用于粉尘抽吸强度控制的神经网络的训练方法技术

本申请涉及智慧制造领域下的智能操作控制，其具体地公开了一种用于粉尘抽吸强度控制的神经网络的训练方法和基于深度神经网络的粉尘抽吸强度智能控制方法，其通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值以构成出长度为n的特征向量，该特征向量表示出训练图像的训练特征图在高维空间内的类别内特征。然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，提取高维特征中相互一致的类内和类间性质的图像特征，以提高智能操作控制的精准度。

【技术实现步骤摘要】
用于粉尘抽吸强度控制的神经网络的训练方法
本专利技术涉及智慧制造领域下的智能状态控制，且更为具体地，涉及一种用于粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法、用于粉尘抽吸强度控制的神经网络的训练系统、基于深度神经网络的粉尘抽吸强度智能控制系统和电子设备。
技术介绍
目前，现有木质板材加工业以木质板材为原料，人工利用数控加工装置进行加工作业，对板材进行开槽、钻孔、压刻细纹路和开榫等加工。在该过程中，难以避免地会产生大量的粉尘，对操作环境带来污染，也会危害工作人员的身体健康。目前，为了避免粉尘的危害，一般都是采用抽风机来对粉尘进行抽吸，但是，如何准确地控制抽风机的抽吸强度又成为新的问题。一种方式是通过人工来控制抽风机的强度档位，但是工作人员在工作过程中很可能顾不上调整档位。另一种方式是根据具体的作业内容，比如开槽、钻孔等来调整档位，当这也难免出现准确性不够的问题。因此，期待一种能够对粉尘抽吸强度智能控制的技术方案。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。深度学习以及神经网络的发展为智能控制抽风机的抽吸强度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用于粉尘抽吸强度控制的神经网络的训练方法、基于深度神经网络的粉尘抽吸强度智能控制方法、用于粉尘抽吸强度控制的神经网络的训练系统、基于深度神经网络的粉尘抽吸强度智能控制系统和电子设备，其通过聚类算法将所述多个训练特征图划分为n个类别，并计算该n个类别中每个类别内的所有训练特征图到该聚类中心的距离的平均值以获得n个特征值以构成出长度为n的特征向量，该特征向量表示出训练图像的训练特征图在高维空间内的类别内特征。然后，对于该n个聚类，计算每两个聚类中心之间的距离以获得一个n*n的距离矩阵，以表示出训练特征图在高维空间内的类别间特征。这样，提取高维特征中相互一致的类内和类间性质的图像特征，以提高智能操作控制的精准度。根据本申请的一个方面，提供了一种用于粉尘抽吸强度控制的神经网络的训练方法，其包括：获取板材在加工过程中的多张图像作为训练图像集；将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；将所述多个训练特征图通过分类器，以获得分类损失函数值；以及基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。在上述用于粉尘抽吸强度控制的神经网络的训练方法中，在以聚类算法将所述多个训练特征图划分为N个类别中，所述聚类算法为KNN聚类算法。在上述用于粉尘抽吸强度控制的神经网络的训练方法中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量，包括：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。在上述用于粉尘抽吸强度控制的神经网络的训练方法中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵，包括：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。在上述用于粉尘抽吸强度控制的神经网络的训练方法中，将所述多个训练特征图通过分类器，以获得分类损失函数值，包括：将所述多个训练特征图通过一个或多个全连接层，以获得分类特征向量；将所述分类特征向量输入分类函数，以获得分类结果；以及，将所述分类结果和真实值输入损失函数，以获得所述分类损失函数值。在上述用于粉尘抽吸强度控制的神经网络的训练方法中，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，提供了基于深度神经网络的粉尘抽吸强度智能控制方法，其包括：获取待检测的板材在加工过程中的图像；将所述图像输入根据如上所述的用于粉尘抽吸强度控制的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出表示对应于抽风机的不同强度档位标签的概率值；以及基于所述不同强度档位标签的概率值中最大概率值对应的档位作为最终档位控制抽风机的工作强度。根据本申请的再一方面，提供了一种用于粉尘抽吸强度控制的神经网络的训练系统，其包括：图像获取单元，用于获取板材在加工过程中的多张图像作为训练图像集；训练特征图生成单元，用于将所述图像获取单元获得的所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；类别划分单元，用于以聚类算法将所述训练特征图生成单元获得的所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；特征向量生成单元，用于对类别划分单元获得的所述该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；距离矩阵生成单元，用于对类别划分单元获得的所述该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；交叉熵损失函数值计算单元，用于计算所述特征向量生成单元获得的所述特征向量和所述距离矩阵生成单元获得的所述距离矩阵之间的交叉熵损失函数值；分类损失函数值计算单元，用于将所述训练特征图生成单元获得的所述多个训练特征图通过分类器，以获得分类损失函数值；以及参数更新单元，用于基于所述分类损失函数值计算单元获得的所述分类损失函数值和所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述聚类算法为KNN聚类算法。在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述特征向量生成单元，进一步用于：对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述距离矩阵生成单元，进一步用于：对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。在上述用于粉尘抽吸强度控制的神经网络的训练系统中，所述分类损失函数值计算单元，包括：分类特征向量生成子单元，用于将所述多个训练特征图通过一个或多个全连接层，以获得分类特征向量；分类结果生成子单元，用于将所述分类特征向量生成子单元获本文档来自技高网...

【技术保护点】
1.一种用于粉尘抽吸强度控制的神经网络的训练方法，其特征在于，包括：/n获取板材在加工过程中的多张图像作为训练图像集；/n将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；/n以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；/n对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；/n对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；/n计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；/n将所述多个训练特征图通过分类器，以获得分类损失函数值；以及/n基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。/n

【技术特征摘要】
1.一种用于粉尘抽吸强度控制的神经网络的训练方法，其特征在于，包括：
获取板材在加工过程中的多张图像作为训练图像集；
将所述训练图像集中多张图像分别通过深度卷积神经网络以获得多个训练特征图；
以聚类算法将所述多个训练特征图划分为N个类别，N为正整数，其中，每个类别具有一个聚类中心；
对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量；
对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵；
计算所述特征向量和所述距离矩阵之间的交叉熵损失函数值；
将所述多个训练特征图通过分类器，以获得分类损失函数值；以及
基于所述分类损失函数值和所述交叉熵损失函数值的加权和，更新所述深度卷积神经网络的参数。


2.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，在以聚类算法将所述多个训练特征图划分为N个类别中，所述聚类算法为KNN聚类算法。


3.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的距离的平均值，以获得由N个特征值构成的特征向量，包括：
对该N个类别，计算每个类别内的所有训练特征图到其聚类中心的平方欧式距离的平均值，以获得由N个特征值构成的特征向量。


4.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，对该N个类别，计算每两个类别的聚类中心之间的距离，以获得一个尺寸为N*N的距离矩阵，包括：
对该N个类别，计算每两个类别的聚类中心之间的平方欧式距离，以获得一个尺寸为N*N的距离矩阵。


5.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，将所述多个训练特征图通过分类器，以获得分类损失函数值，包括：
将所述多个训练特征图通过一个或多个全连接层，以获得分类特征向量；
将所述分类特征向量输入分类函数，以获得分类结果；以及
将所述分类结果和真实值输入损失函数，以获得所述分类损失函数值。


6.根据权利要求1所述的用于粉尘抽吸强度控制的神经网络的训练方法，其中，所述深度卷积神经网络为深度残差网络。


7.一种基于深度神经网络的粉尘抽吸强度智能控制方法，其特征在于，包括：
获取待检测的板材在加工过程中的图像；
将所述图像输入根据如权利要求1到6中任意一项所述的用于粉尘抽吸强度控制...

【专利技术属性】
技术研发人员：张友松，
申请(专利权)人：成都缇娣莉科技有限公司，
类型：发明
国别省市：四川;51