CN116082863A - 绿色的铝颜料制备方法及其系统 - Google Patents

绿色的铝颜料制备方法及其系统 Download PDF

Info

Publication number
CN116082863A
CN116082863A CN202310013401.XA CN202310013401A CN116082863A CN 116082863 A CN116082863 A CN 116082863A CN 202310013401 A CN202310013401 A CN 202310013401A CN 116082863 A CN116082863 A CN 116082863A
Authority
CN
China
Prior art keywords
feature
slurry state
matrix
slurry
state change
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Withdrawn
Application number
CN202310013401.XA
Other languages
English (en)
Inventor
彭锋
彭乃超
张赢超
刘涛
彭红春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Oukai Technology Co ltd
Original Assignee
Jiangxi Oukai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Oukai Technology Co ltd filed Critical Jiangxi Oukai Technology Co ltd
Priority to CN202310013401.XA priority Critical patent/CN116082863A/zh
Publication of CN116082863A publication Critical patent/CN116082863A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C1/00—Treatment of specific inorganic materials other than fibrous fillers; Preparation of carbon black
    • C09C1/62—Metallic pigments or fillers
    • C09C1/64—Aluminium
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C1/00—Treatment of specific inorganic materials other than fibrous fillers; Preparation of carbon black
    • C09C1/62—Metallic pigments or fillers
    • C09C1/64—Aluminium
    • C09C1/642—Aluminium treated with inorganic compounds
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C1/00—Treatment of specific inorganic materials other than fibrous fillers; Preparation of carbon black
    • C09C1/62—Metallic pigments or fillers
    • C09C1/64—Aluminium
    • C09C1/648—Aluminium treated with inorganic and organic, e.g. polymeric, compounds
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C3/00—Treatment in general of inorganic materials, other than fibrous fillers, to enhance their pigmenting or filling properties
    • C09C3/006—Combinations of treatments provided for in groups C09C3/04 - C09C3/12
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C3/00—Treatment in general of inorganic materials, other than fibrous fillers, to enhance their pigmenting or filling properties
    • C09C3/06—Treatment with inorganic compounds
    • C09C3/063—Coating
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C3/00—Treatment in general of inorganic materials, other than fibrous fillers, to enhance their pigmenting or filling properties
    • C09C3/08—Treatment with low-molecular-weight non-polymer organic compounds
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09C—TREATMENT OF INORGANIC MATERIALS, OTHER THAN FIBROUS FILLERS, TO ENHANCE THEIR PIGMENTING OR FILLING PROPERTIES ; PREPARATION OF CARBON BLACK  ; PREPARATION OF INORGANIC MATERIALS WHICH ARE NO SINGLE CHEMICAL COMPOUNDS AND WHICH ARE MAINLY USED AS PIGMENTS OR FILLERS
    • C09C3/00—Treatment in general of inorganic materials, other than fibrous fillers, to enhance their pigmenting or filling properties
    • C09C3/10—Treatment with macromolecular organic compounds
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

公开了一种绿色的铝颜料制备方法及其系统，其获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；采用基于深度学习的人工智能制备技术，挖掘浆料反应的温度和压力之间的动态关联关系，并建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值。这样，可以实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。

Description

绿色的铝颜料制备方法及其系统
技术领域
本申请涉及智能化制备技术领域，且更为具体地，涉及一种绿色的铝颜料制备方法及其系统。
背景技术
铝颜料，又称铝银浆、铝粉浆、闪光浆、银浆，是一种应用广泛的金属颜料，主要应用于涂料、油墨、印染、塑料制品、造纸、橡胶制品和陶瓷等行业，随着下游行业的快速发展，对颜料的需求不断扩大。随着环保标准的日益提升，发展环保型涂料已成为世界涂料发展的必经之路，UV涂料是未来涂料发展的一大趋势。然而，普通铝颜料中在UV涂料中会产生自由基，使得UV涂料很难达到稳定的储存，经常会出现焦化、板结等不良现象；而且铝片容易阻挡紫外光的照射，影响固化效率。
针对上述问题，中国专利申请CN109575646B提出了一种“铝颜料及其制备方法”，其通过采用特殊的球磨工艺制备出一种铝片厚度在0.5-0.8μm左右的铝片，遮光效率比较差，透光性强，不影响其UV固化效率，并且通过在厚型铝片上包覆亲和树脂钝化层、二氧化硅和二氧化钛的复合层以及磷酸酯功能层，特别是通过微波水热法包覆二氧化硅和二氧化钛的复合层，以提高铝浆的耐候性。
但是，在实际使用微波水热法来进行二氧化硅和二氧化钛的复合层包裹时，发现包裹的效果难以达到预期。这是由于将经过钝化处理后的浆料在硅酸烷基酯前驱体的作用下进行微波水热处理时只是将浆料反应的压力和温度控制在一定范围内，忽略了两者的内在联系对于浆料反应效果的影响。也就是说，压力和温度的变化会存在着隐藏的关联关系，并且浆料在不同时段的反应所需要的压力和温度是不同的。这也就使得采用温度和压力在范围内的固定控制方案难以实现较优的复合层包裹效果，进而导致铝浆的耐候性较差。
因此，期望一种优化的绿色的铝颜料制备方案。
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绿色的铝颜料制备方法及其系统，其获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；采用基于深度学习的人工智能制备技术，挖掘浆料反应的温度和压力之间的动态关联关系，并建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值。这样，可以实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
根据本申请的一个方面，提供了一种绿色的铝颜料制备方法，其包括：
获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；
将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；
将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；
从所述浆料状态监控视频中提取多个浆料状态监控关键帧；
将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；
将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；
对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；
计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
在上述绿色的铝颜料制备方法中，所述将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵，包括：计算所述温度输入向量的转置向量和所述压力输入向量之间的乘积以得到所述全时序协同关联矩阵。
在上述绿色的铝颜料制备方法中，所述将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述协同特征矩阵，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述全时序协同关联矩阵。
在上述绿色的铝颜料制备方法中，所述从所述浆料状态监控视频中提取多个浆料状态监控关键帧，包括：从所述浆料状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个浆料状态监控关键帧。
在上述绿色的铝颜料制备方法中，所述将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图，包括：从所述包含深浅特征融合模块的第二卷积神经网络模型的浅层提取浅层特征图；从所述包含深浅特征融合模块的第二卷积神经网络模型的深层提取深层特征图；以及，使用所述包含深浅特征融合模块的第二卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述多个浆料状态特征图。
在上述绿色的铝颜料制备方法中，所述将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图，包括：使用所述使用可分离卷积核的第三卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：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，所述使用可分离卷积核的第三卷积神经网络模型的最后一层的输出为所述浆料状态变化特征图，所述使用可分离卷积核的第三卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述绿色的铝颜料制备方法中，所述对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量，包括：以如下公式对所述浆料状态变化特征图进行类表征平展化以得到优化浆料状态变化特征图；其中，所述公式为：
Figure BDA0004038474400000041
其中，fi是所述浆料状态变化特征图的预定特征值，fj是所述浆料状态变化特征图的所述预定特征值以外的其它特征值，
Figure BDA0004038474400000042
是所述浆料状态变化特征图的所有特征值的均值，且N是所述浆料状态变化特征图的尺度，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，fi′是所述优化浆料状态变化特征图的第i个位置的特征值；以及，对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浆料状态变化特征向量。
在上述绿色的铝颜料制备方法中，所述计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure BDA0004038474400000043
其中V1表示所述浆料状态变化特征向量，M1表示所述协同特征矩阵，M表示所述分类特征矩阵，
Figure BDA0004038474400000044
表示矩阵相乘。
在上述绿色的铝颜料制备方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种绿色的铝颜料制备系统，其包括：
数据采集模块，用于获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；
全时序协同关联矩阵计算模块，用于将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；
第一特征提取模块，用于将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；
关键帧提取模块，用于从所述浆料状态监控视频中提取多个浆料状态监控关键帧；
第二特征提取模块，用于将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；
第三特征提取模块，用于将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；
维度调制模块，用于对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；
转移矩阵计算模块，用于计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及
控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
与现有技术相比，本申请提供的绿色的铝颜料制备方法及其系统，其获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；采用基于深度学习的人工智能制备技术，挖掘浆料反应的温度和压力之间的动态关联关系，并建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值。这样，可以实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的绿色的铝颜料制备方法的场景示意图。
图2为根据本申请实施例的绿色的铝颜料制备方法的流程图。
图3为根据本申请实施例的绿色的铝颜料制备方法的架构示意图。
图4为根据本申请实施例的绿色的铝颜料制备方法中步骤S150的子步骤的流程图。
图5为根据本申请实施例的绿色的铝颜料制备方法中步骤S190的子步骤的流程图。
图6为根据本申请实施例的绿色的铝颜料制备系统的框图。
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，在使用中国专利申请CN109575646B提出的铝颜料及其制备方法来进行铝颜料的制备过程中，在实际使用微波水热法来进行二氧化硅和二氧化钛的复合层包裹时，发现包裹的效果难以达到预期。这是由于将经过钝化处理后的浆料在硅酸烷基酯前驱体的作用下进行微波水热处理时只是将浆料反应的压力和温度控制在一定范围内，忽略了两者的内在联系对于浆料反应效果的影响。也就是说，压力和温度的变化会存在着隐藏的关联关系，并且浆料在不同时段的反应所需要的压力和温度是不同的。这也就使得采用温度和压力在范围内的固定控制方案难以实现较优的复合层包裹效果，进而导致铝浆的耐候性较差。因此，期望一种优化的绿色的铝颜料制备方案。
相应地，在本申请的技术方案中，考虑到在实际使用微波水热法来进行二氧化硅和二氧化钛的复合层包裹时，为了能够对于浆料反应的压力和温度进行实时准确地控制，需要对于浆料的状态进行实时监测，以基于浆料的状态变化来实时调控浆料反应的压力值和温度值，而对于浆料的状态监测可以通过对于浆料的状态监控视频进行分析来实现。但是，由于浆料的监控视频中存在的信息量较多，且浆料的状态变化在视频中为小尺度的信息，难以进行挖掘提取。并且，在实际进行温度和压力调控时，难点在于如何挖掘浆料反应的温度和压力之间的动态关联关系以及如何建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以实现基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值的目的，提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
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浆料反应的温度和压力之间的动态关联关系以及温度和压力的协同参数关联变化与浆料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浆料反应的温度和压力之间的动态关联关系以及温度和压力的协同参数关联变化与浆料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，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频。接着，为了挖掘出所述浆料反应的温度和压力之间的动态关联关系，进一步构建两者之间的时序关联矩阵，也就是，具体地，将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵。相应地，在本申请的一个具体示例中，可以计算所述温度输入向量的转置向量和所述压力输入向量之间的乘积以得到所述全时序协同关联矩阵。这里，所述全时序协同关联矩阵表示了所述浆料反应的温度和压力在时序上的协同关联分布信息。然后，再将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型中进行特征挖掘，以提取出所述浆料反应的温度和压力的协同工作在时间维度上的关联特征分布信息，从而得到协同特征矩阵。
进一步地，考虑到在所述浆料状态监控视频中，浆料的状态变化特征可以通过所述浆料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所述浆料状态变化情况。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，避免数据冗余给检测带来的不良影响，并且为了提高后续挖掘所述浆料反应的温度和压力的协同动态关联信息和所述浆料状态的变化信息之间关联特征的精准度，在本申请的技术方案中，从所述浆料状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个浆料状态监控关键帧。
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浆料状态监控关键帧的特征挖掘，特别地，考虑到在对于所述多个预定时间点的浆料状态监控关键帧的隐藏特征进行挖掘时，为了能够更准确地提取出关于浆料状态的隐含特征信息，以提高当前时间点的温度和压力的控制精准度，应在特征提取时更关注于所述多个浆料状态监控关键帧中关于浆料的颜色、纹理等浅层特征，这些所述浅层特征对于所述浆料状态的特征挖掘以进行反应温度和压力的控制具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的第二卷积神经网络模型来分别对所述多个浆料状态监控关键帧中的各个浆料状态监控关键帧进行处理以得到多个浆料状态特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述浆料状态监控关键帧的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述反应温度和压力的实时控制的精准度。
进一步地，考虑到在所述多个浆料状态监控关键帧中，所述浆料状态在时间维度上具有着动态性的变化特征，因此，在本申请的技术方案中，进一步将具有所述各个预定时间点下浆料状态特征的所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后，使用三维卷积神经网络来进行浆料动态特征的深度挖掘。特别地，在本申请的技术方案中，考虑到所述浆料状态监控视频在采集的过程中会存在有噪声干扰，因此为了进一步提高对于所述浆料状态的动态特征提取的精准度，将所述三维输入张量通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图。应可以理解，这里，所述使用可分离卷积核的第三卷积神经网络模型在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述三维输入张量进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。
接着，再对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量。相应地，在本申请的一个具体示例中，对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化处理，以在降低计算量的同时保留其在时序上的关于所述浆料状态的动态变化特征分布信息，从而得到浆料状态变化特征向量。
然后，进一步再计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵来表示所述浆料状态动态变化特征与所述反应温度和压力的协同控制变化特征间的关联性特征分布信息，即所述反应温度和压力的协同变化对于所述浆料状态的影响，并以此作为分类特征矩阵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压力值应增大或应减小，且当前时间点的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压力值应增大或应减小，并且当前时间点的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矩阵属于哪个分类标签。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当前时间点的温度和压力的控制策略标签，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所述当前时间点的反应温度值和压力值，以此来基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
特别地，在本申请的技术方案中，通过所述第二卷积神经网络模型的深浅特征融合模块，可以分别提取所述多个校正后监控关键帧的不同深度的图像语义关联特征，进一步地，通过使用可分离卷积核的第三卷积神经网络模型，可以使得所述浆料状态变化特征图不仅包含各个深度的图像语义关联特征内的卷积特征表达，而且可以包含不同深度的图像语义关联特征之间的卷积特征表达。
但是，这会使得所述浆料状态变化特征图沿各个维度的特征分布变得离散，从而在所述浆料状态变化特征图沿通道维度进行全局均值池化得到所述浆料状态变化特征向量之后，导致所述浆料状态变化特征向量的各个特征值分布离散，进一步导致计算所述协同特征矩阵相对于所述浆料状态变化特征向量的转移矩阵得到的所述分类特征矩阵再通过分类器进行分类时，其与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。
因此，优选地对所述浆料状态变化特征图进行类表征平展化，具体表示为：
Figure BDA0004038474400000101
fi是所述浆料状态变化特征图的预定特征值，fj是所述浆料状态变化特征图的所述预定特征值以外的其它特征值，且
Figure BDA0004038474400000102
是所述浆料状态变化特征图的所有特征值的均值，且N是所述浆料状态变化特征图的尺度，即宽度乘以高度乘以通道数。
这里，所述浆料状态变化特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得类平面的平展的“切片”聚集性，即所述浆料状态变化特征图沿各个维度的特征分布的聚集性。这样，就增强了所述分类特征矩阵对于分类器的权重矩阵的拟合性能，从而提升了所述分类特征矩阵通过分类器进行分类的训练速度和分类结果的准确性。这样，能够基于浆料的实际状态变化情况来实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
基于此，本申请提供了一种绿色的铝颜料制备方法，其包括：获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；从所述浆料状态监控视频中提取多个浆料状态监控关键帧；将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及,将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
图1为根据本申请实施例的绿色的铝颜料制备方法的场景示意图。如图1所示，在该应用场景中，首先，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频。然后，将获取的温度值(例如，如图1中所示意的C1)、压力值(例如，如图1中所示意的C2)和浆料状态监控视频(例如，如图1中所示意的C3)输入至部署有绿色的铝颜料制备算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于绿色的铝颜料制备算法对所述温度值、所述压力值和所述浆料状态监控视频进行处理，以生成用于表示当前时间点的压力值应增大或应减小，且当前时间点的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。
示例性方法
图2为根据本申请实施例的绿色的铝颜料制备方法的流程图。如图2所示，根据本申请实施例的绿色的铝颜料制备方法，包括步骤：S110，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；S120，将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；S130，将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；S140，从所述浆料状态监控视频中提取多个浆料状态监控关键帧；S150，将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；S160，将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；S170，对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；S180，计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及，S190，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
图3为根据本申请实施例的绿色的铝颜料制备方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；然后，将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；接着，将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；然后，从所述浆料状态监控视频中提取多个浆料状态监控关键帧；接着，将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；然后，将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；接着，对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；然后，计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及，最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
具体地，在步骤S110中，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频。如前所述，在使用中国专利申请CN109575646B提出的铝颜料及其制备方法来进行铝颜料的制备过程中，在实际使用微波水热法来进行二氧化硅和二氧化钛的复合层包裹时，发现包裹的效果难以达到预期。这是由于将经过钝化处理后的浆料在硅酸烷基酯前驱体的作用下进行微波水热处理时只是将浆料反应的压力和温度控制在一定范围内，忽略了两者的内在联系对于浆料反应效果的影响。也就是说，压力和温度的变化会存在着隐藏的关联关系，并且浆料在不同时段的反应所需要的压力和温度是不同的。这也就使得采用温度和压力在范围内的固定控制方案难以实现较优的复合层包裹效果，进而导致铝浆的耐候性较差。因此，期望一种优化的绿色的铝颜料制备方案。
相应地，在本申请的技术方案中，考虑到在实际使用微波水热法来进行二氧化硅和二氧化钛的复合层包裹时，为了能够对于浆料反应的压力和温度进行实时准确地控制，需要对于浆料的状态进行实时监测，以基于浆料的状态变化来实时调控浆料反应的压力值和温度值，而对于浆料的状态监测可以通过对于浆料的状态监控视频进行分析来实现。但是，由于浆料的监控视频中存在的信息量较多，且浆料的状态变化在视频中为小尺度的信息，难以进行挖掘提取。并且，在实际进行温度和压力调控时，难点在于如何挖掘浆料反应的温度和压力之间的动态关联关系以及如何建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以实现基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值的目的，提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
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浆料反应的温度和压力之间的动态关联关系以及温度和压力的协同参数关联变化与浆料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浆料反应的温度和压力之间的动态关联关系以及温度和压力的协同参数关联变化与浆料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，获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频，以得到浆料反应的温度和压力之间的动态关联关系以及温度和压力的协同参数关联变化与浆料的状态变化之间的复杂映射关系。
具体地，在步骤S120中，将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵。接着，为了挖掘出所述浆料反应的温度和压力之间的动态关联关系，进一步构建两者之间的时序关联矩阵，也就是，具体地，将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵。
相应地，在本申请的一个具体示例中，可以计算所述温度输入向量的转置向量和所述压力输入向量之间的乘积以得到所述全时序协同关联矩阵。这里，所述全时序协同关联矩阵表示了所述浆料反应的温度和压力在时序上的协同关联分布信息。
具体地，在步骤S130中，将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵。然后，再将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型中进行特征挖掘，以提取出所述浆料反应的温度和压力的协同工作在时间维度上的关联特征分布信息，从而得到协同特征矩阵。
在本申请实施例中，所述将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述协同特征矩阵，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述全时序协同关联矩阵。
具体地，在步骤S140中，从所述浆料状态监控视频中提取多个浆料状态监控关键帧。进一步地，考虑到在所述浆料状态监控视频中，浆料的状态变化特征可以通过所述浆料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所述浆料状态变化情况。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，避免数据冗余给检测带来的不良影响，并且为了提高后续挖掘所述浆料反应的温度和压力的协同动态关联信息和所述浆料状态的变化信息之间关联特征的精准度，在本申请的技术方案中，从所述浆料状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个浆料状态监控关键帧。
具体地，在步骤S150中，将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图。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浆料状态监控关键帧的特征挖掘，特别地，考虑到在对于所述多个预定时间点的浆料状态监控关键帧的隐藏特征进行挖掘时，为了能够更准确地提取出关于浆料状态的隐含特征信息，以提高当前时间点的温度和压力的控制精准度，应在特征提取时更关注于所述多个浆料状态监控关键帧中关于浆料的颜色、纹理等浅层特征，这些所述浅层特征对于所述浆料状态的特征挖掘以进行反应温度和压力的控制具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。
因此，在本申请的技术方案中，使用包含深浅特征融合模块的第二卷积神经网络模型来分别对所述多个浆料状态监控关键帧中的各个浆料状态监控关键帧进行处理以得到多个浆料状态特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述浆料状态监控关键帧的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述反应温度和压力的实时控制的精准度。
在本申请实施例中，图4为根据本申请实施例的绿色的铝颜料制备方法中步骤S150的子步骤的流程图，如图4所示，所述将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图，包括：S210，从所述包含深浅特征融合模块的第二卷积神经网络模型的浅层提取浅层特征图；S220，从所述包含深浅特征融合模块的第二卷积神经网络模型的深层提取深层特征图；以及，S230，使用所述包含深浅特征融合模块的第二卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述多个浆料状态特征图。
具体地，在步骤S160中，将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图。进一步地，考虑到在所述多个浆料状态监控关键帧中，所述浆料状态在时间维度上具有着动态性的变化特征，因此，在本申请的技术方案中，进一步将具有所述各个预定时间点下浆料状态特征的所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后，使用三维卷积神经网络来进行浆料动态特征的深度挖掘。
特别地，在本申请的技术方案中，考虑到所述浆料状态监控视频在采集的过程中会存在有噪声干扰，因此为了进一步提高对于所述浆料状态的动态特征提取的精准度，将所述三维输入张量通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图。应可以理解，这里，所述使用可分离卷积核的第三卷积神经网络模型在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述三维输入张量进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤的原则来进行原始图像的去噪。
进一步地，在本申请实施例中，所述将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图，包括：使用所述使用可分离卷积核的第三卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：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，所述使用可分离卷积核的第三卷积神经网络模型的最后一层的输出为所述浆料状态变化特征图，所述使用可分离卷积核的第三卷积神经网络模型的第一层的输入为所述三维输入张量。
具体地，在步骤S170中，对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量。接着，再对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量。相应地，在本申请的一个具体示例中，对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化处理，以在降低计算量的同时保留其在时序上的关于所述浆料状态的动态变化特征分布信息，从而得到浆料状态变化特征向量。
特别地，在本申请的技术方案中，通过所述第二卷积神经网络模型的深浅特征融合模块，可以分别提取所述多个校正后监控关键帧的不同深度的图像语义关联特征，进一步地，通过使用可分离卷积核的第三卷积神经网络模型，可以使得所述浆料状态变化特征图不仅包含各个深度的图像语义关联特征内的卷积特征表达，而且可以包含不同深度的图像语义关联特征之间的卷积特征表达。
但是，这会使得所述浆料状态变化特征图沿各个维度的特征分布变得离散，从而在所述浆料状态变化特征图沿通道维度进行全局均值池化得到所述浆料状态变化特征向量之后，导致所述浆料状态变化特征向量的各个特征值分布离散，进一步导致计算所述协同特征矩阵相对于所述浆料状态变化特征向量的转移矩阵得到的所述分类特征矩阵再通过分类器进行分类时，其与所述分类器的权重矩阵之间的拟合负担重，从而影响所述分类器的训练速度和分类结果的准确性。
因此，优选地对所述浆料状态变化特征图进行类表征平展化，也就是，以如下公式对所述浆料状态变化特征图进行类表征平展化以得到优化浆料状态变化特征图；其中，所述公式为：
Figure BDA0004038474400000171
其中，fi是所述浆料状态变化特征图的预定特征值，fj是所述浆料状态变化特征图的所述预定特征值以外的其它特征值，
Figure BDA0004038474400000172
是所述浆料状态变化特征图的所有特征值的均值，且N是所述浆料状态变化特征图的尺度，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，fi′是所述优化浆料状态变化特征图的第i个位置的特征值；以及，对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浆料状态变化特征向量。
这里，所述浆料状态变化特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展，同时保持流形的各平面之间的固有距离，并基于空间直观地避免交叉，其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格，从而获得类平面的平展的“切片”聚集性，即所述浆料状态变化特征图沿各个维度的特征分布的聚集性。这样，就增强了所述分类特征矩阵对于分类器的权重矩阵的拟合性能，从而提升了所述分类特征矩阵通过分类器进行分类的训练速度和分类结果的准确性。这样，能够基于浆料的实际状态变化情况来实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
具体地，在步骤S180中，计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵。进一步再计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵来表示所述浆料状态动态变化特征与所述反应温度和压力的协同控制变化特征间的关联性特征分布信息，即所述反应温度和压力的协同变化对于所述浆料状态的影响，并以此作为分类特征矩阵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压力值应增大或应减小，且当前时间点的温度值应增大或应减小的分类结果。
进一步地，所述计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure BDA0004038474400000181
其中V1表示所述浆料状态变化特征向量，M1表示所述协同特征矩阵，M表示所述分类特征矩阵，
Figure BDA0004038474400000182
表示矩阵相乘。
具体地，在步骤S190中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的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压力值应增大或应减小，并且当前时间点的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矩阵属于哪个分类标签。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当前时间点的温度和压力的控制策略标签，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所述当前时间点的反应温度值和压力值，以此来基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
其中，图5为根据本申请实施例的绿色的铝颜料制备方法中步骤S190的子步骤的流程图，如图5所示，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小，包括：S310，将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；S320，使用所述分类器的多个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，S330，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：
O＝softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为将所述分类特征矩阵投影为向量。
综上，基于本申请实施例的绿色的铝颜料制备方法，其获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；采用基于深度学习的人工智能生产技术，挖掘浆料反应的温度和压力之间的动态关联关系，并建立温度和压力的协同参数关联变化与浆料的状态变化之间的映射关系，以基于浆料的实际状态变化来自适应地调控浆料反应的温度值和压力值。这样，可以实时准确地对于浆料反应的温度值和压力值进行自适应调控，以提高二氧化硅和二氧化钛的复合层包裹效果，进而提高铝浆的耐候性。
示例性系统
图6为根据本申请实施例的绿色的铝颜料制备系统的框图。如图6所示，根据本申请实施例的绿色的铝颜料制备系统100，包括：数据采集模块110，用于获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；全时序协同关联矩阵计算模块120，用于将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；第一特征提取模块130，用于将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；关键帧提取模块140，用于从所述浆料状态监控视频中提取多个浆料状态监控关键帧；第二特征提取模块150，用于将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；第三特征提取模块160，用于将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；维度调制模块170，用于对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；转移矩阵计算模块180，用于计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及，控制结果生成模块190，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述全时序协同关联矩阵计算模块，用于：计算所述温度输入向量的转置向量和所述压力输入向量之间的乘积以得到所述全时序协同关联矩阵。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述第一特征提取模块，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述协同特征矩阵，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述全时序协同关联矩阵。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述关键帧提取模块，用于：从所述浆料状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个浆料状态监控关键帧。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述第二特征提取模块，包括：浅层特征提取单元，用于从所述包含深浅特征融合模块的第二卷积神经网络模型的浅层提取浅层特征图；深层特征提取单元，用于从所述包含深浅特征融合模块的第二卷积神经网络模型的深层提取深层特征图；以及，融合单元，用于使用所述包含深浅特征融合模块的第二卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述多个浆料状态特征图。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述第三特征提取模块，用于：使用所述使用可分离卷积核的第三卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：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，所述使用可分离卷积核的第三卷积神经网络模型的最后一层的输出为所述浆料状态变化特征图，所述使用可分离卷积核的第三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，在上述绿色的铝颜料制备系统100中，所述维度调制模块，包括：类表征平展化单元，用于以如下公式对所述浆料状态变化特征图进行类表征平展化以得到优化浆料状态变化特征图；其中，所述公式为：
Figure BDA0004038474400000211
其中，fi是所述浆料状态变化特征图的预定特征值，fj是所述浆料状态变化特征图的所述预定特征值以外的其它特征值，
Figure BDA0004038474400000212
是所述浆料状态变化特征图的所有特征值的均值，且N是所述浆料状态变化特征图的尺度，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，fi′是所述优化浆料状态变化特征图的第i个位置的特征值；以及，全局均值池化单元，用于对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浆料状态变化特征向量。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure BDA0004038474400000213
其中V1表示所述浆料状态变化特征向量，M1表示所述协同特征矩阵，M表示所述分类特征矩阵，
Figure BDA0004038474400000214
表示矩阵相乘。
在一个示例中，在上述绿色的铝颜料制备系统100中，所述控制结果生成模块，包括：特征矩阵展开单元，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接层编码单元，用于使用所述分类器的多个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，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述绿色的铝颜料制备系统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的绿色的铝颜料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。
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)

1.一种绿色的铝颜料制备方法，其特征在于，包括：
获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；
将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；
将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；
从所述浆料状态监控视频中提取多个浆料状态监控关键帧；
将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；
将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；
对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；
计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
2.根据权利要求1所述的绿色的铝颜料制备方法，其特征在于，所述将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵，包括：
计算所述温度输入向量的转置向量和所述压力输入向量之间的乘积以得到所述全时序协同关联矩阵。
3.根据权利要求2所述的绿色的铝颜料制备方法，其特征在于，所述将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第一卷积神经网络模型的最后一层的输出为所述协同特征矩阵，其中，所述作为特征提取器的第一卷积神经网络模型的第一层的输入为所述全时序协同关联矩阵。
4.根据权利要求3所述的绿色的铝颜料制备方法，其特征在于，所述从所述浆料状态监控视频中提取多个浆料状态监控关键帧，包括：
从所述浆料状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个浆料状态监控关键帧。
5.根据权利要求4所述的绿色的铝颜料制备方法，其特征在于，所述将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图，包括：
从所述包含深浅特征融合模块的第二卷积神经网络模型的浅层提取浅层特征图；
从所述包含深浅特征融合模块的第二卷积神经网络模型的深层提取深层特征图；以及
使用所述包含深浅特征融合模块的第二卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述多个浆料状态特征图。
6.根据权利要求5所述的绿色的铝颜料制备方法，其特征在于，所述将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图，包括：使用所述使用可分离卷积核的第三卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
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，所述使用可分离卷积核的第三卷积神经网络模型的最后一层的输出为所述浆料状态变化特征图，所述使用可分离卷积核的第三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所述的绿色的铝颜料制备方法，其特征在于，所述对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量，包括：
以如下公式对所述浆料状态变化特征图进行类表征平展化以得到优化浆料状态变化特征图；
其中，所述公式为：
Figure FDA0004038474390000031
其中，fi是所述浆料状态变化特征图的预定特征值，fj是所述浆料状态变化特征图的所述预定特征值以外的其它特征值，
Figure FDA0004038474390000032
是所述浆料状态变化特征图的所有特征值的均值，且N是所述浆料状态变化特征图的尺度，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，fi'是所述优化浆料状态变化特征图的第i个位置的特征值；以及
对所述优化浆料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述浆料状态变化特征向量。
8.根据权利要求7所述的绿色的铝颜料制备方法，其特征在于，所述计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；
其中，所述公式为：
Figure FDA0004038474390000033
其中V1表示所述浆料状态变化特征向量，M1表示所述协同特征矩阵，M表示所述分类特征矩阵，
Figure FDA0004038474390000034
表示矩阵相乘。
9.根据权利要求8所述的绿色的铝颜料制备方法，其特征在于，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小，包括：
将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种绿色的铝颜料制备系统，其特征在于，包括：
数据采集模块，用于获取预定时间段内的多个预定时间点的温度值和压力值，以及，所述预定时间段的浆料状态监控视频；
全时序协同关联矩阵计算模块，用于将所述预定时间段内的多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，计算所述温度输入向量和所述压力输入向量之间的全时序协同关联矩阵；
第一特征提取模块，用于将所述全时序协同关联矩阵通过作为特征提取器的第一卷积神经网络模型以得到协同特征矩阵；
关键帧提取模块，用于从所述浆料状态监控视频中提取多个浆料状态监控关键帧；
第二特征提取模块，用于将所述多个浆料状态监控关键帧分别通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个浆料状态特征图；
第三特征提取模块，用于将所述多个浆料状态特征图沿着通道维度聚合为三维输入张量后通过使用可分离卷积核的第三卷积神经网络模型以得到浆料状态变化特征图；
维度调制模块，用于对所述浆料状态变化特征图进行维度调制以得到浆料状态变化特征向量；
转移矩阵计算模块，用于计算所述浆料状态变化特征向量相对于所述协同特征矩阵的转移矩阵作为分类特征矩阵；以及
控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，且当前时间点的温度值应增大或应减小。
CN202310013401.XA 2023-01-05 2023-01-05 绿色的铝颜料制备方法及其系统 Withdrawn CN116082863A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310013401.XA CN116082863A (zh) 2023-01-05 2023-01-05 绿色的铝颜料制备方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310013401.XA CN116082863A (zh) 2023-01-05 2023-01-05 绿色的铝颜料制备方法及其系统

Publications (1)

Publication Number Publication Date
CN116082863A true CN116082863A (zh) 2023-05-09

Family

ID=86207707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310013401.XA Withdrawn CN116082863A (zh) 2023-01-05 2023-01-05 绿色的铝颜料制备方法及其系统

Country Status (1)

Country Link
CN (1) CN116082863A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116694129A (zh) * 2023-08-07 2023-09-05 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法
CN116744511A (zh) * 2023-05-22 2023-09-12 杭州行至云起科技有限公司 智能调光调色照明系统及其方法
CN116859848A (zh) * 2023-07-12 2023-10-10 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116744511A (zh) * 2023-05-22 2023-09-12 杭州行至云起科技有限公司 智能调光调色照明系统及其方法
CN116744511B (zh) * 2023-05-22 2024-01-05 杭州行至云起科技有限公司 智能调光调色照明系统及其方法
CN116859848A (zh) * 2023-07-12 2023-10-10 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法
CN116859848B (zh) * 2023-07-12 2024-01-26 普洛赛斯工程技术(宁波)有限公司 甲基异丁基酮生产装置的控制系统及其方法
CN116694129A (zh) * 2023-08-07 2023-09-05 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法
CN116694129B (zh) * 2023-08-07 2023-10-17 济宁九德半导体科技有限公司 用于紫外固化型油墨制备的自动控制系统及其方法

Similar Documents

Publication Publication Date Title
CN116082863A (zh) 绿色的铝颜料制备方法及其系统
CN108875935B (zh) 基于生成对抗网络的自然图像目标材质视觉特征映射方法
CN108491835A (zh) 面向面部表情识别的双通道卷积神经网络
CN109685743B (zh) 基于噪声学习神经网络模型的图像混合噪声消除方法
Huang et al. Underwater image enhancement via adaptive group attention-based multiscale cascade transformer
CN104899921B (zh) 基于多模态自编码模型的单视角视频人体姿态恢复方法
CN111161364B (zh) 一种针对单视角深度图的实时形状补全和姿态估计方法
CN110288550B (zh) 基于先验知识引导条件生成对抗网络的单张图像去雾方法
CN107832747B (zh) 一种基于低秩字典学习算法的人脸识别方法
Kim et al. Deeply aggregated alternating minimization for image restoration
CN106815854B (zh) 一种基于正则误差建模的在线视频前景背景分离方法
CN110675422B (zh) 一种基于广义非凸鲁棒主成分分析的视频前背景分离方法
CN111401178B (zh) 一种基于深度特征融合与自适应相关滤波的视频目标实时跟踪方法及系统
CN112614070B (zh) 一种基于DefogNet的单幅图像去雾方法
CN113255830A (zh) 基于变分自编码器与高斯混合模型的无监督目标检测方法及系统
CN114581560A (zh) 基于注意力机制的多尺度神经网络红外图像彩色化方法
CN109711411B (zh) 一种基于胶囊神经元的图像分割识别方法
CN116038854A (zh) 门加工用成型控制系统及方法
CN116627040B (zh) 烘干器控制系统及其方法
CN116092010A (zh) 一种膏状荧光颜料生产工艺及其制备装置
CN116402851A (zh) 一种复杂背景下的红外弱小目标跟踪方法
CN111428795A (zh) 一种改进的非凸鲁棒主成分分析方法
Wang et al. Learning to hallucinate face in the dark
CN116072355A (zh) 光伏线及其智能化制造方法
CN110136164B (zh) 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230509