CN115100427A - 锂电池制造的石墨矿石破碎装置及其处理方法 - Google Patents

锂电池制造的石墨矿石破碎装置及其处理方法 Download PDF

Info

Publication number
CN115100427A
CN115100427A CN202210757108.XA CN202210757108A CN115100427A CN 115100427 A CN115100427 A CN 115100427A CN 202210757108 A CN202210757108 A CN 202210757108A CN 115100427 A CN115100427 A CN 115100427A
Authority
CN
China
Prior art keywords
feature vector
neural network
loss function
convolutional neural
function value
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Withdrawn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
CN202210757108.XA
Other languages
English (en)
Inventor
张勇
韦新松
洪布双
高昂
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.)
Jiangsu Zhongqing Advanced Battery Manufacturing Co ltd
Original Assignee
Jiangsu Zhongqing Advanced Battery Manufacturing 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 Jiangsu Zhongqing Advanced Battery Manufacturing Co ltd filed Critical Jiangsu Zhongqing Advanced Battery Manufacturing Co ltd
Priority to CN202210757108.XA priority Critical patent/CN115100427A/zh
Publication of CN115100427A publication Critical patent/CN115100427A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Battery Electrode And Active Subsutance (AREA)

Abstract

本申请涉及智能制造的领域，其具体地公开了一种锂电池制造的石墨矿石破碎装置及其处理方法，其通过具有不同感受野的卷积神经网络对所述破碎结果图像进行处理，以更深层次地挖掘出所述破碎结果图像中不同大小的各个石墨块的尺寸结构特征信息，并且在特征融合时，通过约束尺度迁移确定性的损失函数来使得不同感受野的所述卷积神经网络提取的特征具有相近的尺度迁移性，以提高分类的准确性。这样，能够对石墨矿石的破碎质量进行智能监控，以对破碎质量没有满足要求的石墨矿石通过循环***进行二次破碎。

Description

锂电池制造的石墨矿石破碎装置及其处理方法
技术领域
本申请涉及智能制造的领域，且更为具体地，涉及一种锂电池制造的石墨矿石破碎装置及其处理方法。
背景技术
石墨是一种矿物名，通常产于变质岩中，是煤或碳质岩石(或沉积物)受到区域变质作用或岩浆侵入作用形成。石墨是元素碳的一种同素异形体，每个碳原子的周边连接着另外三个碳原子，排列方式呈蜂巢式的多个六边形，每层间有微弱的范德华引力。由于每个碳原子均会放出一个电子，那些电子能够自由移动，因此石墨属于导电体。石墨是其中一种最软的矿物，不透明且触感油腻，颜色由铁黑到钢铁灰，形状呈晶体状、薄片状、鳞状、条纹状、层状体或散布在变质岩中。化学性质不活泼，具有耐腐蚀性。
锂电池生产前需要对石墨矿石进行破碎处理，目前的用于石墨矿石的破碎装置大多采用一次破碎，破碎后的颗粒不均匀，没有进行细分，难以满足使用的需求。因此，期待一种能够具有破碎质量智能监控的破碎装置，如果破碎质量没有满足要求，则通过循环***进行二次破碎。
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锂电池制造的石墨矿石破碎装置及其处理方法，其通过具有不同感受野的卷积神经网络对所述破碎结果图像进行处理，以更深层次地挖掘出所述破碎结果图像中不同大小的各个石墨块的尺寸结构特征信息，并且在特征融合时，通过约束尺度迁移确定性的损失函数来使得不同感受野的所述卷积神经网络提取的特征具有相近的尺度迁移性，以提高分类的准确性。这样，能够对石墨矿石的破碎质量进行智能监控，以对破碎质量没有满足要求的石墨矿石通过循环***进行二次破碎。
根据本申请的一个方面，提供了一种锂电池制造的石墨矿石破碎装置，其包括：训练模块，包括：训练图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；训练第一编码单元，用于将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；训练第二编码单元，用于将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第一损失函数值计算单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；第二损失函数值计算单元，用于计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；训练单元，用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断模块，包括：图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；第一编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；第二编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；预处理结果生成单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
在上述锂电池制造的石墨矿石破碎装置中，所述使用第一卷积核的第一卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量，所述第一卷积神经网络的第一层的输入为所述破碎结果图像。
在上述锂电池制造的石墨矿石破碎装置中，所述使用第二卷积核的第二卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征向量，所述第二卷积神经网络的第一层的输入为所述破碎结果图像。
在上述锂电池制造的石墨矿石破碎装置中，所述第一损失函数值计算单元，包括：级联子单元，用于将所述第一特征向量和所述第二特征向量级联以得到分类特征向量；分类结果生成子单元，用于使用所述分类器以如下公式对所述级联子单元获得的所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 426350DEST_PATH_IMAGE001
，其中，
Figure 828031DEST_PATH_IMAGE002
到
Figure 664400DEST_PATH_IMAGE003
为权重矩阵，
Figure 46971DEST_PATH_IMAGE004
到
Figure 994199DEST_PATH_IMAGE005
为偏置向量，
Figure 513036DEST_PATH_IMAGE006
为所述分类特征向量；以及，交叉熵值计算子单元，用于计算所述分类结果生成子单元获得的所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在上述锂电池制造的石墨矿石破碎装置中，所述第二损失函数值计算单元，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的所述损失函数值；其中，所述公式为：
Figure 986218DEST_PATH_IMAGE007
其中
Figure 590506DEST_PATH_IMAGE008
表示所述第一特征向量，
Figure 279107DEST_PATH_IMAGE009
表示所述第二特征向量，
Figure 183609DEST_PATH_IMAGE010
和
Figure 314113DEST_PATH_IMAGE011
均为列向量的形式，且
Figure 936855DEST_PATH_IMAGE012
表示矩阵的Frobenius范数，
Figure 694726DEST_PATH_IMAGE013
表示矩阵的指数运算。
在上述锂电池制造的石墨矿石破碎装置中，所述训练单元，包括：总损失计算子单元，用于计算所述分类损失函数值和所述约束尺度迁移确定性的损失函数值的加权和作为所述损失函数值；以及，参数更新单元，用于基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
在上述锂电池制造的石墨矿石破碎装置中，在基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数的过程中，先固定所述第二卷积神经网络的参数对所述第一卷积神经网络进行训练，且在所述第一卷积神经网络训练完成后，对所述第二卷积神经网络进行训练。
根据本申请的另一方面，提供了一种锂电池制造的石墨矿石破碎装置的处理方法，其包括：训练阶段，包括：获取石墨矿石经一次破碎后的破碎结果图像；将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断阶段，包括：获取石墨矿石经一次破碎后的破碎结果图像；将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
与现有技术相比，本申请提供的锂电池制造的石墨矿石破碎装置及其处理方法，其通过具有不同感受野的卷积神经网络对所述破碎结果图像进行处理，以更深层次地挖掘出所述破碎结果图像中不同大小的各个石墨块的尺寸结构特征信息，并且在特征融合时，通过约束尺度迁移确定性的损失函数来使得不同感受野的所述卷积神经网络提取的特征具有相近的尺度迁移性，以提高分类的准确性。这样，能够对石墨矿石的破碎质量进行智能监控，以对破碎质量没有满足要求的石墨矿石通过循环***进行二次破碎。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的锂电池制造的石墨矿石破碎装置的应用场景图。
图2为根据本申请实施例的锂电池制造的石墨矿石破碎装置的框图。
图3为根据本申请实施例的锂电池制造的石墨矿石破碎装置中第一损失函数值计算单元的框图。
图4为根据本申请实施例的锂电池制造的石墨矿石破碎装置的处理方法的流程图。
图5为根据本申请实施例的锂电池制造的石墨矿石破碎装置中训练模块的处理方法的架构示意图。
图6为根据本申请实施例的锂电池制造的石墨矿石破碎装置中推断模块的处理方法的架构示意图。
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，石墨是一种矿物名，通常产于变质岩中，是煤或碳质岩石(或沉积物)受到区域变质作用或岩浆侵入作用形成。石墨是元素碳的一种同素异形体，每个碳原子的周边连接着另外三个碳原子，排列方式呈蜂巢式的多个六边形，每层间有微弱的范德华引力。由于每个碳原子均会放出一个电子，那些电子能够自由移动，因此石墨属于导电体。石墨是其中一种最软的矿物，不透明且触感油腻，颜色由铁黑到钢铁灰，形状呈晶体状、薄片状、鳞状、条纹状、层状体或散布在变质岩中。化学性质不活泼，具有耐腐蚀性。
锂电池生产前需要对石墨矿石进行破碎处理，目前的用于石墨矿石的破碎装置大多采用一次破碎，破碎后的颗粒不均匀，没有进行细分，难以满足使用的需求。因此，期待一种能够具有破碎质量智能监控的破碎装置，如果破碎质量没有满足要求，则通过循环***进行二次破碎。
深度学***。
深度学习以及神经网络的发展，为石墨矿石的破碎质量监控提供了新的解决思路和方案。
本申请发明人发现目前的用于石墨矿石的破碎装置大多采用一次破碎，破碎后的颗粒不均匀，没有进行细分，难以满足使用的需求。因此，需要在石墨矿石破碎的过程中，对经破碎机破碎处理后的石墨矿石进一步进行特征识别分类，以对质量没有达到要求的破碎矿石进行二次破碎。
具体地，在本申请的技术方案中，经破碎机破碎处理后的石墨矿石质量可以通过破碎结果图像来表征。应可以理解，考虑到所述破碎结果图像中各个石墨块的尺寸不一，有的块大、有的块小，因此，期待具有不同感受野的卷积神经网络对此进行处理以提高分类判断精度。具体地，将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量，并且通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸。进而，提取出所述破碎结果图像中更加聚焦于破碎后的不同大小的石墨块的尺寸结构高维特征。
然后，将所述第一特征向量和所述第二特征向量级联后通过分类器就可以获得用于表示是否需进行再次破碎的分类结果。
但是，考虑到由于第一卷积神经网络和第二卷积神经网络基于破碎块的不同尺寸而具有不同感受野，因此当例如通过点加的方式融合第一特征向量和第二特征向量时，第一特征向量和第二特征向量会具有尺度偏移。基于此，在本申请的技术方案中，通过约束尺度迁移确定性的损失函数来使得第一卷积神经网络和第二卷积神经网络提取的特征具有相近的尺度迁移性。损失函数表示为：
Figure 453735DEST_PATH_IMAGE007
Figure 471982DEST_PATH_IMAGE012
表示矩阵的Frobenius范数，第一特征向量
Figure 582021DEST_PATH_IMAGE010
和第二特征向量
Figure 612425DEST_PATH_IMAGE014
均为列向量，
Figure 757098DEST_PATH_IMAGE015
表示矩阵的指数运算，矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
这样，以该损失函数通过梯度反向传播的方式来训练并行的第一卷积神经网络和第二卷积神经网络，可以使得第一特征向量
Figure 214755DEST_PATH_IMAGE016
和第二特征向量
Figure 18282DEST_PATH_IMAGE017
在到融合后的分类特征向量所述的特征空间进行迁移时，通过对特征向量间的相对应位置嵌入的相应对位置响应的低秩约束，来使得第一特征向量
Figure 649115DEST_PATH_IMAGE018
和第二特征向量
Figure 648295DEST_PATH_IMAGE019
具有相近的尺度迁移性，也就是，在概率分布的基础上，使得第一特征向量
Figure 542432DEST_PATH_IMAGE020
和第二特征向量
Figure 92975DEST_PATH_IMAGE021
在分类概率下具有相对一致的概率分布。进而，能够提高分类的准确性，以对破碎质量没有满足要求，则通过循环***进行二次破碎。
特别地，在本申请的技术方案中，对所述第一卷积神经网络和所述第二卷积神经网络进行单独地训练以使得所述第一卷积神经网络和所述第二卷积神经网络能聚焦于提取各自不同尺度的特征。
值得一提的是，在本申请其他示例中，也可以对所述第一卷积神经网络和所述第二卷积神经网络进行联合训练，也就是，在每一轮的迭代中同时更新所述第一卷积神经网络和所述第二卷积神经网络的参数，通过这种训练方法，可使得所述第一卷积神经网络和所述第二卷积神经网络在进行特征提取时能对两者特征之间的尺度关联进行聚焦与加强。
基于此，本申请提出了一种锂电池制造的石墨矿石破碎装置，其包括训练模块和推断模块。其中，训练模块，包括：训练图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；训练第一编码单元，用于将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；训练第二编码单元，用于将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第一损失函数值计算单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；第二损失函数值计算单元，用于计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；以及，训练单元，用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。其中，推断模块，包括：图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；第一编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；第二编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；预处理结果生成单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
图1图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，通过部署于石墨矿石破碎设备（例如，如图1中所示意的T）中的摄像头（例如，如图1中所示意的C）获取石墨矿石经一次破碎后的破碎结果图像。然后，将获得的所述石墨矿石经一次破碎后的破碎结果图像输入至部署有锂电池制造的石墨矿石预处理算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够用锂电池制造的石墨矿石预处理算法以获得的所述石墨矿石经一次破碎后的破碎结果图像对锂电池制造的石墨矿石破碎装置的所述第一卷积神经网络和所述第二卷积神经网络进行训练。
在训练完成后，在推断模块中，首先，通过部署于石墨矿石破碎设备（例如，如图1中所示意的T）中的摄像头（例如，如图1中所示意的C）获取石墨矿石经一次破碎后的破碎结果图像。然后，将获得的所述石墨矿石经一次破碎后的破碎结果图像输入部署有锂电池制造的石墨矿石预处理算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够以锂电池制造的石墨矿石预处理算法对所述石墨矿石经一次破碎后的破碎结果图像进行处理，以生成用于表示是否需进行再次破碎的分类结果。
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***
图2图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置的框图。如图2所示，根据本申请实施例的锂电池制造的石墨矿石破碎装置 200，包括：训练模块 210和推断模块 220。其中，训练模块 210，包括：训练图像单元 211，用于获取石墨矿石经一次破碎后的破碎结果图像；训练第一编码单元 212，用于将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；训练第二编码单元 213，用于将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第一损失函数值计算单元 214，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；第二损失函数值计算单元 215，用于计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；以及，训练单元216，用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。其中，推断模块 220，包括：图像单元221，用于获取石墨矿石经一次破碎后的破碎结果图像；第一编码单元 222，用于将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；第二编码单元 223，用于将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；预处理结果生成单元 224，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
具体地，在本申请实施例中，在训练模块 210中，所述训练图像单元 211、所述训练第一编码单元 212和所述训练第二编码单元 213，用于获取石墨矿石经一次破碎后的破碎结果图像，并将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量，再将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸。如前所述，应可以理解，由于目前的用于石墨矿石的破碎装置大多采用一次破碎，破碎后的颗粒不均匀，没有进行细分，难以满足使用的需求。因此，需要在石墨矿石破碎的过程中，对经破碎机破碎处理后的所述石墨矿石进一步进行特征识别分类，以对质量没有达到要求的所述破碎矿石进行二次破碎。
也就是，具体地，在本申请的技术方案中，考虑到经破碎机破碎处理后的石墨矿石质量可以通过破碎结果图像来表征。因此，在本申请实施例中，通过部署于石墨矿石破碎设备中的摄像头获取石墨矿石经一次破碎后的破碎结果图像。
应可以理解，考虑到所述破碎结果图像中各个石墨块的尺寸不一，有的块大、有的块小，因此，期待具有不同感受野的卷积神经网络对此进行处理以提高分类判断精度。具体地，在本申请的技术方案中，进一步将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量，并且通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸。进而，提取出所述破碎结果图像中更加聚焦于破碎后的不同大小的石墨块的尺寸结构高维特征。
更具体地，在本申请实施例中，所述使用第一卷积核的第一卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量，所述第一卷积神经网络的第一层的输入为所述破碎结果图像。
更具体地，在本申请实施例中，所述使用第二卷积核的第二卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征向量，所述第二卷积神经网络的第一层的输入为所述破碎结果图像。
具体地，在本申请实施例中，在训练模块 210中，所述第一损失函数值计算单元214，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值。也就是，在本申请的技术方案中，进一步地，将所述第一特征向量和所述第二特征向量级联后通过分类器就可以获得用于表示是否需进行再次破碎的分类结果。但是，由于考虑到由于第一卷积神经网络和第二卷积神经网络基于破碎块的不同尺寸而具有不同感受野，因此当例如通过点加的方式融合第一特征向量和第二特征向量时，第一特征向量和第二特征向量会具有尺度偏移。因此，需要对所述卷积神经网络进行训练。这样，进一步地，需要将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值。
更具体地，在本申请实施例中，所述第一损失函数值计算单元，包括：首先，将所述第一特征向量和所述第二特征向量级联以得到分类特征向量。然后，使用所述分类器以如下公式对所述级联子单元获得的所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 465182DEST_PATH_IMAGE022
，其中，
Figure 318868DEST_PATH_IMAGE023
到
Figure 383907DEST_PATH_IMAGE024
为权重矩阵，
Figure 150307DEST_PATH_IMAGE025
到
Figure 122942DEST_PATH_IMAGE026
为偏置向量，
Figure 831135DEST_PATH_IMAGE027
为所述分类特征向量。最后，计算所述分类结果生成子单元获得的所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
图3图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置中第一损失函数值计算单元的框图。如图3所示，所述第一损失函数值计算单元 214，包括：级联子单元2141，用于将所述第一特征向量和所述第二特征向量级联以得到分类特征向量；分类结果生成子单元 2142，用于使用所述分类器以如下公式对所述级联子单元 2141获得的所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 801497DEST_PATH_IMAGE001
，其中，
Figure 483888DEST_PATH_IMAGE002
到
Figure 932318DEST_PATH_IMAGE003
为权重矩阵，
Figure 232368DEST_PATH_IMAGE028
到
Figure 639210DEST_PATH_IMAGE005
为偏置向量，
Figure 920150DEST_PATH_IMAGE029
为所述分类特征向量；以及，交叉熵值计算子单元 2143，用于计算所述分类结果生成子单元 2142获得的所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
具体地，在本申请实施例中，在训练模块 210中，所述第二损失函数值计算单元215，用于计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值。应可以理解，考虑到由于所述第一卷积神经网络和所述第二卷积神经网络基于破碎块的不同尺寸而具有不同感受野，因此当例如通过点加的方式融合所述第一特征向量和所述第二特征向量时，所述第一特征向量和所述第二特征向量会具有尺度偏移。基于此，在本申请的技术方案中，通过约束尺度迁移确定性的损失函数来使得所述第一卷积神经网络和所述第二卷积神经网络提取的特征具有相近的尺度迁移性。
更具体地，在本申请实施例中，所述第二损失函数值计算单元，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值；其中，所述公式为：
Figure 703429DEST_PATH_IMAGE007
其中
Figure 55389DEST_PATH_IMAGE030
表示所述第一特征向量，
Figure 695449DEST_PATH_IMAGE031
表示所述第二特征向量，
Figure 401367DEST_PATH_IMAGE032
和
Figure 519496DEST_PATH_IMAGE019
均为列向量的形式，且
Figure 743540DEST_PATH_IMAGE033
表示矩阵的Frobenius范数，
Figure 288922DEST_PATH_IMAGE034
表示矩阵的指数运算，并且矩阵除法表示以分子矩阵中各个位置的特征值分别除以分母，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
具体地，在本申请实施例中，在训练模块 210中，所述训练单元 216，用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。也就是，在本申请的技术方案中，以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值通过梯度反向传播的方式来训练并行的所述第一卷积神经网络和所述第二卷积神经网络，可以使得所述第一特征向量
Figure 747716DEST_PATH_IMAGE020
和所述第二特征向量
Figure 872798DEST_PATH_IMAGE017
在到融合后的所述分类特征向量所述的特征空间进行迁移时，通过对特征向量间的相对应位置嵌入的相应对位置响应的低秩约束，来使得所述第一特征向量
Figure 199350DEST_PATH_IMAGE035
和所述第二特征向量
Figure 181213DEST_PATH_IMAGE036
具有相近的尺度迁移性，也就是，在概率分布的基础上，使得所述第一特征向量
Figure 861724DEST_PATH_IMAGE020
和所述第二特征向量
Figure 587234DEST_PATH_IMAGE017
在分类概率下具有相对一致的概率分布。进而，能够提高分类的准确性，以对破碎质量没有满足要求，则通过循环***进行二次破碎。
更具体地，在本申请实施例中，所述训练单元，包括：总损失计算子单元，用于计算所述分类损失函数值和所述约束尺度迁移确定性的损失函数值的加权和作为所述损失函数值；以及，参数更新单元，用于基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
特别地，在一个具体示例中，在基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数的过程中，先固定所述第二卷积神经网络的参数对所述第一卷积神经网络进行训练，且在所述第一卷积神经网络训练完成后，对所述第二卷积神经网络进行训练。应可以理解，在本申请的技术方案中，对所述第一卷积神经网络和所述第二卷积神经网络进行单独地训练以使得所述第一卷积神经网络和所述第二卷积神经网络能聚焦于提取各自不同尺度的特征。
值得一提的是，在本申请其他示例中，也可以对所述第一卷积神经网络和所述第二卷积神经网络进行联合训练，也就是，在每一轮的迭代中同时更新所述第一卷积神经网络和所述第二卷积神经网络的参数，通过这种训练方法，可使得所述第一卷积神经网络和所述第二卷积神经网络在进行特征提取时能对两者特征之间的尺度关联进行聚焦与加强。
在训练完成后，进入推断模块，也就是，将训练后的所述第一卷积神经网络和所述第二卷积神经网络用于实际的推断中。
具体地，在本申请实施例中，在推断模块 220中，首先，获取石墨矿石经一次破碎后的破碎结果图像。接着，将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量。然后，将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量。最后，将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
综上，基于本申请实施例的所述锂电池制造的石墨矿石破碎装置 200被阐明，其通过具有不同感受野的卷积神经网络对所述破碎结果图像进行处理，以更深层次地挖掘出所述破碎结果图像中不同大小的各个石墨块的尺寸结构特征信息，并且在特征融合时，通过约束尺度迁移确定性的损失函数来使得不同感受野的所述卷积神经网络提取的特征具有相近的尺度迁移性，以提高分类的准确性。这样，能够对石墨矿石的破碎质量进行智能监控，以对破碎质量没有满足要求的石墨矿石通过循环***进行二次破碎。
如上所述，根据本申请实施例的锂电池制造的石墨矿石破碎装置 200可以实现在各种终端设备中，例如锂电池制造的石墨矿石预处理算法的服务器等。在一个示例中，根据本申请实施例的锂电池制造的石墨矿石破碎装置 200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，该锂电池制造的石墨矿石破碎装置 200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，该锂电池制造的石墨矿石破碎装置 200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，该锂电池制造的石墨矿石破碎装置 200与该终端设备也可以是分立的设备，并且该锂电池制造的石墨矿石破碎装置 200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。
示例性方法
图4图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置的处理方法的流程图。如图4所示，根据本申请实施例的锂电池制造的石墨矿石破碎装置的处理方法，包括训练阶段和推断阶段。其中，训练阶段，包括步骤：S110，获取石墨矿石经一次破碎后的破碎结果图像；S120，将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；S130，将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；S140，将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；S150，计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；以及，S160，以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。其中，推断阶段，包括步骤：S210，获取石墨矿石经一次破碎后的破碎结果图像；S220，将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；S230，将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；S240，将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
图5图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置中训练模块的处理方法的架构示意图。如图5所示，在训练阶段中，在该网络架构中，首先，将所述破碎结果图像（例如，如图5中所示意的P）通过使用第一卷积核的第一卷积神经网络（例如，如图5中所示意的CNN1）以得到第一特征向量（例如，如图5中所示意的VF1）；接着，将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络（例如，如图5中所示意的CNN2）以得到第二特征向量（例如，如图5中所示意的VF2）；然后，将所述第一特征向量和所述第二特征向量级联后通过分类器（例如，如图5中所示意的圈S）以得到分类损失函数值（例如，如图5中所示意的CLV）；接着，计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值（例如，如图5中所示意的LFV）；以及，最后，以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值（例如，如图5中所示意的LV）对所述第一卷积神经网络和所述第二卷积神经网络进行训练。
图6图示了根据本申请实施例的锂电池制造的石墨矿石破碎装置中推断模块的处理方法的架构示意图。如图6所示，在推断阶段中，在该网络架构中，首先，将所述破碎结果图像（例如，如图6中所示意的Q）通过经训练完成的所述使用第一卷积核的第一卷积神经网络（例如，如图6中所示意的CN1）以得到第一特征向量（例如，如图6中所示意的VF1）；接着，将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络（例如，如图6中所示意的CN2）以得到第二特征向量（例如，如图6中所示意的VF2）；然后，将所述第一特征向量和所述第二特征向量级联后通过分类器（例如，如图6中所示意的圈S）以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
更具体地，在训练阶段中，在步骤S110、步骤S120和步骤S130中，获取石墨矿石经一次破碎后的破碎结果图像，并将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量，再将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸。应可以理解，由于目前的用于石墨矿石的破碎装置大多采用一次破碎，破碎后的颗粒不均匀，没有进行细分，难以满足使用的需求。因此，需要在石墨矿石破碎的过程中，对经破碎机破碎处理后的所述石墨矿石进一步进行特征识别分类，以对质量没有达到要求的所述破碎矿石进行二次破碎。
也就是，具体地，在本申请的技术方案中，考虑到经破碎机破碎处理后的石墨矿石质量可以通过破碎结果图像来表征。因此，在本申请实施例中，通过部署于石墨矿石破碎设备中的摄像头获取石墨矿石经一次破碎后的破碎结果图像。
应可以理解，考虑到所述破碎结果图像中各个石墨块的尺寸不一，有的块大、有的块小，因此，期待具有不同感受野的卷积神经网络对此进行处理以提高分类判断精度。具体地，在本申请的技术方案中，进一步将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量，并且通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸。进而，提取出所述破碎结果图像中更加聚焦于破碎后的不同大小的石墨块的尺寸结构高维特征。
更具体地，在训练阶段中，在步骤S140中，将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值。也就是，在本申请的技术方案中，进一步地，将所述第一特征向量和所述第二特征向量级联后通过分类器就可以获得用于表示是否需进行再次破碎的分类结果。但是，由于考虑到由于第一卷积神经网络和第二卷积神经网络基于破碎块的不同尺寸而具有不同感受野，因此当例如通过点加的方式融合第一特征向量和第二特征向量时，第一特征向量和第二特征向量会具有尺度偏移。因此，需要对所述卷积神经网络进行训练。这样，进一步地，需要将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值。
更具体地，在训练阶段中，在步骤S150中，计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值。应可以理解，考虑到由于所述第一卷积神经网络和所述第二卷积神经网络基于破碎块的不同尺寸而具有不同感受野，因此当例如通过点加的方式融合所述第一特征向量和所述第二特征向量时，所述第一特征向量和所述第二特征向量会具有尺度偏移。基于此，在本申请的技术方案中，通过约束尺度迁移确定性的损失函数来使得所述第一卷积神经网络和所述第二卷积神经网络提取的特征具有相近的尺度迁移性。
更具体地，在训练阶段中，在步骤S160中，以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练。也就是，在本申请的技术方案中，以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值通过梯度反向传播的方式来训练并行的所述第一卷积神经网络和所述第二卷积神经网络，可以使得所述第一特征向量
Figure 302381DEST_PATH_IMAGE037
和所述第二特征向量
Figure 864599DEST_PATH_IMAGE038
在到融合后的所述分类特征向量所述的特征空间进行迁移时，通过对特征向量间的相对应位置嵌入的相应对位置响应的低秩约束，来使得所述第一特征向量
Figure 563564DEST_PATH_IMAGE016
和所述第二特征向量
Figure 296028DEST_PATH_IMAGE017
具有相近的尺度迁移性，也就是，在概率分布的基础上，使得所述第一特征向量
Figure 662419DEST_PATH_IMAGE016
和所述第二特征向量
Figure 655258DEST_PATH_IMAGE039
在分类概率下具有相对一致的概率分布。进而，能够提高分类的准确性，以对破碎质量没有满足要求，则通过循环***进行二次破碎。
更具体地，在推断阶段中，首先，获取石墨矿石经一次破碎后的破碎结果图像；接着，将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；然后，将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；最后，将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
综上，基于本申请实施例的所述锂电池制造的石墨矿石破碎装置的处理方法被阐明，其通过具有不同感受野的卷积神经网络对所述破碎结果图像进行处理，以更深层次地挖掘出所述破碎结果图像中不同大小的各个石墨块的尺寸结构特征信息，并且在特征融合时，通过约束尺度迁移确定性的损失函数来使得不同感受野的所述卷积神经网络提取的特征具有相近的尺度迁移性，以提高分类的准确性。这样，能够对石墨矿石的破碎质量进行智能监控，以对破碎质量没有满足要求的石墨矿石通过循环***进行二次破碎。
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)

1.一种锂电池制造的石墨矿石破碎装置，其特征在于，包括：训练模块，包括：训练图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；训练第一编码单元，用于将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；训练第二编码单元，用于将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；第一损失函数值计算单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；第二损失函数值计算单元，用于计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；训练单元，用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断模块，包括：图像单元，用于获取石墨矿石经一次破碎后的破碎结果图像；第一编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；第二编码单元，用于将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；预处理结果生成单元，用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
2.根据权利要求1所述的锂电池制造的石墨矿石破碎装置，其中，所述使用第一卷积核的第一卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量，所述第一卷积神经网络的第一层的输入为所述破碎结果图像。
3.根据权利要求2所述的锂电池制造的石墨矿石破碎装置，其中，所述使用第二卷积核的第二卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征向量，所述第二卷积神经网络的第一层的输入为所述破碎结果图像。
4.根据权利要求3所述的锂电池制造的石墨矿石破碎装置，其中，所述第一损失函数值计算单元，包括：级联子单元，用于将所述第一特征向量和所述第二特征向量级联以得到分类特征向量；分类结果生成子单元，用于使用所述分类器以如下公式对所述级联子单元获得的所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
Figure 226987DEST_PATH_IMAGE001
，其中，
Figure 497563DEST_PATH_IMAGE002
到
Figure 187301DEST_PATH_IMAGE003
为权重矩阵，
Figure 622480DEST_PATH_IMAGE004
到
Figure 640246DEST_PATH_IMAGE005
为偏置向量，
Figure 183354DEST_PATH_IMAGE006
为所述分类特征向量；以及交叉熵值计算子单元，用于计算所述分类结果生成子单元获得的所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
5.根据权利要求4所述的锂电池制造的石墨矿石破碎装置，其中，所述第二损失函数值计算单元，进一步用于：以如下公式计算所述第一特征向量和所述第二特征向量之间的所述约束尺度迁移确定性的损失函数值；其中，所述公式为：
Figure 724669DEST_PATH_IMAGE007
其中
Figure 327820DEST_PATH_IMAGE008
表示所述第一特征向量，
Figure 160778DEST_PATH_IMAGE009
表示所述第二特征向量，
Figure 304314DEST_PATH_IMAGE010
和
Figure 920977DEST_PATH_IMAGE011
均为列向量的形式，且
Figure 757346DEST_PATH_IMAGE012
表示矩阵的Frobenius范数，
Figure 608758DEST_PATH_IMAGE013
表示矩阵的指数运算。
6.根据权利要求5所述的锂电池制造的石墨矿石破碎装置，其中，所述训练单元，包括：总损失计算子单元，用于计算所述分类损失函数值和所述约束尺度迁移确定性的损失函数值的加权和作为所述损失函数值；以及参数更新单元，用于基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。
7.根据权利要求6所述的锂电池制造的石墨矿石破碎装置，其中，在基于所述损失函数值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数的过程中，先固定所述第二卷积神经网络的参数对所述第一卷积神经网络进行训练，且在所述第一卷积神经网络训练完成后，对所述第二卷积神经网络进行训练。
8.一种锂电池制造的石墨矿石破碎装置的处理方法，其特征在于，包括：训练阶段，包括：获取石墨矿石经一次破碎后的破碎结果图像；将所述破碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量；将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征向量，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数值；计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值，其中，所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数值；以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进行训练；以及推断阶段，包括：获取石墨矿石经一次破碎后的破碎结果图像；将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到第一特征向量；将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二卷积神经网络以得到第二特征向量；将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类结果，所述分类结果用于表示是否需进行再次破碎。
9.根据权利要求8所述的锂电池制造的石墨矿石破碎装置的处理方法，其中，所述使用第一卷积核的第一卷积神经网络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卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一特征向量，所述第一卷积神经网络的第一层的输入为所述破碎结果图像。
10.根据权利要求9所述的锂电池制造的石墨矿石破碎装置的处理方法，其中，计算所述第一特征向量和所述第二特征向量之间的所述约束尺度迁移确定性的损失函数值，包括：以如下公式计算所述第一特征向量和所述第二特征向量之间的约束尺度迁移确定性的损失函数值；其中，所述公式为：
Figure 821565DEST_PATH_IMAGE007
其中
Figure 275155DEST_PATH_IMAGE014
表示所述第一特征向量，
Figure 548005DEST_PATH_IMAGE015
表示所述第二特征向量，
Figure 621134DEST_PATH_IMAGE016
和
Figure 637632DEST_PATH_IMAGE017
均为列向量的形式，且
Figure 686009DEST_PATH_IMAGE018
表示矩阵的Frobenius范数，
Figure 864180DEST_PATH_IMAGE019
表示矩阵的指数运算。
CN202210757108.XA 2022-06-30 2022-06-30 锂电池制造的石墨矿石破碎装置及其处理方法 Withdrawn CN115100427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210757108.XA CN115100427A (zh) 2022-06-30 2022-06-30 锂电池制造的石墨矿石破碎装置及其处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210757108.XA CN115100427A (zh) 2022-06-30 2022-06-30 锂电池制造的石墨矿石破碎装置及其处理方法

Publications (1)

Publication Number Publication Date
CN115100427A true CN115100427A (zh) 2022-09-23

Family

ID=83294570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210757108.XA Withdrawn CN115100427A (zh) 2022-06-30 2022-06-30 锂电池制造的石墨矿石破碎装置及其处理方法

Country Status (1)

Country Link
CN (1) CN115100427A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564630A (zh) * 2022-09-28 2023-01-03 华能伊敏煤电有限责任公司 轮斗挖掘机的挖掘流量自动控制方法及其***
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续***无人值守自动控制方法及其***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564630A (zh) * 2022-09-28 2023-01-03 华能伊敏煤电有限责任公司 轮斗挖掘机的挖掘流量自动控制方法及其***
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续***无人值守自动控制方法及其***
CN115818166B (zh) * 2022-11-15 2023-09-26 华能伊敏煤电有限责任公司 轮斗连续***无人值守自动控制方法及其***

Similar Documents

Publication Publication Date Title
CN115100427A (zh) 锂电池制造的石墨矿石破碎装置及其处理方法
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN114581767B (zh) 图像处理***、方法及其计算机装置
CN112819019B (zh) 分类模型生成装置及其分类模型生成方法
CN115761642A (zh) 基于图像处理的破碎作业监控方法及其***
Meng et al. Evolutionary design of spatio–temporal learning model for thermal distribution in lithium-ion batteries
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及***
CN112163114B (zh) 一种基于特征融合的图像检索方法
CN115526865A (zh) 笔记本电脑的散热模块的绝缘性检验方法及其***
CN114254668A (zh) 基于绝缘开关设备放电信号的故障检测方法和装置
Shashoa et al. Classification depend on linear discriminant analysis using desired outputs
CN116167989A (zh) 铝杯的智能化生产方法及其***
CN116683092B (zh) 新能源汽车电池的拆解***及其方法
CN113553624A (zh) 基于改进pate的wgan-gp隐私保护***和方法
CN117077075A (zh) 用于环境保护的水质监测***及其方法
CN115456789A (zh) 基于交易模式识别的异常交易检测方法及其***
Agarwal et al. Assessment of optimizers impact on image recognition with convolutional neural network to adversarial datasets
CN115761900A (zh) 用于实训基地管理的物联网云平台
Chen et al. Lie to me: A soft threshold defense method for adversarial examples of remote sensing images
CN116027440A (zh) 大功率电磁探测***数据处理方法
Liu et al. Insulators’ identification and missing defect detection in aerial images based on cascaded YOLO models
CN116520154A (zh) 锂电池极片检测的性能评估方法及其***
CN113159317B (zh) 一种基于动态残差侵蚀的对抗样本生成方法
Sukumar et al. Recognition of single and multiple partial discharge patterns using deep learning algorithm
Livi et al. Inexact Graph Matching through Graph Coverage.

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

Application publication date: 20220923

WW01 Invention patent application withdrawn after publication