CN117390586B - 基于多模态数据的坍落度监测方法、装置及可读介质 - Google Patents

基于多模态数据的坍落度监测方法、装置及可读介质 Download PDF

Info

Publication number
CN117390586B
CN117390586B CN202311705113.7A CN202311705113A CN117390586B CN 117390586 B CN117390586 B CN 117390586B CN 202311705113 A CN202311705113 A CN 202311705113A CN 117390586 B CN117390586 B CN 117390586B
Authority
CN
China
Prior art keywords
video data
input
feature
slump
data
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
CN202311705113.7A
Other languages
English (en)
Other versions
CN117390586A (zh
Inventor
杨建红
林柏宏
房怀英
张宝裕
黄文景
韩明芝
黄伟晴
毕雪涛
庄汉强
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.)
Huaqiao University
Fujian South Highway Machinery Co Ltd
Original Assignee
Huaqiao University
Fujian South Highway Machinery 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 Huaqiao University, Fujian South Highway Machinery Co Ltd filed Critical Huaqiao University
Priority to CN202311705113.7A priority Critical patent/CN117390586B/zh
Publication of CN117390586A publication Critical patent/CN117390586A/zh
Application granted granted Critical
Publication of CN117390586B publication Critical patent/CN117390586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/82—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
    • G06V20/50—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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/91—Use of waste materials as fillers for mortars or concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多模态数据的坍落度监测方法、装置及可读介质，涉及混凝土坍落度监测领域，包括：获取混凝土搅拌过程中的视频数据和非视频数据并进行预处理，得到预处理后的视频数据和预处理后的非视频数据；构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值，解决单一模态的数据对坍落度预测的准确度低、稳定性差等问题。

Description

基于多模态数据的坍落度监测方法、装置及可读介质
技术领域
本发明涉及混凝土坍落度监测领域，具体涉及一种基于多模态数据的坍落度监测方法、装置及可读介质。
背景技术
对于混凝土坍落度的监测，传统的方法是在混凝土出机后，由相关检测人员通过坍落度筒试验测定对应的坍落度值。但这种检测方法弊端较大：一是混凝土坍落度试验流程繁琐，费时费力，测量误差大；二是混凝土坍落度的调整是滞后的，一旦检测不合格，那么整盘混凝土只能废弃，造成资源浪费。三是混凝土坍落度的变化是贯穿整个生产周期的，需要经过循环往复的多轮调整，且强烈依赖人工经验。
目前，已有相关学者对混凝土坍落度的在线检测方法进行研究，如基于搅拌过程混凝土视频、主轴电流以及配合比等，实现在混凝土出锅前完成对坍落度的预测与调整，保证混凝土流动性可以满足施工质量要求。然而单一监测方式受工况限制较大，当时空变化后，预测坍落度精度也将受到较大影响，需要对原始模型进行更新后才能再次上线应用。因此，需要多种检测方式结合以实现稳定、准确地监测混凝土生产过程坍落度。
发明内容
针对上述提到现有单一坍落度在线检测技术受生产工况限制，模型泛化性能差的技术问题。本申请的实施例的目的在于提出了一种基于多模态数据的坍落度监测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本发明提供了一种基于多模态数据的坍落度监测方法，包括以下步骤：
获取混凝土搅拌过程中的视频数据和非视频数据，非视频数据包括电流曲线数据和原料配方数据，对视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；
构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；
将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值。
作为优选，对视频数据和非视频数据进行预处理，具体包括：
根据原料配方数据提取原料输入特征，原料输入特征为每立方混凝土所使用的每种原料质量，包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量；
根据电流曲线数据提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到电流输入特征；
提取视频数据中的视频帧所构成的图像序列，并对图像序列进行ROI区域截取，得到ROI图像序列。
作为优选，第一特征提取网络分支包括依次连接的输入模块、ECANet注意力模块、四个残差模块、LSTM模块和第一展平层，输入模块包括依次连接的卷积层、批量归一化层和ReLU 激活函数层，ROI图像序列的每一帧图像依次经过输入模块、ECANet注意力模块和四个残差模块，提取得到第一特征，将每一帧图像的第一特征输入LSTM模块，提取得到第二特征，第二特征输入第一展平层，得到视频特征。
作为优选，LSTM模块包含依次连接的ROI图像序列中的每一帧图像对应的若干LSTM单元，前一帧图像对应的第一特征输入对应的LSTM单元得到的输出结果与当前帧图像对应的第一特征均输入当前帧图像对应的LSTM单元，第二特征为最后一帧图像对应的LSTM单元的输出结果。
作为优选，第二特征提取网络分支包括依次连接的输入层、第一隐藏层、第二隐藏层、输出层和第二展平层，第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，输出层带有线性激活函数。
作为优选，非视频特征包括原料输入特征输入第二特征提取网络分支所提取到的原料输出特征以及电流输入特征输入第二特征提取网络分支所提取到的电流输出特征，视频特征、原料输出特征和电流输出特征输入融合模块进行特征拼接，得到融合特征，融合特征输入输出模块，得到坍落度的预测值。
作为优选，多模态坍落度预测模型在训练过程中所采用的训练数据采用以下方式获取：
根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线数据处理得到电流曲线特征；
根据电流曲线特征的分布确定对应的坍落度标签；
根据历史搅拌过程中的每个预处理后的视频数据和预处理后的非视频数据与对应的坍落度标签构建训练数据；
在训练过程中对第二隐藏层中的神经元采用dropout随机失活，损失函数采用平均绝对误差损失函数，优化器采用SGD算法，并加入早停机制。
第二方面，本发明提供了一种基于多模态数据的坍落度监测装置，包括：
数据处理模块，被配置为获取混凝土搅拌过程中的视频数据和非视频数据，非视频数据包括电流曲线数据和原料配方数据，对视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；
模型构建模块，被配置为构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；
预测模块，被配置为将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的基于多模态数据的坍落度监测方法无需大量坍落度试验对原始数据集进行标注，转而分析搅拌站的历史生产任务中混凝土出锅时的电流曲线特征分布，而该时刻的电流曲线特征与坍落度直接相关，结合少量电流曲线特征所对应的坍落度标定，即可高效、准确地为原始的电流曲线数据、原料配方数据、视频数据赋予坍落度标签，并构建多模态坍落度预测模型。
（2）本发明提出的基于多模态数据的坍落度监测方法通过不同模态数据融合实现混凝土坍落度的预测，可在混凝土出锅前进行调整用水量或者砂石用量，保证出锅混凝土坍落度符合生产要求，适应不同搅拌站的生产工况，实现坍落度在线监测。
（3）本发明提出的基于多模态数据的坍落度监测方法通过混凝土生产中的多种表现状态，综合不同模态数据所对应特征来预测坍落度，实现对不同生产工况的强适应性，并且易于在不同搅拌站进行模型迁移应用，实现混凝土坍落度的高效、准确预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的基于多模态数据的坍落度监测方法的流程示意图；
图3为本申请的实施例的基于多模态数据的坍落度监测方法的多模态坍落度预测模型的结构示意图；
图4为本申请的实施例的基于多模态数据的坍落度监测方法的对采集到的训练样本中的视频数据进行数据扩展的示意图；
图5为本申请的实施例的基于多模态数据的坍落度监测装置的示意图；
图6是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于多模态数据的坍落度监测方法或基于多模态数据的坍落度监测装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于多模态数据的坍落度监测方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，基于多模态数据的坍落度监测装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于多模态数据的坍落度监测方法，包括以下步骤：
S1，获取混凝土搅拌过程中的视频数据和非视频数据，非视频数据包括电流曲线数据和原料配方数据，对视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据。
在具体的实施例中，对视频数据和非视频数据进行预处理，具体包括：
根据原料配方数据提取原料输入特征，原料输入特征为每立方混凝土所使用的每种原料质量，包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量；
根据电流曲线数据提取电流曲线特征，对电流曲线特征进行归一化处理并组成一维数组，得到电流输入特征；
提取视频数据中的视频帧所构成的图像序列，对图像序列进行ROI区域截取，得到ROI图像序列。
具体的，从原料计量设备获取实际生产的原料配方数据，该原料配方数据即为实际原料使用量，通常包含：各种不同粒径的骨料（粗骨料石子、细骨料砂）、掺合料（粉煤灰、矿渣粉、膨胀剂、减水剂等）、水泥和水。而后提取原料配方数据对应的原料特征。具体可使用每立方混凝土原料质量作为原料特征（单位Kg/m3），该原料特征包括单位方量5-1石子（粒径5-10mm）质量、单位方量1-2石子（粒径10-20mm）质量、单位方量1-3石子（粒径16-31.5mm）质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量，其中单位方量水质量或水灰比中的水质量根据自来水用量和骨料含水量计算得到。
进一步的，基于搅拌过程中的电流曲线，以原材料开始投料时的电流值所对应的时间作为第1秒，电流值大小不再下降作为到达搅拌均匀阶段的标志，提取每个搅拌过程的电流曲线特征。电流曲线特征包括到达搅拌均匀阶段所消耗时间、临近搅拌均匀阶段的电流曲线的斜率均值、第1秒至到达最大电流所消耗的时间、第1秒至搅拌均匀阶段所消耗的总电流值。将所提取的四个特征分别进行归一化后，组成1维数组，即可得到电流输入特征。
进一步的，提取视频数据中对应卸料前的第一帧到79帧的视频帧作为图像序列，对采集到的图像序列采用光流法与灰度共生矩阵进行分析，提取特征明显的区域作为ROI区域，并截取图像序列中每个图像的该ROI区域，得到ROI图像序列。
S2，构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块。
在具体的实施例中，第一特征提取网络分支包括依次连接的输入模块、ECANet注意力模块、四个残差模块、LSTM模块和第一展平层，输入模块包括依次连接的卷积层、批量归一化层和 ReLU 激活函数层，ROI图像序列的每一帧图像依次经过输入模块、ECANet注意力模块和四个残差模块，提取得到第一特征，将每一帧图像的第一特征输入LSTM模块，提取得到第二特征，第二特征输入第一展平层，得到视频特征。具体的，LSTM模块包含依次连接的ROI图像序列中的每一帧图像对应的若干LSTM单元，前一帧图像对应的第一特征输入对应的LSTM单元得到的输出结果与当前帧图像对应的第一特征均输入当前帧图像对应的LSTM单元，第二特征为最后一帧图像对应的LSTM单元的输出结果。
在具体的实施例中，第二特征提取网络分支包括依次连接的输入层、第一隐藏层、第二隐藏层、输出层和第二展平层，第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，输出层带有线性激活函数。
具体的，参考图3，在多模态坍落度预测模型的设计上搭建分别对应视频数据与非视频数据的两条特征提取网络分支，即第一特征提取网络分支和第二特征提取网络分支，第一特征提取网络分支包括依次连接的输入模块、ECANet注意力模块、四个残差模块、LSTM模块和第一展平层，其中，输入模块包括依次连接的卷积核大小为3×3的卷积层、批量归一化层（BN）和 ReLU 激活函数层。第一特征提取网络分支中引入了注意力机制的ECANet注意力模块，能自适应学习到通道权重，让模型更加关注有用的通道信息从而达到提高检测精度的目的。该ECANet注意力模块通过对输入数据赋以不同的权值来突出关键信息，弱化其它冗余信息，具体采用交互覆盖率为K的快速一维卷积捕获跨通道交互信息，其中，K和通道维数C之间的关系为：
；
而后将ECANet注意力模块的输出经过四个残差模块，提取到更多更复杂的图像信息。具体的，残差模块参考ResNet卷积神经网络，包括第一分支和第二分支，第一分支包括依次连接的第一卷积层和第一BN层，第二分支包括依次连接的第二卷积层、第二BN层、第一Relu激活函数层和第三卷积层，第一分支的输出和第二分支的输出相加后再输入第二Relu激活函数层，第一卷积层、第二卷积层和第三卷积层的卷积核大小均为3×3。
然后将提取到的第一特征送入LSTM模块，利用长短期记忆网络（LSTM）学习第一特征的时间周期性和趋势性，提取第一特征的前后帧之间的时序关系，LSTM单元包含三个门控，分别为输入门、遗忘门和输出门，计算方法为：
；
；
；
；
；
；
其中，ft、it与Ot分别是t时刻的遗忘门、输入门和输出门的输出，ht-1为上一时刻的输出，Wf、Wi和Wo分别是遗忘门、输入门和输出门的权重，bf、bi和bo分别是遗忘门、输入门、输出门的偏置项，Wc与bc决定当前层用来更新记忆值的权重和偏置项，C代表内部状态，记忆值Ct表示LSTM中的记忆特性，表示当前层用来更新记忆值的新信息，σ(·)为Sigmoid激活函数。
具体的，第二特征提取网络分支包括多层感知机和第二展平层，其中多层感知机包括依次连接的输入层、隐藏层和输出层。隐藏层包括第一隐藏层和第二隐藏层，并且第一隐藏层和第二隐藏层为两层全连接层，第一隐藏层和第二隐藏层的神经元数量分别为32和16，使得网络能充分学习到各个模态的特征，提高预测准确率。
将预处理得到的原料输入特征和电流输入特征送入多层感知机中提取特征信息，并经过第二展平层，接着将两个分支提取到的视频特征和非视频特征通过特征融合后进行线性回归。其中，通过融合模块进行特征融合，通过输出模块进行线性回归。具体通过融合模块将两个分支各自提取的视频特征和非视频特征拼接起来，减少信息冗余，增强互补信息，最后再通过一个输出为1维的线性连接层输出最后结果。
在具体的实施例中，多模态坍落度预测模型在训练过程中所采用的训练数据采用以下方式获取：
根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线数据处理得到电流曲线特征；
根据电流曲线特征的分布确定对应的坍落度标签；
根据历史搅拌过程中的每个预处理后的视频数据和预处理后的非视频数据与对应的坍落度标签构建训练数据；
在训练过程中对第二隐藏层中的神经元采用dropout随机失活，损失函数采用平均绝对误差损失函数，优化器采用SGD算法，并加入早停机制。
具体的，获取搅拌站2021年至2023年所有搅拌过程的监控视频、生产订单数据和搅拌过程主轴电流数据。其中，生产订单中强度包含C15至C50，由于强度和坍落度对搅拌过程中的电流曲线特征影响较大，而强度可以在每盘混凝土生产前获取，因此根据不同混凝土抗压强度要求以及电流曲线特征分布，进行坍落度试验标定，对电流曲线数据分别赋予坍落度标签，原料配方数据与视频数据的坍落度标签与该盘电流曲线数据所对应的坍落度标签一致。在其中一个实施例中，搜集处理搅拌站过往生产时所保存的电流曲线数据以及相对应的订单任务要求，提取卸料时的电流曲线特征分布，选取特征分布中的1/4、1/2、3/4所对应的电流曲线特征对应的出锅混凝土进行坍落度试验，进而按照坍落度线性增加，对全部混凝土生产数据进行坍落度标签制作。其中，选择电流曲线特征中的第1秒至搅拌均匀阶段所消耗的总电流值作为主特征值，对主特征值的1/4、1/2、3/4所对应的数据对应的出锅混凝土进行坍落度试验，电流曲线特征中的其余特征选择对应的位置的数值，与试验得到的标签值相对应。
对采集到的训练样本中的视频数据进行数据扩展。具体的，设置T帧长度的滑动窗口，从图像序列的第一帧开始，将滑动窗口以步长为1帧进行滑动。在其中一个实施例中，参考图4，提取每盘混凝土搅拌过程中的视频数据，截取其中卸料前8s的图像序列，以图像序列中的第1帧至第79帧组成第一个搅拌周期的图像序列，作为第一个样本，第2帧至第80帧组成第二个搅拌周期的图像序列，作为第二个样本，以此类推，总共获取79个搅拌周期的图像序列，该79个搅拌周期的图像序列所对应的所对应的坍落度标签一致，以此扩充原始数据集，并提高视频数据的泛化性。
将三种数据集划分为训练集与预测集，利用工业计算机搭建多模态坍落度预测模型进行训练与测试，构建反应输入的三种模态数据与对应的坍落度标签之间映射关系的多模态坍落度预测模型。多模态坍落度预测模型的训练过程中第二隐藏层的神经元选用dropout随机失活以防止网络过拟合，损失函数选用平均绝对误差损失函数，优化器采用SGD算法，训练时加入早停机制，当连续10个epoch验证集损失没有改善时停止训练，并保存性能最优的多模态坍落度预测模型作为经训练的多模态坍落度预测模型。
不同坍落度的混凝土在搅拌完成卸料时的电流曲线特征与其出锅坍落度有对应关系，根据该对应关系以及少量标定试验，为每盘混凝土的不同模态数据集赋予坍落度标签，根据搅拌过程中获取的不同模态数据（电流曲线数据、原料配方数据、视频数据），融合各自所具有的特征信息实现混凝土坍落度的预测，为生产异常过程预留调整时间，充分保证出锅混凝土坍落度符合要求。
S3，将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值。
在具体的实施例中，非视频特征包括原料输入特征输入第二特征提取网络分支所提取到的原料输出特征以及电流输入特征输入第二特征提取网络分支所提取到的电流输出特征，视频特征、原料输出特征和电流输出特征输入融合模块进行特征拼接，得到融合特征，融合特征输入输出模块，得到坍落度的预测值。
具体的，将以上经训练的多模态坍落度预测模型部署到工业计算机，通过网线连接搅拌主机摄像头、存储搅拌主轴电流数据的PLC设备以及存储原料配方数据的计算机，在每盘混凝土的订单任务生产时，获取电流曲线数据、原料配方数据以及视频数据，调用经训练的多模态坍落度预测模型进行坍落度预测。
在某一时段的混凝土搅拌过程中采用本申请的实施例所提出的经训练的多模态坍落度预测模型预测得到坍落度的预测值与出锅试验得到的实测值的对比结果如表1所示。
表1 坍落度预测模型的坍落度的预测值与坍落度的实测值的对比结果
坍落度的预测值 117 147 183
坍落度的实测值 120 145 185
若是坍落度的预测值超过订单要求的坍落度偏差范围，程序发出警报，提醒工作人员进行核实。若坍落度的预测值低于坍落度生产要求下限，为防止混凝土无法卸料情况，可适当进行补水再搅拌操作。若是坍落度的预测值高于坍落度生产要求上限，提醒人工复核该锅混凝土坍落度是否符合生产要求。
本申请的实施例所提出的经训练的多模态坍落度预测模型在实际使用时，要求部署使用的搅拌站有尽可能多的生产订单与电流曲线数据，可以获取搅拌过程监控视频，并且需要少量的坍落度标定试验，以完成训练数据的标签赋值。
以上步骤S1-S3并不仅仅代表步骤之间的顺序，而是步骤符号表示。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种基于多模态数据的坍落度监测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于多模态数据的坍落度监测装置，包括：
数据处理模块1，被配置为获取混凝土搅拌过程中的视频数据和非视频数据，非视频数据包括电流曲线数据和原料配方数据，对视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；
模型构建模块2，被配置为构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；
预测模块3，被配置为将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机装置600包括中央处理单元（CPU）601和图形处理器（GPU）602，其可以根据存储在只读存储器（ROM）603中的程序或者从存储部分609加载到随机访问存储器（RAM）604中的程序而执行各种适当的动作和处理。在RAM 604中，还存储有计算机装置600操作所需的各种程序和数据。CPU601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出（I/O）接口606也连接至总线605。
以下部件连接至I/O接口606：包括键盘、鼠标等的输入部分607；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分608；包括硬盘等的存储部分609；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器611上，以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分610从网络上被下载和安装，和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元（CPU）601和图形处理器（GPU）602执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取混凝土搅拌过程中的视频数据和非视频数据，非视频数据包括电流曲线数据和原料配方数据，对视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；将预处理后的视频数据和预处理后的非视频数据输入经训练的多模态坍落度预测模型，其中，预处理后的视频数据输入第一特征提取网络分支，提取得到视频特征，预处理后的非视频数据输入第二特征提取网络分支，提取得到非视频特征，视频特征和非视频特征依次经过融合模块和输出模块，得到坍落度的预测值。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于多模态数据的坍落度监测方法，其特征在于，包括以下步骤：
获取混凝土搅拌过程中的视频数据和非视频数据，所述非视频数据包括电流曲线数据和原料配方数据，对所述视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；
构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，所述多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；
将所述预处理后的视频数据和预处理后的非视频数据输入所述经训练的多模态坍落度预测模型，其中，所述预处理后的视频数据输入所述第一特征提取网络分支，所述第一特征提取网络分支包括依次连接的输入模块、ECANet注意力模块、四个残差模块、LSTM模块和第一展平层，所述输入模块包括依次连接的卷积层、批量归一化层和ReLU激活函数层，所述预处理后的视频数据包括ROI图像序列，所述ROI图像序列的每一帧图像依次经过所述输入模块、ECANet注意力模块和四个残差模块，提取得到第一特征，将每一帧图像的第一特征输入所述LSTM模块，提取得到第二特征，所述第二特征输入所述第一展平层，得到视频特征，所述预处理后的非视频数据输入所述第二特征提取网络分支，所述第二特征提取网络分支包括依次连接的输入层、第一隐藏层、第二隐藏层、输出层和第二展平层，所述预处理后的非视频数据包括原料输入特征和电流输入特征，所述原料输入特征输入所述第二特征提取网络分支，得到原料输出特征，所述电流输入特征输入所述第二特征提取网络分支，得到电流输出特征，所述视频特征、原料输出特征和电流输出特征输入所述融合模块进行特征拼接，得到融合特征，所述融合特征输入所述输出模块，得到坍落度的预测值。
2.根据权利要求1所述的基于多模态数据的坍落度监测方法，其特征在于，对所述视频数据和非视频数据进行预处理，具体包括：
根据所述原料配方数据提取原料输入特征，所述原料输入特征为每立方混凝土所使用的每种原料质量，包括单位方量5-1石子质量、单位方量1-2石子质量、单位方量1-3石子质量、单位方量砂质量、单位方量减水剂质量、单位方量水泥质量、单位方量粉煤灰质量、单位方量水质量；
根据所述电流曲线数据提取电流曲线特征，对所述电流曲线特征进行归一化处理并组成一维数组，得到电流输入特征；
提取所述视频数据中的视频帧所构成的图像序列，并对所述图像序列进行ROI区域截取，得到ROI图像序列。
3.根据权利要求1所述的基于多模态数据的坍落度监测方法，其特征在于，所述LSTM模块包含依次连接的ROI图像序列中的每一帧图像对应的若干LSTM单元，前一帧图像对应的第一特征输入对应的LSTM单元得到的输出结果与当前帧图像对应的第一特征均输入当前帧图像对应的LSTM单元，所述第二特征为最后一帧图像对应的LSTM单元的输出结果。
4.根据权利要求1所述的基于多模态数据的坍落度监测方法，其特征在于，所述第一隐藏层和第二隐藏层的神经元数量分别为32和16，且其激活函数均为ReLU，所述输出层带有线性激活函数。
5.根据权利要求4所述的基于多模态数据的坍落度监测方法，其特征在于，所述多模态坍落度预测模型在训练过程中所采用的训练数据采用以下方式获取：
根据不同抗压强度的混凝土在历史搅拌过程中的电流曲线数据处理得到电流曲线特征；
根据所述电流曲线特征的分布确定对应的坍落度标签；
根据所述历史搅拌过程中的每个所述预处理后的视频数据和预处理后的非视频数据与对应的坍落度标签构建训练数据；
在训练过程中对所述第二隐藏层中的神经元采用dropout随机失活，损失函数采用平均绝对误差损失函数，优化器采用SGD算法，并加入早停机制。
6.一种基于多模态数据的坍落度监测装置，其特征在于，包括：
数据处理模块，被配置为获取混凝土搅拌过程中的视频数据和非视频数据，所述非视频数据包括电流曲线数据和原料配方数据，对所述视频数据和非视频数据进行预处理，得到预处理后的视频数据和预处理后的非视频数据；
模型构建模块，被配置为构建多模态坍落度预测模型并训练，得到经训练的多模态坍落度预测模型，所述多模态坍落度预测模型包括第一特征提取网络分支、第二特征提取网络分支、融合模块和输出模块；
预测模块，被配置为将所述预处理后的视频数据和预处理后的非视频数据输入所述经训练的多模态坍落度预测模型，其中，所述预处理后的视频数据输入所述第一特征提取网络分支，所述第一特征提取网络分支包括依次连接的输入模块、ECANet注意力模块、四个残差模块、LSTM模块和第一展平层，所述输入模块包括依次连接的卷积层、批量归一化层和ReLU激活函数层，所述预处理后的视频数据包括ROI图像序列，所述ROI图像序列的每一帧图像依次经过所述输入模块、ECANet注意力模块和四个残差模块，提取得到第一特征，将每一帧图像的第一特征输入所述LSTM模块，提取得到第二特征，所述第二特征输入所述第一展平层，得到视频特征，所述预处理后的非视频数据输入所述第二特征提取网络分支，所述第二特征提取网络分支包括依次连接的输入层、第一隐藏层、第二隐藏层、输出层和第二展平层，所述预处理后的非视频数据包括原料输入特征和电流输入特征，所述原料输入特征输入所述第二特征提取网络分支，得到原料输出特征，所述电流输入特征输入所述第二特征提取网络分支，得到电流输出特征，所述视频特征、原料输出特征和电流输出特征输入所述融合模块进行特征拼接，得到融合特征，所述融合特征输入所述输出模块，得到坍落度的预测值。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202311705113.7A 2023-12-13 2023-12-13 基于多模态数据的坍落度监测方法、装置及可读介质 Active CN117390586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311705113.7A CN117390586B (zh) 2023-12-13 2023-12-13 基于多模态数据的坍落度监测方法、装置及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311705113.7A CN117390586B (zh) 2023-12-13 2023-12-13 基于多模态数据的坍落度监测方法、装置及可读介质

Publications (2)

Publication Number Publication Date
CN117390586A CN117390586A (zh) 2024-01-12
CN117390586B true CN117390586B (zh) 2024-05-03

Family

ID=89437832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311705113.7A Active CN117390586B (zh) 2023-12-13 2023-12-13 基于多模态数据的坍落度监测方法、装置及可读介质

Country Status (1)

Country Link
CN (1) CN117390586B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266989A (zh) * 2021-11-15 2022-04-01 北京建筑材料科学研究总院有限公司 一种混凝土拌合物和易性测定方法和装置
CN115586324A (zh) * 2021-12-30 2023-01-10 郑州三和水工机械有限公司 一种基于5g摄像的混凝土搅拌坍落度判断方法
CN115683225A (zh) * 2022-11-10 2023-02-03 杭州信之威信息技术有限公司 一种基于机器视觉的混凝土检测方法与装置
CN117195083A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于电流曲线的坍落度预测方法、装置及可读介质
CN117218118A (zh) * 2023-11-07 2023-12-12 福建南方路面机械股份有限公司 基于图像序列的坍落度监测方法、装置及可读介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7103274B2 (ja) * 2019-02-28 2022-07-20 日本電信電話株式会社 検知装置及び検知プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266989A (zh) * 2021-11-15 2022-04-01 北京建筑材料科学研究总院有限公司 一种混凝土拌合物和易性测定方法和装置
CN115586324A (zh) * 2021-12-30 2023-01-10 郑州三和水工机械有限公司 一种基于5g摄像的混凝土搅拌坍落度判断方法
CN115683225A (zh) * 2022-11-10 2023-02-03 杭州信之威信息技术有限公司 一种基于机器视觉的混凝土检测方法与装置
CN117218118A (zh) * 2023-11-07 2023-12-12 福建南方路面机械股份有限公司 基于图像序列的坍落度监测方法、装置及可读介质
CN117195083A (zh) * 2023-11-08 2023-12-08 福建南方路面机械股份有限公司 基于电流曲线的坍落度预测方法、装置及可读介质

Also Published As

Publication number Publication date
CN117390586A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Chakraborty et al. An explainable machine learning model to predict and elucidate the compressive behavior of high-performance concrete
WO2020238783A1 (zh) 一种信息处理方法、装置及存储介质
CN106372057A (zh) 内容的审核方法及装置
CN117218118B (zh) 基于图像序列的坍落度监测方法、装置及可读介质
CN111145848A (zh) 临床试验中的不良反应事件检测方法、装置、介质与设备
US20210049414A1 (en) Deep graph de-noise by differentiable ranking
CN117195083B (zh) 基于电流曲线的坍落度预测方法、装置及可读介质
CN117195163B (zh) 基于混凝土配方的坍落度预测方法、装置及可读介质
CN117390586B (zh) 基于多模态数据的坍落度监测方法、装置及可读介质
CN114768922A (zh) 圆锥破碎机排料口尺寸智能调整方法、装置及可读介质
CN110825589A (zh) 用于微服务系统的异常检测方法及其装置和电子设备
CN111784506A (zh) 逾期风险控制方法、设备及可读存储介质
CN115795345A (zh) 信息处理方法、装置、设备及存储介质
CN115860147A (zh) 基于非平衡集成学习的报关单预判模型训练方法及装置
CN113902230A (zh) 电量偏差控制方法、系统、存储介质和电子设备
CN113111897A (zh) 基于支持向量机的接警警情类别确定方法和装置
CN113111165A (zh) 基于深度学习模型的接警警情类别确定方法和装置
CN111754264B (zh) 一种基于清洁能源补贴数据的数据分析方法
CN117422709B (zh) 基于rgb图像和深度图像的坍落度预测方法及装置
CN116823407A (zh) 产品信息推送方法、装置、电子设备和计算机可读介质
CN118096012A (zh) 数据预测方法和装置
US20230360068A1 (en) Evaluating entity behaviour in a contractual situation
Pandikumar et al. Deep Learning based Long Short-Term Memory Recurrent Neural Network for Stock Price Movement Prediction
CN115269349A (zh) 一种软件质量预测方法及相关装置
Vannucci et al. AI and ML Techniques for Generation and Assessment of Products Properties Data

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