CN117190657A - 隧道式烘干生产线及其方法 - Google Patents
隧道式烘干生产线及其方法 Download PDFInfo
- Publication number
- CN117190657A CN117190657A CN202311149265.3A CN202311149265A CN117190657A CN 117190657 A CN117190657 A CN 117190657A CN 202311149265 A CN202311149265 A CN 202311149265A CN 117190657 A CN117190657 A CN 117190657A
- Authority
- CN
- China
- Prior art keywords
- feature
- drying
- characteristic
- branch
- perception
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001035 drying Methods 0.000 title claims abstract description 324
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 139
- 230000008859 change Effects 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 154
- 230000008447 perception Effects 0.000 claims description 110
- 238000010586 diagram Methods 0.000 claims description 71
- 239000011159 matrix material Substances 0.000 claims description 69
- 230000000694 effects Effects 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 239000011800 void material Substances 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 230000004043 responsiveness Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000643 oven drying Methods 0.000 claims 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 28
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000571 coke Substances 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Drying Of Solid Materials (AREA)
Abstract
本申请涉及智能控制技术领域，其具体地公开了一种隧道式烘干生产线及其方法，其采用深度学习技术，从被烘干对象的监控视频中提取所述被烘干对象的状态变化特征，以及从多个时间点的烘干隧道内的温度值中提取烘干温度的时序变化特征，并基于二者之间的响应关系来自适应地调整烘干温度。这样，可以实现自动化烘干温度控制，以减少人工干预，提高烘干效率。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种隧道式烘干生产线及其方法。
背景技术
隧道式干燥机是一种利用热能来降低物料水分以干燥物料的机械设备。将待烘干的物料放置在烘干车的烘盘上，烘干车沿着隧道通道向前移动进行干燥，进料和出料在隧道两端进行，一般采用逆流操作，具有装料量大、可连续运转，结构简单，操作方便的特点。
在对于水果、中药材、农副产品等物品进行烘干时，由于物品刚进入烘干机时水分较高，在高温的环境中容易开裂焦化，所以进口温度不能过高；但物料长时间与低温高湿的空气相接触，易发生腐败变质现象，并且低温烘干会增加烘干时间，降低生产效率。因此，待干燥到一定阶段，产品中的水分较少不易开裂，此时应使用高温低湿的热流加速干燥过程。目前，隧道式烘干生产过程中的温度控制主要依靠人工调节，精度低且可靠性差。
因此，期待一种隧道式烘干生产线及其方法。
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隧道式烘干生产线及其方法，其采用深度学习技术，从被烘干对象的监控视频中提取所述被烘干对象的状态变化特征，以及从多个时间点的烘干隧道内的温度值中提取烘干温度的时序变化特征，并基于二者之间的响应关系来自适应地调整烘干温度。这样，可以实现自动化烘干温度控制，以减少人工干预，提高烘干效率。
相应地，根据本申请的一个方面，提供了一种隧道式烘干生产线，其包括：
监控模块，用于获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；
采样模块，用于从所述烘干监控视频提取多个烘干监控关键帧；
多尺度感知模块，用于将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；
差分计算模块，用于计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；
烘干效果动态变化特征提取模块，用于将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；
温度特征提取模块，用于将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；
响应性模块，用于计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；
密度域概率化模块，用于对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵；
控制结果生成模块，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、应减小或保持不变。
在上述隧道式烘干生产线中，所述采样模块，用于：以预定采样频率从所述烘干监控视频提取所述多个烘干监控关键帧。
在上述隧道式烘干生产线中，所述多尺度感知模块，包括：第一点卷积单元，用于将所述烘干监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；多分支感知单元，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；融合单元，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；第二点卷积单元，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；残差级联单元，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述烘干监控特征图。
在上述隧道式烘干生产线中，所述多分支感知单元，包括：第一一维卷积编码子单元，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；第一空洞卷积编码子单元，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；第二一维卷积编码子单元，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；第二空洞卷积编码子单元，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；第三一维卷积编码子单元，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；第三空洞卷积编码子单元，用于将所述第三一维卷积特征图通过具有第三空洞率的第三二维卷积层以得到所述第三分支感知特征图；其中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
在上述隧道式烘干生产线中，所述差分计算模块，用于：以如下差分公式计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图；
其中，所述差分公式为：
其中，F1、F2表示所述多个烘干监控特征图中相邻两个烘干监控特征图，Fc表示所述差分特征图，表示按位置差分。
在上述隧道式烘干生产线中，所述烘干效果动态变化特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；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，所述卷积神经网络模型的最后一层的输出为所述烘干效果动态特征向量，所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述隧道式烘干生产线中，所述温度特征提取模块，包括：一维排列单元，用于将所述多个预定时间点的温度值按照时间顺序排列为温度输入向量；归一化映射单元，用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量；全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征；一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述隧道式烘干生产线中，所述响应性模块，用于：以如下响应性公式计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性公式为：
其中Va表示所述烘干效果动态特征向量，Vb表示所述温度时序特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述隧道式烘干生产线中，所述密度域概率化模块，包括：块状切分单元，用于对所述分类特征矩阵进行块状切分以得到多个分类子块特征矩阵；均值池化单元，用于对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量；均值计算单元，用于计算所述多个分类子块全局语义特征向量的全局按位置均值向量以得到分类全局语义枢轴特征向量；交叉熵计算单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵以得到由多个交叉熵值组成的局部特征分布相对密度语义特征向量；概率化单元，用于将所述局部特征分布相对密度语义特征向量输入Softmax激活函数以得到局部特征分布相对密度概率化特征向量；加权单元，用于以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以得到多个加权后分类子块特征矩阵；拼接融合单元，用于将所述多个加权后分类子块特征矩阵进行拼接以得到所述优化分类特征矩阵。
根据本申请的另一个方面，提供了一种隧道式烘干生产线的控制方法，其包括：
获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；
从所述烘干监控视频提取多个烘干监控关键帧；
将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；
计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；
将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；
将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；
计算所述烘干效果动态特征向量相对于所述温度时序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基于局部特征分布的密度域概率化以得到优化分类特征矩阵；
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、应减小或保持不变。
在上述隧道式烘干生产线的控制方法中，从所述烘干监控视频提取多个烘干监控关键帧，包括：以预定采样频率从所述烘干监控视频提取所述多个烘干监控关键帧。
与现有技术相比，本申请提供的隧道式烘干生产线及其方法，其采用深度学习技术，从被烘干对象的监控视频中提取所述被烘干对象的状态变化特征，以及从多个时间点的烘干隧道内的温度值中提取烘干温度的时序变化特征，并基于二者之间的响应关系来自适应地调整烘干温度。这样，可以实现自动化烘干温度控制，以减少人工干预，提高烘干效率。
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隧道式烘干生产线的框图。
图2为根据本申请实施例的隧道式烘干生产线的架构示意图。
图3为根据本申请实施例的隧道式烘干生产线中多尺度感知模块的框图。
图4为根据本申请实施例的隧道式烘干生产线中多分支感知单元的框图。
图5为根据本申请实施例的隧道式烘干生产线中温度特征提取模块的框图。
图6为根据本申请实施例的隧道式烘干生产线的控制方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，在对于水果、中药材、农副产品等物品进行烘干时，由于物品刚进入烘干机时水分较高，在高温的环境中容易开裂焦化，所以进口温度不能过高；但物料长时间与低温高湿的空气相接触，易发生腐败变质现象，并且低温烘干会增加烘干时间，降低生产效率。因此，待干燥到一定阶段，产品中的水分较少不易开裂，此时应使用高温低湿的热流加速干燥过程。目前，隧道式烘干生产过程中的温度控制主要依靠人工调节，精度低且可靠性差。因此，期待一种隧道式烘干生产线及其方法。
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、语音信号处理等领域。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。
近年来，深度学习以及神经网络的发展为隧道式烘干生产线的温度控制提供了新的解决思路和方案。
相应地，考虑到在实际进行隧道式烘干生产线的温度智能控制时，应根据被烘干对象的状态变化来自适应地调控烘干温度。也就是说，需要挖掘出所述被烘干对象的状态变化特征与烘干温度的时序变化特征间的关联性特征分布信息，来进行烘干温度的控制。因此，在本申请的技术方案中，采用深度学习技术，从被烘干对象的监控视频中提取所述被烘干对象的状态变化特征，以及从多个时间点的烘干隧道内的温度值中提取烘干温度的时序变化特征，并基于二者之间的响应关系来自适应地调整烘干温度。这样，可以实现自动化烘干温度控制，以减少人工干预，提高烘干效率。
具体地，在本申请的技术方案中，首先，通过温度传感器采集烘干隧道内预定时间段内多个预定时间点的温度值，以及通过摄像头采集所述预定时间段的被烘干对象的烘干监控视频。然后，考虑到被烘干对象的状态变化特征可以通过所述烘干监控视频中相邻图像帧之间的差异信息来表示，但由于所述烘干监控视频中的相邻图像帧几乎一致，差异特征过小，因此，若直接对所述烘干监控视频进行特征提取，不仅计算量过于庞大，而且会对所述被烘干对象的状态变化特征提取造成干扰。基于此，进一步以预定采样频率对所述烘干监控视频进行采样处理，以从所述烘干监控视频中提取多个烘干监控关键帧，从而以所述多个烘干监控关键帧来反映物料在烘干过程中的状态变化。
接着，使用多分支感知域模块对所述多个烘干监控关键帧进行多尺度特征挖掘，以得到多个烘干监控特征图。应可以理解，多分支感知域模块是一种具有不同扩张率的并行空洞卷积的网络结构，它能够通过不同的感知域分支对输入的关键帧进行处理。由于每个感知域分支具有不同的空洞率，因此可以捕捉到所述烘干监控关键帧中不同尺度的特征信息。通过这样的多分支设计，可以综合利用不同感知域的特征信息，得到更丰富和全面的烘干监控特征图，为后续的分析和温度控制提供更准确和全面的特征表示。
然后，为了捕捉物料在烘干过程中的动态变化信息，进一步计算所述多个烘干监控特征图中相邻两个特征图之间的差分特征图。应可以理解，差分特征图表示了相邻两个特征图之间的变化情况。通过计算相邻两个烘干监控特征图之间的差分特征图，可以描述物料在烘干过程中的变化幅度和趋势，理解烘干过程中的物料状态演变，为后续的分析和建模提供更全面和准确的特征表示，有助于优化温度控制和烘干效果的监测与调节。
接着，将所述多个差分特征图排列为三维输入张量，并通过使用三维卷积核的卷积神经网络模型进行特征提取，以得到烘干效果动态特征向量。应可以理解，卷积神经网络是一种适用于处理空间结构数据的深度学习模型，通过卷积操作能够提取出输入数据中的局部特征。在烘干效果的动态特征提取中，通过使用三维卷积核进行卷积操作可以同时考虑所述多个差分特征图的空间和时间维度的信息。同时，通过卷积神经网络的处理，能够从所述多个差分特征图中提取出包含关于烘干过程中物料状态变化的特征信息，并用于进一步的分析、建模和决策。
同时，将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器，以得到温度时序特征向量。温度在烘干过程中直接影响着物料的状态和烘干效果，为了提取温度的时序信息，将多个预定时间点的温度值按时间顺序排列为输入向量后进行时序编码。时序编码器是一种用于处理时间序列数据的模型，能够对输入的时间序列进行编码和建模。这里，所述时序编码器包含全连接层和一维卷积层。首先，全连接层可以将多个预定时间点的温度值映射到一个高维特征空间中，以捕捉温度之间的相关性和模式，如温度的趋势、周期性变化等。而一维卷积层可以对全连接层的输出进行进一步处理，以提取温度的局部特征。
进一步地，计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵。所述烘干效果动态特征向量包含了关于烘干过程中物料状态变化的信息，而所述温度时序特征向量则包含了关于温度变化的信息，通过计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计，可以刻画烘干效果与温度之间的关系，量化烘干效果受温度影响的程度，从而实现基于烘干效果来调整温度的目的。
最后，将所述分类特征矩阵通过分类器以得到用于表示当前时间点的烘干温度应增大、应减小或保持不变的分类结果。这样，根据分类结果对烘干温度进行控制和调节，能够实现烘干过程的自动化和精确控制，以提高烘干效果和生产效率，减少能源消耗和物料损失。
特别地，考虑到通过使用三维卷积神经网络对差分特征图进行处理，提取烘干效果的动态特征向量。然而，卷积操作可能会引入不均匀性，即某些特征在特征矩阵中占据较大比例，而其他特征占据较小比例。这种不均匀性可能导致分类特征矩阵的特征分布不平衡。并且，温度时序特征向量捕捉到了温度随时间的变化模式。然而，不同烘干过程中温度的变化幅度和模式可能存在差异，导致温度时序特征向量的分布不均匀。这种不均匀性可能会影响分类特征矩阵中与温度相关的特征分布。
由于分类特征矩阵在特征分布上存在空间异质性和不均匀性，输入分类器得到的分类结果可能存在类概率域偏移。这意味着分类器在不同类别的分类概率分布上存在一定的偏差，可能导致分类结果的准确性下降。为了解决这个问题，考虑对分类特征矩阵进行进一步的特征处理和校正，以提高分类器的性能和鲁棒性。
具体地，对所述分类特征矩阵进行空间域块状切分以得到多个分类子块特征矩阵，接着对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量，并以所述多个分类子块全局语义特征向量的全局按位置均值向量来作为所述多个分类子块特征矩阵的特征分布的类中心，进而计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵，以此来度量所述各个分类子块特征矩阵相对于所述全局类中心的特征分布空间一致性和偏移性。进而，通过Softmax激活函数对由所述多个交叉熵值组成的局部特征分布相对密度语义特征向量进行概率化，并以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以对所述所述分类特征矩阵的各个局部特征矩阵进行基于空间分布一致性的特征分布校正，以此来提升所述分类特征矩阵的特征表达的结构合理性和鲁棒性。
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1为根据本申请实施例的隧道式烘干生产线的框图。如图1所示，根据本申请实施例的隧道式烘干生产线100，包括：监控模块110，用于获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；采样模块120，用于从所述烘干监控视频提取多个烘干监控关键帧；多尺度感知模块130，用于将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；差分计算模块140，用于计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；烘干效果动态变化特征提取模块150，用于将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；温度特征提取模块160，用于将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；响应性模块170，用于计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；密度域概率化模块180，用于对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵；控制结果生成模块190，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、应减小或保持不变。
图2为根据本申请实施例的隧道式烘干生产线的架构示意图。如图2所示，首先，获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频。接着，从所述烘干监控视频提取多个烘干监控关键帧。然后，将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图。其次，计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图。继而，将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量。同时，将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量。接着，计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵。然后，对所述分类特征矩阵进行基于局部特征分布的密度域概率化以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、应减小或保持不变。
在上述隧道式烘干生产线100中，所述监控模块110，用于获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频。如上述背景技术所言，在对于水果、中药材、农副产品等物品进行烘干时，由于物品刚进入烘干机时水分较高，在高温的环境中容易开裂焦化，所以进口温度不能过高；但物料长时间与低温高湿的空气相接触，易发生腐败变质现象，并且低温烘干会增加烘干时间，降低生产效率。因此，待干燥到一定阶段，产品中的水分较少不易开裂，此时应使用高温低湿的热流加速干燥过程。目前，隧道式烘干生产过程中的温度控制主要依靠人工调节，精度低且可靠性差。因此，期望能够对于烘干过程中的温度进行自动化控制。
相应地，考虑到在实际进行隧道式烘干生产线的温度智能控制时，应根据被烘干对象的状态变化来自适应地调控烘干温度。也就是说，需要挖掘出所述被烘干对象的状态变化特征与烘干温度的时序变化特征间的关联性特征分布信息，来进行烘干温度的控制。因此，在本申请的技术方案中，首先，通过温度传感器采集烘干隧道内预定时间段内多个预定时间点的温度值，以及通过摄像头采集所述预定时间段的被烘干对象的烘干监控视频。
在上述隧道式烘干生产线100中，所述采样模块120，用于从所述烘干监控视频提取多个烘干监控关键帧。考虑到被烘干对象的状态变化特征可以通过所述烘干监控视频中相邻图像帧之间的差异信息来表示，但由于所述烘干监控视频中的相邻图像帧几乎一致，差异特征过小，因此，若直接对所述烘干监控视频进行特征提取，不仅计算量过于庞大，而且会对所述被烘干对象的状态变化特征提取造成干扰。基于此，进一步以预定采样频率对所述烘干监控视频进行采样处理，以从所述烘干监控视频中提取多个烘干监控关键帧，从而以所述多个烘干监控关键帧来反映物料在烘干过程中的状态变化。
在上述隧道式烘干生产线100中，所述多尺度感知模块130，用于将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图。应可以理解，多分支感知域模块是一种具有不同扩张率的并行空洞卷积的网络结构，它能够通过不同的感知域分支对输入的关键帧进行处理。由于每个感知域分支具有不同的空洞率，因此可以捕捉到所述烘干监控关键帧中不同尺度的特征信息。通过这样的多分支设计，可以综合利用不同感知域的特征信息，得到更丰富和全面的烘干监控特征图，为后续的分析和温度控制提供更准确和全面的特征表示。
图3为根据本申请实施例的隧道式烘干生产线中多尺度感知模块的框图。如图3所示，所述多尺度感知模块130，包括：第一点卷积单元131，用于将所述烘干监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；多分支感知单元132，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；融合单元133，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；第二点卷积单元134，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；残差级联单元135，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述烘干监控特征图。
图4为根据本申请实施例的隧道式烘干生产线中多分支感知单元的框图。如图4所示，所述多分支感知单元132，包括：第一一维卷积编码子单元1321，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；第一空洞卷积编码子单元1322，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；第二一维卷积编码子单元1323，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；第二空洞卷积编码子单元1324，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；第三一维卷积编码子单元1325，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；第三空洞卷积编码子单元1326，用于将所述第三一维卷积特征图通过具有第三空洞率的第三二维卷积层以得到所述第三分支感知特征图；其中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
在上述隧道式烘干生产线100中，所述差分计算模块140，用于计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图。应可以理解，差分特征图表示了相邻两个特征图之间的变化情况。通过计算相邻两个烘干监控特征图之间的差分特征图，可以捕捉物料在烘干过程中的动态变化信息，描述物料在烘干过程中的变化幅度和趋势，理解烘干过程中的物料状态演变，为后续的分析和建模提供更全面和准确的特征表示，有助于优化温度控制和烘干效果的监测与调节。
相应地，在一个具体示例中，所述差分计算模块140，用于：以如下差分公式计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图；
其中，所述差分公式为：
其中，F1、F2表示所述多个烘干监控特征图中相邻两个烘干监控特征图，Fc表示所述差分特征图，表示按位置差分。
在上述隧道式烘干生产线100中，所述烘干效果动态变化特征提取模块150，用于将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量。应可以理解，卷积神经网络是一种适用于处理空间结构数据的深度学习模型，通过卷积操作能够提取出输入数据中的局部特征。在烘干效果的动态特征提取中，通过使用三维卷积核进行卷积操作可以同时考虑所述多个差分特征图的空间和时间维度的信息。同时，通过卷积神经网络的处理，能够从所述多个差分特征图中提取出包含关于烘干过程中物料状态变化的特征信息，并用于进一步的分析、建模和决策。
相应地，在一个具体示例中，所述烘干效果动态变化特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；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，所述卷积神经网络模型的最后一层的输出为所述烘干效果动态特征向量，所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述隧道式烘干生产线100中，所述温度特征提取模块160，用于将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量。应可以理解，温度在烘干过程中直接影响着物料的状态和烘干效果，为了提取温度的时序信息，将多个预定时间点的温度值按时间顺序排列为输入向量后进行时序编码。时序编码器是一种用于处理时间序列数据的模型，能够对输入的时间序列进行编码和建模。这里，所述时序编码器包含全连接层和一维卷积层。首先，全连接层可以将多个预定时间点的温度值映射到一个高维特征空间中，以捕捉温度之间的相关性和模式，如温度的趋势、周期性变化等。而一维卷积层可以对全连接层的输出进行进一步处理，以提取温度的局部特征。
图5为根据本申请实施例的隧道式烘干生产线中温度特征提取模块的框图。如图5所示，所述温度特征提取模块160，包括：一维排列单元161，用于将所述多个预定时间点的温度值按照时间顺序排列为温度输入向量；归一化映射单元162，用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量；全连接编码单元163，用于使用所述时序编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征；一维卷积编码单元164，用于使用所述时序编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在上述隧道式烘干生产线100中，所述响应性模块170，用于计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵。应可以理解，所述烘干效果动态特征向量包含了关于烘干过程中物料状态变化的信息，而所述温度时序特征向量则包含了关于温度变化的信息，通过计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计，可以刻画烘干效果与温度之间的关系，量化烘干效果受温度影响的程度，从而实现基于烘干效果来调整温度的目的。
相应地，在一个具体示例中，所述响应性模块170，用于：以如下响应性公式计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应性公式为：
其中Va表示所述烘干效果动态特征向量，Vb表示所述温度时序特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述隧道式烘干生产线100中，所述密度域概率化模块180，用于对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵。特别地，考虑到通过使用三维卷积神经网络对差分特征图进行处理，提取烘干效果的动态特征向量。然而，卷积操作可能会引入不均匀性，即某些特征在特征矩阵中占据较大比例，而其他特征占据较小比例。这种不均匀性可能导致分类特征矩阵的特征分布不平衡。并且，温度时序特征向量捕捉到了温度随时间的变化模式。然而，不同烘干过程中温度的变化幅度和模式可能存在差异，导致温度时序特征向量的分布不均匀。这种不均匀性可能会影响分类特征矩阵中与温度相关的特征分布。
由于分类特征矩阵在特征分布上存在空间异质性和不均匀性，输入分类器得到的分类结果可能存在类概率域偏移。这意味着分类器在不同类别的分类概率分布上存在一定的偏差，可能导致分类结果的准确性下降。为了解决这个问题，考虑对分类特征矩阵进行进一步的特征处理和校正，以提高分类器的性能和鲁棒性。
相应地，在一个具体示例中，所述密度域概率化模块180，包括：块状切分单元，用于对所述分类特征矩阵进行块状切分以得到多个分类子块特征矩阵；均值池化单元，用于对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量；均值计算单元，用于计算所述多个分类子块全局语义特征向量的全局按位置均值向量以得到分类全局语义枢轴特征向量；交叉熵计算单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵以得到由多个交叉熵值组成的局部特征分布相对密度语义特征向量；概率化单元，用于将所述局部特征分布相对密度语义特征向量输入Softmax激活函数以得到局部特征分布相对密度概率化特征向量；加权单元，用于以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以得到多个加权后分类子块特征矩阵；拼接融合单元，用于将所述多个加权后分类子块特征矩阵进行拼接以得到所述优化分类特征矩阵。
这里，对所述分类特征矩阵进行空间域块状切分以得到多个分类子块特征矩阵，接着对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量，并以所述多个分类子块全局语义特征向量的全局按位置均值向量来作为所述多个分类子块特征矩阵的特征分布的类中心，进而计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵，以此来度量所述各个分类子块特征矩阵相对于所述全局类中心的特征分布空间一致性和偏移性。进而，通过Softmax激活函数对由所述多个交叉熵值组成的局部特征分布相对密度语义特征向量进行概率化，并以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以对所述所述分类特征矩阵的各个局部特征矩阵进行基于空间分布一致性的特征分布校正，以此来提升所述分类特征矩阵的特征表达的结构合理性和鲁棒性。
在上述隧道式烘干生产线100中，所述控制结果生成模块190，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、应减小或保持不变。这样，根据分类结果对烘干温度进行控制和调节，能够实现烘干过程的自动化和精确控制，以提高烘干效果和生产效率，减少能源消耗和物料损失。
综上，根据本申请实施例的隧道式烘干生产线被阐明，其采用深度学习技术，从被烘干对象的监控视频中提取所述被烘干对象的状态变化特征，以及从多个时间点的烘干隧道内的温度值中提取烘干温度的时序变化特征，并基于二者之间的响应关系来自适应地调整烘干温度。这样，可以实现自动化烘干温度控制，以减少人工干预，提高烘干效率。
示例性方法
图6为根据本申请实施例的隧道式烘干生产线的控制方法的流程图。如图6所示，根据本申请实施例的隧道式烘干生产线的控制方法，包括步骤：S110，获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；S120，从所述烘干监控视频提取多个烘干监控关键帧；S130，将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；S140，计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；S150，将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；S160，将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；S170，计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；S180，对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵；S190，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、应减小或保持不变。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S120，从所述烘干监控视频提取多个烘干监控关键帧，包括：以预定采样频率从所述烘干监控视频提取所述多个烘干监控关键帧。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S130，将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图，包括：将所述烘干监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述烘干监控特征图。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，包括：将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；将所述第三一维卷积特征图通过具有第三空洞率的第三二维卷积层以得到所述第三分支感知特征图；其中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S140，计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图，包括：以如下差分公式计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图；
其中，所述差分公式为：
其中，F1、F2表示所述多个烘干监控特征图中相邻两个烘干监控特征图，Fc表示所述差分特征图，表示按位置差分。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S150，将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；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，所述卷积神经网络模型的最后一层的输出为所述烘干效果动态特征向量，所述卷积神经网络模型的第一层的输入为所述三维输入张量。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S160，将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量，包括：将所述多个预定时间点的温度值按照时间顺序排列为温度输入向量；将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量；使用所述时序编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征；使用所述时序编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
在一个具体示例中，在上述隧道式烘干生产线的控制方法中，所述步骤S180，对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵，包括：对所述分类特征矩阵进行块状切分以得到多个分类子块特征矩阵；对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量；计算所述多个分类子块全局语义特征向量的全局按位置均值向量以得到分类全局语义枢轴特征向量；计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵以得到由多个交叉熵值组成的局部特征分布相对密度语义特征向量；将所述局部特征分布相对密度语义特征向量输入Softmax激活函数以得到局部特征分布相对密度概率化特征向量；以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以得到多个加权后分类子块特征矩阵；将所述多个加权后分类子块特征矩阵进行拼接以得到所述优化分类特征矩阵。
这里，本领域技术人员可以理解，上述隧道式烘干生产线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的隧道式烘干生产线的描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (10)
1.一种隧道式烘干生产线，其特征在于，包括：
监控模块，用于获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；
采样模块，用于从所述烘干监控视频提取多个烘干监控关键帧；
多尺度感知模块，用于将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；
差分计算模块，用于计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；
烘干效果动态变化特征提取模块，用于将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；
温度特征提取模块，用于将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；
响应性模块，用于计算所述烘干效果动态特征向量相对于所述温度时序特征向量的响应性估计以得到分类特征矩阵；
密度域概率化模块，用于对所述分类特征矩阵进行基于局部特征分布的密度域概率化以得到优化分类特征矩阵；
控制结果生成模块，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、应减小或保持不变。
2.根据权利要求1所述的隧道式烘干生产线，其特征在于，所述采样模块，用于：以预定采样频率从所述烘干监控视频提取所述多个烘干监控关键帧。
3.根据权利要求2所述的隧道式烘干生产线，其特征在于，所述多尺度感知模块，包括：
第一点卷积单元，用于将所述烘干监控关键帧输入所述多分支感知域模块的第一点卷积层以得到卷积特征图；
多分支感知单元，用于分别将所述卷积特征图通过所述多分支感知域模块的第一分支感知域单元、第二分支感知域单元和第三分支感知域单元以得到第一分支感知特征图、第二分支感知特征图和第三分支感知特征图，其中，所述第一分支感知域单元、所述第二分支感知域单元和所述第三分支感知域单元具有并行结构；
融合单元，用于将所述第一分支感知特征图、所述第二分支感知特征图和所述第二分支感知特征图进行级联以得到融合感知特征图；
第二点卷积单元，用于将所述融合感知特征图输入所述多分支感知域模块的第二点卷积层以得到通道校正融合感知特征图；
残差级联单元，用于计算所述通道校正融合感知特征图和所述卷积特征图的按位置点加以得到所述烘干监控特征图。
4.根据权利要求3所述的隧道式烘干生产线，其特征在于，所述多分支感知单元，包括：
第一一维卷积编码子单元，用于将所述卷积特征图通过所述第一分支感知域单元的第一一维卷积层以得到第一一维卷积特征图；
第一空洞卷积编码子单元，用于将所述第一一维卷积特征图通过具有第一空洞率的第一二维卷积层以得到所述第一分支感知特征图；
第二一维卷积编码子单元，用于将所述卷积特征图通过所述第二分支感知域单元的第二一维卷积层以得到第二一维卷积特征图；
第二空洞卷积编码子单元，用于将所述第二一维卷积特征图通过具有第二空洞率的第二二维卷积层以得到所述第二分支感知特征图；
第三一维卷积编码子单元，用于将所述卷积特征图通过所述第三分支感知域单元的第三一维卷积层以得到第三一维卷积特征图；
第三空洞卷积编码子单元，用于将所述第三一维卷积特征图通过具有第三空洞率的第三二维卷积层以得到所述第三分支感知特征图；
其中，所述第一空洞率、所述第二空洞率和所述第三空洞率相互不相等。
5.根据权利要求4所述的隧道式烘干生产线，其特征在于，所述差分计算模块，用于：以如下差分公式计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图；
其中，所述差分公式为：
其中，F1、F2表示所述多个烘干监控特征图中相邻两个烘干监控特征图，Fc表示所述差分特征图，表示按位置差分。
6.根据权利要求5所述的隧道式烘干生产线，其特征在于，所述烘干效果动态变化特征提取模块，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以得到池化特征图；
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，所述卷积神经网络模型的最后一层的输出为所述烘干效果动态特征向量，所述卷积神经网络模型的第一层的输入为所述三维输入张量。
7.根据权利要求6所述的隧道式烘干生产线，其特征在于，所述温度特征提取模块，包括：
一维排列单元，用于将所述多个预定时间点的温度值按照时间顺序排列为温度输入向量；
归一化映射单元，用于将所述温度输入向量进行基于最大值的归一化处理以得到归一化后温度输入向量；
全连接编码单元，用于使用所述时序编码器的全连接层对所述归一化后温度输入向量进行全连接编码以提取所述归一化后温度输入向量中各个位置的特征值的高维隐含特征；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后温度输入向量进行一维编码以提取所述归一化后温度输入向量中各个位置的特征值间的关联的高维隐含关联特征。
8.根据权利要求7所述的隧道式烘干生产线，其特征在于，所述密度域概率化模块，包括：
块状切分单元，用于对所述分类特征矩阵进行块状切分以得到多个分类子块特征矩阵；
均值池化单元，用于对所述多个分类子块特征矩阵分别进行均值池化以得到多个分类子块全局语义特征向量；
均值计算单元，用于计算所述多个分类子块全局语义特征向量的全局按位置均值向量以得到分类全局语义枢轴特征向量；
交叉熵计算单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义枢轴特征向量之间的交叉熵以得到由多个交叉熵值组成的局部特征分布相对密度语义特征向量；
概率化单元，用于将所述局部特征分布相对密度语义特征向量输入Softmax激活函数以得到局部特征分布相对密度概率化特征向量；
加权单元，用于以所述局部特征分布相对密度概率化特征向量中各个位置的特征值对所述各个分类子块特征矩阵进行加权以得到多个加权后分类子块特征矩阵；
拼接融合单元，用于将所述多个加权后分类子块特征矩阵进行拼接以得到所述优化分类特征矩阵。
9.一种隧道式烘干生产线的控制方法，其特征在于，包括：
获取烘干隧道内预定时间段内多个预定时间点的温度值以及所述预定时间段的被烘干对象的烘干监控视频；
从所述烘干监控视频提取多个烘干监控关键帧；
将所述多个烘干监控关键帧中各个烘干监控关键帧分别通过多分支感知域模块以得到多个烘干监控特征图；
计算所述多个烘干监控特征图中相邻两个烘干监控特征图之间的差分特征图以得到多个差分特征图；
将所述多个差分特征图排列为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到烘干效果动态特征向量；
将所述多个预定时间点的温度值通过包含全连接层和一维卷积层的时序编码器以得到温度时序特征向量；
计算所述烘干效果动态特征向量相对于所述温度时序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基于局部特征分布的密度域概率化以得到优化分类特征矩阵；
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、应减小或保持不变。
10.根据权利要求9所述的隧道式烘干生产线的控制方法，其特征在于，从所述烘干监控视频提取多个烘干监控关键帧，包括：以预定采样频率从所述烘干监控视频提取所述多个烘干监控关键帧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149265.3A CN117190657A (zh) | 2023-09-07 | 2023-09-07 | 隧道式烘干生产线及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311149265.3A CN117190657A (zh) | 2023-09-07 | 2023-09-07 | 隧道式烘干生产线及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117190657A true CN117190657A (zh) | 2023-12-08 |
Family
ID=88986385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311149265.3A Pending CN117190657A (zh) | 2023-09-07 | 2023-09-07 | 隧道式烘干生产线及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117190657A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117781661A (zh) * | 2024-02-27 | 2024-03-29 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
-
2023
- 2023-09-07 CN CN202311149265.3A patent/CN117190657A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117781661A (zh) * | 2024-02-27 | 2024-03-29 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
| CN117781661B (zh) * | 2024-02-27 | 2024-05-14 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832787B (zh) | 基于双谱自编码特征的雷达辐射源识别方法 | |
| CN106355195B (zh) | 用于测量图像清晰度值的系统及其方法 | |
| CN111161306B (zh) | 一种基于运动注意力的视频目标分割方法 | |
| CN117190657A (zh) | 隧道式烘干生产线及其方法 | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| CN113449573A (zh) | 一种动态手势识别方法及设备 | |
| CN112052868A (zh) | 模型训练方法、图像相似度度量方法、终端及存储介质 | |
| CN115937571A (zh) | 车用玻璃球面度检测装置及其检测方法 | |
| CN111368733B (zh) | 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端 | |
| CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
| CN116690823A (zh) | 改性pbt材料的智能制备方法及其系统 | |
| CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
| CN117037145A (zh) | 酸枣糕生产用烘干控制系统及其方法 | |
| CN117910073A (zh) | 基于3d打印技术的工艺品包装设计优化系统及方法 | |
| CN110503631B (zh) | 一种遥感图像变化检测方法 | |
| CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
| CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
| CN117021402A (zh) | 沥青混凝土制备方法及其系统 | |
| CN116206196A (zh) | 一种海洋低光环境多目标检测方法及其检测系统 | |
| CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
| CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
| CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
| CN112766465A (zh) | 用于智能转动性能检测的神经网络的训练方法 | |
| CN116907214B (zh) | 环保日用陶瓷的制备工艺及其系统 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |