CN116101958A - 大桶饮用水智能化灌装方法及其系统 - Google Patents
大桶饮用水智能化灌装方法及其系统 Download PDFInfo
- Publication number
- CN116101958A CN116101958A CN202310286768.9A CN202310286768A CN116101958A CN 116101958 A CN116101958 A CN 116101958A CN 202310286768 A CN202310286768 A CN 202310286768A CN 116101958 A CN116101958 A CN 116101958A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- optimized
- flow velocity
- matrix
- 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
- 239000003651 drinking water Substances 0.000 title claims abstract description 77
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000013598 vector Substances 0.000 claims description 242
- 239000011159 matrix material Substances 0.000 claims description 111
- 230000005236 sound signal Effects 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 239000000546 pharmaceutical excipient Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 235000012206 bottled water Nutrition 0.000 claims description 4
- 230000008859 change Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
- B67C—CLEANING, FILLING WITH LIQUIDS OR SEMILIQUIDS, OR EMPTYING, OF BOTTLES, JARS, CANS, CASKS, BARRELS, OR SIMILAR CONTAINERS, NOT OTHERWISE PROVIDED FOR; FUNNELS
- B67C3/00—Bottling liquids or semiliquids; Filling jars or cans with liquids or semiliquids using bottling or like apparatus; Filling casks or barrels with liquids or semiliquids
- B67C3/007—Applications of control, warning or safety devices in filling machinery
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
- B67C—CLEANING, FILLING WITH LIQUIDS OR SEMILIQUIDS, OR EMPTYING, OF BOTTLES, JARS, CANS, CASKS, BARRELS, OR SIMILAR CONTAINERS, NOT OTHERWISE PROVIDED FOR; FUNNELS
- B67C3/00—Bottling liquids or semiliquids; Filling jars or cans with liquids or semiliquids using bottling or like apparatus; Filling casks or barrels with liquids or semiliquids
- B67C3/30—Filling of barrels or casks
Landscapes
- Seasonings (AREA)
- Filling Of Jars Or Cans And Processes For Cleaning And Sealing Jars (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种大桶饮用水智能化灌装方法及其系统，其通过采用基于深度学习的神经网络模型，基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑，进而防止过程中出现外溅和撒料。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种大桶饮用水智能化灌装方法及其系统。
背景技术
大桶饮用水对比小瓶饮用水成本低，而且使用后可对饮用水桶进行回收重复利用，由于无使用后废弃物，饮用水利用率高等特点被固定场所广泛应用。
在进行大桶饮用水灌装时，由于大桶瓶体一般都比较软，接触式灌装时不断进入的饮用水会导致瓶体鼓胀，影响灌装装量及产品形象，所以一般选择不接触瓶口的灌装方式。传统的非接触灌装方式大都采用人工进行控制，不仅效率低下，使得灌装的质量达不到应有要求，而且还极易产生外溅和撒料的现象，导致饮用水资源的浪费。
因此，期望一种优化的大桶饮用水智能化灌装方案。
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大桶饮用水智能化灌装方法及其系统，其通过采用基于深度学习的神经网络模型，基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑，进而防止过程中出现外溅和撒料。
根据本申请的一个方面，提供了一种大桶饮用水智能化灌装方法，其包括：
获取预定时间段内多个预定时间点的流速值和所述预定时间段的声音信号；
将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；
将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；
使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及
对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及
将所述调制后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阀门开度值是否减小。
在上述大桶饮用水智能化灌装方法中，将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量，包括：将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述流速输入向量。
在上述大桶饮用水智能化灌装方法中，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量，包括：使用所述CLIP模型的图像编码器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CLIP模型的图像编码器的最后一层的输出为所述声音特征向量，所述CLIP模型的图像编码器的第一层的输入为所述预定时间段的声音信号。
在上述大桶饮用水智能化灌装方法中，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵，包括：使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；其中，所述公式为：
其中Vs表示所述声音特征向量，
表示所述声音特征向量的转置向量，Vt表示所述流速时序特征向量，Mb表示所述优化特征矩阵，
表示向量相乘。
在上述大桶饮用水智能化灌装方法中，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵，包括：将所述优化特征矩阵展开为优化特征向量；对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量；以及，对所述调制后特征向量进行维度重构以得到所述调制后特征矩阵。
在上述大桶饮用水智能化灌装方法中，对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量，包括：以如下公式对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后特征向量；其中，所述公式为：
其中V是所述优化特征向量，vi和vi′分别是所述优化特征向量和所述调制后特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述优化特征向量的各个位置特征值集合的均值和方差，
表示向量的二范数的平方，‖·‖F表示矩阵的Frobenius范数，exp(·)表示指数运算。
在上述大桶饮用水智能化灌装方法中，将所述调制后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阀门开度值是否减小，包括：将所述调制后特征矩阵基于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。
根据本申请的另一方面，提供了一种大桶饮用水智能化灌装系统，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流速值和所述预定时间段的声音信号；
时序特征提取模块，用于将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；
图像特征提取模块，用于将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；
联合编码模块，用于使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及
特征分布调制模块，用于对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及
分类结果生成模块，用于将所述调制后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阀门开度值是否减小。
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大桶饮用水智能化灌装方法。
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大桶饮用水智能化灌装方法。
与现有技术相比，本申请提供的一种大桶饮用水智能化灌装方法及其系统，其通过采用基于深度学习的神经网络模型，基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑，进而防止过程中出现外溅和撒料。
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大桶饮用水智能化灌装方法的应用场景图；
图2为根据本申请实施例的大桶饮用水智能化灌装方法的流程图；
图3为根据本申请实施例的大桶饮用水智能化灌装方法的架构示意图；
图4为根据本申请实施例的大桶饮用水智能化灌装方法中图像编码的流程图；
图5为根据本申请实施例的大桶饮用水智能化灌装方法中特征分布调制的流程图；
图6为根据本申请实施例的大桶饮用水智能化灌装方法中分类的流程图；
图7为根据本申请实施例的大桶饮用水智能化灌装系统的框图；
图8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。
场景概述
如上所述，在进行大桶饮用水灌装时，由于大桶瓶体一般都比较软，接触式灌装时不断进入的饮用水会导致瓶体鼓胀，影响灌装装量及产品形象，所以一般选择不接触瓶口的灌装方式。传统的非接触灌装方式大都采用人工进行控制，不仅效率低下，使得灌装的质量达不到应有要求，而且还极易产生外溅和撒料的现象，导致饮用水资源的浪费。因此，期望一种优化的大桶饮用水智能化灌装方案。
具体地，在本申请的技术方案中，提出了一种大桶饮用水智能化灌装方案，其中的灌装阀直接安装在料缸边缘或者通过大通道管道，连接与液缸上，灌装阀采用无级变速的电缸，实现灌装阀门的开启与关闭，在需要快速灌装的时候加大灌装通道，实现快速灌装目的，在灌装量进入中后程时，通过无级变速，逐渐减少灌装通道，控制灌装速度，变速过程不外溅不撒料。最后关闭阀门时候，实现轻柔关闭阀门。此无级变速，根据灌装的量做适应调节，适合大容量的灌装，把最大流量放在灌装前期，合理管控灌装流速变化，可以有效节约灌装时间。
相应地，在实际进行大桶饮用水灌装的过程中发现，还是会产生外溅和撒料的现象，这是由于对于阀门的控制精度较低，也就是说，在实际的应用过程中，只能依据灌装的量来进行相应地阀门开度调节，以使其满足灌装的实际需求。但是，由于灌装的量对于不同的桶身在不同的时间段有着不同的阀门开度，并且在实际的操作控制过程中灌装的量不是均匀变化的，难以进行相应的阀门开度精准控制。特别地，考虑到在对于大桶饮用水灌装的过程中，在灌装的不同阶段所产生的灌装声音会发生不同的变化，因此，在本申请的技术方案中，采用流速数据和声音数据的协同来作为控制依据，具体地，以所述流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑。在此过程中，难点在于如何建立所述流速数据的时序变化和所述声音数据的时序变化之间的映射关系，以使得基于灌装时的声音数据和流速数据之间的协同变化信息来对阀门进行自适应调整以使得阀门的开度变化更加平滑，且防止过程中出现外溅和撒料。
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流速数据的时序变化和所述声音数据的时序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流速数据的时序变化和所述声音数据的时序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流速值和所述预定时间段的声音信号。接着，考虑到由于所述流速值在时间维度上的表现形式为一连串的数据，因此，可以使用在一维隐含关联特征提取方面具有优异表现的时序编码器来进行所述流速值的时序变化特征提取。并且，还考虑到由于所述声音信号在时域中的表现形式为二维波形图数据，因此，可以使用在图像隐含特征提取方面具有优异表现的图像编码器来进行所述预定时间段的声音信号的特征挖掘。
特别地，为了能够提高对于所述声音信号和所述流速数据的时序协同关联特征提取的精度，以提高对于阀门开度值实时控制的精准度，进一步使用CLIP模型来完成所述声音信号和所述流速值的时序变化特征挖掘融合。也就是，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器中进行处理，以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述声音信号的波形图中关于灌装声音在时间维度上的动态变化特征信息，从而得到声音特征向量。接着，再将所述多个预定时间点的流速值通过所述CLIP模型的时序编码器中进行编码以得到流速时序特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过所述一维卷积层进行一维卷积编码来提取出所述流速值在时序维度上的关联特征，以及通过所述全连接层进行全连接编码来提取所述流速值的高维隐含特征。
进一步地，再使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵。应可以理解，这里，使用所述Clip模型的联合编码器来进行所述声音信号的时序动态变化特征和所述流速的时序关联特征的联合编码优化，以基于所述流速的时序关联特征分布对所述声音信号的动态隐含变化特征分布进行特征优化表达，从而得到所述优化特征矩阵，并以此作为分类特征矩阵来通过分类器进行分类处理，以得到用于表示当前时间点的阀门开度值是否减小的分类结果。
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阀门开度值应增大(第一标签)，以及，当前时间点的阀门开度值应减小(第二标签)，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阀门开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阀门开度值，以此来基于灌装时的声音数据和流速数据之间的协同变化信息来对阀门进行自适应调整以使得阀门的开度变化更加平滑，且防止过程中出现外溅和撒料。
特别地，在本申请的技术方案中，这里，在使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量得到所述优化特征矩阵时，考虑到所述声音特征向量表达声音信号波形的特征提取通道维度的图像语义，而流速时序特征向量表达流速值沿时序的关联特征语义，在将所述声音特征向量和所述流速时序特征向量进行按位置相乘得到所述优化特征矩阵的情况下，可能由于所述声音特征向量和所述流速时序特征向量的分布不一致而导致所述优化特征矩阵的整体特征分布的离散化，从而使得所述优化特征矩阵在通过分类器进行分类时存在相对于分类器的预定的类标签收敛性差的问题，这样，就会影响分类器的训练速度和分类结果的准确性。
因此，在本申请的技术方案中，对所述优化特征矩阵在通过分类器时展开后得到的优化特征向量，例如表示为V进行正定赋范空间的几何约束重参数化，具体为：
μ和σ是特征集合vi∈V的均值和方差，
表示向量的二范数的平方，‖·‖F表示矩阵的Frobenius范数，vi和vi′分别是校正前和校正后的所述优化特征向量V的第i个位置的特征值，且V是行向量形式。这里，所述优化特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述优化特征向量V整体的特征分布在预定类标签下的收敛性，从而提升了分类器的训练速度和分类结果的准确性。这样，能够实时准确地基于灌装时的实际情况来对阀门进行自适应调整，以使得阀门的开度变化更加平滑，且防止过程中出现外溅和撒料。
基于此，本申请提出了一种大桶饮用水智能化灌装方法，其包括：获取预定时间段内多个预定时间点的流速值和所述预定时间段的声音信号；将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及，将所述调制后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阀门开度值是否减小。
图1为根据本申请实施例的大桶饮用水智能化灌装方法的应用场景图。如图1所示，在该应用场景中，通过流速传感器(例如，如图1中所示意的V)获取预定时间段内多个预定时间点的流速值，以及，通过声音信号传感器(例如，如图1中所示意的S1)获取所述预定时间段的声音信号。接着，将上述信息输入至部署有用于大桶饮用水智能化灌装算法的服务器(例如，图1中的S2)中，其中，所述服务器能够以所述大桶饮用水智能化灌装算法对上述输入的信息进行处理，以生成用于表示当前时间点的阀门开度值是否减小的分类结果。
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大桶饮用水智能化灌装方法的流程图。如图2所示，根据本申请实施例的大桶饮用水智能化灌装方法，包括步骤：S110，获取预定时间段内多个预定时间点的流速值和所述预定时间段的声音信号；S120，将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；S130，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；S140，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及，S150，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及，S160，将所述调制后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阀门开度值是否减小。
图3为根据本申请实施例的大桶饮用水智能化灌装方法的架构示意图。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流速值和所述预定时间段的声音信号；再将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；接着，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；然后，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；进而，将所述调制后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阀门开度值是否减小。
具体地，在步骤S110中，获取预定时间段内多个预定时间点的流速值和所述预定时间段的声音信号。应可以理解，在实际进行大桶饮用水灌装的过程中，在灌装的不同阶段所产生的灌装声音会发生不同的变化，因此，在本申请的技术方案中，可基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，因此，在本申请的一个具体示例中，首先，可通过流速传感器来获取预定时间段内多个预定时间点的流速值，以及，通过声音信号传感器来获取所述预定时间段的声音信号。
具体地，在步骤S120中，将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量。考虑到由于所述流速值在时间维度上的表现形式为一连串的数据，因此，可以使用在一维隐含关联特征提取方面具有优异表现的时序编码器来进行所述流速值的时序变化特征提取。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过所述一维卷积层进行一维卷积编码来提取出所述流速值在时序维度上的关联特征，以及通过所述全连接层进行全连接编码来提取所述流速值的高维隐含特征。在本申请的一个具体示例中，将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量，包括：将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述流速输入向量。
具体地，在步骤S130中，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量。应可以理解，由于所述声音信号在时域中的表现形式为二维波形图数据，因此，可以使用在图像隐含特征提取方面具有优异表现的图像编码器来进行所述预定时间段的声音信号的特征挖掘。为了能够提高对于所述声音信号和所述流速数据的时序协同关联特征提取的精度，以提高对于阀门开度值实时控制的精准度，进一步使用CLIP模型来完成所述声音信号和所述流速值的时序变化特征挖掘融合。也就是，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器中进行处理，以通过所述图像编码器的作为过滤器的卷积神经网络模型来提取出所述声音信号的波形图中关于灌装声音在时间维度上的动态变化特征信息，从而得到声音特征向量。在本申请的一个具体示例中，可通过使用所述CLIP模型的图像编码器的各层在层的正向传递中分别对输入数据进行卷积处理，对所述卷积处理得到的卷积特征图进行池化处理；以及，对所述池化得到的池化特征图进行非线性激活以得到激活特征图。
图4为根据本申请实施例的大桶饮用水智能化灌装方法中图像编码的流程图。如图4所示，在所述图像编码过程中，包括：使用所述CLIP模型的图像编码器的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，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CLIP模型的图像编码器的最后一层的输出为所述声音特征向量，所述CLIP模型的图像编码器的第一层的输入为所述预定时间段的声音信号。
具体地，在步骤S140中，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵。也就是，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵。应可以理解，这里，使用所述Clip模型的联合编码器来进行所述声音信号的时序动态变化特征和所述流速的时序关联特征的联合编码优化，以基于所述流速的时序关联特征分布对所述声音信号的动态隐含变化特征分布进行特征优化表达，从而得到所述优化特征矩阵。在本申请的一个具体示例中，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；其中，所述公式为：
其中Vs表示所述声音特征向量，
表示所述声音特征向量的转置向量，Vt表示所述流速时序特征向量，Mb表示所述优化特征矩阵，
表示向量相乘。
具体地，在步骤S150中，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵。在本申请的技术方案中，这里，在使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量得到所述优化特征矩阵时，考虑到所述声音特征向量表达声音信号波形的特征提取通道维度的图像语义，而流速时序特征向量表达流速值沿时序的关联特征语义，在将所述声音特征向量和所述流速时序特征向量进行按位置相乘得到所述优化特征矩阵的情况下，可能由于所述声音特征向量和所述流速时序特征向量的分布不一致而导致所述优化特征矩阵的整体特征分布的离散化，从而使得所述优化特征矩阵在通过分类器进行分类时存在相对于分类器的预定的类标签收敛性差的问题，这样，就会影响分类器的训练速度和分类结果的准确性。因此，在本申请的技术方案中，对所述优化特征矩阵在通过分类器时展开后得到的优化特征向量，例如表示为V进行正定赋范空间的几何约束重参数化，具体为：
其中V是所述优化特征向量，vi和vi′分别是所述优化特征向量和所述调制后特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述优化特征向量的各个位置特征值集合的均值和方差，
表示向量的二范数的平方，‖·‖F表示矩阵的Frobenius范数，exp(·)表示指数运算。这里，所述优化特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样，就提高所述优化特征向量V整体的特征分布在预定类标签下的收敛性，从而提升了分类器的训练速度和分类结果的准确性。这样，能够实时准确地基于灌装时的实际情况来对阀门进行自适应调整，以使得阀门的开度变化更加平滑，且防止过程中出现外溅和撒料。
图5为根据本申请实施例的大桶饮用水智能化灌装方法中特征分布调制的流程图。如图5所示，在所述特征分布调制过程中，包括：S310，将所述优化特征矩阵展开为优化特征向量；S320，对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量；以及，S330，对所述调制后特征向量进行维度重构以得到所述调制后特征矩阵。
具体地，在步骤S160中，将所述调制后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阀门开度值是否减小。也就是，将所述调制后特征矩阵作为分类特征矩阵来通过分类器进行分类处理，具体地，使用所述分类器以如下公式对所述调制后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)表示将所述调制后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，首先将所述调制后特征矩阵投影为向量，例如，在一个具体的示例中，将所述调制后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当前时间点的阀门开度值应增大(第一标签)，以及，当前时间点的阀门开度值应减小(第二标签)，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阀门开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阀门开度值，以此来基于灌装时的声音数据和流速数据之间的协同变化信息来对阀门进行自适应调整以使得阀门的开度变化更加平滑，且防止过程中出现外溅和撒料。
图6为根据本申请实施例的大桶饮用水智能化灌装方法中分类的流程图。如图6所示，在所述分类过程中，包括：S410，将所述调制后特征矩阵基于行向量或列向量展开为分类特征向量；S420，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，S430，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。
综上，根据本申请实施例的大桶饮用水智能化灌装方法被阐明，其通过采用基于深度学习的神经网络模型，基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑，进而防止过程中出现外溅和撒料。
示例性系统
图7为根据本申请实施例的大桶饮用水智能化灌装系统的框图。如图7所示，根据本申请实施例的大桶饮用水智能化灌装系统300，包括：信息获取模块310；时序特征提取模块320；图像特征提取模块330；联合编码模块340；特征分布调制模块350；以及，分类结果生成模块360。
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流速值和所述预定时间段的声音信号；所述时序特征提取模块320，用于将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；所述图像特征提取模块330，用于将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；所述联合编码模块340，用于使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及，所述特征分布调制模块350，用于对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及，所述分类结果生成模块360，用于将所述调制后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阀门开度值是否减小。
在一个示例中，在上述大桶饮用水智能化灌装系统300中，所述时序特征提取模块320，用于：将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述流速输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述流速输入向量进行一维卷积编码以提取出所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述流速输入向量。
在一个示例中，在上述大桶饮用水智能化灌装系统300中，所述图像特征提取模块330，用于：使用所述CLIP模型的图像编码器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CLIP模型的图像编码器的最后一层的输出为所述声音特征向量，所述CLIP模型的图像编码器的第一层的输入为所述预定时间段的声音信号。
在一个示例中，在上述大桶饮用水智能化灌装系统300中，所述联合编码模块340，用于：使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；其中，所述公式为：
其中Vs表示所述声音特征向量，
表示所述声音特征向量的转置向量，Vt表示所述流速时序特征向量，Mb表示所述优化特征矩阵，
表示向量相乘。
在一个示例中，在上述大桶饮用水智能化灌装系统300中，所述特征分布调制模块350，用于：将所述优化特征矩阵展开为优化特征向量；对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量；以及，对所述调制后特征向量进行维度重构以得到所述调制后特征矩阵。其中，对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量，包括：以如下公式对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后特征向量；其中，所述公式为：
其中V是所述优化特征向量，vi和vi′分别是所述优化特征向量和所述调制后特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述优化特征向量的各个位置特征值集合的均值和方差，
表示向量的二范数的平方，‖·‖F表示矩阵的Frobenius范数，exp(·)表示指数运算。
在一个示例中，在上述大桶饮用水智能化灌装系统300中，所述分类结果生成模块360，用于：将所述调制后特征矩阵基于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。
综上，根据本申请实施例的大桶饮用水智能化灌装系统300被阐明，其通过采用基于深度学习的神经网络模型，基于流速数据和所述声音数据在时序上的动态协同关联来实时准确地对于阀门开度值进行自适应控制，以使得阀门的开度变化更加平滑，进而防止过程中出现外溅和撒料。
如上所述，根据本申请实施例的大桶饮用水智能化灌装系统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大桶饮用水智能化灌装系统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，该大桶饮用水智能化灌装系统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，该大桶饮用水智能化灌装系统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，该大桶饮用水智能化灌装系统300与该终端设备也可以是分立的设备，并且该大桶饮用水智能化灌装系统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。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8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大桶饮用水智能化灌装方法中的功能以及/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调制后特征矩阵等各种内容。
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8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大桶饮用水智能化灌装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大桶饮用水智能化灌装方法的功能中的步骤。
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)
1.一种大桶饮用水智能化灌装方法，其特征在于，包括：
获取预定时间段内多个预定时间点的流速值和所述预定时间段的声音信号；
将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；
将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；
使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及
对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及
将所述调制后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阀门开度值是否减小。
2.根据权利要求1所述的大桶饮用水智能化灌装方法，其特征在于，将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量，包括：
将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；
使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述流速输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述流速输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；
使用所述时序编码器的一维卷积层以如下公式对所述流速输入向量进行一维卷积编码以提取出所述流速输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述流速输入向量。
3.根据权利要求2所述的大桶饮用水智能化灌装方法，其特征在于，将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量，包括：使用所述CLIP模型的图像编码器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CLIP模型的图像编码器的最后一层的输出为所述声音特征向量，所述CLIP模型的图像编码器的第一层的输入为所述预定时间段的声音信号。
4.根据权利要求3所述的大桶饮用水智能化灌装方法，其特征在于，使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵，包括：使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；
其中，所述公式为：
其中Vs表示所述声音特征向量，
表示所述声音特征向量的转置向量，Vt表示所述流速时序特征向量，Mb表示所述优化特征矩阵，
表示向量相乘。
5.根据权利要求4所述的大桶饮用水智能化灌装方法，其特征在于，对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵，包括：
将所述优化特征矩阵展开为优化特征向量；
对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量；以及
对所述调制后特征向量进行维度重构以得到所述调制后特征矩阵。
6.根据权利要求5所述的大桶饮用水智能化灌装方法，其特征在于，对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到调制后特征向量，包括：
以如下公式对所述优化特征向量进行正定赋范空间的几何约束重参数化以得到所述调制后特征向量；
其中，所述公式为：
其中V是所述优化特征向量，vi和vi′分别是所述优化特征向量和所述调制后特征向量的第i个位置的特征值，且V是行向量形式，μ和σ是所述优化特征向量的各个位置特征值集合的均值和方差，
表示向量的二范数的平方，‖·‖F表示矩阵的Frobenius范数，exp(·)表示指数运算。
7.根据权利要求6所述的大桶饮用水智能化灌装方法，其特征在于，将所述调制后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阀门开度值是否减小，包括：
将所述调制后特征矩阵基于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。
8.一种大桶饮用水智能化灌装系统，其特征在于，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流速值和所述预定时间段的声音信号；
时序特征提取模块，用于将所述多个预定时间点的流速值通过CLIP模型的时序编码器以得到流速时序特征向量；
图像特征提取模块，用于将所述预定时间段的声音信号通过所述CLIP模型的图像编码器以得到声音特征向量；
联合编码模块，用于使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；以及
特征分布调制模块，用于对所述优化特征矩阵进行特征分布调制以得到调制后特征矩阵；以及
分类结果生成模块，用于将所述调制后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阀门开度值是否减小。
9.根据权利要求8所述的大桶饮用水智能化灌装系统，其特征在于，所述联合编码模块，用于：使用所述CLIP模型的优化编码器来融合所述声音特征向量和所述流速时序特征向量以得到优化特征矩阵；
其中，所述公式为：
其中Vs表示所述声音特征向量，
表示所述声音特征向量的转置向量，Vt表示所述流速时序特征向量，Mb表示所述优化特征矩阵，
表示向量相乘。
10.根据权利要求9所述的大桶饮用水智能化灌装系统，其特征在于，所述分类结果生成模块，用于：
将所述调制后特征矩阵基于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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310286768.9A CN116101958A (zh) | 2023-03-22 | 2023-03-22 | 大桶饮用水智能化灌装方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310286768.9A CN116101958A (zh) | 2023-03-22 | 2023-03-22 | 大桶饮用水智能化灌装方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116101958A true CN116101958A (zh) | 2023-05-12 |
Family
ID=86254545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310286768.9A Pending CN116101958A (zh) | 2023-03-22 | 2023-03-22 | 大桶饮用水智能化灌装方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116101958A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117862876A (zh) * | 2023-06-02 | 2024-04-12 | 浙江沃沃阀门有限公司 | 一种锻钢阀门阀盖多工位自动装夹工装 |
| CN117862876B (zh) * | 2023-06-02 | 2024-06-04 | 浙江沃沃阀门有限公司 | 一种锻钢阀门阀盖多工位自动装夹工装 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0406092A1 (fr) * | 1989-06-27 | 1991-01-02 | Group S.E.R.A.C. | Dispositif de remplissage de récipients à dosage pondéral |
| WO2000078612A1 (en) * | 1999-06-17 | 2000-12-28 | Sidhil Technology, Llc | Method and apparatus for the manufacture of pocketed springs |
| JP4699563B1 (ja) * | 2010-10-20 | 2011-06-15 | オオクマ電子株式会社 | 錠剤検査装置 |
| EP2503322A1 (de) * | 2011-03-25 | 2012-09-26 | UHLMANN PAC-SYSTEME GmbH & Co. KG | Vorrichtung zum Überprüfen von kleinen pharmazeutischen Produkten |
| CN215160957U (zh) * | 2021-06-10 | 2021-12-14 | 中国石化润滑油北京有限责任公司 | 一种液体灌装分段控制系统 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115082837A (zh) * | 2022-07-27 | 2022-09-20 | 新沂市新南环保产业技术研究院有限公司 | 对pet瓶进行灌装纯净水的流速控制系统及其控制方法 |
| CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
| CN115688592A (zh) * | 2022-11-09 | 2023-02-03 | 福建德尔科技股份有限公司 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
-
2023
- 2023-03-22 CN CN202310286768.9A patent/CN116101958A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0406092A1 (fr) * | 1989-06-27 | 1991-01-02 | Group S.E.R.A.C. | Dispositif de remplissage de récipients à dosage pondéral |
| WO2000078612A1 (en) * | 1999-06-17 | 2000-12-28 | Sidhil Technology, Llc | Method and apparatus for the manufacture of pocketed springs |
| JP4699563B1 (ja) * | 2010-10-20 | 2011-06-15 | オオクマ電子株式会社 | 錠剤検査装置 |
| EP2503322A1 (de) * | 2011-03-25 | 2012-09-26 | UHLMANN PAC-SYSTEME GmbH & Co. KG | Vorrichtung zum Überprüfen von kleinen pharmazeutischen Produkten |
| CN215160957U (zh) * | 2021-06-10 | 2021-12-14 | 中国石化润滑油北京有限责任公司 | 一种液体灌装分段控制系统 |
| CN114768986A (zh) * | 2022-06-20 | 2022-07-22 | 江苏中腾石英材料科技股份有限公司 | 高纯熔融石英粉的精细化研磨装置及其研磨方法 |
| CN115082837A (zh) * | 2022-07-27 | 2022-09-20 | 新沂市新南环保产业技术研究院有限公司 | 对pet瓶进行灌装纯净水的流速控制系统及其控制方法 |
| CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
| CN115688592A (zh) * | 2022-11-09 | 2023-02-03 | 福建德尔科技股份有限公司 | 用于电子级四氟化碳制备的精馏控制系统及其方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117862876A (zh) * | 2023-06-02 | 2024-04-12 | 浙江沃沃阀门有限公司 | 一种锻钢阀门阀盖多工位自动装夹工装 |
| CN117862876B (zh) * | 2023-06-02 | 2024-06-04 | 浙江沃沃阀门有限公司 | 一种锻钢阀门阀盖多工位自动装夹工装 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Perarnau et al. | Invertible conditional gans for image editing | |
| CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
| US11328180B2 (en) | Method for updating neural network and electronic device | |
| CN110163299B (zh) | 一种基于自底向上注意力机制和记忆网络的视觉问答方法 | |
| Heydari et al. | Softadapt: Techniques for adaptive loss weighting of neural networks with multi-part loss functions | |
| CN110598191B (zh) | 一种基于神经网络的复杂pdf结构解析方法及装置 | |
| CN116415654A (zh) | 一种数据处理方法及相关设备 | |
| KR101851675B1 (ko) | 이종 데이터를 활용하여 상품을 자동으로 분류하는 상품분류시스템 | |
| EP4145345A1 (en) | Data annotation method and device, and fine granularity identification method and device | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
| CN115223020B (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
| CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
| Xing et al. | Semi-supervised single-view 3d reconstruction via prototype shape priors | |
| CN116168243A (zh) | 剃须刀的智能化生产系统及其方法 | |
| WO2020109774A1 (en) | Verification of perception systems | |
| EP3627403A1 (en) | Training of a one-shot learning classifier | |
| CN112819044A (zh) | 用于目标对象的目标操作任务补偿的神经网络的训练方法 | |
| CN116101958A (zh) | 大桶饮用水智能化灌装方法及其系统 | |
| CN117291185A (zh) | 任务处理方法、实体识别方法及任务处理的数据处理方法 | |
| CN116994049A (zh) | 全自动针织横机及其方法 | |
| CN111428468A (zh) | 单语句通顺度预测方法、装置、设备及存储介质 | |
| CN116401364A (zh) | 语言模型的训练方法、电子设备、存储介质及产品 | |
| CN116051388A (zh) | 经由语言请求的自动照片编辑 | |
| CN112434143A (zh) | 基于gru单元隐藏状态约束的对话方法、存储介质及系统 |
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 |