基于特征去相关的用于封孔剂注射器的注射参数确定方法技术

本申请公开了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其包括：将待封闭钻孔的图像通过卷积神经网络以获得特征图；获取在抽采瓦斯气体时获得的气体参数并将其转化为输入向量；将所述输入向量通过深度神经网络，以获得气体特征向量；计算所述特征图相对于所述气体特征向量的内积矩阵；计算所述气体特征向量相对于所述特征图的内积向量；以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；将所述去相关特征图通过全连接层以获得形状向量；以及，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。

【技术实现步骤摘要】
基于特征去相关的用于封孔剂注射器的注射参数确定方法
本申请涉及人工智能领域，且更为具体地，涉及一种基于特征去相关的用于封孔剂注射器的注射参数确定方法、基于特征去相关的用于封孔剂注射器的注射参数确定系统和电子设备。
技术介绍
现在的煤矿瓦斯的开采都是使用钻孔抽采的方式，这样，在开采过程中需要进行钻孔和封孔，来保证瓦斯的安全开采。目前，在对孔进行封闭的时候都是采用封孔剂注射器将封孔剂注射到孔中来进行封孔。但是，现有的封孔剂注射器在对钻出来的孔进行封堵时，仍存在一些缺陷，首先，不能根据孔的形状、大小和深度进行调整，对于不同的孔，通常根据经验选择不同的封孔剂注射器，影响了封孔效果。另外，在向孔内注射封孔剂时，有时需要对钻出来的孔进行定向封堵，使得封孔剂可以在孔中进行有效的定向膨胀，提高使用效果，但是目前也没有很好地确定封孔定向的方法。因此，期望一种优化的用于煤矿瓦斯开采钻孔的封孔剂注射器的注射参数确定的技术方案。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为封孔剂注射器的注射参数确定提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法、基于特征去相关的用于封孔剂注射器的注射参数确定系统和电子设备，其以深度神经网络提取钻孔图像的特征图来捕捉钻孔的形状和大小特征，并以深度神经网络基于钻孔中流出的气体参数来提取用于表示钻孔的深度和内部结构特征的特征向量，进而对所述特征图和所述特征向量进行去相关处理，并对去相关处理后的所述特征向量和所述特征图进行编码，以确定封孔剂注射器的注射参数。根据本申请的一个方面，提供了一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其包括：获取待封闭的钻孔的图像；将所述钻孔图像通过卷积神经网络以获得特征图；获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；将所述输入向量通过深度神经网络，以获得气体特征向量；计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；将所述去相关特征图通过全连接层以获得形状向量；以及将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，将所述输入向量通过深度神经网络，以获得气体特征向量，包括：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，在将所述输入向量通过深度神经网络以获得气体特征向量中，所述深度神经网络为多层感知机。在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性，包括：将所述气体特征向量调整为与所述特征图相匹配的维度；以及，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性，包括：将所述特征图调整为与所述气体特征向量相匹配的尺度；以及，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。在上述基于特征去相关的用于封孔剂注射器的注射参数确定方法中，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数，包括：将所述形状向量和所述去相关特征向量级联后通过一个或多个全连接层，以获得用于封孔剂注射器的注射参数，其中，所述一个或多个全连接层中最后一个全连接层的输出位数与所述封孔剂注射器的注射参数的数量相等。。根据本申请的另一方面，提供了一种基于特征去相关的用于封孔剂注射器的注射参数确定系统，包括：图像获取单元，用于获取待封闭的钻孔的图像；特征图生成单元，用于将所述图像获取单元获得的所述钻孔图像通过卷积神经网络以获得特征图；气体参数获取单元，用于获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；气体特征向量生成单元，用于将所述气体参数获取单元获得的所述输入向量通过深度神经网络，以获得气体特征向量；内积矩阵计算单元，用于计算所述特征图生成单元获得的所述特征图相对于所述气体特征向量生成单元获得的所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；内积向量计算单元，用于计算所述气体特征向量生成单元获得的所述气体特征向量相对于所述特征图生成单元获得的所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；去相关特征图生成单元，用于以所述特征图生成单元获得的所述特征图按像素位置减去所述内积矩阵计算单元获得的所述内积矩阵，以获得去相关特征图；去相关特征向量生成单元，用于以所述气体特征向量生成单元获得的所述气体特征向量按元素位置减去所述内积向量计算单元获得的所述内积向量，以获取去相关特征向量；形状向量生成单元，用于将所述去相关特征图生成单元获得的所述去相关特征图通过全连接层以获得形状向量；以及编码单元，用于将所述形状向量生成单元获得的所述形状向量和所述去相关特征向量生成单元获得的所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。在上述基于特征去相关的用于封孔剂注射器的注射参数确定系统中，所述气体特征向量生成单元，进一步用于：对所述输入向量进行一维卷积处理，以获得所述气体特征向量。在上述基于特征去相关的用于封孔剂注射器的注射参数确定系统中，所述深度神经网络为多层感知机。在上述基于特征去相关的用于封孔剂注射器的注射参数确定系统中，所述内积矩阵计算单元，进一步用于：将所述气体特征向量调整为与所述特征图相匹配的维度；以及，计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。在上述基于特征去相关的用于封孔剂注射器的注射参数确定系统中，所述内积向量计算单元，进一步用于：将所述特征图调整为与所述气体特征向量相匹配的尺度；以及，计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向本文档来自技高网...

【技术保护点】
1.一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其特征在于，包括：/n获取待封闭的钻孔的图像；/n将所述钻孔图像通过卷积神经网络以获得特征图；/n获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；/n将所述输入向量通过深度神经网络，以获得气体特征向量；/n计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；/n计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；/n以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；/n以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；/n将所述去相关特征图通过全连接层以获得形状向量；以及/n将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。/n

【技术特征摘要】
1.一种基于特征去相关的用于封孔剂注射器的注射参数确定方法，其特征在于，包括：
获取待封闭的钻孔的图像；
将所述钻孔图像通过卷积神经网络以获得特征图；
获取在钻孔抽采瓦斯气体的过程中所获得的气体参数并将所述气体参数转化为输入向量；
将所述输入向量通过深度神经网络，以获得气体特征向量；
计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性；
计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性；
以所述特征图按像素位置减去所述内积矩阵，以获得去相关特征图；
以所述气体特征向量按元素位置减去所述内积向量，以获取去相关特征向量；
将所述去相关特征图通过全连接层以获得形状向量；以及
将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数。


2.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，将所述输入向量通过深度神经网络，以获得气体特征向量，包括：
对所述输入向量进行一维卷积处理，以获得所述气体特征向量。


3.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，在将所述输入向量通过深度神经网络以获得气体特征向量中，所述深度神经网络为多层感知机。


4.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，计算所述特征图相对于所述气体特征向量的内积矩阵，所述内积矩阵用于表示所述特征图与所述气体特征向量之间的相关性，包括：
将所述气体特征向量调整为与所述特征图相匹配的维度；以及
计算所述特征图相对于被调整为相匹配的维度后的所述气体特征向量的所述内积矩阵。


5.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，计算所述气体特征向量相对于所述特征图的内积向量，所述内积向量用于表示所述气体特征向量与所述特征图之间的相关性，包括：
将所述特征图调整为与所述气体特征向量相匹配的尺度；以及
计算所述气体特征向量相对于被调整为相匹配的尺度后的所述特征图的所述内积向量。


6.根据权利要求1所述的基于特征去相关的用于封孔剂注射器的注射参数确定方法，其中，将所述形状向量和所述去相关特征向量级联后通过编码器，以获得用于封孔剂注射器的注射参数，包括：
将所述形状向...

【专利技术属性】
技术研发人员：杨平元，
申请(专利权)人：苏州拓驰信息技术有限公司，
类型：发明
国别省市：江苏;32