CN116605891B - 电子级六氟磷酸锂的智能生产方法及其系统 - Google Patents

电子级六氟磷酸锂的智能生产方法及其系统 Download PDF

Info

Publication number
CN116605891B
CN116605891B CN202310584444.3A CN202310584444A CN116605891B CN 116605891 B CN116605891 B CN 116605891B CN 202310584444 A CN202310584444 A CN 202310584444A CN 116605891 B CN116605891 B CN 116605891B
Authority
CN
China
Prior art keywords
aging
time sequence
characteristic diagram
classification
monitoring time
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
CN202310584444.3A
Other languages
English (en)
Other versions
CN116605891A (zh
Inventor
詹秀玲
杨瑞甫
滕丽云
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.)
Fujian Longde New Energy Co ltd
Original Assignee
Fujian Longde New Energy 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 Fujian Longde New Energy Co ltd filed Critical Fujian Longde New Energy Co ltd
Priority to CN202310584444.3A priority Critical patent/CN116605891B/zh
Publication of CN116605891A publication Critical patent/CN116605891A/zh
Application granted granted Critical
Publication of CN116605891B publication Critical patent/CN116605891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01D—COMPOUNDS OF ALKALI METALS, i.e. LITHIUM, SODIUM, POTASSIUM, RUBIDIUM, CAESIUM, OR FRANCIUM
    • C01D15/00—Lithium compounds
    • C01D15/005—Lithium hexafluorophosphate
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/7747—Organisation of the process, 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01P—INDEXING SCHEME RELATING TO STRUCTURAL AND PHYSICAL ASPECTS OF SOLID INORGANIC COMPOUNDS
    • C01P2006/00—Physical properties of inorganic compounds
    • C01P2006/80—Compositional purity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Robotics (AREA)
  • Inorganic Chemistry (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能生产领域，其具体地公开了一种电子级六氟磷酸锂的智能生产方法及其系统，其基于获取预定时间段的陈化监控视频，提取监控视频中的关联特征信息，以此来确保产品的品质。具体地，基于深度学习和人工智能技术从中提取有效的隐含关联特征信息以进行分类处理，通过这样的方式，实现对电子级六氟磷酸锂陈化过程的自动监控与判断，从而能够有效控制陈化时间，确保达到最佳的陈化效果，保证电子级六氟磷酸锂结晶的完整性和纯度，提高了产品质量。

Description

电子级六氟磷酸锂的智能生产方法及其系统
技术领域
本申请涉及智能生产领域，且更为具体地，涉及一种电子级六氟磷酸锂的智能生产方法及其系统。
背景技术
电子级六氟磷酸锂是一种无机化合物，化学式为LiPF6。它通常是白色晶体粉末，易溶于极性有机溶剂，在锂离子电池中得到广泛应用。
专利CN 103539168B提供了一种电子级六氟磷酸锂的纯化方法，其通过特定工艺能够有效去除电子级六氟磷酸锂中的无机和有机杂质制备得到高纯度的电子级六氟磷酸锂。在实际进行电子级六氟磷酸锂的生产与纯化过程中，陈化时间是非常重要的控制因素之一，对于陈化时间的精准控制可以促进电子级六氟磷酸锂结晶的完整性和纯度。
而对于陈化时间的控制过程中，现存如下问题：过短的陈化时间可能会导致杂质存在，而过长时间则可能会导致晶体粘连或形成大颗粒，对产品质量产生不良影响。
因此，期待一种优化的电子级六氟磷酸锂的生产方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电子级六氟磷酸锂的智能生产方法及其系统，其基于获取预定时间段的陈化监控视频，提取监控视频中的关联特征信息，以此来确保产品的品质。具体地，基于深度学习和人工智能技术从中提取有效的隐含关联特征信息以进行分类处理，通过这样的方式，实现对电子级六氟磷酸锂陈化过程的自动监控与判断，从而能够有效控制陈化时间，确保达到最佳的陈化效果，保证电子级六氟磷酸锂结晶的完整性和纯度，提高了产品质量。
相应地，根据本申请的一个方面，提供了一种电子级六氟磷酸锂的智能生产方法，其包括：获取预定时间段的陈化监控视频；从所述陈化监控视频提取多个陈化监控关键帧；将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；以及
将所述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是否停止陈化。
在上述电子级六氟磷酸锂的智能生产方法中，所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述陈化监控关键帧进行深度卷积编码以得到初始卷积特征矩阵；将所述初始卷积特征矩阵输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力矩阵；将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，计算所述空间注意力特征矩阵和所述初始卷积特征矩阵之间的按位置点乘以得到所述陈化监控图像特征矩阵。
在上述电子级六氟磷酸锂的智能生产方法中，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图，包括：将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图；将所述陈化监控时序输入张量通过所述第三卷积神经网络模型以得到第二陈化监控时序特征图；计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数分别对所述第一陈化监控时序特征图和所述第二陈化监控时序特征图进行加权以得到加权后第一陈化监控时序特征图和加权后第二陈化监控时序特征图；以及，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图。
在上述电子级六氟磷酸锂的智能生产方法中，所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图，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基于局部特征矩阵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，所述第二卷积神经网络的最后一层的输出为所述第一陈化监控时序特征图，所述第二卷积神经网络的第一层的输入为所述陈化监控时序输入张量。
在上述电子级六氟磷酸锂的智能生产方法中，计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数，包括：以如下公式计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数；其中，所述公式为：，/>表示所述第一亥姆霍兹类自由能量因数，表示所述第二亥姆霍兹类自由能量因数，/>表示所述第一陈化监控时序特征图通过所述分类器得到的分类概率值，/>表示所述第二陈化监控时序特征图通过所述分类器得到的分类概率值，/>是所述第一陈化监控时序特征图的尺度（通道数×宽度×高度），是第二陈化监控时序特征图的尺度，/>表示以2为底的对数函数值，/>表示以自然常数/>为底的指数运算，/>表示所述第一陈化监控时序特征图中各个位置的特征值，/>表示所述第一陈化监控时序特征图中各个位置的特征值。
在上述电子级六氟磷酸锂的智能生产方法中，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图，包括：以如下公式融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到所述分类特征图；其中，所述公式为：，其中，/>为所述分类特征图，/>为所述加权后第一陈化监控时序特征图，/>为所述加权后第二陈化监控时序特征图，“/>”表示所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图相对应位置处的元素相加，/>和为用于控制所述分类特征图中所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图之间的平衡的加权参数。
在上述电子级六氟磷酸锂的智能生产方法中，将所述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是否停止陈化，包括：将所述分类特征图展开为分类特征向量；使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了电子级六氟磷酸锂的智能生产系统，其包括：视频采集模块，用于获取预定时间段的陈化监控视频；关键帧提取模块，用于从所述陈化监控视频提取多个陈化监控关键帧；空间特征提取模块，用于将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；维度变化模块，用于将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；特征优化模块，用于将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；和分类结果模块，用于将所述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是否停止陈化。
在上述电子级六氟磷酸锂的智能生产系统中，所述空间特征提取模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述陈化监控关键帧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第一卷积神经网络模型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；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陈化监控特征图；以及，对所述陈化监控特征图进行沿通道维度的全局均值池化处理以得到所述陈化监控特征矩阵。
与现有技术相比，本申请提供的一种电子级六氟磷酸锂的智能生产方法及其系统，其基于获取预定时间段的陈化监控视频，提取监控视频中的关联特征信息，以此来确保产品的品质。具体地，基于深度学习和人工智能技术从中提取有效的隐含关联特征信息以进行分类处理，通过这样的方式，实现对电子级六氟磷酸锂陈化过程的自动监控与判断，从而能够有效控制陈化时间，确保达到最佳的陈化效果，保证电子级六氟磷酸锂结晶的完整性和纯度，提高了产品质量。
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电子级六氟磷酸锂的智能生产方法的场景示意图。
图2为根据本申请实施例的电子级六氟磷酸锂的智能生产方法的流程图。
图3为根据本申请实施例的电子级六氟磷酸锂的智能生产方法的架构图。
图4为根据本申请实施例的电子级六氟磷酸锂的智能生产方法中将将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图的流程图。
图5为根据本申请实施例的电子级六氟磷酸锂的智能生产系统的框图。
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：针对上述技术问题，本申请的技术构思为：获取预定时间段的陈化监控视频，并利用深度学习和人工智能技术从中提取有效的隐含关联特征信息以进行分类处理，通过这样的方式，实现对电子级六氟磷酸锂陈化过程的自动监控与判断，从而能够有效控制陈化时间，确保达到最佳的陈化效果，保证电子级六氟磷酸锂结晶的完整性和纯度，提高了产品质量。
具体地，在本申请的技术方案中，首先，获取预定时间段的陈化监控视频。也就是，通过获取预定时间段的陈化监控视频对其进行监控并记录陈化过程中的各种情况，如结晶粒度、数量、颜色、形态等。若在陈化过程中出现异常情况，如结晶不良、纯度下降等，也会在一定程度上在陈化监控视频中显现。在实施过程中，获取预定时间段的陈化监控视频需要使用相应的陈化监控设备，例如，在电子级六氟磷酸锂陈化过程中设置摄像头。需要注意的是，在设置摄像头和录制陈化监控视频时，需要遵守相关的安全和保密规定，确保生产过程的安全和保密性。
接着，从所述陈化监控视频提取多个陈化监控关键帧。在本申请的技术方案中，将完整的陈化监控视频转换成单帧图像能够大幅度降低数据量和处理时间，同时，能够获取到电子级六氟磷酸锂陈化过程中最具有代表性和信息量的帧，例如结晶粒度、数量、颜色、形态等，可以有效提高分类模型的准确性，并利用这些图像关键帧进行后续的特征提取和时序建模。
为了提取每个关键帧中所蕴含的高级隐含特征信息，在本申请的技术方案中，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵。这里，通过使用卷积神经网络（CNN）模型，可以自动地从图像中提取有用的特征信息，例如结晶粒度、数量、颜色、形态等，而使用空间注意力机制可以进一步增强CNN模型对重要区域的关注度，提高特征提取的准确性和鲁棒性。其中，所述多个陈化监控图像特征矩阵反映了不同关键帧中的结晶状态，包含更加全面和多样的信息，有助于提高分类准确性。
在本申请的技术方案中，期待利用深度学习模型对所述多个陈化监控图像特征矩阵进行分析，从而识别出电子级六氟磷酸锂结晶状态在时间维度上的隐含变化特征信息。由此，首先，将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量以将不同时间点提取的特征进行整合，形成一个多通道的时序特征表示，从而能够更全面地反映电子级六氟磷酸锂结晶状态随时间的变化信息。然后，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图。其中第二卷积神经网络模型和第三卷积神经网络模型具有不同尺度的三维卷积核，可以充分挖掘所述陈化监控时序输入张量中不同尺度的特征信息，提高特征提取的灵活性和鲁棒性，从而更加准确地识别陈化过程中的结晶状态。
在得到所述分类特征图后将其通过分类器以得到分类结果，所述分类结果用于表示是否停止陈化。也就是说，在本技术方案中，使用深度学习模型对陈化监控数据进行建模和分析，得到分类特征图后，将其输入到分类器中，利用分类器对其进行分类，判断当前陈化进程是否需要停止。如果分类结果为“停止陈化”，则应该及时停止陈化过程；如果分类结果为“继续陈化”，则可以继续进行陈化过程并等待下一次监测。通过这样的方式，实现对陈化过程的自动监控和控制，促进电子级六氟磷酸锂结晶的完整性和纯度，提高产品质量和生产效率。
在本申请的技术方案中，所述分类特征图是将所述陈化监控时序输入张量分别通过第二卷积神经网络模型和第三卷积神经网络模型得到的第一陈化监控时序特征图和第二陈化监控时序特征图融合得到的。考虑到集成网络模型的不同并行管线之间的特征提取的一定程度的独立性，会导致所述第一陈化监控时序特征图和第二陈化监控时序特征图存在局部特征分布的相关性弱的问题。也就是，所述第一陈化监控时序特征图和第二陈化监控时序特征图各自的整体特征分布内存在相对于分类器的类弱相关分布实例，导致所述第一陈化监控时序特征图和第二陈化监控时序特征图相对于分类器的类标签的相容性较低，这会影响所述分类特征图对于所述第一陈化监控时序特征图和第二陈化监控时序特征图的融合效果，从而影响所述分类特征图的分类结果的准确性。
基于此，优选地计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图 />的亥姆霍兹类自由能量因数，具体为： 和/>分别表示所述第一陈化监控时序特征图 />和所述第二陈化监控时序特征图/>的分类概率值，且/>是特征图的尺度，即宽度乘以高度乘以通道数,/>和/>分别表示所述第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数。
这里，基于亥姆霍兹自由能公式，可以将所述第一陈化监控时序特征图和所述第二陈化监控时序特征图/>各自的特征值集合对于预定类回归的能量值以特征向量整体的回归自由能进行描述，通过以其对所述第一陈化监控时序特征图/>和所述第二陈化监控时序特征图/>进行加权，就可以对所述第一陈化监控时序特征图/>和所述第二陈化监控时序特征图/>在分类目标域中与真值实例（groundtruth instance）分布具有重叠性的特征的类相关原型实例（prototype instance）分布进行关注，以便于在所述第一陈化监控时序特征图/>和所述第二陈化监控时序特征图/>的整体特征分布内存在类弱相关分布实例的情况下通过对于其进行模糊性标注来实现增量学习，从而改进整体特征分布在分类回归下的相容性，提高所述分类特征图对于所述第一陈化监控时序特征图/>和所述第二陈化监控时序特征图/>的融合效果，从而提高所述分类特征图的分类结果的准确性。
基于此，本申请提出了一种电子级六氟磷酸锂的智能生产方法，其包括：获取预定时间段的陈化监控视频；从所述陈化监控视频提取多个陈化监控关键帧；将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；以及，将所述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是否停止陈化。
图1为根据本申请实施例的电子级六氟磷酸锂的智能生产方法的场景示意图。如图1所示，在该场景中，通过摄像头（例如，如图1中所示意的P）获取预定时间段的陈化监控视频。接着，将上述信息输入至部署有电子级六氟磷酸锂的智能生产算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够以所述电子级六氟磷酸锂的智能生产算法对所述由摄像头采集的电子级六氟磷酸锂的智能生产的陈化监控视频进行处理，以生成用于表示是否停止陈化的分类结果。
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电子级六氟磷酸锂的智能生产方法的流程图。如图2所示，根据本申请实施例的电子级六氟磷酸锂的智能生产方法，包括：S110，获取预定时间段的陈化监控视频；S120，从所述陈化监控视频提取多个陈化监控关键帧；S130，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；S140，将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；S150，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；以及，S160，将所述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是否停止陈化。
图3为根据本申请实施例的电子级六氟磷酸锂的智能生产方法的架构图。如图3所示，在该架构中，首先，获取预定时间段的陈化监控视频；接着，从所述陈化监控视频提取多个陈化监控关键帧；然后，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；接着，将将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；然后，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；最后，将所述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是否停止陈化。
在步骤S110中，获取预定时间段的陈化监控视频。如上背景所述，也就是，通过获取预定时间段的陈化监控视频对其进行监控并记录陈化过程中的各种情况，如结晶粒度、数量、颜色、形态等。若在陈化过程中出现异常情况，如结晶不良、纯度下降等，也会在一定程度上在陈化监控视频中显现。在实施过程中，获取预定时间段的陈化监控视频需要使用相应的陈化监控设备，例如，在电子级六氟磷酸锂陈化过程中设置摄像头。需要注意的是，在设置摄像头和录制陈化监控视频时，需要遵守相关的安全和保密规定，确保生产过程的安全和保密性。
在步骤S120中，从所述陈化监控视频提取多个陈化监控关键帧。在本申请的技术方案中，将完整的陈化监控视频转换成单帧图像能够大幅度降低数据量和处理时间，同时，能够获取到电子级六氟磷酸锂陈化过程中最具有代表性和信息量的帧，例如结晶粒度、数量、颜色、形态等，可以有效提高分类模型的准确性，并利用这些图像关键帧进行后续的特征提取和时序建模。
具体地，在本申请实施例中，从所述陈化监控视频提取多个陈化监控关键帧，包括：以预定采样频率从所述陈化监控视频提取所述多个陈化监控关键帧。
在步骤S130中，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵。为了提取每个关键帧中所蕴含的高级隐含特征信息，在本申请的技术方案中，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵。这里，通过使用卷积神经网络（CNN）模型，可以自动地从图像中提取有用的特征信息，例如结晶粒度、数量、颜色、形态等，而使用空间注意力机制可以进一步增强CNN模型对重要区域的关注度，提高特征提取的准确性和鲁棒性。其中，所述多个陈化监控图像特征矩阵反映了不同关键帧中的结晶状态，包含更加全面和多样的信息，有助于提高分类准确性。
具体地，在本申请实施例中，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述陈化监控关键帧进行深度卷积编码以得到初始卷积特征矩阵；将所述初始卷积特征矩阵输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力矩阵；将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，计算所述空间注意力特征矩阵和所述初始卷积特征矩阵之间的按位置点乘以得到所述陈化监控图像特征矩阵。
在步骤S140中，将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量。在本申请的技术方案中，期待利用深度学习模型对所述多个陈化监控图像特征矩阵进行分析，从而识别出电子级六氟磷酸锂结晶状态在时间维度上的隐含变化特征信息。由此，首先，将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量以将不同时间点提取的特征进行整合，形成一个多通道的时序特征表示，从而能够更全面地反映电子级六氟磷酸锂结晶状态随时间的变化信息。
在步骤S150中，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图。其中第二卷积神经网络模型和第三卷积神经网络模型具有不同尺度的三维卷积核，可以充分挖掘所述陈化监控时序输入张量中不同尺度的特征信息，提高特征提取的灵活性和鲁棒性，从而更加准确地识别陈化过程中的结晶状态。
在本申请的技术方案中，所述分类特征图是将所述陈化监控时序输入张量分别通过第二卷积神经网络模型和第三卷积神经网络模型得到的第一陈化监控时序特征图和第二陈化监控时序特征图融合得到的。考虑到集成网络模型的不同并行管线之间的特征提取的一定程度的独立性，会导致所述第一陈化监控时序特征图和第二陈化监控时序特征图存在局部特征分布的相关性弱的问题。也就是，所述第一陈化监控时序特征图和第二陈化监控时序特征图各自的整体特征分布内存在相对于分类器的类弱相关分布实例，导致所述第一陈化监控时序特征图和第二陈化监控时序特征图相对于分类器的类标签的相容性较低，这会影响所述分类特征图对于所述第一陈化监控时序特征图和第二陈化监控时序特征图的融合效果，从而影响所述分类特征图的分类结果的准确性。
具体地，在本申请实施例中，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图，包括：将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图；将所述陈化监控时序输入张量通过所述第三卷积神经网络模型以得到第二陈化监控时序特征图；计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数分别对所述第一陈化监控时序特征图和所述第二陈化监控时序特征图进行加权以得到加权后第一陈化监控时序特征图和加权后第二陈化监控时序特征图；以及，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图。
更具体地，在本申请实施例中，将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图，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基于局部特征矩阵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，所述第二卷积神经网络的最后一层的输出为所述第一陈化监控时序特征图，所述第二卷积神经网络的第一层的输入为所述陈化监控时序输入张量。
更具体地，在本申请实施例中，计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数，包括：以如下公式计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数；其中，所述公式为：，/>表示所述第一亥姆霍兹类自由能量因数， 表示所述第二亥姆霍兹类自由能量因数，/>表示所述第一陈化监控时序特征图通过所述分类器得到的分类概率值，/>表示所述第二陈化监控时序特征图通过所述分类器得到的分类概率值，/>是所述第一陈化监控时序特征图的尺度（通道数×宽度×高度），是第二陈化监控时序特征图的尺度， />表示以2为底的对数函数值，/>表示以自然常数/>为底的指数运算，/>表示所述第一陈化监控时序特征图中各个位置的特征值， />表示所述第一陈化监控时序特征图中各个位置的特征值。
更具体地，在本申请实施例中，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图，包括：以如下公式融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到所述分类特征图；其中，所述公式为：，其中，/>为所述分类特征图，/>为所述加权后第一陈化监控时序特征图，/>为所述加权后第二陈化监控时序特征图，“/>”表示所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图相对应位置处的元素相加，/>和/>为用于控制所述分类特征图中所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图之间的平衡的加权参数。
在步骤S160中，将所述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是否停止陈化。也就是说，在本技术方案中，使用深度学习模型对陈化监控数据进行建模和分析，得到分类特征图后，将其输入到分类器中，利用分类器对其进行分类，判断当前陈化进程是否需要停止。如果分类结果为“停止陈化”，则应该及时停止陈化过程；如果分类结果为“继续陈化”，则可以继续进行陈化过程并等待下一次监测。通过这样的方式，实现对陈化过程的自动监控和控制，促进电子级六氟磷酸锂结晶的完整性和纯度，提高产品质量和生产效率。
具体地，在本申请实施例中，将所述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是否停止陈化，包括：将所述分类特征图展开为分类特征向量；使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
图4为根据本申请实施例的电子级六氟磷酸锂的智能生产方法中将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图的流程图。如图4所示，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图，包括：S210，将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图；S220，将所述陈化监控时序输入张量通过所述第三卷积神经网络模型以得到第二陈化监控时序特征图；S230，计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；S240，基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数分别对所述第一陈化监控时序特征图和所述第二陈化监控时序特征图进行加权以得到加权后第一陈化监控时序特征图和加权后第二陈化监控时序特征图；以及，S250，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图。
综上，基于本申请实施例的电子级六氟磷酸锂的智能生产方法被阐明，其基于获取预定时间段的陈化监控视频，提取监控视频中的关联特征信息，以此来确保产品的品质。具体地，基于深度学习和人工智能技术从中提取有效的隐含关联特征信息以进行分类处理，通过这样的方式，实现对电子级六氟磷酸锂陈化过程的自动监控与判断，从而能够有效控制陈化时间，确保达到最佳的陈化效果，保证电子级六氟磷酸锂结晶的完整性和纯度，提高了产品质量。
示例性系统：图5为根据本申请实施例的电子级六氟磷酸锂的智能生产系统的框图。如图5所示，根据本申请实施例的电子级六氟磷酸锂的智能生产系统100，包括：视频采集模块110，用于获取预定时间段的陈化监控视频；关键帧提取模块120，用于从所述陈化监控视频提取多个陈化监控关键帧；空间特征提取模块130，用于将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；维度变化模块140，用于将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；特征优化模块150，用于将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；以及，分类结果模块160，用于将所述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是否停止陈化。
在一个示例中，在上述电子级六氟磷酸锂的智能生产系统中，所述空间特征提取模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述陈化监控关键帧进行深度卷积编码以得到初始卷积特征矩阵；将所述初始卷积特征矩阵输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力矩阵；将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及，计算所述空间注意力特征矩阵和所述初始卷积特征矩阵之间的按位置点乘以得到所述陈化监控图像特征矩阵。
在一个示例中，在上述电子级六氟磷酸锂的智能生产系统中，所述特征优化模块，进一步用于：将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图；将所述陈化监控时序输入张量通过所述第三卷积神经网络模型以得到第二陈化监控时序特征图；计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数分别对所述第一陈化监控时序特征图和所述第二陈化监控时序特征图进行加权以得到加权后第一陈化监控时序特征图和加权后第二陈化监控时序特征图；以及，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图。
在一个示例中，在上述电子级六氟磷酸锂的智能生产系统中，所述特征优化模块，进一步用于：以如下公式计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数；其中，所述公式为：，/>表示所述第一亥姆霍兹类自由能量因数，/> 表示所述第二亥姆霍兹类自由能量因数，表示所述第一陈化监控时序特征图通过所述分类器得到的分类概率值，/>表示所述第二陈化监控时序特征图通过所述分类器得到的分类概率值，/>是所述第一陈化监控时序特征图的尺度（通道数×宽度×高度），/>是第二陈化监控时序特征图的尺度， />表示以2为底的对数函数值，/>表示以自然常数/>为底的指数运算，/>表示所述第一陈化监控时序特征图中各个位置的特征值， />表示所述第一陈化监控时序特征图中各个位置的特征值。
这里，本领域技术人员可以理解，上述电子级六氟磷酸锂的智能生产系统 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的电子级六氟磷酸锂的智能生产方法的描述中得到了详细介绍，并因此，将省略其重复描述。
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电子级六氟磷酸锂的智能生产方法中的功能以及/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如陈化监控视频等各种内容。
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电子级六氟磷酸锂的智能生产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电子级六氟磷酸锂的智能生产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。

Claims (4)

1.一种电子级六氟磷酸锂的智能生产方法，其特征在于，包括：获取预定时间段的陈化监控视频；从所述陈化监控视频提取多个陈化监控关键帧；将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；以及将所述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是否停止陈化；
其中，将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述陈化监控关键帧进行深度卷积编码以得到初始卷积特征矩阵；将所述初始卷积特征矩阵输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力矩阵；将所述空间注意力矩阵通过Softmax激活函数以得到空间注意力特征矩阵；以及计算所述空间注意力特征矩阵和所述初始卷积特征矩阵之间的按位置点乘以得到所述陈化监控图像特征矩阵；
其中，将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图，包括：将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图；将所述陈化监控时序输入张量通过所述第三卷积神经网络模型以得到第二陈化监控时序特征图；计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数；基于所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数分别对所述第一陈化监控时序特征图和所述第二陈化监控时序特征图进行加权以得到加权后第一陈化监控时序特征图和加权后第二陈化监控时序特征图；以及使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图；
其中，将所述陈化监控时序输入张量通过所述第二卷积神经网络模型以得到第一陈化监控时序特征图，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基于局部特征矩阵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，所述第二卷积神经网络的最后一层的输出为所述第一陈化监控时序特征图，所述第二卷积神经网络的第一层的输入为所述陈化监控时序输入张量；
其中，计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到第一亥姆霍兹类自由能量因数和第二亥姆霍兹类自由能量因数，包括：以如下公式计算所述第一陈化监控时序特征图和所述第二陈化监控时序特征图的亥姆霍兹类自由能量因数以得到所述第一亥姆霍兹类自由能量因数和所述第二亥姆霍兹类自由能量因数；其中，所述公式为：
，
表示所述第一亥姆霍兹类自由能量因数，/>表示所述第二亥姆霍兹类自由能量因数，/>表示所述第一陈化监控时序特征图通过所述分类器得到的分类概率值，/>表示所述第二陈化监控时序特征图通过所述分类器得到的分类概率值，/>是所述第一陈化监控时序特征图的尺度，/>是第二陈化监控时序特征图的尺度，/>表示以2为底的对数函数值，/>表示以自然常数/>为底的指数运算，/>表示所述第一陈化监控时序特征图中各个位置的特征值，/>表示所述第一陈化监控时序特征图中各个位置的特征值；
其中，使用所述集成网络模型的融合模块来融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到分类特征图，包括：以如下公式融合所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图以得到所述分类特征图；其中，所述公式为：
，
其中，为所述分类特征图，/>为所述加权后第一陈化监控时序特征图，/>为所述加权后第二陈化监控时序特征图，“ />”表示所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图相对应位置处的元素相加，/>和/>为用于控制所述分类特征图中所述加权后第一陈化监控时序特征图和所述加权后第二陈化监控时序特征图之间的平衡的加权参数。
2.根据权利要求1所述的电子级六氟磷酸锂的智能生产方法，其特征在于，从所述陈化监控视频提取多个陈化监控关键帧，包括：以预定采样频率从所述陈化监控视频提取所述多个陈化监控关键帧。
3.根据权利要求2所述的电子级六氟磷酸锂的智能生产方法，其特征在于，将所述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是否停止陈化，包括：将所述分类特征图展开为分类特征向量；使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
4.一种用于实施如权利要求1所述的电子级六氟磷酸锂的智能生产方法的电子级六氟磷酸锂的智能生产系统，其特征在于，包括：视频采集模块，用于获取预定时间段的陈化监控视频；关键帧提取模块，用于从所述陈化监控视频提取多个陈化监控关键帧；空间特征提取模块，用于将所述多个陈化监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个陈化监控图像特征矩阵；维度变化模块，用于将所述多个陈化监控图像特征矩阵沿着通道维度聚合为陈化监控时序输入张量；特征优化模块，用于将所述陈化监控时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的集成网络模型以得到分类特征图；和分类结果模块，用于将所述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是否停止陈化。
CN202310584444.3A 2023-05-23 2023-05-23 电子级六氟磷酸锂的智能生产方法及其系统 Active CN116605891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310584444.3A CN116605891B (zh) 2023-05-23 2023-05-23 电子级六氟磷酸锂的智能生产方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310584444.3A CN116605891B (zh) 2023-05-23 2023-05-23 电子级六氟磷酸锂的智能生产方法及其系统

Publications (2)

Publication Number Publication Date
CN116605891A CN116605891A (zh) 2023-08-18
CN116605891B true CN116605891B (zh) 2024-03-19

Family

ID=87679559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310584444.3A Active CN116605891B (zh) 2023-05-23 2023-05-23 电子级六氟磷酸锂的智能生产方法及其系统

Country Status (1)

Country Link
CN (1) CN116605891B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115430344A (zh) * 2022-08-31 2022-12-06 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动配料系统及其配料方法
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法
CN116036639A (zh) * 2023-02-28 2023-05-02 福建省龙德新能源有限公司 超声波诱导六氟磷酸盐结晶的控制系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115430344A (zh) * 2022-08-31 2022-12-06 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动配料系统及其配料方法
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN116052050A (zh) * 2023-02-03 2023-05-02 深圳市橙洁士日用化工科技有限公司 洗涤剂智能化生产系统及其方法
CN116036639A (zh) * 2023-02-28 2023-05-02 福建省龙德新能源有限公司 超声波诱导六氟磷酸盐结晶的控制系统及其方法

Also Published As

Publication number Publication date
CN116605891A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
CN108960189B (zh) 图像再识别方法、装置及电子设备
CN102695040B (zh) 基于gpu的并行高清视频车辆检测方法
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
EP4145345A1 (en) Data annotation method and device, and fine granularity identification method and device
CN111813618A (zh) 数据异常检测方法、装置、设备及存储介质
CN115731513B (zh) 基于数字孪生的智慧园区管理系统
CN116605891B (zh) 电子级六氟磷酸锂的智能生产方法及其系统
Chen et al. Refinement of Boundary Regression Using Uncertainty in Temporal Action Localization.
CN110728229B (zh) 图像处理方法、装置、设备和存储介质
CN113052091A (zh) 一种基于卷积神经网络的动作识别方法
CN116785967B (zh) 用于电子级六氟磷酸锂制备的自动配料系统
CN117152670A (zh) 一种基于人工智能的行为识别方法及系统
CN117315585A (zh) 电解槽智能控制系统及其方法
CN116994049A (zh) 全自动针织横机及其方法
CN116091964A (zh) 高位视频场景解析方法以及系统
CN111488977A (zh) 神经网络模型训练方法和装置
CN114330542A (zh) 一种基于目标检测的样本挖掘方法、装置及存储介质
CN114241253A (zh) 违规内容识别的模型训练方法、系统、服务器及存储介质
CN113610021A (zh) 视频分类方法及装置、电子设备及计算机可读存储介质
CN116524416B (zh) 医疗实验用动物血清提取设备
CN111291767A (zh) 一种细粒度识别方法、终端设备及计算机可读存储介质
CN112320963B (zh) 一种基于大数据的鱼草平衡水质环保处理方法
CN116854111B (zh) 电子级六氟磷酸锂的纯化方法及其系统

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