CN116003126B - 静电吸盘表面陶瓷材料的制备方法及其系统 - Google Patents
静电吸盘表面陶瓷材料的制备方法及其系统 Download PDFInfo
- Publication number
- CN116003126B CN116003126B CN202310280574.8A CN202310280574A CN116003126B CN 116003126 B CN116003126 B CN 116003126B CN 202310280574 A CN202310280574 A CN 202310280574A CN 116003126 B CN116003126 B CN 116003126B
- Authority
- CN
- China
- Prior art keywords
- particle size
- decoding
- size distribution
- distribution temperature
- characteristic
- 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
- 229910010293 ceramic material Inorganic materials 0.000 title claims abstract description 59
- 238000002360 preparation method Methods 0.000 title abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 232
- 238000009826 distribution Methods 0.000 claims abstract description 179
- 239000002245 particle Substances 0.000 claims abstract description 111
- 238000001354 calcination Methods 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000000546 pharmaceutical excipient Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000013618 particulate matter Substances 0.000 description 23
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 22
- 239000000919 ceramic Substances 0.000 description 19
- 230000008859 change Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 8
- 238000005245 sintering Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000008187 granular material Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000843 powder Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000011787 zinc oxide Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000001179 sorption measurement Methods 0.000 description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- QCWXUUIWCKQGHC-UHFFFAOYSA-N Zirconium Chemical compound [Zr] QCWXUUIWCKQGHC-UHFFFAOYSA-N 0.000 description 2
- LENJPRSQISBMDN-UHFFFAOYSA-N [Y].[Ce] Chemical compound [Y].[Ce] LENJPRSQISBMDN-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 description 2
- 239000002270 dispersing agent Substances 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 229910002804 graphite Inorganic materials 0.000 description 2
- 239000010439 graphite Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000011812 mixed powder Substances 0.000 description 2
- 239000011268 mixed slurry Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910002076 stabilized zirconia Inorganic materials 0.000 description 2
- 229910052726 zirconium Inorganic materials 0.000 description 2
- 150000000703 Cerium Chemical class 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- VZJJZMXEQNFTLL-UHFFFAOYSA-N chloro hypochlorite;zirconium;octahydrate Chemical compound O.O.O.O.O.O.O.O.[Zr].ClOCl VZJJZMXEQNFTLL-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- RMAQACBXLXPBSY-UHFFFAOYSA-N silicic acid Chemical compound O[Si](O)(O)O RMAQACBXLXPBSY-UHFFFAOYSA-N 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 150000003746 yttrium Chemical class 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
公开了一种静电吸盘表面陶瓷材料的制备方法及其系统。其首先将多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,接着,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量,然后,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,最后,对所述解码特征向量进行特征分布优化后通过解码器以得到用于表示当前时间点的推荐的煅烧温度值的解码值。这样,可以提升煅烧效率。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种静电吸盘表面陶瓷材料的制备方法及其系统。
背景技术
静电吸盘是通过静电吸附作用来固定晶圆,其优点在于吸附作用均匀分布于晶圆表面,晶圆不会发生翘曲变形,吸附作用力持续稳定,可以保证晶圆的加工精准度;静电吸盘对晶圆污染小,对晶圆无伤,可以应用于高真空环境中。目前普遍的静电吸盘技术主要是以氧化铝陶瓷或氧化锆陶瓷作为主体材料,因为陶瓷材料具有良好的导热性,耐磨性及高硬度且对比金属材料在电绝缘方面有着先天的优势。静电吸盘由于其功能的特殊性,要求其制造材料属于半导体材料,所以静电吸盘也并不是纯氧化铝或纯氧化锆制造,而是在其中加入了其他导电物质使得其总体电阻率达到了功能性要求。
目前,主要通过填充导电粒子来制备氧化锆基防静电陶瓷,不仅制备简单,还可以根据用途来调节电性能,但是这类防静电陶瓷烧结过程必须在真空或者保护气体的条件下进行,且烧结温度极高,这将会导致制造成本的提高,不利于工业生产。
针对上述问题,中国专利号CN115353381A公开了一种大尺寸氧化锆防静电陶瓷的制备方法,其通过优化氧化锌和石墨的混合粉体中氧化锌的质量百分含量,以进一步提升大尺寸氧化锆防静电陶瓷的致密度和力学性能,并降低电阻率。
但是,在使用上述方案来进行氧化锆防静电陶瓷的制备过程中,发现在烧结时会促使四方氧化锆转变为单斜氧化锆,导致烧结开裂,影响最终的静电吸盘表面陶瓷材料的品质。究其原因为:在进行煅烧的过程中,并没有关注到煅烧温度和被煅烧颗粒物的煅烧状态间的适配性,导致固定的煅烧温度并不适用于颗粒物的煅烧过程变化,致使开裂。
因此,期望一种优化的静电吸盘表面陶瓷材料的制备方案。
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静电吸盘表面陶瓷材料的制备方法及其系统。其首先将多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,接着,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量,然后,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,最后,对所述解码特征向量进行特征分布优化后通过解码器以得到用于表示当前时间点的推荐的煅烧温度值的解码值。这样,可以提升煅烧效率。
根据本申请的一个方面,提供了一种静电吸盘表面陶瓷材料的制备方法,其包括:获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。
在上述的静电吸盘表面陶瓷材料的制备方法中,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
在上述的静电吸盘表面陶瓷材料的制备方法中,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
在上述的静电吸盘表面陶瓷材料的制备方法中,使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量,包括:将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
在上述的静电吸盘表面陶瓷材料的制备方法中,对所述解码特征向量进行特征分布优化以得到优化解码特征向量,包括:以如下公式对所述解码特征向量进行正定赋范空间的几何约束重参数化以得到所述优化解码特征向量;其中,所述公式为:其中,/>是所述解码特征向量,/> 是所述解码特征向量的转置向量,/>和/>分别是所述解码特征向量和所述优化解码特征向量的第/>个位置的特征值,且/>是行向量形式,/>和/>是所述优化解码特征向量的各个位置特征值集合的均值和方差,/> 表示向量的二范数的平方,/>表示矩阵的Frobenius范数,/>表示指数运算。
在上述的静电吸盘表面陶瓷材料的制备方法中,将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值,包括:使用所述解码器的多个全连接层以如下公式对所述优化解码特征向量进行解码回归以获得所述解码值,其中,所述公式为:,其中/>是所述优化解码特征向量,/>是所述解码值,/> 是权重矩阵,/>表示矩阵乘。
根据本申请的另一个方面,提供了一种静电吸盘表面陶瓷材料的制备系统,其包括:图像采集模块,用于获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;图像编码模块,用于将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;特征图展开模块,用于将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;上下文编码模块,用于将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;特征分布优化模块,用于对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及解码模块,用于将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。
在上述的静电吸盘表面陶瓷材料的制备系统中,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
在上述的静电吸盘表面陶瓷材料的制备系统中,所述上下文编码模块,包括:上下文编码单元,用于使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及级联单元,用于将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
在上述的静电吸盘表面陶瓷材料的制备系统中,所述上下文编码单元,用于:将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
与现有技术相比,本申请提供的静电吸盘表面陶瓷材料的制备方法及其系统,其首先将多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,接着,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量,然后,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,最后,对所述解码特征向量进行特征分布优化后通过解码器以得到用于表示当前时间点的推荐的煅烧温度值的解码值。这样,可以提升煅烧效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的场景示意图。
图2为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的流程图。
图3为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的架构示意图。
图4为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的子步骤S140的流程图。
图5为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的子步骤S141的流程图。
图6为根据本申请实施例的静电吸盘表面陶瓷材料的制备系统的框图。
图7为根据本申请实施例的静电吸盘表面陶瓷材料的制备系统中所述上下文编码模块的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
如上所述,中国专利号CN115353381A公开的一种大尺寸氧化锆防静电陶瓷的制备方法,其在烧结时会促使四方氧化锆转变为单斜氧化锆,导致烧结开裂,影响最终的静电吸盘表面陶瓷材料的品质。究其原因为:在进行煅烧的过程中,并没有关注到煅烧温度和被煅烧颗粒物的煅烧状态间的适配性,导致固定的煅烧温度并不适用于颗粒物的煅烧过程变化,致使开裂。因此,期望一种优化的静电吸盘表面陶瓷材料的制备方案。
具体地,在本申请的技术方案中,提出了静电吸盘表面陶瓷材料的制备方法,其包括:将八水氧氯化锆、钇盐、铈盐、乙醇、双氧水和分散剂混合以得到锆溶胶;将所述锆溶胶进行喷雾造粒、干燥以得到干凝胶颗粒;将所述干凝胶颗粒以预定温度进行煅烧以得到铈钇稳定氧化锆;将所述铈钇稳定氧化锆、氧化锌、铝溶胶、硅溶胶和分散剂混合,经球磨处理,以得到混合浆料;将所述混合浆料经喷雾造粒、干燥,得到颗粒物;将所述颗粒物以预定温度进行煅烧,以得到防静电陶瓷粉末;将所述防静电陶瓷粉末经成型,在预定温度下通过埋粉烧结方式进行烧结,其中,所述埋粉烧结的埋粉为氧化锌和石墨的混合粉体,得到静电吸盘表面陶瓷。
相应地,考虑在实际进行静电吸盘表面陶瓷的制备过程中,对于煅烧温度的自适应控制应适配于被煅烧的颗粒物的煅烧状态变化情况,也就是说,应基于所述被煅烧的颗粒物的煅烧状态变化特征来自适应地调控所述煅烧温度值,以此来优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。在此过程中,难点在于如何充分地挖掘出所述被煅烧颗粒物的煅烧状态在时间维度上的动态变化特征信息,以基于被煅烧的颗粒物的煅烧状态来自适应地调整煅烧温度,以达到优化煅烧效果和煅烧效率的技术目的。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述被煅烧颗粒物的煅烧状态在时间维度上的动态变化特征信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像。应可以理解,所述被煅烧颗粒物的煅烧状态变化隐含特征在实际的RGB图像中难以进行捕捉提取,而热红外图像能够表征所述被煅烧颗粒物在煅烧时的热量分布特征信息,以此能够充分地呈现出所述被煅烧颗粒物在煅烧过程中的状态变化特性。
然后,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多个预定时间点的热红外图像的特征挖掘,特别地,考虑到在对于所述被煅烧颗粒物的煅烧状态特征进行提取时,由于所述被煅烧颗粒物在煅烧的过程中的热量分布是随时间变化的,并且这种变化特性在不同的局部区域间具有着不同的关联性。因此,若想能够准确地且充分地进行所述被煅烧颗粒物的煅烧状态特征进行提取,在本申请的技术方案中,进一步使用具有不同的特征感受野的卷积神经网络模型来进行所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态的隐藏特征提取。也就是,具体地,在本申请的技术方案中,将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图。值得一提的是,这里,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型。特别地,在本申请一个具体的示例中,所述第一图像编码器和所述第二图像编码器具有双分支结构,具体地,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。这样,能够提取出所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态的多尺度隐含特征分布信息。
进一步地,考虑到由于所述被煅烧颗粒物的煅烧状态不仅在所述各个时间点的热红外图像中的各个局部区域间具有着关联关系,其在时间维度上也具有着动态性的变化规律。因此,为了能够充分地提取出所述被煅烧颗粒物的煅烧状态在时间维度上的动态性变化特征,在本申请的技术方案中,进一步将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;接着,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态隐含特征基于全局的上下文时序关联特征分布信息,即所述被煅烧颗粒物的煅烧状态在时间维度上的动态变化特征,从而得到解码特征向量。
接着,进一步将所述解码特征向量通过解码器中进行解码回归,以得到用于表示当前时间点的推荐的煅烧温度值的解码值。也就是,以所述被煅烧颗粒物的煅烧状态特征在时序上的动态关联特征作为解码输入,以此来进行解码回归得到煅烧温度值的实时推荐值,从而优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。
特别地,在本申请的技术方案中,这里,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量时,是将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器得到的多个上下文多尺度粒度分布温度展开特征向量直接级联以得到所述解码特征向量,虽然所述基于转换器的上下文编码器从上下文语义的角度约束了所述多个上下文多尺度粒度分布温度展开特征向量的语义分布结构,但在直接级联的情况下,所述多个上下文多尺度粒度分布温度展开特征向量各自的特征分布的显式差异仍会导致所述解码特征向量的整体特征分布存在离散化的问题,从而使得所述解码特征向量在通过解码器进行解码回归时相对于预定目标解码值的收敛性差,这样,就会影响解码器的训练速度和解码值的准确性。
因此,在本申请的技术方案中,对所述解码特征向量,例如记为进行正定赋范空间的几何约束重参数化,具体为:/> 和/>是特征集合的均值和方差,/>表示向量的二范数的平方,/>表示矩阵的Frobenius范数,/>和/>分别是校正前和校正后的所述解码特征向量/>的第/>个位置的特征值,且/>是行向量形式。
这里,所述解码特征向量的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系,通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影,来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性,以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样,就提高所述解码特征向量/>整体的特征分布在解码回归域内相对于目标解码值的收敛性,从而提升了解码器的训练速度和解码值的准确性。这样,能够实时准确地基于被煅烧的颗粒物的煅烧状态变化情况来自适应地调控煅烧温度值,以此来优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。
图1为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的应用场景图。如图1所示,在该应用场景中,首先,获取由热红外摄像头(例如,图1中所示意的C)采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像(例如,图1中所示意的D),然后,将所述多个预定时间点的热红外图像输入至部署有静电吸盘表面陶瓷材料的制备算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述静电吸盘表面陶瓷材料的制备算法对所述多个预定时间点的热红外图像进行处理以得到用于表示当前时间点的推荐的煅烧温度值的解码值。
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。
图2为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的流程图。如图2所示,根据本申请实施例的静电吸盘表面陶瓷材料的制备方法,包括步骤:S110,获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;S120,将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;S130,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;S140,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;S150,对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及,S160,将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。
图3为根据本申请实施例的静电吸盘表面陶瓷材料的制备方法的架构示意图。如图3所示,在该网络架构中,首先,获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;接着,将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;然后,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;接着,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;然后,对所述解码特征向量进行特征分布优化以得到优化解码特征向量;最后,将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。
更具体地,在步骤S110中,获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像。在实际进行静电吸盘表面陶瓷的制备过程中,对于煅烧温度的自适应控制,应适配于被煅烧的颗粒物的煅烧状态变化情况,即,应基于所述被煅烧的颗粒物的煅烧状态变化特征来自适应地调控所述煅烧温度值,以此来优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。在本申请的技术方案中,通过挖掘出所述被煅烧颗粒物的煅烧状态在时间维度上的动态变化特征信息,以基于被煅烧的颗粒物的煅烧状态来自适应地调整煅烧温度,以达到优化煅烧效果和煅烧效率的技术目的。
应可以理解,所述被煅烧颗粒物的煅烧状态变化隐含特征在实际的RGB图像中难以进行捕捉提取,而热红外图像能够表征所述被煅烧颗粒物在煅烧时的热量分布特征信息,以此能够充分地呈现出所述被煅烧颗粒物在煅烧过程中的状态变化特性。
更具体地,在步骤S120中,将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型。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多个预定时间点的热红外图像的特征挖掘,特别地,考虑到在对于所述被煅烧颗粒物的煅烧状态特征进行提取时,由于所述被煅烧颗粒物在煅烧的过程中的热量分布是随时间变化的,并且这种变化特性在不同的局部区域间具有着不同的关联性。因此,若想能够准确地且充分地进行所述被煅烧颗粒物的煅烧状态特征进行提取,在本申请的技术方案中,进一步使用具有不同的特征感受野的卷积神经网络模型来进行所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态的隐藏特征提取。这样,能够提取出所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态的多尺度隐含特征分布信息。
相应地,在一个具体示例中,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
特别地,卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
更具体地,在步骤S130中,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量。由于所述被煅烧颗粒物的煅烧状态不仅在所述各个时间点的热红外图像中的各个局部区域间具有着关联关系,其在时间维度上也具有着动态性的变化规律。因此,为了能够充分地提取出所述被煅烧颗粒物的煅烧状态在时间维度上的动态性变化特征,在本申请的技术方案中,进一步将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量。
更具体地,在步骤S140中,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量。将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述各个预定时间点的热红外图像中关于所述被煅烧颗粒物的煅烧状态隐含特征基于全局的上下文时序关联特征分布信息,即所述被煅烧颗粒物的煅烧状态在时间维度上的动态变化特征,从而得到解码特征向量。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此,基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(循环神经网络)在并行计算上具有一定优势。
相应地,在一个具体示例中,如图4所示,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:S141,使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及,S142,将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
相应地,在一个具体示例中,如图5所示,使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量,包括:S1411,将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;S1412,计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;S1413,分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;S1414,将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,S1415,分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
更具体地,在步骤S150中,对所述解码特征向量进行特征分布优化以得到优化解码特征向量。
特别地,在本申请的技术方案中,这里,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量时,是将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器得到的多个上下文多尺度粒度分布温度展开特征向量直接级联以得到所述解码特征向量,虽然所述基于转换器的上下文编码器从上下文语义的角度约束了所述多个上下文多尺度粒度分布温度展开特征向量的语义分布结构,但在直接级联的情况下,所述多个上下文多尺度粒度分布温度展开特征向量各自的特征分布的显式差异仍会导致所述解码特征向量的整体特征分布存在离散化的问题,从而使得所述解码特征向量在通过解码器进行解码回归时相对于预定目标解码值的收敛性差,这样,就会影响解码器的训练速度和解码值的准确性。因此,在本申请的技术方案中,对所述解码特征向量,例如记为进行正定赋范空间的几何约束重参数化。
相应地,在一个具体示例中,对所述解码特征向量进行特征分布优化以得到优化解码特征向量,包括:以如下公式对所述解码特征向量进行正定赋范空间的几何约束重参数化以得到所述优化解码特征向量;其中,所述公式为:其中,/>是所述解码特征向量,/> 是所述解码特征向量的转置向量,/>和/>分别是所述解码特征向量和所述优化解码特征向量的第/>个位置的特征值,且/>是行向量形式,/>和/>是所述优化解码特征向量的各个位置特征值集合的均值和方差,/> 表示向量的二范数的平方,/>表示矩阵的Frobenius范数,/>表示指数运算。
这里,所述解码特征向量的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系,通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影,来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性,以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样,就提高所述解码特征向量/>整体的特征分布在解码回归域内相对于目标解码值的收敛性,从而提升了解码器的训练速度和解码值的准确性。这样,能够实时准确地基于被煅烧的颗粒物的煅烧状态变化情况来自适应地调控煅烧温度值,以此来优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。
更具体地,在步骤S160中,将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。也就是,以所述被煅烧颗粒物的煅烧状态特征在时序上的动态关联特征作为解码输入,以此来进行解码回归得到煅烧温度值的实时推荐值,从而优化煅烧效果和煅烧效率,提高静电吸盘表面陶瓷的制备质量。
相应地,在一个具体示例中,将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值,包括:使用所述解码器的多个全连接层以如下公式对所述优化解码特征向量进行解码回归以获得所述解码值,其中,所述公式为:,其中/>是所述优化解码特征向量,/>是所述解码值,/> 是权重矩阵,表示矩阵乘。
综上,基于本申请实施例的静电吸盘表面陶瓷材料的制备方法,其首先将多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,接着,将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量,然后,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,最后,对所述解码特征向量进行特征分布优化后通过解码器以得到用于表示当前时间点的推荐的煅烧温度值的解码值。这样,可以提升煅烧效率。
图6为根据本申请实施例的静电吸盘表面陶瓷材料的制备系统100的框图。如图6所示,根据本申请实施例的静电吸盘表面陶瓷材料的制备系统100,包括:图像采集模块110,用于获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;图像编码模块120,用于将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;特征图展开模块130,用于将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;上下文编码模块140,用于将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;特征分布优化模块150,用于对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及,解码模块160,用于将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值。
在一个示例中,在上述静电吸盘表面陶瓷材料的制备系统100中,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
在一个示例中,在上述静电吸盘表面陶瓷材料的制备系统100中,如图7所示,所述上下文编码模块140,包括:上下文编码单元141,用于使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及,级联单元142,用于将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
在一个示例中,在上述静电吸盘表面陶瓷材料的制备系统100中,所述上下文编码单元141,用于:将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
在一个示例中,在上述静电吸盘表面陶瓷材料的制备系统100中,所述特征分布优化模块150,用于:以如下公式对所述解码特征向量进行正定赋范空间的几何约束重参数化以得到所述优化解码特征向量;其中,所述公式为:其中,/>是所述解码特征向量,/> 是所述解码特征向量的转置向量,/>和/>分别是所述解码特征向量和所述优化解码特征向量的第/>个位置的特征值,且/>是行向量形式,/>和/>是所述优化解码特征向量的各个位置特征值集合的均值和方差,/> 表示向量的二范数的平方,/>表示矩阵的Frobenius范数,/>表示指数运算。
在一个示例中,在上述静电吸盘表面陶瓷材料的制备系统100中,所述解码模块160,用于:使用所述解码器的多个全连接层以如下公式对所述优化解码特征向量进行解码回归以获得所述解码值,其中,所述公式为:,其中/>是所述优化解码特征向量,/>是所述解码值,/> 是权重矩阵,/>表示矩阵乘。
这里,本领域技术人员可以理解,上述静电吸盘表面陶瓷材料的制备系统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5的静电吸盘表面陶瓷材料的制备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静电吸盘表面陶瓷材料的制备系统100可以实现在各种无线终端中,例如具有静电吸盘表面陶瓷材料的制备算法的服务器等。在一个示例中,根据本申请实施例的静电吸盘表面陶瓷材料的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该静电吸盘表面陶瓷材料的制备系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该静电吸盘表面陶瓷材料的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该静电吸盘表面陶瓷材料的制备系统100与该无线终端也可以是分立的设备,并且该静电吸盘表面陶瓷材料的制备系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对它们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种静电吸盘表面陶瓷材料的制备方法,其特征在于,包括:
获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;
将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;
将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;
将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;
对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及
将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值;
其中,对所述解码特征向量进行特征分布优化以得到优化解码特征向量,包括:
以如下公式对所述解码特征向量进行正定赋范空间的几何约束重参数化以得到所述优化解码特征向量;
其中,所述公式为:
2.根据权利要求1所述的静电吸盘表面陶瓷材料的制备方法,其特征在于,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
3.根据权利要求2所述的静电吸盘表面陶瓷材料的制备方法,其特征在于,将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量,包括:
使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及
将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
4.根据权利要求3所述的静电吸盘表面陶瓷材料的制备方法,其特征在于,使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量,包括:
将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;
计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
6.一种静电吸盘表面陶瓷材料的制备系统,其特征在于,包括:
图像采集模块,用于获取由热红外摄像头采集的被煅烧颗粒物在预定时间段内多个预定时间点的热红外图像;
图像编码模块,用于将所述多个预定时间点的热红外图像分别通过包含第一图像编码器和第二图像编码器的双分支结构以得到多个多尺度粒度分布温度特征图,其中,所述第一图像编码器和所述第二图像编码器为具有不同特征感受野的卷积神经网络模型;
特征图展开模块,用于将所述多个多尺度粒度分布温度特征图进行特征图展开以得到多个多尺度粒度分布温度展开特征向量;
上下文编码模块,用于将所述多个多尺度粒度分布温度展开特征向量通过基于转换器的上下文编码器以得到解码特征向量;
特征分布优化模块,用于对所述解码特征向量进行特征分布优化以得到优化解码特征向量;以及
解码模块,用于将所述优化解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的推荐的煅烧温度值;
其中,所述特征分布优化模块,用于:以如下公式对所述解码特征向量进行正定赋范空间的几何约束重参数化以得到所述优化解码特征向量;其中,所述公式为:
7.根据权利要求6所述的静电吸盘表面陶瓷材料的制备系统,其特征在于,所述第一图像编码器和所述第二图像编码器分别包括相互并行的第一卷积神经网络模型和第二卷积神经网络模型,其中,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具有不同的特征感受野。
8.根据权利要求7所述的静电吸盘表面陶瓷材料的制备系统,其特征在于,所述上下文编码模块,包括:
上下文编码单元,用于使用所述基于转换器的上下文编码器对所述多个多尺度粒度分布温度展开特征向量进行基于全局的上下文语义编码以得到多个上下文粒度分布温度特征向量;以及
级联单元,用于将所述多个上下文粒度分布温度特征向量进行级联以得到所述解码特征向量。
9.根据权利要求8所述的静电吸盘表面陶瓷材料的制备系统,其特征在于,所述上下文编码单元,用于:
将所述多个多尺度粒度分布温度展开特征向量进行一维排列以得到第一全局粒度分布温度特征向量;
计算所述第一全局粒度分布温度特征向量与所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述多个多尺度粒度分布温度展开特征向量中各个多尺度粒度分布温度展开特征向量进行加权以得到所述多个上下文粒度分布温度特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280574.8A CN116003126B (zh) | 2023-03-22 | 2023-03-22 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280574.8A CN116003126B (zh) | 2023-03-22 | 2023-03-22 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116003126A CN116003126A (zh) | 2023-04-25 |
CN116003126B true CN116003126B (zh) | 2023-06-20 |
Family
ID=86025124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280574.8A Active CN116003126B (zh) | 2023-03-22 | 2023-03-22 | 静电吸盘表面陶瓷材料的制备方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116003126B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116461120B (zh) * | 2023-05-17 | 2023-10-03 | 浙江恒耀电子材料有限公司 | 酚醛复合材料的制备方法及其系统 |
CN116652681A (zh) * | 2023-05-24 | 2023-08-29 | 浙江沃沃阀门有限公司 | 锻钢阀阀盖自动化多工位机加工设备及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359554A (zh) * | 2021-11-25 | 2022-04-15 | 河南农业大学 | 一种基于多感受野上下文语义信息的图像语义分割方法 |
CN115133877A (zh) * | 2022-04-12 | 2022-09-30 | 杭州科技职业技术学院 | 一种晶体振荡器的温度补偿方法及其温度补偿系统 |
CN115291646B (zh) * | 2022-07-08 | 2022-12-23 | 福建省龙氟新材料有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
CN115564203B (zh) * | 2022-09-23 | 2023-04-25 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
CN115564630B (zh) * | 2022-09-28 | 2023-05-30 | 华能伊敏煤电有限责任公司 | 轮斗挖掘机的挖掘流量自动控制方法及其系统 |
CN115763167B (zh) * | 2022-11-22 | 2023-09-22 | 黄华集团有限公司 | 固体柜断路器及其控制方法 |
CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制系统及方法 |
-
2023
- 2023-03-22 CN CN202310280574.8A patent/CN116003126B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116003126A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116003126B (zh) | 静电吸盘表面陶瓷材料的制备方法及其系统 | |
Metwaly et al. | Edge computing with embedded ai: Thermal image analysis for occupancy estimation in intelligent buildings | |
CN106203495B (zh) | 一种基于稀疏判别学习的目标跟踪方法 | |
CN115291646B (zh) | 用于氟化锂制备的能源管理控制系统及其控制方法 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN111460999A (zh) | 一种基于fpga的低空航拍影像目标跟踪的方法 | |
CN114417522A (zh) | 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备 | |
CN108664941B (zh) | 基于测地映射分析的核稀疏描述人脸识别方法 | |
CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
Wei et al. | Learning canonical view representation for 3d shape recognition with arbitrary views | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
CN111027440A (zh) | 一种基于神经网络的人群异常行为检测装置和检测方法 | |
Tang et al. | An end‐to‐end steel surface defect detection approach via Swin transformer | |
Meng et al. | A general framework for understanding compressed subspace clustering algorithms | |
CN117726885A (zh) | 一种基于三维几何自注意力机制的车身缝隙分类方法 | |
Yang et al. | Study of algorithm for aerial target detection based on lightweight neural network | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
Liu et al. | Focusformer: Focusing on what we need via architecture sampler | |
CN116449881A (zh) | 智能气缸及其控制方法 | |
Wang et al. | SAR image classification method based on Gabor feature and K‐NN | |
CN115983370A (zh) | 散乱数据插值模型训练方法、插值方法及装置 | |
Chen et al. | SA-UNet for face anti-spoofing with depth estimation | |
CN112819040A (zh) | 基于权值生成机制的用于水泥加工的智能控制方法 |
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 |