CN117094937B - 耐火浇注料节能生产方法及*** - Google Patents
耐火浇注料节能生产方法及*** Download PDFInfo
- Publication number
- CN117094937B CN117094937B CN202310255129.6A CN202310255129A CN117094937B CN 117094937 B CN117094937 B CN 117094937B CN 202310255129 A CN202310255129 A CN 202310255129A CN 117094937 B CN117094937 B CN 117094937B
- Authority
- CN
- China
- Prior art keywords
- image block
- image
- feature vector
- sequence
- context
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 262
- 238000001514 detection method Methods 0.000 claims abstract description 188
- 239000002994 raw material Substances 0.000 claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000000903 blocking effect Effects 0.000 claims abstract description 29
- 238000004321 preservation Methods 0.000 claims abstract description 22
- 230000004931 aggregating effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 abstract description 14
- 239000000463 material Substances 0.000 description 29
- 238000000034 method Methods 0.000 description 17
- 230000006978 adaptation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000000498 ball milling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000036961 partial effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 239000012528 membrane Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 3
- 235000011941 Tilia x europaea Nutrition 0.000 description 3
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 229910052593 corundum Inorganic materials 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 239000004571 lime Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 229910001845 yogo sapphire Inorganic materials 0.000 description 3
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000005997 Calcium carbide Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 235000012255 calcium oxide Nutrition 0.000 description 1
- 239000000292 calcium oxide Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- CLZWAWBPWVRRGI-UHFFFAOYSA-N tert-butyl 2-[2-[2-[2-[bis[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]amino]-5-bromophenoxy]ethoxy]-4-methyl-n-[2-[(2-methylpropan-2-yl)oxy]-2-oxoethyl]anilino]acetate Chemical compound CC1=CC=C(N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)C(OCCOC=2C(=CC=C(Br)C=2)N(CC(=O)OC(C)(C)C)CC(=O)OC(C)(C)C)=C1 CLZWAWBPWVRRGI-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- C—CHEMISTRY; METALLURGY
- C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
- C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
- C04B35/00—Shaped ceramic products characterised by their composition; Ceramics compositions; Processing powders of inorganic compounds preparatory to the manufacturing of ceramic products
- C04B35/66—Monolithic refractories or refractory mortars, including those whether or not containing clay
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Ceramic Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Materials Engineering (AREA)
- Structural Engineering (AREA)
- Organic Chemistry (AREA)
- Image Processing (AREA)
Abstract
公开了一种耐火浇注料节能生产方法及***。其首先提取球磨后原料的检测图像的局部二值模式图,接着,将所述局部二值模式图和所述球磨后原料的检测图像聚合为多通道检测图像进行图像分块处理以得到图像块序列,然后,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列,接着,将所述图像块嵌入向量的序列通过上下文编码器以得到状态检测全局上下文特征向量,最后,对所述状态检测全局上下文特征向量进行特征分布调制后通过解码器以得到用于表示推荐的保温温度值的解码值。这样,可以在保证耐火浇注料的制备质量的同时节省能源。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种耐火浇注料节能生产方法及***。
背景技术
伴随着电石行业及钢铁行业的不断发展和进步,煅烧高品质生石灰的节能环保型石灰窑得到越来越多石灰用户的青睐。在石灰套筒窑里,难于施工的部位通常采用高铝浇注料,比如下拖圈部位,传统高铝浇注料的抗侵蚀性和耐磨损性能还达不到整座窑炉的寿命要求,需要停炉修补。下拖圈部位,不但对上部起到一个支撑的作用,而且会影响套筒窑炉内的密封性能,一旦发生局部侵蚀剥落,将会改变窑内压力,影响套筒窑的正常操作,必须停窑检修,严重影响套筒窑的运转率。
针对上述技术问题,中国专利CN110963809B揭露了一种Al4Si4C-Al2O3质耐火浇注料及其制备方法,其采用自制的非氧化物Al4Si4C材料,制备一种套筒窑用Al4Si4C-Al2O3质耐火浇注料,具有优异的抗侵蚀性、耐磨损性、抗氧化还原性,能够满足套筒窑内部所有难于施工部位的使用要求。
但是在该专利所揭露的方案中,其在将原料球磨后于1100-1300℃下保温4-8小时,虽然其能够得到物料A,但是,其没有充分考虑球磨后物料的状态与温度之间的适配关系,导致在制备过程中,会发生不必要的能源浪费。
因此,期待一种优化的耐火浇注料节能生产方法。
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耐火浇注料节能生产方法及***。其首先提取球磨后原料的检测图像的局部二值模式图,接着,将所述局部二值模式图和所述球磨后原料的检测图像聚合为多通道检测图像进行图像分块处理以得到图像块序列,然后,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列,接着,将所述图像块嵌入向量的序列通过上下文编码器以得到状态检测全局上下文特征向量,最后,对所述状态检测全局上下文特征向量进行特征分布调制后通过解码器以得到用于表示推荐的保温温度值的解码值。这样,可以在保证耐火浇注料的制备质量的同时节省能源。
根据本申请的一个方面,提供了一种耐火浇注料节能生产方法,其包括:
获取由摄像头采集的球磨后原料的检测图像;
提取所述球磨后原料的检测图像的局部二值模式图;
将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;
对所述多通道检测图像进行图像分块处理以得到图像块序列;
将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;
将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;
对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及
将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。
在上述的耐火浇注料节能生产方法中,对所述多通道检测图像进行图像分块处理以得到图像块序列,包括:
对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。
在上述的耐火浇注料节能生产方法中,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量,包括:
使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及
将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
在上述的耐火浇注料节能生产方法中,使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量,包括:
将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;
计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
在上述的耐火浇注料节能生产方法中,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量,包括:
以如下公式对所述状态检测全局上下文特征向量进行特征分布调制以得到所述调制后状态检测全局上下文特征向量;
其中,所述公式为:
其中,V是所述状态检测全局上下文特征向量,VT是所述状态检测全局上下文特征向量的转置向量,且V是行向量形式,vi和vi′分别是所述状态检测全局上下文特征向量和所述调制后状态检测全局上下文特征向量的第i个位置的特征值,μ和σ是所述状态检测全局上下文特征向量的各个位置特征值集合的均值和方差,表示向量的二范数的平方,‖·‖F表示矩阵的Frobenius范数,exp(·)表示指数运算。
在上述的耐火浇注料节能生产方法中,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值,包括:
使用所述解码器的多个全连接层以如下公式对所述调制后状态检测全局上下文特征向量进行解码回归以获得所述解码值,其中,所述公式为:其中X是所述调制后状态检测全局上下文特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵乘。
根据本申请的另一个方面,提供了一种耐火浇注料节能生产***,其包括:
图像采集模块,用于获取由摄像头采集的球磨后原料的检测图像;
提取模块,用于提取所述球磨后原料的检测图像的局部二值模式图;
聚合模块,用于将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;
图像分块模块,用于对所述多通道检测图像进行图像分块处理以得到图像块序列;
嵌入编码模块,用于将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;
上下文编码模块,用于将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;
特征分布调制模块,用于对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及
解码模块,用于将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。
在上述的耐火浇注料节能生产***中,所述图像分块模块,用于:
对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。
在上述的耐火浇注料节能生产***中,所述上下文编码模块,包括:
上下文编码单元,用于使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及
级联单元,用于将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
在上述的耐火浇注料节能生产***中,所述上下文编码单元,用于:
将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;
计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
与现有技术相比,本申请提供的耐火浇注料节能生产方法及***,其首先提取球磨后原料的检测图像的局部二值模式图,接着,将所述局部二值模式图和所述球磨后原料的检测图像聚合为多通道检测图像进行图像分块处理以得到图像块序列,然后,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列,接着,将所述图像块嵌入向量的序列通过上下文编码器以得到状态检测全局上下文特征向量,最后,对所述状态检测全局上下文特征向量进行特征分布调制后通过解码器以得到用于表示推荐的保温温度值的解码值。这样,可以在保证耐火浇注料的制备质量的同时节省能源。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的耐火浇注料节能生产方法的场景示意图。
图2为根据本申请实施例的耐火浇注料节能生产方法的流程图。
图3为根据本申请实施例的耐火浇注料节能生产方法的架构示意图。
图4为根据本申请实施例的耐火浇注料节能生产方法中子步骤S160的流程图。
图5为根据本申请实施例的耐火浇注料节能生产方法中子步骤S161的流程图。
图6为根据本申请实施例的耐火浇注料节能生产***的框图。
图7为根据本申请实施例的耐火浇注料节能生产***中所述上下文编码模块的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
如上所述,中国专利CN110963809B揭露的一种Al4Si4C-Al2O3质耐火浇注料及其制备方法,其在将原料球磨后于1100-1300℃下保温4-8小时,虽然其能够得到物料A,但是,其没有充分考虑球磨后物料的状态与温度之间的适配关系,导致在制备过程中,会发生不必要的能源浪费。因此,期待一种优化的耐火浇注料节能生产方法。
相应地,考虑到在实际将球磨后原料保温来得到物料A的过程中,保温温度只是控制在了一定的范围内,并没有考虑到球磨后物料的状态与温度之间的适配关系,也就是说,在不同时间段所用的物料量不同导致球磨后物料的状态不同,而对于所述保温温度的控制应适配于球磨后物料的状态情况。因此,在本申请的技术方案中,为了能够基于所述球磨后物料的状态隐含特征来自适应地进行所述保温温度值的调控,需要准确地挖掘出所述球磨后原料的状态隐含特征信息。而由于所述球磨后原料的状态隐含特征在检测图像中为小尺度的特征信息,难以进行捕捉获取,并且,所述球磨后原料的位置不同导致其在检测图像中所呈现的位置不同,其特征也会发生一定的改变。因此,在此过程中,难点在于如何准确地挖掘出所述球磨后原料的检测图像中关于球磨后原料的状态隐含特征分布信息,以此来建立球磨后物料的状态与温度之间的适配关系,从而得到推荐的保温温度值,以在保证耐火浇注料的制备质量的同时节省能源。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述球磨后原料的检测图像中关于球磨后原料的状态隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过摄像头采集球磨后原料的检测图像。接着,考虑到在进行球磨后原料的状态特征挖掘,以探究所述球磨后物料的状态与温度之间适配关系的过程中,由于所述检测图像中存在的信息量较多,难以对于有效信息进行捕捉获取,并且由于球磨后原料的位置不同或摄像位置不同导致所述检测图像中的球磨后原料出现偏移或旋转,其特征在图像中也会有所变化,进而影响后续保温温度值的推荐精度。应可以理解,由于局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征,其具有旋转不变性、平移不变性以及可以消除光照变化的问题等优点,具体原理是,以3×3为窗口单位,若周围像素值大于中心像素值,则该像素点标记为1,否则标记为0,之后对邻域像素进行二进制化,将所得的值与二值序列对应相乘后相加即可得到中心像素的LBP值。因此,在本申请的技术方案中,进一步提取所述球磨后原料的检测图像的局部二值模式图。
然后,将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像,以此将所述局部二值模式图和球磨后原料的RGB图像进行合并为多通道的网络输入,扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高提取球磨后物料的状态与温度之间的适配关系的精确度,进而准确地进行保温温度值的自适应推荐。
进一步地,考虑到在实际进行球磨后原料的状态特征挖掘的过程中,由于所述检测图像和所述局部二值模式图聚合的所述多通道检测图像中关于球磨后原料的状态隐含特征信息为小尺度的特征信息,难以进行捕捉提取。因此,在本申请的技术方案中,进一步对所述多通道检测图像进行图像分块处理以得到图像块序列。相应地,在本申请的一个具体示例中,可以对所述多通道检测图像进行均匀图像分块处理,以便于后续更精准地检测出所述多通道检测图像中关于球磨后原料状态的小尺度高维隐含特征信息,从而得到所述图像块序列,这里,所述图像块序列中各个图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述图像块序列中的各个图像块的尺度相较于原图像被缩减,因此,所述多通道检测图像中关于球磨后原料状态的小尺度特征在所述图像块中不再是小尺寸对象,以提高对其状态特征提取的精准度。
然后,考虑到所述图像块序列中的各个图像块中关于球磨后原料的状态隐含特征信息间具有着关联关系,也就是说,所述球磨后原料的状态特征在所述各个图像块中都有所呈现,并且所述各个图像块中的基于全局的关于所述球磨后原料的状态特征信息决定了所述球磨后原料的状态情况。因此,在本申请的技术方案中,为了充分地提取出所述球磨后原料的状态特征,进一步将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列后,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器中进行编码,以提取出所述各个图像块中基于全局的关于所述球磨后原料的状态高维隐含关联特征信息,从而得到状态检测全局上下文特征向量。
也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述图像块嵌入向量的序列中各个图像块嵌入向量进行基于全局的上下文语义编码以得到以所述图像块嵌入向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述状态检测全局上下文特征向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述多通道图像中的各个局部区域的关于球磨后原料的状态特征相对于所述多通道图像整体的关于球磨后原料的状态特征的上下文语义关联特征表示。
接着,进一步再将所述状态检测全局上下文特征向量通过解码器中进行解码回归,以得到用于表示推荐的保温温度值的解码值。这样,能够基于实际的球膜后原料的状态高维隐含关联特征信息来进行保温温度值的推荐,以在保证耐火浇注料的制备质量的同时节省能源。
特别地,在本申请的技术方案中,这里,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器得到所述状态检测全局上下文特征向量时,是将所述图像块嵌入向量的序列通过基于转换器的上下文编码器得到的上下文图像特征向量直接级联以得到所述状态检测全局上下文特征向量。这样,由于各个上下文图像特征向量具有各自的特征分布,所述状态检测全局上下文特征向量的整体特征分布存在离散化的问题,从而使得所述状态检测全局上下文特征向量在通过解码器进行解码回归时相对于预定目标解码值的收敛性差,这样,就会影响解码器的训练速度和解码值的准确性。
因此,在本申请的技术方案中,对所述状态检测全局上下文特征向量V进行正定赋范空间的几何约束重参数化,具体为:
μ和σ是特征集合vi∈V的均值和方差,表示向量的二范数的平方,‖·‖F表示矩阵的Frobenius范数,vi和vi′分别是校正前和校正后的所述状态检测全局上下文特征向量V的第i个位置的特征值,且V是行向量形式。
这里,所述状态检测全局上下文特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系,通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影,来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性,以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样,就提高所述状态检测全局上下文特征向量V整体的特征分布在解码回归域内相对于目标解码值的收敛性,从而提升了解码器的训练速度和解码值的准确性。这样,能够准确地建立球磨后物料的状态与温度之间的适配关系,以基于实际的球膜后原料的状态情况来精准地进行保温温度值的推荐,从而在保证耐火浇注料的制备质量的同时节省能源。
图1为根据本申请实施例的耐火浇注料节能生产方法的应用场景图。如图1所示,在该应用场景中,首先,获取由摄像头(例如,图1中所示意的C)采集的球磨后原料的检测图像(例如,图1中所示意的D),然后,将所述球磨后原料的检测图像输入至部署有耐火浇注料节能生产算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述耐火浇注料节能生产算法对所述球磨后原料的检测图像进行处理以得到用于表示推荐的保温温度值的解码值。
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。
图2为根据本申请实施例的耐火浇注料节能生产方法的流程图。如图2所示,根据本申请实施例的耐火浇注料节能生产方法,包括步骤:S110,获取由摄像头采集的球磨后原料的检测图像;S120,提取所述球磨后原料的检测图像的局部二值模式图;S130,将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;S140,对所述多通道检测图像进行图像分块处理以得到图像块序列;S150,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;S160,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;S170,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及,S180,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。
图3为根据本申请实施例的耐火浇注料节能生产方法的架构示意图。如图3所示,在该网络架构中,首先,获取由摄像头采集的球磨后原料的检测图像;接着,提取所述球磨后原料的检测图像的局部二值模式图;然后,将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;接着,对所述多通道检测图像进行图像分块处理以得到图像块序列;然后,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;接着,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;然后,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;最后,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。
更具体地,在步骤S110中,获取由摄像头采集的球磨后原料的检测图像。在现有技术中,没有考虑到球磨后物料的状态与温度之间的适配关系,但实际的,在不同时间段由于所用的物料量不同,球磨后物料的状态也不同,因此,对于所述保温温度的控制应适配于球磨后物料的状态情况。在本申请的技术方案中,为了能够基于所述球磨后物料的状态隐含特征来自适应地进行所述保温温度值的调控,需要准确地挖掘出所述球磨后原料的检测图像中关于球磨后原料的状态隐含特征分布信息,以此来建立球磨后物料的状态与温度之间的适配关系,从而得到推荐的保温温度值,以在保证耐火浇注料的制备质量的同时节省能源。
更具体地,在步骤S120中,提取所述球磨后原料的检测图像的局部二值模式图。应可以理解,由于局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征,其具有旋转不变性、平移不变性以及可以消除光照变化的问题等优点,具体原理是,以3×3为窗口单位,若周围像素值大于中心像素值,则该像素点标记为1,否则标记为0,之后对邻域像素进行二进制化,将所得的值与二值序列对应相乘后相加即可得到中心像素的LBP值。而在进行球磨后原料的状态特征挖掘,以探究所述球磨后物料的状态与温度之间适配关系的过程中,由于所述检测图像中存在的信息量较多,难以对于有效信息进行捕捉获取,并且由于球磨后原料的位置不同或摄像位置不同导致所述检测图像中的球磨后原料出现偏移或旋转,其特征在图像中也会有所变化,进而影响后续保温温度值的推荐精度。因此,在本申请的技术方案中,进一步提取所述球磨后原料的检测图像的局部二值模式图。
更具体地,在步骤S130中,将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像。以此将所述局部二值模式图和球磨后原料的RGB图像进行合并为多通道的网络输入,扩充网络输入端的数据宽度,使得网络可以学习与表达的东西更加丰富,有利于提高提取球磨后物料的状态与温度之间的适配关系的精确度,进而准确地进行保温温度值的自适应推荐。
更具体地,在步骤S140中,对所述多通道检测图像进行图像分块处理以得到图像块序列。在实际进行球磨后原料的状态特征挖掘的过程中,由于所述检测图像和所述局部二值模式图聚合的所述多通道检测图像中关于球磨后原料的状态隐含特征信息为小尺度的特征信息,难以进行捕捉提取。因此,在本申请的技术方案中,进一步对所述多通道检测图像进行图像分块处理以得到图像块序列。
相应地,在一个具体示例中,对所述多通道检测图像进行图像分块处理以得到图像块序列,包括:对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。对所述多通道检测图像进行均匀图像分块处理,以便于后续更精准地检测出所述多通道检测图像中关于球磨后原料状态的小尺度高维隐含特征信息,从而得到所述图像块序列,这里,所述图像块序列中各个图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述图像块序列中的各个图像块的尺度相较于原图像被缩减,因此,所述多通道检测图像中关于球磨后原料状态的小尺度特征在所述图像块中不再是小尺寸对象,以提高对其状态特征提取的精准度。
所述图像块序列中的各个图像块中关于球磨后原料的状态隐含特征信息间具有着关联关系,也就是说,所述球磨后原料的状态特征在所述各个图像块中都有所呈现,并且所述各个图像块中的基于全局的关于所述球磨后原料的状态特征信息决定了所述球磨后原料的状态情况。因此,在本申请的技术方案中,为了充分地提取出所述球磨后原料的状态特征,进一步将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列后,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器中进行编码,以提取出所述各个图像块中基于全局的关于所述球磨后原料的状态高维隐含关联特征信息,从而得到状态检测全局上下文特征向量。
更具体地,在步骤S150中,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列。
更具体地,在步骤S160中,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量。也就是,基于transformer思想,利用转换器能够捕捉长距离上下文依赖的特性,对所述图像块嵌入向量的序列中各个图像块嵌入向量进行基于全局的上下文语义编码以得到以所述图像块嵌入向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示,即,所述状态检测全局上下文特征向量。应可以理解,在本申请的技术方案中,通过所述基于转换器的上下文编码器可以捕捉所述多通道图像中的各个局部区域的关于球磨后原料的状态特征相对于所述多通道图像整体的关于球磨后原料的状态特征的上下文语义关联特征表示。
相应地,在一个具体示例中,如图4所示,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量,包括:S161,使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及,S162,将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
相应地,在一个具体示例中,如图5所示,使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量,包括:S1611,将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;S1612,计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;S1613,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;S1614,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,S1615,分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
更具体地,在步骤S170中,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量。
特别地,在本申请的技术方案中,这里,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器得到所述状态检测全局上下文特征向量时,是将所述图像块嵌入向量的序列通过基于转换器的上下文编码器得到的上下文图像特征向量直接级联以得到所述状态检测全局上下文特征向量。这样,由于各个上下文图像特征向量具有各自的特征分布,所述状态检测全局上下文特征向量的整体特征分布存在离散化的问题,从而使得所述状态检测全局上下文特征向量在通过解码器进行解码回归时相对于预定目标解码值的收敛性差,这样,就会影响解码器的训练速度和解码值的准确性。因此,在本申请的技术方案中,对所述状态检测全局上下文特征向量V进行正定赋范空间的几何约束重参数化。
相应地,在一个具体示例中,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量,包括:以如下公式对所述状态检测全局上下文特征向量进行特征分布调制以得到所述调制后状态检测全局上下文特征向量;其中,所述公式为:
其中,V是所述状态检测全局上下文特征向量,VT是所述状态检测全局上下文特征向量的转置向量,且V是行向量形式,vi和vi′分别是所述状态检测全局上下文特征向量和所述调制后状态检测全局上下文特征向量的第i个位置的特征值,μ和σ是所述状态检测全局上下文特征向量的各个位置特征值集合的均值和方差,表示向量的二范数的平方,‖·‖F表示矩阵的Frobenius范数,exp(·)表示指数运算。
这里,所述状态检测全局上下文特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系,通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影,来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性,以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间。这样,就提高所述状态检测全局上下文特征向量V整体的特征分布在解码回归域内相对于目标解码值的收敛性,从而提升了解码器的训练速度和解码值的准确性。这样,能够准确地建立球磨后物料的状态与温度之间的适配关系,以基于实际的球膜后原料的状态情况来精准地进行保温温度值的推荐,从而在保证耐火浇注料的制备质量的同时节省能源。
更具体地,在步骤S180中,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。这样,能够基于实际的球膜后原料的状态高维隐含关联特征信息来进行保温温度值的推荐,以在保证耐火浇注料的制备质量的同时节省能源。
相应地,在一个具体示例中,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值,包括:使用所述解码器的多个全连接层以如下公式对所述调制后状态检测全局上下文特征向量进行解码回归以获得所述解码值,其中,所述公式为:其中X是所述调制后状态检测全局上下文特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵乘。
综上,基于本申请实施例的耐火浇注料节能生产方法,其首先提取球磨后原料的检测图像的局部二值模式图,接着,将所述局部二值模式图和所述球磨后原料的检测图像聚合为多通道检测图像进行图像分块处理以得到图像块序列,然后,将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列,接着,将所述图像块嵌入向量的序列通过上下文编码器以得到状态检测全局上下文特征向量,最后,对所述状态检测全局上下文特征向量进行特征分布调制后通过解码器以得到用于表示推荐的保温温度值的解码值。这样,可以在保证耐火浇注料的制备质量的同时节省能源。
图6为根据本申请实施例的耐火浇注料节能生产***100的框图。如图6所示,根据本申请实施例的耐火浇注料节能生产***100,包括:图像采集模块110,用于获取由摄像头采集的球磨后原料的检测图像;提取模块120,用于提取所述球磨后原料的检测图像的局部二值模式图;聚合模块130,用于将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;图像分块模块140,用于对所述多通道检测图像进行图像分块处理以得到图像块序列;嵌入编码模块150,用于将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;上下文编码模块160,用于将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;特征分布调制模块170,用于对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及,解码模块180,用于将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值。
在一个示例中,在上述耐火浇注料节能生产***100中,所述图像分块模块140,用于:对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。
在一个示例中,在上述耐火浇注料节能生产***100中,如图7所示,所述上下文编码模块160,包括:上下文编码单元161,用于使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及,级联单元162,用于将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
在一个示例中,在上述耐火浇注料节能生产***100中,所述上下文编码单元161,用于:将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
在一个示例中,在上述耐火浇注料节能生产***100中,所述特征分布调制模块170,用于:以如下公式对所述状态检测全局上下文特征向量进行特征分布调制以得到所述调制后状态检测全局上下文特征向量;其中,所述公式为:
其中,V是所述状态检测全局上下文特征向量,VT是所述状态检测全局上下文特征向量的转置向量,且V是行向量形式,vi和vi′分别是所述状态检测全局上下文特征向量和所述调制后状态检测全局上下文特征向量的第i个位置的特征值,μ和σ是所述状态检测全局上下文特征向量的各个位置特征值集合的均值和方差,表示向量的二范数的平方,‖·‖F表示矩阵的Frobenius范数,exp(·)表示指数运算。
在一个示例中,在上述耐火浇注料节能生产***100中,所述解码模块180,用于:使用所述解码器的多个全连接层以如下公式对所述调制后状态检测全局上下文特征向量进行解码回归以获得所述解码值,其中,所述公式为:其中X是所述调制后状态检测全局上下文特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵乘。
这里,本领域技术人员可以理解,上述耐火浇注料节能生产***100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的耐火浇注料节能生产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耐火浇注料节能生产***100可以实现在各种无线终端中,例如具有耐火浇注料节能生产算法的服务器等。在一个示例中,根据本申请实施例的耐火浇注料节能生产***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该耐火浇注料节能生产***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该耐火浇注料节能生产***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该耐火浇注料节能生产***100与该无线终端也可以是分立的设备,并且该耐火浇注料节能生产***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现***的计算机环境,或与提供目标检测所需要的信息相关的类似功能的***。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种耐火浇注料节能生产方法,其特征在于,包括:
获取由摄像头采集的球磨后原料的检测图像;
提取所述球磨后原料的检测图像的局部二值模式图;
将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;
对所述多通道检测图像进行图像分块处理以得到图像块序列;
将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;
将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;
对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及
将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值;
其中,对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量,包括:
以如下公式对所述状态检测全局上下文特征向量进行特征分布调制以得到所述调制后状态检测全局上下文特征向量;
其中,所述公式为:
其中,V是所述状态检测全局上下文特征向量,VT是所述状态检测全局上下文特征向量的转置向量,且V是行向量形式,vi和vi′分别是所述状态检测全局上下文特征向量和所述调制后状态检测全局上下文特征向量的第i个位置的特征值,μ和σ是所述状态检测全局上下文特征向量的各个位置特征值集合的均值和方差,表示向量的二范数的平方,||·||F表示矩阵的Frobenius范数,exp(·)表示指数运算。
2.根据权利要求1所述的耐火浇注料节能生产方法,其特征在于,对所述多通道检测图像进行图像分块处理以得到图像块序列,包括:
对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。
3.根据权利要求2所述的耐火浇注料节能生产方法,其特征在于,将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量,包括:
使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及
将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
4.根据权利要求3所述的耐火浇注料节能生产方法,其特征在于,使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量,包括:
将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;
计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
5.根据权利要求4所述的耐火浇注料节能生产方法,其特征在于,将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值,包括:
使用所述解码器的多个全连接层以如下公式对所述调制后状态检测全局上下文特征向量进行解码回归以获得所述解码值,其中,所述公式为:其中X是所述调制后状态检测全局上下文特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵乘。
6.一种耐火浇注料节能生产***,其特征在于,包括:
图像采集模块,用于获取由摄像头采集的球磨后原料的检测图像;
提取模块,用于提取所述球磨后原料的检测图像的局部二值模式图;
聚合模块,用于将所述局部二值模式图和所述球磨后原料的检测图像沿着通道维度聚合为多通道检测图像;
图像分块模块,用于对所述多通道检测图像进行图像分块处理以得到图像块序列;
嵌入编码模块,用于将所述图像块序列通过嵌入层以得到图像块嵌入向量的序列;
上下文编码模块,用于将所述图像块嵌入向量的序列通过基于转换器的上下文编码器以得到状态检测全局上下文特征向量;
特征分布调制模块,用于对所述状态检测全局上下文特征向量进行特征分布调制以得到调制后状态检测全局上下文特征向量;以及
解码模块,用于将所述调制后状态检测全局上下文特征向量通过解码器以得到解码值,所述解码值用于表示推荐的保温温度值;
其中,所述特征分布调制模块,包括:
以如下公式对所述状态检测全局上下文特征向量进行特征分布调制以得到所述调制后状态检测全局上下文特征向量;
其中,所述公式为:
其中,V是所述状态检测全局上下文特征向量,VT是所述状态检测全局上下文特征向量的转置向量,且V是行向量形式,vi和vi′分别是所述状态检测全局上下文特征向量和所述调制后状态检测全局上下文特征向量的第i个位置的特征值,μ和σ是所述状态检测全局上下文特征向量的各个位置特征值集合的均值和方差,表示向量的二范数的平方,||·||F表示矩阵的Frobenius范数,exp(·)表示指数运算。
7.根据权利要求6所述的耐火浇注料节能生产***,其特征在于,所述图像分块模块,用于:
对所述多通道检测图像进行均匀图像分块处理以得到图像块序列。
8.根据权利要求7所述的耐火浇注料节能生产***,其特征在于,所述上下文编码模块,包括:
上下文编码单元,用于使用所述基于转换器的上下文编码器对所述图像块嵌入向量的序列进行基于全局的上下文语义编码以得到多个上下文图像块特征向量;以及
级联单元,用于将所述多个上下文图像块特征向量进行级联以得到所述状态检测全局上下文特征向量。
9.根据权利要求8所述的耐火浇注料节能生产***,其特征在于,所述上下文编码单元,用于:
将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;
计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文图像块特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255129.6A CN117094937B (zh) | 2023-03-16 | 2023-03-16 | 耐火浇注料节能生产方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310255129.6A CN117094937B (zh) | 2023-03-16 | 2023-03-16 | 耐火浇注料节能生产方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094937A CN117094937A (zh) | 2023-11-21 |
CN117094937B true CN117094937B (zh) | 2024-03-08 |
Family
ID=88768737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310255129.6A Active CN117094937B (zh) | 2023-03-16 | 2023-03-16 | 耐火浇注料节能生产方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094937B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649154B (zh) * | 2024-01-29 | 2024-04-19 | 新疆三联工程建设有限责任公司 | 基于数字化的砼试块制作全过程管理***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类***及其分类方法 |
CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568266B2 (en) * | 2019-03-15 | 2023-01-31 | Baidu Usa Llc | Systems and methods for mutual learning for topic discovery and word embedding |
-
2023
- 2023-03-16 CN CN202310255129.6A patent/CN117094937B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类***及其分类方法 |
CN115761813A (zh) * | 2022-12-13 | 2023-03-07 | 浙大城市学院 | 基于大数据分析的智能控制***及方法 |
Non-Patent Citations (1)
Title |
---|
Fast Video Object Segmentation using the Global Context Module;Yu Li等;《arXiv》;20200718;第1-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094937A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117094937B (zh) | 耐火浇注料节能生产方法及*** | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
Zandi et al. | Adaptive matching for copy-move forgery detection | |
CN108399405A (zh) | 营业执照识别方法和装置 | |
CN116003126B (zh) | 静电吸盘表面陶瓷材料的制备方法及其*** | |
CN117058622A (zh) | 污水处理设备的智能监测***及其方法 | |
CN116135797B (zh) | 污水处理智能控制*** | |
CN115657265A (zh) | 镜头的变焦控制方法及其*** | |
CN116245513A (zh) | 基于规则库的自动化运维***及其方法 | |
CN116109534A (zh) | 对抗补丁生成方法、电子设备及计算机可读存储介质 | |
CN116089648A (zh) | 基于人工智能的档案管理***及方法 | |
CN116166072A (zh) | 电子级六氟丙烯裂解温度控制*** | |
CN117723158B (zh) | 非接触式体温监测***及其方法 | |
CN117474817B (zh) | 对合成连续图像进行内容一致化的方法 | |
CN116647946B (zh) | 基于半导体的加热控制***及其方法 | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN110533027B (zh) | 一种基于移动设备的文本检测和识别方法与*** | |
CN116563795A (zh) | 一种玩偶的生产管理方法及其*** | |
CN116468894A (zh) | 面向锂电池极片可监督学习的距离自适应掩码生成方法 | |
CN107918935B (zh) | 嵌入式***的图像匹配切割装置及切割方法 | |
CN115797642A (zh) | 基于一致性正则化与半监督领域自适应图像语义分割算法 | |
Moradi-Gharghani et al. | A new block-based copy-move forgery detection method in digital images | |
CN112734722B (zh) | 一种基于改进完全局部二值模式火焰终点碳含量预测方法 | |
CN110674796A (zh) | 纹理砖解压缩方法 | |
CN115699110A (zh) | 在阿尔法通道中的基于自动编码器的分割掩模生成 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |