【技术实现步骤摘要】
用于崩落状态的智能预测的神经网络的训练方法
本专利技术涉及智慧开采领域下的智能预测，且更为具体地，涉及一种用于崩落状态的智能预测的神经网络的训练方法、基于深度神经网络的崩落状态智能预测方法、用于崩落状态的智能预测的神经网络的训练系统、基于深度神经网络的崩落状态智能预测系统和电子设备。
技术介绍
矿山开采技术分为露天开采和地下开采两种方式，接近地表和埋藏较浅的部分采用露天开采，深部采用地下开采。在采用地下开采技术时，通常需要挖掘矿道，在矿道中时常遇到矿壁上的岩石、沙土等崩落的情况。通常，在矿道中采用立板和耙抓结合的方式，崩落的岩石沙土等落在立板上，并通过耙抓进行运送。但是，如果立板上已经落下的岩石沙土未及时清理又有新的岩石沙土落下，则由于立板上已经存在的矿石的重量加上崩落的岩石沙土的重量，可能会导致立板和耙抓的损坏。而如果清理过于频繁，又可能影响立板和耙抓的使用寿命。因此，期望提供一种能够有效地预测当前立板上的岩石沙土是否应当被清理的方法。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...
【技术保护点】
1.一种用于崩落状态的智能预测的神经网络的训练方法，其特征在于，包括：/n获取训练图像，所述训练图像为当前矿壁的表面图像；/n将所述训练图像通过深度卷积神经网络，以获得第一特征图；/n对于所述第一特征图中的每个n*n的局部区域，从每个所述局部区域中随机选择一个位置的特征值作为所述局部区域的特征值，以获得多个特征值并通过组合所述多个特征值以形成第二特征图，其中，n为大于等于2且小于等于5的正整数；/n对所述第一特征图进行基于尺度为n*n的特征矩阵的平均值池化，以获得第三特征图；/n计算所述第二特征图与所述第三特征图之间的距离损失函数值；/n计算所述第二特征图与参考特征向量之间...
【技术特征摘要】
1.一种用于崩落状态的智能预测的神经网络的训练方法，其特征在于，包括：
获取训练图像，所述训练图像为当前矿壁的表面图像；
将所述训练图像通过深度卷积神经网络，以获得第一特征图；
对于所述第一特征图中的每个n*n的局部区域，从每个所述局部区域中随机选择一个位置的特征值作为所述局部区域的特征值，以获得多个特征值并通过组合所述多个特征值以形成第二特征图，其中，n为大于等于2且小于等于5的正整数；
对所述第一特征图进行基于尺度为n*n的特征矩阵的平均值池化，以获得第三特征图；
计算所述第二特征图与所述第三特征图之间的距离损失函数值；
计算所述第二特征图与参考特征向量之间的交叉熵损失函数值，其中，所述参考特征向量基于当前立板上已经堆放的岩石沙土的重量转化而来；
将所述第二特征图通过分类器以获得分类损失函数值；以及
基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和，更新所述深度卷积神经网络。
2.根据权利要求1所述的用于崩落状态的智能预测的神经网络的训练方法，其中，计算所述第二特征图与所述第三特征图之间的距离损失函数值，包括：
计算所述第二特征图与所述第三特征图之间的L1距离损失函数值。
3.根据权利要求1所述的用于崩落状态的智能预测的神经网络的训练方法，其中，计算所述第二特征图与所述第三特征图之间的距离损失函数值，包括：
计算所述第二特征图与所述第三特征图之间的L2距离损失函数值。
4.根据权利要求1所述的用于崩落状态的智能预测的神经网络的训练方法，其中，计算所述第二特征图与所述第三特征图之间的距离损失函数值，包括：
计算所述第二特征图与所述第三特征图之间的余弦距离损失函数值。
5.根据权利要求1所述的用于崩落状态的智能预测的神经网络的训练方法，其中，将所述第二特征图通过分类器以获得分类损失函数值，包括：
将所述第二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Softmax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所述的用于崩落状态的智能预测的神经网络的训练方法，其中，所述n为2或4。
7.一种基于深度神经网络的崩落状态智能预测方法，其特征在于，包括：
获取待检测的当前矿壁的表面图像；
将所述待检测图像输入根据如权利要求1到6中任意一项所述的用于崩落状态的智能预测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当前立板上的岩石沙土应当被清理的第一概率和当前立板上的岩石...
【专利技术属性】
技术研发人员：李权，
申请(专利权)人：南京多金网络科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。