CN116052050A - 洗涤剂智能化生产系统及其方法 - Google Patents
洗涤剂智能化生产系统及其方法 Download PDFInfo
- Publication number
- CN116052050A CN116052050A CN202310055079.7A CN202310055079A CN116052050A CN 116052050 A CN116052050 A CN 116052050A CN 202310055079 A CN202310055079 A CN 202310055079A CN 116052050 A CN116052050 A CN 116052050A
- Authority
- CN
- China
- Prior art keywords
- reaction temperature
- vector
- training
- feature
- classification
- 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- Withdrawn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
- 239000003599 detergent Substances 0.000 title claims abstract description 146
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 384
- 238000006243 chemical reaction Methods 0.000 claims abstract description 352
- 238000012544 monitoring process Methods 0.000 claims abstract description 156
- 239000012295 chemical reaction liquid Substances 0.000 claims abstract description 80
- 238000012546 transfer Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000003247 decreasing effect Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 156
- 239000011159 matrix material Substances 0.000 claims description 100
- 238000000605 extraction Methods 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 47
- 238000010586 diagram Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 53
- 230000000694 effects Effects 0.000 abstract description 26
- 238000005406 washing Methods 0.000 abstract description 23
- 238000002360 preparation method Methods 0.000 abstract description 18
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000013507 mapping Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 32
- 239000001301 oxygen Substances 0.000 description 32
- 229910052760 oxygen Inorganic materials 0.000 description 32
- 230000006870 function Effects 0.000 description 23
- 238000003860 storage Methods 0.000 description 12
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 8
- 238000007792 addition Methods 0.000 description 8
- 229960001922 sodium perborate Drugs 0.000 description 8
- YKLJGMBLPUQQOI-UHFFFAOYSA-M sodium;oxidooxy(oxo)borane Chemical compound [Na+].[O-]OB=O YKLJGMBLPUQQOI-UHFFFAOYSA-M 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- PMZURENOXWZQFD-UHFFFAOYSA-L Sodium Sulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=O PMZURENOXWZQFD-UHFFFAOYSA-L 0.000 description 6
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- -1 ammonia peroxide Chemical class 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- VTIIJXUACCWYHX-UHFFFAOYSA-L disodium;carboxylatooxy carbonate Chemical compound [Na+].[Na+].[O-]C(=O)OOC([O-])=O VTIIJXUACCWYHX-UHFFFAOYSA-L 0.000 description 6
- QOSATHPSBFQAML-UHFFFAOYSA-N hydrogen peroxide;hydrate Chemical compound O.OO QOSATHPSBFQAML-UHFFFAOYSA-N 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 229940045872 sodium percarbonate Drugs 0.000 description 6
- 229910052938 sodium sulfate Inorganic materials 0.000 description 6
- 235000011152 sodium sulphate Nutrition 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 229910000029 sodium carbonate Inorganic materials 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000004094 surface-active agent Substances 0.000 description 4
- 239000007844 bleaching agent Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000005204 segregation Methods 0.000 description 3
- 239000004115 Sodium Silicate Substances 0.000 description 2
- UIIMBOGNXHQVGW-DEQYMQKBSA-M Sodium bicarbonate-14C Chemical compound [Na+].O[14C]([O-])=O UIIMBOGNXHQVGW-DEQYMQKBSA-M 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 239000003945 anionic surfactant Substances 0.000 description 2
- 230000003373 anti-fouling effect Effects 0.000 description 2
- 239000012752 auxiliary agent Substances 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002736 nonionic surfactant Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229940001593 sodium carbonate Drugs 0.000 description 2
- NTHWMYGWWRZVTN-UHFFFAOYSA-N sodium silicate Chemical compound [Na+].[Na+].[O-][Si]([O-])=O NTHWMYGWWRZVTN-UHFFFAOYSA-N 0.000 description 2
- 229910052911 sodium silicate Inorganic materials 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004061 bleaching Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Abstract
公开了一种洗涤剂智能化生产系统及其方法,其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地,挖掘反应过程中各个阶段反应温度的多尺度动态变化特征,并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征,最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理,以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式,基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
Description
技术领域
本申请涉及洗涤剂制备领域,且更为具体地,涉及一种洗涤剂智能化生产系统及其方法。
背景技术
洗涤剂是日常生活中必不可少的一种日用化学品。对天然植物或食物的有色污渍,通常采用能释放活性氧的漂白剂,目前常用的两种漂白剂为过硼酸钠和过碳酸钠,溶于水后都能释放活性氧,从而通过氧化作用去掉衣物沾染的或自身泛黄形成的各种色素。过硼酸钠在水温60℃以上才能充分发挥其释氧漂白性能,需配合活化剂或金属催化剂才能在低温下使用;同时过硼酸钠具有潜在的健康危害和环境危害。过碳酸钠的稳定性不如过硼酸钠,在贮存稳定性和使用时的溶解性能方面难以取得平衡。目前现有技术中一般是将过硼酸钠或过碳酸钠与洗涤剂的其它组份简单地混合或附聚成型方法来制备洗涤剂,这种方法会由于各组份的粒径大小和密度不同,在混合过程中很难混合均匀,因此得到的洗涤组合物的洗涤效果仍较差。
针对上述问题,在专利申请号CN 102634422B中公开了一种含氧洗涤剂的制备方法,其通过过氧化氢与含有碳酸钠的组合物直接反应制备含氧洗涤剂,无需先制备过碳酸钠或过硼酸钠,得到的含氧洗涤剂中各组份分布均匀,避免因各组份粒径大小和密度不同导致的组份离析,因此能得到性能稳定、洗涤效果优异的含氧洗涤剂。但是,在实际进行含氧洗涤剂的制备过程中发现制备出的含氧洗涤剂效率和质量难以满足预期的应有要求,进而导致洗涤剂的各组份分布不均,造成洗涤剂的性能较低,洗涤效果仍较差。
因此,期望一种优化的洗涤剂智能化生产方案。
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洗涤剂智能化生产系统及其方法,其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地,挖掘反应过程中各个阶段反应温度的多尺度动态变化特征,并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征,最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理,以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式,基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
相应地,根据本申请的一个方面,提供了一种洗涤剂智能化生产系统,其包括:监控单元,用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;排列单元,用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;多尺度编码单元,用于将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;数据增强单元,用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;三维卷积编码单元,用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;转移单元,用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及控制结果生成单元,用于将所述分类特征向量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反应温度值应增大或应减小。
在上述洗涤剂智能化生产系统中,所述多尺度邻域特征提取模块,包括相互并行的第一卷积层和第二卷积层,以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述洗涤剂智能化生产系统中,所述多尺度编码单元,包括:第一尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量;其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第一尺度反应温度特征向量;第二尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量;其中,所述公式为:
其中,
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
m为第二卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第二尺度反应温度特征向量;以及,融合子单元,用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。
在上述洗涤剂智能化生产系统中,所述数据增强单元,包括:高斯密度图构造子单元,用于构造所述反应温度特征向量的自高斯密度图,所述自高斯密度图的均值向量为所述反应温度特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差;以及,高斯离散化子单元,用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。
在上述洗涤剂智能化生产系统中,所述三维卷积编码单元,包括:采样子单元,用于以预定采样频率从所述状态监控视频中提取多个状态监控关键帧;编码子单元,用于将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图;以及,降维子单元,用于沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
在上述洗涤剂智能化生产系统中,所述编码子单元,进一步用于:所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述状态监控特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述洗涤剂智能化生产系统中,所述转移单元,进一步用于:以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
其中表示所述反应温度特征矩阵,表示所述状态监控特征向量,表示所述分类特征向量,表示矩阵相乘。
在上述洗涤剂智能化生产系统中,所述控制结果生成单元,包括:全连接编码子单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类子单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述洗涤剂智能化生产系统中,还包括用于对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练的训练模块;所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频,以及,所述当前时间点的反应温度值应增大或应减小的真实值;训练排列单元,用于将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量;训练多尺度编码单元,用于将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量;训练数据增强单元,用于基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵;训练三维卷积编码单元,用于将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量;训练转移单元,用于计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量;分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;以及,训练单元,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。
在上述洗涤剂智能化生产系统中,所述在所述训练过程的每一轮迭代中,以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值;其中,所述公式为:
其中是所述训练分类特征向量,是所述分类器对所述训练分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,表示所述分类器的标签值。
根据本申请的另一方面,还提供了一种洗涤剂智能化生产方法,其包括:获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及将所述分类特征向量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反应温度值应增大或应减小。
在上述洗涤剂智能化生产方法中,所述多尺度邻域特征提取模块,包括相互并行的第一卷积层和第二卷积层,以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述洗涤剂智能化生产方法中,所述将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量;其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第一尺度反应温度特征向量;使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量;其中,所述公式为:
其中,
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
m为第二卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第二尺度反应温度特征向量;以及,使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。
在上述洗涤剂智能化生产方法中,所述基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵,包括:构造所述反应温度特征向量的自高斯密度图,所述自高斯密度图的均值向量为所述反应温度特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差;以及,对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。
在上述洗涤剂智能化生产方法中,所述将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量,包括:以预定采样频率从所述状态监控视频中提取多个状态监控关键帧;将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图;以及,沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
在上述洗涤剂智能化生产方法中,所述将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图,包括:所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述状态监控特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述洗涤剂智能化生产方法中,所述计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量,包括:以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
其中表示所述反应温度特征矩阵,表示所述状态监控特征向量,表示所述分类特征向量,表示矩阵相乘。
在上述洗涤剂智能化生产方法中,所述将所述分类特征向量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反应温度值应增大或应减小,包括:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述洗涤剂智能化生产方法中,还包括对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练;所述对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,包括步骤:获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频,以及,所述当前时间点的反应温度值应增大或应减小的真实值;将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量;将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量;基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵;将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量;计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量;将所述训练分类特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。
在上述洗涤剂智能化生产方法中,所述在所述训练过程的每一轮迭代中,以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值;其中,所述公式为:
其中是所述训练分类特征向量,是所述分类器对所述训练分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,表示所述分类器的标签值。
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洗涤剂智能化生产方法。
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洗涤剂智能化生产方法。
与现有技术相比,本申请提供的洗涤剂智能化生产系统及其方法,其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地,挖掘反应过程中各个阶段反应温度的多尺度动态变化特征,并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征,最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理,以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式,基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
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为根据本申请实施例的洗涤剂智能化生产系统的应用场景图。
图2为根据本申请实施例的洗涤剂智能化生产系统的框图。
图3为根据本申请实施例的洗涤剂智能化生产系统的架构示意图。
图4为根据本申请实施例的洗涤剂智能化生产系统中训练模块的框图。
图5为根据本申请实施例的洗涤剂智能化生产方法的流程图。
图6为根据本申请实施例的洗涤剂智能化生产方法中对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练的流程图。
图7为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。
申请概述:如上所述,根据专利申请号CN 102634422B公开的一种含氧洗涤剂的制备方法,其通过过氧化氢与含有碳酸钠的组合物直接反应制备含氧洗涤剂,无需先制备过碳酸钠或过硼酸钠,得到的含氧洗涤剂中各组份分布均匀,避免因各组份粒径大小和密度不同导致的组份离析,因此能得到性能稳定、洗涤效果优异的含氧洗涤剂。但是,在实际进行含氧洗涤剂的制备过程中发现制备出的含氧洗涤剂效率和质量难以满足预期的应有要求,进而导致洗涤剂的各组份分布不均,造成洗涤剂的性能较低,洗涤效果仍较差。因此,期望一种优化的洗涤剂智能化生产方案。
具体地,在含氧洗涤剂的制备方法所公开的技术方案中,提出了一种含氧洗涤剂的制备方法,其包括以下步骤:A、将含有1-10重量份的表面活性剂、10-70重量份碳酸钠、1-40重量份硫酸钠、含或不含附加助剂的原料组合物加入至反应器中;所述附加助剂中含有0-20重量份的碳酸氢钠0-30重量份的硅酸的钠盐和0-10重量份的抗污垢再沉积剂;所述硫酸钠选自无水硫酸钠十水硫酸钠中的一种或两种。B、往反应器中加入过氧化氨水溶液,控制反应器内的反应温度为 0-60C,反应完成后对产物进行成型和干燥,得到100重量份的活性氧含量为 1-12.33% 的含氧洗涤剂;所述过氧化氢水溶液的浓度为27.5-70wt%;以100重量份的含氧洗涤剂为基准,以过氧化氢计,过氧化氢水溶液的用量为 2.17-26.74 重量份;过氧化氢水溶液的加入在30-90分钟内完成过氧化氢水溶液加入完成后继续反应5-10分钟;所述表面活性剂为阴离子表面活性剂、非离子表面活性剂中的一种或多种。
相应地,在实际进行含氧洗涤剂的制备过程中发现洗涤剂的制备效率较低,并且制备出的洗涤剂的质量和洗涤效果都难以达到预期要求。这是由于在往反应器中加入过氧化氨水溶液以进行反应的过程中,只是控制反应的温度在合适的范围内,并没有考虑到实际的反应液状态变化。也就是说,在往反应器中加入过氧化氨水溶液进行反应的过程中,反应所处的阶段不同所需要的反应温度则不同,应基于反应液的状态实时变化来自适应地调控反应温度值。也就是,在实际进行反应温度值的调控过程中,反应温度值的实时调整应适配于反应液的状态变化情况,也就是说,基于反应液的状态变化特征来自适应地调整当前时间点的反应温度值,以此来提高洗涤剂的制备质量和洗涤效果。在此过程中,难点在于如何建立所述反应温度值的动态变化与所述反应液的状态变化之间的映射关系,以使得基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
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反应温度值的动态变化与所述反应液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述反应温度值的动态变化与所述反应液的状态变化之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频。接着,考虑到由于所述反应温度值在所述预定时间段内具有波动性和不确定性,其在不同时间周期跨度下具有着不同的模式状态特征,因此,为了能够准确地提取出所述反应温度值在时序上的动态变化特征信息,进一步将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量以整合所述反应温度值在所述预定时间段内的时序分布信息后,将所述反应温度输入向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述反应温度值在不同时间跨度下的动态多尺度邻域关联特征,从而得到反应温度特征向量。
然后,考虑到所述反应温度值在时间维度上存在波动性和不确定性,因此为了提高对于所述当前时间点的反应温度值控制的准确性,需要在高维特征空间中对于所述反应温度值的动态多尺度关联特征进行数据增强。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述反应温度值的先验分布,即高斯分布,来对于所述反应温度值的动态多尺度邻域关联特征进行数据增强。具体地,构造所述反应温度特征向量的高斯密度图,然后,再对所述高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,从而得到反应温度特征矩阵。
进一步地,考虑到在所述反应液的状态监控视频中,所述反应液的状态特征可以通过所述反应液的状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示反应液的状态变化情况。但是,考虑到监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,以预定采样频率对所述反应液的状态监控视频进行关键帧采样,从而得到多个状态监控关键帧。
然后,考虑到所述各个状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性,也就是说,所述反应液的状态信息在时间维度上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个状态监控关键帧沿着通道维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型中进行特征挖掘,以提取出所述反应液的状态特征在时间维度上的动态变化特征,从而得到状态监控特征向量。特别地,这里,所述卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取所述反应液的状态分布特征随时间维度的动态变化特征。
接着,进一步再计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量来表示所述反应温度的多尺度动态变化特征与所述反应液的状态变化特征的关联性特征分布信息,并以此作为分类特征向量通过分类器中进行分类处理,以得到用于表示当前时间点的反应温度值应增大或应减小的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的反应温度值应增大或应减小,其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为反应温度值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整当前时间点的反应温度值,以此来基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
特别地,在本申请的技术方案中,在计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为所述分类特征向量时,是将所述反应温度特征矩阵的逆矩阵与所述状态监控特征向量相乘,这样,所述分类特征向量的每个位置的特征值是所述反应温度特征矩阵的逆矩阵的行向量与所述状态监控特征向量的向量内积。而由于所述反应温度特征矩阵是基于高斯密度图对所述反应温度特征向量进行特征级数据增强得到的,因此其各个行向量之间可能存在向量关联度低的温蒂,这就导致所述分类特征向量的整体特征分布可能具有较强的离散性,使得分类器的训练困难,尤其是分类器的标签值的收敛困难。
因此,优选地使用软标签学习来代替常用的硬标签学习,具体地,在每次迭代时,计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为分类器的标签值,表示为:
是所述分类特征向量,是所述分类器对所述分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数。
这里,所述基于跨分类器软相似性的自由标签优化因数作为分类器的标签值,可以代替以硬标签值计算所述分类特征向量的分类概率,对所述分类特征向量和分类器的权重矩阵进行双向聚簇,来通过所述分类特征向量与权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别,从而以软相似性学习来避免了硬标签学习带来的分类量化损失,实现了更关注于分类器的内在权重结构的自由标签优化,从而优化了分类器的标签值的训练,提升了分类器的训练速度。这样,能够基于反应液状态的实时变化来自适应地调整所述反应温度值,以提高洗涤剂的制备质量和洗涤效果。
基于此,本申请提供了一种洗涤剂智能化生产系统,其包括:监控单元,用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;排列单元,用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;多尺度编码单元,用于将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;数据增强单元,用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;三维卷积编码单元,用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;转移单元,用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及,控制结果生成单元,用于将所述分类特征向量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反应温度值应增大或应减小。
图1为根据本申请实施例的洗涤剂智能化生产系统的应用场景图。如图1所示,在该应用场景中,首先由温度传感器(例如,如图1中所示意的Se)获取预定时间段内多个预定时间点的反应温度值,并由摄像头(例如,如图1中所示意的C)获取所述预定时间段的反应液(例如,如图1中所示意的L)的状态监控视频。进而,将所述预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频输入至部署有洗涤剂智能化生产算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述洗涤剂智能化生产算法对所述预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频进行处理,以得到用于表示当前时间点的反应温度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。
示例性系统:图2为根据本申请实施例的洗涤剂智能化生产系统的框图。如图2所示,根据本申请实施例的洗涤剂智能化生产系统100,包括:监控单元110,用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;排列单元120,用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;多尺度编码单元130,用于将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;数据增强单元140,用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;三维卷积编码单元150,用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;转移单元160,用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及,控制结果生成单元170,用于将所述分类特征向量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反应温度值应增大或应减小。
图3为根据本申请实施例的洗涤剂智能化生产系统的架构示意图。如图3所示,首先,获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;接着,将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;然后,将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;继而,基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵,同时,将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;接着,计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;然后,将所述分类特征向量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反应温度值应增大或应减小。
如上述背景技术部分所言,根据专利申请号CN 102634422B公开的一种含氧洗涤剂的制备方法,其通过过氧化氢与含有碳酸钠的组合物直接反应制备含氧洗涤剂,无需先制备过碳酸钠或过硼酸钠,得到的含氧洗涤剂中各组份分布均匀,避免因各组份粒径大小和密度不同导致的组份离析,因此能得到性能稳定、洗涤效果优异的含氧洗涤剂。但是,在实际进行含氧洗涤剂的制备过程中发现制备出的含氧洗涤剂效率和质量难以满足预期的应有要求,进而导致洗涤剂的各组份分布不均,造成洗涤剂的性能较低,洗涤效果仍较差。因此,期望一种优化的洗涤剂智能化生产方案。
具体地,在含氧洗涤剂的制备方法所公开的技术方案中,提出了一种含氧洗涤剂的制备方法,其包括以下步骤:A、将含有1-10重量份的表面活性剂、10-70重量份碳酸钠、1-40重量份硫酸钠、含或不含附加助剂的原料组合物加入至反应器中;所述附加助剂中含有0-20重量份的碳酸氢钠0-30重量份的硅酸的钠盐和0-10重量份的抗污垢再沉积剂;所述硫酸钠选自无水硫酸钠十水硫酸钠中的一种或两种。B、往反应器中加入过氧化氨水溶液,控制反应器内的反应温度为 0-60C,反应完成后对产物进行成型和干燥,得到100重量份的活性氧含量为 1-12.33% 的含氧洗涤剂;所述过氧化氢水溶液的浓度为27.5-70wt%;以100重量份的含氧洗涤剂为基准,以过氧化氢计,过氧化氢水溶液的用量为 2.17-26.74 重量份;过氧化氢水溶液的加入在30-90分钟内完成过氧化氢水溶液加入完成后继续反应5-10分钟;所述表面活性剂为阴离子表面活性剂、非离子表面活性剂中的一种或多种。
相应地,在实际进行含氧洗涤剂的制备过程中发现洗涤剂的制备效率较低,并且制备出的洗涤剂的质量和洗涤效果都难以达到预期要求。这是由于在往反应器中加入过氧化氨水溶液以进行反应的过程中,只是控制反应的温度在合适的范围内,并没有考虑到实际的反应液状态变化。也就是说,在往反应器中加入过氧化氨水溶液进行反应的过程中,反应所处的阶段不同所需要的反应温度则不同,应基于反应液的状态实时变化来自适应地调控反应温度值。也就是,在实际进行反应温度值的调控过程中,反应温度值的实时调整应适配于反应液的状态变化情况,也就是说,基于反应液的状态变化特征来自适应地调整当前时间点的反应温度值,以此来提高洗涤剂的制备质量和洗涤效果。在此过程中,难点在于如何建立所述反应温度值的动态变化与所述反应液的状态变化之间的映射关系,以使得基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
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反应温度值的动态变化与所述反应液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述反应温度值的动态变化与所述反应液的状态变化之间的复杂映射关系。
在上述洗涤剂智能化生产系统100中,所述监控单元110,用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频。具体地,在本申请的技术方案中,可以通过温度传感器来获取所述预定时间段内多个预定时间点的反应温度值,并且可以通过摄像头获取所述预定时间段的反应液的状态监控视频。
在上述洗涤剂智能化生产系统100中,所述排列单元120和所述多尺度编码单元130,用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量,并将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量。考虑到由于所述反应温度值在所述预定时间段内具有波动性和不确定性,其在不同时间周期跨度下具有着不同的模式状态特征,因此,为了能够准确地提取出所述反应温度值在时序上的动态变化特征信息,进一步将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量以整合所述反应温度值在所述预定时间段内的时序分布信息后,将所述反应温度输入向量通过多尺度邻域特征提取模块中进行特征挖掘,以提取出所述反应温度值在不同时间跨度下的动态多尺度邻域关联特征,从而得到反应温度特征向量。
在本申请的一个具体实施例中,所述多尺度邻域特征提取模块,包括相互并行的第一卷积层和第二卷积层,以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。具体地,在本申请实施例中,所述多尺度编码单元130,包括:第一尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量;其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第一尺度反应温度特征向量;第二尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量;其中,所述公式为:
其中,
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
m为第二卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第二尺度反应温度特征向量;以及,融合子单元,用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。
在上述洗涤剂智能化生产系统100中,所述数据增强单元140,用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵。考虑到所述反应温度值在时间维度上存在波动性和不确定性,因此为了提高对于所述当前时间点的反应温度值控制的准确性,需要在高维特征空间中对于所述反应温度值的动态多尺度关联特征进行数据增强。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述反应温度值的先验分布,即高斯分布,来对于所述反应温度值的动态多尺度邻域关联特征进行数据增强。具体地,构造所述反应温度特征向量的高斯密度图,然后,再对所述高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,从而得到反应温度特征矩阵。
更具体地,在本申请实施例中,所述数据增强单元140,首先通过高斯密度图构造子单元构造所述反应温度特征向量的自高斯密度图,所述自高斯密度图的均值向量为所述反应温度特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差;然后,通过高斯离散化子单元对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。
在上述洗涤剂智能化生产系统100中,所述三维卷积编码单元150,用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量。考虑到在所述反应液的状态监控视频中,所述反应液的状态特征可以通过所述反应液的状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示反应液的状态变化情况。但是,考虑到监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,以预定采样频率对所述反应液的状态监控视频进行关键帧采样,从而得到多个状态监控关键帧。
然后,考虑到所述各个状态监控关键帧中关于所述反应液的状态特征在时间维度上具有着关联性,也就是说,所述反应液的状态信息在时间维度上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个状态监控关键帧沿着通道维度聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型中进行特征挖掘,以提取出所述反应液的状态特征在时间维度上的动态变化特征,从而得到状态监控特征向量。特别地,这里,所述卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取所述反应液的状态分布特征随时间维度的动态变化特征。
值得一提的是,所述卷积神经网络模型因其卷积核具有三维的特性,所以所述卷积神经网络模型的最后一层输出为状态监控特征图,为了降低计算量以及便于后续转移向量的运算,对所述状态监控特征图进行降维处理,即沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
具体地,在本申请实施例中,所述三维卷积编码单元150,包括:采样子单元,用于以预定采样频率从所述状态监控视频中提取多个状态监控关键帧;编码子单元,用于将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图;以及,降维子单元,用于沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
更具体地,在本申请实施例中,所述编码子单元,进一步用于:所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述状态监控特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述洗涤剂智能化生产系统100中,所述转移单元160,用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量。也就是,计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量来表示所述反应温度的多尺度动态变化特征与所述反应液的状态变化特征的关联性特征分布信息,并以此作为分类特征向量。
具体地,在本申请实施例中,所述转移单元160,进一步用于:以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;其中,所述公式为:,其中表示所述反应温度特征矩阵,表示所述状态监控特征向量,表示所述分类特征向量,表示矩阵相乘。
在上述洗涤剂智能化生产系统100中,所述控制结果生成单元170,用于将所述分类特征向量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反应温度值应增大或应减小。也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的反应温度值应增大或应减小,其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为反应温度值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整当前时间点的反应温度值,以此来基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
具体地,在本申请实施例中,所述控制结果生成单元170,包括:全连接编码子单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类子单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述洗涤剂智能化生产系统100中,还包括用于对所述多尺度邻域特征提取模块、所述使用三维卷积核的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4为根据本申请实施例的洗涤剂智能化生产系统中训练模块的框图。如图4所示,所述训练模块200,包括:训练数据获取单元210,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频,以及,所述当前时间点的反应温度值应增大或应减小的真实值;训练排列单元220,用于将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量;训练多尺度编码单元230,用于将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量;训练数据增强单元240,用于基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵;训练三维卷积编码单元250,用于将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量;训练转移单元260,用于计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量;分类损失单元270,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;以及,训练单元280,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。
特别地,在本申请的技术方案中,在计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为所述分类特征向量时,是将所述反应温度特征矩阵的逆矩阵与所述状态监控特征向量相乘,这样,所述分类特征向量的每个位置的特征值是所述反应温度特征矩阵的逆矩阵的行向量与所述状态监控特征向量的向量内积。而由于所述反应温度特征矩阵是基于高斯密度图对所述反应温度特征向量进行特征级数据增强得到的,因此其各个行向量之间可能存在向量关联度低的温蒂,这就导致所述分类特征向量的整体特征分布可能具有较强的离散性,使得分类器的训练困难,尤其是分类器的标签值的收敛困难。
因此,优选地使用软标签学习来代替常用的硬标签学习,具体地,在每次迭代时,计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为分类器的标签值,表示为:
其中是所述训练分类特征向量,是所述分类器对所述训练分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,表示所述分类器的标签值。
这里,所述基于跨分类器软相似性的自由标签优化因数作为分类器的标签值,可以代替以硬标签值计算所述分类特征向量的分类概率,对所述分类特征向量和分类器的权重矩阵进行双向聚簇,来通过所述分类特征向量与权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别,从而以软相似性学习来避免了硬标签学习带来的分类量化损失,实现了更关注于分类器的内在权重结构的自由标签优化,从而优化了分类器的标签值的训练,提升了分类器的训练速度。这样,能够基于反应液状态的实时变化来自适应地调整所述反应温度值,以提高洗涤剂的制备质量和洗涤效果。
综上,基于本申请实施例的洗涤剂智能化生产系统100被阐明,其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地,挖掘反应过程中各个阶段反应温度的多尺度动态变化特征,并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征,最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理,以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式,基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
如上所述,根据本申请实施例的洗涤剂智能化生产系统100可以实现在各种终端设备中,例如用于洗涤剂智能化生产的服务器等。在一个示例中,根据本申请实施例的洗涤剂智能化生产系统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,该洗涤剂智能化生产系统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,该洗涤剂智能化生产系统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,该洗涤剂智能化生产系统100与该终端设备也可以是分立的设备,并且该洗涤剂智能化生产系统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5为根据本申请实施例的洗涤剂智能化生产方法的流程图。如图5所示,根据本申请实施例的洗涤剂智能化生产方法,包括:S110,获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;S120,将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;S130,将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;S140,基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;S150,将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;S160,计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及,S170,将所述分类特征向量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反应温度值应增大或应减小。
在一个示例中,在上述洗涤剂智能化生产方法中,所述多尺度邻域特征提取模块,包括相互并行的第一卷积层和第二卷积层,以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个示例中,在上述洗涤剂智能化生产方法中,所述将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量;其中,所述公式为:
其中,
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
w为第一卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第一尺度反应温度特征向量;使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量;其中,所述公式为:
其中,
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,
m为第二卷积核的尺寸,
X表示所述反应温度输入向量,表示所述第二尺度反应温度特征向量;以及,使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。
在一个示例中,在上述洗涤剂智能化生产方法中,所述基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵,包括:构造所述反应温度特征向量的自高斯密度图,所述自高斯密度图的均值向量为所述反应温度特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差;以及,对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。
在一个示例中,在上述洗涤剂智能化生产方法中,所述将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量,包括:以预定采样频率从所述状态监控视频中提取多个状态监控关键帧;将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图;以及,沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
在一个示例中,在上述洗涤剂智能化生产方法中,所述将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图,包括:所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述状态监控特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在一个示例中,在上述洗涤剂智能化生产方法中,所述计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量,包括:以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
其中表示所述反应温度特征矩阵,表示所述状态监控特征向量,表示所述分类特征向量,表示矩阵相乘。
在一个示例中,在上述洗涤剂智能化生产方法中,所述将所述分类特征向量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反应温度值应增大或应减小,包括:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在一个示例中,在上述洗涤剂智能化生产方法中,还包括对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练。
图6为根据本申请实施例的洗涤剂智能化生产方法中对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练的流程图。如图6所示,所述对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,包括步骤:S210,获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频,以及,所述当前时间点的反应温度值应增大或应减小的真实值;S220,将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量;S230,将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量;S240,基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵;S250,将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量;S260,计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量;S270,将所述训练分类特征向量通过所述分类器以得到分类损失函数值;以及,S280,基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。
在一个示例中,在上述洗涤剂智能化生产方法中,所述在所述训练过程的每一轮迭代中,以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值;其中,所述公式为:
其中是所述训练分类特征向量,是所述分类器对所述训练分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,表示所述分类器的标签值。
综上,本申请实施例的洗涤剂智能化生产方法被阐明,其借助基于深度学习的人工智能监控技术来模拟并建立洗涤剂的制备过程中反应温度值的动态变化与反应液的状态变化之间的复杂映射关系。具体地,挖掘反应过程中各个阶段反应温度的多尺度动态变化特征,并使用三维卷积核的卷积神经网络模型来提取所述反应液的状态特征在时间维度上的动态变化特征,最后以转移向量来表示两者之间的关联性特征分布信息并将其作为分类特征向量进行分类处理,以获得用于表示当前时间点的反应温度值应增大或应减小的分类结果。通过这样的方式,基于反应液状态的实时变化来自适应地调整所述反应温度值以实现提高洗涤剂的洗涤效果的目的。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。图7为根据本申请实施例的电子设备的框图。如图7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洗涤剂智能化生产方法中的功能以及/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反应温度值和状态监控视频等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
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洗涤剂智能化生产方法中的功能中的步骤。
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洗涤剂智能化生产方法中的功能中的步骤。
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)
1.一种洗涤剂智能化生产系统,其特征在于,包括:监控单元,用于获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;排列单元,用于将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;多尺度编码单元,用于将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;数据增强单元,用于基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;三维卷积编码单元,用于将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;转移单元,用于计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及控制结果生成单元,用于将所述分类特征向量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反应温度值应增大或应减小。
2.根据权利要求1所述的洗涤剂智能化生产系统,其特征在于,所述多尺度邻域特征提取模块,包括相互并行的第一卷积层和第二卷积层,以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的洗涤剂智能化生产系统,其特征在于,所述多尺度编码单元,包括:第一尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第一尺度反应温度特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述反应温度输入向量,表示所述第一尺度反应温度特征向量;第二尺度编码子单元,用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应温度输入向量进行一维卷积编码以得到第二尺度反应温度特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述反应温度输入向量,表示所述第二尺度反应温度特征向量;以及融合子单元,用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度反应温度特征向量和所述第二尺度反应温度特征向量进行级联以得到所述多尺度反应温度特征向量。
4.根据权利要求3所述的洗涤剂智能化生产系统,其特征在于,所述数据增强单元,包括:高斯密度图构造子单元,用于构造所述反应温度特征向量的自高斯密度图,所述自高斯密度图的均值向量为所述反应温度特征向量,所述自高斯密度图的协方差矩阵中各个位置的值为所述反应温度特征向量中相应两个位置的特征值之间的方差;以及高斯离散化子单元,用于对所述自高斯密度图中各个位置的高斯分布进行高斯离散化以得到反应温度特征矩阵。
5.根据权利要求4所述的洗涤剂智能化生产系统,其特征在于,所述三维卷积编码单元,包括:采样子单元,用于以预定采样频率从所述状态监控视频中提取多个状态监控关键帧;编码子单元,用于将所述多个状态监控关键帧按照时间维度进行排列为三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到状态监控特征图;以及降维子单元,用于沿通道维度对所述状态监控特征图进行全局均值池化以得到所述状态监控特征向量。
6.根据权利要求5所述的洗涤剂智能化生产系统,其特征在于,所述编码子单元,进一步用于:所述使用三维卷积核的卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图;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,所述卷积神经网络模型的最后一层的输出为所述状态监控特征图,所述卷积神经网络模型的第一层的输入为所述三维输入张量。
7.根据权利要求6所述的洗涤剂智能化生产系统,其特征在于,所述转移单元,进一步用于:以如下公式计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;其中,所述公式为:
其中表示所述反应温度特征矩阵,表示所述状态监控特征向量,表示所述分类特征向量,表示矩阵相乘。
8.根据权利要求7所述的洗涤剂智能化生产系统,其特征在于,所述控制结果生成单元,包括:全连接编码子单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类子单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.根据权利要求8所述的洗涤剂智能化生产系统,其特征在于,还包括用于对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练的训练模块;所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练反应温度值和所述预定时间段的反应液的训练状态监控视频,以及,所述当前时间点的反应温度值应增大或应减小的真实值;训练排列单元,用于将所述多个预定时间点的训练反应温度值分别按照时间维度排列为训练反应温度输入向量;训练多尺度编码单元,用于将所述训练反应温度输入向量通过所述多尺度邻域特征提取模块以得到训练反应温度特征向量;训练数据增强单元,用于基于高斯密度图对所述训练反应温度特征向量进行特征级数据增强以得到训练反应温度特征矩阵;训练三维卷积编码单元,用于将所述预定时间段的反应液的训练状态监控视频通过所述使用三维卷积核的卷积神经网络模型以得到训练状态监控特征向量;训练转移单元,用于计算所述训练状态监控特征向量相对于所述训练反应温度特征矩阵的转移向量作为训练分类特征向量;分类损失单元,用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值;以及训练单元,用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练,其中,在所述训练过程的每一轮迭代中,以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值;其中,所述公式为:
其中是所述训练分类特征向量,是所述分类器对所述训练分类特征向量的权重矩阵,和分别表示张量乘法和张量加法,表示向量之间的距离,表示向量的二范数,且和是权重超参数,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,表示所述分类器的标签值。
10.一种洗涤剂智能化生产方法,其特征在于,包括:获取预定时间段内多个预定时间点的反应温度值和所述预定时间段的反应液的状态监控视频;将所述多个预定时间点的反应温度值分别按照时间维度排列为反应温度输入向量;将所述反应温度输入向量通过多尺度邻域特征提取模块以得到反应温度特征向量;基于高斯密度图对所述反应温度特征向量进行特征级数据增强以得到反应温度特征矩阵;将所述预定时间段的反应液的状态监控视频通过使用三维卷积核的卷积神经网络模型以得到状态监控特征向量;计算所述状态监控特征向量相对于所述反应温度特征矩阵的转移向量作为分类特征向量;以及将所述分类特征向量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反应温度值应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310055079.7A CN116052050A (zh) | 2023-02-03 | 2023-02-03 | 洗涤剂智能化生产系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310055079.7A CN116052050A (zh) | 2023-02-03 | 2023-02-03 | 洗涤剂智能化生产系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052050A true CN116052050A (zh) | 2023-05-02 |
Family
ID=86132801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310055079.7A Withdrawn CN116052050A (zh) | 2023-02-03 | 2023-02-03 | 洗涤剂智能化生产系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052050A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116562760A (zh) * | 2023-05-09 | 2023-08-08 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116605891A (zh) * | 2023-05-23 | 2023-08-18 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的智能生产方法及其系统 |
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
CN116649850A (zh) * | 2023-07-17 | 2023-08-29 | 东莞市商斯迈智能科技有限公司 | 一种智能洗地机控制系统 |
CN116680620A (zh) * | 2023-07-28 | 2023-09-01 | 克拉玛依市紫光技术有限公司 | 一种压裂用防乳化剂的制备方法及其系统 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工系统及其方法 |
CN117037028A (zh) * | 2023-07-31 | 2023-11-10 | 邵阳阳光发品有限公司 | 假发的智能化制备方法及其系统 |
CN117668484A (zh) * | 2023-12-05 | 2024-03-08 | 东莞市成铭胶粘剂有限公司 | 胶黏剂生产过程的实时监测系统及方法 |
CN117669838A (zh) * | 2024-01-31 | 2024-03-08 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
CN117669838B (zh) * | 2024-01-31 | 2024-05-10 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
-
2023
- 2023-02-03 CN CN202310055079.7A patent/CN116052050A/zh not_active Withdrawn
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562760A (zh) * | 2023-05-09 | 2023-08-08 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116562760B (zh) * | 2023-05-09 | 2024-04-26 | 杭州君方科技有限公司 | 纺织化纤供应链监管方法及其系统 |
CN116605617A (zh) * | 2023-05-17 | 2023-08-18 | 长兴南方水泥有限公司 | 一种智能化放料控制方法及其系统 |
CN116605891B (zh) * | 2023-05-23 | 2024-03-19 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的智能生产方法及其系统 |
CN116605891A (zh) * | 2023-05-23 | 2023-08-18 | 福建省龙德新能源有限公司 | 电子级六氟磷酸锂的智能生产方法及其系统 |
CN116551466B (zh) * | 2023-05-24 | 2024-05-14 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116858509A (zh) * | 2023-05-24 | 2023-10-10 | 车金喜汽配股份有限公司 | 汽车零部件用加工系统及其方法 |
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控系统及其方法 |
CN116820052A (zh) * | 2023-07-13 | 2023-09-29 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116820052B (zh) * | 2023-07-13 | 2024-02-02 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
CN116649850A (zh) * | 2023-07-17 | 2023-08-29 | 东莞市商斯迈智能科技有限公司 | 一种智能洗地机控制系统 |
CN116649850B (zh) * | 2023-07-17 | 2023-12-08 | 东莞市商斯迈智能科技有限公司 | 一种智能洗地机控制系统 |
CN116680620B (zh) * | 2023-07-28 | 2023-10-27 | 克拉玛依市紫光技术有限公司 | 一种压裂用防乳化剂的制备方法及其系统 |
CN116680620A (zh) * | 2023-07-28 | 2023-09-01 | 克拉玛依市紫光技术有限公司 | 一种压裂用防乳化剂的制备方法及其系统 |
CN117037028A (zh) * | 2023-07-31 | 2023-11-10 | 邵阳阳光发品有限公司 | 假发的智能化制备方法及其系统 |
CN117668484A (zh) * | 2023-12-05 | 2024-03-08 | 东莞市成铭胶粘剂有限公司 | 胶黏剂生产过程的实时监测系统及方法 |
CN117669838A (zh) * | 2024-01-31 | 2024-03-08 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
CN117669838B (zh) * | 2024-01-31 | 2024-05-10 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
CN108734276A (zh) | 一种基于对抗生成网络的模仿学习对话生成方法 | |
US20220044767A1 (en) | Compound property analysis method, model training method, apparatuses, and storage medium | |
WO2021238333A1 (zh) | 一种文本处理网络、神经网络训练的方法以及相关设备 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN115723287B (zh) | 基于温度控制聚氨酯发泡的生产设备 | |
CN109784359A (zh) | 图像生成方法、装置、设备及可读存储介质 | |
CN116038854A (zh) | 门加工用成型控制系统及方法 | |
CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
CN115841644B (zh) | 基于物联网的城市基础建设工程设备的控制系统及其方法 | |
Zhi-Min et al. | A survey of motion capture data earning as high dimensional time series | |
CN116120761A (zh) | 一种分散型染料及其制备方法 | |
CN116426331A (zh) | 香料油的智能化制备方法及其系统 | |
CN116859830A (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
CN116151768A (zh) | 城市污水处理监管方法及其系统 | |
CN115983126A (zh) | 异麦芽糖酐铁1000的智能化制备方法 | |
CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
CN116149280B (zh) | 电子级氢氧化钾的智能生产系统 | |
Yang et al. | Unifiedgesture: A unified gesture synthesis model for multiple skeletons | |
CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
US20230342626A1 (en) | Model processing method and related apparatus | |
CN116483132A (zh) | 基于驱动电机电流控制协同的煤流量控制系统及其方法 | |
CN116307624A (zh) | 一种erp系统的资源调度方法及其系统 |
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: 20230502 |