CN116143127A - 石英砂的自动化生产系统及其方法 - Google Patents
石英砂的自动化生产系统及其方法 Download PDFInfo
- Publication number
- CN116143127A CN116143127A CN202310233272.5A CN202310233272A CN116143127A CN 116143127 A CN116143127 A CN 116143127A CN 202310233272 A CN202310233272 A CN 202310233272A CN 116143127 A CN116143127 A CN 116143127A
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- particle
- quartz sand
- 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- Withdrawn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
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 224
- 239000006004 Quartz sand Substances 0.000 title claims abstract description 183
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 282
- 230000005684 electric field Effects 0.000 claims abstract description 82
- 239000002253 acid Substances 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 383
- 239000011159 matrix material Substances 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012546 transfer Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000000926 separation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 238000000227 grinding Methods 0.000 claims description 11
- 239000004576 sand Substances 0.000 claims description 11
- 239000000377 silicon dioxide Substances 0.000 claims description 11
- 238000005406 washing Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001354 calcination Methods 0.000 claims description 5
- 238000010791 quenching Methods 0.000 claims description 5
- 230000000171 quenching effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000002195 synergetic effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 21
- 238000002360 preparation method Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 12
- 238000005554 pickling Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 239000010453 quartz Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000004043 responsiveness Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 239000011737 fluorine Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 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
- 238000010606 normalization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B1/00—Preparing the batches
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B33/00—Silicon; Compounds thereof
- C01B33/113—Silicon oxides; Hydrates thereof
- C01B33/12—Silica; Hydrates thereof, e.g. lepidoic silicic acid
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B20/00—Processes specially adapted for the production of quartz or fused silica articles, not otherwise provided for
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01P—INDEXING SCHEME RELATING TO STRUCTURAL AND PHYSICAL ASPECTS OF SOLID INORGANIC COMPOUNDS
- C01P2006/00—Physical properties of inorganic compounds
- C01P2006/80—Compositional purity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Materials Engineering (AREA)
- Biophysics (AREA)
- Inorganic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Silicon Compounds (AREA)
Abstract
一种石英砂的自动化生产系统及其方法,其获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,多个预定时间点的颗粒图像;采用基于深度学习的人工智能技术,建立温度值和直流电场的施加强度值的协同关联特征信息和颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此来自适应地控制石英砂颗粒的电选时间。这样,可以基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,进而提高石英砂的制备纯度。
Description
技术领域
本申请涉及智能化生产技术领域,并且更具体地,涉及一种石英砂的自动化生产系统及其方法。
背景技术
石英玻璃的主要原材料是高纯石英砂,高纯石英砂具有极好的化学稳定性、高绝缘耐压能力和极低的体膨胀系数,是电子核心器件、光导通讯材料、太阳能电池等高新技术产业不可缺少的重要原材料,是生产石英坩埚、制造单晶硅棒容器、芯片的基础原料,高纯石英砂一般是指SiO2含量高于99.99%的石英粉,是石英玻璃和石英坩埚的主要原料,其高档产品被广泛应用在大规模集成电路、太阳能电池、光纤、激光、航天、军事等行业中。
我国制备高纯石英砂主要选用优质高纯脉石英进行加工,其工艺比较简单,规模化生产的石英砂中往往杂质含量过多,SiO2含量无法满足使用要求,产品附加值低,过程中要用到大量的酸进行酸洗,尤其是含氟的氢氟酸给环境带来巨大压力,因此亟需寻找一种能得SiO2含量高且酸使用量大大减少的高纯石英砂的制备方法。
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石英砂的自动化生产系统及其方法,其获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,多个预定时间点的颗粒图像;采用基于深度学习的人工智能技术,建立温度值和直流电场的施加强度值的协同关联特征信息和颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此来自适应地控制石英砂颗粒的电选时间。这样,可以基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,进而提高石英砂的制备纯度。
第一方面,提供了一种石英砂的自动化生产方法,其包括:提供经粗选、煅烧和水淬后的石英砂颗粒;将所述石英砂颗粒放置于碾磨机内碾磨以得到碾磨后石英砂颗粒;对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒;以及对所述电选后石英砂颗粒进行酸洗并过滤以得到过滤后石英砂。
在上述石英砂的自动化生产方法中,对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒,包括:获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,将所述优化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是否停止电选。
在上述石英砂的自动化生产方法中,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵,包括:使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到特征矩阵;以及,使用所述卷积神经网络模型的第二层对所述特征矩阵进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到所述协同特征矩阵,其中,所述第二卷积核与所述第一卷积核互为转置。
在上述石英砂的自动化生产方法中,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量,包括:使用所述作为过滤器的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:对所述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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个颗粒时序特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的颗粒图像。
在上述石英砂的自动化生产方法中,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量,包括:使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量;以及,将所述多个上下文关联特征向量进行级联以得到所述颗粒状态上下文关联特征向量。
在上述石英砂的自动化生产方法中,使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量,包括:将所述多个颗粒时序特征向量进行一维排列以得到全局颗粒时序特征向量;计算所述全局颗粒时序特征向量与所述多个颗粒时序特征向量中各个颗粒时序特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述多个颗粒时序特征向量中各个颗粒时序特征向量进行加权以得到所述多个上下文关联特征向量。
在上述石英砂的自动化生产方法中,计算所述颗粒状态上下文关联特征向量相对于所述协同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颗粒状态上下文关联特征向量相对于所述协同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,/>表示所述颗粒状态上下文关联特征向量,/>表示所述协同特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。
在上述石英砂的自动化生产方法中,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量,包括:以如下公式计算所述分类特征向量和所述颗粒状态上下文关联特征向量的非相干稀疏响应融合特征向量以得到所述优化分类特征向量;其中,所述公式为:,其中,/>、/>和/>分别表示所述分类特征向量、所述颗粒状态上下文关联特征向量和所述优化分类特征向量,/>和/>分别表示向量的一范数和向量的二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式, />表示向量的转置向量。
在上述石英砂的自动化生产方法中,将所述优化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是否停止电选,包括:使用所述分类器的多个全连接层对所述优化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。
第二方面,提供了一种石英砂的自动化生产系统,其包括:数据获取模块,用于获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;向量排列模块,用于将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;第一特征提取模块,用于对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;第二特征提取模块,用于将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;上下文编码模块,用于将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;转移向量计算模块,用于计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;特征分布优化模块,用于基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及电选结果生成模块,用于将所述优化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是否停止电选。
与现有技术相比,本申请提供的石英砂的自动化生产系统及其方法,其获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,多个预定时间点的颗粒图像;采用基于深度学习的人工智能技术,建立温度值和直流电场的施加强度值的协同关联特征信息和颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此来自适应地控制石英砂颗粒的电选时间。这样,可以基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,进而提高石英砂的制备纯度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的石英砂的自动化生产方法的场景示意图。
图2为根据本申请实施例的石英砂的自动化生产方法的流程图。
图3为根据本申请实施例的石英砂的自动化生产方法中步骤130的子步骤的流程图。
图4为根据本申请实施例的石英砂的自动化生产方法中步骤130的架构示意图。
图5为根据本申请实施例的石英砂的自动化生产方法中步骤230的子步骤的流程图。
图6为根据本申请实施例的石英砂的自动化生产方法中步骤250的子步骤的流程图。
图7为根据本申请实施例的石英砂的自动化生产方法中步骤251的子步骤的流程图。
图8为根据本申请实施例的石英砂的自动化生产方法中步骤280的子步骤的流程图。
图9为根据本申请实施例的石英砂的自动化生产系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述,我国制备高纯石英砂主要选用优质高纯脉石英进行加工,其工艺比较简单,规模化生产的石英砂中往往杂质含量过多,SiO2含量无法满足使用要求,产品附加值低,过程中要用到大量的酸进行酸洗,尤其是含氟的氢氟酸给环境带来巨大压力,因此亟需寻找一种能得SiO2含量高且酸使用量大大减少的高纯石英砂的制备方法。
具体地,在本申请的技术方案中,提出了一种石英砂的自动化生产方法,其包括:提供经粗选、煅烧和水淬后的石英砂颗粒;将所述石英砂颗粒放置于碾磨机内碾磨以得到碾磨后石英砂颗粒;对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒;以及,对所述电选后石英砂颗粒进行酸洗并过滤以得到过滤后石英砂。
相应地,考虑到在进行石英砂制备的过程中,为了能够提高石英砂中SiO2含量且减少用酸,需要对碾磨后石英砂颗粒的电选工艺步骤进行智能控制和优化。这是由于在进行石英砂颗粒的电选过程中,电选的颗粒粒度和数量是影响后续酸洗效果和制备石英砂纯度的关键,但是现有的电选控制方案大多都是依靠人工观测半自动化控制,不仅效率低下,而且电选出的石英砂颗粒的质量也难以达到要求,导致后续需要用到大量的酸进行酸洗,不仅给环境造成巨大压力,而且降低了石英砂的制备纯度。
基于此,在本申请的技术方案中,在实际的制备过程中,对所述碾磨后石英砂颗粒进行电选时,需要对于电选出的颗粒粒度和数量变化信息进行准确检测,以此来自适应地控制石英砂颗粒的电选时间。相应地,考虑到石英砂颗粒的电选质量可以通过对于石英砂颗粒在电选过程中的颗粒图像进行分析来获得,并且,还考虑到在实际对于碾磨后石英砂颗粒进行电选的过程中,石英砂颗粒的电选质量取决于电选的温度值和直流电场的施加强度值的协同控制,也就是说,所述电选的温度值和所述直流电场的施加强度值对于石英砂颗粒的电选质量都有着关联性的影响。因此,在本申请的技术方案中,基于所述电选的温度值和所述直流电场的施加强度值的时序协同关联特征信息和电选颗粒图像的隐含特征信息来综合进行电选的实时控制。在此过程中,难点在于如何建立所述温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此基于电选的颗粒质量状态特征来实现电选的自适应控制,以优化电选效果,提高石英砂的制备纯度。
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温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息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温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息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温度值和直流电场的施加强度值,并且,通过摄像头采集所述多个预定时间点的颗粒图像。接着,考虑到由于所述温度值和所述直流电场的施加强度值在进行石英砂颗粒电选的过程中具有着时序的协同关联关系,也就是说,所述温度值和所述直流电场的施加强度值共同决定了电选的效果。因此,在本申请的技术方案中,为了探究这两者的时序协同关联特征,将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量,以此来分别整合所述温度值和所述直流电场的施加强度值在时间维度上的数据分布信息。
进一步地,就可以使用在局部隐含关联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温度值和所述直流电场的施加强度值的协同控制特征提取,但是,考虑到由于所述温度值和所述直流电场的施加强度值在时间维度上具有相当程度的关联。因此,为了能够充分地提取出所述温度值和所述直流电场的施加强度值的时序协同控制关联特征来进行电选的的准确控制,在本申请的技术方案中,进一步通对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型中进行特征挖掘,以提取出深层的更为充分的关于所述温度值和所述直流电场的施加强度值的时序协同关联隐含特征信息,从而得到协同特征矩阵。特别地,这里,所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性。
然后,对于所述多个预定时间点的颗粒图像来说,考虑到所述各个预定时间点的颗粒图像中都具有着此时间点下关于石英砂颗粒电选质量状态的隐含特征信息,包括有所述石英砂颗粒的粒度特征和数量特征。因此,在本申请的技术方案中,进一步使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个预定时间点的颗粒图像的特征挖掘,以分别提取出所述各个预定时间点的颗粒图像中关于石英砂颗粒电选质量状态的高维隐含特征分布信息,从而得到多个颗粒时序特征向量。
接着,考虑到由于所述各个预定时间点的颗粒图像中关于石英砂颗粒电选质量状态特征在时间维度上具有着关联性关系,也就是说,所述石英砂颗粒在电选的过程中,其电选的质量状态特征在时间维度上是不断变化的。因此,进一步将所述多个颗粒时序特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述石英砂颗粒的电选质量状态基于时序全局的上下文关联特征,从而得到颗粒状态上下文关联特征向量。
进一步地,计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量,以此来表示所述石英砂颗粒的电选质量状态基于时序全局的关联特征和所述温度与直流电场的施加强度的时序协同关联特征间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以得到分类结果,所述分类结果用于表示是否停止电选。也就是,在本申请的技术方案中,所述分类器的标签包括停止电选,以及,不停止电选,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是否停止电选的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来控制是否停止电选,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,且提高石英砂的制备纯度。
特别地,在本申请的技术方案中,在计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量得到所述分类特征向量时,可以将所述分类特征向量看作为源向量,而所述颗粒状态上下文关联特征向量看作为源向量基于所述协同特征矩阵的特征域,即温度和电场强度的时序二维关联特征的响应特征向量,因此,在这种情况下,如果能够提升具有响应关系的特征向量之间的特征融合程度,则显然可以进一步提升所述分类特征向量的表达效果。
因此,本申请的申请人进一步基于所述分类特征向量,例如记为和所述颗粒状态上下文关联特征向量,例如记为/>计算其非相干稀疏响应融合特征向量,例如记为/>,具体表示为:/>,其中/>和/>表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式。
这里,所述非相干稀疏响应融合在所述颗粒状态上下文关联特征向量表达的颗粒图像的特征语义的时序上下文关联特征为特征域间转移的真实性分布(ground-truthdistribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提高具有响应关系的特征向量融合后的概率分布描述度,从而提升所述颗粒状态上下文关联特征向量和所述分类特征向量的融合程度。这样,将融合后的所述非相干稀疏响应融合特征向量/>作为所述分类特征向量通过分类器,就可以提升所获得的分类结果的准确性。这样,能够基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,且提高石英砂的制备纯度。
图1为根据本申请实施例的石英砂的自动化生产方法的场景示意图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的温度值(例如,如图1中所示意的C1)和直流电场的施加强度值(例如,如图1中所示意的C2),以及,所述多个预定时间点的颗粒图像(例如,如图1中所示意的C3);然后,将获取的温度值、施加强度值和颗粒图像输入至部署有石英砂的自动化生产算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于石英砂的自动化生产算法对所述温度值、所述施加强度值和所述颗粒图像进行处理,以生成用于表示是否停止电选的分类结果。
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。
在本申请的一个实施例中,图2为根据本申请实施例的石英砂的自动化生产方法的流程图。如图2所示,根据本申请实施例的石英砂的自动化生产方法100,包括:110,提供经粗选、煅烧和水淬后的石英砂颗粒;120,将所述石英砂颗粒放置于碾磨机内碾磨以得到碾磨后石英砂颗粒;130,对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒;以及,140,对所述电选后石英砂颗粒进行酸洗并过滤以得到过滤后石英砂。
如上所述,我国制备高纯石英砂主要选用优质高纯脉石英进行加工,其工艺比较简单,规模化生产的石英砂中往往杂质含量过多,SiO2含量无法满足使用要求,产品附加值低,过程中要用到大量的酸进行酸洗,尤其是含氟的氢氟酸给环境带来巨大压力,因此亟需寻找一种能得SiO2含量高且酸使用量大大减少的高纯石英砂的制备方法。
具体地,在本申请的技术方案中,提出了一种石英砂的自动化生产方法,其包括:提供经粗选、煅烧和水淬后的石英砂颗粒;将所述石英砂颗粒放置于碾磨机内碾磨以得到碾磨后石英砂颗粒;对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒;以及,对所述电选后石英砂颗粒进行酸洗并过滤以得到过滤后石英砂。
图3为根据本申请实施例的石英砂的自动化生产方法中步骤130的子步骤的流程图。如图3所示,对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒,包括:210,获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;220,将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;230,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;240,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;250,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;260,计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;270,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,280,将所述优化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是否停止电选。
图4为根据本申请实施例的石英砂的自动化生产方法中步骤130的架构示意图。如图4所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;然后,将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;接着,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;然后,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;接着,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;然后,计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;接着,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,最后,将所述优化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是否停止电选。
具体地,在步骤210中,获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像。由前述可知,考虑到在进行石英砂制备的过程中,为了能够提高石英砂中SiO2含量且减少用酸,需要对碾磨后石英砂颗粒的电选工艺步骤进行智能控制和优化。这是由于在进行石英砂颗粒的电选过程中,电选的颗粒粒度和数量是影响后续酸洗效果和制备石英砂纯度的关键,但是现有的电选控制方案大多都是依靠人工观测半自动化控制,不仅效率低下,而且电选出的石英砂颗粒的质量也难以达到要求,导致后续需要用到大量的酸进行酸洗,不仅给环境造成巨大压力,而且降低了石英砂的制备纯度。
基于此,在本申请的技术方案中,在实际的制备过程中,对所述碾磨后石英砂颗粒进行电选时,需要对于电选出的颗粒粒度和数量变化信息进行准确检测,以此来自适应地控制石英砂颗粒的电选时间。相应地,考虑到石英砂颗粒的电选质量可以通过对于石英砂颗粒在电选过程中的颗粒图像进行分析来获得,并且,还考虑到在实际对于碾磨后石英砂颗粒进行电选的过程中,石英砂颗粒的电选质量取决于电选的温度值和直流电场的施加强度值的协同控制,也就是说,所述电选的温度值和所述直流电场的施加强度值对于石英砂颗粒的电选质量都有着关联性的影响。因此,在本申请的技术方案中,基于所述电选的温度值和所述直流电场的施加强度值的时序协同关联特征信息和电选颗粒图像的隐含特征信息来综合进行电选的实时控制。在此过程中,难点在于如何建立所述温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此基于电选的颗粒质量状态特征来实现电选的自适应控制,以优化电选效果,提高石英砂的制备纯度。
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温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息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温度值和直流电场的施加强度值的协同关联特征信息和所述颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息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温度值和直流电场的施加强度值,并且,通过摄像头采集所述多个预定时间点的颗粒图像。
具体地,在步骤220中,将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量。接着,考虑到由于所述温度值和所述直流电场的施加强度值在进行石英砂颗粒电选的过程中具有着时序的协同关联关系,也就是说,所述温度值和所述直流电场的施加强度值共同决定了电选的效果。
因此,在本申请的技术方案中,为了探究这两者的时序协同关联特征,将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量,以此来分别整合所述温度值和所述直流电场的施加强度值在时间维度上的数据分布信息。
具体地,在步骤230中,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵。进一步地,就可以使用在局部隐含关联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温度值和所述直流电场的施加强度值的协同控制特征提取,但是,考虑到由于所述温度值和所述直流电场的施加强度值在时间维度上具有相当程度的关联。
因此,为了能够充分地提取出所述温度值和所述直流电场的施加强度值的时序协同控制关联特征来进行电选的的准确控制,在本申请的技术方案中,进一步通对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型中进行特征挖掘,以提取出深层的更为充分的关于所述温度值和所述直流电场的施加强度值的时序协同关联隐含特征信息,从而得到协同特征矩阵。
其中,图5为根据本申请实施例的石英砂的自动化生产方法中步骤230的子步骤的流程图,如图5所示,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵,包括:231,使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到特征矩阵;以及,232,使用所述卷积神经网络模型的第二层对所述特征矩阵进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到所述协同特征矩阵,其中,所述第二卷积核与所述第一卷积核互为转置。
特别地,这里,所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性。
具体地,在步骤240中,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量。然后,对于所述多个预定时间点的颗粒图像来说,考虑到所述各个预定时间点的颗粒图像中都具有着此时间点下关于石英砂颗粒电选质量状态的隐含特征信息,包括有所述石英砂颗粒的粒度特征和数量特征。
因此,在本申请的技术方案中,进一步使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述多个预定时间点的颗粒图像的特征挖掘,以分别提取出所述各个预定时间点的颗粒图像中关于石英砂颗粒电选质量状态的高维隐含特征分布信息,从而得到多个颗粒时序特征向量。
其中,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量,包括:使用所述作为过滤器的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:对所述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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个颗粒时序特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的颗粒图像。
应可以理解,在本申请中,卷积神经网络是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络具有更强的特征提取泛化能力和拟合能力。
具体地,在步骤250中,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量。接着,考虑到由于所述各个预定时间点的颗粒图像中关于石英砂颗粒电选质量状态特征在时间维度上具有着关联性关系,也就是说,所述石英砂颗粒在电选的过程中,其电选的质量状态特征在时间维度上是不断变化的。
因此,进一步将所述多个颗粒时序特征向量通过基于转换器的上下文编码器中进行编码,以提取出所述石英砂颗粒的电选质量状态基于时序全局的上下文关联特征,从而得到颗粒状态上下文关联特征向量。
图6为根据本申请实施例的石英砂的自动化生产方法中步骤250的子步骤的流程图,如图6所示,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量,包括:251,使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量;以及,252,将所述多个上下文关联特征向量进行级联以得到所述颗粒状态上下文关联特征向量。
其中,图7为根据本申请实施例的石英砂的自动化生产方法中步骤251的子步骤的流程图,如图7所示,使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量,包括:2511,将所述多个颗粒时序特征向量进行一维排列以得到全局颗粒时序特征向量;2512,计算所述全局颗粒时序特征向量与所述多个颗粒时序特征向量中各个颗粒时序特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;2513,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;2514,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,2515,分别以所述多个概率值中各个概率值作为权重对所述多个颗粒时序特征向量中各个颗粒时序特征向量进行加权以得到所述多个上下文关联特征向量。
应可以理解,上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳,因此基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(RecurrentNeural Network,循环神经网络)在并行计算上具有一定优势。
具体地,在步骤260中,计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量。进一步地,计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量,以此来表示所述石英砂颗粒的电选质量状态基于时序全局的关联特征和所述温度与直流电场的施加强度的时序协同关联特征间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以得到分类结果,所述分类结果用于表示是否停止电选。
其中,计算所述颗粒状态上下文关联特征向量相对于所述协同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颗粒状态上下文关联特征向量相对于所述协同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,/>表示所述颗粒状态上下文关联特征向量,/>表示所述协同特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。具体地,在步骤270中,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量。
特别地,在本申请的技术方案中,在计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量得到所述分类特征向量时,可以将所述分类特征向量看作为源向量,而所述颗粒状态上下文关联特征向量看作为源向量基于所述协同特征矩阵的特征域,即温度和电场强度的时序二维关联特征的响应特征向量,因此,在这种情况下,如果能够提升具有响应关系的特征向量之间的特征融合程度,则显然可以进一步提升所述分类特征向量的表达效果。
因此,本申请的申请人进一步基于所述分类特征向量,例如记为和所述颗粒状态上下文关联特征向量,例如记为/>计算其非相干稀疏响应融合特征向量,例如记为/>,。也就是,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量,包括:以如下公式计算所述分类特征向量和所述颗粒状态上下文关联特征向量的非相干稀疏响应融合特征向量以得到所述优化分类特征向量;其中,所述公式为具体表示为:,其中/>和/>表示向量的一范数和二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式,/>表示向量的转置向量。
这里,所述非相干稀疏响应融合在所述颗粒状态上下文关联特征向量表达的颗粒图像的特征语义的时序上下文关联特征为特征域间转移的真实性分布(ground-truthdistribution)的情况下,通过一范数表示的向量差异的模糊性位分布响应性,以及基于差分向量的模约束的真实差分嵌入响应性,来获得向量之间的非相干稀疏性融合表示,以提高具有响应关系的特征向量融合后的概率分布描述度,从而提升所述颗粒状态上下文关联特征向量和所述分类特征向量的融合程度。这样,将融合后的所述非相干稀疏响应融合特征向量/>作为所述分类特征向量通过分类器,就可以提升所获得的分类结果的准确性。这样,能够基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,且提高石英砂的制备纯度。
具体地,在步骤280中,将所述优化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是否停止电选。在本申请的技术方案中,所述分类器的标签包括停止电选,以及,不停止电选,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是否停止电选的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来控制是否停止电选,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,且提高石英砂的制备纯度。
图8为根据本申请实施例的石英砂的自动化生产方法中步骤280的子步骤的流程图,如图8所示,将所述优化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是否停止电选,包括:281,使用所述分类器的多个全连接层对所述优化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,282,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,基于本申请实施例的石英砂的自动化生产方法100被阐明,其获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,多个预定时间点的颗粒图像;采用基于深度学习的人工智能技术,建立温度值和直流电场的施加强度值的协同关联特征信息和颗粒图像中的石英砂颗粒电选质量的时序动态关联特征信息之间的映射关系,以此来自适应地控制石英砂颗粒的电选时间。这样,可以基于实际的石英砂颗粒的电选状态变化情况来自适应地进行电选调控,以此来优化电选效果,避免后续酸洗用酸过量导致环境污染,进而提高石英砂的制备纯度。
在本申请的一个实施例中,图9为根据本申请实施例的石英砂的自动化生产系统的框图。如图9所示,根据本申请实施例的石英砂的自动化生产系统300,包括:数据获取模块310,用于获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;向量排列模块320,用于将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;第一特征提取模块330,用于对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;第二特征提取模块340,用于将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;上下文编码模块350,用于将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;转移向量计算模块360,用于计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;特征分布优化模块370,用于基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,电选结果生成模块380,用于将所述优化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是否停止电选。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述第一特征提取模块,包括:第一卷积核处理单元,用于使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到特征矩阵;以及,第二卷积核处理单元,用于使用所述卷积神经网络模型的第二层对所述特征矩阵进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到所述协同特征矩阵,其中,所述第二卷积核与所述第一卷积核互为转置。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述第二特征提取模块,用于:使用所述作为过滤器的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:对所述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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个颗粒时序特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的颗粒图像。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述上下文编码模块,包括:上下文语义编码单元,用于使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量;以及,级联单元,用于将所述多个上下文关联特征向量进行级联以得到所述颗粒状态上下文关联特征向量。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述上下文语义编码单元,包括:一维排列子单元,用于将所述多个颗粒时序特征向量进行一维排列以得到全局颗粒时序特征向量;计算子单元,用于计算所述全局颗粒时序特征向量与所述多个颗粒时序特征向量中各个颗粒时序特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化处理子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;激活子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,加权子单元,用于分别以所述多个概率值中各个概率值作为权重对所述多个颗粒时序特征向量中各个颗粒时序特征向量进行加权以得到所述多个上下文关联特征向量。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述转移向量计算模块,用于:以如下公式计算所述颗粒状态上下文关联特征向量相对于所述协同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,/>表示所述颗粒状态上下文关联特征向量,/>表示所述协同特征矩阵,/>表示所述分类特征向量,/>表示矩阵相乘。具体地,在步骤270中,基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述特征分布优化模块,用于:以如下公式计算所述分类特征向量和所述颗粒状态上下文关联特征向量的非相干稀疏响应融合特征向量以得到所述优化分类特征向量;其中,所述公式为:,其中,/>、/>和/>分别表示所述分类特征向量、所述颗粒状态上下文关联特征向量和所述优化分类特征向量,/>和/>分别表示向量的一范数和向量的二范数,/>为向量的长度,/>和/>分别表示向量乘积和向量点乘,且所有向量均为行向量形式, />表示向量的转置向量。
在一个具体示例中,在上述石英砂的自动化生产系统中,所述电选结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述优化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,上述石英砂的自动化生产系统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8的石英砂的自动化生产方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的石英砂的自动化生产系统300可以实现在各种终端设备中,例如用于石英砂的自动化生产的服务器等。在一个示例中,根据本申请实施例的石英砂的自动化生产系统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,该石英砂的自动化生产系统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,该石英砂的自动化生产系统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,该石英砂的自动化生产系统300与该终端设备也可以是分立的设备,并且该石英砂的自动化生产系统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。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)
1.一种石英砂的自动化生产方法,其特征在于,包括:提供经粗选、煅烧和水淬后的石英砂颗粒;将所述石英砂颗粒放置于碾磨机内碾磨以得到碾磨后石英砂颗粒;对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒;以及对所述电选后石英砂颗粒进行酸洗并过滤以得到过滤后石英砂。
2.根据权利要求1所述的石英砂的自动化生产方法,其特征在于,对所述碾磨后石英砂颗粒进行电选以得到电选后石英砂颗粒,包括:获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及将所述优化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是否停止电选。
3.根据权利要求2所述的石英砂的自动化生产方法,其特征在于,对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵,包括:使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到特征矩阵;以及使用所述卷积神经网络模型的第二层对所述特征矩阵进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到所述协同特征矩阵,其中,所述第二卷积核与所述第一卷积核互为转置。
4.根据权利要求3所述的石英砂的自动化生产方法,其特征在于,将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量,包括:使用所述作为过滤器的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:对所述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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个颗粒时序特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个预定时间点的颗粒图像。
5.根据权利要求4所述的石英砂的自动化生产方法,其特征在于,将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量,包括:使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量;以及将所述多个上下文关联特征向量进行级联以得到所述颗粒状态上下文关联特征向量。
6.根据权利要求5所述的石英砂的自动化生产方法,其特征在于,使用所述基于转换器的上下文编码器对所述多个颗粒时序特征向量进行基于全局的上下文语义编码以得到多个上下文关联特征向量,包括:将所述多个颗粒时序特征向量进行一维排列以得到全局颗粒时序特征向量;计算所述全局颗粒时序特征向量与所述多个颗粒时序特征向量中各个颗粒时序特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及分别以所述多个概率值中各个概率值作为权重对所述多个颗粒时序特征向量中各个颗粒时序特征向量进行加权以得到所述多个上下文关联特征向量。
9.根据权利要求8所述的石英砂的自动化生产方法,其特征在于,将所述优化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是否停止电选,包括:使用所述分类器的多个全连接层对所述优化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。
10.一种石英砂的自动化生产系统,其特征在于,包括:数据获取模块,用于获取预定时间段内多个预定时间点的温度值和直流电场的施加强度值,以及,所述多个预定时间点的颗粒图像;向量排列模块,用于将所述多个预定时间点的温度值和直流电场的施加强度值分别按照时间维度排列为温度输入向量和电场强度输入向量;第一特征提取模块,用于对所述温度输入向量和所述电场强度输入向量进行关联编码为协同输入矩阵后通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到协同特征矩阵;第二特征提取模块,用于将所述多个预定时间点的颗粒图像通过作为过滤器的卷积神经网络模型以得到多个颗粒时序特征向量;上下文编码模块,用于将所述多个颗粒时序特征向量通过基于转换器的上下文编码器以得到颗粒状态上下文关联特征向量;转移向量计算模块,用于计算所述颗粒状态上下文关联特征向量相对于所述协同特征矩阵的转移向量作为分类特征向量;特征分布优化模块,用于基于所述分类特征向量和所述颗粒状态上下文关联特征向量,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及电选结果生成模块,用于将所述优化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是否停止电选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310233272.5A CN116143127A (zh) | 2023-03-13 | 2023-03-13 | 石英砂的自动化生产系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310233272.5A CN116143127A (zh) | 2023-03-13 | 2023-03-13 | 石英砂的自动化生产系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116143127A true CN116143127A (zh) | 2023-05-23 |
Family
ID=86361898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310233272.5A Withdrawn CN116143127A (zh) | 2023-03-13 | 2023-03-13 | 石英砂的自动化生产系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116143127A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN117065876A (zh) * | 2023-09-05 | 2023-11-17 | 浙江艾领创矿业科技有限公司 | 智能砂磨机系统及方法 |
-
2023
- 2023-03-13 CN CN202310233272.5A patent/CN116143127A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN116649159B (zh) * | 2023-08-01 | 2023-11-07 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN117065876A (zh) * | 2023-09-05 | 2023-11-17 | 浙江艾领创矿业科技有限公司 | 智能砂磨机系统及方法 |
CN117065876B (zh) * | 2023-09-05 | 2024-03-22 | 浙江艾领创矿业科技有限公司 | 智能砂磨机的控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN107220180B (zh) | 一种基于神经网络语言模型的代码分类方法 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN113936339A (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN109840322A (zh) | 一种基于强化学习的完形填空型阅读理解分析模型及方法 | |
CN116095089B (zh) | 遥感卫星数据处理方法及系统 | |
CN116310565A (zh) | 尿频尿急的中药制作方法及装置 | |
CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
CN116036639A (zh) | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 | |
CN116643989A (zh) | 一种采用图结构进行深层语义理解的缺陷预测方法 | |
CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN116258990A (zh) | 一种基于跨模态亲和力的小样本参考视频目标分割方法 | |
CN116683092A (zh) | 新能源汽车电池的拆解系统及其方法 | |
CN116178422A (zh) | 蛋黄卵磷脂的制备方法 | |
Yao et al. | ModeRNN: Harnessing spatiotemporal mode collapse in unsupervised predictive learning | |
CN116757773A (zh) | 服装电子商务销售管理系统及其方法 | |
CN116177858A (zh) | 高纯石英坩埚的制备方法及其系统 | |
CN116375006A (zh) | 碳纳米管物理分散方法 | |
Zhang et al. | Cross-modal concept learning and inference for vision-language models | |
CN116596900A (zh) | 石墨坩埚的制造方法及其系统 | |
An | Xception network for weather image recognition based on transfer learning | |
CN115222998A (zh) | 一种图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230523 |