制备工艺。近年来,不同厂家尝试掺杂不同成分在泥土中以提高最终制得的泥土的强度,但关于制备工艺的改进方案却很少。
在申请号为CN108484059A的发明专利所揭露的方案中,将天然纤维与纳米材料按1:1~10的重量比混合,超声处理使天然纤维和纳米材料粘结,干燥,得到纳米材料天然纤维复合材料,其中,超声的时间为10min~300min,超声所采用的超声波装置的频率为10KHz~10MHz,功率为10W~2KW。
虽然超声处理能够使天然纤维和纳米材料粘结,但是在实际的处理过程中,发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。
因此,期待一种高强度泥土的制备工艺及其系统,其能够基于天然纤维和纳米材料的粘结状态来自适应调整超声发生器的功率,以保证粘结质量。
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强度泥土的制备工艺及其系统,其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此作为分类特征矩阵进行分类处理,以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果,进而实现对当前时间点的超声发生器功率的自适应控制。
根据本申请的一个方面,提供了一种高强度泥土的制备工艺,其包括:
获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;
从所述粘结监控视频提取多个监控关键帧;
将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;
对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;
将所述超声波信号进行S变换以得到S变换时频图;
将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;
计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;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超声发生器的功率值应增大或应减小。
在上述高强度泥土的制备工艺中,所述从所述粘结监控视频提取多个监控关键帧,包括:以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。
在上述高强度泥土的制备工艺中,所述将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:使用三维卷积核对输入数据进行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模型的最后一层的输出为所述监控特征图,所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。
在上述高强度泥土的制备工艺中,所述将所述超声波信号进行S变换以得到S变换时频图,包括:以如下公式将所述超声波信号进行S变换以得到所述S变换时频图;其中,所述公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述超声波信号,f表示频率,t表示时间。
在上述高强度泥土的制备工艺中,所述将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行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模型的最后一层的输出为所述超声波形特征向量,所述第二卷积神经网络模型的第一层的输入为所述S变换时频图。
在上述高强度泥土的制备工艺中,所述计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:
在上述高强度泥土的制备工艺中,还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练;其中,所述训练的过程,包括:获取训练数据,所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号,所述预定时间段的天然纤维和纳米材料的训练粘结监控视频,以及,所述当前时间点的超声发生器的功率值应增大或应减小的真实值;从所述训练粘结监控视频提取多个训练监控关键帧;将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图;对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量;将所述训练超声波信号进行S变换以得到训练S变换时频图;将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量;计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵;将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值;以及,以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
在上述高强度泥土的制备工艺中,所述将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述公式为:softmax{(Mc,Bc)|Project(F)},其中Project(F)表示将所述训练分类特征矩阵投影为向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏置矩阵;以及,计算所述训练分类结果与所述训练数据中所述当前时间点的超声发生器的功率值应增大或应减小的真实值之间的交叉熵值作为所述分类损失函数值。
在上述高强度泥土的制备工艺中,所述计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值,包括:以如下公式计算所述训练超声波形特征向量和所述训练监控特征向量的所述特征提取模式消解的抑制损失函数值;其中,所述公式为:
其中V1表示所述训练监控特征向量,V2表示所述训练超声波形特征向量,M1和M2分别表示所述分类器对于所述训练监控特征向量和所述训练超声波形特征向量的权重矩阵,||·||F表示矩阵的F范数,且表示向量的二范数的平方,log表示以2为底的对数函数值,/>表示按位置减法。
根据本申请的另一方面,提供了一种高强度泥土的制备系统,其包括:
数据采集单元,用于获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;
关键帧提取单元,用于从所述粘结监控视频提取多个监控关键帧;
监控特征提取单元,用于将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;
降维单元,用于对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;
S变换单元,用于将所述超声波信号进行S变换以得到S变换时频图;
超声波形特征提取单元,用于将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;
响应性估计单元,用于计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;以及
功率控制结果生成单元,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超声发生器的功率值应增大或应减小。
在上述高强度泥土的制备系统中,还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练模块;其中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号,所述预定时间段的天然纤维和纳米材料的训练粘结监控视频,以及,所述当前时间点的超声发生器的功率值应增大或应减小的真实值;训练关键帧提取单元,用于从所述训练粘结监控视频提取多个训练监控关键帧;训练监控特征提取单元,用于将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图;训练降维单元,用于对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量;训练S变换单元,用于将所述训练超声波信号进行S变换以得到训练S变换时频图;训练超声波形特征提取单元,用于将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量;训练响应性估计单元,用于计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵;分类损失单元,用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;抑制损失单元,用于计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值;以及,训练单元,用于以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
与现有技术相比,本申请提供的高强度泥土的制备工艺及其系统,其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此作为分类特征矩阵进行分类处理,以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果,进而实现对当前时间点的超声发生器功率的自适应控制。
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强度泥土的制备工艺的应用场景图。
图2图示了根据本申请实施例的高强度泥土的制备工艺的流程图。
图3图示了根据本申请实施例的高强度泥土的制备工艺的架构图。
图4图示了根据本申请实施例的高强度泥土的制备工艺中,对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的流程图。
图5图示了根据本申请实施例的高强度泥土的制备系统的框图。
图6图示了根据本申请实施例的高强度泥土的制备系统中训练模块框图。
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,在泥土中混入其他掺杂成分,例如天然纤维、纳米材料等,是提高泥土强度的有效途径,这种类型的泥土也被称为混泥土。由于土料就地取材、造价较低、施工便捷等优点,混泥土得到了广泛的应用,从单一的筑路工程发展到软土地区的地基加固、公路边坡的维护等。
混凝土的强度主要取决于两个要素:所掺杂的成分以及制备工艺。近年来,不同厂家尝试掺杂不同成分在泥土中以提高最终制得的泥土的强度,但关于制备工艺的改进方案却很少。
在申请号为CN108484059A的发明专利所揭露的方案中,将天然纤维与纳米材料按1:1~10的重量比混合,超声处理使天然纤维和纳米材料粘结,干燥,得到纳米材料天然纤维复合材料,其中,超声的时间为10min~300min,超声所采用的超声波装置的频率为10KHz~10MHz,功率为10W~2KW。
虽然超声处理能够使天然纤维和纳米材料粘结,但是在实际的处理过程中,发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。因此,期待一种高强度泥土的制备工艺及其系统,其能够基于天然纤维和纳米材料的粘结状态来自适应调整超声发生器的功率,以保证粘结质量。
申请号为CN108484059A的发明专利:
配方为:干细的天然土料:80%-90%,混泥:20-30%和纳米材料天然纤维复合材料:10%~15%;
该专利所揭露的方案,包括:
(1)将天然纤维与纳米材料按1:1~10的重量比混合,超声处理使天然纤维和纳米材料粘结,干燥,得到纳米材料天然纤维复合材料;
(2)按以下重量百分比称取原料:干细的天然土料:80%~90%;混泥:20%~30%;纳米材料天然纤维复合材料:10%~15%;
(3)将纳米材料天然纤维复合材料加入干细的天然土料中,搅拌均匀,随后加水搅拌均匀,其中加入的水的质量占干细天然土料和混泥总重的10%,放入水浸润过的容器内静置1d;
(4)取出容器内的混合料,加入混泥与水搅拌均匀,得到高强度混泥土,其中加入的水的质量占干细天然土料和混泥总重的10%。
特别地,步骤(1)中的纳米材料优选为无机纳米材料,进一步优选为纳米硅粉、纳米三氧化二铝、纳米氢氧化钙、纳米石膏或纳米水玻璃。
步骤(1)中超声的时间为10min~300min,超声所采用的超声波装置的频率为10KHz~10MHz,功率为10W~2KW。
步骤(1)干燥的时间为10min~60min,温度为30℃~100℃。
应可以理解,在该方案中,考虑到虽然超声处理能够使天然纤维和纳米材料粘结,但是在实际的处理过程中,发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。因此,在本申请的技术方案中,采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此来进行当前时间点的超声发生器功率的自适应控制,以保证天然纤维和纳米材料的粘结质量。
具体地,在本申请的技术方案中,为了挖掘出所述超声发生装置产生的超声波信号的时序隐含特征和所述天然纤维和纳米材料的粘结状态时序动态变化特征之间的隐含关联性特征信息,首先,通过传感器获取预定时间段的由超声发生装置产生的超声波信号,以及通过摄像头获取所述预定时间段的天然纤维和纳米材料的粘结监控视频。
进一步地,对于采集到的所述天然纤维和纳米材料的粘结监控视频,考虑到所述粘结监控视频中具有多个图像帧,为了能够在准确地对于所述天然纤维和纳米材料的粘结状态的时序动态变化特征进行特征提取的同时减少计算量,在本申请的技术方案中,首先,从所述粘结监控视频中提取多个关键帧。在本申请的一个具体示例中,可以以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。
然后,将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型中进行特征挖掘,以提取出所述多个监控关键帧中的局部隐含特征在高维空间中的特征分布表示,即所述天然纤维和纳米材料的粘结状态在时间维度上的动态特征,从而得到监控特征图。接着,再对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理,以降低参数的数据防止过拟合,从而得到监控特征向量。这里,通过将所述监控特征图沿通道维度的各个特征矩阵进行全局均值池化处理,能够沿时间维度进行数据降维,以充分提取所述天然纤维和纳米材料的粘结状态的时序特征。
接着,针对于采集的所述预定时间段的由超声发生装置产生的超声波信号,对所述超声波信号进行S变换以得到S变换时频图。应可以理解,由于S变换能够在低频段提供宽窗口,而在高频段提供窄窗口,这样就能够最大程度地保留了所述超声波信号在各个频段的特征,以提高后续分类的准确性。具体地,可以以如下公式来进行S变换:
其中,s(f,τ)表示所述超声S变换时频图,τ为时移因子,x(t)表示所述降噪后超声信号、f表示频率、t表示时间。
然后,就可以将所述S变换时频图通过作为过滤器的第二卷积神经网络模型中进行处理,以提取出所述S变换时频图中的高维隐含特征,也就是,所述超声波信号的隐含特征,从而得到超声波形特征向量。
进一步地,计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵来表示所述超声波隐含特征对于所述天然纤维和纳米材料的粘结状态时序特征的作用效果特征,并以此来进行分类处理,就能够得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果。
特别地,在本申请的技术方案中,由于分类特征矩阵是计算所述超声波形特征向量相对于所述监控特征向量的响应性估计得到的,在训练过程中,分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络模型和所述第二卷积神经网络模型,从而可能由于异常的梯度发散导致所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式的消解,从而影响所述分类特征矩阵的分类结果的准确性。
因此,优选地,引入针对所述监控特征向量,例如记为V1,和所述超声波形特征向量,例如记为V2的特征提取模式消解的抑制损失函数,表示为:
具体地,所述特征提取模式消解的抑制损失函数通过以交叉熵形式使得分类器相对于不同特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致,来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化,也就是,将梯度针对所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式进行过加权,这样,就对特征提取模式的消解进行了抑制,提升了所述监控特征向量V1和所述超声波形特征向量V2的特征表达能力,也就相应提升了所述分类特征矩阵的分类结果的准确性。这样,能够基于当前时间点的天然纤维和纳米材料的粘结状态对于超声发生器的功率值进行实时地自适应控制,以保证天然纤维和纳米材料的粘结质量,进而提高混凝土的强度。
基于此,本申请提出了一种高强度泥土的制备工艺,其包括:获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;从所述粘结监控视频提取多个监控关键帧;将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;将所述超声波信号进行S变换以得到S变换时频图;将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;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超声发生器的功率值应增大或应减小。
图1图示了根据本申请实施例的高强度泥土的制备工艺的应用场景图。如图1所示,在该应用场景中,首先获取由超声波采集器(例如,如图1中所示意的Se)采集的预定时间段的由超声发生装置(例如,如图1中所示意的D)产生的超声波信号以及由摄像头(例如,如图1中所示意的C)采集的所述预定时间段的天然纤维(例如,如图1中所示意的F)和纳米材料(例如,如图1中所示意的M)的粘结监控视频。进而,将所述预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频输入至部署有高强度泥土的制备算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述高强度泥土的制备算法对所述预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频进行处理,以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果。
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。
示例性方法
图2图示了根据本申请实施例的高强度泥土的制备工艺的流程图。如图2所示,根据本申请实施例的高强度泥土的制备工艺,包括:S110,获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;S120,从所述粘结监控视频提取多个监控关键帧;S130,将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;S140,对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;S150,将所述超声波信号进行S变换以得到S变换时频图;S160,将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;S170,计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;以及,S180,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超声发生器的功率值应增大或应减小。
图3图示了根据本申请实施例的高强度泥土的制备工艺的架构图。如图3所示,在该架构图中,首先获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频。接着,从所述粘结监控视频提取多个监控关键帧,并将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图。然后,对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量。进而,将所述超声波信号进行S变换以得到S变换时频图,并将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量。接着,计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵。然后,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超声发生器的功率值应增大或应减小。
在步骤S110中,获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频。如上所述,在泥土中混入其他掺杂成分,例如天然纤维、纳米材料等,是提高泥土强度的有效途径,这种类型的泥土也被称为混泥土。由于土料就地取材、造价较低、施工便捷等优点,混泥土得到了广泛的应用,从单一的筑路工程发展到软土地区的地基加固、公路边坡的维护等。混凝土的强度主要取决于两个要素:所掺杂的成分以及制备工艺。近年来,不同厂家尝试掺杂不同成分在泥土中以提高最终制得的泥土的强度,但关于制备工艺的改进方案却很少。
在申请号为CN108484059A的发明专利所揭露的方案中,将天然纤维与纳米材料按1:1~10的重量比混合,超声处理使天然纤维和纳米材料粘结,干燥,得到纳米材料天然纤维复合材料,其中,超声的时间为10min~300min,超声所采用的超声波装置的频率为10KHz~10MHz,功率为10W~2KW。虽然超声处理能够使天然纤维和纳米材料粘结,但是在实际的处理过程中,发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。因此,期待一种高强度泥土的制备工艺及其系统,其能够基于天然纤维和纳米材料的粘结状态来自适应调整超声发生器的功率,以保证粘结质量。其中,申请号为CN108484059A的发明专利的配方为:干细的天然土料:80%-90%,混泥:20-30%和纳米材料天然纤维复合材料:10%~15%;该专利所揭露的方案,包括:(1)将天然纤维与纳米材料按1:1~10的重量比混合,超声处理使天然纤维和纳米材料粘结,干燥,得到纳米材料天然纤维复合材料;(2)按以下重量百分比称取原料:干细的天然土料:80%~90%;混泥:20%~30%;纳米材料天然纤维复合材料:10%~15%;(3)将纳米材料天然纤维复合材料加入干细的天然土料中,搅拌均匀,随后加水搅拌均匀,其中加入的水的质量占干细天然土料和混泥总重的10%,放入水浸润过的容器内静置1d;(4)取出容器内的混合料,加入混泥与水搅拌均匀,得到高强度混泥土,其中加入的水的质量占干细天然土料和混泥总重的10%。
应可以理解,在该方案中,考虑到虽然超声处理能够使天然纤维和纳米材料粘结,但是在实际的处理过程中,发现超声波发生器的功率大小对于在不同状态下的天然纤维和纳米材料粘结效果有着不同的作用效果。因此,在本申请的技术方案中,采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此来进行当前时间点的超声发生器功率的自适应控制,以保证天然纤维和纳米材料的粘结质量。
具体地,在本申请的技术方案中,为了挖掘出所述超声发生装置产生的超声波信号的时序隐含特征和所述天然纤维和纳米材料的粘结状态时序动态变化特征之间的隐含关联性特征信息,首先,通过传感器获取预定时间段的由超声发生装置产生的超声波信号,以及通过摄像头获取所述预定时间段的天然纤维和纳米材料的粘结监控视频。
在步骤S120中,从所述粘结监控视频提取多个监控关键帧。也就是,对于采集到的所述天然纤维和纳米材料的粘结监控视频,考虑到所述粘结监控视频中具有多个图像帧,为了能够在准确地对于所述天然纤维和纳米材料的粘结状态的时序动态变化特征进行特征提取的同时减少计算量,在本申请的技术方案中,首先,从所述粘结监控视频中提取多个关键帧。
具体地,在本申请实施例中,所述从所述粘结监控视频提取多个监控关键帧,包括:以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。
在步骤S130中,将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图。也就是,将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型中进行特征挖掘,以提取出所述多个监控关键帧中的局部隐含特征在高维空间中的特征分布表示,即所述天然纤维和纳米材料的粘结状态在时间维度上的动态特征,从而得到监控特征图。
具体地,在本申请实施例中,所述将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:使用三维卷积核对输入数据进行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模型的最后一层的输出为所述监控特征图,所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。
在步骤S140中,对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量。对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理是为了降低参数的数据防止过拟合,从而得到监控特征向量。这里,通过将所述监控特征图沿通道维度的各个特征矩阵进行全局均值池化处理,能够沿时间维度进行数据降维,以充分提取所述天然纤维和纳米材料的粘结状态的时序特征。
在步骤S150中,将所述超声波信号进行S变换以得到S变换时频图。也就是,针对于采集的所述预定时间段的由超声发生装置产生的超声波信号,对所述超声波信号进行S变换以得到S变换时频图。应可以理解,由于S变换能够在低频段提供宽窗口,而在高频段提供窄窗口,这样就能够最大程度地保留了所述超声波信号在各个频段的特征,以提高后续分类的准确性。
具体地,在本申请实施例中,所述将所述超声波信号进行S变换以得到S变换时频图,包括:以如下公式将所述超声波信号进行S变换以得到所述S变换时频图;其中,所述公式为:
其中,s(f,τ)表示所述S变换时频图,τ为时移因子,x(t)表示所述超声波信号,f表示频率,t表示时间。
在步骤S160中,将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量。也就是,可以将所述S变换时频图通过作为过滤器的第二卷积神经网络模型中进行处理,以提取出所述S变换时频图中的高维隐含特征,也就是,所述超声波信号的隐含特征,从而得到超声波形特征向量。
具体地,在本申请实施例中,所述将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行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模型的最后一层的输出为所述超声波形特征向量,所述第二卷积神经网络模型的第一层的输入为所述S变换时频图。
在步骤S170中,计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵。其中,所述分类特征矩阵表示了所述超声波隐含特征对于所述天然纤维和纳米材料的粘结状态时序特征的作用效果特征。
具体地,在本申请实施例中,所述计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:
在步骤S180中,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超声发生器的功率值应增大或应减小。这样,将表示了所述超声波隐含特征对于所述天然纤维和纳米材料的粘结状态时序特征的作用效果特征的分类特征矩阵进行分类处理,就能够得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果。
在上述高强度泥土的制备工艺中,还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
图4图示了根据本申请实施例的高强度泥土的制备工艺中,对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的流程图。如图4所示,所述训练的过程,包括:S210,获取训练数据,所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号,所述预定时间段的天然纤维和纳米材料的训练粘结监控视频,以及,所述当前时间点的超声发生器的功率值应增大或应减小的真实值;S220,从所述训练粘结监控视频提取多个训练监控关键帧;S230,将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图;S240,对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量;S250,将所述训练超声波信号进行S变换以得到训练S变换时频图;S260,将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量;S270,计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵;S280,将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;S290,计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值;以及,S300,以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
具体地,在本申请实施例中,所述将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述公式为:
softmax{(Mc,Bc)|Project(F)}
其中Project(F)表示将所述训练分类特征矩阵投影为向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏置矩阵;以及,计算所述训练分类结果与所述训练数据中所述当前时间点的超声发生器的功率值应增大或应减小的真实值之间的交叉熵值作为所述分类损失函数值。
特别地,在本申请的技术方案中,由于分类特征矩阵是计算所述超声波形特征向量相对于所述监控特征向量的响应性估计得到的,在训练过程中,分类器的分类损失函数在梯度反向传播时会分别通过所述第一卷积神经网络模型和所述第二卷积神经网络模型,从而可能由于异常的梯度发散导致所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式的消解,从而影响所述分类特征矩阵的分类结果的准确性。因此,优选地,引入针对所述监控特征向量和所述超声波形特征向量特征提取模式消解的抑制损失函数。
具体地,在本申请实施例中,所述计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值,包括:以如下公式计算所述训练超声波形特征向量和所述训练监控特征向量的所述特征提取模式消解的抑制损失函数值;其中,所述公式为:
其中V1表示所述训练监控特征向量,V2表示所述训练超声波形特征向量,M1和M2分别表示所述分类器对于所述训练监控特征向量和所述训练超声波形特征向量的权重矩阵,||·||F表示矩阵的F范数,且表示向量的二范数的平方,log表示以2为底的对数函数值,/>表示按位置减法。
具体地,所述特征提取模式消解的抑制损失函数通过以交叉熵形式使得分类器相对于不同特征向量的权重矩阵的差异分布与特征向量的真实的特征差异分布保持一致,来保证梯度反向传播时的定向导数在梯度传播的分支点附近得到正则化,也就是,将梯度针对所述第一卷积神经网络模型和所述第二卷积神经网络模型的特征提取模式进行过加权,这样,就对特征提取模式的消解进行了抑制,提升了所述监控特征向量V1和所述超声波形特征向量V2的特征表达能力,也就相应提升了所述分类特征矩阵的分类结果的准确性。这样,能够基于当前时间点的天然纤维和纳米材料的粘结状态对于超声发生器的功率值进行实时地自适应控制,以保证天然纤维和纳米材料的粘结质量,进而提高混凝土的强度。
综上,本申请实施例的高强度泥土的制备工艺被阐明,其采用基于深度学习的人工智能控制算法来提取超声发生装置产生的超声波信号的时序隐含特征以及天然纤维和纳米材料的粘结状态时序动态变化特征,进一步以这两者的响应性估计来表示所述超声波隐含特征对于天然纤维和纳米材料的粘结状态的作用效果特征,并以此作为分类特征矩阵进行分类处理,以得到用于表示当前时间点的超声发生器的功率值应增大或应减小的分类结果,进而实现对当前时间点的超声发生器功率的自适应控制。
示例性系统
图5图示了根据本申请实施例的高强度泥土的制备系统的框图。如图5所示,根据本申请实施例的高强度泥土的制备系统100,包括:数据采集单元110,用于获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;关键帧提取单元120,用于从所述粘结监控视频提取多个监控关键帧;监控特征提取单元130,用于将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;降维单元140,用于对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;S变换单元150,用于将所述超声波信号进行S变换以得到S变换时频图;超声波形特征提取单元160,用于将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;响应性估计单元170,用于计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;以及,功率控制结果生成单元180,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超声发生器的功率值应增大或应减小。
在上述高强度泥土的制备系统中,还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练模块200。
图6图示了根据本申请实施例的高强度泥土的制备系统中训练模块框图。如图6所示,所述训练模块200,包括:训练数据采集单元210,用于获取训练数据,所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号,所述预定时间段的天然纤维和纳米材料的训练粘结监控视频,以及,所述当前时间点的超声发生器的功率值应增大或应减小的真实值;训练关键帧提取单元220,用于从所述训练粘结监控视频提取多个训练监控关键帧;训练监控特征提取单元230,用于将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图;训练降维单元240,用于对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量;训练S变换单元250,用于将所述训练超声波信号进行S变换以得到训练S变换时频图;训练超声波形特征提取单元260,用于将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量;训练响应性估计单元270,用于计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵;分类损失单元280,用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;抑制损失单元290,用于计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值;以及,训练单元300,用于以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
这里,本领域技术人员可以理解,上述高强度泥土的制备系统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的高强度泥土的制备工艺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高强度泥土的制备系统100可以实现在各种终端设备中,例如用于高强度泥土的制备的服务器等。在一个示例中,根据本申请实施例的高强度泥土的制备系统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,该高强度泥土的制备系统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,该高强度泥土的制备系统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,该高强度泥土的制备系统100与该终端设备也可以是分立的设备,并且该高强度泥土的制备系统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)
1.一种高强度泥土的制备工艺,其特征在于,包括:
获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;
从所述粘结监控视频提取多个监控关键帧;
将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;
对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;
将所述超声波信号进行S变换以得到S变换时频图;
将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;
计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;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超声发生器的功率值应增大或应减小。
2.根据权利要求1所述的高强度泥土的制备工艺,其特征在于,所述从所述粘结监控视频提取多个监控关键帧,包括:
以预定采样频率从所述粘结监控视频提取所述多个监控关键帧。
3.根据权利要求2所述的高强度泥土的制备工艺,其特征在于,所述将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图,包括:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
使用三维卷积核对输入数据进行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模型的最后一层的输出为所述监控特征图,所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。
5.根据权利要求4所述的高强度泥土的制备工艺,其特征在于,所述将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量,包括:
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行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模型的最后一层的输出为所述超声波形特征向量,所述第二卷积神经网络模型的第一层的输入为所述S变换时频图。
7.根据权利要求6所述的高强度泥土的制备工艺,其特征在于,还包括对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练;
其中,所述训练的过程,包括:
获取训练数据,所述训练数据包括预定时间段的由超声发生装置产生的训练超声波信号,所述预定时间段的天然纤维和纳米材料的训练粘结监控视频,以及,所述当前时间点的超声发生器的功率值应增大或应减小的真实值;
从所述训练粘结监控视频提取多个训练监控关键帧;
将所述多个训练监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图;
对所述训练监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到训练监控特征向量;
将所述训练超声波信号进行S变换以得到训练S变换时频图;
将所述训练S变换时频图通过所述作为过滤器的第二卷积神经网络模型以得到训练超声波形特征向量;
计算所述训练超声波形特征向量相对于所述训练监控特征向量的响应性估计以得到训练分类特征矩阵;
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;
计算所述训练超声波形特征向量和所述训练监控特征向量的特征提取模式消解的抑制损失函数值;以及
以所述特征提取模式消解的抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用三维卷积核的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
8.根据权利要求7所述的高强度泥土的制备工艺,其特征在于,所述将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值,包括:
使用所述分类器以如下公式对所述训练分类特征矩阵进行处理以生成训练分类结果,其中,所述公式为:softmax{(Mc,Bc)|Project(F),其中Project(F)表示将所述训练分类特征矩阵投影为向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏置矩阵;以及
计算所述训练分类结果与所述训练数据中所述当前时间点的超声发生器的功率值应增大或应减小的真实值之间的交叉熵值作为所述分类损失函数值。
10.一种高强度泥土的制备系统,其特征在于,包括:
数据采集单元,用于获取预定时间段的由超声发生装置产生的超声波信号以及所述预定时间段的天然纤维和纳米材料的粘结监控视频;
关键帧提取单元,用于从所述粘结监控视频提取多个监控关键帧;
监控特征提取单元,用于将所述多个监控关键帧通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图;
降维单元,用于对所述监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到监控特征向量;
S变换单元,用于将所述超声波信号进行S变换以得到S变换时频图;
超声波形特征提取单元,用于将所述S变换时频图通过作为过滤器的第二卷积神经网络模型以得到超声波形特征向量;
响应性估计单元,用于计算所述超声波形特征向量相对于所述监控特征向量的响应性估计以得到分类特征矩阵;以及
功率控制结果生成单元,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超声发生器的功率值应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713481.1A CN115857359B (zh) | 2022-12-27 | 2022-12-27 | 高强度泥土的制备工艺及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713481.1A CN115857359B (zh) | 2022-12-27 | 2022-12-27 | 高强度泥土的制备工艺及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115857359A true CN115857359A (zh) | 2023-03-28 |
CN115857359B CN115857359B (zh) | 2023-07-28 |
Family
ID=85656104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211713481.1A Active CN115857359B (zh) | 2022-12-27 | 2022-12-27 | 高强度泥土的制备工艺及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115857359B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116375006A (zh) * | 2023-05-04 | 2023-07-04 | 江西塑高新材料有限公司 | 碳纳米管物理分散方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160369627A1 (en) * | 2015-02-13 | 2016-12-22 | Halliburton Energy Services, Inc. | Real-time ultrasound techniques to determine particle size distribution |
CN112990248A (zh) * | 2019-12-02 | 2021-06-18 | 罗伯特·博世有限公司 | 用于训练分类器的装置和方法 |
CN113391172A (zh) * | 2021-05-31 | 2021-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于时序集成的多源超声检测的局放诊断方法及系统 |
DE202021004053U1 (de) * | 2021-04-07 | 2022-08-17 | Hypercon Solutions Gmbh | Anlage zur Herstellung von Fertigbeton oder daraus gefertigten Produkten |
-
2022
- 2022-12-27 CN CN202211713481.1A patent/CN115857359B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160369627A1 (en) * | 2015-02-13 | 2016-12-22 | Halliburton Energy Services, Inc. | Real-time ultrasound techniques to determine particle size distribution |
CN112990248A (zh) * | 2019-12-02 | 2021-06-18 | 罗伯特·博世有限公司 | 用于训练分类器的装置和方法 |
DE202021004053U1 (de) * | 2021-04-07 | 2022-08-17 | Hypercon Solutions Gmbh | Anlage zur Herstellung von Fertigbeton oder daraus gefertigten Produkten |
CN113391172A (zh) * | 2021-05-31 | 2021-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于时序集成的多源超声检测的局放诊断方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116375006A (zh) * | 2023-05-04 | 2023-07-04 | 江西塑高新材料有限公司 | 碳纳米管物理分散方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115857359B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814875B (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
CN115857359A (zh) | 高强度泥土的制备工艺及其系统 | |
CN111598762A (zh) | 一种生成式鲁棒图像隐写方法 | |
CN109557540B (zh) | 基于目标散射系数非负约束的全变差正则化关联成像方法 | |
CN112699526B (zh) | 非凸二次矩阵不等式的鲁棒自适应波束形成方法及系统 | |
CN103237168A (zh) | 一种基于综合增益的高动态范围图像视频处理方法 | |
CN115393779A (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
CN109062811B (zh) | 一种基于神经风格迁移的测试用例生成方法 | |
Situ et al. | Automated sewer defects detection using style-based generative adversarial networks and fine-tuned well-known CNN classifier | |
CN115861685A (zh) | 基于图像识别的自动对中控制系统及其方法 | |
CN116092010A (zh) | 一种膏状荧光颜料生产工艺及其制备装置 | |
CN115601318A (zh) | 快吸收低反渗纸尿裤智能生产方法及其系统 | |
CN116690823A (zh) | 改性pbt材料的智能制备方法及其系统 | |
Zha et al. | The power of triply complementary priors for image compressive sensing | |
CN116110507B (zh) | 镁碳砖智能化生产方法及系统 | |
CN115471498A (zh) | 用于雨鞋生产的多角度防水监测的制鞋机及其方法 | |
KR20190105368A (ko) | 심층신경망 모델의 선형 근사화 방법 및 장치 | |
CN117115452A (zh) | 可控的医学超声图像去噪方法、系统及计算机存储介质 | |
CN115908662B (zh) | 说话人视频的生成模型训练和使用方法、装置及设备 | |
US20080187049A1 (en) | Moving image encoding device and moving image encoding method | |
CN111355537B (zh) | 量子噪声下的多自由度的隐形传态传输效率的估算方法 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
CN108629739A (zh) | Hdr图像的生成方法、装置及移动终端 | |
CN115410004B (zh) | 铁粉智能筛分系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |