CN116092010A - 一种膏状荧光颜料生产工艺及其制备装置 - Google Patents
一种膏状荧光颜料生产工艺及其制备装置 Download PDFInfo
- Publication number
- CN116092010A CN116092010A CN202310166257.3A CN202310166257A CN116092010A CN 116092010 A CN116092010 A CN 116092010A CN 202310166257 A CN202310166257 A CN 202310166257A CN 116092010 A CN116092010 A CN 116092010A
- Authority
- CN
- China
- Prior art keywords
- feature
- reaction state
- raw material
- material reaction
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
Abstract
本申请涉及智能制备领域,其具体地公开了一种膏状荧光颜料生产工艺及其制备装置,其通过采用基于深度学习的人工智能技术,基于原料反应状态的变化特征来自适应地调整反应器温度值,这样,能够在优化膏状荧光颜料的制备质量的同时提高热能的利用率,进而避免能源的浪费。
Description
技术领域
本申请涉及智能制备领域,且更为具体地,涉及一种膏状荧光颜料生产工艺及其制备装置。
背景技术
荧光颜料在一般可见光照射下时,呈现无色,当在纳米紫外灯照射下,呈现红、黄、绿、蓝等发光颜色。膏状荧光颜料一般在密闭的反应器内进行。现有的反应装置温度加热控制不好,热能来源耗费较大,能源利用率效果不好。
因此,期待一种优化的膏状荧光颜料生产工艺及其制备装置。
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膏状荧光颜料生产工艺及其制备装置,其通过采用基于深度学习的人工智能技术,基于原料反应状态的变化特征来自适应地调整反应器温度值,这样,能够在优化膏状荧光颜料的制备质量的同时提高热能的利用率,进而避免能源的浪费。
根据本申请的一个方面,提供了一种膏状荧光颜料生产方法,其包括:
获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;
从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;
将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;
将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;
对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;
将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;
计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;
基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及
将所述优化后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反应器温度值应增大或应减小。
在上述膏状荧光颜料生产方法中,所述从所述原料反应状态监控视频提取多个原料反应状态监控关键帧,包括:以预定采样频率对所述原料反应状态监控视频进行采样处理以得到所述多个原料反应状态监控关键帧。
在上述膏状荧光颜料生产方法中,所述将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵,包括:从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述原料反应状态特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述膏状荧光颜料生产方法中,所述将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图,包括:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述原料反应状态时序关联特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
在上述膏状荧光颜料生产方法中,所述对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量,包括:对所述原料反应状态时序关联特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述原料反应状态时序关联特征向量。
在上述膏状荧光颜料生产方法中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述膏状荧光颜料生产方法中,所述计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:
其中Vc表示所述反应状态时序关联特征向量,V表示所述反应器温度特征向量,M表示所述分类特征矩阵。
在上述膏状荧光颜料生产方法中,所述基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵,包括:对所述分类特征矩阵进行特征矩阵展开以得到展开特征向量;基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量;以及,对所述优化展开特征向量进行矩阵重构以得到所述优化后分类特征矩阵。
在上述膏状荧光颜料生产方法中,所述基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量,包括:基于所述反应状态时序关联特征向量和所述反应器温度特征向量,以如下公式对所述展开特征向量进行向量模基的希尔伯特空间约束以得到所述优化展开特征向量;其中,所述公式为:
Vm′=Cov1D[(‖V1‖2,‖V2‖2,V1V2 T),Vm]
其中V1和V2分别表示所述反应状态时序关联特征向量和所述反应器温度特征向量,Vm表示所述展开特征向量,‖·‖2表示向量的二范数,Cov1D表示以卷积算子(‖V1‖2,‖V2‖2,V1V2 T)对所述展开特征向量进行一维卷积,Vm′表示所述优化展开特征向量。
根据本申请的另一方面,提供了一种膏状荧光颜料制备装置,其包括:
信息获取模块,用于获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;
采样模块,用于从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;
第一卷积模块,用于将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;
第二卷积模块,用于将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;
降维模块,用于对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;
多尺度邻域特征提取模块,用于将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;
响应性估计模块,用于计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;
特征分布约束模块,用于基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及
分类结果生成模块,用于将所述优化后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反应器温度值应增大或应减小。
与现有技术相比,本申请提供的一种膏状荧光颜料生产工艺及其制备装置,其通过采用基于深度学习的人工智能技术,基于原料反应状态的变化特征来自适应地调整反应器温度值,这样,能够在优化膏状荧光颜料的制备质量的同时提高热能的利用率,进而避免能源的浪费。
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膏状荧光颜料生产方法的应用场景图;
图2为根据本申请实施例的膏状荧光颜料生产方法的流程图;
图3为根据本申请实施例的膏状荧光颜料生产方法的架构示意图;
图4为根据本申请实施例的膏状荧光颜料生产方法中第一卷积神经网络编码的流程图;
图5为根据本申请实施例的膏状荧光颜料生产方法中第二卷积神经网络编码的流程图;
图6为根据本申请实施例的膏状荧光颜料生产方法中特征分布约束过程的流程图;
图7为根据本申请实施例的膏状荧光颜料制备装置的框图。
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
如背景技术中所言,膏状荧光颜料一般在密闭的反应器内进行。现有的反应装置温度加热控制不好,热能来源耗费较大,能源利用率效果不好。因此,期待一种优化的膏状荧光颜料生产工艺及其制备装置。
具体地,现有的方案采用废气处理装置及热煤炉蒸汽装置的结构,在生产中,一般将原料放入反应容器内进行聚合反应,采用热煤炉进行加热,反应器的温度约为180-230℃,待反应完全后加入染料进行搅拌,反应后的物料均作为荧光燃料,反应后的产物直接在三辊机内研磨,研磨过程中采用冷却水降温,研磨后即为产品,直接进行包装。反应釜中反应产生的废气采用碱液喷淋塔及活性炭吸附塔进行废气处理,污染少。热煤炉蒸汽装置为反应釜提供热能,调节反应釜的温度。
相应地,在实际进行膏状荧光颜料的制备过程中发现膏状荧光颜料的制备质量和能源的利用率并不能够达到理想的效果,这是由于在将原料放入反应容器内进行聚合反应的过程中只是采用热煤炉进行固定适宜温度的加热,并没有考虑到原料反应的状态变化情况,也就是说,原料反应在反应容器中发生反应的不同阶段所需要的温度是不同的。
基于此,在实际将原料放入反应容器内进行聚合反应的过程中,对于反应器温度的调控应适配于原料反应状态的变化情况,也就是,基于原料反应状态的变化特征来自适应地调整反应器温度值,以在优化膏状荧光颜料的制备质量的同时提高热能的利用率,避免能源的浪费。在此过程中,难点在于如何建立所述反应器温度值和所述原料反应状态的变化之间的映射关系,以使得基于所述原料反应状态的变化情况来自适应地调整所述反应器温度值以实现优化膏状荧光颜料的制备质量和提高能源利用率的技术目的。
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反应器温度值和所述原料反应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器温度值和所述原料反应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器温度值以及所述预定时间段的原料反应状态监控视频。应可以理解,考虑到在所述原料反应状态监控视频中,关于所述原料反应状态的变化特征可以通过所述原料反应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原料反应状态的变化情况。但是,考虑到所述原料反应状态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原料反应状态监控视频进行关键帧采样,以从所述原料反应状态监控视频提取多个原料反应状态监控关键帧。
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原料反应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原料反应状态监控关键帧的隐藏特征进行提取时,为了能够更准确地提取出所述原料反应状态的动态变化特征信息,以对于反应器温度值进行实时准确地控制,应关注于反应过程中关于所述原料的颜色和纹理等浅层特征,这些所述浅层特征对于所述原料反应状态的动态变化捕捉具有重要意义,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一卷积神经网络模型来分别对所述多个原料反应状态监控关键帧中的各个原料反应状态监控关键帧进行处理以得到多个原料反应状态特征矩阵,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多个原料反应状态监控关键帧中的各个原料反应状态监控关键帧的关于原料反应状态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,以提高对于当前时间点的反应器温度值的控制精度。
接着,考虑到所述各个原料反应状态监控视频中关于所述原料反应的状态特征在时间维度上具有着关联性,也就是说,所述原料反应的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述原料反应的状态特征在时间维度上的动态关联特征,从而得到原料反应状态时序关联特征图。特别地,这里,所述第二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多个原料反应状态特征矩阵聚合为三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取出所述原料反应状态特征在时间维度上的时序动态关联特征分布信息,即所述原料反应状态的动态变化特征信息。
然后,再对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量,以此来提高后续与所述反应器温度值的时序变化特征间的关联性特征的提取能力,同时也降低计算量避免过拟合。相应地,在本申请的一个具体示例中,可以对所述原料反应状态时序关联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来得到所述原料反应状态时序关联特征向量,以在数据降维时保留其在时间维度上的关于所述原料反应状态的时序动态变化特征信息,从而提高后续分类的准确性。
进一步地,考虑到所述反应器温度值在时间维度上具有着隐藏的动态性规律,并且,所述反应器温度值在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特征信息。因此,为了能够准确地挖掘出所述反应器温度值在时间维度上的动态变化特征,进一步将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块中进行编码,以提取出所述反应器温度值在不同时间跨度下的动态多尺度邻域关联特征,从而得到反应器温度特征向量。
接着,进一步再计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计来表示所述反应器温度的多尺度动态关联特征和所述原料反应状态的时序动态变化特征间的关联性特征分布信息,即所述原料反应状态受反应器温度变化影响的隐含特征信息,并以此作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的反应器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所述当前时间点的反应器温度值应增大,以及,所述当前时间点的反应器温度值应减小,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所述当前时间点的反应器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所述当前时间点的反应器温度值,以此来实现优化膏状荧光颜料的制备质量和提高能源利用率的技术目的。
特别地,在本申请的技术方案中,这里,计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计得到所述分类特征矩阵时,由于所述反应状态时序关联特征向量融合了时序关联特征和维度关联特征,其与用于表示反应器温度的时序多尺度邻域关联的反应器温度特征向量之间存在特征分布方向的不一致,由此存在所述分类特征矩阵的整体特征分布的收敛性差的问题,从而导致分类器的拟合效果差。而另一方面,如果直接对所述反应状态时序关联特征向量和所述反应器温度特征向量设置权重以进行显性关联,则所述分类特征矩阵的各特征值之间的相关度可能会升高,这也会降低所述分类特征矩阵的分类准确性。
因此,优选地基于所述反应状态时序关联特征向量,例如记为V和所述反应器温度特征向量,例如记为V2对所述分类特征矩阵进行向量模基的希尔伯特空间约束以进行优化,表示为:
Vm′=Cov1D[(‖V1‖2,‖V2‖2,V1V2 T),Vm]
Cov1D表示一维卷积运算,即以卷积算子(‖V1‖2,‖V2‖2,V1V2 T)对特征向量Vm进行一维卷积,特征向量Vm是所述分类特征矩阵展开后得到的特征向量。
也就是,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述分类特征矩阵展开后得到的特征向量Vm进行约束,来将所述特征向量Vm的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了所述特征向量Vm的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样,再将优化后的特征向量Vm′还原为所述分类特征矩阵,就可以提升所述分类特征矩阵经由分类器的拟合效果和分类准确性。这样,能够实时准确地基于原料反应状态变化情况来对于当前时间点的反应器温度值进行自适应控制,以在优化膏状荧光颜料的制备质量的同时提高热能的利用率,避免能源的浪费。
基于此,本申请提出了一种膏状荧光颜料生产方法,其包括:获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及,将所述优化后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反应器温度值应增大或应减小。
图1为根据本申请实施例的膏状荧光颜料生产方法的应用场景图。如图1所示,在该应用场景中,通过温度传感器(例如,如图1中所示意的T)获取预定时间段内多个预定时间点的反应器温度值,以及,通过摄像头(例如,如图1中所示意的C)获取所述预定时间段的原料反应状态监控视频。接着,将上述信息输入至部署有用于膏状荧光颜料生产算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述膏状荧光颜料生产算法对上述信息进行处理,以生成用于表示当前时间点的反应器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膏状荧光颜料生产方法的流程图。如图2所示,根据本申请实施例的膏状荧光颜料生产方法,包括步骤:S110,获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;S120,从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;S130,将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;S140,将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;S150,对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;S160,将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;S170,计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;S180,基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及,S190,将所述优化后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反应器温度值应增大或应减小。
图3为根据本申请实施例的膏状荧光颜料生产方法的架构示意图。如图3所示,在该网络结构中,首先,获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;接着,从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;然后,将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;然后,将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;进而,将所述优化后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反应器温度值应增大或应减小。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频。应可以理解,在实际进行膏状荧光颜料的制备过程中发现膏状荧光颜料的制备质量和能源的利用率并不能够达到理想的效果,这是由于在将原料放入反应容器内进行聚合反应的过程中只是采用热煤炉进行固定适宜温度的加热,并没有考虑到原料反应的状态变化情况,也就是说,原料反应在反应容器中发生反应的不同阶段所需要的温度是不同的,因此,在本申请的技术方案中,基于原料反应状态的变化特征来自适应地调整反应器温度值,在本申请的一个具体示例中,首先,可通过温度传感器来获取预定时间段内多个预定时间点的反应器温度值,以及,通过摄像头来获取所述预定时间段的原料反应状态监控视频。
具体地,在步骤S120中,从所述原料反应状态监控视频提取多个原料反应状态监控关键帧。应可以理解,考虑到在所述原料反应状态监控视频中,关于所述原料反应状态的变化特征可以通过所述原料反应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原料反应状态的变化情况。但是,考虑到所述原料反应状态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原料反应状态监控视频进行关键帧采样,以从所述原料反应状态监控视频提取多个原料反应状态监控关键帧。
具体地,在步骤S130中,将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵。也就是,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原料反应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原料反应状态监控关键帧的隐藏特征进行提取时,为了能够更准确地提取出所述原料反应状态的动态变化特征信息,以对于反应器温度值进行实时准确地控制,应关注于反应过程中关于所述原料的颜色和纹理等浅层特征,这些所述浅层特征对于所述原料反应状态的动态变化捕捉具有重要意义,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一卷积神经网络模型来分别对所述多个原料反应状态监控关键帧中的各个原料反应状态监控关键帧进行处理以得到多个原料反应状态特征矩阵,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多个原料反应状态监控关键帧中的各个原料反应状态监控关键帧的关于原料反应状态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,以提高对于当前时间点的反应器温度值的控制精度。在一个具体示例中,所述第一卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络的编码过程中,所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理,其中,所述第一卷积神经网络的最后一层的输出数据为所述多个原料反应状态特征矩阵。
图4为根据本申请实施例的膏状荧光颜料生产方法中第一卷积神经网络编码的流程图。如图4所示,在所述第一卷积神经网络的编码过程中,包括:S210,从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;S220,从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,S230,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述原料反应状态特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地,在步骤S140中,将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图。考虑到所述各个原料反应状态监控视频中关于所述原料反应的状态特征在时间维度上具有着关联性,也就是说,所述原料反应的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述原料反应的状态特征在时间维度上的动态关联特征,从而得到原料反应状态时序关联特征图。特别地,这里,所述第二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多个原料反应状态特征矩阵聚合为三维输入张量的时间维度,因此,在进行三维卷积编码时,能提取出所述原料反应状态特征在时间维度上的时序动态关联特征分布信息,即所述原料反应状态的动态变化特征信息。更具体地,所述将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图,包括:所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积模块以三维卷积核对输入数据进行三维卷积编码以得到卷积特征图;使用池化模块对所述卷积特征图进行池化处理以得到池化特征图;以及,使用激活模块对所述池化特征图的各个位置的特征值进行非线性激活以得到烘烤状态变化特征图;其中,所述第二卷积神经网络的第一层的输入为由多个原料反应状态特征矩阵按照通道维度聚合成的三维输入张量,所述第二卷积神经网络的最后一层的输出为所述原料反应状态时序关联特征图。
图5为根据本申请实施例的膏状荧光颜料生产方法中第二卷积神经网络编码的流程图。如图5所示,在所述第二卷积神经网络的编码过程中,包括:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S310,对输入数据进行卷积处理以得到卷积特征图;S320,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S330,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,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述原料反应状态时序关联特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
具体地,在步骤S150中,对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量。也就是,对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量,以此来提高后续与所述反应器温度值的时序变化特征间的关联性特征的提取能力,同时也降低计算量避免过拟合。相应地,在本申请的一个具体示例中,可以对所述原料反应状态时序关联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来得到所述原料反应状态时序关联特征向量,以在数据降维时保留其在时间维度上的关于所述原料反应状态的时序动态变化特征信息,从而提高后续分类的准确性。
具体地,在步骤S160中,将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量。考虑到所述反应器温度值在时间维度上具有着隐藏的动态性规律,并且,所述反应器温度值在所述预定时间段内的不同时间周期跨度下具有着不同的动态变化特征信息。因此,为了能够准确地挖掘出所述反应器温度值在时间维度上的动态变化特征,进一步将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块中进行编码,以提取出所述反应器温度值在不同时间跨度下的动态多尺度邻域关联特征,从而得到反应器温度特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。更具体地,所述将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量,包括:将所述反应器温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度反应器温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述反应器温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度反应器温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度反应器温度特征向量和所述第二邻域尺度反应器温度特征向量进行级联以得到所述反应器温度特征向量。更具体地,所述将所述反应器温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度反应器温度特征向量,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器温度输入向量进行一维卷积编码以得到第一邻域尺度反应器温度特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)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表示所述反应器温度输入向量;以及,所述将所述反应器温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度反应器温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述反应器温度输入向量进行一维卷积编码以得到所述第二邻域尺度反应器温度特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)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表示所述反应器温度输入向量;更具体地,所述将所述第一邻域尺度反应器温度特征向量和所述第二邻域尺度反应器温度特征向量进行级联以得到所述反应器温度特征向量,在本申请的一个具体示例中,以如下公式将所述第一邻域尺度反应器温度特征向量和所述第二邻域尺度反应器温度特征向量进行级联以得到所述反应器温度特征向量;其中,所述公式为:
V=Concat[Va,Vb]
其中,Va表示所述第一邻域尺度反应器温度特征向量,Vb表示所述第二邻域尺度反应器温度特征向量,Concat[·,·]表示级联函数,V表示所述反应器温度特征向量。
具体地,在步骤S170中,计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵。也就是,在本申请的技术方案中,计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计来表示所述反应器温度的多尺度动态关联特征和所述原料反应状态的时序动态变化特征间的关联性特征分布信息,即所述原料反应状态受反应器温度变化影响的隐含特征信息。在本申请的一个具体示例中,所述计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:其中Vc表示所述反应状态时序关联特征向量,V表示所述反应器温度特征向量,M表示所述分类特征矩阵。
具体地,在步骤S180中,基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵。特别地,在本申请的技术方案中,这里,计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计得到所述分类特征矩阵时,由于所述反应状态时序关联特征向量融合了时序关联特征和维度关联特征,其与用于表示反应器温度的时序多尺度邻域关联的反应器温度特征向量之间存在特征分布方向的不一致,由此存在所述分类特征矩阵的整体特征分布的收敛性差的问题,从而导致分类器的拟合效果差。而另一方面,如果直接对所述反应状态时序关联特征向量和所述反应器温度特征向量设置权重以进行显性关联,则所述分类特征矩阵的各特征值之间的相关度可能会升高,这也会降低所述分类特征矩阵的分类准确性。因此,优选地基于所述反应状态时序关联特征向量,例如记为V1和所述反应器温度特征向量,例如记为V2对所述分类特征矩阵进行向量模基的希尔伯特空间约束以进行优化,表示为:
Vm′=Cov1D[(‖V1‖2,‖V2‖2,V1V2 T),Vm]
其中V1和V2分别表示所述反应状态时序关联特征向量和所述反应器温度特征向量,Vm表示所述展开特征向量,‖·‖2表示向量的二范数,Cov1D表示以卷积算子(‖V1‖2,‖V2‖2,V1V2 T)对特征向量Vm进行一维卷积,Vm′表示所述优化展开特征向量。也就是,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述分类特征矩阵展开后得到的特征向量Vm进行约束,来将所述特征向量Vm的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了所述特征向量Vm的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。这样,再将优化后的特征向量Vm′还原为所述分类特征矩阵,就可以提升所述分类特征矩阵经由分类器的拟合效果和分类准确性。这样,能够实时准确地基于原料反应状态变化情况来对于当前时间点的反应器温度值进行自适应控制,以在优化膏状荧光颜料的制备质量的同时提高热能的利用率,避免能源的浪费。
图6为根据本申请实施例的膏状荧光颜料生产方法中特征分布约束过程的流程图。如图6所示,在所述特征分布约束过程中,包括:S410,对所述分类特征矩阵进行特征矩阵展开以得到展开特征向量;S420,基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量;以及,S430,对所述优化展开特征向量进行矩阵重构以得到所述优化后分类特征矩阵。
具体地,在步骤S190中,将所述优化后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反应器温度值应增大或应减小。也就是,将所述优化后分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的反应器温度值应增大或应减小的分类结果。在本申请的一个具体示例中,所述将所述优化后分类特征矩阵通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述优化后分类特征矩阵进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中
Project(F)表示将所述优化后分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述优化后分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述优化后分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,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多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签,在本申请的技术方案中,所述分类器的标签包括所述当前时间点的反应器温度值应增大,以及,所述当前时间点的反应器温度值应减小,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所述当前时间点的反应器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所述当前时间点的反应器温度值,以此来实现优化膏状荧光颜料的制备质量和提高能源利用率的技术目的。
综上,根据本申请实施例的膏状荧光颜料生产方法被阐明,其通过采用基于深度学习的人工智能技术,基于原料反应状态的变化特征来自适应地调整反应器温度值,这样,能够在优化膏状荧光颜料的制备质量的同时提高热能的利用率,进而避免能源的浪费。
示例性系统
图7为根据本申请实施例的膏状荧光颜料制备装置的框图。如图7所示,根据本申请实施例的膏状荧光颜料制备装置300,包括:信息获取模块310;采样模块320;第一卷积模块330;第二卷积模块340;降维模块350;多尺度邻域特征提取模块360;响应性估计模块370;特征分布约束模块380;以及,分类结果生成模块390。
其中,所述信息获取模块310,用于获取预定时间段内多个预定时间点的反应器温度值以及所述预定时间段的原料反应状态监控视频;所述采样模块320,用于从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;所述第一卷积模块330,用于将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;所述第二卷积模块340,用于将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;所述降维模块350,用于对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;所述多尺度邻域特征提取模块360,用于将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;所述响应性估计模块370,用于计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;所述特征分布约束模块380,用于基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及,所述分类结果生成模块390,用于将所述优化后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反应器温度值应增大或应减小。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述采样模块320,进一步用于:以预定采样频率对所述原料反应状态监控视频进行采样处理以得到所述多个原料反应状态监控关键帧。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述第一卷积模块330,进一步用于:从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述原料反应状态特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述第二卷积模块340,进一步用于:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述原料反应状态时序关联特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述降维模块350,进一步用于:对所述原料反应状态时序关联特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述原料反应状态时序关联特征向量。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述多尺度邻域特征提取模块360,进一步用于:所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述响应性估计模块370,进一步用于:以如下公式计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:
其中Vc表示所述反应状态时序关联特征向量,V表示所述反应器温度特征向量,M表示所述分类特征矩阵。
在一个示例中,在上述膏状荧光颜料制备装置300中,所述特征分布约束模块380,进一步用于:对所述分类特征矩阵进行特征矩阵展开以得到展开特征向量;基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量;以及,对所述优化展开特征向量进行矩阵重构以得到所述优化后分类特征矩阵。其中,所述基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量,包括:基于所述反应状态时序关联特征向量和所述反应器温度特征向量,以如下公式对所述展开特征向量进行向量模基的希尔伯特空间约束以得到所述优化展开特征向量;其中,所述公式为:
Vm′=Cov1D[(‖V1‖2,‖V2‖2,V1V2 T),Vm]
其中V1和V2分别表示所述反应状态时序关联特征向量和所述反应器温度特征向量,Vm表示所述展开特征向量,‖·‖2表示向量的二范数,Cov1D表示以卷积算子(‖V1‖2,‖V2‖2,V1V2 T)对所述展开特征向量进行一维卷积,Vm′表示所述优化展开特征向量。
综上,根据本申请实施例的膏状荧光颜料制备装置300被阐明,其通过采用基于深度学习的人工智能技术,基于原料反应状态的变化特征来自适应地调整反应器温度值,这样,能够在优化膏状荧光颜料的制备质量的同时提高热能的利用率,进而避免能源的浪费。
如上所述,根据本申请实施例的膏状荧光颜料制备装置可以实现在各种终端设备中。在一个示例中,根据本申请实施例的膏状荧光颜料制备装置300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,该膏状荧光颜料制备装置300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,该膏状荧光颜料制备装置300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,该膏状荧光颜料制备装置300与该终端设备也可以是分立的设备,并且该膏状荧光颜料制备装置300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
Claims (10)
1.一种膏状荧光颜料生产方法,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器温度值以及所述预定时间段的原料反应状态监控视频;
从所述原料反应状态监控视频提取多个原料反应状态监控关键帧;
将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵;
将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图;
对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量;
将所述多个预定时间点的反应器温度值按照时间维度排列为反应器温度输入向量后通过多尺度邻域特征提取模块以得到反应器温度特征向量;
计算所述反应状态时序关联特征向量相对于所述反应器温度特征向量的响应性估计以得到分类特征矩阵;
基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵;以及
将所述优化后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反应器温度值应增大或应减小。
2.根据权利要求1所述的膏状荧光颜料生产方法,其特征在于,所述从所述原料反应状态监控视频提取多个原料反应状态监控关键帧,包括:
以预定采样频率对所述原料反应状态监控视频进行采样处理以得到所述多个原料反应状态监控关键帧。
3.根据权利要求2所述的膏状荧光颜料生产方法,其特征在于,所述将所述多个原料反应状态监控关键帧通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个原料反应状态特征矩阵,包括:
从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;
从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及
融合所述浅层特征矩阵和所述深层特征矩阵以得到所述原料反应状态特征矩阵;
其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
4.根据权利要求3所述的膏状荧光颜料生产方法,其特征在于,所述将所述多个原料反应状态特征矩阵按照通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到原料反应状态时序关联特征图,包括:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述原料反应状态时序关联特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
5.根据权利要求4所述的膏状荧光颜料生产方法,其特征在于,所述对所述原料反应状态时序关联特征图进行降维处理以得到原料反应状态时序关联特征向量,包括:
对所述原料反应状态时序关联特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述原料反应状态时序关联特征向量。
6.根据权利要求5所述的膏状荧光颜料生产方法,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
8.根据权利要求7所述的膏状荧光颜料生产方法,其特征在于,所述基于所述反应状态时序关联特征向量和所述反应器温度特征向量对所述分类特征矩阵进行特征分布约束以得到优化后分类特征矩阵,包括:
对所述分类特征矩阵进行特征矩阵展开以得到展开特征向量;
基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量;以及
对所述优化展开特征向量进行矩阵重构以得到所述优化后分类特征矩阵。
9.根据权利要求8所述的膏状荧光颜料生产方法,其特征在于,所述基于所述反应状态时序关联特征向量和所述反应器温度特征向量,对所述展开特征向量进行向量模基的希尔伯特空间约束以得到优化展开特征向量,包括:
基于所述反应状态时序关联特征向量和所述反应器温度特征向量,以如下公式对所述展开特征向量进行向量模基的希尔伯特空间约束以得到所述优化展开特征向量;
其中,所述公式为:
Vm′=Cov1D[(||V1||2,||V2||2,V1V2 T),Vm]
其中V1和V2分别表示所述反应状态时序关联特征向量和所述反应器温度特征向量,Vm表示所述展开特征向量,||·||2表示向量的二范数,Cov1D表示以卷积算子(||V1||2||V2||2,V1V2 T)对所述展开特征向量进行一维卷积,Vm′表示所述优化展开特征向量。
10.一种膏状荧光颜料,其特征在于,由如权利要求1至9任一所述的膏状荧光颜料生产方法制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166257.3A CN116092010A (zh) | 2023-02-13 | 2023-02-13 | 一种膏状荧光颜料生产工艺及其制备装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310166257.3A CN116092010A (zh) | 2023-02-13 | 2023-02-13 | 一种膏状荧光颜料生产工艺及其制备装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116092010A true CN116092010A (zh) | 2023-05-09 |
Family
ID=86206447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310166257.3A Pending CN116092010A (zh) | 2023-02-13 | 2023-02-13 | 一种膏状荧光颜料生产工艺及其制备装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092010A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116549529A (zh) * | 2023-06-08 | 2023-08-08 | 吉林大学 | 具有抗疲劳功效的组合物及其制备方法 |
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 |
CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
-
2023
- 2023-02-13 CN CN202310166257.3A patent/CN116092010A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116549529A (zh) * | 2023-06-08 | 2023-08-08 | 吉林大学 | 具有抗疲劳功效的组合物及其制备方法 |
CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116092010A (zh) | 一种膏状荧光颜料生产工艺及其制备装置 | |
Svoboda et al. | Two-stage peer-regularized feature recombination for arbitrary image style transfer | |
CN115896817B (zh) | 氟氮混合气的生产方法及其系统 | |
CN115909171B (zh) | 钢包透气砖生产方法及其系统 | |
CN109584325B (zh) | 一种基于u型周期一致对抗网络的动漫图像的双向色彩化方法 | |
CN110533721A (zh) | 一种基于增强自编码器的室内目标物体6d姿态估计方法 | |
CN110097609B (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
CN109165735B (zh) | 基于生成对抗网络与自适应比例生成样本图片的方法 | |
CN109903223A (zh) | 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法 | |
CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
CN109685743A (zh) | 基于噪声学习神经网络模型的图像混合噪声消除方法 | |
CN109062811B (zh) | 一种基于神经风格迁移的测试用例生成方法 | |
CN112614070B (zh) | 一种基于DefogNet的单幅图像去雾方法 | |
Jiang et al. | Learning a referenceless stereopair quality engine with deep nonnegativity constrained sparse autoencoder | |
CN115393779A (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
US20240046570A1 (en) | Drivable implicit three-dimensional human body representation method | |
CN114581356B (zh) | 基于风格迁移数据增广的图像增强模型泛化方法 | |
CN115689214A (zh) | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 | |
CN107194873A (zh) | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 | |
CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
Ma et al. | Multi-scale ghost imaging LiDAR via sparsity constraints using push-broom scanning | |
CN116120761A (zh) | 一种分散型染料及其制备方法 | |
CN111062899A (zh) | 基于引导的生成对抗网络的眨眼视频生成方法 | |
Wang et al. | Learning to hallucinate face in the dark | |
CN104537694A (zh) | 一种基于关键帧的在线学习的离线视频跟踪方法 |
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 |