CN115932140A - 一种电子级六氟丁二烯的质检系统及其方法 - Google Patents
一种电子级六氟丁二烯的质检系统及其方法 Download PDFInfo
- Publication number
- CN115932140A CN115932140A CN202211437119.6A CN202211437119A CN115932140A CN 115932140 A CN115932140 A CN 115932140A CN 202211437119 A CN202211437119 A CN 202211437119A CN 115932140 A CN115932140 A CN 115932140A
- Authority
- CN
- China
- Prior art keywords
- attention
- feature map
- hexafluorobutadiene
- map
- grade
- 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.)
- Withdrawn
Links
- LGPPATCNSOSOQH-UHFFFAOYSA-N 1,1,2,3,4,4-hexafluorobuta-1,3-diene Chemical compound FC(F)=C(F)C(F)=C(F)F LGPPATCNSOSOQH-UHFFFAOYSA-N 0.000 title claims abstract description 149
- 238000007689 inspection Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 claims abstract description 93
- 238000004817 gas chromatography Methods 0.000 claims abstract description 67
- 230000007246 mechanism Effects 0.000 claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 81
- 238000009826 distribution Methods 0.000 description 23
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000012372 quality testing Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001312 dry etching Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本申请涉及气体质检技术领域，其具体地公开了一种电子级六氟丁二烯的质检系统及其方法，具体的，首先，通过气相色谱仪获取待测量电子级六氟丁二烯的气相色谱图；然后，将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；接着，将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；最后，将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量，通过这样的方式，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
Description
技术领域
本申请涉及气体质检技术领域，且更为具体地，涉及一种电子级六氟丁二烯的质检系统及其方法。
背景技术
电子级六氟丁二烯是一种刻蚀性能优良，绿色环保环境友好型干刻蚀气体，广泛应用于大规模集成电路和高速高容量存储芯片的生产过程中。其中，电子级六氟丁二烯中水分指标对于集成电路和芯片工艺的优化与提升带来了严重影响，因此，建立可靠的电子级六氟丁二烯中水分的分析技术是保证电子级六氟丁二烯产品质量的关键。
目前，现行国标中测定气体中微量水分的方法有三种：露点法、电解法和光腔衰荡法。其中，露点法操作简单，但是电子级六氟丁二烯会与氧化铝发生反应，损坏仪器，因此露点法不能满足要求。对于电解法和光腔衰荡法，由于电子级六氟丁二烯的沸点为6℃，很容易液化从而污染氢火焰离子化检测器，因此电解法和光腔衰荡法不适用。
因此，期待一种优化的用于电子级六氟丁二烯的质检方案。
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电子级六氟丁二烯的质检系统及其方法，其采用基于深度学习的人工智能算法来提取出电子级六氟丁二烯的气相色谱图中的不同尺寸大小的多尺度隐含特征分布信息，并且利用了注意力机制来进一步聚焦于所述电子级六氟丁二烯中的小尺寸含水量检测而滤除无用的干扰特征信息。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
根据本申请的一个方面，提供了一种电子级六氟丁二烯的质检系统，其包括：气相色谱图采集模块，用于获取待测量电子级六氟丁二烯的气相色谱图；特征检测模块，用于将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；特征增强模块，用于将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及解码模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
根据本申请的另一方面，提供了一种电子级六氟丁二烯的质检方法，其包括：获取待测量电子级六氟丁二烯的气相色谱图；将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
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电子级六氟丁二烯的质检方法。
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电子级六氟丁二烯的质检方法。
与现有技术相比，本申请提供的一种电子级六氟丁二烯的质检系统及其方法，其采用基于深度学习的人工智能算法来提取出电子级六氟丁二烯的气相色谱图中的不同尺寸大小的多尺度隐含特征分布信息，并且利用了注意力机制来进一步聚焦于所述电子级六氟丁二烯中的小尺寸含水量检测而滤除无用的干扰特征信息。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
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电子级六氟丁二烯的质检系统及其方法的应用场景图。
图2图示了根据本申请实施例的电子级六氟丁二烯的质检系统的框图示意图。
图3图示了根据本申请实施例的电子级六氟丁二烯的质检系统中特征增强模块的框图。
图4图示了根据本申请实施例的电子级六氟丁二烯的质检系统中空间注意力单元的框图。
图5图示了根据本申请实施例的电子级六氟丁二烯的质检系统中通道注意力单元的框图。
图6图示了根据本申请实施例的电子级六氟丁二烯的质检系统中残差融合单元的框图。
图7图示了根据本申请实施例的电子级六氟丁二烯的质检方法的流程图。
图8图示了根据本申请实施例的电子级六氟丁二烯的质检方法的系统架构的示意图。
图9图示了根据本申请实施例的电子级六氟丁二烯的质检方法中，将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图的流程图。
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：
如上所述，电子级六氟丁二烯是一种刻蚀性能优良，绿色环保环境友好型干刻蚀气体，广泛应用于大规模集成电路和高速高容量存储芯片的生产过程中。其中，电子级六氟丁二烯中水分指标对于集成电路和芯片工艺的优化与提升带来了严重影响，因此，建立可靠的电子级六氟丁二烯中水分的分析技术是保证电子级六氟丁二烯产品质量的关键。
目前，现行国标中测定气体中微量水分的方法有三种：露点法、电解法和光腔衰荡法。其中，露点法操作简单，但是电子级六氟丁二烯会与氧化铝发生反应，损坏仪器，因此露点法不能满足要求。对于电解法和光腔衰荡法，由于电子级六氟丁二烯的沸点为6℃，很容易液化从而污染氢火焰离子化检测器，因此电解法和光腔衰荡法不适用。因此，期待一种优化的用于电子级六氟丁二烯的质检方案。
目前，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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为用于电子级六氟丁二烯质检的含水量检测提供了新的解决思路和方案。
相应地，考虑到由于色谱图是指被分离组分的检测信号随时间分布的图象，因此，从气相色谱图可以得出电子级六氟丁二烯的含水量，但是因水在电子级六氟丁二烯仅占微小部分，很难通过气相色谱图得到精准的含水量测量值。基于此，在本申请的技术方案中，采用基于深度学习的人工智能算法来提取出电子级六氟丁二烯的气相色谱图中的不同尺寸大小的多尺度隐含特征分布信息，并且利用了注意力机制来进一步聚焦于所述电子级六氟丁二烯中的小尺寸含水量检测而滤除无用的干扰特征信息。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
具体地，在本申请的技术方案中，首先，获取待测量电子级六氟丁二烯的气相色谱图。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述待测量电子级六氟丁二烯的气相色谱图的特征挖掘，但是，考虑到卷积神经网络对图像中的小尺度特征（例如，本申请实施例中的待测量电子级六氟丁二烯的水量）的分辨能力不强。因此，在本申请的技术方案中，对标准卷积神经网络的网络结构进行调整，具体地，使用包含显著检测器的第一卷积神经网络模型来对于所述气相色谱图进行编码，以得到气相色谱特征图。这里，所述显著检测器的每一层使用大小卷积核的组合卷积核使得卷积神经网络模型的各层能够更加关注小尺寸的对象特征。
也就是说，在标准的卷积神经网络中，卷积神经网络的各层使用二维卷积核对输入数据进行一次卷积编码。相应地，在本申请的技术方案中，为了提高卷积神经网络的各层对局部显著特征的提取能力，将所述卷积神经网络的各层改造为进行二次卷积，并且，第一卷积核的尺寸大于第二卷积核的尺寸。应可以理解，通过尺寸较大的卷积核进行卷积具有较大的感受野，但其所提取的图像特征模式粗糙，容易忽略掉所述气相色谱图中具有分辨力的细节，例如水分的隐含特征；相应地，使用尺寸较小的卷积核进行二次卷积，可对局部信息进行更好地建模，进而能够关注到更加细节的特征信息。在本申请一个具体的示例中，所述第一卷积核的尺寸为5×5，所述第二卷积核的尺寸为3×3。
进一步地，在本申请的技术方案中，考虑到所述气相色谱图中的水分含量属于小尺寸对象（即，其在整个图像中所占比例较小），其次，所述气相色谱图中还存在有其他无用特征以及环境因素的影响，这会对含水量的目标检测造成干扰。因此，在本申请的技术方案中，进一步对所述气相色谱特征图进行特征数据增强以得到增强气相色谱特征图。
具体地，网络经过一系列卷积之后，会得到部分特征信息，但不会自动区分高低频间的详细信息与各个类别特征间的差异性，网络选择性地使用特征的能力有限，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，引入通道注意力机制和空间注意力机制，并通过引入残差结构，将其与提出的双注意力网络相结合来构造残差双注意力模型，此模型将空间注意力和通道注意力并行组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。应可以理解，所述残差双注意力机制模型通过使用空间注意力和通道注意力并行的组合，使得不同类型的所述待测量电子级六氟丁二烯的气相色谱图中的关于含水量的有效信息被大量捕捉到，可有效增强特征辨别学习能力。
然后，将所述增强气相色谱特征图作为解码特征图来通过解码器中进行解码回归，以得到用于表示所述待测量电子级六氟丁二烯中含水量的解码值。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能检测，进而进行电子级六氟丁二烯的质检。
特别地，在本申请的技术方案中，所述残差双注意力机制模型通过融合深层浅层特征，即加权特征图和所述气相色谱特征图来得到增强气相色谱特征图作为解码特征图，并且，由于作为深层特征的加权特征图是分别通过通道注意力机制和空间注意力机制得到的，因此所述加权特征图的特征分布符合自然状态下的高斯分布，即获得平均注意力关注的局部特征分布具有最高的概率密度，而具有相对高和相对低的注意力关注的局部特征分布的概率密度都较低。这样，所获得的加权特征图可能存在各个特征值之间在全局关联关系上的聚类效果不良的情况，从而弱化了影响解码结果的关键全局特征分布，影响所述解码特征图的解码准确性。
基于此，对所述加权特征图进行特征聚类的去聚焦模糊优化，表示为：
和分别是特征集合 的均值和标准差，且是所述加权特征图的第位置的特征值。
这里，所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述加权特征图的特征聚类效果，优化了进一步融合所述加权特征图和所述气相色谱特征图得到的解码特征图的解码准确性。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
基于此，本申请提供了一种电子级六氟丁二烯的质检系统，其包括：气相色谱图采集模块，用于获取待测量电子级六氟丁二烯的气相色谱图；特征检测模块，用于将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；特征增强模块，用于将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及，解码模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
图1图示了根据本申请实施例的电子级六氟丁二烯的质检系统及其方法的应用场景图。如图1所示，在该应用场景中，通过采气管（例如，如图1中所示意的G）采集待测量电子级六氟丁二烯（例如，如图1中所示意的H），并通过部署于采气管旁的气相色谱仪（例如，如图1中所示意的T）采集待测量电子级六氟丁二烯的气相色谱图。然后，将采集的所述待测量电子级六氟丁二烯的气相色谱图输入至部署有电子级六氟丁二烯的质检算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述电子级六氟丁二烯的质检算法对所述待测量电子级六氟丁二烯的气相色谱图进行处理以生成用于表示所述待测量电子级六氟丁二烯中含水量的检测结果。
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电子级六氟丁二烯的质检系统的框图示意图。如图2所示，根据本申请实施例的所述电子级六氟丁二烯的质检系统100，包括：气相色谱图采集模块110，用于获取待测量电子级六氟丁二烯的气相色谱图；特征检测模块120，用于将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；特征增强模块130，用于将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及，解码模块140，用于将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
在本申请实施例中，所述气相色谱图采集模块110，用于获取待测量电子级六氟丁二烯的气相色谱图。如上所述，考虑到电子级六氟丁二烯中水分指标对于集成电路和芯片工艺的优化与提升带来了严重影响，因此，建立可靠的电子级六氟丁二烯中水分的分析技术是保证电子级六氟丁二烯产品质量的关键。具体的，考虑到现行国标中测定气体中微量水分的三种方法（露点法、电解法和光腔衰荡法）都不适用于本申请的电子级六氟丁二烯质检。同时，考虑到由于色谱图是指被分离组分的检测信号随时间分布的图象，因此，从气相色谱图可以得出电子级六氟丁二烯的含水量，但是因水在电子级六氟丁二烯仅占微小部分，很难通过气相色谱图得到精准的含水量测量值。基于此，在本申请的技术方案中，采用基于深度学习的人工智能算法来提取出电子级六氟丁二烯的气相色谱图中的不同尺寸大小的多尺度隐含特征分布信息，并且利用了注意力机制来进一步聚焦于所述电子级六氟丁二烯中的小尺寸含水量检测而滤除无用的干扰特征信息。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
在本申请一个具体的实施例中，通过采气管采集待测量电子级六氟丁二烯，并通过部署于采气管旁的气相色谱仪采集待测量电子级六氟丁二烯的气相色谱图。
在本申请实施例中，所述特征检测模块120，用于将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图。应可以理解，考虑到卷积神经网络模型在图像的隐含特征提取方面具有优异表现，因此，在本申请的技术方案中，通过卷积神经网络模型来进行所述待测量电子级六氟丁二烯的气相色谱图的特征挖掘。进一步的，考虑到卷积神经网络对图像中的小尺度特征（例如，本申请实施例中的待测量电子级六氟丁二烯的水量）的分辨能力不强。因此，在本申请的技术方案中，对标准卷积神经网络的网络结构进行调整，具体地，使用包含显著检测器的第一卷积神经网络模型来对于所述气相色谱图进行编码，以得到气相色谱特征图。这里，所述显著检测器的每一层使用大小卷积核的组合卷积核使得卷积神经网络模型的各层能够更加关注小尺寸的对象特征。
也就是说，在标准的卷积神经网络中，卷积神经网络的各层使用二维卷积核对输入数据进行一次卷积编码。相应地，在本申请的技术方案中，为了提高卷积神经网络的各层对局部显著特征的提取能力，将所述卷积神经网络的各层改造为进行二次卷积，并且，第一卷积核的尺寸大于第二卷积核的尺寸。应可以理解，通过尺寸较大的卷积核进行卷积具有较大的感受野，但其所提取的图像特征模式粗糙，容易忽略掉所述气相色谱图中具有分辨力的细节，例如水分的隐含特征；相应地，使用尺寸较小的卷积核进行二次卷积，可对局部信息进行更好地建模，进而能够关注到更加细节的特征信息。
在本申请一个具体的实施例中，所述特征检测模块，进一步用于：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对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；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气相色谱特征图，所述第一卷积神经网络模型的第一层的输入为所述气相色谱图。
在本申请一个具体的实施例中，所述第一卷积核的尺寸为5×5，所述第二卷积核的尺寸为3×3。
在本申请实施例中，所述特征增强模块130，用于将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图。应可以理解，考虑到所述气相色谱图中的水分含量属于小尺寸对象（即，其在整个图像中所占比例较小），其次，所述气相色谱图中还存在有其他无用特征以及环境因素的影响，这会对含水量的目标检测造成干扰。因此，在本申请的技术方案中，进一步对所述气相色谱特征图进行特征数据增强以得到增强气相色谱特征图。
具体地，网络经过一系列卷积之后，会得到部分特征信息，但不会自动区分高低频间的详细信息与各个类别特征间的差异性，网络选择性地使用特征的能力有限，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，引入通道注意力机制和空间注意力机制，并通过引入残差结构，将其与提出的双注意力网络相结合来构造残差双注意力模型，此模型将空间注意力和通道注意力并行组合，使得不同类型的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。应可以理解，所述残差双注意力机制模型通过使用空间注意力和通道注意力并行的组合，使得不同类型的所述待测量电子级六氟丁二烯的气相色谱图中的关于含水量的有效信息被大量捕捉到，可有效增强特征辨别学习能力。
图3图示了根据本申请实施例的电子级六氟丁二烯的质检系统中特征增强模块的框图。如图3所示，在本申请一个具体的实施例中，所述特征增强模块130，包括：空间注意力单元131，用于将所述气相色谱特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元132，用于将所述气相色谱特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元133，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元134，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元135，用于计算所述融合注意力特征图和所述气相色谱特征图的按位置点乘以得到加权特征图；以及，残差融合单元136，用于融合所述加权特征图和所述气相色谱特征图以得到所述增强气相色谱特征图。
图4图示了根据本申请实施例的电子级六氟丁二烯的质检系统中空间注意力单元的框图。如图4所示，在本申请一个具体的实施例中，所述空间注意力单元131，包括：空间感知子单元1311，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述气相色谱特征图进行卷积编码以得到卷积特征图；概率化子单元1312，用于将所述空间注意力图通过Softmax函数以得到空间注意力得分图；以及，空间注意力施加子单元1313，用于将所述空间注意力得分图与所述气相色谱特征图进行按位置点乘以得到空间注意力图。
图5图示了根据本申请实施例的电子级六氟丁二烯的质检系统中通道注意力单元的框图。如图5所示，在本申请一个具体的实施例中，所述通道注意力单元132，包括：沿通道维度池化子单元1321，用于对所述气相色谱特征图进行沿通道维度的全局均值池化以得到通道特征向量；非线性激活子单元1322，用于将所述通道特征向量通过Softmax激活函数以得到激活通道特征向量；以及，通道注意力施加子单元1323，用于以所述归一化通道特征向量中各个位置的特征值作为权重对所述气相色谱特征图的沿通道维度的特征矩阵进行加权以得到通道注意力图。
特别地，在本申请的技术方案中，所述残差双注意力机制模型通过融合深层浅层特征，即加权特征图和所述气相色谱特征图来得到增强气相色谱特征图作为解码特征图，并且，由于作为深层特征的加权特征图是分别通过通道注意力机制和空间注意力机制得到的，因此所述加权特征图的特征分布符合自然状态下的高斯分布，即获得平均注意力关注的局部特征分布具有最高的概率密度，而具有相对高和相对低的注意力关注的局部特征分布的概率密度都较低。这样，所获得的加权特征图可能存在各个特征值之间在全局关联关系上的聚类效果不良的情况，从而弱化了影响解码结果的关键全局特征分布，影响所述解码特征图的解码准确性。基于此，对所述加权特征图进行特征聚类的去聚焦模糊优化。
图6图示了根据本申请实施例的电子级六氟丁二烯的质检系统中残差融合单元的框图。如图6所示，在本申请一个具体的实施例中，所述残差融合单元136，包括：特征优化子单元1361，用于以如下公式对所述加权特征图进行特征聚类的去聚焦模糊优化以得到优化加权特征图，其中，所述公式为：
其中表示所述加权特征图的第位置的特征值，和分别表示所述加权特征图的各个位置的特征值集合的均值和标准差；以及，融合子单元1362，用于计算所述优化加权特征图和所述气相色谱特征图的按位置加权和以得到所述增强气相色谱特征图。
这里，所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引，来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度，从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊，这样，就提升了所述加权特征图的特征聚类效果，优化了进一步融合所述加权特征图和所述气相色谱特征图得到的解码特征图的解码准确性。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
在本申请实施例中，所述解码模块140，用于将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。也就是，在对所述气相色谱特征图进行进一步的特征数据增强后，将其作为所述解码特征图导入进行解码回归，以获得用于表示所述待测量电子级六氟丁二烯中含水量的解码值，这样，能够对于所述电子级六氟丁二烯中的含水量进行智能检测，进而进行电子级六氟丁二烯的质检。
进一步地，在确定好所述待测量电子级六氟丁二烯中含水量后，将其与标准电子级六氟丁二烯中含水量进行比较，以确定所述待测量电子级六氟丁二烯质量是否合格。
在本申请一个具体的实施例中，所述解码模块，进一步用于：使用所述解码器以如下公式对所述解码特征图进行解码回归以得到所述解码值，其中，所述公式为，其中，是解码特征图，是解码值，是权重矩阵，表示矩阵乘法。
综上，基于本申请实施例的所述电子级六氟丁二烯的质检系统，其采用基于深度学习的人工智能算法来提取出电子级六氟丁二烯的气相色谱图中的不同尺寸大小的多尺度隐含特征分布信息，并且利用了注意力机制来进一步聚焦于所述电子级六氟丁二烯中的小尺寸含水量检测而滤除无用的干扰特征信息。这样，能够对于所述电子级六氟丁二烯中的含水量进行智能准确地检测，以保证电子级六氟丁二烯的产品质量。
如上所述，根据本申请实施例的所述电子级六氟丁二烯的质检系统100可以实现在各种终端设备中，例如部署有电子级六氟丁二烯的质检算法的服务器等。在一个示例中，电子级六氟丁二烯的质检系统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，该电子级六氟丁二烯的质检系统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，该电子级六氟丁二烯的质检系统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，该电子级六氟丁二烯的质检系统100与该终端设备也可以是分立的设备，并且电子级六氟丁二烯的质检系统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。
示例性方法：图7图示了根据本申请实施例的电子级六氟丁二烯的质检方法的流程图。如图7所示，根据本申请实施例的所述电子级六氟丁二烯的质检方法，包括：S110，获取待测量电子级六氟丁二烯的气相色谱图；S120，将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；S130，将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及，S140，将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
图8图示了根据本申请实施例的电子级六氟丁二烯的质检系统的系统架构的示意图。如图8所示，在本申请实施例所述电子级六氟丁二烯的质检系统的系统架构中，首先，获取待测量电子级六氟丁二烯的气相色谱图。然后，将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图。接着，将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图。最后，将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
在本申请一个具体的实施例中，所述将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图块，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对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；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气相色谱特征图，所述第一卷积神经网络模型的第一层的输入为所述气相色谱图。
在本申请一个具体的实施例中，所述第一卷积核的尺寸为5×5，所述第二卷积核的尺寸为3×3。
图9图示了根据本申请实施例的电子级六氟丁二烯的质检方法中，将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图的流程图。如图9所示，在本申请一个具体的实施例中，所述将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图，包括：S210，将所述气相色谱特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；S220，将所述气相色谱特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；S230，融合所述空间注意力图和所述通道注意力图以得到融合注意力图；S240，将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；S250，计算所述融合注意力特征图和所述气相色谱特征图的按位置点乘以得到加权特征图；以及，S260，融合所述加权特征图和所述气相色谱特征图以得到所述增强气相色谱特征图。
在本申请一个具体的实施例中，所述将所述气相色谱特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图，包括：使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述气相色谱特征图进行卷积编码以得到卷积特征图；将所述空间注意力图通过Softmax函数以得到空间注意力得分图；以及，将所述空间注意力得分图与所述气相色谱特征图进行按位置点乘以得到空间注意力图。
在本申请一个具体的实施例中，所述将所述气相色谱特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图，包括：对所述气相色谱特征图进行沿通道维度的全局均值池化以得到通道特征向量；将所述通道特征向量通过Softmax激活函数以得到激活通道特征向量；以及，以所述归一化通道特征向量中各个位置的特征值作为权重对所述气相色谱特征图的沿通道维度的特征矩阵进行加权以得到通道注意力图。
在本申请一个具体的实施例中，所述融合所述加权特征图和所述气相色谱特征图以得到所述增强气相色谱特征图，包括：以如下公式对所述加权特征图进行特征聚类的去聚焦模糊优化以得到优化加权特征图，其中，所述公式为：
其中表示所述加权特征图的第位置的特征值，和分别表示所述加权特征图的各个位置的特征值集合的均值和标准差；以及，计算所述优化加权特征图和所述气相色谱特征图的按位置加权和以得到所述增强气相色谱特征图。
在本申请一个具体的实施例中，所述将所述解码特征图通过解码器以得到解码，包括：使用所述解码器以如下公式对所述解码特征图进行解码回归以得到所述解码值，以如下公式，其中，所述公式为，其中是解码特征图，是解码值，是权重矩阵，表示矩阵乘法。
这里，本领域技术人员可以理解，上述电子级六氟丁二烯的质检方法中的各个步骤的具体功能和操作已经在上面参考图1到图6的电子级六氟丁二烯的质检系统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电子级六氟丁二烯的质检以及/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待测量电子级六氟丁二烯的气相色谱图等各种内容。
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，包括待测量电子级六氟丁二烯中含水量等。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电子级六氟丁二烯的质检方法的步骤。
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电子级六氟丁二烯的质检方法的步骤。
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 (10)
1.一种电子级六氟丁二烯的质检系统，其特征在于，包括：气相色谱图采集模块，用于获取待测量电子级六氟丁二烯的气相色谱图；特征检测模块，用于将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；特征增强模块，用于将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及解码模块，用于将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
2.根据权利要求1所述的电子级六氟丁二烯的质检系统，其特征在于，所述特征检测模块，进一步用于：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对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行激活处理以得到激活特征图；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气相色谱特征图，所述第一卷积神经网络模型的第一层的输入为所述气相色谱图。
3.根据权利要求2所述的电子级六氟丁二烯的质检系统，其特征在于，所述第一卷积核的尺寸为5×5，所述第二卷积核的尺寸为3×3。
4.根据权利要求3所述的电子级六氟丁二烯的质检系统，其特征在于，所述特征增强模块，包括：空间注意力单元，用于将所述气相色谱特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；通道注意力单元，用于将所述气相色谱特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；注意力融合单元，用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图；激活单元，用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；注意力施加单元，用于计算所述融合注意力特征图和所述气相色谱特征图的按位置点乘以得到加权特征图；以及残差融合单元，用于融合所述加权特征图和所述气相色谱特征图以得到所述增强气相色谱特征图。
5.根据权利要求4所述的电子级六氟丁二烯的质检系统，其特征在于，所述空间注意力单元，包括：空间感知子单元，用于使用所述残差双注意力机制模型的空间注意力模块的卷积层对所述气相色谱特征图进行卷积编码以得到卷积特征图；概率化子单元，用于将所述空间注意力图通过Softmax函数以得到空间注意力得分图；以及空间注意力施加子单元，用于将所述空间注意力得分图与所述气相色谱特征图进行按位置点乘以得到所述空间注意力图。
6.根据权利要求5所述的电子级六氟丁二烯的质检系统，其特征在于，所述通道注意力单元，包括：沿通道维度池化子单元，用于对所述气相色谱特征图进行沿通道维度的全局均值池化以得到通道特征向量；非线性激活子单元，用于将所述通道特征向量通过Softmax激活函数以得到激活通道特征向量；以及通道注意力施加子单元，用于以所述归一化通道特征向量中各个位置的特征值作为权重对所述气相色谱特征图的沿通道维度的特征矩阵进行加权以得到所述通道注意力图。
7.根据权利要求6所述的电子级六氟丁二烯的质检系统，其特征在于，所述残差融合单元，包括：特征优化子单元，用于以如下公式对所述加权特征图进行特征聚类的去聚焦模糊优化以得到优化加权特征图，其中，所述公式为：
其中表示所述加权特征图的第位置的特征值，和分别表示所述加权特征图的各个位置的特征值集合的均值和标准差；以及融合子单元，用于计算所述优化加权特征图和所述气相色谱特征图的按位置加权和以得到所述增强气相色谱特征图。
8.根据权利要求7所述的电子级六氟丁二烯的质检系统，其特征在于，所述解码模块，进一步用于：使用所述解码器以如下公式对所述解码特征图进行解码回归以得到所述解码值，以如下公式，其中，所述公式为，其中是解码特征图，是解码值，是权重矩阵，表示矩阵乘法。
9.一种电子级六氟丁二烯的质检方法，其特征在于，包括：获取待测量电子级六氟丁二烯的气相色谱图；将所述气相色谱图通过包含显著检测器的第一卷积神经网络模型以得到气相色谱特征图；将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图；以及将所述解码特征图通过解码器以得到解码值，所述解码值为所述待测量电子级六氟丁二烯中含水量。
10.根据权利要求9所述的电子级六氟丁二烯的质检方法，其特征在于，所述将所述气相色谱特征图通过残差双注意力机制模型以得到增强气相色谱特征图作为解码特征图，包括：将所述气相色谱特征图输入所述残差双注意力机制模型的空间注意力模块以得到空间注意力图；将所述气相色谱特征图输入所述残差双注意力机制模型的通道注意力模块以得到通道注意力图；融合所述空间注意力图和所述通道注意力图以得到融合注意力图；将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图；计算所述融合注意力特征图和所述气相色谱特征图的按位置点乘以得到加权特征图；以及融合所述加权特征图和所述气相色谱特征图以得到所述增强气相色谱特征图。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437119.6A CN115932140A (zh) | 2022-11-16 | 2022-11-16 | 一种电子级六氟丁二烯的质检系统及其方法 |
| PCT/CN2023/086973 WO2024103613A1 (zh) | 2022-11-16 | 2023-04-07 | 一种电子级六氟丁二烯的质检系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437119.6A CN115932140A (zh) | 2022-11-16 | 2022-11-16 | 一种电子级六氟丁二烯的质检系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115932140A true CN115932140A (zh) | 2023-04-07 |
Family
ID=86556704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211437119.6A Withdrawn CN115932140A (zh) | 2022-11-16 | 2022-11-16 | 一种电子级六氟丁二烯的质检系统及其方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115932140A (zh) |
| WO (1) | WO2024103613A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4033403B1 (en) * | 2021-01-14 | 2024-08-07 | Tata Consultancy Services Limited | System and method for attention-based surface crack segmentation |
| CN113433250A (zh) * | 2021-08-12 | 2021-09-24 | 中船重工（邯郸）派瑞特种气体有限公司 | 一种测定六氟丁二烯中水含量的装置及方法 |
| CN114663821B (zh) * | 2022-05-18 | 2022-08-30 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
| CN114815930B (zh) * | 2022-06-30 | 2022-09-02 | 烟台黄金职业学院 | 煅烧器的温度控制系统及其温度控制方法 |
| CN115346345B (zh) * | 2022-07-28 | 2023-06-06 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统 |
-
2022
- 2022-11-16 CN CN202211437119.6A patent/CN115932140A/zh not_active Withdrawn
-
2023
- 2023-04-07 WO PCT/CN2023/086973 patent/WO2024103613A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024103613A1 (zh) | 2024-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
| CN109697451B (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
| Shen et al. | DS-YOLOv8-Based object detection method for remote sensing images | |
| CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
| Zhang et al. | VAA: Visual aligning attention model for remote sensing image captioning | |
| Shen et al. | Vehicle detection in aerial images based on lightweight deep convolutional network and generative adversarial network | |
| CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
| CN115656086B (zh) | 一种电子级氟化氢的产品纯度测定系统及其方法 | |
| CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
| CN115932140A (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
| Zhang et al. | Image region annotation based on segmentation and semantic correlation analysis | |
| CN116012837A (zh) | 基于无损探测的食材质量检测系统及其检测方法 | |
| CN116309580A (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
| CN116416248A (zh) | 基于荧光显微镜的智能分析系统及其方法 | |
| CN115754108A (zh) | 一种电子级六氟丁二烯的酸度测定系统及其方法 | |
| CN115146676A (zh) | 电路故障检测方法及其系统 | |
| Ji et al. | A survey of methods for addressing the challenges of referring image segmentation | |
| CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
| CN110852102B (zh) | 一种中文的词性标注方法、装置、存储介质及电子设备 | |
| CN111460224B (zh) | 评论数据的质量标注方法、装置、设备及存储介质 | |
| CN116912597A (zh) | 知识产权智能管理系统及其方法 | |
| CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
| CN112765377A (zh) | 媒体流中的时段定位 | |
| CN114842261A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115049546A (zh) | 样本数据处理方法、装置、电子设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230407 |