CN112614175A - 基于特征去相关的用于封孔剂注射器的注射参数确定方法 - Google Patents
基于特征去相关的用于封孔剂注射器的注射参数确定方法 Download PDFInfo
- Publication number
- CN112614175A CN112614175A CN202011519163.2A CN202011519163A CN112614175A CN 112614175 A CN112614175 A CN 112614175A CN 202011519163 A CN202011519163 A CN 202011519163A CN 112614175 A CN112614175 A CN 112614175A
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- gas
- decorrelation
- inner product
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 95
- 239000007924 injection Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007789 sealing Methods 0.000 title abstract description 31
- 239000003795 chemical substances by application Substances 0.000 title abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 325
- 239000000565 sealant Substances 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000005065 mining Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 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
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其包括：将待封闭钻孔的图像通过卷积神经网络以获得特征图；获取在抽采瓦斯气体时获得的气体参数并将其转化为输入向量；将所述输入向量通过深度神经网络，以获得气体特征向量；计算所述特征图相对于所述气体特征向量的内积矩阵；计算所述气体特征向量相对于所述特征图的内积向量；以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；将所述去相关特征图通过全连接层以获得形状向量；以及，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
Description
技术领域
本申请涉及人工智能领域，且更为具体地，涉及一种基于特征去相关的用于封孔剂注射器的注射参数确定方法、基于特征去相关的用于封孔剂注射器的注射参数确定***和电子设备。
背景技术
现在的煤矿瓦斯的开采都是使用钻孔抽采的方式，这样，在开采过程中需要进行钻孔和封孔，来保证瓦斯的安全开采。目前，在对孔进行封闭的时候都是采用封孔剂注射器将封孔剂注射到孔中来进行封孔。
但是，现有的封孔剂注射器在对钻出来的孔进行封堵时，仍存在一些缺陷，首先，不能根据孔的形状、大小和深度进行调整，对于不同的孔，通常根据经验选择不同的封孔剂注射器，影响了封孔效果。另外，在向孔内注射封孔剂时，有时需要对钻出来的孔进行定向封堵，使得封孔剂可以在孔中进行有效的定向膨胀，提高使用效果，但是目前也没有很好地确定封孔定向的方法。
因此，期望一种优化的用于煤矿瓦斯开采钻孔的封孔剂注射器的注射参数确定的技术方案。
目前，深度学***。
近年来，深度学习以及神经网络的发展为封孔剂注射器的注射参数确定提供了新的解决思路和方案。
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基于特征去相关的用于封孔剂注射器的注射参数确定方法、基于特征去相关的用于封孔剂注射器的注射参数确定***和电子设备，其以深度神经网络提取钻孔图像的特征图来捕捉钻孔的形状和大小特征，并以深度神经网络基于钻孔中流出的气体参数来提取用于表示钻孔的深度和内部结构特征的特征向量，进而对所述特征图和所述特征向量进行去相关处理，并对去相关处理后的所述特征向量和所述特征图进行编码，以确定封孔剂注射器的注射参数。
根据本申请的一个方面，提供了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其包括：
获取待封闭的钻孔的图像；
将所述钻孔图像通过卷积神经网络以获得特征图；
获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；
将所述输入向量通过深度神经网络，以获得气体特征向量；
计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；
计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；
以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；
以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；
将所述去相关特征图通过全连接层以获得形状向量；以及
将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，将所述输入向量通过深度神经网络，以获得气体特征向量，包括：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，在将所述输入向量通过深度神经网络以获得气体特征向量中，所述深度神经网络为多层感知机。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性，包括：将所述气体特征向量调整为与所述特征图相匹配的维度；以及，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性，包括：将所述特征图调整为与所述气体特征向量相匹配的尺度；以及，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数，包括：将所述形状向量和所述去相关特征向量级联后通过一个或多个全连接层，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。。
根据本申请的另一方面，提供了一种基于特征去相关的用于封孔剂注射器的注射参数确定***，包括：
图像获取单元，用于获取待封闭的钻孔的图像；
特征图生成单元，用于将所述图像获取单元获得的所述钻孔图像通过卷积神经网络以获得特征图；
气体参数获取单元，用于获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；
气体特征向量生成单元，用于将所述气体参数获取单元获得的所述输入向量通过深度神经网络，以获得气体特征向量；
内积矩阵计算单元，用于计算所述特征图生成单元获得的所述特征图相对于所述气体特征向量生成单元获得的所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；
内积向量计算单元，用于计算所述气体特征向量生成单元获得的所述气体特征向量相对于所述特征图生成单元获得的所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；
去相关特征图生成单元，用于以所述特征图生成单元获得的所述特征图按像素位置减去所述内积矩阵计算单元获得的所述内积矩阵，以获得去相关特征图；
去相关特征向量生成单元，用于以所述气体特征向量生成单元获得的所述气体特征向量按元素位置减去所述内积向量计算单元获得的所述内积向量，以获取去相关特征向量；
形状向量生成单元，用于将所述去相关特征图生成单元获得的所述去相关特征图通过全连接层以获得形状向量；以及
编码单元，用于将所述形状向量生成单元获得的所述形状向量和所述去相关特征向量生成单元获得的所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定***中，所述气体特征向量生成单元，进一步用于：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定***中，所述深度神经网络为多层感知机。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定***中，所述内积矩阵计算单元，进一步用于：将所述气体特征向量调整为与所述特征图相匹配的维度；以及，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定***中，所述内积向量计算单元，进一步用于：将所述特征图调整为与所述气体特征向量相匹配的尺度；以及，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。
在上述基于特征去相关的用于封孔剂注射器的注射参数确定***中，所述编码单元，进一步用于：将所述形状向量和所述去相关特征向量级联后通过一个或多个全连接层，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法。
根据本申请的又一方面，提供了一种计算机可读介质，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如上所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法。
根据本申请提供的基于特征去相关的用于封孔剂注射器的注射参数确定方法、基于特征去相关的用于封孔剂注射器的注射参数确定***和电子设备，其以深度神经网络提取钻孔图像的特征图来捕捉钻孔的形状和大小特征，并以深度神经网络基于钻孔中流出的气体参数来提取用于表示钻孔的深度和内部结构特征的特征向量，进而对所述特征图和所述特征向量进行去相关处理，并对去相关处理后的所述特征向量和所述特征图进行编码，以确定封孔剂注射器的注射参数。
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基于特征去相关的用于封孔剂注射器的注射参数确定方法的场景示意图。
图2图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法的流程图。
图3图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法的架构示意图。
图4图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述特征图相对于所述气体特征向量的内积矩阵的流程图。
图5图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述气体特征向量相对于所述特征图的内积向量的流程图。
图6图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定***的框图。
图7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。
场景概述
如前所述，现在的煤矿瓦斯的开采都是使用钻孔抽采的方式，这样，在开采过程中需要进行钻孔和封孔，来保证瓦斯的安全开采。目前，在对孔进行封闭的时候都是采用封孔剂注射器将封孔剂注射到孔中来进行封孔。
但是，现有的封孔剂注射器在对钻出来的孔进行封堵时，仍存在一些缺陷，首先，不能根据孔的形状、大小和深度进行调整，对于不同的孔，通常根据经验选择不同的封孔剂注射器，影响了封孔效果。另外，在向孔内注射封孔剂时，有时需要对钻出来的孔进行定向封堵，使得封孔剂可以在孔中进行有效的定向膨胀，提高使用效果，但是目前也没有很好地确定封孔定向的方法。
因此，期望一种优化的用于煤矿瓦斯开采钻孔的封孔剂注射器的注射参数确定的技术方案。
基于上述问题，本申请的申请人考虑通过基于深度学习的特征提取和编码技术来确定封孔剂注射器的注射参数，例如注射器的注射孔径、注射流速、注射定向等。具体地，考虑到与孔的形状和大小的特征可以基于对钻孔的图像进行特征提取来获得，而孔的深度和内部结构特征可以通过由孔中流出的气体的参数的反向推导来获得，因此，本申请的方案包含两个部分。
首先，将获得的钻孔图像通过卷积神经网络以后获得特征图。然后，获取在钻孔抽采过程中所获得的气体参数，具体地，在一定时间段内的按时间间隔获取的气体出孔流速，从而构成用于作为输入参数的输入向量。这可以作为钻孔的深度和内部结构的属性描述特征，然后将该属性描述特征通过深度神经网络以获得特征向量。
针对该特征图和该特征向量，尽管其本身反映了钻孔的不同特性，但是仍然可能存在某些相关性，这些相关性在进一步通过包含全连接层的编码器进行参数编码时，可能造成编码出的参数的过拟合，从而影响参数精度。因此，在本申请的方案中，进一步去除该特征图和该特征向量之间的相关性。具体地，以特征图与特征向量的内积来度量这种相关性，分别从特征图和特征向量中减去用于表示相关性的内积矩阵和内积向量，从而获得去相关的特征图和特征向量。也就是，设特征图为A，特征向量为B，则去相关的特征图为A-A·B，去相关的特征向量为B-B·A。注意如果特征图与特征向量的维度不匹配，则对特征图进行上采样或者下采样来进行缩放。
然后，再将特征图通过全连接层转换为形状向量，并与该特征向量级联之后通过编码器获得封孔剂注射器的注射参数。
基于此，本申请提出了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其包括：获取待封闭的钻孔的图像；将所述钻孔图像通过卷积神经网络以获得特征图；获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；将所述输入向量通过深度神经网络，以获得气体特征向量；计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；将所述去相关特征图通过全连接层以获得形状向量；以及，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
图1图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法的场景示意图。
如图1所示，在该应用场景中，首先通过摄像头(例如，如图1中所示意的C)获取待封闭的钻孔的图像，以及，通过传感器(例如，如图1中所示意的S1)，例如，速度传感器，来获取在钻孔抽采瓦斯气体的过程中的气体参数；然后，将所述钻孔图像和所述气体参数输入至部署有基于特征去相关的用于封孔剂注射器的注射参数确定算法的服务器(例如，如图1中所示意的S2)中，其中，所述服务器能够以基于特征去相关的用于封孔剂注射器的注射参数确定算法对所述钻孔图像和所述气体参数进行处理，以封孔剂注射器的注射参数。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法的流程图。如图2所示，根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法，包括：S110，获取待封闭的钻孔的图像；S120，将所述钻孔图像通过卷积神经网络以获得特征图；S130，获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；S140，将所述输入向量通过深度神经网络，以获得气体特征向量；S150，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；S160，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；S170，以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；S180，以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；S190，将所述去相关特征图通过全连接层以获得形状向量；S200，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
图3图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法的架构示意图。如图3所示，在该网络架构中，首先将获取的待封闭的钻孔的图像(例如，如图3中所示意的IN0)通过卷积神经网络(例如，如图3中所示意的CNN)以获得特征图(例如，如图3中所示意的F1)。同时，将基于获取的在钻孔抽采瓦斯气体的过程中获得的气体参数转化而来的输入向量(例如，如图3中所示意的V0)通过深度神经网络(例如，如图3中所示意的DN)以获得气体特征向量(例如，如图3中所示意的V1)。接着，计算所述特征图相对于所述气体特征向量的内积矩阵(例如，如图3中所示意的M1)，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性，以及，计算所述气体特征向量相对于所述特征图的内积向量(例如，如图3中所示意的Vi)，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性。然后，以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图(例如，如图3中所示意的Fu)，以及，以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量(例如，如图3中所示意的Vu)。然后，将所述去相关特征图通过全连接层(例如，如图3中所示意的Fcl)以获得形状向量(例如，如图3中所示意的Vs)。接着，将所述形状向量和所述去相关特征向量级联后通过编码器(例如，如图3中所示意的En)，以获得用于封孔剂注射器的注射参数。
在步骤S110中，获取待封闭的钻孔的图像。在本申请的技术方案中，所述钻孔图像作为检测图像，用于提取所述钻孔的形状和大小的特征。
在步骤S120中，将所述钻孔图像通过卷积神经网络以获得特征图。也就是，以深度卷积神经网络对所述钻孔图像进行处理，以提取出所述钻孔图像的高维特征。本领域普通技术人员应知晓，卷积神经网络在提取图像局部空间特征上具有优异的性能表现。
优选地，在本申请实施例中，所述卷积神经网络被实施为深度残差网络，例如，ResNet 50。相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中，获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量。在本申请的技术方案中，所述输入向量作为源域数据，用于提取所述钻孔的内部结构和深度的特征。
具体地，在本申请实施例中，获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量的过程，包括：首先，获取的在一定时间段内的按时间间隔的气体出孔流速，并对所述气体出孔流速进行归一化处理，以获得所述输入向量。也就是，在本申请的技术方案中，所述气体参数为气体出孔流速。
在步骤S140中，将所述输入向量通过深度神经网络，以获得气体特征向量。也就是，以深度神经网络对所述输入向量进行处理，以提取出所述输入向量中的高维特征。
具体地，在本申请一个具体的示例中，将所述输入向量通过深度神经网络，以获得气体特征向量的过程，包括：以所述输入向量进行一维卷积处理，以获得所述气体特征向量。也就是，所述深度神经网络为1维卷积神经网络，其可提取出所述输入向量中各元素之间的时序关联信息，以及，所述输入向量中各元素自身的信息，以获得所述气体特征向量。
在本申请另一具体的示例中，将所述输入向量通过深度神经网络，以获得气体特征向量的过程，包括：以多层感知机模型对所述输入向量进行处理，以获得所述气体特征向量。也就是，在该具体示例中，所述深度神经网络为多层感知机模型，其能够充分利用所述输入向量中各个元素的信息，以生成所述气体特征向量。本领域普通技术人员应知晓，多层感知机是一种深度神经网络模型，其能够充分地利用音频向量中各个位置的信息和各个位置之间的关联信息，以提取出能够表达音频数据的高维特征。多层感知机模型是一种前馈人工神经网络模型，除了输入输出层，它中间可以有多个隐层，其将输入的多个数据集映射到单一的输出的数据集上。
在步骤S150中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性。应可以理解，针对所述特征图和所述气体特征向量，尽管其本身反映了钻孔的不同特性，但是仍然可能存在某些相关性，这些相关性在进一步通过包含全连接层的编码器进行参数编码时，可能造成编码出的参数的过拟合，从而影响参数精度。因此，在本申请的方案中，进一步去除该特征图和该特征向量之间的相关性。
相应地，在步骤S150中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性。本领域普通技术人员应知晓，内积矩阵是从行的角度研究所述特征图相对于所述气体特征向量之间的相似性。具体地，在计算所述特征图相对于所述气体特征向量的内积矩阵的过程中，首先需将所述气体特征向量调整为与所述特征图相匹配的维度，也就是，所述气体特征向量的列数与所述特征图的行数相等，接着，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。应可以理解，设定特征图为A，特征向量为B，则去相关的特征图为A-A·B。
图4图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述特征图相对于所述气体特征向量的内积矩阵的流程图。如图4所示，在本申请实施例中，计算所述特征图相对于所述气体特征向量的内积矩阵，包括：S210，将所述气体特征向量调整为与所述特征图相匹配的维度；以及，S220，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
在步骤S160中，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性。本领域普通技术人员应知晓，内积向量是从行的角度研究所述特征向量相对于所述特征图之间的相似性。具体地，在计算所述气体特征向量相对于所述特征图的内积向量的过程中，首先需将所述特征图调整为与所述气体特征向量相匹配的尺度，也就是，将所述特征图的行数调整为与所述气体特征向量的列数相等，接着，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。应可以理解，设定特征图为A，特征向量为B，则去相关的特征向量为B-B·A。
图5图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述气体特征向量相对于所述特征图的内积向量的流程图。如图5所示，在本申请实施例中，计算所述气体特征向量相对于所述特征图的内积向量，包括：S310，将所述气体特征向量调整为与所述特征图相匹配的维度；以及，S320，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
在步骤S170中，以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图。也就是，去除所述特征图中与所述气体特征向量中相关联的特征，以获得所述去相关特征图。
在步骤S180中，以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量。也就是，去除所述气体特征向量中与所述特征图中相关联的特征，以获得所述去相关向量。
在步骤S190中，将所述去相关特征图通过全连接层以获得形状向量。也就是，以全连接层作为编码器对所述去相关特征图进行编码，以提取出所述去相关特征图中用于表示所述钻孔的形状和大小的特征的所述形状向量。
在步骤S200中，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。也就是，综合所述钻孔的形状和大小的特征和所述钻孔的内部结构和深度的特征，并通过编码器对上述综合特征进行编码，以获得所述封孔剂注射器的注射参数。相应地，在本申请实施例中，所述注射参数，包括但不限于：注射器的注射孔径、注射流速、注射定向等。
更具体地，在本申请实施例中，以一个或多个全连接层作为编码器对所述综合特征向量进行编码，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。应可以理解，通过所述一个或多个全连接层作为编码器可充分地利用所述综合特征向量中各个元素的信息，以提高编码准确率。
综上，基于本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定方法被阐明，其以深度神经网络提取钻孔图像的特征图来捕捉钻孔的形状和大小特征，并以深度神经网络基于钻孔中流出的气体参数来提取用于表示钻孔的深度和内部结构特征的特征向量，进而对所述特征图和所述特征向量进行去相关处理，并对去相关处理后的所述特征向量和所述特征图进行编码，以确定封孔剂注射器的注射参数。
示例性***
图6图示了根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定***的框图。
如图6所示，根据本申请实施例的基于特征去相关的用于封孔剂注射器的注射参数确定***600，包括：图像获取单元610，用于获取待封闭的钻孔的图像；特征图生成单元620，用于将所述图像获取单元610获得的所述钻孔图像通过卷积神经网络以获得特征图；气体参数获取单元630，用于获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；气体特征向量生成单元640，用于将所述气体参数获取单元630获得的所述输入向量通过深度神经网络，以获得气体特征向量；内积矩阵计算单元650，用于计算所述特征图生成单元620获得的所述特征图相对于所述气体特征向量生成单元640获得的所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；内积向量计算单元660，用于计算所述气体特征向量生成单元640获得的所述气体特征向量相对于所述特征图生成单元620获得的所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；去相关特征图生成单元670，用于以所述特征图生成单元620获得的所述特征图按像素位置减去所述内积矩阵计算单元650获得的所述内积矩阵，以获得去相关特征图；去相关特征向量生成单元680，用于以所述气体特征向量生成单元640获得的所述气体特征向量按元素位置减去所述内积向量计算单元660获得的所述内积向量，以获取去相关特征向量；形状向量生成单元690，用于将所述去相关特征图生成单元670获得的所述去相关特征图通过全连接层以获得形状向量；以及，编码单元700，用于将所述形状向量生成单元690获得的所述形状向量和所述去相关特征向量生成单元680获得的所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
在一个示例中，在上述参数确定***600中，所述气体特征向量生成单元640，进一步用于：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。
在一个示例中，在上述参数确定***600中，所述深度神经网络为多层感知机。
在一个示例中，在上述参数确定***600中，所述内积矩阵计算单元650，进一步用于：将所述气体特征向量调整为与所述特征图相匹配的维度；以及，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
在一个示例中，在上述参数确定***600中，所述内积向量计算单元660，进一步用于：将所述特征图调整为与所述气体特征向量相匹配的尺度；以及，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。
在一个示例中，在上述参数确定***600中，所述编码单元700，进一步用于：将所述形状向量和所述去相关特征向量级联后通过一个或多个全连接层，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。
这里，本领域技术人员可以理解，上述参数确定***600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于特征去相关的用于封孔剂注射器的注射参数确定方法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参数确定***600可以实现在各种终端设备中，例如用于封孔剂注射器的参数控制的服务器等。在一个示例中，根据本申请实施例的参数确定***600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，该参数确定***600可以是该终端设备的操作***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，该参数确定***600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，该参数确定***600与该终端设备也可以是分立的设备，并且该参数确定***600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基于特征去相关的用于封孔剂注射器的注射参数确定方法以及/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钻孔图像、气体参数、注射参数等各种内容。
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***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，包括注射参数等。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。
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基于特征去相关的用于封孔剂注射器的注射参数确定方法中的步骤。
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基于特征去相关的用于封孔剂注射器的注射参数确定方法中的步骤。
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***、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、***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、***。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)
1.一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其特征在于，包括：
获取待封闭的钻孔的图像；
将所述钻孔图像通过卷积神经网络以获得特征图；
获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；
将所述输入向量通过深度神经网络，以获得气体特征向量；
计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；
计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；
以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；
以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；
将所述去相关特征图通过全连接层以获得形状向量；以及
将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
2.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，将所述输入向量通过深度神经网络，以获得气体特征向量，包括：
对所述输入向量进行一维卷积处理，以获得所述气体特征向量。
3.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，在将所述输入向量通过深度神经网络以获得气体特征向量中，所述深度神经网络为多层感知机。
4.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性，包括：
将所述气体特征向量调整为与所述特征图相匹配的维度；以及
计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。
5.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性，包括：
将所述特征图调整为与所述气体特征向量相匹配的尺度；以及
计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。
6.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数，包括：
将所述形状向量和所述去相关特征向量级联后通过一个或多个全连接层，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。
7.一种基于特征去相关的用于封孔剂注射器的注射参数确定***，其特征在于，包括：
图像获取单元，用于获取待封闭的钻孔的图像；
特征图生成单元，用于将所述图像获取单元获得的所述钻孔图像通过卷积神经网络以获得特征图；
气体参数获取单元，用于获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；
气体特征向量生成单元，用于将所述气体参数获取单元获得的所述输入向量通过深度神经网络，以获得气体特征向量；
内积矩阵计算单元，用于计算所述特征图生成单元获得的所述特征图相对于所述气体特征向量生成单元获得的所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；
内积向量计算单元，用于计算所述气体特征向量生成单元获得的所述气体特征向量相对于所述特征图生成单元获得的所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；
去相关特征图生成单元，用于以所述特征图生成单元获得的所述特征图按像素位置减去所述内积矩阵计算单元获得的所述内积矩阵，以获得去相关特征图；
去相关特征向量生成单元，用于以所述气体特征向量生成单元获得的所述气体特征向量按元素位置减去所述内积向量计算单元获得的所述内积向量，以获取去相关特征向量；
形状向量生成单元，用于将所述去相关特征图生成单元获得的所述去相关特征图通过全连接层以获得形状向量；以及
编码单元，用于将所述形状向量生成单元获得的所述形状向量和所述去相关特征向量生成单元获得的所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。
8.根据权利要求7所述的基于特征去相关的用于封孔剂注射器的注射参数确定***，其中，所述气体特征向量生成单元，进一步用于：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。
9.根据权利要求7所述的基于特征去相关的用于封孔剂注射器的注射参数确定***，其中，所述深度神经网络为多层感知机。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519163.2A CN112614175A (zh) | 2020-12-21 | 2020-12-21 | 基于特征去相关的用于封孔剂注射器的注射参数确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519163.2A CN112614175A (zh) | 2020-12-21 | 2020-12-21 | 基于特征去相关的用于封孔剂注射器的注射参数确定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112614175A true CN112614175A (zh) | 2021-04-06 |
Family
ID=75244362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011519163.2A Pending CN112614175A (zh) | 2020-12-21 | 2020-12-21 | 基于特征去相关的用于封孔剂注射器的注射参数确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112614175A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304846A (zh) * | 2017-09-11 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及存储介质 |
| CN108416434A (zh) * | 2018-02-07 | 2018-08-17 | 复旦大学 | 针对神经网络的卷积层与全连接层进行加速的电路结构 |
| US20190138898A1 (en) * | 2017-11-07 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network performing deconvolution |
| CN111428761A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 图像特征可视化方法、图像特征可视化装置及电子设备 |
| CN111612024A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 特征提取方法、装置、电子设备及计算机可读存储介质 |
| CN111852390A (zh) * | 2020-07-21 | 2020-10-30 | 叶际平 | 一种煤矿瓦斯抽采钻孔封孔剂定向膨胀装置及膨胀方法 |
-
2020
- 2020-12-21 CN CN202011519163.2A patent/CN112614175A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304846A (zh) * | 2017-09-11 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及存储介质 |
| US20190138898A1 (en) * | 2017-11-07 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method and apparatus with neural network performing deconvolution |
| CN108416434A (zh) * | 2018-02-07 | 2018-08-17 | 复旦大学 | 针对神经网络的卷积层与全连接层进行加速的电路结构 |
| CN111612024A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 特征提取方法、装置、电子设备及计算机可读存储介质 |
| CN111428761A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 图像特征可视化方法、图像特征可视化装置及电子设备 |
| CN111852390A (zh) * | 2020-07-21 | 2020-10-30 | 叶际平 | 一种煤矿瓦斯抽采钻孔封孔剂定向膨胀装置及膨胀方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lai et al. | Deep recurrent regression for facial landmark detection | |
| CN111859912B (zh) | 基于pcnn模型的带有实体感知的远程监督关系抽取方法 | |
| CN110334587A (zh) | 人脸关键点定位模型的训练方法、装置及关键点定位方法 | |
| Xue et al. | A better way to attend: Attention with trees for video question answering | |
| CN111914731B (zh) | 一种基于自注意力机制的多模态lstm的视频动作预测方法 | |
| CN116025319A (zh) | 多介质热流体作业监测***及其方法 | |
| CN113961736A (zh) | 文本生成图像的方法、装置、计算机设备和存储介质 | |
| CN111325660A (zh) | 一种基于文本数据的遥感图像风格转换方法 | |
| CN113362416B (zh) | 基于目标检测的文本生成图像的方法 | |
| CN109344822A (zh) | 一种基于长短期记忆网络的场景文本检测方法 | |
| KR102117654B1 (ko) | 자연어 기반의 비디오 생성 방법 및 장치 | |
| CN114581965B (zh) | 指静脉识别模型训练方法及识别方法、***和终端 | |
| CN116563302B (zh) | 智慧医疗信息管理***及其方法 | |
| Feng et al. | Unsupervised multimodal anomaly detection with missing sources for liquid rocket engine | |
| CN116776872A (zh) | 医疗数据结构化归档*** | |
| Li et al. | Detection of generative linguistic steganography based on explicit and latent text word relation mining using deep learning | |
| Sern et al. | PhishGAN: Data augmentation and identification of homoglyph attacks | |
| Al-Wesabi et al. | Tampering Detection Approach of Arabic-Text Based on Contents Interrelationship. | |
| CN112614175A (zh) | 基于特征去相关的用于封孔剂注射器的注射参数确定方法 | |
| CN116127019B (zh) | 动态参数与可视化模型生成web 2d自动建模引擎*** | |
| CN116678258A (zh) | 用于压力容器的冷热交换器及其控制方法 | |
| CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
| Zhang et al. | A rapid combined model for automatic generating web UI codes | |
| CN112819040A (zh) | 基于权值生成机制的用于水泥加工的智能控制方法 | |
| Fan et al. | Facial expression animation through action units transfer in latent space |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240103 Address after: Room 408-8, 4th Floor, Building 2, Haichuang Technology Center, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province, 313000 Applicant after: HANGZHOU ZHUILIE TECHNOLOGY Co.,Ltd. Address before: Room 1004, building 2, new Tianxiang Commercial Plaza, 388 Suya Road, Suzhou Industrial Park, Suzhou area, China (Jiangsu) pilot Free Trade Zone, Suzhou 215000, Jiangsu Province Applicant before: Suzhou tuochi Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |