CN117539149A - 石英砂超声波清洗控制系统及其方法 - Google Patents
石英砂超声波清洗控制系统及其方法 Download PDFInfo
- Publication number
- CN117539149A CN117539149A CN202311493599.2A CN202311493599A CN117539149A CN 117539149 A CN117539149 A CN 117539149A CN 202311493599 A CN202311493599 A CN 202311493599A CN 117539149 A CN117539149 A CN 117539149A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- feature
- ultrasonic
- matrix
- characteristic
- 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
- 239000006004 Quartz sand Substances 0.000 title claims abstract description 79
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 238000004506 ultrasonic cleaning Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004140 cleaning Methods 0.000 claims description 182
- 239000013598 vector Substances 0.000 claims description 158
- 238000012544 monitoring process Methods 0.000 claims description 105
- 239000011159 matrix material Substances 0.000 claims description 88
- 230000004927 fusion Effects 0.000 claims description 51
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 22
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000012633 leachable Substances 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000002604 ultrasonography Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/04—Cleaning involving contact with liquid
- B08B3/10—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration
- B08B3/12—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration by sonic or ultrasonic vibrations
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Cleaning By Liquid Or Steam (AREA)
Abstract
本申请涉及智能控制领域,其具体公开了一种石英砂超声波清洗控制系统及其方法,使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
Description
技术领域
本申请涉及智能控制领域,且更为具体的涉及一种石英砂超声波清洗控制系统及其方法。
背景技术
传统的石英砂清洗方法是:石英砂通常被用作清洗介质,物体被放置在一个容器中,与石英砂一起进行搅拌或摩擦,以去除表面的污垢和沉积物。然而,石英砂清洗方法往往依赖于物体与石英砂的摩擦和搅拌作用,因此清洗效果可能因物体形状、大小和表面特性的不同而不一致。为了克服传统方法的缺点,可以采用超声波清洗的方法。超声波在液体中产生高频振动,形成微小气泡并产生剧烈的液流动力。这种微小气泡的破裂和液流动力可以有效地清洁物体表面和细小孔隙中的污垢,提供更彻底的清洗效果。为了达到更好的清洗效果,可以通过调整超声波的功率来实现。但是,目前主要是由操作人员手动控制超声波的功率,依赖操作人员的经验和技巧。这可能导致操作人员之间的差异性和主观性,影响清洗效果。
因此,期待一种优化的石英砂超声波清洗控制方案。
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石英砂超声波清洗控制系统及其方法,其使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
根据本申请的一个方面,提供了一种石英砂超声波清洗控制系统,其包括:
数据获取模块,用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;
关键帧提取模块,用于从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;
空间增强模块,用于将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;
嵌入转化模块,用于将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;
双向长短期记忆模块,用于将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;
特征过滤模块,用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;
位移秩序化融合模块,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
分类结果生成模块,用于将所述平滑融合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超声波发生装置的功率值应增大或应减小。
在上述的石英砂超声波清洗控制系统中,所述关键帧提取模块,用于:
以预定采样频率对所述预定时间段的清洗监控视频进行关键帧采样以得到所述多个清洗监控关键帧。
在上述的石英砂超声波清洗控制系统中,所述空间增强模块,用于:
使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成第一卷积特征图;
对所述第一卷积特征图进行池化处理以生成第一池化特征图;
对所述第一池化特征图进行非线性激活以生成第一激活特征图;
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵;
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵;
计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵;
其中,所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个清洗监控特征矩阵。
在上述的石英砂超声波清洗控制系统中,所述嵌入转化模块,用于:
使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个清洗监控特征矩阵中各个清洗监控特征矩阵进行线性嵌入编码以得到所述多个清洗监控特征向量。
在上述的石英砂超声波清洗控制系统中,所述特征过滤模块,用于:
使用作为特征过滤器的第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到第二卷积特征图;
对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;
对所述第二池化特征图进行非线性激活以得到第二激活特征图;
其中,所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量,所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
在上述的石英砂超声波清洗控制系统中,所述位移秩序化融合模块,包括:
位移秩序化单元,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化以得到秩序化超声波特征向量、秩序化清洗上下文理解特征向量、超声波特征向量位置索引向量和清洗上下文理解特征向量位置索引向量;
初始融合单元,用于基于所述超声波特征向量位置索引向量和所述清洗上下文理解特征向量位置索引向量,对所述秩序化超声波特征向量和所述秩序化清洗上下文理解特征向量进行融合以得到初始融合特征矩阵;
矩阵分解单元,用于对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;
矩阵排列单元,用于将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
在上述的石英砂超声波清洗控制系统中,所述分类结果生成模块,包括:
展开单元,用于将所述平滑融合特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于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;
分类结果生成单元,用于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,还提供了一种石英砂超声波清洗控制方法,其包括:
获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;
从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;
将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;
将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;
将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;
将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;
对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
将所述平滑融合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超声波发生装置的功率值应增大或应减小。
与现有技术相比,本申请提供的石英砂超声波清洗控制系统及其方法,其使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
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图示了根据本申请实施例的石英砂超声波清洗控制系统的框图。
图2图示了根据本申请实施例的石英砂超声波清洗控制系统的系统架构图。
图3图示了根据本申请实施例的石英砂超声波清洗控制方法的流程图。
图4图示了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。
示例性系统
图1图示了根据本申请实施例的石英砂超声波清洗控制系统的框图。如图1所示,根据本申请实施例的石英砂超声波清洗控制系统100,包括:数据获取模块110,用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;关键帧提取模块120,用于从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;
空间增强模块130,用于将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;嵌入转化模块140,用于将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;双向长短期记忆模块150,用于将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;特征过滤模块160,用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;位移秩序化融合模块170,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;以及,分类结果生成模块180,用于将所述平滑融合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超声波发生装置的功率值应增大或应减小。
图2图示了根据本申请实施例的石英砂超声波清洗控制系统的系统架构图。如图2所示,在该系统架构中,首先,获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频。然后,从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧。接着,将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵。然后,将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量。接着,将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量。然后,将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量。接着,对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵。进而,将所述平滑融合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超声波发生装置的功率值应增大或应减小。
在上述的石英砂超声波清洗控制系统100中,所述数据获取模块110,用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频。如上述背景技术所言,石英砂清洗方法往往依赖于物体与石英砂的摩擦和搅拌作用,因此清洗效果可能因物体形状、大小和表面特性的不同而不一致。为了克服传统方法的缺点,可以采用超声波清洗的方法。超声波在液体中产生高频振动,形成微小气泡并产生剧烈的液流动力。这种微小气泡的破裂和液流动力可以有效地清洁物体表面和细小孔隙中的污垢,提供更彻底的清洗效果。为了达到更好的清洗效果,可以通过调整超声波的功率来实现。但是,目前主要是由操作人员手动控制超声波的功率,依赖操作人员的经验和技巧。这可能导致操作人员之间的差异性和主观性,影响清洗效果。因此,期待一种优化的石英砂超声波清洗控制方案。
针对上述技术问题,提出了一种优化的石英砂超声波清洗控制方案,其使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
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石英砂超声波清洗控制方案提供了新的解决思路和方案。
具体地,首先,获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频。超声波是用于清洗的关键能量源。通过获取超声波信号,可以了解超声波发生装置的输出情况,包括频率和波形。清洗监控视频可以提供清洗过程的可视化信息。通过摄像头采集的视频可以观察清洗对象的状态、清洗液的流动情况以及清洗效果。
在上述的石英砂超声波清洗控制系统100中,所述关键帧提取模块120,用于从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧。考虑到清洗监控视频通常包含大量的连续帧图像,提取关键帧可以减少数据量,节省存储空间和处理资源,只保留关键帧可以更有效地代表整个清洗过程。关键帧是视频中具有关键信息的图像帧。这些帧通常包含清洗过程中的关键状态、对象变化或清洗效果的重要变化。提取关键帧可以帮助分析和理解清洗过程中的关键点和关键时刻。通过提取关键帧,可以减少需要处理和分析的图像数量,简化了后续的数据处理和算法计算。同时,关键帧可以更直观地表示清洗过程中的重要信息。
具体地,在本申请实施例中,所述关键帧提取模块120,用于:以预定采样频率对所述预定时间段的清洗监控视频进行关键帧采样以得到所述多个清洗监控关键帧。
在上述的石英砂超声波清洗控制系统100中,所述空间增强模块130,用于将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵。通过使用卷积神经网络模型,可以从每个关键帧中提取图像的特征。这些特征可以捕捉到图像中的结构、纹理、边缘等视觉信息,有助于表示关键帧中的重要内容。使用空间注意力机制可以使模型更加关注关键的图像区域。在清洗监控中,可能存在一些特定的区域或物体对清洗过程的效果有更大的影响。通过应用空间注意力,模型可以聚焦于这些关键区域,提取更有意义和相关性的特征。将多个清洗监控关键帧分别输入模型,可以得到多个清洗监控特征矩阵。这些特征矩阵可以包含每个关键帧中的不同特征表示,从而提供更全面和多样化的信息。这样可以更好地捕捉清洗过程中的变化和关键点,并为后续的分析和控制提供更丰富的数据。
具体地,在本申请实施例中,所述空间增强模块130,用于:使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成第一卷积特征图;对所述第一卷积特征图进行池化处理以生成第一池化特征图;对所述第一池化特征图进行非线性激活以生成第一激活特征图;计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵;计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵;计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵;其中,所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个清洗监控特征矩阵。
在上述的石英砂超声波清洗控制系统100中,所述嵌入转化模块140,用于将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量。考虑到清洗监控特征矩阵通常具有较高的维度,每个特征矩阵可能包含数百或数千个特征。通过线性嵌入层,可以将高维特征矩阵映射到更低维的特征向量。这样可以减少数据的维度,使得特征向量更易于处理和分析。将特征矩阵转化为特征向量后,每个向量可以看作是对应关键帧的特征表示。向量中的每个元素可以表示不同的特征或特征组合,从而提供了一种更紧凑和可解释的方式来描述关键帧的重要信息。
具体地,在本申请实施例中,所述嵌入转化模块140,用于:使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个清洗监控特征矩阵中各个清洗监控特征矩阵进行线性嵌入编码以得到所述多个清洗监控特征向量。
在上述的石英砂超声波清洗控制系统100中,所述双向长短期记忆模块150,用于将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量。在清洗监控中,关键帧之间通常存在时序上的依赖关系。前一个关键帧的状态和特征可能会影响到后续关键帧的状态和特征。通过使用双向LSTM模型,可以在两个方向上分别建模关键帧的时序依赖性,捕捉到清洗过程中的动态变化。清洗过程中的每个关键帧都包含了一定的上下文信息,例如前后关键帧的状态、动作和变化趋势。通过将多个特征向量输入BiLSTM模型,可以利用LSTM的记忆单元来维护和更新上下文信息。这样可以更好地理解清洗过程中的整体情况和演变趋势。
在上述的石英砂超声波清洗控制系统100中,所述特征过滤模块160,用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量。超声波信号的波形图包含了丰富的信息,例如振幅、频率、波形形状等。通过使用CNN模型作为特征过滤器,可以自动学习和提取超声波信号中的重要特征。CNN模型通过卷积和池化操作,可以捕捉到波形图中的局部模式和全局结构,从而提取出具有代表性的超声波特征。通过CNN模型作为特征过滤器,可以对超声波信号进行滤波和降维。CNN模型可以通过卷积层和池化层逐渐减少特征图的维度,从而减少数据的复杂性和冗余性。这样可以得到更紧凑和有效的超声波特征向量,方便后续的处理和分析。通过将超声波信号转化为特征向量,可以将连续的波形图表示为离散的特征表示。这样可以方便地进行特征比较、相似度计算和模式识别等任务。超声波特征向量可以提供对超声波信号的抽象和高级表示,有助于更深入地理解和分析超声波的特性和行为。
具体地,在本申请实施例中,所述特征过滤模块160,用于:使用作为特征过滤器的第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到第二卷积特征图;对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;对所述第二池化特征图进行非线性激活以得到第二激活特征图;其中,所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量,所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
在上述的石英砂超声波清洗控制系统100中,所述位移秩序化融合模块170,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵。在本申请的技术方案中,考虑到所述超声波特征向量和所述清洗上下文理解特征向量之间存在特征冗余,因此,在融合所述超声波特征向量和所述清洗上下文理解特征向量的过程中,如果能够消除所述超声波特征向量和所述清洗上下文理解特征向量之间的相关性,则显然可以提高融合特征表示通过分类器的分类回归的精准度。
具体地,在本申请的技术方案中,首先将所述超声波特征向量和所述清洗上下文理解特征向量分别表示为矩阵形式,接着,对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化,即将两个特征向量的分量按照从大到小的顺序重新排列,并记录每个分量的原始位置,进而基于所述超声波特征向量位置索引向量和所述清洗上下文理解特征向量位置索引向量,对所述秩序化超声波特征向量和所述秩序化清洗上下文理解特征向量进行融合以得到初始融合特征矩阵,即,将两个特征向量的分量按照原始位置索引的顺序依次相加,并将结果存储在一个新的矩阵中。继而,对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量,并将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
这样,所述位移秩序化融合可以有效地消除特征向量之间的相关性,从而提高所述平滑融合特征矩阵的信息量和表达能力。并且,在上述位移秩序化融合中,还引入了矩阵分解,因此,可以增加特征表示的稀疏性,以提高所述平滑融合特征矩阵通过分类器的分类结果的精准度。
具体地,在本申请实施例中,所述位移秩序化融合模块170,包括:位移秩序化单元,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化以得到秩序化超声波特征向量、秩序化清洗上下文理解特征向量、超声波特征向量位置索引向量和清洗上下文理解特征向量位置索引向量;初始融合单元,用于基于所述超声波特征向量位置索引向量和所述清洗上下文理解特征向量位置索引向量,对所述秩序化超声波特征向量和所述秩序化清洗上下文理解特征向量进行融合以得到初始融合特征矩阵;矩阵分解单元,用于对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;以及,矩阵排列单元,用于将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
在上述的石英砂超声波清洗控制系统100中,所述分类结果生成模块180,用于将所述平滑融合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超声波发生装置的功率值应增大或应减小。通过将平滑融合特征矩阵输入分类器,可以根据当前的特征状态和上下文信息对清洗过程进行实时分类。分类器可以根据已有的训练模型和算法,将特征矩阵映射到相应的分类结果。这样可以实现对当前时间点的清洗状态和特征的快速判断和识别。分类结果可以指示当前时间点超声波发生装置的功率应该增大或减小。根据分类结果,系统可以相应地调整超声波发生装置的功率设置。如果分类结果表明清洗过程处于一种需要更强的超声波功率的状态,系统可以增加功率以增强清洗效果。反之,如果分类结果表明清洗过程处于一种较好的状态,系统可以减小功率以节约能源或避免过度清洗。通过实时控制和调节超声波发生装置的功率,可以优化石英砂超声波清洗系统的性能和效果。根据分类结果进行动态的功率调节可以使系统更加智能化和自适应,适应不同的清洗情况和要求。这样可以提高清洗效率、减少能源消耗,并保证清洗质量和一致性。
具体地,在本申请实施例中,所述分类结果生成模块180,包括:展开单元,用于将所述平滑融合特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于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;分类结果生成单元,用于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。
综上,根据本申请实施例的石英砂超声波清洗控制系统已被阐明,其使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
示例性方法
图3图示了根据本申请实施例的石英砂超声波清洗控制方法的流程图。如图3所示,根据本申请实施例的所述石英砂超声波清洗控制方法,包括步骤:S110,获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;S120,从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;S130,将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;S140,将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;S150,将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;S160,将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;S170,对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;以及S180,将所述平滑融合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超声波发生装置的功率值应增大或应减小。
这里,本领域技术人员可以理解,上述石英砂超声波清洗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2的石英砂超声波清洗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石英砂超声波清洗控制系统100可以实现在各种终端设备中,例如石英砂超声波清洗控制服务器等。在一个示例中,根据本申请实施例的石英砂超声波清洗控制系统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,该石英砂超声波清洗控制系统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,该石英砂超声波清洗控制系统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,该石英砂超声波清洗控制系统100与该终端设备也可以是分立的设备,并且该石英砂超声波清洗控制系统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。
综上,根据本申请实施例的石英砂超声波清洗控制方法已被阐明,其使用基于深度神经网络模型的人工智能技术来智能地对石英砂清洗视频和超声波波形图进行特征编码与提取,以得到更为精准的用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类标签。这样,构建石英砂超声波清洗控制方案,来智能控制超声波功率,提高了控制精度,降低了人力和时间成本。
示例性电子设备
下面,参考图4来描述根据本申请实施例的电子设备。图4为根据本申请实施例的电子设备的框图。如图4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石英砂超声波清洗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诸如预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗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,包括当前时间点的超声波发生装置的功率值应增大或应减小等。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4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石英砂超声波清洗控制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石英砂超声波清洗控制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。
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 (10)
1.一种石英砂超声波清洗控制系统,其特征在于,包括:
数据获取模块,用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;
关键帧提取模块,用于从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;
空间增强模块,用于将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;
嵌入转化模块,用于将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;
双向长短期记忆模块,用于将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;
特征过滤模块,用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;
位移秩序化融合模块,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
分类结果生成模块,用于将所述平滑融合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超声波发生装置的功率值应增大或应减小。
2.根据权利要求1所述的石英砂超声波清洗控制系统,其特征在于,所述关键帧提取模块,用于:
以预定采样频率对所述预定时间段的清洗监控视频进行关键帧采样以得到所述多个清洗监控关键帧。
3.根据权利要求2所述的石英砂超声波清洗控制系统,其特征在于,所述空间增强模块,用于:
使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成第一卷积特征图;
对所述第一卷积特征图进行池化处理以生成第一池化特征图;
对所述第一池化特征图进行非线性激活以生成第一激活特征图;
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵;
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵;
计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵;
其中,所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个清洗监控特征矩阵。
4.根据权利要求3所述的石英砂超声波清洗控制系统,其特征在于,所述嵌入转化模块,用于:
使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个清洗监控特征矩阵中各个清洗监控特征矩阵进行线性嵌入编码以得到所述多个清洗监控特征向量。
5.根据权利要求4所述的石英砂超声波清洗控制系统,其特征在于,所述特征过滤模块,用于:
使用作为特征过滤器的第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到第二卷积特征图;
对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图;
对所述第二池化特征图进行非线性激活以得到第二激活特征图;
其中,所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量,所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
6.根据权利要求5所述的石英砂超声波清洗控制系统,其特征在于,所述位移秩序化融合模块,包括:
位移秩序化单元,用于对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化以得到秩序化超声波特征向量、秩序化清洗上下文理解特征向量、超声波特征向量位置索引向量和清洗上下文理解特征向量位置索引向量;
初始融合单元,用于基于所述超声波特征向量位置索引向量和所述清洗上下文理解特征向量位置索引向量,对所述秩序化超声波特征向量和所述秩序化清洗上下文理解特征向量进行融合以得到初始融合特征矩阵;
矩阵分解单元,用于对所述初始融合特征矩阵进行基于特征值的矩阵分解以得到多个特征值向量;
矩阵排列单元,用于将所述多个特征值向量排列为矩阵以得到所述平滑融合特征矩阵。
7.根据权利要求6所述的石英砂超声波清洗控制系统,其特征在于,所述分类结果生成模块,包括:
展开单元,用于将所述平滑融合特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于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;
分类结果生成单元,用于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。
8.一种石英砂超声波清洗控制方法,其特征在于,包括:
获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的清洗监控视频;
从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧;
将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵;
将所述多个清洗监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个清洗监控特征向量;
将所述多个清洗监控特征向量通过双向长短期记忆神经网络模型以得到清洗上下文理解特征向量;
将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量;
对所述超声波特征向量和所述清洗上下文理解特征向量进行位移秩序化融合以得到平滑融合特征矩阵;
将所述平滑融合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超声波发生装置的功率值应增大或应减小。
9.根据权利要求8所述的石英砂超声波清洗控制系统,其特征在于,从所述预定时间段的清洗监控视频中提取多个清洗监控关键帧,包括:以预定采样频率对所述预定时间段的清洗监控视频进行关键帧采样以得到所述多个清洗监控关键帧。
10.根据权利要求9所述的石英砂超声波清洗控制系统,其特征在于,将所述多个清洗监控关键帧中各个清洗监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个清洗监控特征矩阵,包括:
使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成第一卷积特征图;
对所述第一卷积特征图进行池化处理以生成第一池化特征图;
对所述第一池化特征图进行非线性激活以生成第一激活特征图;
计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵;
计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵;
计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵;
其中,所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个清洗监控特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493599.2A CN117539149A (zh) | 2023-11-08 | 2023-11-08 | 石英砂超声波清洗控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493599.2A CN117539149A (zh) | 2023-11-08 | 2023-11-08 | 石英砂超声波清洗控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117539149A true CN117539149A (zh) | 2024-02-09 |
Family
ID=89795068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311493599.2A Pending CN117539149A (zh) | 2023-11-08 | 2023-11-08 | 石英砂超声波清洗控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117539149A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049461A (zh) * | 2022-06-29 | 2022-09-13 | 杭州卓壹网络技术有限公司 | 基于多平台全域信息的电子商务信用评估方法及其系统 |
US20220382553A1 (en) * | 2021-05-24 | 2022-12-01 | Beihang University | Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery |
CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
CN115863193A (zh) * | 2022-12-27 | 2023-03-28 | 江西蓝微电子科技有限公司 | 一种镀金钯铜基键合丝及其制备方法 |
CN116486524A (zh) * | 2023-05-24 | 2023-07-25 | 重庆赛力斯新能源汽车设计院有限公司 | 基于场景识别的交流充电电子锁控制方法 |
CN117011770A (zh) * | 2023-09-05 | 2023-11-07 | 安徽峰领光学玻璃有限公司 | 光学玻璃超声波清洗系统及其方法 |
-
2023
- 2023-11-08 CN CN202311493599.2A patent/CN117539149A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220382553A1 (en) * | 2021-05-24 | 2022-12-01 | Beihang University | Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery |
CN115049461A (zh) * | 2022-06-29 | 2022-09-13 | 杭州卓壹网络技术有限公司 | 基于多平台全域信息的电子商务信用评估方法及其系统 |
CN115578676A (zh) * | 2022-10-27 | 2023-01-06 | 浙江宇鑫纺织印染有限公司 | 绿色节能智能化染整工艺及其系统 |
CN115863193A (zh) * | 2022-12-27 | 2023-03-28 | 江西蓝微电子科技有限公司 | 一种镀金钯铜基键合丝及其制备方法 |
CN116486524A (zh) * | 2023-05-24 | 2023-07-25 | 重庆赛力斯新能源汽车设计院有限公司 | 基于场景识别的交流充电电子锁控制方法 |
CN117011770A (zh) * | 2023-09-05 | 2023-11-07 | 安徽峰领光学玻璃有限公司 | 光学玻璃超声波清洗系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Din et al. | A novel GAN-based network for unmasking of masked face | |
Perarnau et al. | Invertible conditional gans for image editing | |
Khan et al. | An effective framework for driver fatigue recognition based on intelligent facial expressions analysis | |
CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN110728219A (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
JP2023549579A (ja) | ビデオ行動認識のための時間ボトルネック・アテンション・アーキテクチャ | |
CN112307939B (zh) | 一种利用位置掩码注意力机制的视频帧增强方法 | |
Bascol et al. | Unsupervised interpretable pattern discovery in time series using autoencoders | |
CN113033276B (zh) | 一种基于转换模块的行为识别方法 | |
CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
Fleuret | The little book of deep learning | |
CN117218300B (zh) | 三维模型的构建方法、三维构建模型的训练方法及装置 | |
Parthasarathy et al. | Self-supervised video pretraining yields robust and more human-aligned visual representations | |
CN111325149B (zh) | 一种基于投票的时序关联模型的视频动作识别方法 | |
Gupta et al. | Deep video gesture recognition using illumination invariants | |
CN117539149A (zh) | 石英砂超声波清洗控制系统及其方法 | |
Peng et al. | Viteraser: Harnessing the power of vision transformers for scene text removal with segmim pretraining | |
Luhman et al. | High fidelity image synthesis with deep vaes in latent space | |
Chen et al. | MSTP-net: Multiscale spatio-temporal parallel networks for human motion prediction | |
Zhou et al. | Lightweight Self-Attention Network for Semantic Segmentation | |
Tian et al. | Guest editorial: multimedia computing with interpretable machine learning | |
Wei et al. | Fast and Automatic 3D Modeling of Antenna Structure Using CNN-LSTM Network for Efficient Data Generation | |
Sage et al. | Joint spatial and temporal structure learning for task based control | |
Xu et al. | A Unified Framework for Human-centric Point Cloud Video Understanding |
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 |