CN116503411A - 基于图像识别的色谱柱状态识别方法及系统 - Google Patents

基于图像识别的色谱柱状态识别方法及系统 Download PDF

Info

Publication number
CN116503411A
CN116503411A CN202310778220.6A CN202310778220A CN116503411A CN 116503411 A CN116503411 A CN 116503411A CN 202310778220 A CN202310778220 A CN 202310778220A CN 116503411 A CN116503411 A CN 116503411A
Authority
CN
China
Prior art keywords
chromatographic column
defect
image
feature
column defect
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.)
Granted
Application number
CN202310778220.6A
Other languages
English (en)
Other versions
CN116503411B (zh
Inventor
龚施健
陈国富
郑经纬
吴春弟
吕巧丽
翁新增
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.)
Spectrum Materials Corp ltd
Original Assignee
Spectrum Materials Corp 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 Spectrum Materials Corp ltd filed Critical Spectrum Materials Corp ltd
Priority to CN202310778220.6A priority Critical patent/CN116503411B/zh
Publication of CN116503411A publication Critical patent/CN116503411A/zh
Application granted granted Critical
Publication of CN116503411B publication Critical patent/CN116503411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • 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
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G01N2030/889—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 monitoring the quality of the stationary phase; column performance
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种基于图像识别的色谱柱状态识别方法及系统，涉及色谱柱状态识别技术领域，依据参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像携带的色谱柱缺陷特征序列对应的色谱柱缺陷特征簇来训练色谱柱状态识别模型，这样，在训练色谱柱状态识别模型的过程中，不仅了结合参考色谱柱图像中各个色谱柱角度特征图之间的关系，还结合了色谱柱角度特征图与色谱柱缺陷特征以及色谱柱缺陷特征与色谱柱缺陷特征之间的关系，由此可以提高色谱柱状态识别模型的缺陷识别可靠性，使得依据该色谱柱状态识别模型可以准确分析出色谱柱图像具有色谱柱损伤关联性的多个色谱柱缺陷特征，提高色谱柱状态识别的精度。

Description

基于图像识别的色谱柱状态识别方法及系统
技术领域
本申请实施例涉及色谱柱状态识别技术领域，具体而言，涉及一种基于图像识别的色谱柱状态识别方法及系统。
背景技术
色谱柱由柱管、压帽、卡套(密封环)、筛板(滤片)、接头、螺丝等组成，与分析设备配套使用，用于对检测样本中的被测物进行分离。色谱柱的选择会影响分离效果的好坏，不同品牌、同一品牌不同系列都有不同的功能，有能耐受低pH值的、有耐高温的、有适合碱性样品的等等，但是无论如何，存在缺陷（如磨损、表面疲惫和浸蚀等缺陷损伤）的色谱柱必然会影响最终的分离效果，基于此，需要对待应用的色谱柱进行色谱柱状态识别，以便于结合色谱柱状态识别结果采取较佳的色谱柱进行后续应用，如何提高色谱柱状态识别的精度，是所属技术领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于图像识别的色谱柱状态识别方法及系统。
根据本申请实施例的一个方面，提供了一种基于图像识别的色谱柱状态识别方法，包括：
获得多个参考色谱柱图像以及所述参考色谱柱图像携带的色谱柱缺陷特征序列，所述参考色谱柱图像的色谱柱缺陷特征序列包括：携带与所述参考色谱柱图像的色谱柱损伤关联性的多个色谱柱缺陷特征，所述参考色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合；
对于各所述参考色谱柱图像，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述参考色谱柱图像的色谱柱损伤关联性估计信息反映估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像的色谱柱损伤关联性；
对于各所述参考色谱柱图像，从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，所述参考色谱柱缺陷特征组包括多个色谱柱缺陷特征，所述观测关联标签信息反映所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致；
依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值；
依据各参考色谱柱图像的所述参考色谱柱缺陷特征组的实际关联标签信息以及观测关联标签信息，确定所述多层感知机的第二训练误差值，所述参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征所述参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致；
若依据所述第一训练误差值和第二训练误差值判定当前训练不满足终止要求，则更新所述深度学习网络和多层感知机的权重参数信息，并迭代进行训练，直到当前训练满足终止要求，将最终输出的深度学习网络确定为色谱柱状态识别模型。
在第一方面的一种可能的实施方式中，所述依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值，包括：
对于各参考色谱柱图像，将所述参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得所述回归输出单元估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像之间的估计色谱柱损伤关联性；
依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值。
在第一方面的一种可能的实施方式中，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，包括：依据所述参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建待学习特征数据；其中，所述待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在所述色谱柱角度特征图中的损伤位点特征集合中的损失形态特征，所述色谱柱角度特征图中的损伤位点特征集合为由所述色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，所述色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由所述色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成；将所述待学习特征数据加载至初始化权重参数的深度学习网络，获得所述深度学习网络生成的深度学习特征，所述深度学习特征包括损伤位点关联输出特征以及所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述损伤位点关联输出特征反映所述参考色谱柱图像的色谱柱损伤关联性估计信息，所述深度学习网络为基于蒙特卡洛神经网络的分类模型。
在第一方面的一种可能的实施方式中，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个第一参考色谱柱缺陷特征组和多个第二参考色谱柱缺陷特征组，所述第一参考色谱柱缺陷特征组包括：源于所述第一色谱柱缺陷特征序列的两个第一色谱柱缺陷特征，所述第二参考色谱柱缺陷特征组包括：所述第一色谱柱缺陷特征序列中的一个第一色谱柱缺陷特征以及所述第二色谱柱缺陷特征序列中的一个第二色谱柱缺陷特征。
在第一方面的一种可能的实施方式中，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的第一色谱柱缺陷特征序列中选择一色谱柱缺陷特征子序列，所述色谱柱缺陷特征子序列包括所述第一色谱柱缺陷特征序列中多个第一色谱柱缺陷特征；从所述色谱柱缺陷特征序列中所述色谱柱缺陷特征子序列之外的色谱柱缺陷特征中选择多个色谱柱缺陷特征，并将选择的每个色谱柱缺陷特征分别与所述色谱柱缺陷特征子序列组成一个参考色谱柱缺陷特征组，获得多个参考色谱柱缺陷特征组。
在第一方面的一种可能的实施方式中，所述依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，包括：将所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列中各第一色谱柱缺陷特征的色谱柱缺陷估计信息的融合估计信息确定为所述色谱柱缺陷特征子序列的色谱柱缺陷估计信息；依据所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列的色谱柱缺陷估计信息以及所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列之外的色谱柱缺陷特征的色谱柱缺陷估计信息，并基于待估计的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息。
在第一方面的一种可能的实施方式中，所述方法还包括：
获得待分析色谱柱图像以及预置的色谱柱缺陷特征序列，所述色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合，所述色谱柱缺陷特征序列中包括多个色谱柱缺陷特征；
依据所述色谱柱图像的色谱柱角度特征图集合以及所述色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于所述色谱柱状态识别模型，确定所述色谱柱图像的色谱柱损伤关联性估计信息，所述色谱柱图像的色谱柱损伤关联性估计信息反映所述色谱柱缺陷特征簇中各色谱柱缺陷特征与所述色谱柱图像的色谱柱损伤关联性；
依据所述色谱柱图像的色谱柱损伤关联性估计信息，从所述色谱柱缺陷特征序列中确定出与所述待分析色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。
根据本申请实施例的一个方面，提供了一种基于图像识别的色谱柱状态识别系统，所述基于图像识别的色谱柱状态识别系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于图像识别的色谱柱状态识别方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中，依据参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像携带的色谱柱缺陷特征序列对应的色谱柱缺陷特征簇来训练色谱柱状态识别模型，这样，在训练色谱柱状态识别模型的过程中，不仅了结合参考色谱柱图像中各个色谱柱角度特征图之间的关系，还结合了色谱柱角度特征图与色谱柱缺陷特征以及色谱柱缺陷特征与色谱柱缺陷特征之间的关系，由此可以提高色谱柱状态识别模型的缺陷识别可靠性，使得依据该色谱柱状态识别模型可以准确分析出色谱柱图像具有色谱柱损伤关联性的多个色谱柱缺陷特征，提高色谱柱状态识别的精度。
此外，在训练色谱柱状态识别模型的过程中，会依据该色谱柱状态识别模型生成的各色谱柱缺陷特征的色谱柱缺陷估计信息，来训练能够观测到色谱柱缺陷特征间色谱柱损伤关联性的多层感知机，通过连续训练该多层感知机和该色谱柱状态识别模型，使得训练出的色谱柱状态识别模型也可以精准观测到色谱柱缺陷特征间的色谱柱损伤关联性，而色谱柱缺陷特征的色谱柱损伤关联性为确定色谱柱图像存在损伤关联性的色谱柱缺陷特征提供更丰富的特征量，由此便于色谱柱状态识别模型可以准确分析出色谱柱图像存在损伤关联性的色谱柱缺陷特征，提高基于该色谱柱状态识别模型确定色谱柱图像存在损伤关联性的多个色谱柱缺陷特征的精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于图像识别的色谱柱状态识别方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于图像识别的色谱柱状态识别方法的基于图像识别的色谱柱状态识别系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于图像识别的色谱柱状态识别方法的流程示意图，下面对该基于图像识别的色谱柱状态识别方法进行详细介绍。
步骤S101，获得多个参考色谱柱图像以及每个参考色谱柱图像携带的色谱柱缺陷特征序列。
本实施例中，参考色谱柱图像为用于训练可以进行色谱柱状态识别（具体为色谱柱缺陷特征识别）的色谱柱状态识别模型的色谱柱图像（如红外热成像图像）。参考色谱柱图像包括由多个色谱柱角度特征图（也即由不同图像采集角度获得的色谱柱特征图）构成的色谱柱角度特征图集合。
其中，参考色谱柱图像的色谱柱缺陷特征序列包括：携带与该参考色谱柱图像的色谱柱损伤关联性的多个色谱柱缺陷特征。
色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性可以反映出色谱柱缺陷特征与色谱柱图像的损伤关联度。
一些可替代的实施方式中，对于训练流程而言，色谱柱图像携带的色谱柱缺陷特征序列中各色谱柱缺陷特征的色谱柱损伤关联性可以分为两种：关联和不关联。如，参考色谱柱图像携带的色谱柱缺陷特征序列中包括：与参考色谱柱图像存在损伤关联性的第一色谱柱缺陷特征序列，以及，与参考色谱柱图像不存在损伤关联性的第二色谱柱缺陷特征序列。第一色谱柱缺陷特征序列中包括标定了与该参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，而第二色谱柱缺陷特征序列中包括标定了与该色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征。
为了与后续色谱柱状态识别中的色谱柱缺陷特征序列区分，参考色谱柱图像的色谱柱缺陷特征序列也被称为样本色谱柱缺陷特征序列。
步骤S102，对于各参考色谱柱图像，依据参考色谱柱图像的色谱柱角度特征图集合和参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定参考色谱柱图像的色谱柱损伤关联性估计信息和色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息。
其中，参考色谱柱图像的色谱柱损伤关联性估计信息为深度学习网络估计输出的，可以反映参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与该参考色谱柱图像色谱柱损伤关联性的特征，因此，该色谱柱损伤关联性估计信息可以反映估计输出的参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性。
色谱柱缺陷特征的色谱柱缺陷估计信息为基于该深度学习网络生成的该色谱柱缺陷特征的具体描述信息。
一些可替代的实施方式中，该深度学习网络可以为基于蒙特卡洛神经网络的分类模型。
对于各参考色谱柱图像，依据其色谱柱角度特征图集合和色谱柱缺陷特征簇，并基于初始化权重参数的基于蒙特卡洛神经网络的分类模型，可以得到参考色谱柱图像的色谱柱损伤关联性估计信息和色谱柱缺陷特征簇中各个色谱柱缺陷特征的色谱柱缺陷估计信息。
将色谱柱角度特征图集合和色谱柱缺陷特征簇作为基于蒙特卡洛神经网络的分类模型的输入色谱柱图像，基于蒙特卡洛神经网络的分类模型可以充分学习色谱柱角度特征图集合和色谱柱缺陷特征簇中色谱柱角度特征图与色谱柱角度特征图之间、色谱柱角度特征图与色谱柱缺陷特征之间，以及色谱柱缺陷特征与色谱柱缺陷特征之间的色谱柱损伤关联性，从而可以准确确定出各个色谱柱角度特征图以及色谱柱缺陷特征的具体描述信息。
步骤S103，对于各参考色谱柱图像，从参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，依据参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定参考色谱柱缺陷特征组的观测关联标签信息。
其中，每个参考色谱柱缺陷特征组包括多个色谱柱缺陷特征。
其中，参考色谱柱缺陷特征组中多个色谱柱缺陷特征可以均为与参考色谱柱图像的色谱柱损伤关联性一致的色谱柱缺陷特征，或者是，与色谱柱图像色谱柱缺陷特征的色谱柱损伤关联性不同的色谱柱缺陷特征。为了能够提高多层感知机的预测精度，可以选取出多个参考色谱柱缺陷特征组，且该多个参考色谱柱缺陷特征组中包括：各色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性均一致的参考色谱柱缺陷特征组，以及，各色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性不一致的参考色谱柱缺陷特征组。
接下来，以参考色谱柱图像的色谱柱缺陷特征序列包括：与参考色谱柱图像存在损伤关联性的第一色谱柱缺陷特征序列以及与参考色谱柱图像不存在损伤关联性的第二色谱柱缺陷特征序列为例说明。
一些可替代的实施方式中，选取参考色谱柱缺陷特征组可以为：从参考色谱柱图像的色谱柱缺陷特征序列中选择多个第一参考色谱柱缺陷特征组和多个第二参考色谱柱缺陷特征组，该第一参考色谱柱缺陷特征组包括：源于第一色谱柱缺陷特征序列的两个第一色谱柱缺陷特征，第二参考色谱柱缺陷特征组包括：第一色谱柱缺陷特征序列中的一个第一色谱柱缺陷特征以及第二色谱柱缺陷特征序列中的一个第二色谱柱缺陷特征。
其中，由于参考色谱柱图像的第一色谱柱缺陷特征序列中是与该参考色谱柱图像存在损伤关联性的色谱柱缺陷特征，因此，从该第一色谱柱缺陷特征序列中选择的两个第一色谱柱缺陷特征都是与该参考色谱柱图像存在损伤关联性的色谱柱缺陷特征，因此，该第一参考色谱柱缺陷特征组中两个色谱柱缺陷特征为与参考色谱柱图像色谱柱损伤关联性一致的色谱柱缺陷特征，这两个色谱柱缺陷特征属于关联色谱柱缺陷特征对，也是共同出现于第一色谱柱缺陷特征序列的共现色谱柱缺陷特征。
由于第二参考色谱柱缺陷特征组中两个色谱柱缺陷特征分别源于第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，因此，该第二参考色谱柱缺陷特征组中一个色谱柱缺陷特征与参考色谱柱图像具有色谱柱损伤关联性，而另一个色谱柱缺陷特征与该参考色谱柱图像不具有色谱柱损伤关联性，因此，该第二参考色谱柱缺陷特征中两个色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性不同，即这两个色谱柱缺陷特征属于不关联色谱柱缺陷特征对，自然也不属于共现色谱柱缺陷特征。
基于上述确定参考色谱柱缺陷特征组的基础上，可以针对参考色谱柱图像的每个参考色谱柱缺陷特征组，可以获得步骤S102中确定出的该参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱缺陷估计信息，并依据参考色谱柱图像的各个参考色谱柱缺陷特征组中各个色谱柱缺陷特征的色谱柱缺陷估计信息训练一多层感知机。
一些可替代的实施方式中，对于各参考色谱柱图像，本申请可以从参考色谱柱图像的第一色谱柱缺陷特征序列中选择一色谱柱缺陷特征子序列，该色谱柱缺陷特征子序列包括第一色谱柱缺陷特征序列中多个第一色谱柱缺陷特征。而后，从该色谱柱缺陷特征序列中该色谱柱缺陷特征子序列之外的色谱柱缺陷特征中选择多个色谱柱缺陷特征，并将选择的每个色谱柱缺陷特征分别与色谱柱缺陷特征子序列组成一个参考色谱柱缺陷特征组，获得多个参考色谱柱缺陷特征组。
如，对于各参考色谱柱图像，在从第一色谱柱缺陷特征序列选取出色谱柱缺陷特征子序列之后，可以将第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列中不属于色谱柱缺陷特征子序列的各色谱柱缺陷特征分别与该色谱柱缺陷特征子序列组成一个参考色谱柱缺陷特征组，从而得到多个参考色谱柱缺陷特征组。例如，假设参考色谱柱图像的第一色谱柱缺陷特征序列包括色谱柱缺陷特征1、色谱柱缺陷特征2和色谱柱缺陷特征3，而其第二色谱柱缺陷特征序列包括色谱柱缺陷特征4和色谱柱缺陷特征5，如果色谱柱缺陷特征1和色谱柱缺陷特征2被选为色谱柱缺陷特征子序列，则该色谱柱缺陷特征子序列可以与色谱柱缺陷特征3组成一个参考色谱柱缺陷特征组，且该色谱柱缺陷特征子序列还可以与色谱柱缺陷特征4组成一个参考色谱柱缺陷特征组，同时，该色谱柱缺陷特征子序列还可以与色谱柱缺陷特征5组成一个色谱柱缺陷特征子序列。
一些可替代的实施方式中，由于色谱柱缺陷特征子序列包括多个色谱柱缺陷特征，因此，可以将色谱柱缺陷特征子序列中各第一色谱柱缺陷特征的色谱柱缺陷估计信息的融合估计信息确定为该色谱柱缺陷特征子序列的色谱柱缺陷估计信息。然后，可以依据参考色谱柱缺陷特征组中色谱柱缺陷特征子序列的色谱柱缺陷估计信息以及参考色谱柱缺陷特征组中该色谱柱缺陷特征子序列之外的色谱柱缺陷特征的色谱柱缺陷估计信息，并基于待估计的多层感知机，确定该参考色谱柱缺陷特征组的观测关联标签信息。
一种可替代的实施方式中，参考色谱柱缺陷特征组的关联标签信息反映该参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致。其中，一个参考色谱柱缺陷特征组中各个色谱柱缺陷特征与色谱柱图像关联是否一致可以包括两种情况，一种为色谱柱损伤关联性一致，另一种为色谱柱损伤关联性不一致。一种可替代的实施方式中，观测关联标签信息为由该多层感知机估计输出的，反映该参考色谱柱缺陷特征中各个色谱柱缺陷特征的色谱柱损伤关联性是否一致的关联标签。
步骤S104，依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定深度学习网络的第一训练误差值。
其中，参考色谱柱图像的色谱柱损伤关联性估计信息可以为表征估计输出的该参考色谱柱图像的色谱柱缺陷特征簇中各个色谱柱缺陷特征与该参考色谱柱图像的色谱柱损伤关联性，然后，在参考色谱柱图像的色谱柱缺陷特征簇中各个色谱柱缺陷特征实际携带的与该参考色谱柱图像的色谱柱损伤关联性已知的条件下，可以依据设定训练代价函数，确定深度学习网络的训练代价函数。
深度学习网络的训练误差值反映深度学习网络估计色谱柱损伤关联性估计信息的可靠性，其也是衡量深度学习网络是否收敛的依据。其中，本申请将深度学习网络的训练误差值称为第一训练误差值。
一些可替代的实施方式中，为了直观表征深度学习网络估计输出的色谱柱缺陷特征簇中各色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性，对于各参考色谱柱图像，还可以将该参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得该回归输出单元估计输出的参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像之间的估计色谱柱损伤关联性。然后，可以依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定深度学习网络的第一训练误差值。
步骤S105，依据各参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息以及观测关联标签信息，确定多层感知机的第二训练误差值。
其中，该参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致。
如，对于各参考色谱柱图像，在色谱柱缺陷特征序列包括前述描述的第一色谱柱缺陷特征序列和第二色谱柱缺陷特征的情况中，如果参考色谱柱缺陷特征组中各个色谱柱缺陷特征都源于该参考色谱柱图像的第一色谱柱缺陷特征序列，则由于第一色谱柱缺陷特征序列中各个色谱柱缺陷特征都与参考色谱柱图像具有色谱柱损伤关联性，因此，该参考色谱柱缺陷特征组的实际关联标签信息为色谱柱损伤关联性一致，即参考色谱柱缺陷特征组中各个色谱柱缺陷特征实际携带的色谱柱损伤关联性一致。
依据多层感知机估计输出的参考色谱柱图像的参考色谱柱缺陷特征组的观测关联标签信息与该参考色谱柱缺陷特征组的实际关联标签信息，可以确定出用于反映该多层感知机估计的精准度的训练误差值。为了便于区分，将该多层感知机的训练误差值称为第二训练误差值。
计算该多层感知机的训练误差值可以是依据多层感知机预置的训练代价函数来计算，本申请对于多层感知机的训练代价函数的具体形式不加限制。
步骤S106，若依据第一训练误差值和第二训练误差值判定当前训练不满足终止要求，则更新深度学习网络和多层感知机的权重参数信息，并迭代进行训练，直到当前训练满足终止要求，将最终输出的深度学习网络确定为色谱柱状态识别模型。
例如，第一训练误差值和第二训练误差值不再下降，则确定当前训练满足终止要求。或者虽然第一训练误差值和第二训练误差值还在继续下降，但是迭代次数超过设定次数，也可以认为满足当前训练满足终止要求。
本申请依据参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像携带的色谱柱缺陷特征序列对应的色谱柱缺陷特征簇来训练色谱柱状态识别模型，这样，在训练色谱柱状态识别模型的过程中，不仅了结合参考色谱柱图像中各个色谱柱角度特征图之间的关系，还结合了色谱柱角度特征图与色谱柱缺陷特征以及色谱柱缺陷特征与色谱柱缺陷特征之间的关系，由此可以提高色谱柱状态识别模型的缺陷识别可靠性，使得依据该色谱柱状态识别模型可以准确分析出色谱柱图像具有色谱柱损伤关联性的多个色谱柱缺陷特征，提高色谱柱状态识别的精度。
此外，在训练色谱柱状态识别模型的过程中，会依据该色谱柱状态识别模型生成的各色谱柱缺陷特征的色谱柱缺陷估计信息，来训练能够观测到色谱柱缺陷特征间色谱柱损伤关联性的多层感知机，通过连续训练该多层感知机和该色谱柱状态识别模型，使得训练出的色谱柱状态识别模型也可以精准观测到色谱柱缺陷特征间的色谱柱损伤关联性，而色谱柱缺陷特征的色谱柱损伤关联性为确定色谱柱图像存在损伤关联性的色谱柱缺陷特征提供更丰富的特征量，由此便于色谱柱状态识别模型可以准确分析出色谱柱图像存在损伤关联性的色谱柱缺陷特征，提高基于该色谱柱状态识别模型确定色谱柱图像存在损伤关联性的多个色谱柱缺陷特征的精准度。
下面以深度学习网络为基于蒙特卡洛神经网络的分类模型，即色谱柱状态识别模型为依据基于蒙特卡洛神经网络的分类模型的训练为例子进行说明。
基于蒙特卡洛神经网络的分类模型的输入色谱柱图像由色谱柱角度特征图集合和色谱柱缺陷特征簇构成。
由于基于蒙特卡洛神经网络的分类模型的输入为特征向量，因此，可以先将色谱柱角度特征图集合中各个色谱柱角度特征图转换为色谱柱角度特征图向量，获得色谱柱角度特征图中的损伤位点特征集合，并将参考色谱柱图像对应的色谱柱缺陷特征簇中各个色谱柱缺陷特征转换为缺陷定位特征，获得色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征。
然后，基于蒙特卡洛神经网络的分类模型的依据待学习特征数据包括：
参考色谱柱图像对应的色谱柱角度特征图中的损伤位点特征集合，为色谱柱角度特征图集合中色谱柱角度特征图的数量；
参考色谱柱图像标注色谱柱缺陷特征序列对应的色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为参考色谱柱图像的色谱柱缺陷特征序列中色谱柱缺陷特征的数量。
对于基于蒙特卡洛神经网络的分类模型输出的各个色谱柱缺陷特征的色谱柱缺陷估计信息，可以组成色谱柱缺陷特征对，依据色谱柱缺陷特征对的色谱柱缺陷估计信息进行色谱柱缺陷特征对共现估计，以判断两个色谱柱缺陷特征构成的色谱柱缺陷特征对是否与参考色谱柱图像的色谱柱损伤关联性一致。
同时，对于基于蒙特卡洛神经网络的分类模型输出的各个色谱柱缺陷特征的色谱柱缺陷估计信息，还可以先从多个色谱柱缺陷特征中选择一个色谱柱缺陷特征子序列，然后将色谱柱缺陷特征子序列与剩余各个色谱柱缺陷特征分别构成一个参考色谱柱缺陷特征组，并依据色谱柱缺陷特征子序列中各色谱柱缺陷特征以及与色谱柱缺陷特征子序列进行组合的色谱柱缺陷特征的色谱柱缺陷估计信息，估计色谱柱缺陷特征子序列与该色谱柱缺陷特征子序列组合的色谱柱缺陷特征是否属于均属于第一色谱柱缺陷特征序列或者第二色谱柱缺陷特征序列。
下面进一步介绍色谱柱状态识别模型的训练实施例，可以包括：
步骤S201，获得多个参考色谱柱图像以及该参考色谱柱图像携带的色谱柱缺陷特征序列。
参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，第一色谱柱缺陷特征序列包括：标定了与该参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，第二色谱柱缺陷特征序列包括：标定了与该参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征。
步骤S202，对于各参考色谱柱图像，依据该参考色谱柱图像的色谱柱角度特征图集合和参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建待学习特征数据。
其中，所述待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在所述色谱柱角度特征图中的损伤位点特征集合中的损失形态特征，所述色谱柱角度特征图中的损伤位点特征集合为由所述色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，所述色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由所述色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成。
步骤S203，将该待学习特征数据加载至初始化权重参数的基于蒙特卡洛神经网络的分类模型，获得基于蒙特卡洛神经网络的分类模型输出的深度学习特征。
其中，该深度学习特征包括损伤位点关联输出特征以及该色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息。
本申请该损伤位点关联输出特征反映参考色谱柱图像的色谱柱损伤关联性估计信息，即，通过损伤位点关联输出特征来表示色谱柱缺陷特征簇中各个色谱柱缺陷特征与该参考色谱柱图像的色谱柱损伤关联性。
步骤S204，对于各参考色谱柱图像，将该参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得该回归输出单元估计输出的该参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与该参考色谱柱图像之间的估计色谱柱损伤关联性。
其中，估计色谱柱损伤关联性是指经过基于蒙特卡洛神经网络的分类模型和回归输出单元估计输出的该色谱柱缺陷特征簇中各个色谱柱缺陷特征与参考色谱柱图像的色谱柱损伤关联性。其中，估计色谱柱损伤关联性可以为色谱柱缺陷特征与参考色谱柱图像存在损伤关联性的关联置信度。
如，该回归输出单元可以输出估计输出的色谱柱损伤关联性置信度向量，该色谱柱损伤关联性置信度向量中包括色谱柱缺陷特征簇中各个色谱柱缺陷特征与该参考色谱柱图像存在损伤关联性的关联置信度。
其中，本申请是以将基于蒙特卡洛神经网络的分类模型输出的参考色谱柱图像对应的色谱柱损伤关联性估计信息加载至全连接深度学习网络来确定色谱柱缺陷特征簇中各个色谱柱缺陷特征与参考色谱柱图像的估计色谱柱损伤关联性为例说明，对于应用过程中，依据基于蒙特卡洛神经网络的分类模型输出的色谱柱损伤关联性估计信息还可以通过多层感知机或者其它实施方式来确定各个色谱柱缺陷特征与参考色谱柱图像的估计色谱柱损伤关联性，对此不加限制。
步骤S205，依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定该基于蒙特卡洛神经网络的分类模型的第一训练误差值，跳转到步骤S212。
基于蒙特卡洛神经网络的分类模型的第一训练误差值实际上就是由基于蒙特卡洛神经网络的分类模型和回归输出单元构成的模型的训练误差值，或者说是色谱柱状态识别的训练误差值。
步骤S206，从参考色谱柱图像的色谱柱缺陷特征序列中选择多个第一参考色谱柱缺陷特征组和多个第二参考色谱柱缺陷特征组。
其中，第一参考色谱柱缺陷特征组包括：源于该第一色谱柱缺陷特征序列的两个第一色谱柱缺陷特征，所述第二参考色谱柱缺陷特征组包括：第一色谱柱缺陷特征序列中的一个第一色谱柱缺陷特征以及所述第二色谱柱缺陷特征序列中的一个第二色谱柱缺陷特征。
在该步骤S206中选择的每个参考色谱柱缺陷特征组实际上是由两个色谱柱缺陷特征构成的色谱柱缺陷特征组合，其中，第一参考色谱柱缺陷特征组包括：标定了与参考色谱柱图像存在损伤关联性的两个色谱柱缺陷特征，即第一参考色谱柱缺陷特征组为关联色谱柱缺陷特征对；而第二参考色谱柱缺陷特征组包括：标定了与参考色谱柱图像不存在损伤关联性的两个色谱柱缺陷特征，即不关联色谱柱缺陷特征组合。
步骤S207，针对第一参考色谱柱缺陷特征组和第二参考色谱柱缺陷特征组中每个参考色谱柱缺陷特征组，依据该参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱缺陷估计信息，并基于初始化权重参数的第一多层感知机，确定该参考色谱柱缺陷特征组的第一观测关联标签信息。
第一观测关联标签信息反映参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致。例如，将通过步骤S206到步骤S207的方式确定出参考色谱柱缺陷特征组，并依据第一多层感知机估计输出的观测关联标签信息称为第一观测关联标签信息。
可以将色谱柱缺陷特征的色谱柱缺陷估计信息以及色谱柱缺陷特征的色谱柱缺陷估计信息加载至第一多层感知机中，从而通过第一多层感知机估计输出的色谱柱缺陷特征与色谱柱缺陷特征是否属于关联色谱柱缺陷特征对。如，通过第一多层感知机估计输出的色谱柱缺陷特征与色谱柱缺陷特征属于关联色谱柱缺陷特征对的置信度。
步骤S208，依据各参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息以及第一观测关联标签信息，确定该第一多层感知机的第二训练误差值，跳转到步骤S212。
对于一个参考色谱柱图像而言，参考色谱柱缺陷特征组的实际关联标签信息表征该参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致。该实际关联标签信息由参考色谱柱缺陷特征组中各色谱柱缺陷特征实际被标注的色谱柱损伤关联性决定。
如，对于第一参考色谱柱缺陷特征组而言，由于第一参考色谱柱缺陷特征组中两个色谱柱缺陷特征都源于与参考色谱柱图像存在损伤关联性的第一色谱柱缺陷特征序列，因此，第一参考色谱柱缺陷特征组中两个色谱柱缺陷特征均与参考色谱柱图像关联，即第一参考色谱柱缺陷特征组的实际关联标签信息为关联（或者说属于关联色谱柱缺陷特征对）。类似的，第二参考色谱柱缺陷特征组的实际关联标签信息为不关联（或者说属于不关联色谱柱缺陷特征对）。
然后，对于各参考色谱柱图像的每个参考色谱柱缺陷特征组而言，依据其实际关联标签信息以及估计输出的第一观测关联标签信息，便可以确定出第一多层感知机是否准确估计出参考色谱柱缺陷特征组所属的关联类别。
其中，第一多层感知机的训练误差值反映第一多层感知机估计参考色谱柱缺陷特征组的观测关联标签信息的精准度。为了便于与多色谱柱缺陷特征分类任务的训练误差值区分，将色谱柱缺陷特征对共现估计任务对应的训练误差值称为第二训练误差值。
步骤S209，对于各参考色谱柱图像，从参考色谱柱图像的第一色谱柱缺陷特征序列中选择一色谱柱缺陷特征子序列，从该色谱柱缺陷特征序列中该色谱柱缺陷特征子序列之外的色谱柱缺陷特征中选择多个色谱柱缺陷特征，并将选择的每个色谱柱缺陷特征分别与该色谱柱缺陷特征子序列组成一个参考色谱柱缺陷特征组，获得多个参考色谱柱缺陷特征组。
其中，该色谱柱缺陷特征子序列包括第一色谱柱缺陷特征序列中多个第一色谱柱缺陷特征。
例如，针对某个参考色谱柱图像，假设第一色谱柱缺陷特征序列至少包括与参考色谱柱图像存在损伤关联性的色谱柱缺陷特征1、色谱柱缺陷特征3和色谱柱缺陷特征n，而第二色谱柱缺陷特征序列至少包括与参考色谱柱图像不存在损伤关联性的色谱柱缺陷特征2和色谱柱缺陷特征4。
例如，可以将色谱柱缺陷特征1和色谱柱缺陷特征n选取为色谱柱缺陷特征子序列。相应的，色谱柱缺陷特征子序列可以与第一色谱柱缺陷特征序列中的色谱柱缺陷特征3组合为一个参考色谱柱缺陷特征组，色谱柱缺陷特征子序列还可以是与第二色谱柱缺陷特征序列中的色谱柱缺陷特征2组成一个参考色谱柱缺陷特征组，色谱柱缺陷特征子序列还可以是与第二色谱柱缺陷特征序列中的色谱柱缺陷特征4组成一个参考色谱柱缺陷特征组。
步骤S210，针对该参考色谱柱图像的每个参考色谱柱缺陷特征组，将该参考色谱柱缺陷特征组中该色谱柱缺陷特征子序列中各第一色谱柱缺陷特征的色谱柱缺陷估计信息的融合估计信息确定为该色谱柱缺陷特征子序列的色谱柱缺陷估计信息，依据该参考色谱柱缺陷特征组中色谱柱缺陷特征子序列的色谱柱缺陷估计信息以及该参考色谱柱缺陷特征组中该色谱柱缺陷特征子序列之外的色谱柱缺陷特征的色谱柱缺陷估计信息，并基于待估计的第二多层感知机，确定该参考色谱柱缺陷特征组的第二观测关联标签信息。
其中，第二观测关联标签信息反映第二多层感知机估计输出的，该参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致。
例如，可以将通过步骤S209到步骤S210的方式确定出参考色谱柱缺陷特征组，并依据第二多层感知机估计输出的观测关联标签信息称为第二观测关联标签信息。
以上步骤S209到步骤S210对应色谱柱缺陷特征对共现估计的任务处理。
例如，对于色谱柱缺陷特征子序列的色谱柱缺陷估计信息可以为色谱柱缺陷特征1的色谱柱缺陷估计信息和色谱柱缺陷特征n的色谱柱缺陷估计信息的融合估计信息。
对于色谱柱缺陷特征子序列与色谱柱缺陷特征2构成的参考色谱柱缺陷特征组，可以将色谱柱缺陷特征子序列的色谱柱缺陷估计信息与色谱柱缺陷特征2的色谱柱缺陷估计信息加载至第二多层感知机，获得该第二多层感知机估计输出的该色谱柱缺陷特征子序列中各个色谱柱缺陷特征与色谱柱缺陷特征2是否均属于与参考色谱柱图像存在损伤关联性的色谱柱缺陷特征，即是否属于共现于第一色谱柱缺陷特征序列中的色谱柱缺陷特征。如，通过第二多层感知机估计输出的色谱柱缺陷特征子序列与色谱柱缺陷特征2属于关联色谱柱缺陷特征对的置信度。
对于色谱柱缺陷特征子序列与色谱柱缺陷特征3或者色谱柱缺陷特征4组合成的参考色谱柱缺陷特征组其过程也类似，对此不再赘述。
步骤S211，依据各参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息以及第二观测关联标签信息，确定该第二多层感知机的第二训练误差值。
其中，参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致。
该步骤S211与前面步骤S208类似，在此不再赘述。
步骤S212，若依据第一训练误差值、第一多层感知机的第二训练误差值以及第二多层感知机的第二训练代价函数判定是当前训练是否满足终止要求，如果满足终止要求，则结束训练，将最终输出的基于蒙特卡洛神经网络的分类模型和回归输出单元确定为色谱柱状态识别模型；如果不满足终止要求，更新基于蒙特卡洛神经网络的分类模型、回归输出单元、第一多层感知机和第二多层感知机的权重参数信息，并返回步骤S202并继续训练，直至满足终止要求，则将最终输出的基于蒙特卡洛神经网络的分类模型和深度学习网络作为色谱柱状态识别模型。
下面具体介绍本申请实施例的应用过程，可以包括：
步骤S301，获得待分析色谱柱图像以及预置的色谱柱缺陷特征序列。
其中，色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合。该待分析色谱柱图像为需要确定其存在损伤关联性的多个色谱柱缺陷特征的色谱柱图像。
预置的色谱柱缺陷特征序列中包括多个色谱柱缺陷特征。该预置的色谱柱缺陷特征序列为预先配置的，包含不同色谱柱图像可能存在损伤关联性的多个色谱柱缺陷特征的序列，然后，需要从该色谱柱缺陷特征序列中确定出与该色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。
步骤S302，依据该色谱柱图像的色谱柱角度特征图集合以及该色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于色谱柱状态识别模型，确定该色谱柱图像的色谱柱损伤关联性估计信息。
其中，该色谱柱图像的色谱柱损伤关联性估计信息为由色谱柱状态识别模型估计输出的，反映该色谱柱缺陷特征簇中各色谱柱缺陷特征与该色谱柱图像的色谱柱损伤关联性的特征。
其中，可以基于多个参考色谱柱图像对应的样本色谱柱角度特征图集合以及参考色谱柱图像携带的样本色谱柱缺陷特征序列对应的样本色谱柱缺陷特征簇，以估计出该参考色谱柱图像与其样本色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱损伤关联性为学习方向训练所述深度学习网络；并且，在训练该深度学习网络的过程中，依据该参考色谱柱图像的多个参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱缺陷估计信息，以估计出该参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致为学习方向，同步训练多层感知机。
其中，样本色谱柱缺陷特征簇由样本色谱柱缺陷特征序列中各个色谱柱缺陷特征组成。参考色谱柱图像的参考色谱柱缺陷特征组包括从该参考色谱柱图像的样本色谱柱缺陷特征序列中选择的多个色谱柱缺陷特征，该色谱柱缺陷特征的色谱柱缺陷估计信息为该深度学习网络估计输出的色谱柱缺陷特征的色谱柱缺陷特征。
其中，为了与预置的色谱柱缺陷特征序列进行区分，可以将训练色谱柱状态识别模型所采用的参考色谱柱图像对应的色谱柱角度特征图集合称为样本色谱柱角度特征图集合，将参考色谱柱图像携带的色谱柱缺陷特征序列称为样本色谱柱缺陷特征序列，并将样本色谱柱缺陷特征序列对应的色谱柱缺陷特征簇称为样本色谱柱缺陷特征簇。
步骤S303，依据该色谱柱图像的色谱柱损伤关联性估计信息，从该色谱柱缺陷特征序列中确定出与色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。
如，依据色谱柱损伤关联性估计信息确定出色谱柱缺陷特征序列中各个色谱柱缺陷特征与该色谱柱图像的色谱柱损伤关联性，并依据各个色谱柱缺陷特征与色谱柱图像的色谱柱损伤关联性，选取出与该色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。
一些可替代的实施方式中，该色谱柱状态识别模型还包括回归输出单元，相应的，可以将该色谱柱图像的色谱柱损伤关联性估计信息加载至训练出的回归输出单元，获得该色谱柱缺陷特征簇中各色谱柱缺陷特征与该色谱柱图像的估计色谱柱损伤关联性。如，该估计色谱柱损伤关联性可以为表征色谱柱缺陷特征与色谱柱图像损伤关联度的关联置信度，或者是，表征色谱柱缺陷特征与色谱柱图像是否存在损伤关联性的估计信息。
一些可替代的实施方式中，依据该色谱柱缺陷特征簇中各色谱柱缺陷特征与该色谱柱图像的估计色谱柱损伤关联性，确定出该色谱柱缺陷特征序列中与色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。如，假设估计色谱柱损伤关联性为关联置信度，则可以将色谱柱缺陷特征序列中关联置信度大于设定阈值的色谱柱缺陷特征，确定为该色谱柱图像存在损伤关联性的色谱柱缺陷特征。
其中，本申请同时依据色谱柱图像的色谱柱角度特征图集合以及该色谱柱缺陷特征序列中各个色谱柱缺陷特征构成的色谱柱缺陷特征簇来估计色谱柱图像的色谱柱损伤关联性估计信息，从而使得色谱柱状态识别模型不仅会分析色谱柱图像中各个色谱柱角度特征图之间的关系，还会分析色谱柱缺陷特征序列中各个色谱柱缺陷特征以及色谱柱缺陷特征与色谱柱图像中色谱柱角度特征图之间的色谱柱损伤关联性，从而有利于更为准确的确定出色谱柱缺陷特征序列中各个色谱柱缺陷特征与该色谱柱图像的色谱柱损伤关联性，进而能够进一步提高色谱柱状态识别的精准度。
结合以上方法实施例，下面以色谱柱状态识别模型中的深度学习网络为基于蒙特卡洛神经网络的分类模型为例说明。并且，以色谱柱状态识别模型包括基于蒙特卡洛神经网络的分类模型和回归输出单元为例说明，可以包括：
步骤S401，获得待分析色谱柱图像以及预置的色谱柱缺陷特征序列。
其中，色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合。
步骤S402，依据该色谱柱图像的色谱柱角度特征图集合以及色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建该色谱柱图像的待学习特征数据。
其中，该色谱柱图像的待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在色谱柱角度特征图中的损伤位点特征集合中的损失形态特征。该色谱柱角度特征图中的损伤位点特征集合为由该色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，该色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成。
步骤S403，将该色谱柱图像的待学习特征数据加载至色谱柱状态识别模型的基于蒙特卡洛神经网络的分类模型中，获得基于蒙特卡洛神经网络的分类模型生成的损伤位点关联输出特征。
该损伤位点关联输出特征反映色谱柱图像的色谱柱损伤关联性估计信息。
步骤S404，将该色谱柱图像的色谱柱损伤关联性估计信息加载至色谱柱状态识别模型的回归输出单元，获得回归输出单元输出的该色谱柱缺陷特征簇中各色谱柱缺陷特征与该色谱柱图像的色谱柱损伤关联性置信度。
步骤S405，将色谱柱缺陷特征序列中与色谱柱图像的色谱柱损伤关联性置信度大于预设置信度的多个色谱柱缺陷特征确定为色谱柱图像存在损伤关联性的色谱柱缺陷特征。
其中，由于基于蒙特卡洛神经网络的分类模型可以准确观测出待学习特征数据中色谱柱缺陷特征与色谱柱缺陷特征之间、色谱柱角度特征图与色谱柱角度特征图之间以及色谱柱角度特征图与色谱柱缺陷特征之间的色谱柱损伤关联性，由此准确分析出色谱柱缺陷特征序列中各个色谱柱缺陷特征与该色谱柱角度特征图集合对应的色谱柱图像的色谱柱损伤关联性特征，进而提高色谱柱状态识别的可靠性。
图2示出了本申请实施例提供的用于实现上述的基于图像识别的色谱柱状态识别方法的基于图像识别的色谱柱状态识别系统100的硬件结构意图，如图2所示，基于图像识别的色谱柱状态识别系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中，基于图像识别的色谱柱状态识别系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于图像识别的色谱柱状态识别系统100可以是分布式的系统)。在一些可替代的实施方式中，基于图像识别的色谱柱状态识别系统100可以是本地的，也可以是远程的。例如，基于图像识别的色谱柱状态识别系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于图像识别的色谱柱状态识别系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中，基于图像识别的色谱柱状态识别系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些可替代的实施方式中，机器可读存储介质120可以存储从外部终端获取的数据。在一些可替代的实施方式中，机器可读存储介质120可以储存基于图像识别的色谱柱状态识别系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些可替代的实施方式中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些可替代的实施方式中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于图像识别的色谱柱状态识别方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于图像识别的色谱柱状态识别系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于图像识别的色谱柱状态识别方法。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种基于图像识别的色谱柱状态识别方法，其特征在于，通过基于图像识别的色谱柱状态识别系统实现，所述方法包括：
获得多个参考色谱柱图像以及所述参考色谱柱图像携带的色谱柱缺陷特征序列，所述参考色谱柱图像的色谱柱缺陷特征序列包括：携带与所述参考色谱柱图像的色谱柱损伤关联性的多个色谱柱缺陷特征，所述参考色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合；
对于各所述参考色谱柱图像，依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述参考色谱柱图像的色谱柱损伤关联性估计信息反映估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像的色谱柱损伤关联性；
对于各所述参考色谱柱图像，从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，所述参考色谱柱缺陷特征组包括多个色谱柱缺陷特征，所述观测关联标签信息反映所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的色谱柱损伤关联性是否一致；
依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值；
依据各参考色谱柱图像的所述参考色谱柱缺陷特征组的实际关联标签信息以及观测关联标签信息，确定所述多层感知机的第二训练误差值，所述参考色谱柱图像的参考色谱柱缺陷特征组的实际关联标签信息表征所述参考色谱柱图像的参考色谱柱缺陷特征组中各色谱柱缺陷特征实际携带的色谱柱损伤关联性是否一致；
若依据所述第一训练误差值和第二训练误差值判定当前训练不满足终止要求，则更新所述深度学习网络和多层感知机的权重参数信息，并迭代进行训练，直到当前训练满足终止要求，将最终输出的深度学习网络确定为色谱柱状态识别模型。
2.根据权利要求1所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述依据各参考色谱柱图像的色谱柱损伤关联性估计信息以及各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值，包括：
对于各参考色谱柱图像，将所述参考色谱柱图像的色谱柱损伤关联性估计信息加载至初始化权重参数的回归输出单元，获得所述回归输出单元估计输出的所述参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征与所述参考色谱柱图像之间的估计色谱柱损伤关联性；
依据各参考色谱柱图像的色谱柱缺陷特征簇中各色谱柱缺陷特征的估计色谱柱损伤关联性和实际携带的色谱柱损伤关联性，确定所述深度学习网络的第一训练误差值。
3.根据权利要求2所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述依据所述参考色谱柱图像的色谱柱角度特征图集合和所述参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于初始化权重参数的深度学习网络，确定所述参考色谱柱图像的色谱柱损伤关联性估计信息和所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，包括：
依据所述参考色谱柱图像的色谱柱角度特征图集合以及参考色谱柱图像的色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，构建待学习特征数据；其中，所述待学习特征数据中包括色谱柱角度特征图中的损伤位点特征集合，色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征，以及分布在所述色谱柱角度特征图中的损伤位点特征集合中的损失形态特征，所述色谱柱角度特征图中的损伤位点特征集合为由所述色谱柱角度特征图集合中各个色谱柱角度特征图的损伤位点特征构成，所述色谱柱缺陷特征中的宽度特征、面积特征以及曲率特征为由所述色谱柱缺陷特征簇中各个色谱柱缺陷特征的缺陷定位特征组成；
将所述待学习特征数据加载至初始化权重参数的深度学习网络，获得所述深度学习网络生成的深度学习特征，所述深度学习特征包括损伤位点关联输出特征以及所述色谱柱缺陷特征簇中各色谱柱缺陷特征的色谱柱缺陷估计信息，所述损伤位点关联输出特征反映所述参考色谱柱图像的色谱柱损伤关联性估计信息，所述深度学习网络为基于蒙特卡洛神经网络的分类模型。
4.根据权利要求1所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个第一参考色谱柱缺陷特征组和多个第二参考色谱柱缺陷特征组，所述第一参考色谱柱缺陷特征组包括：源于所述第一色谱柱缺陷特征序列的两个第一色谱柱缺陷特征，所述第二参考色谱柱缺陷特征组包括：所述第一色谱柱缺陷特征序列中的一个第一色谱柱缺陷特征以及所述第二色谱柱缺陷特征序列中的一个第二色谱柱缺陷特征。
5.根据权利要求1所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述参考色谱柱图像的色谱柱缺陷特征序列包括：第一色谱柱缺陷特征序列和第二色谱柱缺陷特征序列，所述第一色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像存在损伤关联性的多个第一色谱柱缺陷特征，所述第二色谱柱缺陷特征序列包括：标定了与所述参考色谱柱图像不存在损伤关联性的多个第二色谱柱缺陷特征；所述从所述参考色谱柱图像的色谱柱缺陷特征序列中选择多个参考色谱柱缺陷特征组，包括：从所述参考色谱柱图像的第一色谱柱缺陷特征序列中选择一色谱柱缺陷特征子序列，所述色谱柱缺陷特征子序列包括所述第一色谱柱缺陷特征序列中多个第一色谱柱缺陷特征；从所述色谱柱缺陷特征序列中所述色谱柱缺陷特征子序列之外的色谱柱缺陷特征中选择多个色谱柱缺陷特征，并将选择的每个色谱柱缺陷特征分别与所述色谱柱缺陷特征子序列组成一个参考色谱柱缺陷特征组，获得多个参考色谱柱缺陷特征组。
6.根据权利要求5所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述依据所述参考色谱柱缺陷特征组中各色谱柱缺陷特征的所述色谱柱缺陷估计信息，并基于初始化权重参数的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息，包括：将所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列中各第一色谱柱缺陷特征的色谱柱缺陷估计信息的融合估计信息确定为所述色谱柱缺陷特征子序列的色谱柱缺陷估计信息；依据所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列的色谱柱缺陷估计信息以及所述参考色谱柱缺陷特征组中所述色谱柱缺陷特征子序列之外的色谱柱缺陷特征的色谱柱缺陷估计信息，并基于待估计的多层感知机，确定所述参考色谱柱缺陷特征组的观测关联标签信息。
7.根据权利要求1-6中任意一项所述的基于图像识别的色谱柱状态识别方法，其特征在于，所述方法还包括：
获得待分析色谱柱图像以及预置的色谱柱缺陷特征序列，所述色谱柱图像包括由多个色谱柱角度特征图构成的色谱柱角度特征图集合，所述色谱柱缺陷特征序列中包括多个色谱柱缺陷特征；
依据所述色谱柱图像的色谱柱角度特征图集合以及所述色谱柱缺陷特征序列中各色谱柱缺陷特征构成的色谱柱缺陷特征簇，并基于所述色谱柱状态识别模型，确定所述色谱柱图像的色谱柱损伤关联性估计信息，所述色谱柱图像的色谱柱损伤关联性估计信息反映所述色谱柱缺陷特征簇中各色谱柱缺陷特征与所述色谱柱图像的色谱柱损伤关联性；
依据所述色谱柱图像的色谱柱损伤关联性估计信息，从所述色谱柱缺陷特征序列中确定出与所述待分析色谱柱图像存在损伤关联性的多个色谱柱缺陷特征。
8.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于图像识别的色谱柱状态识别方法。
9.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于图像识别的色谱柱状态识别方法。
10.一种基于图像识别的色谱柱状态识别系统，其特征在于，所述基于图像识别的色谱柱状态识别系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-7中任意一项所述的基于图像识别的色谱柱状态识别方法。
CN202310778220.6A 2023-06-29 2023-06-29 基于图像识别的色谱柱状态识别方法及系统 Active CN116503411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778220.6A CN116503411B (zh) 2023-06-29 2023-06-29 基于图像识别的色谱柱状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778220.6A CN116503411B (zh) 2023-06-29 2023-06-29 基于图像识别的色谱柱状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN116503411A true CN116503411A (zh) 2023-07-28
CN116503411B CN116503411B (zh) 2023-08-29

Family

ID=87317038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778220.6A Active CN116503411B (zh) 2023-06-29 2023-06-29 基于图像识别的色谱柱状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN116503411B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426282A (zh) * 2018-12-21 2020-07-17 核动力运行研究所 一种光学测量点云的密封面误差评估缺陷识别方法
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
CN113128969A (zh) * 2021-04-26 2021-07-16 广州太玮生物科技有限公司 一种色谱柱日常使用管理系统
CN113433248A (zh) * 2021-07-19 2021-09-24 北京科瑞麦科技有限公司 气相色谱柱的制备方法及具有该色谱柱的色谱仪装置
CN114818895A (zh) * 2022-04-15 2022-07-29 上海思源弘瑞自动化有限公司 一种模型训练及异常数据识别方法、装置、设备及介质
US20230003699A1 (en) * 2021-06-30 2023-01-05 Fei Company Automated peak and baseline generation for chromatogram data
CN116310566A (zh) * 2023-03-23 2023-06-23 华谱科仪(北京)科技有限公司 色谱数据图处理方法、计算机设备和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426282A (zh) * 2018-12-21 2020-07-17 核动力运行研究所 一种光学测量点云的密封面误差评估缺陷识别方法
CN111443160A (zh) * 2020-01-23 2020-07-24 华东理工大学 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法
CN113128969A (zh) * 2021-04-26 2021-07-16 广州太玮生物科技有限公司 一种色谱柱日常使用管理系统
US20230003699A1 (en) * 2021-06-30 2023-01-05 Fei Company Automated peak and baseline generation for chromatogram data
CN113433248A (zh) * 2021-07-19 2021-09-24 北京科瑞麦科技有限公司 气相色谱柱的制备方法及具有该色谱柱的色谱仪装置
CN114818895A (zh) * 2022-04-15 2022-07-29 上海思源弘瑞自动化有限公司 一种模型训练及异常数据识别方法、装置、设备及介质
CN116310566A (zh) * 2023-03-23 2023-06-23 华谱科仪(北京)科技有限公司 色谱数据图处理方法、计算机设备和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王卓然 等: "微型色谱柱制备及其GC谱线分离性能的优化", 《微纳电子技术》, vol. 58, no. 5 *

Also Published As

Publication number Publication date
CN116503411B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN109635657A (zh) 目标跟踪方法、装置、设备及存储介质
CN111353352B (zh) 异常行为检测方法及装置
CN112560876A (zh) 解耦度量的单阶段小样本目标检测方法
CN110599451A (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
CN111723865B (zh) 评估图像识别模型、攻击方法性能的方法、装置和介质
US8953039B2 (en) System and method for auto-commissioning an intelligent video system
CN110020144B (zh) 一种推荐模型建立方法及其设备、存储介质、服务器
CN111126122B (zh) 人脸识别算法评估方法及装置
CN110659658B (zh) 一种目标检测方法及其装置
CN112633255B (zh) 目标检测方法、装置及设备
CN109902641B (zh) 基于语义对齐的人脸关键点检测方法、系统、装置
CN113743455A (zh) 目标检索方法、装置、电子设备及存储介质
CN118506846A (zh) 一种硬盘测试装置、系统及方法
CN115937703A (zh) 一种用于遥感图像目标检测的增强特征提取方法
CN115331071A (zh) 一种基于多尺度特征图的结核性脑膜脑炎预测方法及系统
CN116503411B (zh) 基于图像识别的色谱柱状态识别方法及系统
KR102260556B1 (ko) 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치
CN110489602B (zh) 知识点能力值预估方法、系统、设备及介质
CN111507289A (zh) 视频匹配方法、计算机设备和存储介质
CN110991473A (zh) 图像样本的特征选择方法、装置、计算机设备及存储介质
CN116958724A (zh) 一种产品分类模型的训练方法和相关装置
KR100671314B1 (ko) 다차원 클러스터링 알고리즘에 기반한 단백질 젤이미지에서의 기준점 추출 방법
KR102110690B1 (ko) 다중 시점 영상의 깊이 추정 장치 및 방법
CN114419504A (zh) 视频处理方法、装置及计算机设备
CN111829533B (zh) 一种数据检测方法、装置、设备和存储介质

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