开云优惠体育网页版入口

专利名称：绿色混凝土的自动化生产方法及系统

专利类型：实用新型专利

专利申请号：CN202410200454.7

专利申请（专利权）人：内江筑石混凝土有限公司
权利人地址：四川省内江市市中区黄石井路193号

专利发明（设计）人：李勇,李胜,张永胜,陈代友,陈培丽

专利摘要：本申请公开了一种绿色混凝土的自动化生产方法及系统，其通过摄像头实时监测采集混凝土的混合状态监控视频，并在后端引入数据处理和分析算法来进行该混合状态监控视频的分析，以此来实时监控混凝土的混合状态，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度。这样，能够实现绿色混凝土自动化生产过程中的质量控制，进而优化绿色混凝土的生产效率和质量。

主权利要求：
1.一种绿色混凝土的自动化生产方法，其特征在于，包括：
获取由摄像头采集的混凝土的混合状态监控视频；
对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；
通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；
将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；
计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；
基于所述混合状态变化时序语义特征，确定是否停止搅拌；
其中，计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征，包括：以如下语义差异度度量公式计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征向量作为所述混合状态变化时序语义特征；
其中，所述语义差异度度量公式为：
(x) (x)
其中，vi 和vj 分别为所述强化混合状态语义特征向量的序列中第i和第j个强化混合状态语义特征向量，Vk是所述强化混合状态语义特征向量的序列，log表示以2为底的对数函数值，L为各个所述强化混合状态语义特征向量的长度，M为所述强化混合状态语义特征向量的序列中向量的个数－1，Di为所述混合状态变化时序语义特征向量中各个位置的特征值。
2.根据权利要求1所述的绿色混凝土的自动化生产方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的绿色混凝土的自动化生产方法，其特征在于，将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列，包括：使用所述基于重参数化网络的特征强化器以如下强化公式对所述混合状态语义特征向量的序列进行特征表达强化以得到所述强化混合状态语义特征向量的序列；
其中，所述强化公式为：
vθ＝vθ,u+∈⊙vθ,σ
其中，其中vθ,u为所述混合状态语义特征向量的序列的全局均值，vθ,σ为所述混合状态语义特征向量的序列的方差，∈是对所述混合状态语义特征向量的序列的高斯分布进行随机采样得到的第θ个值，vθ是所述强化混合状态语义特征向量的序列的各个位置的特征值。
4.根据权利要求3所述的绿色混凝土的自动化生产方法，其特征在于，基于所述混合状态变化时序语义特征，确定是否停止搅拌，包括：将所述混合状态变化时序语义特征向量通过基于分类器的搅拌控制器以得到搅拌控制指令，所述搅拌控制指令用于表示是否停止搅拌。
5.根据权利要求4所述的绿色混凝土的自动化生产方法，其特征在于，还包括训练步骤：用于对所述基于深度神经网络模型的混合状态语义特征提取器、所述基于重参数化网络的特征强化器和所述基于分类器的搅拌控制器进行训练。
6.根据权利要求5所述的绿色混凝土的自动化生产方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括由摄像头采集的混凝土的训练混合状态监控视频；
对所述训练混合状态监控视频进行关键帧采样以得到训练混合状态监控关键帧的序列；
通过基于深度神经网络模型的混合状态语义特征提取器对所述训练混合状态监控关键帧的序列进行特征提取以得到训练混合状态语义特征向量的序列；
将所述训练混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到训练强化混合状态语义特征向量的序列；
计算所述训练强化混合状态语义特征向量的序列中任意相邻两个训练强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的训练混合状态变化时序语义特征向量；
对所述训练强化混合状态语义特征向量的序列进行特征校正以得到校正训练强化混合状态语义特征向量的序列；
将所述校正训练强化混合状态语义特征向量的序列通过所述基于分类器的搅拌控制器以得到分类损失函数值；
基于所述分类函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的混合状态语义特征提取器、所述基于重参数化网络的特征强化器和所述基于分类器的搅拌控制器进行训练，其中，在模型的每次迭代训练时，当基于所述分类损失函数值进行反向传播通过所述训练强化混合状态语义特征向量的序列时，对于所述训练强化混合状态语义特征向量的序列进行特征校正。
7.根据权利要求6所述的绿色混凝土的自动化生产方法，其特征在于，对所述训练强化混合状态语义特征向量的序列进行特征校正以得到校正训练强化混合状态语义特征向量的序列，包括：将所述训练强化混合状态语义特征向量的序列进行级联以得到级联特征向量；
将所述级联特征向量进行特征聚合校正以得到校正后级联特征向量；
对所述校正后级联特征向量进行拆分以得到所述校正训练强化混合状态语义特征向量的序列。
8.一种绿色混凝土的自动化生产系统，其特征在于，包括：
监控视频获取模块，用于获取由摄像头采集的混凝土的混合状态监控视频；
关键帧采样模块，用于对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；
混合状态语义特征提取模块，用于通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；
特征表达强化模块，用于将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；
语义差异度量模块，用于计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；
搅拌结果生成模块，用于基于所述混合状态变化时序语义特征，确定是否停止搅拌；
其中，计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征，包括：以如下语义差异度度量公式计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征向量作为所述混合状态变化时序语义特征；
其中，所述语义差异度度量公式为：
(x) (x)
其中，vi 和vj 分别为所述强化混合状态语义特征向量的序列中第i和第j个强化混合状态语义特征向量，Vk是所述强化混合状态语义特征向量的序列，log表示以2为底的对数函数值，L为各个所述强化混合状态语义特征向量的长度，M为所述强化混合状态语义特征向量的序列中向量的个数－1，Di为所述混合状态变化时序语义特征向量中各个位置的特征值。 说明书 : 绿色混凝土的自动化生产方法及系统技术领域[0001] 本申请涉及自动化生产领域，且更为具体地，涉及一种绿色混凝土的自动化生产方法及系统。背景技术[0002] 混凝土是一种广泛用于建筑和基础设施建设的材料。传统混凝土的生产过程会产生大量二氧化碳，对环境造成污染。绿色混凝土是一种新型的混凝土，它使用再生骨料和添加剂，可以减少二氧化碳的排放，并且具有强度高、耐久性好等优点。[0003] 绿色混凝土的生产过程与传统混凝土的生产过程基本相同，但需要对搅拌时间、速度和程序进行严格控制，以确保混凝土均匀且达到所需的稠度。目前，绿色混凝土的生产主要依靠人工操作，人工操作需要工人不断地观察混凝土的混合状态，并根据经验来调整搅拌时间、速度和程序，这不仅费时费力，效率低下，而且容易出现质量问题。并且，人工操作无法实时监控混凝土的混合状态，只能在搅拌结束后才能对混凝土的质量进行检查，这使得及时发现和纠正质量问题变得困难。这可能导致混凝土出现强度不足、耐久性差等问题，影响建筑物的安全和使用寿命。[0004] 因此，期望一种优化的绿色混凝土的自动化生产方案。发明内容[0005] 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绿色混凝土的自动化生产方法及系统，其通过摄像头实时监测采集混凝土的混合状态监控视频，并在后端引入数据处理和分析算法来进行该混合状态监控视频的分析，以此来实时监控混凝土的混合状态，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度。这样，能够实现绿色混凝土自动化生产过程中的质量控制，进而优化绿色混凝土的生产效率和质量。[0006] 根据本申请的一个方面，提供了一种绿色混凝土的自动化生产方法，其包括：[0007] 获取由摄像头采集的混凝土的混合状态监控视频；[0008] 对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；[0009] 通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；[0010] 将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；[0011] 计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；[0012] 基于所述混合状态变化时序语义特征，确定是否停止搅拌。[0013] 根据本申请的另一个方面，提供了一种绿色混凝土的自动化生产系统，其包括：[0014] 监控视频获取模块，用于获取由摄像头采集的混凝土的混合状态监控视频；[0015] 关键帧采样模块，用于对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；[0016] 混合状态语义特征提取模块，用于通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；[0017] 特征表达强化模块，用于将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；[0018] 语义差异度量模块，用于计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；[0019] 搅拌结果生成模块，用于基于所述混合状态变化时序语义特征，确定是否停止搅拌。[0020] 与现有技术相比，本申请提供的一种绿色混凝土的自动化生产方法及系统，其通过摄像头实时监测采集混凝土的混合状态监控视频，并在后端引入数据处理和分析算法来进行该混合状态监控视频的分析，以此来实时监控混凝土的混合状态，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度。这样，能够实现绿色混凝土自动化生产过程中的质量控制，进而优化绿色混凝土的生产效率和质量。附图说明[0021] 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。[0022] 图1为根据本申请实施例的绿色混凝土的自动化生产方法的流程图；[0023] 图2为根据本申请实施例的绿色混凝土的自动化生产方法的系统架构图；[0024] 图3为根据本申请实施例的绿色混凝土的自动化生产方法的训练阶段的流程图；[0025] 图4为根据本申请实施例的绿色混凝土的自动化生产系统的框图。具体实施方式[0026] 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。[0027] 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。[0028] 虽然本申请对根据本申请的实施例的系统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，并且所述系统和方法的不同方面可以使用不同模块。[0029] 本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。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。[0030] 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。[0031] 目前，绿色混凝土的生产主要依靠人工操作，人工操作需要工人不断地观察混凝土的混合状态，并根据经验来调整搅拌时间、速度和程序，这不仅费时费力，效率低下，而且容易出现质量问题。并且，人工操作无法实时监控混凝土的混合状态，只能在搅拌结束后才能对混凝土的质量进行检查，这使得及时发现和纠正质量问题变得困难。这可能导致混凝土出现强度不足、耐久性差等问题，影响建筑物的安全和使用寿命。因此，期望一种优化的绿色混凝土的自动化生产方案。[0032] 在本申请的技术方案中，提出了一种绿色混凝土的自动化生产方法。图1为根据本申请实施例的绿色混凝土的自动化生产方法的流程图。图2为根据本申请实施例的绿色混凝土的自动化生产方法的系统架构图。如图1和图2所示，根据本申请的实施例的绿色混凝土的自动化生产方法，包括步骤：S1，获取由摄像头采集的混凝土的混合状态监控视频；S2，对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；S3，通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；S4，将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；S5，计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；S6，基于所述混合状态变化时序语义特征，确定是否停止搅拌。[0033] 特别地，所述S1，获取由摄像头采集的混凝土的混合状态监控视频。应可以理解，通过获取混凝土的混合状态监控视频可以实时监控混凝土的混合状态，以此来对混凝土的混合状态进行视觉评估，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度，确保混凝土的质量符合标准要求。[0034] 特别地，所述S2，对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列。考虑到所述混合状态监控视频中存在着较多的信息量以及包含有较多的无用信息，若直接对整合混合状态监控视频进行特征分析和捕捉，会造成信息冗余，降低处理效率。因此，为了能够从大量的视频数据中提取出具有代表性的关键。员愫笮姆治龊痛，在本申请的技术方案中，需要对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列。值得一提的是，关键帧是指视频序列中能够代表视频内容的主要。ǔ０耸悠抵凶钪匾男畔。通过对视频进行关键帧采样，可以大大减少视频数据量，同时保留视频的主要内容。特别地，在绿色混凝土的自动化生产过程中，对所述混合状态监控视频进行关键帧采样可以提取出混凝土混合过程中的关键时刻，以便后续的分析和处理。例如，可以通过分析关键帧来判断混凝土的混合是否均匀，是否存在结块等问题。[0035] 特别地，所述S3，通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列。特别地，在本申请的技术方案中，所述深度神经网络模型为卷积神经网络模型。也就是，将所述混合状态监控关键帧的序列通过基于卷积神经网络模型的混合状态语义特征提取器中进行特征挖掘，以分别提取出所述各个混合状态监控关键帧中关于混凝土的混合状态语义特征信息，如混合的颜色、纹理和形状等特征信息，从而得到混合状态语义特征向量的序列。这样，可以帮助识别混凝土混合过程中的关键特征，如混合均匀度、颗粒分布等，从而更准确地评估混凝土的质量。具体地，使用所述基于卷积神经网络模型的混合状态语义特征提取器的各层在层的正向传递中分别对输入数据进行：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特征矩阵的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，所述基于卷积神经网络模型的混合状态语义特征提取器的最后一层的输出为所述混合状态语义特征向量的序列，所述基于卷积神经网络模型的混合状态语义特征提取器的第一层的输入为所述混合状态监控关键帧的序列。[0036] 值得注意的是，卷积神经网络(CNN)是一种深度学习模型，专门用于处理具有网格结构的数据，如图像和语音。CNN的核心思想是通过卷积操作来提取输入数据的特征，并通过层层堆叠的方式进行特征的高级表示和抽象。以下是CNN的基本组件和工作原理：卷积层：卷积层是CNN的核心组件，用于提取输入数据的特征。它通过应用一组可学习的卷积核(滤波器)在输入数据上进行卷积操作。卷积操作可以捕捉输入数据中的局部模式和特征，并生成一系列的特征图；激活函数：在卷积层之后，通常会应用一个非线性激活函数，如ReLU。激活函数引入非线性特征，使得网络能够学习更复杂的模式和表示；池化层：池化层用于减少特征图的尺寸和参数数量，并提取最重要的特征。常见的池化操作包括最大池化和平均池化；全连接层：在经过一系列卷积层和池化层之后，通常会添加一些全连接层。全连接层将前一层的特征映射转换为输出结果，例如进行分类或回归；Dropout：为了防止过拟合，CNN中常使用Dropout技术。Dropout在训练过程中随机丢弃一部分神经元，以减少神经元之间的依赖关系，提高模型的泛化能力。通过反向传播算法，CNN可以自动学习提取输入数据中的特征，并根据训练目标进行优化。在训练过程中，CNN通过最小化损失函数来调整网络参数，以使得输出结果与真实标签尽可能接近。[0037] 特别地，所述S4，将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列。也就是，为了增强和丰富各个关键帧中关于混凝土的混合状态特征的表达能力，使其更具区分性和鲁棒性，在本申请的技术方案中，进一步将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列。应可以理解，所述重参数化网络是一种神经网络结构，通常用于学习数据的潜在表示，并且具有较好的特征提取和重构能力。通过将所述混合状态语义特征向量的序列输入到基于重参数化网络的特征强化器中，能够引入随机性，将原始的各个关键帧中的混合状态语义特征重新参数化为更丰富的特征表示，从而可以对语义特征向量进行进一步的优化和增强，使其更具代表性和区分性。在这个过程中，每个所述混合状态语义特征向量的均值和方差分别被提取出来，并用于生成新的特征向量。这种重参数化的形式可以看作是在语义特征空间中进行数据增强的一种方式，这有助于提高分类器对不同混凝土的混合状态特征的感知和识别能力，使其更适合于后续的分类和决策任务。这有助于提高绿色混凝土自动化生产过程中对混凝土混合状态的理解和控制能力。具体地，将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列，包括：使用所述基于重参数化网络的特征强化器以如下强化公式对所述混合状态语义特征向量的序列进行特征表达强化以得到所述强化混合状态语义特征向量的序列；其中，所述强化公式为：[0038] vθ＝vθ,u+∈⊙vθ,σ[0039] 其中，其中vθ,u为所述混合状态语义特征向量的序列的全局均值，vθ,σ为所述混合状态语义特征向量的序列的方差，∈是对所述混合状态语义特征向量的序列的高斯分布进行随机采样得到的第θ个值，vθ是所述强化混合状态语义特征向量的序列的各个位置的特征值。[0040] 特别地，所述S5，计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征。考虑到由于混凝土的混合状态会随着时间的推移而不断发生变化，也就是说，所述各个关键帧中关于混凝土的混合状态语义特征之间具有着时序的关联关系。因此，为了量化混凝土混合状态在时间上的变化趋势，从而更全面地描述混凝土混合过程中的动态特征，在本申请的技术方案中，进一步计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征向量。应可以理解，通过计算相邻两个所述强化混合状态语义特征向量之间的语义差异度，可以衡量混凝土混合状态在特征空间上的时序变化程度。这有助于捕捉混凝土混合过程中的微小变化和趋势，如混合均匀度的变化、颗粒分布的演变等，提高对混凝土混合状态变化的理解和监控能力，为后续的搅拌控制提供更详细和全面的混凝土混合状态描述。具体地，计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征，包括：以如下语义差异度度量公式计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征向量作为所述混合状态变化时序语义特征；其中，所述语义差异度度量公式为：[0041][0042] 其中，vi(x)和vj(x)分别为所述强化混合状态语义特征向量的序列中第i和第j个强化混合状态语义特征向量，Vk是所述强化混合状态语义特征向量的序列，log表示以2为底的对数函数值，L为各个所述强化混合状态语义特征向量的长度，M为所述强化混合状态语义特征向量的序列中向量的个数－1，Di为所述混合状态变化时序语义特征向量中各个位置的特征值。[0043] 特别地，所述S6，基于所述混合状态变化时序语义特征，确定是否停止搅拌。特别地，在本申请的技术方案中，将所述混合状态变化时序语义特征向量通过基于分类器的搅拌控制器以得到搅拌控制指令，所述搅拌控制指令用于表示是否停止搅拌。也就是说，利用所述混凝土的混合状态变化时序语义特征来进行分类处理，以此来根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度。具体地，使用所述分类器的多个全连接层对所述混合状态变化时序语义特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。[0044] 也就是，在本申请的技术方案中，所述分类器的标签包括停止搅拌(第一标签)，以及，不停止搅拌(第二标签)，其中，所述分类器通过软最大值函数来确定所述混合状态变化时序语义特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止搅拌”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否停止搅拌的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止搅拌”的语言文本意义。[0045] 分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。[0046] 全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。[0047] Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。[0048] 应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于卷积神经网络模型的混合状态语义特征提取器、所述基于重参数化网络的特征强化器和所述基于分类器的搅拌控制器进行训练。也就是说，在本申请的绿色混凝土的自动化生产方法中，还包括训练阶段，用于对所述基于卷积神经网络模型的混合状态语义特征提取器、所述基于重参数化网络的特征强化器和所述基于分类器的搅拌控制器进行训练。[0049] 图3为根据本申请实施例的绿色混凝土的自动化生产方法的训练阶段的流程图。如图3所示，根据本申请实施例的绿色混凝土的自动化生产方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括由摄像头采集的混凝土的训练混合状态监控视频；S120,对所述训练混合状态监控视频进行关键帧采样以得到训练混合状态监控关键帧的序列；S130,通过基于卷积神经网络模型的混合状态语义特征提取器对所述训练混合状态监控关键帧的序列进行特征提取以得到训练混合状态语义特征向量的序列；S140,将所述训练混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化训练混合状态语义特征向量的序列；S150,计算所述强化训练混合状态语义特征向量的序列中任意相邻两个强化训练混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的训练混合状态变化时序语义特征向量；S160,对所述训练强化混合状态语义特征向量的序列进行特征校正以得到校正训练强化混合状态语义特征向量的序列；S170,将所述校正训练强化混合状态语义特征向量的序列通过所述基于分类器的搅拌控制器以得到分类损失函数值；S180,基于所述分类函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的混合状态语义特征提取器、所述基于重参数化网络的特征强化器和所述基于分类器的搅拌控制器进行训练，其中，在模型的每次迭代训练时，当基于所述分类损失函数值进行反向传播通过所述训练强化混合状态语义特征向量的序列时，对于所述训练强化混合状态语义特征向量的序列进行特征校正。[0050] 在本申请的技术方案中，所述强化训练混合状态语义特征向量的序列中的每个强化训练混合状态语义特征向量分别表达所述混凝土的训练混合状态监控视频的关键帧的强化的图像语义特征，但是，考虑到所述训练混凝土的混合状态监控视频的关键帧沿时序分布的不均衡，会导致所述强化训练混合状态语义特征向量的序列中的各个强化训练混合状态语义特征向量的图像语义特征分布不均衡，使得所述强化训练混合状态语义特征向量的序列中任意相邻两个强化训练混合状态语义特征向量之间的语义差异度存在较大的语义差异波动，影响由多个语义差异度组成的训练混合状态变化时序语义特征向量通过分类器时的类概率收敛效果，即影响分类训练速度和分类结果的准确性。因此，本申请的申请人优选地在模型的每次迭代训练时，当基于分类损失函数值进行反向传播通过所述强化训练混合状态语义特征向量的序列时，对于所述强化训练混合状态语义特征向量的序列，例如将其级联特征向量记为V，进行特征聚合校正，具体表示为：[0051][0052] 其中 是所述训练级联特征向量V的1范数的平方，||V||2?1/2是所述训练级联特征向量V的2范数的平方根的倒数，L是所述级联特征向量V的长度，且ε是缩放超参数，log表示以2为底的对数运算。这里，以基于所述训练级联特征向量V的范数的低秩化结构表示为所述训练级联特征向量V的特征值集合聚合的投票簇，对所述训练级联特征向量V的每个特征值进行相对于信息感知框架的典范化投票，以通过聚合特征分布的方向和尺度的回归表示来将归属于同一回归类的特征值映射到类似的局部典范化坐标集合，从而提升所述训练级联特征向量V的特征集合的聚合效果，抑制所述强化训练混合状态语义特征向量的序列中任意相邻两个强化训练混合状态语义特征向量之间的语义差异度的语义差异波动，提升由多个语义差异度组成的训练混合状态变化时序语义特征向量通过分类器时的类概率收敛效果，即改进分类训练速度和分类结果的准确性。这样，能够实时监控混凝土的混合状态，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度，通过这样的方式，能够实现绿色混凝土自动化生产过程中的质量控制，进而优化绿色混凝土的生产效率和质量。[0053] 综上，根据本申请实施例的绿色混凝土的自动化生产方法被阐明，其通过摄像头实时监测采集混凝土的混合状态监控视频，并在后端引入数据处理和分析算法来进行该混合状态监控视频的分析，以此来实时监控混凝土的混合状态，并根据混凝土的混合状态自适应调整搅拌过程，以确保混凝土混合均匀且达到所需的稠度。这样，能够实现绿色混凝土自动化生产过程中的质量控制，进而优化绿色混凝土的生产效率和质量。[0054] 进一步地，还提供一种绿色混凝土的自动化生产系统。[0055] 图4为根据本申请实施例的绿色混凝土的自动化生产系统的框图。如图4所示，根据本申请实施例的绿色混凝土的自动化生产系统300，包括：监控视频获取模块310，用于获取由摄像头采集的混凝土的混合状态监控视频；关键帧采样模块320，用于对所述混合状态监控视频进行关键帧采样以得到混合状态监控关键帧的序列；混合状态语义特征提取模块330，用于通过基于深度神经网络模型的混合状态语义特征提取器对所述混合状态监控关键帧的序列进行特征提取以得到混合状态语义特征向量的序列；特征表达强化模块340，用于将所述混合状态语义特征向量的序列通过基于重参数化网络的特征强化器以得到强化混合状态语义特征向量的序列；语义差异度量模块350，用于计算所述强化混合状态语义特征向量的序列中任意相邻两个强化混合状态语义特征向量之间的语义差异度以得到由多个语义差异度组成的混合状态变化时序语义特征；搅拌结果生成模块360，用于基于所述混合状态变化时序语义特征，确定是否停止搅拌。[0056] 如上所述，根据本申请实施例的绿色混凝土的自动化生产系统300可以实现在各种无线终端中，例如具有绿色混凝土的自动化生产算法的服务器等。在一种可能的实现方式中，根据本申请实施例的绿色混凝土的自动化生产系统300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，该绿色混凝土的自动化生产系统300可以是该无线终端的操作系统中的一个软件模块，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，该绿色混凝土的自动化生产系统300同样可以是该无线终端的众多硬件模块之一。[0057] 替换地，在另一示例中，该绿色混凝土的自动化生产系统300与该无线终端也可以是分立的设备，并且该绿色混凝土的自动化生产系统300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。[0058] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

专利地区：四川

专利申请日期：2024-02-23

专利公开日期：2024-08-23

专利公告号：CN118053119B