CN116493392B - 一种纸介质碳化方法及系统 - Google Patents

一种纸介质碳化方法及系统 Download PDF

Info

Publication number
CN116493392B
CN116493392B CN202310677621.2A CN202310677621A CN116493392B CN 116493392 B CN116493392 B CN 116493392B CN 202310677621 A CN202310677621 A CN 202310677621A CN 116493392 B CN116493392 B CN 116493392B
Authority
CN
China
Prior art keywords
layer
paper medium
paper
point cloud
category
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.)
Active
Application number
CN202310677621.2A
Other languages
English (en)
Other versions
CN116493392A (zh
Inventor
罗远哲
刘瑞景
韩松松
刘志明
陆立军
张艺腾
赵永营
郑玉洁
徐盼云
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.)
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Original Assignee
Beijing China Super Industry Information Security Technology Ltd By Share 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 Beijing China Super Industry Information Security Technology Ltd By Share Ltd filed Critical Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority to CN202310677621.2A priority Critical patent/CN116493392B/zh
Publication of CN116493392A publication Critical patent/CN116493392A/zh
Application granted granted Critical
Publication of CN116493392B publication Critical patent/CN116493392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
    • B09B—DISPOSAL OF SOLID WASTE NOT OTHERWISE PROVIDED FOR
    • B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
    • B09B3/50—Destroying solid waste or transforming solid waste into something useful or harmless involving radiation, e.g. electro-magnetic waves
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/764—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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E50/00—Technologies for the production of fuel of non-fossil origin
    • Y02E50/10—Biofuels, e.g. bio-diesel

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Toxicology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Paper (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种纸介质碳化方法及系统，涉及纸介质销毁技术领域，该方法包括：在对纸介质进行碳化过程中，获取待监测区域的点云数据；将所述点云数据输入纸介质识别模型，获得类别分数矩阵；所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；点的类别包括尘粒、纸片和背景；根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求。本发明提高了纸介质的自动化销毁水平。

Description

一种纸介质碳化方法及系统
技术领域
本发明涉及纸介质销毁技术领域，特别是涉及一种纸介质碳化方法及系统。
背景技术
随着信息化的快速发展，具有保密需求的企事业单位在工作中不断产生大量以纸介质为形式的涉密载体。纸介质销毁作为该类涉密载体全生命周期管理的最后一个环节，对于确保国家、商业及个人秘密安全具有至关重要的意义。纸介质碳化能够实现快速、高效且不可逆的纸质载体销毁，然而现有销毁技术高度依赖人工操作，不能自动识别纸介质是否碳化完全以保障纸介质的彻底销毁。
发明内容
本发明的目的是提供一种纸介质碳化方法及系统，提高了纸介质的自动化销毁水平。
为实现上述目的，本发明提供了如下方案：
一种纸介质碳化方法，包括：
在对纸介质进行碳化过程中，获取待监测区域的点云数据；
将所述点云数据输入纸介质识别模型，获得类别分数矩阵；所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；点的类别包括尘粒、纸片和背景；
根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求。
可选地，根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求，具体包括：
将所述类别分数矩阵中，各点的最高类别分数对应的类别作为各点的类别；
根据各点的类别确定所述点云数据中尘粒的点数量；
获得尘粒的点数量占所述点云数据中点的总数量的比值；
若所述比值大于碳化比阈值，则所述待监测区域中纸介质满足销毁要求，停止对所述待监测区域中纸介质进行碳化；
若所述比值小于或者等于碳化比阈值，则所述待监测区域中纸介质不满足销毁要求，继续对所述待监测区域中纸介质进行碳化。
可选地，所述纸介质识别模型为采用纸介质点云数据集对纸介质识别网络进行训练得到的；
所述纸介质识别网络包括第一分支网络、第二分支网络、融合模块和分类层；所述第一分支网络包括依次连接的第一多层感知器、第一维度转换层、第一卷积层和第二卷积层；所述第二分支网络包括依次连接的第二多层感知器、最大池化层、第二维度转换层、第三卷积层和第四卷积层；所述第二卷积层的输出端和所述第四卷积层的输出端均与所述融合模块的输入端连接，所述融合模块的输出端与所述分类层连接；
所述第一多层感知器和所述第二多层感知器均用于对输入点云数据进行升维；所述融合模块用于对所述第二卷积层输出和所述第四卷积层输出进行矩阵相乘。
可选地，所述第一卷积层为卷积核为33，步长为1的卷积层；第二卷积层为卷积核为3/>3，步长为2的卷积层；所述第三卷积层为卷积核为3/>3，步长为1的卷积层；第四卷积层为卷积核为3/>3，步长为2的卷积层。
本发明还公开了一种纸介质碳化系统，包括：
点云数据获取模块，用于在对纸介质进行碳化过程中，获取待监测区域的点云数据；
纸介质识别模型，用于对所述点云数据进行识别，获得类别分数矩阵，所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；
销毁要求判断模块，用于根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求。
可选地，还包括激光器，所述激光器用于对纸介质进行碳化。
可选地，还包括除尘装置，所述除尘装置用于收集纸介质碳化产生的纸片和尘粒。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过纸介质识别模型对待监测区域的点云数据进行识别，获得类别分数矩阵，根据类别分数矩阵确定待监测区域中纸介质是否满足销毁要求，实现了纸介质是否满足销毁要求的自动化识别，提高了纸介质的自动化销毁水平，从而提高了纸介质销毁效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种纸介质碳化方法流程示意图；
图2为本发明实施例提供的纸介质识别网络的处理流程示意图；
图3为本发明实施例提供的一种纸介质碳化系统结构示意图；
图4为本发明实施例提供的一种纸介质碳化系统中装置结构示意图；
图5为本发明实施例提供的3D视觉监视器工作流程示意图。
符号说明：
1-激光器，2-3D视觉监视器，3-除尘装置，4-纸片。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种纸介质碳化方法及系统，提高了纸介质的自动化销毁水平。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种纸介质碳化方法，如图1所示，一种纸介质碳化方法包括如下步骤。
步骤101：在对纸介质进行碳化过程中，获取待监测区域的点云数据。
所述待监测区域的点云数据中的每个点均具有一个色彩值。
其中，步骤101具体包括：在对纸介质进行碳化过程中，基于三维（3D）相机和彩色相机对待监测区域进行组合拍摄，获得3D相机拍摄出来的点云数据和彩色相机拍摄的彩色图像；基于3D相机拍摄出来的点云数据和彩色相机拍摄的彩色图像，通过点云着色算法，为点云数据中每个3D点分配一个RGB色彩值，获得着色后的点云数据。
步骤102：将所述点云数据输入纸介质识别模型，获得类别分数矩阵；所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；点的类别包括尘粒、纸片和背景。
所述纸介质识别模型为采用纸介质点云数据集对纸介质识别网络进行训练得到的。
所述纸介质识别网络包括第一分支网络、第二分支网络、融合模块和分类层；所述第一分支网络包括依次连接的第一多层感知器、第一维度转换层、第一卷积层和第二卷积层；所述第二分支网络包括依次连接的第二多层感知器、最大池化层、第二维度转换层、第三卷积层和第四卷积层；所述第二卷积层的输出端和所述第四卷积层的输出端均与所述融合模块的输入端连接，所述融合模块的输出端与所述分类层连接。
所述第一多层感知器和所述第二多层感知器均用于对输入点云数据进行升维；所述融合模块用于对所述第二卷积层输出和所述第四卷积层输出进行矩阵相乘；所述分类层用于输出类别分数矩阵，即输出各个点属于各个类别的分数。分类层为输出维度为3的全连接层，其输出数据维度分别表示每个点可能所属的类别（尘粒、纸片和背景），从而获得n个点分别属于三个类别的分数值。
所述第一卷积层为卷积核为33，步长为1的卷积层；第二卷积层为卷积核为3/>3，步长为2的卷积层；所述第三卷积层为卷积核为3/>3，步长为1的卷积层；第四卷积层为卷积核为3/>3，步长为2的卷积层。
如图2所示，本实施例以输入一条待识别的维度为n6的点云数据为例，展示纸介质识别网络的工作过程：
待识别的点云数据的维度为n6，基于3D相机和彩色相机所拍摄数据生成，包含当前碳化系统内所有纸介质及其碳化后尘粒的点云信息。其中n表示点云中点的个数，6表示每个点所包含的数据维度信息，即点的空间坐标x、y、z和其对应的色彩值RGB。
首先，对点云数据进行升维，将该点云数据分别输入两个结构相同的多层感知器（Multilayer Perceptron，MLP）中，获得两个输出维度为n1024的高维点云特征。
接下来，为了便于对点云数据中的每个特征点进行针对性的特征提取，将第一个高维点云特征进行维度转化，生成通道数为n、空间维度为3232的云图；随后将该云图输入连续两层的卷积核为3/>3的卷积层中，其中第一层的步长为1，第二层的步长为2，进行卷积操作，并生成维度为n/>16/>16的云图A。
随后，为了获取全局点云特征，对第二个高维点云特征进行最大池化操作，将n1024维特征转化为1/>1024维特征，再将该特征进行维度转换，以生成便于特征提取的全局云图；接下来，将该全局云图输入连续两层的卷积核为3/>3的卷积层中，其中第一层的步长为1，第二层的步长为2，进行卷积操作，并生成一张维度为16/>16的全局云图B。该云图包含了点云数据的全局特征信息，即各点之间的空间关系。
接着，将上两步所输出维度为n16/>16的云图A与上一步所输出维度为16/>16的全局云图B进行矩阵相乘，获得维度为n/>16/>16的融合云图C，该云图在各个点的自身特征中融合了点云的全局特征，有助于获取各个点与周围点的空间关系。
最后，将维度为n16/>16的融合云图C划分为n张维度为16/>16的特征图，并依次输入到最后一个分类层中，该分类层为一个输出维度为3的全连接层，其输出数据维度分别表示该点可能所属的类别（尘粒、纸片和背景），从而获得n个点云分别属于三个类别的分数值。那么，基于n张特征图就可以得到维度为n/>3的分数矩阵。
纸介质点云数据集的构建具体包括：基于3D相机和彩色相机组合拍摄如图4所示的碳化系统内纸介质的点云数据和彩色图像，应确保在不同纸介质碳化程度、不同光照环境及拍摄角度下进行纸介质数据采集，数据量应达到五千条以上；基于3D相机拍摄的点云数据和彩色图像，通过点云着色算法为点云数据中每个3D点分配一个RGB色彩值；对各个3D点进行标注，标注出每个点所属的类别，类别分为尘粒、纸片和背景三类，获得点云标注文件；基于着色后的点云数据与其对应的标注文件，得到纸介质点云数据集。
采用所建的纸介质点云数据集对纸介质识别网络进行训练及测试，测试准确率达到预设应用要求后，以最后一次训练所获得的识别模型作为纸介质识别模型。
步骤103：根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求。
其中，步骤103具体包括：
将所述类别分数矩阵中，各点的最高类别分数对应的类别作为各点的类别，即对于第i个点，将第i个点对应的三个类别分数中最高的类别分数作为第i个点的类别，从而获取所述点云数据中所有点的类别。
根据各点的类别确定所述点云数据中尘粒的点数量，具体包括：计算尘粒、纸片和背景这三个类别各自对应的点的总数。
获得尘粒的点数量占所述点云数据中点的总数量的比值X1/n。X1表示尘粒的点数量，n表示点的总数量。
若所述比值大于碳化比阈值X’，即表示纸介质大部分区域已被碳化为尘粒，则所述待监测区域中纸介质满足销毁要求，停止对所述待监测区域中纸介质进行碳化，并向除尘装置发送“销毁完成”指令。
若所述比值小于或者等于碳化比阈值，则所述待监测区域中纸介质不满足销毁要求，采用激光器继续对所述待监测区域中纸介质进行碳化。
激光器安装于碳化系统箱顶部。碳化系统箱开始工作时，激光器开启并扫射出高功率密度激光束，其发射的二氧化碳激光使纸张（纸介质）很快被加热至汽化温度形成孔洞，并随着激光束的运动，使纸张的不同部位被破坏，直至纸张形成微小碎片甚至汽化为尘粒，达到纸张上的信息无法被识别的目的。
本发明所提出的纸介质碳化方法及系统能够实现纸介质的自动化销毁，无需人员参与整个销毁过程，操作简单且快速高效；而且激光碳化手段具有高度安全性，销毁过程中不产生烟火和有毒气体，销毁残留物符合环境保护要求。
本发明基于三维点云分割技术进行纸介质的销毁过程监测，能准确且实时地识别出当前纸介质被破坏的程度，具有准确性和自动化程度高、非接触等优势。
实施例2
本实施例提供了一种纸介质碳化系统，如图3所示，一种纸介质碳化系统，包括：
点云数据获取模块201，用于在对纸介质进行碳化过程中，获取待监测区域的点云数据。
纸介质识别模型202，用于对所述点云数据进行识别，获得类别分数矩阵，所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数。
销毁要求判断模块203，用于根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求。
点云数据获取模块201包括3D相机、彩色相机和连接装置，连接装置用于固定3D相机和彩色相机。点云数据获取模块201负责实时采集碳化系统箱中的纸介质点云数据和色彩信息，并经过预处理后将数据输入至纸介质识别模型；纸介质识别模型202以点云数据为输入，将输出的类别分数矩阵发送到销毁要求判断模块；销毁要求判断模块基于类别分数矩阵判断并输出当前碳化程度是否达标，并在达标时，传递“碳化完成”指令至除尘装置。
如图4所示，一种纸介质碳化系统还包括激光器1、3D视觉监视器2和除尘装置3，所述激光器用于对纸介质进行碳化，所述除尘装置用于收集纸介质碳化产生的纸片4和尘粒。
如图5所示，本发明一种纸介质碳化系统中的点云数据获取模块、纸介质识别模型和销毁要求判断模块集成在3D视觉监视器中。
除尘装置位于碳化系统箱底部，通过网线与3D视觉监测器进行信号传输，负责接收来自销毁要求判断模块的“销毁完成”指令。收到指令后，除尘装置开启，通过产生气流将碳化系统箱中的所有碎纸片和尘粒吸附至除尘袋中。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种纸介质碳化方法，其特征在于，包括：
在对纸介质进行碳化过程中，获取待监测区域的点云数据；
将所述点云数据输入纸介质识别模型，获得类别分数矩阵；所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；点的类别包括尘粒、纸片和背景；
根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求；
所述纸介质识别模型为采用纸介质点云数据集对纸介质识别网络进行训练得到的；
所述纸介质识别网络包括第一分支网络、第二分支网络、融合模块和分类层；所述第一分支网络包括依次连接的第一多层感知器、第一维度转换层、第一卷积层和第二卷积层；所述第二分支网络包括依次连接的第二多层感知器、最大池化层、第二维度转换层、第三卷积层和第四卷积层；所述第二卷积层的输出端和所述第四卷积层的输出端均与所述融合模块的输入端连接，所述融合模块的输出端与所述分类层连接；
所述第一多层感知器和所述第二多层感知器均用于对输入点云数据进行升维；所述融合模块用于对所述第二卷积层输出和所述第四卷积层输出进行矩阵相乘；所述分类层用于输出类别分数矩阵，即输出各个点属于各个类别的分数；分类层为输出维度为3的全连接层，分类层输出数据维度分别表示每个点所属的类别，从而获得n个点分别属于三个类别的分数值，类别包括尘粒、纸片和背景；
根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求，具体包括：
将所述类别分数矩阵中，各点的最高类别分数对应的类别作为各点的类别，即对于第i个点，将第i个点对应的三个类别分数中最高的类别分数作为第i个点的类别，从而获取所述点云数据中所有点的类别；
根据各点的类别确定所述点云数据中尘粒的点数量，具体包括：计算尘粒、纸片和背景这三个类别各自对应的点的总数；
获得尘粒的点数量占所述点云数据中点的总数量的比值X1/n；X1表示尘粒的点数量，n表示点的总数量；
若所述比值大于碳化比阈值，则所述待监测区域中纸介质满足销毁要求，停止对所述待监测区域中纸介质进行碳化，并向除尘装置发送“销毁完成”指令；
若所述比值小于或者等于碳化比阈值，则所述待监测区域中纸介质不满足销毁要求，采用激光器继续对所述待监测区域中纸介质进行碳化。
2.根据权利要求1所述的纸介质碳化方法，其特征在于，所述第一卷积层为卷积核为3*3，步长为1的卷积层；第二卷积层为卷积核为3*3，步长为2的卷积层；所述第三卷积层为卷积核为3*3，步长为1的卷积层；第四卷积层为卷积核为3*3，步长为2的卷积层。
3.一种纸介质碳化系统，其特征在于，包括：
点云数据获取模块，用于在对纸介质进行碳化过程中，获取待监测区域的点云数据；
纸介质识别模型，用于对所述点云数据进行识别，获得类别分数矩阵，所述类别分数矩阵包括所述点云数据中各个点属于各个类别的分数；
销毁要求判断模块，用于根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求；
所述纸介质识别模型为采用纸介质点云数据集对纸介质识别网络进行训练得到的；
所述纸介质识别网络包括第一分支网络、第二分支网络、融合模块和分类层；所述第一分支网络包括依次连接的第一多层感知器、第一维度转换层、第一卷积层和第二卷积层；所述第二分支网络包括依次连接的第二多层感知器、最大池化层、第二维度转换层、第三卷积层和第四卷积层；所述第二卷积层的输出端和所述第四卷积层的输出端均与所述融合模块的输入端连接，所述融合模块的输出端与所述分类层连接；
所述第一多层感知器和所述第二多层感知器均用于对输入点云数据进行升维；所述融合模块用于对所述第二卷积层输出和所述第四卷积层输出进行矩阵相乘；所述分类层用于输出类别分数矩阵，即输出各个点属于各个类别的分数；分类层为输出维度为3的全连接层，分类层输出数据维度分别表示每个点所属的类别，从而获得n个点分别属于三个类别的分数值，类别包括尘粒、纸片和背景；
根据所述类别分数矩阵确定所述待监测区域中纸介质是否满足销毁要求，具体包括：
将所述类别分数矩阵中，各点的最高类别分数对应的类别作为各点的类别，即对于第i个点，将第i个点对应的三个类别分数中最高的类别分数作为第i个点的类别，从而获取所述点云数据中所有点的类别；
根据各点的类别确定所述点云数据中尘粒的点数量，具体包括：计算尘粒、纸片和背景这三个类别各自对应的点的总数；
获得尘粒的点数量占所述点云数据中点的总数量的比值X1/n；X1表示尘粒的点数量，n表示点的总数量；
若所述比值大于碳化比阈值，则所述待监测区域中纸介质满足销毁要求，停止对所述待监测区域中纸介质进行碳化，并向除尘装置发送“销毁完成”指令；
若所述比值小于或者等于碳化比阈值，则所述待监测区域中纸介质不满足销毁要求，采用激光器继续对所述待监测区域中纸介质进行碳化。
4.根据权利要求3所述的纸介质碳化系统，其特征在于，还包括激光器，所述激光器用于对纸介质进行碳化。
5.根据权利要求3所述的纸介质碳化系统，其特征在于，还包括除尘装置，所述除尘装置用于收集纸介质碳化产生的纸片和尘粒。
CN202310677621.2A 2023-06-09 2023-06-09 一种纸介质碳化方法及系统 Active CN116493392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677621.2A CN116493392B (zh) 2023-06-09 2023-06-09 一种纸介质碳化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310677621.2A CN116493392B (zh) 2023-06-09 2023-06-09 一种纸介质碳化方法及系统

Publications (2)

Publication Number Publication Date
CN116493392A CN116493392A (zh) 2023-07-28
CN116493392B true CN116493392B (zh) 2023-12-15

Family

ID=87323243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677621.2A Active CN116493392B (zh) 2023-06-09 2023-06-09 一种纸介质碳化方法及系统

Country Status (1)

Country Link
CN (1) CN116493392B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3048106A1 (fr) * 2016-02-20 2017-08-25 Kerquest Procede visuel d'authentification
WO2021159718A1 (zh) * 2020-02-11 2021-08-19 平安科技（深圳）有限公司 命名实体识别方法、装置、终端设备及存储介质
CN114528950A (zh) * 2022-04-24 2022-05-24 北京中超伟业信息安全技术股份有限公司 一种基于三维点云识别保密介质类型的销毁方法与系统
CN115861968A (zh) * 2022-12-13 2023-03-28 徐工集团工程机械股份有限公司建设机械分公司 一种基于实时点云数据的动态障碍物剔除方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898621B (zh) * 2020-08-05 2023-09-05 苏州大学 一种轮廓形状识别方法
US11875424B2 (en) * 2021-03-15 2024-01-16 Shenzhen University Point cloud data processing method and device, computer device, and storage medium
CN113326767A (zh) * 2021-05-28 2021-08-31 北京百度网讯科技有限公司 视频识别模型训练方法、装置、设备以及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3048106A1 (fr) * 2016-02-20 2017-08-25 Kerquest Procede visuel d'authentification
WO2021159718A1 (zh) * 2020-02-11 2021-08-19 平安科技（深圳）有限公司 命名实体识别方法、装置、终端设备及存储介质
CN114528950A (zh) * 2022-04-24 2022-05-24 北京中超伟业信息安全技术股份有限公司 一种基于三维点云识别保密介质类型的销毁方法与系统
CN115861968A (zh) * 2022-12-13 2023-03-28 徐工集团工程机械股份有限公司建设机械分公司 一种基于实时点云数据的动态障碍物剔除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于动态图卷积和空间金字塔池化的点云深度学习网络;朱威;绳荣金;汤如;何德峰;;计算机科学(07);197-203 *

Also Published As

Publication number Publication date
CN116493392A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Xiao et al. Application of a novel and improved VGG-19 network in the detection of workers wearing masks
CN108022235B (zh) 高压输电铁塔关键部件缺陷识别方法
CN109658539A (zh) 化工园区的巡检方法、装置、服务器及计算机存储介质
CN108761237A (zh) 无人机电力巡检图像关键电力部件自动诊断与标注系统
CN109299758A (zh) 一种智能巡检方法、电子设备、智能巡检系统和存储介质
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN107977639A (zh) 一种人脸清晰度判断方法
CN113222949B (zh) 一种电力设备导体插接位置的x射线影像自动检测方法
CN113850562A (zh) 一种智能旁站监理方法及系统
CN116543241B (zh) 泄露气体云团的检测方法、装置、存储介质和电子设备
Dering et al. An unsupervised machine learning approach to assessing designer performance during physical prototyping
Shang et al. Global prior transformer network in intelligent borescope inspection for surface damage detection of aero-engine blade
Yixuan et al. Aeroengine blade surface defect detection system based on improved faster RCNN
CN116493392B (zh) 一种纸介质碳化方法及系统
CN115239646A (zh) 输电线路的缺陷检测方法、装置、电子设备及存储介质
KR20220105689A (ko) 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
CN117152844A (zh) 基于计算机视觉的高完整性工人施工姿态检测方法及系统
CN115546121A (zh) 一种基于多尺度目标检测的通信线路光缆缺陷识别方法
CN113378723B (zh) 一种基于深度残差网络的输变电线路隐患自动安全识别系统
Skilton et al. Combining object detection with generative adversarial networks for in-component anomaly detection
CN113420839B (zh) 用于堆叠平面目标物体的半自动标注方法及分割定位系统
Chen et al. Attention mechanism-based CNN for surface damage detection of wind turbine blades
Ge et al. An automatic detection approach for wearing safety helmets on construction site based on YOLOv5
Fei et al. Automated generation of training dataset for crack detection in nuclear power plant components
Tong et al. Research on Surface Defect Detection Technology of Long-Distance and Long-Span FAST Cable

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
GR01 Patent grant
GR01 Patent grant