CN116351278A - 一种非水泥基贴片石粘结胶泥及其制备方法 - Google Patents

一种非水泥基贴片石粘结胶泥及其制备方法 Download PDF

Info

Publication number
CN116351278A
CN116351278A CN202310354117.9A CN202310354117A CN116351278A CN 116351278 A CN116351278 A CN 116351278A CN 202310354117 A CN202310354117 A CN 202310354117A CN 116351278 A CN116351278 A CN 116351278A
Authority
CN
China
Prior art keywords
feature
vector
mixed state
stirring
cement
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
Application number
CN202310354117.9A
Other languages
English (en)
Inventor
陈聪
吴银平
程晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Jiushi Gongyan Building Material Technology Co ltd
Original Assignee
Zhejiang Jiushi Gongyan Building Material Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Jiushi Gongyan Building Material Technology Co ltd filed Critical Zhejiang Jiushi Gongyan Building Material Technology Co ltd
Priority to CN202310354117.9A priority Critical patent/CN116351278A/zh
Publication of CN116351278A publication Critical patent/CN116351278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
    • B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
    • B01F27/90—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with paddles or arms 
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
    • B01F27/05—Stirrers
    • B01F27/11—Stirrers characterised by the configuration of the stirrers
    • B01F27/19—Stirrers with two or more mixing elements mounted in sequence on the same axis
    • B01F27/191—Stirrers with two or more mixing elements mounted in sequence on the same axis with similar elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/2201—Control or regulation characterised by the type of control technique used
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能制备领域，其具体地公开了一种非水泥基贴片石粘结胶泥及其制备方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌机的搅拌速度值和搅拌角度值的时序协同关联特征和石材粘合剂原料的混合状态变化特征之间的复杂映射关系，以此来基于所述石材粘合剂原料的混合状态变化情况来准确地进行搅拌参数的自适应控制，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。

Description

一种非水泥基贴片石粘结胶泥及其制备方法
技术领域
本申请涉及智能制备领域，且更为具体地，涉及一种非水泥基贴片石粘结胶泥及其制备方法。
背景技术
非水泥基贴片石是近年来逐渐广泛使用的建筑墙面装饰材料，由于其质地较天然石材轻盈，施工难度不大，易生产以及保温装饰效果好等优点，逐渐受到消费者的青睐。
普通水泥砂浆不仅粘结强度低，还会给石材造成水斑、泛碱、泛黄等问题。石材专用胶泥能够提高粘结强度，降低形成水斑和泛黄泛碱风险，对于密度低，怕碱、怕黄、易渗色的石材产品具有很好的安装效果。
在非水泥基贴片石粘结胶泥的生产过程中，需要对石材粘合剂的原材料进行混合处理，这就需要相应的混料装置对石材粘合剂的原材料进行混合，现有装置主要采用的是搅拌机，目前的搅拌机对石材原材料的混合效果很差，经常出现混合不均匀的情况，究其原因为：在搅拌的过程中并没有考虑到石材粘合剂原料的混合状态变化与搅拌参数之间的适配关系，只是将搅拌参数固定在一个适宜的数值下，导致混合的效果难以达到应有要求。
因此，期望一种优化的非水泥基贴片石粘结胶泥制备方案。
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非水泥基贴片石粘结胶泥及其制备方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌机的搅拌速度值和搅拌角度值的时序协同关联特征和石材粘合剂原料的混合状态变化特征之间的复杂映射关系，以此来基于所述石材粘合剂原料的混合状态变化情况来准确地进行搅拌参数的自适应控制，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
根据本申请的一个方面，提供了一种非水泥基贴片石粘结胶泥的制备方法，其包括：
获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像；
将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图；
将所述多个混合状态特征图展开为多个混合状态展开特征向量；
将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量；
将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量；
对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；
将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵；
计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量；
基于所述混合状态时序关联特征向量，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。
在上述非水泥基贴片石粘结胶泥的制备方法中，将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图，包括：从所述卷积神经网络模型的浅层提取浅层特征图；从所述卷积神经网络模型的深层提取深层特征图；以及，融合所述浅层特征图和所述深层特征图以得到所述混合状态特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述非水泥基贴片石粘结胶泥的制备方法中，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个混合状态展开特征向量中各个混合状态展开特征向量映射为混合状态嵌入向量以得到混合状态嵌入向量的序列；使用所述包含嵌入层的上下文编码器的转换器对所述混合状态嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义混合状态特征向量；以及，将所述多个全局上下文语义混合状态特征向量进行级联以得到所述混合状态时序关联特征向量。
在上述非水泥基贴片石粘结胶泥的制备方法中，使用所述包含嵌入层的上下文编码器的转换器对所述混合状态嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义混合状态特征向量，包括：将所述混合状态嵌入向量的序列进行一维排列以得到全局混合状态嵌入向量；计算所述全局混合状态嵌入向量与所述混合状态嵌入向量的序列中各个混合状态嵌入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；分别以所述多个概率值中各个概率值作为权重对所述混合状态嵌入向量的序列中各个混合状态嵌入向量进行加权以得到所述多个上下文语义混合状态特征向量；将所述多个上下文语义混合状态特征向量进行级联以得到所述多个全局上下文语义混合状态特征向量。
在上述非水泥基贴片石粘结胶泥的制备方法中，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵，包括：以如下公式对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；其中，所述公式为：
Figure BDA0004162808210000031
其中Vm表示所述搅拌速度输入向量，
Figure BDA0004162808210000032
表示所述搅拌速度输入向量的转置向量，Vn表示所述搅拌角度输入向量，M1表示所述搅拌协同输入矩阵，/>
Figure BDA0004162808210000033
表示向量相乘。
在上述非水泥基贴片石粘结胶泥的制备方法中，将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵，包括：使用所述作为特征提取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沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述搅拌协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述搅拌协同输入矩阵。
在上述非水泥基贴片石粘结胶泥的制备方法中，计算所述混合状态时序关联特征向量相对于所述搅拌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混合状态时序关联特征向量相对于所述搅拌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：
Figure BDA0004162808210000041
其中V1表示所述混合状态时序关联特征向量，M表示所述搅拌协同特征矩阵，V2表示所述分类特征向量。
在上述非水泥基贴片石粘结胶泥的制备方法中，基于所述混合状态时序关联特征向量，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混合状态时序关联特征向量和所述分类特征向量的非相干稀疏响应融合特征以得到所述优化分类特征向量；
其中，所述公式为：
Figure BDA0004162808210000042
其中V1、V2和V2'分别表示所述混合状态时序关联特征向量、所述分类特征向量和所述优化分类特征向量，||·||1和||·||2分别表示向量的一范数和二范数，L为向量的长度，
Figure BDA0004162808210000043
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。
在上述非水泥基贴片石粘结胶泥的制备方法中，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小，包括：使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为优化分类特征向量。
在上述非水泥基贴片石粘结胶泥的制备方法中，所述非水泥基贴片石粘结胶泥由如权利要求1-9任一所述的非水泥基贴片石粘结胶泥的制备方法制得。
与现有技术相比，本申请提供的一种非水泥基贴片石粘结胶泥及其制备方法，其通过采用基于深度学习的神经网络模型挖掘出搅拌机的搅拌速度值和搅拌角度值的时序协同关联特征和石材粘合剂原料的混合状态变化特征之间的复杂映射关系，以此来基于所述石材粘合剂原料的混合状态变化情况来准确地进行搅拌参数的自适应控制，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
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非水泥基贴片石粘结胶泥的制备方法的应用场景图；
图2为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法的流程图；
图3为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法的架构示意图；
图4为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中深浅特征融合卷积编码的流程图；
图5为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中上下文编码的流程图；
图6为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中卷积神经网络编码的流程图。
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
如前背景技术所言，现有装置主要采用的是搅拌机，目前的搅拌机对石材原材料的混合效果很差，经常出现混合不均匀的情况，究其原因为：在搅拌的过程中并没有考虑到石材粘合剂原料的混合状态变化与搅拌参数之间的适配关系，只是将搅拌参数固定在一个适宜的数值下，导致混合的效果难以达到应有要求。因此，期望一种优化的非水泥基贴片石粘结胶泥制备方案。
相应地，考虑到在实际进行非水泥基贴片石粘结胶泥的石材粘合剂原料的混合搅拌过程中，对于所述搅拌机的搅拌参数控制应适配于所述石材粘合剂原料的混合状态变化情况，也就是说，基于所述石材粘合剂原料的混合状态变化特征来自适应地调控所述搅拌机的搅拌参数。特别地，还考虑到在所述搅拌机的搅拌参数控制过程中，所述搅拌参数中的搅拌速度和搅拌角度值都对于石材粘合剂原料的搅拌效果有着直接的影响，而所述搅拌速度值和所述搅拌角度值不仅在时间维度上都具有着动态性的变化信息，这两者之间也具有着关联性的协同关系。因此，在此过程中，难点在于如何建立所述搅拌速度值和所述搅拌角度值的时序协同关联特征和所述石材粘合剂原料的混合状态变化特征间的映射关系，以此来基于所述石材粘合剂原料的混合状态变化情况来准确地进行搅拌参数的自适应控制，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
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搅拌速度值和所述搅拌角度值的时序协同关联特征和所述石材粘合剂原料的混合状态变化特征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搅拌速度值和所述搅拌角度值的时序协同关联特征和所述石材粘合剂原料的混合状态变化特征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搅拌机的搅拌速度值和搅拌角度值，以及，通过摄像头采集所述多个预定时间点的石材粘合剂原料的混合状态监控图像。接着，考虑到由于所述石材粘合剂原料的混合状态监控图像为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述混合状态监控图像的特征挖掘，特别地，考虑到在对于所述混合状态监控图像的隐藏特征进行提取时，为了能够更准确地检测出所述混合状态监控图像中关于所述石材粘合剂原料的混合状态隐含特征信息，应更加关注于所述混合状态监控图像中关于石材粘合剂原料的混合液的纹理、颜色等浅层特征，这些所述浅层特征对于所述石材粘合剂原料的混合状态识别具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述多个预定时间点的石材粘合剂原料的混合状态监控图像进行处理以得到多个混合状态特征图。相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述混合状态监控图像中关于石材粘合剂原料的混合状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高后续对于所述搅拌参数的控制精度。
虽然卷积神经网络模型能够有效地提取所述各个预定时间点的石材粘合剂原料的混合状态监控图像中的局部图像特征，但在对于所述石材粘合剂原料的混合状态进行检测的过程中，所述混合状态监控图像中的局部图像特征并非是一个孤立地存在，相反地，所述混合状态监控图像中的各个局部图像特征之间具有着关联关系。并且，还考虑到所述各个预定时间点的石材粘合剂原料的混合状态监控图像中关于石材粘合剂原料的混合状态高维隐含特征之间也具有着时序的动态关联信息。
基于此，在本申请的技术方案中，在将所述多个混合状态特征图展开为多个混合状态展开特征向量后，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器中进行编码，以提取出各个预定时间点的石材粘合剂原料的混合状态监控图像中关于所述材粘合剂原料的混合状态的局部高维隐含特征基于全局的时序关联特征分布信息，从而得到混合状态时序关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个混合状态展开特征向量中各个混合状态展开特征向量进行基于全局的上下文语义编码以得到以所述多个混合状态展开特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述混合状态时序关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点的石材粘合剂原料的混合状态隐含特征基于时序全局的上下文语义关联特征表示。
然后，对于所述预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值来说，考虑到所述搅拌速度值和搅拌角度值都对于所述石材粘合剂原料的混合状态变化有着影响，并且所述搅拌速度值和所述搅拌角度值之间在时间维度上也具有着时序的协同关联关系。因此，在本申请的技术方案中，为了准确地提取出所述搅拌参数的时序动态变化特征信息，进一步将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量后，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵。接着，再将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型中进行特征挖掘，以提取出所述搅拌速度值和所述搅拌角度值在时间维度上的时序协同关联特征分布信息，从而得到搅拌协同特征矩阵。
进一步地，计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量，以此来表示所述石材粘合剂原料的混合状态时序动态关联特征和所述搅拌速度与所述搅拌角度之间的时序协同关联特征间的关联性特征分布信息，也就是，在所述搅拌速度和所述搅拌角度的时序协同控制下关于所述石材粘合剂原料的混合状态的时序动态变化特征信息，从而得到分类特征向量。
然后，将所述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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签为当前时间点的搅拌速度值和搅拌角度值的控制标签，其中，所述分类器通过软最大值函数来确定所述分类特征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所述当前时间点的搅拌速度值和搅拌角度值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值和搅拌角度值，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
特别地，在本申请的技术方案中，在计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为所述分类特征向量时，如果将混合状态时序关联特征向量作为源向量，将所述分类特征向量作为响应向量，则所述源向量和所述响应向量之间具有相对于所述搅拌协同特征矩阵表达的速度-角度跨时域关联特征的响应关系，因此，如果所述分类特征向量能够更好地表达出与所述混合状态时序关联特征向量的响应融合特征，则可以提升所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人计算作为源向量的所述混合状态时序关联特征向量V1和作为响应向量的所述分类特征向量V2的非相干稀疏响应融合以优化所述分类特征向量V2'，具体为：
Figure BDA0004162808210000091
其中||·||1和||·||2表示向量的一范数和二范数，L为向量的长度，
Figure BDA0004162808210000092
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以源向量作为特征域间转移响应的真实性分布(ground-truth distribution)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，以提取特征向量融合后的概率分布描述度的响应关系，从而提升优化后的所述分类特征向量V2'对于具有响应转移关系的特征向量的融合特征表达效果。这样，就提升了优化后的所述分类特征向量V2'的分类结果的准确性。这样，能够实时准确地基于石材粘合剂原料的混合状态变化情况来自适应地调整搅拌参数，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
基于此，本申请提出了一种非水泥基贴片石粘结胶泥的制备方法，其包括：获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像；将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图；将所述多个混合状态特征图展开为多个混合状态展开特征向量；将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量；将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量；对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵；计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量；基于所述混合状态时序关联特征向量，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。
图1为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法的应用场景图。如图1所示，在该应用场景中，通过搅拌速度传感器(例如，如图1中所示意的S1)获取预定时间段内多个预定时间点的搅拌机的搅拌速度值，以及通过搅拌角度传感器(例如，如图1中所示意的A)获取预定时间段内多个预定时间点的搅拌机的搅拌角度值，以及，通过摄像头(例如，如图1中所示意的C)获取所述多个预定时间点的石材粘合剂原料的混合状态监控图像。接着，将上述信息输入至部署非水泥基贴片石粘结胶泥的制备算法的服务器(例如，图1中的S2)中，其中，所述服务器能够以所述非水泥基贴片石粘结胶泥的制备算法对上述输入的信息进行处理，以生成用于表示当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法的流程图。如图2所示，根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法，包括步骤：S110，获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像；S120，将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图；S130，将所述多个混合状态特征图展开为多个混合状态展开特征向量；S140，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量；S150，将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量；S160，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；S170，将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵；S180，计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量；S190，基于所述混合状态时序关联特征向量，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，S200，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。
图3为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法的架构示意图。如图3所示，在该网络结构中，首先，获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像；再将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图；将所述多个混合状态特征图展开为多个混合状态展开特征向量；接着，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量；将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量；然后，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵；然后，计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量；基于所述混合状态时序关联特征向量，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；进而，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。
具体地，在步骤S110中，获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像。应可以理解，在非水泥基贴片石粘结胶泥的生产过程中，需要对石材粘合剂的原材料进行混合处理，这就需要相应的混料装置对石材粘合剂的原材料进行混合，现有装置主要采用的是搅拌机，而在实际进行非水泥基贴片石粘结胶泥的石材粘合剂原料的混合搅拌过程中，对于所述搅拌机的搅拌参数控制应适配于所述石材粘合剂原料的混合状态变化情况，还考虑到在所述搅拌机的搅拌参数控制过程中，所述搅拌参数中的搅拌速度和搅拌角度值都对于石材粘合剂原料的搅拌效果有着直接的影响，因此，在本申请的一个具体示例中，首先，可通过搅拌速度传感器来获取预定时间段内多个预定时间点的搅拌机的搅拌速度值，以及通过搅拌角度传感器来获取预定时间段内多个预定时间点的搅拌机的搅拌角度值，以及，通过摄像头来获取所述多个预定时间点的石材粘合剂原料的混合状态监控图像。
具体地，在步骤S120中，将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图。考虑到由于所述石材粘合剂原料的混合状态监控图像为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述混合状态监控图像的特征挖掘，特别地，考虑到在对于所述混合状态监控图像的隐藏特征进行提取时，为了能够更准确地检测出所述混合状态监控图像中关于所述石材粘合剂原料的混合状态隐含特征信息，应更加关注于所述混合状态监控图像中关于石材粘合剂原料的混合液的纹理、颜色等浅层特征，这些所述浅层特征对于所述石材粘合剂原料的混合状态识别具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的卷积神经网络模型来对所述多个预定时间点的石材粘合剂原料的混合状态监控图像进行处理以得到多个混合状态特征图。相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述混合状态监控图像中关于石材粘合剂原料的混合状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高后续对于所述搅拌参数的控制精度。
图4为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中深浅特征融合卷积编码的流程图。如图4所示，在所述深浅特征融合卷积编码过程中，包括S210，从所述卷积神经网络模型的浅层提取浅层特征图；S220，从所述卷积神经网络模型的深层提取深层特征图；以及，S230，融合所述浅层特征图和所述深层特征图以得到所述混合状态特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地，在步骤S130和步骤S140中，将所述多个混合状态特征图展开为多个混合状态展开特征向量，以及，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量。应可以理解，在石材粘合剂原料的混合状态进行检测的过程中，所述混合状态监控图像中的局部图像特征并非是一个孤立地存在，相反地，所述混合状态监控图像中的各个局部图像特征之间具有着关联关系。并且，还考虑到所述各个预定时间点的石材粘合剂原料的混合状态监控图像中关于石材粘合剂原料的混合状态高维隐含特征之间也具有着时序的动态关联信息。基于此，在本申请的技术方案中，在将所述多个混合状态特征图展开为多个混合状态展开特征向量后，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器中进行编码，以提取出各个预定时间点的石材粘合剂原料的混合状态监控图像中关于所述材粘合剂原料的混合状态的局部高维隐含特征基于全局的时序关联特征分布信息，从而得到混合状态时序关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个混合状态展开特征向量中各个混合状态展开特征向量进行基于全局的上下文语义编码以得到以所述多个混合状态展开特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述混合状态时序关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点的石材粘合剂原料的混合状态隐含特征基于时序全局的上下文语义关联特征表示。
图5为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中上下文编码的流程图。如图5所示，在所述上下文编码过程中，包括：S310，使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个混合状态展开特征向量中各个混合状态展开特征向量映射为混合状态嵌入向量以得到混合状态嵌入向量的序列；S320，使用所述包含嵌入层的上下文编码器的转换器对所述混合状态嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义混合状态特征向量；以及，S330，将所述多个全局上下文语义混合状态特征向量进行级联以得到所述混合状态时序关联特征向量。其中，所述S320，包括：将所述混合状态嵌入向量的序列进行一维排列以得到全局混合状态嵌入向量；计算所述全局混合状态嵌入向量与所述混合状态嵌入向量的序列中各个混合状态嵌入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；分别以所述多个概率值中各个概率值作为权重对所述混合状态嵌入向量的序列中各个混合状态嵌入向量进行加权以得到所述多个上下文语义混合状态特征向量；将所述多个上下文语义混合状态特征向量进行级联以得到所述多个全局上下文语义混合状态特征向量。
具体地，在步骤S150和步骤S160中，将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量，以及，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵。对于所述预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值来说，考虑到所述搅拌速度值和搅拌角度值都对于所述石材粘合剂原料的混合状态变化有着影响，并且所述搅拌速度值和所述搅拌角度值之间在时间维度上也具有着时序的协同关联关系。因此，在本申请的技术方案中，为了准确地提取出所述搅拌参数的时序动态变化特征信息，进一步将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量后，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵。在本申请的一个具体示例中，以如下公式对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵，其中，所述公式为：
Figure BDA0004162808210000141
其中Vm表示所述搅拌速度输入向量，
Figure BDA0004162808210000142
表示所述搅拌速度输入向量的转置向量，Vn表示所述搅拌角度输入向量，M1表示所述搅拌协同输入矩阵，/>
Figure BDA0004162808210000143
表示向量相乘。
具体地，在步骤S170中，将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵。也就是，使用作为特征提取器的卷积神经网络提取出所述搅拌速度值和所述搅拌角度值在时间维度上的时序协同关联特征分布信息，从而得到搅拌协同特征矩阵。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图6为根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法中卷积神经网络编码的流程图。如图6所示，在所述卷积神经网络的编码过程中，包括：使用所述作为特征提取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：S410，对输入数据进行卷积处理以得到卷积特征图；S420，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S430，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，所述作为特征提取器的卷积神经网络的最后一层的输出为所述搅拌协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述搅拌协同输入矩阵。
具体地，在步骤S180中，计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量。也就是，在本申请的技术方案中，计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量，以此来表示所述石材粘合剂原料的混合状态时序动态关联特征和所述搅拌速度与所述搅拌角度之间的时序协同关联特征间的关联性特征分布信息，也就是，在所述搅拌速度和所述搅拌角度的时序协同控制下关于所述石材粘合剂原料的混合状态的时序动态变化特征信息，从而得到分类特征向量。更具体地，在本申请的一个具体示例中，以如下公式计算所述混合状态时序关联特征向量相对于所述搅拌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：
Figure BDA0004162808210000151
其中V1表示所述混合状态时序关联特征向量，M表示所述搅拌协同特征矩阵，V2表示所述分类特征向量。
具体地，在步骤S190中，基于所述混合状态时序关联特征向量，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。在本申请的技术方案中，在计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为所述分类特征向量时，如果将混合状态时序关联特征向量作为源向量，将所述分类特征向量作为响应向量，则所述源向量和所述响应向量之间具有相对于所述搅拌协同特征矩阵表达的速度-角度跨时域关联特征的响应关系，因此，如果所述分类特征向量能够更好地表达出与所述混合状态时序关联特征向量的响应融合特征，则可以提升所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人计算作为源向量的所述混合状态时序关联特征向量V1和作为响应向量的所述分类特征向量V2的非相干稀疏响应融合以优化所述分类特征向量V2'，具体为：
Figure BDA0004162808210000161
其中V1、V2和V2'分别表示所述混合状态时序关联特征向量、所述分类特征向量和所述优化分类特征向量，||·||1和||·||2分别表示向量的一范数和二范数，L为向量的长度，
Figure BDA0004162808210000162
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以源向量作为特征域间转移响应的真实性分布(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，以提取特征向量融合后的概率分布描述度的响应关系，从而提升优化后的所述分类特征向量V2'对于具有响应转移关系的特征向量的融合特征表达效果。这样，就提升了优化后的所述分类特征向量V2'的分类结果的准确性。这样，能够实时准确地基于石材粘合剂原料的混合状态变化情况来自适应地调整搅拌参数，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
具体地，在步骤S200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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。也就是，将所述优化分类特征向量作为分类向量通过分类器以得到分类结果，具体地，使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为优化分类特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，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多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签，在本申请的一个具体示例中，所述分类器的标签为当前时间点的搅拌速度值和搅拌角度值的控制标签，其中，所述分类器通过软最大值函数来确定所述分类特征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，所述分类器的标签为所述当前时间点的搅拌速度值和搅拌角度值的控制策略标签，因此，在得到分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的搅拌速度值和搅拌角度值，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。
综上，根据本申请实施例的非水泥基贴片石粘结胶泥的制备方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出搅拌机的搅拌速度值和搅拌角度值的时序协同关联特征和石材粘合剂原料的混合状态变化特征之间的复杂映射关系，以此来基于所述石材粘合剂原料的混合状态变化情况来准确地进行搅拌参数的自适应控制，以此来提高搅拌的均匀性以及非水泥基贴片石粘结胶泥的制备质量。

Claims (10)

1.一种非水泥基贴片石粘结胶泥的制备方法，其特征在于，包括：
获取预定时间段内多个预定时间点的搅拌机的搅拌速度值和搅拌角度值，以及，所述多个预定时间点的石材粘合剂原料的混合状态监控图像；
将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图；
将所述多个混合状态特征图展开为多个混合状态展开特征向量；
将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量；
将所述多个预定时间点的搅拌机的搅拌速度值和搅拌角度值分别按照时间维度排列为搅拌速度输入向量和搅拌角度输入向量；
对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；
将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵；
计算所述混合状态时序关联特征向量相对于所述搅拌协同特征矩阵的转移向量作为分类特征向量；
基于所述混合状态时序关联特征向量，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小。
2.根据权利要求1所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，将所述多个预定时间点的石材粘合剂原料的混合状态监控图像分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个混合状态特征图，包括：
从所述卷积神经网络模型的浅层提取浅层特征图；
从所述卷积神经网络模型的深层提取深层特征图；以及
融合所述浅层特征图和所述深层特征图以得到所述混合状态特征图；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
3.根据权利要求2所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，将所述多个混合状态展开特征向量通过基于转换器的上下文编码器以得到混合状态时序关联特征向量，包括：
使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个混合状态展开特征向量中各个混合状态展开特征向量映射为混合状态嵌入向量以得到混合状态嵌入向量的序列；
使用所述包含嵌入层的上下文编码器的转换器对所述混合状态嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义混合状态特征向量；以及
将所述多个全局上下文语义混合状态特征向量进行级联以得到所述混合状态时序关联特征向量。
4.根据权利要求3所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，使用所述包含嵌入层的上下文编码器的转换器对所述混合状态嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义混合状态特征向量，包括：
将所述混合状态嵌入向量的序列进行一维排列以得到全局混合状态嵌入向量；
计算所述全局混合状态嵌入向量与所述混合状态嵌入向量的序列中各个混合状态嵌入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；
分别以所述多个概率值中各个概率值作为权重对所述混合状态嵌入向量的序列中各个混合状态嵌入向量进行加权以得到所述多个上下文语义混合状态特征向量；
将所述多个上下文语义混合状态特征向量进行级联以得到所述多个全局上下文语义混合状态特征向量。
5.根据权利要求4所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵，包括：以如下公式对所述搅拌速度输入向量和所述搅拌角度输入向量进行关联编码以得到搅拌协同输入矩阵；
其中，所述公式为：
Figure FDA0004162808200000031
其中Vm表示所述搅拌速度输入向量，
Figure FDA0004162808200000032
表示所述搅拌速度输入向量的转置向量，Vn表示所述搅拌角度输入向量，M1表示所述搅拌协同输入矩阵，/>
Figure FDA0004162808200000033
表示向量相乘。
6.根据权利要求5所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，将所述搅拌协同输入矩阵通过作为特征提取器的卷积神经网络模型以得到搅拌协同特征矩阵，包括：使用所述作为特征提取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沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述搅拌协同特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述搅拌协同输入矩阵。
7.根据权利要求6所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，计算所述混合状态时序关联特征向量相对于所述搅拌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混合状态时序关联特征向量相对于所述搅拌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：
Figure FDA0004162808200000034
其中V1表示所述混合状态时序关联特征向量，M表示所述搅拌协同特征矩阵，V2表示所述分类特征向量。
8.根据权利要求7所述的非水泥基贴片石粘结胶泥的制备方法，其特征在于，基于所述混合状态时序关联特征向量，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混合状态时序关联特征向量和所述分类特征向量的非相干稀疏响应融合特征以得到所述优化分类特征向量；
其中，所述公式为：
Figure FDA0004162808200000035
其中V1、V2和V2'分别表示所述混合状态时序关联特征向量、所述分类特征向量和所述优化分类特征向量，||·||1和||·||2分别表示向量的一范数和二范数，L为向量的长度，
Figure FDA0004162808200000041
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。
9.根据权利要求8所述的非水泥基贴片石粘结胶泥的制备方法，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当前时间点的搅拌速度值应增大或应减小，且当前时间点的搅拌角度值应增大或应减小，包括：使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为优化分类特征向量。
10.一种非水泥基贴片石粘结胶泥，其特征在于，所述非水泥基贴片石粘结胶泥由如权利要求1-9任一所述的非水泥基贴片石粘结胶泥的制备方法制得。
CN202310354117.9A 2023-04-06 2023-04-06 一种非水泥基贴片石粘结胶泥及其制备方法 Pending CN116351278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310354117.9A CN116351278A (zh) 2023-04-06 2023-04-06 一种非水泥基贴片石粘结胶泥及其制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310354117.9A CN116351278A (zh) 2023-04-06 2023-04-06 一种非水泥基贴片石粘结胶泥及其制备方法

Publications (1)

Publication Number Publication Date
CN116351278A true CN116351278A (zh) 2023-06-30

Family

ID=86921565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310354117.9A Pending CN116351278A (zh) 2023-04-06 2023-04-06 一种非水泥基贴片石粘结胶泥及其制备方法

Country Status (1)

Country Link
CN (1) CN116351278A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN116930401A (zh) * 2023-09-19 2023-10-24 常州建昊建筑鉴定检测有限公司 建筑工程保温材料燃烧性能检测设备及方法
CN117884032A (zh) * 2024-03-11 2024-04-16 山东森杰清洁科技有限公司 一种污水净化用消毒剂及其制备方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116726788A (zh) * 2023-08-10 2023-09-12 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN116726788B (zh) * 2023-08-10 2023-11-10 克拉玛依市紫光技术有限公司 一种压裂用交联剂的制备方法
CN116930401A (zh) * 2023-09-19 2023-10-24 常州建昊建筑鉴定检测有限公司 建筑工程保温材料燃烧性能检测设备及方法
CN117884032A (zh) * 2024-03-11 2024-04-16 山东森杰清洁科技有限公司 一种污水净化用消毒剂及其制备方法
CN117884032B (zh) * 2024-03-11 2024-05-28 山东森杰清洁科技有限公司 一种污水净化用消毒剂及其制备方法

Similar Documents

Publication Publication Date Title
CN116351278A (zh) 一种非水泥基贴片石粘结胶泥及其制备方法
CN116127385A (zh) 一种香蕉粉及其制备方法
CN115713679A (zh) 基于多源信息融合、热红外和三维深度图的目标检测方法
CN109062811B (zh) 一种基于神经风格迁移的测试用例生成方法
CN112991371B (zh) 一种基于着色溢出约束的图像自动着色方法及系统
CN116051853A (zh) 一种自控加水的和面罐及其使用方法
CN116690823A (zh) 改性pbt材料的智能制备方法及其系统
CN110782448A (zh) 渲染图像的评价方法及装置
CN116630464A (zh) 基于稳定扩散的图像风格迁移方法和装置
CN117227005A (zh) 混凝土原料加工用生产控制系统及其方法
CN110390724B (zh) 一种带有实例分割的slam方法
CN116229113A (zh) 一种富硒石斛花酒的制备方法
CN112418345B (zh) 细粒度小目标快速识别的方法和装置
CN112488984A (zh) 缺陷图片生成网络的获得方法、装置和缺陷图片生成方法
CN104143203A (zh) 一种图像编辑传播方法
CN116452469B (zh) 一种基于深度学习的图像去雾处理方法及装置
CN111325221A (zh) 基于图像深度信息的图像特征提取方法
CN116091918A (zh) 一种基于数据增强的土地利用分类方法及系统
CN104504429A (zh) 二维码生成方法和装置
CN114997464A (zh) 一种基于图时序信息学习的流行度预测方法
CN114724245A (zh) 基于csi的增量学习人体动作识别方法
CN114092827A (zh) 一种图像数据集生成方法
CN111259859A (zh) 一种基于联合变量图片生成的行人重识别方法
CN111914852B (zh) 一种基于编解码结构的多模态显著性对象检测方法
CN109146886A (zh) 一种基于深度密度的rgbd图像语义分割优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination