CN116627040B - 烘干器控制系统及其方法 - Google Patents
烘干器控制系统及其方法 Download PDFInfo
- Publication number
- CN116627040B CN116627040B CN202310596691.5A CN202310596691A CN116627040B CN 116627040 B CN116627040 B CN 116627040B CN 202310596691 A CN202310596691 A CN 202310596691A CN 116627040 B CN116627040 B CN 116627040B
- Authority
- CN
- China
- Prior art keywords
- drying temperature
- feature
- vector
- feature vector
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001035 drying Methods 0.000 claims abstract description 225
- 239000000463 material Substances 0.000 claims abstract description 220
- 230000008859 change Effects 0.000 claims abstract description 119
- 230000003247 decreasing effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 242
- 239000011159 matrix material Substances 0.000 claims description 109
- 238000012544 monitoring process Methods 0.000 claims description 86
- 238000000605 extraction Methods 0.000 claims description 47
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 230000004927 fusion Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 15
- 230000004043 responsiveness Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F26—DRYING
- F26B—DRYING SOLID MATERIALS OR OBJECTS BY REMOVING LIQUID THEREFROM
- F26B25/00—Details of general application not covered by group F26B21/00 or F26B23/00
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video 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
- G06V10/764—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
- G06V10/80—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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本申请涉及自动化控制领域,其具体公开了一种烘干器控制系统及其方法,其能够基于物料的状态特征和不同时间跨度内不同数量的烘干温度值之间的高维隐含特征之间的逻辑关联得到包含烘干温度特征和物料状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的烘干温度应增大或应减小。因此,烘干器可以确保产品质量、节约能源以及保证系统运行安全。
Description
技术领域
本申请涉及自动化控制领域,且更为具体的涉及一种烘干器控制系统及其方法。
背景技术
烘干器控制系统是一种自动化系统,它用于监测和控制工业烘干器的运行。该系统通常包括传感器、控制器、执行器和人机界面等组成部分。传感器收集烘干器中的数据,如温度、湿度和气流速度等,并将这些数据传输给控制器。控制器根据预设的程序和算法分析传感器数据,并根据需要调整烘干器的运行参数,例如加热器输出、风扇转速和出料口位置等。在烘干器控制系统中,需要不断调整温度,以确保烘干过程能够达到预期效果。原因如下:1)确保产品质量:不同类型的物料对于烘干温度要求不同,如果温度过高或过低会影响产品的质量和干燥效率。因此,通过不断调整烘干器内部的温度,可以确保生产出高质量的产品;2)节约能源:将烘干器的温度保持在合适的范围内,可以避免能源浪费,并减少生产成本。当温度过高时,加热器会消耗更多的电能,而当温度过低时,则会导致烘干时间延长,从而增加生产成本;3)安全:通过不断监测和调整烘干器的温度,可以确保系统的安全性。在过高温度下运行烘干器可能会引起火灾或其他危险,而过低的温度则可能导致物料在烘干过程中受潮或变形。传统烘干器系统在烘干过程中会经常出现可能会存在低效,不安全,以及不稳定的情形。
因此期待一种优化的烘干器控制系统,其能够根据获取物料的温度自适应控制烘干器系统的温度。这样烘干器可以确保产品质量、节约能源以及保证系统运行安全。
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烘干器控制系统及其方法,其能够基于物料的状态特征和不同时间跨度内不同数量的发酵温度值之间的高维隐含特征之间的逻辑关联得到包含烘干温度特征和物料状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的烘干温度应增大或应减小。因此,烘干器可以确保产品质量、节约能源以及保证系统运行安全。
根据本申请的一个方面,提供了一种烘干器控制系统,其包括:
数据获取模块,用于获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;
采样模块,用于从所述预定时间段的物料监控视频提取多个物料监控关键帧;
深浅特征编码模块,用于将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;
三维卷积编码模块,用于将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;
多尺度编码模块,用于将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;
响应性估计模块,用于计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
检测结果生成模块,用于将所述优化分类特征矩阵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烘干温度应增大或应减小。
在上述的烘干器控制系统中,所述采样模块,用于:以预定采样频率从所述预定时间段的物料监控视频中提取所述多个物料监控关键帧。
在上述的烘干器控制系统中,所述深浅特征编码模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;
融合单元,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及
降维单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述物料监控特征矩阵。
在上述的烘干器控制系统中,所述三维卷积编码模块,包括:
编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到物料状态变化特征图;以及
降维单元,用于对所述物料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述物料状态变化特征向量。
在上述的烘干器控制系统中,所述三维卷积编码模块,用于:
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述物料状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的烘干器控制系统中,所述多尺度编码模块,包括:
第一尺度特征提取单元,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度烘干温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
融合单元,用于将所述第一尺度烘干温度特征向量和所述第二尺度烘干温度特征向量进行级联以得到所述烘干温度特征向量。
在上述的烘干器控制系统中,所述多尺度编码模块,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第一尺度烘干温度特征向量;
其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对所述烘干温度输入向量进行卷积处理;
所述将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第二尺度烘干温度特征向量;
其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对所述烘干温度输入向量进行卷积处理。
在上述的烘干器控制系统中,所述响应性估计模块,用于:
以如下响应性估计公式计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
其中,所述响应性估计公式为:
其中Va表示所述物料状态变化特征向量,Vb表示所述烘干温度特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
在上述的烘干器控制系统中,所述优化模块,包括:
关联单元,用于对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵。
优化单元,用于计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
在上述的烘干器控制系统中,所述关联单元,用于:
对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;
计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及
将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在上述的烘干器控制系统中,所述检测结果生成模块,用于:
将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;
使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种烘干器控制方法,其包括:
获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;
从所述预定时间段的物料监控视频提取多个物料监控关键帧;
将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;
将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;
将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;
计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
将所述优化分类特征矩阵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烘干温度应增大或应减小。
与现有技术相比,本申请提供的烘干器控制方法,其能够基于物料的状态特征和不同时间跨度内不同数量的发酵温度值之间的高维隐含特征之间的逻辑关联得到包含烘干温度特征和物料状态变化特征的分类特征表示。这样,基于由分类处理得到的分类结果用于表示当前时间点的烘干温度应增大或应减小。因此,烘干器可以确保产品质量、节约能源以及保证系统运行安全。
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烘干器控制系统的应用场景图。
图2为根据本申请实施例的烘干器控制系统的框图。
图3为根据本申请实施例的烘干器控制系统的架构图。
图4为根据本申请实施例的烘干器控制方法中深浅特征编码模块的框图。
图5为根据本申请实施例的烘干器控制方法中深浅融合模块的框图。
图6为根据本申请实施例的烘干器控制方法的流程图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,在烘干器控制系统中,需要不断调整温度,以确保烘干过程能够达到预期效果。原因如下:1)确保产品质量:不同类型的物料对于烘干温度要求不同,如果温度过高或过低会影响产品的质量和干燥效率。因此,通过不断调整烘干器内部的温度,可以确保生产出高质量的产品;2)节约能源:将烘干器的温度保持在合适的范围内,可以避免能源浪费,并减少生产成本。当温度过高时,加热器会消耗更多的电能,而当温度过低时,则会导致烘干时间延长,从而增加生产成本;3)安全:通过不断监测和调整烘干器的温度,可以确保系统的安全性。在过高温度下运行烘干器可能会引起火灾或其他危险,而过低的温度则可能导致物料在烘干过程中受潮或变形。传统烘干器系统在烘干过程中会经常出现可能会存在低效,不安全,以及不稳定的情形。因此,期待一种优化的烘干器控制系统,其能够根据获取物料的温度自适应控制烘干器系统的温度。这样烘干器可以确保产品质量、节约能源以及保证系统运行安全。
针对上述技术问题,在本申请的技术方案中,期待基于物料状态变化以及不同时间跨度内不同烘干温度值来自适应地调整烘干器的烘干温度,通过这样的方式,无需人工控制烘干器的温度,且因考虑到了物料更多的数据维度和不受场景的局限,因此,本申请提供的烘干器控制系统具有更强的适用性和智能性。
目前,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为烘干器控制系统的构建提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先获取预定时间段的物料监控视频以及所述预定时间段内多个预定时间点的烘干温度值。应可以理解,物料中的温度变化会影响物料的状态特征,尤其是颜色特征。特别地,在本申请的技术方案中,随着烘干器温度的变化,物料的状态特征也会有明显的变化,所述物料监控视频中物料状态特征的变化特征与烘干器的温度存在复杂的非线性关系。
为了捕捉和利用上述隐含关联,在本申请的技术方案中,使用基于深度学习的深度神经网络模型对所述物料监控视频进行处理以得到物料状态变化特征向量。具体地,考虑到所述物料监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的,这会造成信息冗余,给特征提取带来干扰。因此,在进行特征提取前,在本申请的技术方案中,首先对所述物料监控视频进行采样处理,在一个具体的示例中,以预定采样频率对从所述预定时间段的物料监控视频提取多个物料监控关键帧。
接着,将多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个物料监控关键帧中各个物料监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加,其所提取的图像特征会越来越抽象也越来越反应对象的本质,具体地,其浅层特征更多表现外形、线条、纹理、颜色,其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中,在烘干器控制中,期待更加关注于物料的颜色变化,因此,在本申请的技术方案中,对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
接着,将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量。也就是,在高维特征空间中,将所述多个物料监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量,并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉物料状态变化特征。相较于常规的卷积神经网络模型,所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码,其中,所述三维卷积核具有三维维度:宽度维度、高度维度和通道维度,所述宽度维度和所述高度维度对应于各个图像帧的局部空间,而所述通道维度对应于所述三维特征张量的时间维度,因此,在进行三维卷积编码的过程中,能够提取所述物料在空间维度上的状态特征在时间维度上的变化特征。
针对所述多个预定时间点的烘干温度值,在本申请的技术方案中,将多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度领域特征提取模块以得到烘干温度特征向量。也就是,首先将所述多个预定时间点的烘干温度值进行向量化处理以得到烘干温度输入向量,即,烘干温度值的时序分布。接着,使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述烘干温度输入向量进行多尺度一维卷积编码,以捕捉不同时间跨度内不同数量的烘干温度值之间的高维隐含特征,并将不同尺度的关联特征进行特征融合以得到所述烘干温度特征向量。
在本申请的技术方案中,所述烘干温度是导致物料法发生状态变化的因,也就是说,所述烘干温度和所述物料的状态变化在逻辑层面存在相关关系,利用两者之间的逻辑关联得到包含烘干温度特征和物料的状态变化特征的分类特征表示。具体地,计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵。并在得到所述分类特征矩阵后,将所述分类特征矩阵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烘干温度应增大或应减小。
这样,基于物料的状态来调整烘干温度以使得烘干温度达到烘干物料的最佳状态。
特别地,在本申请的技术方案中,因烘干温度是引起物料状态发生变化的因,也就是,烘干温度与物料状态变化之间存在相关逻辑关联。相应地,在本申请的技术方案中,以所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计来表达两者之间的相关逻辑关联。在数据层面,以所述物料状态变化特征向量相对于所述烘干温度特征向量的转移矩阵来表达两者之间的相关逻辑关联,本质上所述转移矩阵是所述物料状态变化特征向量和所述物料状态变化特征向量之间的逐位置响应性关联矩阵。而如果能够进一步利用所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间之间的关联信息,则能够提升所述物料状态变化特征向量和所述烘干温度特征向量之间的相关逻辑关联表达的准确性。
具体地,在本申请的技术方案中,首先对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵,其中,所述类概率联合相关的过程,包括:对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及,将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在得到所述关联特征矩阵后,计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵,也就是,将所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间中的高维隐含关联映射到所述分类特征矩阵中以对所述分类特征矩阵进行特征表达优化,通过这样的方式,提高所述分类特征矩阵通过所述分类器所得到的分类结果的精准度。
图1为根据本申请实施例的烘干器控制系统的应用场景图。如图1所示,在该应用场景中,首先由摄像头(例如,如图1所示意的C)采集物料(例如,如图1所示意的F)在所述预定时间段的物料监控视频,以及由温度传感器(例如,如图1所示意的Se)采集的预定时间段内多个预定时间点的烘干温度值。进而,将所述预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值输入至部署有用于烘干器控制算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述用于烘干器控制算法对所述预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值进行处理,以得到用于表示当前时间点的烘干温度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。
示例性系统
图2为根据本申请实施例的烘干器控制系统的框图。如图2所示,根据本申请实施例的烘干器控制系统100,包括:数据获取模块110,用于获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;采样模块120,用于从所述预定时间段的物料监控视频提取多个物料监控关键帧;深浅特征编码模块130,用于将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;三维卷积编码模块140,用于将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;多尺度编码模块150,用于将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;响应性估计模块160,用于计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;优化模块170,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及检测结果生成模块180,用于将所述优化分类特征矩阵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烘干温度应增大或应减小。
图3为根据本申请实施例的烘干器控制系统的架构图。如图3所示,在该系统架构中,首先,获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值。然后,从所述预定时间段的物料监控视频提取多个物料监控关键帧。接着,将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵。然后,将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量。接着,将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量。然后,计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵。接着,对所述分类特征矩阵进行优化得到优化分类特征矩阵。最后,将所述优化分类特征矩阵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烘干温度应增大或应减小。
在上述的烘干器控制系统100中,数据获取模块110,用于获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值。如上所述,在烘干器控制系统中,需要不断调整温度,以确保烘干过程能够达到预期效果。原因如下:1)确保产品质量:不同类型的物料对于烘干温度要求不同,如果温度过高或过低会影响产品的质量和干燥效率。因此,通过不断调整烘干器内部的温度,可以确保生产出高质量的产品;2)节约能源:将烘干器的温度保持在合适的范围内,可以避免能源浪费,并减少生产成本。当温度过高时,加热器会消耗更多的电能,而当温度过低时,则会导致烘干时间延长,从而增加生产成本;3)安全:通过不断监测和调整烘干器的温度,可以确保系统的安全性。在过高温度下运行烘干器可能会引起火灾或其他危险,而过低的温度则可能导致物料在烘干过程中受潮或变形。传统烘干器系统在烘干过程中会经常出现可能会存在低效,不安全,以及不稳定的情形。因此,期待一种优化的烘干器控制系统,其能够根据获取物料的温度自适应控制烘干器系统的温度。这样烘干器可以确保产品质量、节约能源以及保证系统运行安全。
针对上述技术问题,在本申请的技术方案中,期待基于物料状态变化以及不同时间跨度内不同烘干温度值来自适应地调整烘干器的烘干温度,通过这样的方式,无需人工控制烘干器的温度,且因考虑到了物料更多的数据维度和不受场景的局限,因此,本申请提供的烘干器控制系统具有更强的适用性和智能性。
目前,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为烘干器控制系统的构建提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先获取预定时间段的物料监控视频以及所述预定时间段内多个预定时间点的烘干温度值。应可以理解,物料中的温度变化会影响物料的状态特征,尤其是颜色特征。特别地,在本申请的技术方案中,随着烘干器温度的变化,物料的状态特征也会有明显的变化,所述物料监控视频中物料状态特征的变化特征与烘干器的温度存在复杂的非线性关系。
在上述的烘干器控制系统100中,采样模块120,用于从所述预定时间段的物料监控视频提取多个物料监控关键帧。为了捕捉和利用上述隐含关联,在本申请的技术方案中,使用基于深度学习的深度神经网络模型对所述物料监控视频进行处理以得到物料状态变化特征向量。具体地,考虑到所述物料监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的,这会造成信息冗余,给特征提取带来干扰。因此,在进行特征提取前,在本申请的技术方案中,首先对所述物料监控视频进行采样处理,在一个具体的示例中,以预定采样频率对从所述预定时间段的物料监控视频提取多个物料监控关键帧。
具体地,在本申请实施例中,所述采样模块120,用于以预定采样频率从所述预定时间段的物料监控视频中提取所述多个物料监控关键帧。
在上述的烘干器控制系统100中,深浅特征编码模块130,用于将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵。将多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个物料监控关键帧中各个物料监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加,其所提取的图像特征会越来越抽象也越来越反应对象的本质,具体地,其浅层特征更多表现外形、线条、纹理、颜色,其深层特征更多表现对象类型、对象特征等。考虑到在本申请的技术方案中,在烘干器控制中,期待更加关注于物料的颜色变化,因此,在本申请的技术方案中,对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
图4为根据本申请实施例的烘干器控制系统中深浅特征编码模块的框图。如图4所示,所述深浅特征编码模块130,用于:浅层特征提取单元131,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;深层特征提取单元132,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;融合单元133,用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及降维单元134,用于对所述融合特征图进行沿通道维度的全局池化以得到所述物料监控特征矩阵。
在上述的烘干器控制系统100中,三维卷积编码模块140,用于将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量。将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量。也就是,在高维特征空间中,将所述多个物料监控特征矩阵沿着时间维度进行信息聚合以得到三维特征张量,并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉物料状态变化特征。相较于常规的卷积神经网络模型,所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码,其中,所述三维卷积核具有三维维度:宽度维度、高度维度和通道维度,所述宽度维度和所述高度维度对应于各个图像帧的局部空间,而所述通道维度对应于所述三维特征张量的时间维度,因此,在进行三维卷积编码的过程中,能够提取所述物料在空间维度上的状态特征在时间维度上的变化特征。
具体地,在本申请实施例中,所述三维卷积编码模块140,包括:编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到物料状态变化特征图;以及降维单元,用于对所述物料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述物料状态变化特征向量。
具体地,在本申请实施例中,所述三维卷积编码模块140,包括:使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述物料状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的烘干器控制系统100中,多尺度编码模块150,用于将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量。针对所述多个预定时间点的烘干温度值,在本申请的技术方案中,将多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度领域特征提取模块以得到烘干温度特征向量。也就是,首先将所述多个预定时间点的烘干温度值进行向量化处理以得到烘干温度输入向量,即,烘干温度值的时序分布。接着,使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述烘干温度输入向量进行多尺度一维卷积编码,以捕捉不同时间跨度内不同数量的烘干温度值之间的高维隐含特征,并将不同尺度的关联特征进行特征融合以得到所述烘干温度特征向量。
图5为根据本申请实施例的烘干器控制系统中多尺度编码模块的框图。如图5所示,所述多尺度编码模块150,包括:第一尺度特征提取单元151,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度烘干温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元152,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及融合单元153,用于将所述第一尺度烘干温度特征向量和所述第二尺度烘干温度特征向量进行级联以得到所述烘干温度特征向量。
具体地,在本申请实施例中,所述多尺度编码模块150,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第一尺度烘干温度特征向量;其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对所述烘干温度输入向量进行卷积处理;所述将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第二尺度烘干温度特征向量;其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对X进行卷积处理。
在上述的烘干器控制系统100中,响应性估计模块160,用于计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵。在本申请的技术方案中,所述烘干温度是导致物料法发生状态变化的因,也就是说,所述烘干温度和所述物料的状态变化在逻辑层面存在相关关系,利用两者之间的逻辑关联得到包含烘干温度特征和物料的状态变化特征的分类特征表示。具体地,计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵。
具体地,在本申请实施例中,所述响应性估计模块160,用于:以如下响应性估计公式计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;其中,所述响应性估计公式为:
其中Va表示所述物料状态变化特征向量,Vb表示所述烘干温度特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
在上述的烘干器控制系统100中,优化模块170,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵。在本申请的技术方案中,因烘干温度是引起物料状态发生变化的因,也就是,烘干温度与物料状态变化之间存在相关逻辑关联。相应地,在本申请的技术方案中,以所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计来表达两者之间的相关逻辑关联。在数据层面,以所述物料状态变化特征向量相对于所述烘干温度特征向量的转移矩阵来表达两者之间的相关逻辑关联,本质上所述转移矩阵是所述物料状态变化特征向量和所述物料状态变化特征向量之间的逐位置响应性关联矩阵。而如果能够进一步利用所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间之间的关联信息,则能够提升所述物料状态变化特征向量和所述烘干温度特征向量之间的相关逻辑关联表达的准确性。
具体地,在本申请的技术方案中,首先对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵,其中,所述类概率联合相关的过程,包括:对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及,将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在得到所述关联特征矩阵后,计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵,也就是,将所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间中的高维隐含关联映射到所述分类特征矩阵中以对所述分类特征矩阵进行特征表达优化,通过这样的方式,提高所述分类特征矩阵通过所述分类器所得到的分类结果的精准度。
具体地,在本申请实施例中,所述优化模块,包括:关联单元,用于对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵;优化单元,用于计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
具体地,在本申请实施例中,所述关联单元,用于:对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及将所述多个皮尔逊相关系数排列为所述关联特征矩阵。
在上述的烘干器控制系统100中,检测结果生成模块180,用于将所述优化分类特征矩阵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烘干温度应增大或应减小。
具体地,在本申请实施例中,所述检测结果生成模块180,用于:将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的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输入所述分类器的Softmax分类函数以得到所述分类结果。
示例性方法
图6图示了根据本申请实施例的烘干器控制方法的流程图。如图6所示,根据本申请实施例的所述烘干器控制方法,包括步骤:S110,获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;S120,从所述预定时间段的物料监控视频提取多个物料监控关键帧;S130,将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;S140,将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;S150,将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;S160,计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;S170,对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及S180,将所述优化分类特征矩阵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烘干温度应增大或应减小。
这里,本领域技术人员可以理解,上述烘干器控制系统的控制方法中的各个步骤的具体操作已经在上面参考图1到图5的烘干器控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的烘干器控制系统100可以实现在各种终端设备中,例如烘干器控制服务器等。在一个示例中,根据本申请实施例的烘干器控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该烘干器控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该烘干器控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该烘干器控制系统100与该终端设备也可以是分立的设备,并且该烘干器控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。图7图示了根据本申请实施例的电子设备的框图。如图7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烘干器控制方法中的功能以及/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烘干温度、物料状态变化等各种内容。
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,包括当前时间点的烘干温度应增大或应减小等。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7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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种烘干器控制系统,其特征在于,包括:
数据获取模块,用于获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;
采样模块,用于从所述预定时间段的物料监控视频提取多个物料监控关键帧;
深浅特征编码模块,用于将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;
三维卷积编码模块,用于将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;
多尺度编码模块,用于将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;
响应性估计模块,用于计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行优化得到优化分类特征矩阵,以及
检测结果生成模块,用于将所述优化分类特征矩阵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烘干温度应增大或应减小;
其中,所述优化模块,包括:
关联单元,用于对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵;
优化单元,用于计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵;
其中,所述关联单元,用于:
对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;
计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及
将所述多个皮尔逊相关系数排列为所述关联特征矩阵;
其中,通过对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关,以利用所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间之间的关联信息,从而能够提升所述物料状态变化特征向量和所述烘干温度特征向量之间的相关逻辑关联表达的准确性。
2.根据权利要求1所述的烘干器控制系统,其特征在于,所述深浅特征编码模块,包括:
浅层特征提取单元,用于从所述第一卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第一卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;
融合单元,用于使用所述第一卷积神经网络模型的深浅融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及
降维单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述物料监控特征矩阵。
3.根据权利要求2所述的烘干器控制系统,其特征在于,所述三维卷积编码模块,包括:
编码单元,用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到物料状态变化特征图;以及
降维单元,用于对所述物料状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述物料状态变化特征向量。
4.根据权利要求3所述的烘干器控制系统,其特征在于,所述三维卷积编码模块,用于:
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行:
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述物料状态变化特征图,所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
5.根据权利要求4所述的烘干器控制系统,其特征在于,所述多尺度编码模块,包括:
第一尺度特征提取单元,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度烘干温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
融合单元,用于将所述第一尺度烘干温度特征向量和所述第二尺度烘干温度特征向量进行级联以得到所述烘干温度特征向量。
6.根据权利要求5所述的烘干器控制系统,其特征在于,所述多尺度编码模块,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第一尺度烘干温度特征向量;
其中,所述第一卷积公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对所述烘干温度输入向量进行卷积处理;
所述将所述烘干温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度烘干温度特征向量,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述烘干温度输入向量进行一维卷积编码以得到所述第二尺度烘干温度特征向量;
其中,所述第二卷积公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述烘干温度输入向量,Cov(X)为对所述烘干温度输入向量进行卷积处理。
7.根据权利要求6所述的烘干器控制系统,其特征在于,所述响应性估计模块,用于:
以如下公式计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
其中,所述响应性估计公式为:
其中Va表示所述物料状态变化特征向量,Vb表示所述烘干温度特征向量,M表示所述分类特征矩阵,表示矩阵相乘。
8.一种烘干器控制方法,包括:
获取预定时间段的物料监控视频、所述预定时间段内多个预定时间点的烘干温度值;
从所述预定时间段的物料监控视频提取多个物料监控关键帧;
将所述多个物料监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个物料监控特征矩阵;
将所述多个物料监控特征矩阵沿着时间维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到物料状态变化特征向量;
将所述多个预定时间点的烘干温度值按照时间维度排列为烘干温度输入向量后通过多尺度邻域特征提取模块以得到烘干温度特征向量;
计算所述物料状态变化特征向量相对于所述烘干温度特征向量的响应性估计以得到分类特征矩阵;
对所述分类特征矩阵进行优化得到优化分类特征矩阵;以及
将所述优化分类特征矩阵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烘干温度应增大或应减小;
其中,对所述分类特征矩阵进行优化得到优化分类特征矩阵,包括:
对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵;
计算所述关联特征矩阵与所述分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵;
其中,对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关以得到关联特征矩阵,包括:
对所述物料状态变化特征向量和所述烘干温度特征向量进行归一化以得到归一化后物料状态变化特征向量和归一化后烘干温度特征向量;
计算所述归一化后物料状态变化特征向量和所述归一化后烘干温度特征向量的每两个元素之间的皮尔逊相关系数以得到多个皮尔逊相关系数;以及
将所述多个皮尔逊相关系数排列为所述关联特征矩阵;
其中,通过对所述物料状态变化特征向量和所述烘干温度特征向量进行类概率联合相关,以利用所述物料状态变化特征向量和所述烘干温度特征向量在类概率空间之间的关联信息,从而能够提升所述物料状态变化特征向量和所述烘干温度特征向量之间的相关逻辑关联表达的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596691.5A CN116627040B (zh) | 2023-05-23 | 2023-05-23 | 烘干器控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596691.5A CN116627040B (zh) | 2023-05-23 | 2023-05-23 | 烘干器控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116627040A CN116627040A (zh) | 2023-08-22 |
CN116627040B true CN116627040B (zh) | 2024-04-02 |
Family
ID=87590520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310596691.5A Active CN116627040B (zh) | 2023-05-23 | 2023-05-23 | 烘干器控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116627040B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116983681B (zh) * | 2023-09-12 | 2024-02-27 | 浙江嘉诚动能科技股份有限公司 | 一种智能复合式甲醇蒸发器 |
CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241605A (zh) * | 2019-07-17 | 2021-01-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN112818827A (zh) * | 2021-01-28 | 2021-05-18 | 贵州省烟草科学研究院 | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 |
CN114884772A (zh) * | 2022-05-07 | 2022-08-09 | 福建福清核电有限公司 | 裸机vxlan的部署方法、系统和电子设备 |
CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
-
2023
- 2023-05-23 CN CN202310596691.5A patent/CN116627040B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241605A (zh) * | 2019-07-17 | 2021-01-19 | 华北电力大学(保定) | 声振信号构造cnn特征矩阵的断路器储能过程状态辨识方法 |
CN112818827A (zh) * | 2021-01-28 | 2021-05-18 | 贵州省烟草科学研究院 | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 |
CN114884772A (zh) * | 2022-05-07 | 2022-08-09 | 福建福清核电有限公司 | 裸机vxlan的部署方法、系统和电子设备 |
CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
CN116038854A (zh) * | 2023-01-10 | 2023-05-02 | 漯河江山天安新型建材有限公司 | 门加工用成型控制系统及方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116627040A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116627040B (zh) | 烘干器控制系统及其方法 | |
CN115951584B (zh) | 用于滚筒杀青机的温度控制系统及方法 | |
CN116038854A (zh) | 门加工用成型控制系统及方法 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN113111543B (zh) | 物联网服务系统 | |
CN115936682A (zh) | 印制线路板的废料回收系统及其方法 | |
CN115947426A (zh) | 一种基于亚氧化钛电极的电催化氧化模块 | |
CN115689214A (zh) | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN116151768A (zh) | 城市污水处理监管方法及其系统 | |
CN116690823A (zh) | 改性pbt材料的智能制备方法及其系统 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN112819044A (zh) | 用于目标对象的目标操作任务补偿的神经网络的训练方法 | |
CN116483132A (zh) | 基于驱动电机电流控制协同的煤流量控制系统及其方法 | |
KR20190056873A (ko) | 다중 신경망을 활용한 객체 검출 장치 및 그 방법과, 객체 검출 학습 방법 | |
CN116624977A (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN116072355A (zh) | 光伏线及其智能化制造方法 | |
CN116258947A (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
CN116552049A (zh) | 一次性纸杯生产设备及其方法 | |
CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
CN116794975B (zh) | 电动蝶阀的智能控制方法及其系统 | |
CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
CN116071579A (zh) | 基于多层级特征融合的目标跟踪方法、系统和电子设备 |
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 |