CN116167994A - 矿物电缆及其智能化制备方法 - Google Patents
矿物电缆及其智能化制备方法 Download PDFInfo
- Publication number
- CN116167994A CN116167994A CN202310130515.2A CN202310130515A CN116167994A CN 116167994 A CN116167994 A CN 116167994A CN 202310130515 A CN202310130515 A CN 202310130515A CN 116167994 A CN116167994 A CN 116167994A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- view angle
- similarity
- encapsulation
- 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- Withdrawn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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 132
- 239000011707 mineral Substances 0.000 title claims abstract description 132
- 238000002360 preparation method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 219
- 238000005538 encapsulation Methods 0.000 claims description 137
- 239000013598 vector Substances 0.000 claims description 116
- 238000007789 sealing Methods 0.000 claims description 85
- 238000003062 neural network model Methods 0.000 claims description 36
- 239000003292 glue Substances 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 230000005284 excitation Effects 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 238000009413 insulation Methods 0.000 abstract description 28
- 239000000395 magnesium oxide Substances 0.000 abstract description 28
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 abstract description 28
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 abstract description 28
- 238000010438 heat treatment Methods 0.000 abstract description 18
- 238000005336 cracking Methods 0.000 abstract description 16
- 238000013135 deep learning Methods 0.000 abstract description 10
- 230000002035 prolonged effect Effects 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 14
- 230000003993 interaction Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000000565 sealant Substances 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005728 strengthening Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 239000010935 stainless steel Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
公开了一种矿物电缆及其智能化制备方法,其获取待检测矿物电缆的多个封胶后局部视角图像,采用基于深度学习的人工智能技术,挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联特征,并通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。这样,可以对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
Description
技术领域
本申请涉及智能制造技术领域,且更为具体地,涉及一种矿物电缆及其智能化制备方法。
背景技术
现有的矿物绝缘加热电缆(矿物电缆的一种)虽然有很多优点,比如抗挤压强度高,耐高温和能承受在腐蚀性环境中,使用寿命长等特点。但矿物绝缘加热电缆加热芯线和不锈钢外护套之间是填充氧化镁实现绝缘的。
氧化镁特性是容易吸水受潮,氧化镁吸水受潮一方面导致绝缘能力下降,二是在使用过程中如果受潮容易导致不锈钢外护套开裂而失去使用能力。这就要求在伴热回路在制作和使用过程中要防止绝缘层氧化镁受潮,现有技术一般是通过封胶解决,但在制备过程中,常因封胶质量不合格而导致在使用过程中封胶会脱落或开裂而导致绝缘层氧化镁受潮。
因此,期待一种优化的用于矿物绝缘加热电缆的制备方法。
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矿物电缆及其智能化制备方法,其获取待检测矿物电缆的多个封胶后局部视角图像,采用基于深度学习的人工智能技术,挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联特征,并通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。这样,可以对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
根据本申请的一个方面,提供了一种矿物电缆的智能化制备方法,其包括:获取待检测矿物电缆的多个封胶后局部视角图像;将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
在上述矿物电缆的智能化制备方法中,所述将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量,包括:使用所述作为过滤器的第一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,所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个封胶后局部视角特征向量,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个封胶后局部视角图像。
在上述矿物电缆的智能化制备方法中,所述计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵,包括:以如下公式计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到多个相似度;其中,所述公式为:
其中,和/>表示所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量,/>和/>表示所述封胶后局部视角特征向量/>和/>中各个位置的特征值,/>表示所述多个封胶后局部视角特征向量中任意两个封胶后局部视角特征向量之间的余弦距离;以及,将所述多个相似度进行二维排列以得到所述相似度矩阵。
在上述矿物电缆的智能化制备方法中,所述将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵,包括:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层的输出为所述相似度拓扑矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述相似度矩阵。
在上述矿物电缆的智能化制备方法中,所述将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵,包括:所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
在上述矿物电缆的智能化制备方法中,所述对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵,包括:以如下公式对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到所述强化相似拓扑全局封胶特征矩阵;其中,所述公式为:
其中是所述强化相似拓扑全局封胶特征矩阵,/>是第一强化特征矩阵,/>是第二强化特征矩阵,/>是所述相似拓扑全局封胶特征矩阵,/>和/>是预定超参数,/>和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且/>表示通过单个卷积层的卷积操作。/>
在上述矿物电缆的智能化制备方法中,所述将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准,包括:将所述强化相似拓扑全局封胶特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种矿物电缆,其包括:由所述的矿物电缆的智能化制备方法制得。
与现有技术相比,本申请提供的矿物电缆及其智能化制备方法,其获取待检测矿物电缆的多个封胶后局部视角图像,采用基于深度学习的人工智能技术,挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联特征,并通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。这样,可以对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
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矿物电缆的智能化制备方法的场景示意图。
图2为根据本申请实施例的矿物电缆的智能化制备方法的流程图。
图3为根据本申请实施例的矿物电缆的智能化制备方法的架构示意图。
图4为根据本申请实施例的矿物电缆的智能化制备方法中步骤S180的子步骤的流程图。
图5为根据本申请实施例的矿物电缆的框图。
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,氧化镁特性是容易吸水受潮,氧化镁吸水受潮一方面导致绝缘能力下降,二是在使用过程中如果受潮容易导致不锈钢外护套开裂而失去使用能力。这就要求在伴热回路在制作和使用过程中要防止绝缘层氧化镁受潮,现有技术一般是通过封胶解决,但在制备过程中,常因封胶质量不合格而导致在使用过程中封胶会脱落或开裂而导致绝缘层氧化镁受潮。因此,期待一种优化的用于矿物绝缘加热电缆的制备方法。
相应地,考虑到在实际进行矿物电缆的制备过程中,为了防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,需要对于矿物电缆的封胶质量进行检测,而由于矿物电缆是立体的,若想对其进行封胶质量检测需要对其多个面的视角图像进行图像分析。也就是说,在本申请的技术方案中,通过对于矿物电缆的多个封胶后局部视角图像进行特征挖掘,以通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。但是,由于封胶的质量特征信息在图像中属于小尺度的图像信息,难以进行捕捉获取,并且各个局部视角图像中关于矿物电缆的封胶质量具有着相关性的关联关系。因此,在此检测的过程中,难点在于如何挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联关系,以基于这种关联关系来提高对于矿物电缆的封胶质量检测的精准度,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
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各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联关系提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取待检测矿物电缆的多个封胶后局部视角图像。然后,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第一卷积神经网络模型来进行所述多个封胶后局部视角图像的特征挖掘,以分别提取出所述各个封胶后局部视角图像中关于封胶质量的局部隐含特征分布信息,从而得到多个封胶后局部视角特征向量。
接着,考虑到由于所述多个封胶后局部视角图像是在多个视角下采集的,因此,所述各个封胶后局部视角图像中关于封胶的质量特征具有着关联性的关系,若能够基于这种关联关系来进一步辅助进行矿物电缆的封胶质量检测显然能够提高检测的精准度。基于此,在本申请的技术方案中,进一步计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度来表示出所述多个封胶后局部视角图像中的每两个视角图像的关于封胶质量特征的相似性关联信息,从而得到相似度矩阵。
然后,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型中,以此来挖掘出所述多个封胶后局部视角图像中的每两个视角图像的关于矿物电缆的封胶质量在高维空间中的相似关联特征分布信息,从而得到相似度拓扑矩阵。
进一步地,以所述多个封胶后局部视角特征向量中的各个封胶后局部视角特征向量作为节点的特征表示,而以所述相似度拓扑矩阵作为节点与节点之间的边的特征表示,将由所述多个封胶后局部视角特征向量经二维排列得到的全局封胶特征矩阵和所述相似度拓扑矩阵通过图神经网络以得到相似拓扑全局封胶特征矩阵。具体地,所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
接着,进一步再将所述相似拓扑全局封胶特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示待检测矿物电缆的封胶质量是否符合预定标准的分类结果。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
特别地,在本申请的技术方案中,这里,通过将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型得到所述相似拓扑全局封胶特征矩阵,可以使得所述相似拓扑全局封胶特征矩阵表达每个封胶后局部视角图像的图像语义在各个局部视角图像的相似性拓扑下的关联表达。但是,由于所述全局封胶特征矩阵的每个全局封胶特征向量都是封胶后局部视角图像的基于过滤器的提取特征的表达,而在各个局部视角的相似性拓扑下,所述相似拓扑全局封胶特征矩阵的某些位置的特征值(例如,高相似性拓扑下的特征表达)相对于其它位置的特征值(例如,低相似性拓扑下的特征表达)具有更显著的重要性,因此,如果可以在分类任务中对于所述相似拓扑全局封胶特征矩阵的特征值进行有效区分,显然可以提高分类结果的准确性。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述相似拓扑全局封胶特征矩阵内的活跃部分,以提升强化后的相似拓扑全局封胶特征矩阵/>在分类任务下的分类结果的准确性。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
基于此,本申请提供了一种矿物电缆的智能化制备方法,其包括:获取待检测矿物电缆的多个封胶后局部视角图像;将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及,将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
图1为根据本申请实施例的矿物电缆的智能化制备方法的场景示意图。如图1所示,在该应用场景中,首先,获取待检测矿物电缆的多个封胶后局部视角图像(例如,如图1中所示意的C)。然后,将获取的多个封胶后局部视角图像输入至部署有矿物电缆的智能化制备算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于矿物电缆的智能化制备算法对所述多个封胶后局部视角图像进行处理,以生成用于表示待检测矿物电缆的封胶质量是否符合预定标准的分类结果。
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矿物电缆的智能化制备方法的流程图。如图2所示,根据本申请实施例的矿物电缆的智能化制备方法,包括步骤: S110,获取待检测矿物电缆的多个封胶后局部视角图像;S120,将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;S130,计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;S140,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;S150,将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;S160,将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;S170,对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及,S180,将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
图3为根据本申请实施例的矿物电缆的智能化制备方法的架构示意图。如图3所示,在该网络架构中,首先,获取待检测矿物电缆的多个封胶后局部视角图像;然后,将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;接着,计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;然后,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;接着,将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;然后,将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;接着,对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及,最后,将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
具体地,在步骤S110中,获取待检测矿物电缆的多个封胶后局部视角图像。如前所述,氧化镁特性是容易吸水受潮,氧化镁吸水受潮一方面导致绝缘能力下降,二是在使用过程中如果受潮容易导致不锈钢外护套开裂而失去使用能力。这就要求在伴热回路在制作和使用过程中要防止绝缘层氧化镁受潮,现有技术一般是通过封胶解决,但在制备过程中,常因封胶质量不合格而导致在使用过程中封胶会脱落或开裂而导致绝缘层氧化镁受潮。因此,期待一种优化的用于矿物绝缘加热电缆的制备方法。
相应地,考虑到在实际进行矿物电缆的制备过程中,为了防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,需要对于矿物电缆的封胶质量进行检测,而由于矿物电缆是立体的,若想对其进行封胶质量检测需要对其多个面的视角图像进行图像分析。也就是说,在本申请的技术方案中,通过对于矿物电缆的多个封胶后局部视角图像进行特征挖掘,以通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。但是,由于封胶的质量特征信息在图像中属于小尺度的图像信息,难以进行捕捉获取,并且各个局部视角图像中关于矿物电缆的封胶质量具有着相关性的关联关系。因此,在此检测的过程中,难点在于如何挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联关系,以基于这种关联关系来提高对于矿物电缆的封胶质量检测的精准度,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
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各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联关系提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取待检测矿物电缆的多个封胶后局部视角图像。其中,多个封胶后局部视角图像包括从上、下、左、右等多个方位获取的图像。
具体地,在步骤S120中,将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量。然后,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第一卷积神经网络模型来进行所述多个封胶后局部视角图像的特征挖掘,以分别提取出所述各个封胶后局部视角图像中关于封胶质量的局部隐含特征分布信息,从而得到多个封胶后局部视角特征向量。
其中,所述将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量,包括:使用所述作为过滤器的第一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,所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个封胶后局部视角特征向量,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个封胶后局部视角图像。
具体地,在步骤S130中,计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵。
接着,考虑到由于所述多个封胶后局部视角图像是在多个视角下采集的,因此,所述各个封胶后局部视角图像中关于封胶的质量特征具有着关联性的关系,若能够基于这种关联关系来进一步辅助进行矿物电缆的封胶质量检测显然能够提高检测的精准度。基于此,在本申请的技术方案中,进一步计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度来表示出所述多个封胶后局部视角图像中的每两个视角图像的关于封胶质量特征的相似性关联信息,从而得到相似度矩阵。
在本申请实施例中,所述计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵,包括:以如下公式计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到多个相似度;其中,所述公式为:
其中,和/>表示所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量,/>和/>表示所述封胶后局部视角特征向量/>和/>中各个位置的特征值,/>表示所述多个封胶后局部视角特征向量中任意两个封胶后局部视角特征向量之间的余弦距离;以及,将所述多个相似度进行二维排列以得到所述相似度矩阵。
具体地,在步骤S140中,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵。然后,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型中,以此来挖掘出所述多个封胶后局部视角图像中的每两个视角图像的关于矿物电缆的封胶质量在高维空间中的相似关联特征分布信息,从而得到相似度拓扑矩阵。
在本申请实施例中,所述将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵,包括:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层的输出为所述相似度拓扑矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述相似度矩阵。
具体地,在步骤S150和步骤S160中,将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;以及,将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵。
进一步地,以所述多个封胶后局部视角特征向量中的各个封胶后局部视角特征向量作为节点的特征表示,而以所述相似度拓扑矩阵作为节点与节点之间的边的特征表示,将由所述多个封胶后局部视角特征向量经二维排列得到的全局封胶特征矩阵和所述相似度拓扑矩阵通过图神经网络以得到相似拓扑全局封胶特征矩阵。
具体地,所述将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵,包括:所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
具体地,在步骤S170中,对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵。
特别地,在本申请的技术方案中,这里,通过将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型得到所述相似拓扑全局封胶特征矩阵,可以使得所述相似拓扑全局封胶特征矩阵表达每个封胶后局部视角图像的图像语义在各个局部视角图像的相似性拓扑下的关联表达。但是,由于所述全局封胶特征矩阵的每个全局封胶特征向量都是封胶后局部视角图像的基于过滤器的提取特征的表达,而在各个局部视角的相似性拓扑下,所述相似拓扑全局封胶特征矩阵的某些位置的特征值(例如,高相似性拓扑下的特征表达)相对于其它位置的特征值(例如,低相似性拓扑下的特征表达)具有更显著的重要性,因此,如果可以在分类任务中对于所述相似拓扑全局封胶特征矩阵的特征值进行有效区分,显然可以提高分类结果的准确性。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述相似拓扑全局封胶特征矩阵内的活跃部分,以提升强化后的相似拓扑全局封胶特征矩阵/>在分类任务下的分类结果的准确性。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
具体地,在步骤S180中,将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。接着,进一步再将所述相似拓扑全局封胶特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示待检测矿物电缆的封胶质量是否符合预定标准的分类结果。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
图4为根据本申请实施例的矿物电缆的智能化制备方法中步骤S180的子步骤的流程图,如图4所示,所述将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准,包括:S210,将所述强化相似拓扑全局封胶特征矩阵按照行向量或列向量展开为分类特征向量;S220,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,S230,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请一具体示例中,使用所述分类器以如下公式对所述强化相似拓扑全局封胶特征矩阵进行处理以得到所述分类结果;其中,所述公式为:
综上,基于本申请实施例的矿物电缆的智能化制备方法,其获取待检测矿物电缆的多个封胶后局部视角图像,采用基于深度学习的人工智能技术,挖掘各个封胶后局部视角图像中关于矿物电缆的封胶质量特征的关联特征,并通过机器视觉来检测封胶质量以确保封胶质量满足预定标准。这样,可以对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
示例性系统:图5为根据本申请实施例的矿物电缆的框图。如图5所示,根据本申请实施例的矿物电缆100,包括:图像获取模块110,用于获取待检测矿物电缆的多个封胶后局部视角图像;第一特征提取模块120,用于将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;相似度计算模块130,用于计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;第二特征提取模块140,用于将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;二维排列模块150,用于将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;图神经网络模块160,用于将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;强化模块170,用于对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及,封胶质量结果生成模块180,用于将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
在一个示例中,在上述矿物电缆100中,所述第一特征提取模块,用于:使用所述作为过滤器的第一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,所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个封胶后局部视角特征向量,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个封胶后局部视角图像。
首先,获取待检测矿物电缆的多个封胶后局部视角图像。然后,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第一卷积神经网络模型来进行所述多个封胶后局部视角图像的特征挖掘,以分别提取出所述各个封胶后局部视角图像中关于封胶质量的局部隐含特征分布信息,从而得到多个封胶后局部视角特征向量。
在一个示例中,在上述矿物电缆100中,所述相似度计算模块,用于:以如下公式计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到多个相似度;其中,所述公式为:
其中,和/>表示所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量,/>和/>表示所述封胶后局部视角特征向量/>和/>中各个位置的特征值,表示所述多个封胶后局部视角特征向量中任意两个封胶后局部视角特征向量之间的余弦距离;以及,将所述多个相似度进行二维排列以得到所述相似度矩阵。
接着,考虑到由于所述多个封胶后局部视角图像是在多个视角下采集的,因此,所述各个封胶后局部视角图像中关于封胶的质量特征具有着关联性的关系,若能够基于这种关联关系来进一步辅助进行矿物电缆的封胶质量检测显然能够提高检测的精准度。基于此,在本申请的技术方案中,进一步计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度来表示出所述多个封胶后局部视角图像中的每两个视角图像的关于封胶质量特征的相似性关联信息,从而得到相似度矩阵。
在一个示例中,在上述矿物电缆100中,所述第二特征提取模块,用于:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层的输出为所述相似度拓扑矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述相似度矩阵。
然后,将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型中,以此来挖掘出所述多个封胶后局部视角图像中的每两个视角图像的关于矿物电缆的封胶质量在高维空间中的相似关联特征分布信息,从而得到相似度拓扑矩阵。
在一个示例中,在上述矿物电缆100中,所述图神经网络模块,用于:所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
进一步地,以所述多个封胶后局部视角特征向量中的各个封胶后局部视角特征向量作为节点的特征表示,而以所述相似度拓扑矩阵作为节点与节点之间的边的特征表示,将由所述多个封胶后局部视角特征向量经二维排列得到的全局封胶特征矩阵和所述相似度拓扑矩阵通过图神经网络以得到相似拓扑全局封胶特征矩阵。具体地,所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
特别地,在本申请的技术方案中,这里,通过将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型得到所述相似拓扑全局封胶特征矩阵,可以使得所述相似拓扑全局封胶特征矩阵表达每个封胶后局部视角图像的图像语义在各个局部视角图像的相似性拓扑下的关联表达。但是,由于所述全局封胶特征矩阵的每个全局封胶特征向量都是封胶后局部视角图像的基于过滤器的提取特征的表达,而在各个局部视角的相似性拓扑下,所述相似拓扑全局封胶特征矩阵的某些位置的特征值(例如,高相似性拓扑下的特征表达)相对于其它位置的特征值(例如,低相似性拓扑下的特征表达)具有更显著的重要性,因此,如果可以在分类任务中对于所述相似拓扑全局封胶特征矩阵的特征值进行有效区分,显然可以提高分类结果的准确性。
在一个示例中,在上述矿物电缆100中,所述强化模块,包括:包括:
以如下公式对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到所述强化相似拓扑全局封胶特征矩阵;
其中,所述公式为:
其中是所述强化相似拓扑全局封胶特征矩阵,/>是第一强化特征矩阵,/>是第二强化特征矩阵,/>是所述相似拓扑全局封胶特征矩阵,/>和/>是预定超参数,/>和/>表示特征矩阵的按位置加法和减法,除法表示特征矩阵的每个位置除以相应值,且/>表示通过单个卷积层的卷积操作。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述相似拓扑全局封胶特征矩阵内的活跃部分,以提升强化后的相似拓扑全局封胶特征矩阵/>在分类任务下的分类结果的准确性。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
在一个示例中,在上述矿物电缆100中,所述封胶质量结果生成模块,包括:矩阵展开单元,用于将所述强化相似拓扑全局封胶特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
进一步再将所述相似拓扑全局封胶特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示待检测矿物电缆的封胶质量是否符合预定标准的分类结果。这样,能够对于所述待检测矿物电缆的封胶质量进行精准检测,以此来防止封胶在使用时脱落或开裂导致绝缘层氧化镁受潮,以延长矿物绝缘加热电缆的使用寿命。
这里,本领域技术人员可以理解,上述矿物电缆100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的矿物电缆的智能化制备方法的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种矿物电缆的智能化制备方法,其特征在于,包括:获取待检测矿物电缆的多个封胶后局部视角图像;将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量;计算所述多个封胶后局部视角特征向量中每两个封胶后局部视角特征向量之间的相似度以得到相似度矩阵;将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵;将所述多个封胶后局部视角特征向量进行二维排列为全局封胶特征矩阵;将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵;对所述相似拓扑全局封胶特征矩阵进行基于可区分性物理激励的交互强化以得到强化相似拓扑全局封胶特征矩阵;以及将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准。
2.根据权利要求1所述的矿物电缆的智能化制备方法,其特征在于,所述将所述多个封胶后局部视角图像分别通过作为过滤器的第一卷积神经网络模型以得到多个封胶后局部视角特征向量,包括:使用所述作为过滤器的第一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,所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述多个封胶后局部视角特征向量,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个封胶后局部视角图像。
4.根据权利要求3所述的矿物电缆的智能化制备方法,其特征在于,所述将所述相似度矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑矩阵,包括:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层的输出为所述相似度拓扑矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述相似度矩阵。
5.根据权利要求4所述的矿物电缆的智能化制备方法,其特征在于,所述将所述相似度拓扑矩阵和所述全局封胶特征矩阵通过图神经网络模型以得到相似拓扑全局封胶特征矩阵,包括:所述图神经网络通过可学习的神经网络参数对所述相似度拓扑矩阵和所述全局封胶特征矩阵进行图结构数据编码以得到包含不规则的相似拓扑特征和各个局部视角图像的封胶质量特征信息的所述相似拓扑全局封胶特征矩阵。
7.根据权利要求6所述的矿物电缆的智能化制备方法,其特征在于,所述将所述强化相似拓扑全局封胶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待检测矿物电缆的封胶质量是否符合预定标准,包括:将所述强化相似拓扑全局封胶特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种矿物电缆,其特征在于,由如权利要求1-7任一所述的矿物电缆的智能化制备方法制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130515.2A CN116167994A (zh) | 2023-02-17 | 2023-02-17 | 矿物电缆及其智能化制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130515.2A CN116167994A (zh) | 2023-02-17 | 2023-02-17 | 矿物电缆及其智能化制备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167994A true CN116167994A (zh) | 2023-05-26 |
Family
ID=86414388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130515.2A Withdrawn CN116167994A (zh) | 2023-02-17 | 2023-02-17 | 矿物电缆及其智能化制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167994A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309446A (zh) * | 2023-03-14 | 2023-06-23 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及系统 |
-
2023
- 2023-02-17 CN CN202310130515.2A patent/CN116167994A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309446A (zh) * | 2023-03-14 | 2023-06-23 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及系统 |
CN116309446B (zh) * | 2023-03-14 | 2024-05-07 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eldesokey et al. | Propagating confidences through cnns for sparse data regression | |
CN116167994A (zh) | 矿物电缆及其智能化制备方法 | |
CN116025319A (zh) | 多介质热流体作业监测系统及其方法 | |
CN111210432B (zh) | 一种基于多尺度多级注意力机制的图像语义分割方法 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN116524361A (zh) | 基于双孪生分支的遥感图像变化检测网络及检测方法 | |
CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其系统 | |
CN114663514A (zh) | 一种基于多模态稠密融合网络的物体6d姿态估计方法 | |
CN115861807A (zh) | 建筑机械领域的墙面粉刷设备及其控制方法 | |
Wang et al. | MCF3D: Multi-stage complementary fusion for multi-sensor 3D object detection | |
CN109447014A (zh) | 一种基于双通道卷积神经网络的视频在线行为检测方法 | |
CN115128663A (zh) | 基于物联网的矿山安全生产检测系统及其检测方法 | |
CN116416248A (zh) | 基于荧光显微镜的智能分析系统及其方法 | |
CN116127019B (zh) | 动态参数与可视化模型生成web 2d自动建模引擎系统 | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
CN106022302A (zh) | 一种通过usfpf特征识别故障跳线联板的方法 | |
CN114839466A (zh) | 用于水泵的emc电磁兼容性测试系统及其测试方法 | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化系统及其方法 | |
CN114723877A (zh) | 一种针对三维稀疏卷积网络的对抗样本生成方法 | |
CN112270357A (zh) | Vio视觉系统及方法 | |
CN115661759B (zh) | 井下设备的实时在线监控系统及其监控方法 | |
Wang et al. | Coarse-and fine-grained fusion hierarchical network for hole filling in view synthesis | |
Vismaya et al. | Fuzzy c-means algorithm based depth estimation in single image | |
Nawale et al. | PotholeGuard: a pothole detection approach by point cloud semantic segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230526 |
|
WW01 | Invention patent application withdrawn after publication |