CN116342390A - 一种荧光颜料组合物及其制备方法 - Google Patents
一种荧光颜料组合物及其制备方法 Download PDFInfo
- Publication number
- CN116342390A CN116342390A CN202310277723.5A CN202310277723A CN116342390A CN 116342390 A CN116342390 A CN 116342390A CN 202310277723 A CN202310277723 A CN 202310277723A CN 116342390 A CN116342390 A CN 116342390A
- Authority
- CN
- China
- Prior art keywords
- feature map
- fluorescent pigment
- classification
- feature
- convolution
- 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
- 239000000049 pigment Substances 0.000 title claims abstract description 254
- 239000000203 mixture Substances 0.000 title claims abstract description 77
- 238000002360 preparation method Methods 0.000 title abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 111
- 238000001514 detection method Methods 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000003623 enhancer Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000008485 antagonism Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 239000000428 dust Substances 0.000 abstract description 38
- 238000005516 engineering process Methods 0.000 abstract description 6
- 235000019580 granularity Nutrition 0.000 description 75
- 238000010298 pulverizing process Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000007792 addition Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 239000011800 void material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- LYCAIKOWRPUZTN-UHFFFAOYSA-N Ethylene glycol Chemical compound OCCO LYCAIKOWRPUZTN-UHFFFAOYSA-N 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 235000010489 acacia gum Nutrition 0.000 description 2
- 239000001785 acacia senegal l. willd gum Substances 0.000 description 2
- 239000002518 antifoaming agent Substances 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002270 dispersing agent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- WGCNASOHLSPBMP-UHFFFAOYSA-N hydroxyacetaldehyde Natural products OCC=O WGCNASOHLSPBMP-UHFFFAOYSA-N 0.000 description 2
- 238000010030 laminating Methods 0.000 description 2
- 239000002932 luster Substances 0.000 description 2
- 238000005065 mining 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
- 230000003287 optical effect Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000003755 preservative agent Substances 0.000 description 2
- 230000002335 preservative effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000010493 xanthan gum Nutrition 0.000 description 2
- 229920001285 xanthan gum Polymers 0.000 description 2
- 229940082509 xanthan gum Drugs 0.000 description 2
- 239000000230 xanthan gum Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000976 ink Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 230000002265 prevention Effects 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
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (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
公开了一种荧光颜料组合物及其制备方法，其采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
Description
技术领域
本申请涉及颜料制备领域，且更为具体地，涉及一种荧光颜料组合物及其制备方法。
背景技术
荧光颜料分为无机荧光颜料(比如荧光灯及防伪用的荧光油墨上用的荧光颜料)和有机荧光颜料(又称日光荧光颜料):只有具备一些特定的化学结构的物质才会具有荧光特性。而这些荧光着色剂本身往往在耐光，耐溶剂等性质方面具有先天不足。一种克服这些先天不足的方法是，将它们通过化学或物理的方法熔合到高分子材料的构架中，再进一步加工成颜料。
用于这种目的的高分子材料，既起到荧光着色剂的溶剂作用，同时也为荧光着色剂提供了保护，从而赋予荧光着色剂更好的耐光和耐溶剂等性能。
在自然条件下，以及在黎明，黄昏，灰雾气候，及投射等光线条件下，荧光光泽具有远远优于传统光泽的可见性，能更早，更快地吸引人的注意力，把握这种注意力的时间更长，并大大增加了人们回头看第二眼，甚至第三眼的机会。荧光颜料的这些特点越来越广泛的商业兴趣，并获得越来越广泛的商业应用，例如，利用荧光颜料组合物制得广告画颜料，在没有光亮的时候，自发光涂层利用蓄存的光能自行发光12小时以上，已经被广泛应用在户外广告牌、交通设施牌等领域。
目前的荧光颜料在经气流破碎后，形成粒径很小的粉尘，荧光颜料粉尘的粒径一致性是保证其附着性能的关键。因此，在荧光颜料的制备过程中，期待能够对其粉尘粒度一致性进行监测以得到具有更为稳定性能的荧光颜料。
因此，期望一种优化的荧光颜料组合物的制备方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种荧光颜料组合物及其制备方法，其采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
根据本申请的一个方面，提供了一种荧光颜料组合物的制备方法，其包括：
获取由摄像头采集的粉碎后荧光颜料的检测图像；
将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；
将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；
将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；
计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；
将所述差分特征图通过空间注意力模块以得到分类特征图；
对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
在上述荧光颜料组合物的制备方法中，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。
在上述荧光颜料组合物的制备方法中，所述将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。
在上述荧光颜料组合物的制备方法中，所述将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。
在上述荧光颜料组合物的制备方法中，所述计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图，包括：以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述第一尺度粒度特征图，F2表示第二尺度粒度特征图，Fc表示所述差分特征图，
表示按位置作差。
在上述荧光颜料组合物的制备方法中，所述将所述差分特征图通过空间注意力模块以得到分类特征图，包括：使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。
在上述荧光颜料组合物的制备方法中，所述对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图，包括：以如下公式对所述分类特征图进行特征分布显著性凸显以得到所述优化分类特征图；其中，所述公式为：
其中F表示所述分类特征图，a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置特征值除以响应值，且Cov(·)表示通过单个卷积层的卷积操作，F′表示所述优化分类特征图。
在上述荧光颜料组合物的制备方法中，所述将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求，包括：将所述优化分类特征图中各个优化分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到优化分类特征向量；使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种荧光颜料组合物的制备系统，包括：
检测模块，用于获取由摄像头采集的粉碎后荧光颜料的检测图像；
图像增强模块，用于将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；
第一空洞卷积模块，用于将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；
第二空洞卷积模块，用于将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；
差分模块，用于计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；
空间卷积模块，用于将所述差分特征图通过空间注意力模块以得到分类特征图；
特征分布凸显模块，用于对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及
检测结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
在上述荧光颜料组合物的制备系统中，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。
在上述荧光颜料组合物的制备系统中，所述第一空洞卷积模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。
在上述荧光颜料组合物的制备系统中，所述第二空洞卷积模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。
在上述荧光颜料组合物的制备系统中，所述差分模块，进一步用于：以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述第一尺度粒度特征图，F2表示第二尺度粒度特征图，Fc表示所述差分特征图，/>
表示按位置作差。
在上述荧光颜料组合物的制备系统中，所述空间卷积模块，进一步用于：使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。
在上述荧光颜料组合物的制备系统中，所述特征分布凸显模块，进一步用于：以如下公式对所述分类特征图进行特征分布显著性凸显以得到所述优化分类特征图；其中，所述公式为：
其中F表示所述分类特征图，a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置特征值除以响应值，且Cov(·)表示通过单个卷积层的卷积操作，F′表示所述优化分类特征图。
在上述荧光颜料组合物的制备系统中，所述检测结果生成模块，进一步用于：将所述优化分类特征图中各个优化分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到优化分类特征向量；使用所述分类器的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输入所述分类器的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荧光颜料组合物的制备方法。
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荧光颜料组合物的制备方法。
与现有技术相比，本申请提供的一种荧光颜料组合物及其制备方法，其采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的荧光颜料组合物的制备方法的应用场景图。
图2为根据本申请实施例的荧光颜料组合物的制备方法的流程图。
图3为根据本申请实施例的荧光颜料组合物的制备方法的架构图。
图4为根据本申请实施例的荧光颜料组合物的制备方法中将所述差分特征图通过空间注意力模块以得到分类特征图的流程图。
图5为根据本申请实施例的荧光颜料组合物的制备系统的框图。
图6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。
申请概述
如上所述，目前的荧光颜料在经气流破碎后，形成粒径很小的粉尘，荧光颜料粉尘的粒径一致性是保证其附着性能的关键。因此，在荧光颜料的制备过程中，期待能够对其粉尘粒度一致性进行监测以得到具有更为稳定性能的荧光颜料。因此，期望一种优化的荧光颜料组合物的制备方案。
具体地，荧光颜料组合物由以下原料制备而成：荧光粉、竹纤维、复合胶、水、乙二醇、填料、色料、防腐剂、分散剂和消泡剂，其中，所述的复合胶由水性复膜胶、阿拉伯胶和黄原胶复合而成。
相应地，在本申请的技术方案中，考虑到在实际进行荧光颜料组合物的制备过程中，荧光颜料在经气流破碎后，需要对于荧光颜料粉尘粒径的一致性进行检测来保证制备的荧光颜料的附着性和稳定性，而这可以通过对于粉碎后荧光颜料的检测图像进行分析来实现。但是，考虑到在所述检测图像中存在有大量的信息量，且粉碎后的荧光颜料的粒度一致性特征在图像中为小尺度的信息，难以进行捕捉提取，并且还考虑到在实际进行图像的采集过程中，可能会由于采集的图像分辨率较差而导致粉碎后荧光颜料的粒度一致性特征变得模糊，进而降低对于粉碎后荧光颜料的粒度一致性的检测精准度。这些都会对于粉碎后荧光颜料的粉尘粒径一致性判断带来困难。
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粉碎后荧光颜料的粉尘粒径一致性检测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，采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
更具体地，在本申请的技术方案中，首先，通过摄像头采集粉碎后荧光颜料的检测图像。接着，考虑到在所述粉碎后荧光颜料的检测图像采集过程中，可能会造成采集的所述检测图像的图像分辨率较低，导致图像中关于粉碎后荧光颜料的粒度特征信息变得模糊，降低对其粒度一致性检测的精准度。因此，在本申请的技术方案中，在特征提取前先通过基于对抗生成网络的图像分辨率增强器来进行所述检测图像的分辨率增强。具体地，将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器的生成器，以由所述生成器对所述检测图像进行处理以得到所述优化检测特征图。特别地，这里，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。具体地，所述生成器使用多个卷积层来对于所述粉碎后荧光颜料的检测图像进行图像编码，并使用多个反卷积层来对于编码后的图像进行图像解码，从而得到所述优化检测特征图。并且，在此过程中，所述生成器用于生成图像分辨率增强后的图像，所述鉴别器用于计算图像分辨率增强后的图像和真实图像之间的差异，并通过梯度下降的方向传播算法来更新所述生成器的网络参数以得到具有图像分辨率增强功能的生成器。
然后，在对于所述粉碎后荧光颜料的检测图像进行图像分辨率增强后，考虑到在所述优化检测特征图中关于荧光颜料的粒度特征具有不同尺度的关联性特征分布信息，也就是说，考虑到若所述粉碎后荧光颜料的粒度一致性满足预定要求，在图像分辨率增强后的所述粉碎后荧光颜料的检测图像中的不同位置处关于所述荧光颜料的粒度特征具有着一致性的关联信息。因此，为了能够准确地对于所述粉碎后荧光颜料的粒度一致性进行检测，需要提取出所述优化检测特征图中的不同位置处关于荧光颜料粒度的多尺度关联特征分布信息。具体地，使用具有不同空洞率卷积核的卷积神经网络模型来对于所述优化检测特征图进行多尺度的特征挖掘，以提取出所述优化检测特征图中的不同位置处关于所述粉碎后荧光颜料的粒度特征的多尺度隐含关联性特信息。具体地，将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，并将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图。特别地，这里，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率，以此来提取出图像中不同位置处的关于荧光颜料的粒度特征的多尺度关联特征分布信息。
进一步地，考虑到若所述粉碎后荧光颜料的粒度一致性满足预定要求，在图像中的不同位置处关于所述荧光颜料粒度特征的多尺度关联特征信息间具有一致性。因此，为了能够对所述粉碎后荧光颜料的粒度一致性进行精准检测，进一步计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图，以此来表示图像中的不同位置处关于所述粉碎后荧光颜料粒度的不同尺度的关联特征间的差异性特征分布信息，也就是，所述粉碎后荧光颜料粒度在图像中的不同尺度关联特征下的一致性信息。
接着，考虑到在对于所述粉碎后荧光颜料的粒度一致性进行检测时，应更关注于图像中的空间位置上关于粉碎后荧光颜料粒度的一致性特征信息，而忽略与粒度一致性检测无关的干扰特征，以此来提高检测的精准度。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，进一步将所述差分特征图通过空间注意力模块中进行处理，以提取出所述差分特征图中聚焦于空间位置上的关于所述粉碎后荧光颜料粒度的一致性特征分布信息，从而得到分类特征图。应可以理解，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述粉碎后荧光颜料粒度的一致性特征信息。
然后，将所述分类特征图通过分类器中进行分类处理以得到用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述粉碎后荧光颜料的粒度一致性符合预定要求，以及，所述粉碎后荧光颜料的粒度一致性不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。这样，能够对于荧光颜料粉尘粒径的一致性进行检测，进而，基于检测结果来对于荧光颜料进行气流破碎控制。相应地，在一个具体示例中，响应于所述检测结果为所述粉碎后荧光颜料的粒度一致性不符合预定要求，则进一步对于荧光颜料进行二次气流破碎。
特别地，在本申请的技术方案中，在计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的所述差分特征图，并将所述差分特征图通过空间注意力模块得到所述分类特征图时，由于所述差分特征图表示不同尺度粒度的优化特征图之间的按位置差分特征，且空间注意力模块对于预定位置的特征值进行了基于注意力的强化，因此在所述分类特征图中，部分位置的特征值相对于其它位置的特征值具有更显著的重要性，如果在分类时能够对于特征值进行有效区分，显然能够提高分类器的训练速度和分类结果的准确性。
因此，本申请的申请人对所述分类特征图，例如记为F进行基于可区分性物理激励的交互强化，表示为：
其中a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置除以响应值，且Cov(·)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分类特征图F内的活跃部分，以提升分类器的训练速度和训练后的分类特征的分类结果的准确性。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
基于此，本申请提出了一种荧光颜料组合物的制备方法，其包括：获取由摄像头采集的粉碎后荧光颜料的检测图像；将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；将所述差分特征图通过空间注意力模块以得到分类特征图；对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
图1为根据本申请实施例的荧光颜料组合物的制备方法的应用场景图。如图1所示，在该应用场景中，首先，获取由摄像头(例如，如图1中所示意的C)采集的粉碎后荧光颜料(例如，如图1中所示意的P)的检测图像。进而，将所述粉碎后荧光颜料的检测图像输入至部署有荧光颜料组合物的制备算法的服务器(例如，如图1所示意的S)中，其中，所述服务器能够基于所述荧光颜料组合物的制备算法对所述粉碎后荧光颜料的检测图像进行处理，以得到用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求的分类结果。
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荧光颜料组合物的制备方法的流程图。如图2所示，根据本申请实施例的荧光颜料组合物的制备方法，包括：S110，获取由摄像头采集的粉碎后荧光颜料的检测图像；S120，将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；S130，将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；S140，将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；S150，计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；S160，将所述差分特征图通过空间注意力模块以得到分类特征图；S170，对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及，S180，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
图3为根据本申请实施例的荧光颜料组合物的制备方法的架构图。如图3所示，在该架构中，首先，获取由摄像头采集的粉碎后荧光颜料的检测图像；接着，将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；然后，将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，同时，将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；继而，计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；再将所述差分特征图通过空间注意力模块以得到分类特征图；随后，对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；最后，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
如上所述，目前的荧光颜料在经气流破碎后，形成粒径很小的粉尘，荧光颜料粉尘的粒径一致性是保证其附着性能的关键。因此，在荧光颜料的制备过程中，期待能够对其粉尘粒度一致性进行监测以得到具有更为稳定性能的荧光颜料。因此，期望一种优化的荧光颜料组合物的制备方案。
具体地，荧光颜料组合物由以下原料制备而成：荧光粉、竹纤维、复合胶、水、乙二醇、填料、色料、防腐剂、分散剂和消泡剂，其中，所述的复合胶由水性复膜胶、阿拉伯胶和黄原胶复合而成。
相应地，在本申请的技术方案中，考虑到在实际进行荧光颜料组合物的制备过程中，荧光颜料在经气流破碎后，需要对于荧光颜料粉尘粒径的一致性进行检测来保证制备的荧光颜料的附着性和稳定性，而这可以通过对于粉碎后荧光颜料的检测图像进行分析来实现。但是，考虑到在所述检测图像中存在有大量的信息量，且粉碎后的荧光颜料的粒度一致性特征在图像中为小尺度的信息，难以进行捕捉提取，并且还考虑到在实际进行图像的采集过程中，可能会由于采集的图像分辨率较差而导致粉碎后荧光颜料的粒度一致性特征变得模糊，进而降低对于粉碎后荧光颜料的粒度一致性的检测精准度。这些都会对于粉碎后荧光颜料的粉尘粒径一致性判断带来困难。
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粉碎后荧光颜料的粉尘粒径一致性检测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，采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
在步骤S110和步骤S120中，获取由摄像头采集的粉碎后荧光颜料的检测图像，并将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图。考虑到在所述粉碎后荧光颜料的检测图像采集过程中，可能会造成采集的所述检测图像的图像分辨率较低，导致图像中关于粉碎后荧光颜料的粒度特征信息变得模糊，降低对其粒度一致性检测的精准度。因此，在本申请的技术方案中，在特征提取前先通过基于对抗生成网络的图像分辨率增强器来进行所述检测图像的分辨率增强。
具体地，将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器的生成器，以由所述生成器对所述检测图像进行处理以得到所述优化检测特征图。特别地，这里，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。具体地，所述生成器使用多个卷积层来对于所述粉碎后荧光颜料的检测图像进行图像编码，并使用多个反卷积层来对于编码后的图像进行图像解码，从而得到所述优化检测特征图。并且，在此过程中，所述生成器用于生成图像分辨率增强后的图像，所述鉴别器用于计算图像分辨率增强后的图像和真实图像之间的差异，并通过梯度下降的方向传播算法来更新所述生成器的网络参数以得到具有图像分辨率增强功能的生成器。
在步骤S130和步骤S140中，将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，并将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率。在对于所述粉碎后荧光颜料的检测图像进行图像分辨率增强后，考虑到在所述优化检测特征图中关于荧光颜料的粒度特征具有不同尺度的关联性特征分布信息，也就是说，考虑到若所述粉碎后荧光颜料的粒度一致性满足预定要求，在图像分辨率增强后的所述粉碎后荧光颜料的检测图像中的不同位置处关于所述荧光颜料的粒度特征具有着一致性的关联信息。因此，为了能够准确地对于所述粉碎后荧光颜料的粒度一致性进行检测，需要提取出所述优化检测特征图中的不同位置处关于荧光颜料粒度的多尺度关联特征分布信息。具体地，使用具有不同空洞率卷积核的卷积神经网络模型来对于所述优化检测特征图进行多尺度的特征挖掘，以提取出所述优化检测特征图中的不同位置处关于所述粉碎后荧光颜料的粒度特征的多尺度隐含关联性特信息。
具体地，将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，并将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图。特别地，这里，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率，以此来提取出图像中不同位置处的关于荧光颜料的粒度特征的多尺度关联特征分布信息。
更具体地，在本申请实施例中，所述将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。
更具体地，在本申请实施例中，所述将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。
在步骤S150中，计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图。考虑到若所述粉碎后荧光颜料的粒度一致性满足预定要求，在图像中的不同位置处关于所述荧光颜料粒度特征的多尺度关联特征信息间具有一致性。因此，为了能够对所述粉碎后荧光颜料的粒度一致性进行精准检测，进一步计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图，以此来表示图像中的不同位置处关于所述粉碎后荧光颜料粒度的不同尺度的关联特征间的差异性特征分布信息，也就是，所述粉碎后荧光颜料粒度在图像中的不同尺度关联特征下的一致性信息。
具体地，在本申请实施例中，以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述第一尺度粒度特征图，F2表示第二尺度粒度特征图，Fc表示所述差分特征图，/>
表示按位置作差。
在步骤S160中，将所述差分特征图通过空间注意力模块以得到分类特征图。考虑到在对于所述粉碎后荧光颜料的粒度一致性进行检测时，应更关注于图像中的空间位置上关于粉碎后荧光颜料粒度的一致性特征信息，而忽略与粒度一致性检测无关的干扰特征，以此来提高检测的精准度。
鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，进一步将所述差分特征图通过空间注意力模块中进行处理，以提取出所述差分特征图中聚焦于空间位置上的关于所述粉碎后荧光颜料粒度的一致性特征分布信息，从而得到分类特征图。应可以理解，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述粉碎后荧光颜料粒度的一致性特征信息。
图4为根据本申请实施例的荧光颜料组合物的制备方法中将所述差分特征图通过空间注意力模块以得到分类特征图的流程图。如图4所示，所述将所述差分特征图通过空间注意力模块以得到分类特征图，包括：S210，使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；S220，将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；S230，将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，S240，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。
在步骤S170中，对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图。特别地，在本申请的技术方案中，在计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的所述差分特征图，并将所述差分特征图通过空间注意力模块得到所述分类特征图时，由于所述差分特征图表示不同尺度粒度的优化特征图之间的按位置差分特征，且空间注意力模块对于预定位置的特征值进行了基于注意力的强化，因此在所述分类特征图中，部分位置的特征值相对于其它位置的特征值具有更显著的重要性，如果在分类时能够对于特征值进行有效区分，显然能够提高分类器的训练速度和分类结果的准确性。
因此，本申请的申请人对所述分类特征图，例如记为F进行基于可区分性物理激励的交互强化，表示为：
其中F表示所述分类特征图，a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置特征值除以响应值，且Cov(·)表示通过单个卷积层的卷积操作，F′表示所述优化分类特征图。
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分类特征图F内的活跃部分，以提升分类器的训练速度和训练后的分类特征的分类结果的准确性。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
在步骤S180中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。也就是，在本申请的技术方案中，所述分类器的标签包括所述粉碎后荧光颜料的粒度一致性符合预定要求，以及，所述粉碎后荧光颜料的粒度一致性不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。这样，能够对于荧光颜料粉尘粒径的一致性进行检测，进而，基于检测结果来对于荧光颜料进行气流破碎控制。相应地，在一个具体示例中，响应于所述检测结果为所述粉碎后荧光颜料的粒度一致性不符合预定要求，则进一步对于荧光颜料进行二次气流破碎。
具体地，在本申请实施例中，首先，将所述优化分类特征图中各个优化分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到优化分类特征向量；然后，使用所述分类器的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；继而，将所述编码分类特征向量输入所述分类器的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荧光颜料组合物的制备方法被阐明，其采用基于机器视觉的人工智能检测技术，以通过对于所述粉碎后荧光颜料的检测图像进行分辨率增强后，对其进行不同尺度的图像编码，以此来挖掘出所述粉碎后荧光颜料的粉尘粒径的多尺度隐藏关联特征分布信息，并基于该粉尘粒径的多尺度特征在高维空间中的差分特征信息来表示所述粉碎后荧光颜料的粒度一致性特征分布信息，从而对其粒度一致性是否符合预定要求进行检测。这样，能够精准地对于荧光颜料粉尘粒径的一致性进行检测，以此来对于荧光颜料进行气流破碎控制，以保证制备的荧光颜料的附着性和稳定性。
示例性系统
图5为根据本申请实施例的荧光颜料组合物的制备系统的框图。如图5所示，根据本申请实施例的荧光颜料组合物的制备系统100，包括：检测模块110，用于获取由摄像头采集的粉碎后荧光颜料的检测图像；图像增强模块120，用于将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；第一空洞卷积模块130，用于将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；第二空洞卷积模块140，用于将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；差分模块150，用于计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；空间卷积模块160，用于将所述差分特征图通过空间注意力模块以得到分类特征图；特征分布凸显模块170，用于对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及，检测结果生成模块180，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述第一空洞卷积模块130，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述第二空洞卷积模块140，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值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，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述差分模块150，进一步用于：以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；其中，所述公式为：
其中，F1表示所述第一尺度粒度特征图，F2表示第二尺度粒度特征图，Fc表示所述差分特征图，/>
表示按位置作差。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述空间卷积模块160，进一步用于：使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述特征分布凸显模块170，进一步用于：以如下公式对所述分类特征图进行特征分布显著性凸显以得到所述优化分类特征图；其中，所述公式为：
其中F表示所述分类特征图，a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置特征值除以响应值，且Cov(·)表示通过单个卷积层的卷积操作，F′表示所述优化分类特征图。
在一个示例中，在上述荧光颜料组合物的制备系统100中，所述检测结果生成模块180，进一步用于：将所述优化分类特征图中各个优化分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到优化分类特征向量；使用所述分类器的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输入所述分类器的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，上述荧光颜料组合物的制备系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的荧光颜料组合物的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。
如上所述，根据本申请实施例的荧光颜料组合物的制备系统100可以实现在各种终端设备中，例如用于荧光颜料组合物的制备的服务器等。在一个示例中，根据本申请实施例的荧光颜料组合物的制备系统100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，该荧光颜料组合物的制备系统100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，该荧光颜料组合物的制备系统100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，该荧光颜料组合物的制备系统100与该终端设备也可以是分立的设备，并且该荧光颜料组合物的制备系统100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6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6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荧光颜料组合物的制备方法中的功能以及/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粉碎后荧光颜料的检测图像等各种内容。
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6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荧光颜料组合物的制备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荧光颜料组合物的制备方法中的功能中的步骤。
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 (9)
1.一种荧光颜料组合物的制备方法，其特征在于，包括：
获取由摄像头采集的粉碎后荧光颜料的检测图像；
将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；
将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；
将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；
计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；
将所述差分特征图通过空间注意力模块以得到分类特征图；
对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。
2.根据权利要求1所述的荧光颜料组合物的制备方法，其特征在于，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。
3.根据权利要求2所述的荧光颜料组合物的制备方法，其特征在于，所述将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值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，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。
4.根据权利要求3所述的荧光颜料组合物的制备方法，其特征在于，所述将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，包括：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值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，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。
5.根据权利要求4所述的荧光颜料组合物的制备方法，其特征在于，所述计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图，包括：
以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；
其中，所述公式为：
其中，F1表示所述第一尺度粒度特征图，F2表示第二尺度粒度特征图，Fc表示所述差分特征图，/>
表示按位置作差。
6.根据权利要求5所述的荧光颜料组合物的制备方法，其特征在于，所述将所述差分特征图通过空间注意力模块以得到分类特征图，包括：
使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；
将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。
7.根据权利要求6所述的荧光颜料组合物的制备方法，其特征在于，所述对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图，包括：
以如下公式对所述分类特征图进行特征分布显著性凸显以得到所述优化分类特征图；
其中，所述公式为：
其中F表示所述分类特征图，a和b是预定超参数，
和/>
表示特征图的按位置加法和减法，除法表示特征图的每个位置特征值除以响应值，且Cov(·)表示通过单个卷积层的卷积操作，F′表示所述优化分类特征图。
8.根据权利要求7所述的荧光颜料组合物的制备方法，其特征在于，所述将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求，包括：
将所述优化分类特征图中各个优化分类特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到优化分类特征向量；
使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种荧光颜料组合物，其特征在于，由权利要求1-8任一所述的荧光颜料组合物的制备方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277723.5A CN116342390A (zh) | 2023-03-15 | 2023-03-15 | 一种荧光颜料组合物及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277723.5A CN116342390A (zh) | 2023-03-15 | 2023-03-15 | 一种荧光颜料组合物及其制备方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116342390A true CN116342390A (zh) | 2023-06-27 |
Family
ID=86880052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310277723.5A Pending CN116342390A (zh) | 2023-03-15 | 2023-03-15 | 一种荧光颜料组合物及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342390A (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
- 2023-03-15 CN CN202310277723.5A patent/CN116342390A/zh active Pending
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 |
|---|---|---|
| Nian et al. | Pornographic image detection utilizing deep convolutional neural networks | |
| Bangquan et al. | Real-time embedded traffic sign recognition using efficient convolutional neural network | |
| Nair et al. | Malayalam handwritten character recognition using convolutional neural network | |
| CN108345850A (zh) | 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法 | |
| Natarajan et al. | Traffic sign recognition using weighted multi‐convolutional neural network | |
| Zhao et al. | Architectural style classification based on feature extraction module | |
| CN110830489B (zh) | 基于内容抽象表示的对抗式欺诈网站检测方法及系统 | |
| CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
| CN110738201B (zh) | 基于融合形态特征的自适应多卷积神经网络文字识别方法 | |
| Wang et al. | Hierarchical open-vocabulary universal image segmentation | |
| CN108154156B (zh) | 基于神经主题模型的图像集成分类方法及装置 | |
| CN103093238B (zh) | 基于d-s证据理论的视觉词典构建方法 | |
| CN116342390A (zh) | 一种荧光颜料组合物及其制备方法 | |
| Shao et al. | Land use classification using high-resolution remote sensing images based on structural topic model | |
| Zhao et al. | [Retracted] Hybrid Depth‐Separable Residual Networks for Hyperspectral Image Classification | |
| Hu et al. | Deep learning for distinguishing computer generated images and natural images: A survey | |
| Lu et al. | An efficient fine-grained vehicle recognition method based on part-level feature optimization | |
| Liu et al. | A novel SVM network using HOG feature for prohibition traffic sign recognition | |
| Chirgaiya et al. | Tiny object detection model based on competitive multi-layer neural network (TOD-CMLNN) | |
| Dey et al. | Assessing deep convolutional neural network models and their comparative performance for automated medicinal plant identification from leaf images | |
| Yuan et al. | Improve scene classification by using feature and kernel combination | |
| Shen et al. | A semisupervised latent dirichlet allocation model for object-based classification of VHR panchromatic satellite images | |
| CN112767342A (zh) | 基于双分支推断机制的瓦斯气体智能检测方法 | |
| Xie et al. | Land Use Classification Method of Remote Sensing Images for Urban and Rural Planning Monitoring Using Deep Learning | |
| Zhang et al. | Vehicles detection for illumination changes urban traffic scenes employing adaptive local texture feature background model |
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 |