CN112836752A - 基于深度值的特征图融合的智能采样参数控制方法 - Google Patents

基于深度值的特征图融合的智能采样参数控制方法 Download PDF

Info

Publication number
CN112836752A
CN112836752A CN202110155373.6A CN202110155373A CN112836752A CN 112836752 A CN112836752 A CN 112836752A CN 202110155373 A CN202110155373 A CN 202110155373A CN 112836752 A CN112836752 A CN 112836752A
Authority
CN
China
Prior art keywords
feature map
depth
vector
image
values
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.)
Withdrawn
Application number
CN202110155373.6A
Other languages
English (en)
Inventor
侯开阳
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.)
Ran Ai Guangzhou Digital Technology Co ltd
Original Assignee
Ran Ai Guangzhou Digital Technology 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 Ran Ai Guangzhou Digital Technology Co ltd filed Critical Ran Ai Guangzhou Digital Technology Co ltd
Priority to CN202110155373.6A priority Critical patent/CN112836752A/zh
Publication of CN112836752A publication Critical patent/CN112836752A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

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

Abstract

本申请涉及智慧环保领域中的智能采样参数控制，其具体地公开了一种基于深度值的特征图融合的智能采样参数控制方法，其基于深度学习的特征提取与编码，通过污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度。具体地，在编码过程中，通过信息熵的形式将抽取深度的深度信息与污水图像的高维特征之间的关联信息进行融合，并通过矩阵相乘并入到污水图像的高维特征当中再进行编码，以提高编码输出的准确性。

Description

基于深度值的特征图融合的智能采样参数控制方法
技术领域
本发明涉及智慧环保领域中的智能采样参数控制，且更为具体地，涉及一种基于深度值的特征图融合的智能采样参数控制方法、基于深度值的特征图融合的智能采样参数控制***和电子设备。
背景技术
工厂污水是工厂在工业生产过程中产生的工业污水，在生产过程中产生的污水需要先将其进行集中处理后才可以***至河流中，而在处理之前就需要对污水池中的污水进行取样分析，便于高效处理污水。目前的自动污水取样装置在使用时都是抽取污水池中的固定深度的污水，但是由于受到污水中的各种杂质，尤其是不同固体颗粒等的影响，不同的抽取深度抽取的样品可能具有不同成分，导致可能存在分析误差。
因此，期待一种基于污水中的不同固体颗粒的分布情况来智能确定相应的采样深度的方法。
目前，深度学***。
深度学习以及神经网络的发展为污水采样抽取深度的智能控制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深度值的特征图融合的智能采样参数控制方法、基于深度值的特征图融合的智能采样参数控制***和电子设备，其基于深度学习的特征提取与编码，通过污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度。具体地，在编码过程中，通过信息熵的形式将抽取深度的深度信息与污水图像的高维特征之间的关联信息进行融合，并通过矩阵相乘并入到污水图像的高维特征当中再进行编码，以提高编码输出的准确性。
根据本申请的一个方面，提供了一种基于深度值的特征图融合的智能采样参数控制方法，其包括：
获取待检测图像，所述待检测图像为待抽取污水样品的图像；
将所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；
将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；
基于所述多个参考深度值，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；
将所述多个信息熵的值构建为深度信息向量；
将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；
将所述初始特征图与所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；以及
将所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
在上述基于深度值的特征图融合的智能采样参数控制方法中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，包括：将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；以及，将所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
在上述基于深度值的特征图融合的智能采样参数控制方法中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量，包括：将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在上述基于深度值的特征图融合的智能采样参数控制方法中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量，包括：将所述深度信息向量通过一维卷积神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在上述基于深度值的特征图融合的智能采样参数控制方法中，将所述融合特征图通过编码器，以获得编码输出，包括：将所述融合特征图通过一个或多个全连接层，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的位数为一位，所述输出位的输出为所述编码输出。
在上述基于深度值的特征图融合的智能采样参数控制方法中，所述深度卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种基于深度值的特征图融合的智能采样参数控制***，其包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为待抽取污水样品的图像；
初始特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；
预分类单元，用于将所述初始特征图生成单元获得的所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；
信息熵值生成单元，用于基于所述多个参考深度值，分别计算所述预分类单元获得的所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；
深度信息向量生成单元，用于将所述信息熵值生成单元获得的所述多个信息熵的值构建为深度信息向量；
特征向量生成单元，用于将所述深度信息向量生成单元获得的所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；
融合特征图生成单元，用于将所述初始特征图生成单元获得的所述初始特征图与所述特征向量生成单元获得的所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；
编码输出单元，用于将所述融合特征图生成单元获得的所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
在上述基于深度值的特征图融合的智能采样参数控制***中，所述预分类单元，包括：预分类特征向量生成子单元，用于将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；以及，概率值生成子单元，用于将所述预分类特征向量生成子单元获得的所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
在上述基于深度值的特征图融合的智能采样参数控制***中，所述特征向量生成单元，进一步用于：将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在上述基于深度值的特征图融合的智能采样参数控制***中，所述特征向量生成单元，进一步用于：将所述深度信息向量通过一维卷积神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在上述基于深度值的特征图融合的智能采样参数控制***中，所述编码输出单元，进一步用于：将所述融合特征图通过一个或多个全连接层，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的位数为一位，所述输出位的输出为所述编码输出。
在上述基于深度值的特征图融合的智能采样参数控制***中，所述深度卷积神经网络为深度残差网络。
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深度值的特征图融合的智能采样参数控制方法。
根据本申请的再又一方面，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深度值的特征图融合的智能采样参数控制方法。
与现有技术相比，本申请提供的基于深度值的特征图融合的智能采样参数控制方法、基于深度值的特征图融合的智能采样参数控制***和电子设备，其基于深度学习的特征提取与编码，通过污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度。具体地，在编码过程中，通过信息熵的形式将抽取深度的深度信息与污水图像的高维特征之间的关联信息进行融合，并通过矩阵相乘并入到污水图像的高维特征当中再进行编码，以提高编码输出的准确性。
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深度值的特征图融合的智能采样参数控制方法的应用场景图；
图2图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法的流程图；
图3图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法的***架构示意图；
图4图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值的流程图；
图5图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制***的框图；
图6图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制***中预分类单元的框图；
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，目前的自动污水取样装置在使用时都是抽取污水池中的固定深度的污水，但是由于受到污水中的各种杂质，尤其是不同固体颗粒等的影响，不同的抽取深度抽取的样品可能具有不同成分，导致可能存在分析误差。
基于此，考虑到污水中的不同固体颗粒会对污水的视觉特征产生影响，本申请的发明人考虑通过结合污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度，以使得抽取的样品能够更准确地反映污水的成分。
具体地，在本申请的技术方案中，在通过卷积神经网络提取到图像的高维特征之后，进一步通过具有一位输出的编码器来从高维特征获得抽取深度，但是，由于缺乏卷积神经网络所提取到的图像的高维特征与抽取深度的深度值之间的关联信息，使得编码器的编码准确性不高。基于此，本申请的发明人考虑将抽取深度的深度信息与特征图之间的关联信息并入特征图中。
因此，在获得待抽取样品的污水图像，并通过卷积神经网络以获得初始特征图之后，通过预设分类器获得初始特征图归属于多个预设标签的概率值，这里，该多个预设标签对应于不同的抽取深度的参考深度值。然后，基于参考深度值计算该概率值的信息熵形式，也就是xlogP(x)，其中x表示参考深度值，P(x)表示以该参考深度值为预设标签的概率值，并基于该多个信息熵的值构建深度向量。
在获得包含抽取深度的深度信息与特征图之间的关联信息的深度向量之后，为了进一步实现关联信息和特征图的强耦合，将所述深度向量通过深度神经网络实现的转换器以转换为长度与所述初始特征图的宽度相等的特征向量，并通过与所述初始特征图相乘以将其映射到初始特征图的高维特征空间中，以获得融合特征图。
接下来，将所述融合特征图通过由全连接深度神经网络实现的编码器以获得编码输出，该编码输出表示该待抽取样品的污水图像的样品的抽取深度。
基于此，本申请提出了一种基于深度值的特征图融合的智能采样参数控制方法，其包括：获取待检测图像，所述待检测图像为待抽取污水样品的图像；将所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；基于所述多个参考深度值，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；将所述多个信息熵的值构建为深度信息向量；将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；将所述初始特征图与所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图，以及，将所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
图1图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法的应用场景图。
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)获取待抽取污水样品的图像作为待检测图像；然后，将所述待检测图像输入至部署有基于深度值的特征图融合的智能采样参数控制算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够基于深度值的特征图融合的智能采样参数控制算法对所述待检测图像进行处理，以生成表示表示所述待抽取污水样品的图像中污水样品的抽取深度的编码输出。
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图示了基于深度值的特征图融合的智能采样参数控制方法的流程图。如图2所示，根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法，包括：S110，获取待检测图像，所述待检测图像为待抽取污水样品的图像；S120，将所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；S130，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；S140，基于所述多个参考深度值，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；S150，将所述多个信息熵的值构建为深度信息向量；S160，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；S170，将所述初始特征图与所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；以及，S180，将所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
图3图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法的架构示意图。如图3所示，在所述基于深度值的特征图融合的智能采样参数控制方法的网络架构中，首先，将获取的待抽取污水样品的图像(例如，如图3中所示意的IN0)通过深度卷积神经网络(例如，如图3中所示意的CNN)以获得初始特征图(例如，如图3中所示意的F1)；接着，将所述初始特征图通过预分类器(例如，如图3中所示意的预分类器)，以获得所述初始特征图归属于多个预设标签的多个概率值(例如，如图3中所示意的P1到Pm)；接着，基于所述多个参考深度值(例如，如图3中所示意的Pr1到Prm)，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值(例如，如图3中所示意的X1到Xm)；接着，将所述多个信息熵的值构建为深度信息向量(例如，如图3中所示意的Vd)；接着，将所述深度信息向量通过深度神经网络(例如，如图3中所示意的DNN)，以获得长度维度与所述初始特征图的宽度维度相等的特征向量(例如，如图3中所示意的Vt)；接着，将所述初始特征图与所述特征向量进行矩阵相乘，以获得融合特征图(例如，如图3中所示意的Fc)；然后，将所述融合特征图通过编码器(例如，如图3中所示意的编码器)，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
在步骤S110中，获取待检测图像，所述待检测图像为待抽取污水样品的图像。如前所述，由于污水中的不同固体颗粒会对污水的视觉特征产生影响，因此，可以结合污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度，以使得抽取的样品能够更准确地反映污水的成分。具体地，在本申请实施例中，可通过水下摄像头获取所述待抽取污水样品的图像。
在步骤S120中，将所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图。也就是，以深度卷积神经网络提取出所述待检测图像中的各高维特征。
本领域普通技术人员应了解，卷积神经网络在提取局部空间特征方面具有优异的性能表现，特别地，在本申请实施例中，所述深度卷积神经网络为深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，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，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值。也就是，采用解耦的方式，所述预分类器包含编码器，所述编码器可以由卷积层、池化层或者全连接层构成。
具体地，在本申请实施例中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值的过程，包括：首先，将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量，也就是，以一个或多个全连接层作为编码器对所述初始特征图进行编码以充分利用所述初始特征图中各个位置的信息，以生成预分类特征向量。然后，将所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
图4图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制方法中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值的流程图。如图4所示，在本申请实施例中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，包括：S210，将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；S220，将所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
在步骤S140中，基于所述多个参考深度值，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值。应可以理解，该概率值的信息熵形式融合了抽取深度的深度信息与特征图之间的关联信息。
在步骤S150中，将所述多个信息熵的值构建为深度信息向量。也就是，将所述多个信息熵的值按顺序排列以构成一组深度信息向量。应可以理解，将所述多个信息熵的值构建为深度信息向量，可以便于后续的计算。
在步骤S160中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。也就是，以深度神经网络提取出所述深度信息向量中的高维特征。
具体地，在本申请实施例中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述深度信息向量的宽度维度相等的特征向量的过程，包括：将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。也就是，所述深度神经网络为多层感知机模型，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，其能够充分地利用深度信息向量中各个位置的信息和各个位置之间的关联信息，以提取出能够表达深度信息与污水图像高维特征之间的关联信息的高维特征。
特别地，所述多层感知机的最后一层输出位数与初始特征图的宽度维度相等，以生成长度维度与所述初始特征图的宽度维度相等的特征向量。应可以理解，设置多层感知机的最后一层输出位数与初始特征图的宽度维度相等的目的是为了便于后续计算。
值得一提的是，在本申请的其他示例中，还可以通过其他方式将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量，例如，在本申请的另一个示例中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量的过程，包括：将所述深度信息向量通过一维卷积神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。也就是，所述深度神经网络为一维卷积神经网络，应可以理解，通过一维卷积对深度信息向量进行处理，可以充分挖掘深度信息向量中各个位置之间的高维特征。
在步骤S170中，将所述初始特征图与所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图。应可以理解，为了进一步实现深度信息与特征图之间的关联信息与污水图像的高维特征的强耦合，将所述特征向量与所述初始特征图相乘以将其映射到初始特征图的高维特征空间中。
在步骤S180中，将所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。也就是，通过具有一位输出的编码器来从融合特征图中获得抽取深度。
具体地，在本申请实施例中，将所述融合特征图通过编码器，以获得编码输出的过程，包括：将所述融合特征图通过一个或多个全连接层，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的位数为一位，所述输出位的输出为所述编码输出。也就是，所述编码器为一个或多个全连接层，通过全连接层对所述融合特征图进行编码可以充分利用融合特征图中各个位置的信息和各个位置之间的关联信息，减少信息损失。应可以理解，通过由全连接深度神经网络实现的编码器以获得编码输出，该编码输出表示该待抽取样品的污水图像的样品的抽取深度。
综上，本申请实施例的基于深度值的特征图融合的智能采样参数控制方法被阐明，其基于深度学习的特征提取与编码，通过污水的视觉特征来确定自动污水取样装置的抽取深度，从而尽量基于污水中的不同固体颗粒的分布情况来确定相应的抽取深度。具体地，在编码过程中，通过信息熵的形式将抽取深度的深度信息与污水图像的高维特征之间的关联信息进行融合，并通过矩阵相乘并入到污水图像的高维特征当中再进行编码，以提高编码输出的准确性。
示例性***
图5图示了根据本申请实施例的基于深度值的特征图融合的智能采样参数控制***的框图。
如图5所示，根据本申请实施例的基于深度值的特征图融合的智能采样参数控制***500，包括：待检测图像获取单元510，用于获取待检测图像，所述待检测图像为待抽取污水样品的图像；初始特征图生成单元520，用于将所述待检测图像获取单元510获得的所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；预分类单元530，用于将所述初始特征图生成单元520获得的所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；信息熵值生成单元540，用于基于所述多个参考深度值，分别计算所述预分类单元530获得的所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；深度信息向量生成单元550，用于将所述信息熵值生成单元540获得的所述多个信息熵的值构建为深度信息向量；特征向量生成单元560，用于将所述深度信息向量生成单元550获得的所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；融合特征图生成单元570，用于将所述初始特征图生成单元520获得的所述初始特征图与所述特征向量生成单元560获得的所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；以及，编码输出单元580，用于将所述融合特征图生成单元570获得的所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
在一个示例中，在上述智能参数控制***500中，如图6所示，所述预分类单元530，包括：预分类特征向量生成子单元531，用于将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；以及，概率值生成子单元532，用于将所述预分类特征向量生成子单元531获得的所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
在一个示例中，在上述智能参数控制***500中，所述特征向量生成单元560，进一步用于：将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在一个示例中，在上述智能参数控制***500中，所述特征向量生成单元560，进一步用于：将所述深度信息向量通过一维卷积神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
在一个示例中，在上述智能参数控制***500中，所述编码输出单元580，进一步用于：将所述融合特征图通过一个或多个全连接层，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的位数为一位，所述输出位的输出为所述编码输出。
在一个示例中，在上述智能参数控制***500中，所述深度卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述智能参数控制***500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4的基于深度值的特征图融合的智能采样参数控制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智能参数控制***500可以实现在各种终端设备中，例如用于污水采样深度的智能控制的服务器等。在一个示例中，根据本申请实施例的智能参数控制***500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，该智能参数控制***500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，该智能参数控制***500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，该智能参数控制***500与该终端设备也可以是分立的设备，并且该智能参数控制***500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，电子设备包括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深度值的特征图融合的智能采样参数控制方法的功能以及/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初始特征图、深度信息向量等各种内容。
在一个示例中，电子设备10还可以包括：输入***13和输出***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***13可以包括例如键盘、鼠标等等。
该输出***14可以向外部输出各种信息，包括编码输出等。该输出***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深度值的特征图融合的智能采样参数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”部分中描述的基于深度值的特征图融合的智能采样参数控制方法中的步骤。
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***、***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)

1.一种基于深度值的特征图融合的智能采样参数控制方法，其特征在于，包括：
获取待检测图像，所述待检测图像为待抽取污水样品的图像；
将所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；
将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；
基于所述多个参考深度值，分别计算所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；
将所述多个信息熵的值构建为深度信息向量；
将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；
将所述初始特征图与所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；
将所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
2.根据权利要求1所述的基于深度值的特征图融合的智能采样参数控制方法，其中，将所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，包括：
将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；
将所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
3.根据权利要求1所述的深度值的特征图融合的智能采样参数控制方法，其中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量，包括：
将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
4.根据权利要求1所述的深度值的特征图融合的智能采样参数控制方法，其中，将所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量，包括：
将所述深度信息向量通过一维卷积神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
5.根据权利要求1所述的深度值的特征图融合的智能采样参数控制方法，其中，将所述融合特征图通过编码器，以获得编码输出，包括：
将所述融合特征图通过一个或多个全连接层，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的位数为一位，所述输出位的输出为所述编码输出。
6.根据权利要求1所述的深度值的特征图融合的智能采样参数控制方法，其中，所述深度卷积神经网络为深度残差网络。
7.一种基于深度值的特征图融合的智能采样参数控制***，其特征在于，包括：
待检测图像获取单元，用于获取待检测图像，所述待检测图像为待抽取污水样品的图像；
初始特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过深度卷积神经网络，以从所述待检测图像中提取出对应于所述待检测图像的初始特征图；
预分类单元，用于将所述初始特征图生成单元获得的所述初始特征图通过预分类器，以获得所述初始特征图归属于多个预设标签的多个概率值，其中，所述多个预设标签分别对应于不同的抽取深度的多个参考深度值；
信息熵值生成单元，用于基于所述多个参考深度值，分别计算所述预分类单元获得的所述多个概率值中每个概率值的信息熵形式，以获得多个信息熵形式的值，其中，所述信息熵形式用公式表示为：xlogP(x)，其中，x表示所述参考深度值，P(x)表示以所述参考深度值为预设标签的概率值；
深度信息向量生成单元，用于将所述信息熵值生成单元获得的所述多个信息熵的值构建为深度信息向量；
特征向量生成单元，用于将所述深度信息向量生成单元获得的所述深度信息向量通过深度神经网络，以获得长度维度与所述初始特征图的宽度维度相等的特征向量；
融合特征图生成单元，用于将所述初始特征图生成单元获得的所述初始特征图与所述特征向量生成单元获得的所述特征向量进行矩阵相乘以将所述特征向量映射到所述初始特征图所在的特征空间中，以获得融合特征图；
编码输出单元，用于将所述融合特征图生成单元获得的所述融合特征图通过编码器，以获得编码输出，其中，所述编码输出表示所述待抽取污水样品的图像中污水样品的抽取深度。
8.根据权利要求7所述的深度值的特征图融合的智能采样参数控制***，其中，所述预分类单元，包括：
预分类特征向量生成子单元，用于将所述初始特征图通过一个或多个全连接层，以获得预分类特征向量；以及
概率值生成子单元，用于将所述预分类特征向量生成子单元获得的所述预分类特征向量输入Softmax分类函数，以获得所述初始特征图归属于多个预设标签的多个概率值。
9.根据权利要求7所述的深度值的特征图融合的智能采样参数控制***，其中，所述特征向量生成单元，进一步用于：
将所述深度信息向量通过多层感知机模型，以获得长度维度与所述初始特征图的宽度维度相等的特征向量。
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1-6中任一项所述的基于深度值的特征图融合的智能采样参数控制方法。
CN202110155373.6A 2021-02-04 2021-02-04 基于深度值的特征图融合的智能采样参数控制方法 Withdrawn CN112836752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110155373.6A CN112836752A (zh) 2021-02-04 2021-02-04 基于深度值的特征图融合的智能采样参数控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110155373.6A CN112836752A (zh) 2021-02-04 2021-02-04 基于深度值的特征图融合的智能采样参数控制方法

Publications (1)

Publication Number Publication Date
CN112836752A true CN112836752A (zh) 2021-05-25

Family

ID=75932131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110155373.6A Withdrawn CN112836752A (zh) 2021-02-04 2021-02-04 基于深度值的特征图融合的智能采样参数控制方法

Country Status (1)

Country Link
CN (1) CN112836752A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099387A (zh) * 2022-05-26 2022-09-23 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料***及其配料方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099387A (zh) * 2022-05-26 2022-09-23 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料***及其配料方法
CN115099387B (zh) * 2022-05-26 2023-02-03 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料***及其配料方法

Similar Documents

Publication Publication Date Title
JP7193252B2 (ja) 画像の領域のキャプション付加
CN115796173B (zh) 针对监管报送需求的数据处理方法和***
CN114169330A (zh) 融合时序卷积与Transformer编码器的中文命名实体识别方法
CN115783923B (zh) 基于大数据的电梯故障模式识别***
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN115186774B (zh) 智能电缆剥线设备及其方法
CN116245513B (zh) 基于规则库的自动化运维***及其方法
CN112446211A (zh) 文本处理装置、方法、设备和计算机可读存储介质
CN112508041A (zh) 基于分类结果标签的用于喷雾控制的神经网络的训练方法
CN116247824B (zh) 电力设备的控制方法及其***
CN114926835A (zh) 文本生成、模型训练方法和装置
CN116308754B (zh) 一种银行信贷风险预警***及其方法
CN114863437B (zh) 文本识别方法、装置、电子设备和存储介质
CN115951883B (zh) 分布式微服务架构的服务组件管理***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
CN114565812A (zh) 语义分割模型的训练方法、装置和图像的语义分割方法
CN115878330A (zh) 线程的运行控制方法及其***
CN114821169A (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN111597816A (zh) 一种自注意力命名实体识别方法、装置、设备及存储介质
CN115761839A (zh) 人脸活体检测模型的训练方法、人脸活体检测方法及装置
CN116579618A (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN116467485B (zh) 一种视频图像检索构建***及其方法
CN116629211A (zh) 基于人工智能的写作方法及***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210525