沥青混凝土制备方法及其系统技术方案

本申请涉及智能制备技术领域，其具体地公开了一种沥青混凝土制备方法及其系统，其通过摄像头采集材料混合搅拌监控视频，利用卷积神经网络提取出所述材料混合搅拌监控视频中聚焦于材料混合状态变化特征信息，基于材料混合状态变化的特征表示来进行当前时间点的搅拌速度的实时控制。这样，可以快速准确地判断当前的搅拌状态，实现实时搅拌控制，以提高沥青混凝土的均匀性，并有效降低沥青混凝土早期破坏的风险，延长使用寿命。延长使用寿命。延长使用寿命。

【技术实现步骤摘要】
沥青混凝土制备方法及其系统


[0001]本申请涉及智能制备
，且更为具体地，涉及一种沥青混凝土制备方法及其系统。

技术介绍

[0002]沥青混凝土是一种常见的道路建材，其具有一定的弹性和塑性变形能力，能承受车辆载荷施加到路面上的各种作用力而不破坏，并且具有高度的减震性，可使汽车快速行驶而低噪声。
[0003]在沥青混凝土的制备中，首先将加热至液态的沥青和一定比例骨料投入混合设备中进行搅拌，使沥青将骨料以及其他的外掺料进行包覆粘结，形成质地均匀的混合料。在搅拌过程中，搅拌速度和时间是影响所制备沥青成品料质量的重要因素,如果搅拌质量不合格可能会引发沥青路面的早期破坏,降低其使用寿命。
[0004]因此，期待一种沥青混凝土制备方法及其系统，可以通过材料混合状态自适应地调整搅拌速度和时间。

技术实现思路

[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沥青混凝土制备方法及其系统，其通过摄像头采集材料混合搅拌监控视频，利用卷积神经网络提取出所述材料混合搅拌监控视频中聚焦于材料混合状态变化特征信息，基于材料混合状态变化的特征表示来进行当前时间点的搅拌速度的实时控制。这样，可以快速准确地判断当前的搅拌状态，实现实时搅拌控制，以提高沥青混凝土的均匀性，并有效降低沥青混凝土早期破坏的风险，延长使用寿命。
[0006]相应地，根据本申请的一个方面，提供了一种沥青混凝土制备方法，其包括：
[0007]获取由摄像头采集的预定时间段的材料混合搅拌监控视频；
[0008]从所述材料混合搅拌监控视频提取多个材料混合状态关键帧；
[0009]将所述多个材料混合状态关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到材料混合状态时序特征图；
[0010]对所述材料混合状态时序特征图进行局部特征一致性强化以得到优化材料混合状态时序特征图；
[0011]对所述优化材料混合状态时序特征图进行特征图切分以得到多个材料混合状态时序子特征图；
[0012]分别将所述各个材料混合状态时序子特征图通过作为过滤器的第二卷积神经网络模型以得到多个深度混合状态时序子特征向量；
[0013]将所述多个深度混合状态时序子特征向量排列为二维输入矩阵后通过双向注意力机制模型以得到分类特征矩阵；
[0014]将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时
间点的搅拌速度应增大、应减小或停止搅拌。
[0015]在上述沥青混凝土制备方法中，从所述材料混合搅拌监控视频提取多个材料混合状态关键帧，包括：以预定采样频率从所述材料混合搅拌监控视频提取多个材料混合状态关键帧。
[0016]在上述沥青混凝土制备方法中，将所述多个材料混合状态关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到材料混合状态时序特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述材料混合状态时序特征图。
[0017]在上述沥青混凝土制备方法中，对所述材料混合状态时序特征图进行局部特征一致性强化以得到优化材料混合状态时序特征图，包括：将所述材料混合状态时序特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征展开特征向量；对所述多个分类特征展开特征向量进行聚类分析以得到聚类中心；分别计算所述各个分类特征展开特征向量与所述聚类中心之间的堪培拉距离以得到由多个堪培拉距离组成的内特征分布一致性向量；将所述内特征分布一致性向量通过Softmax激活函数以得到内特征分布一致性激活特征向量；以所述内特征分布一致性激活特征向量中各个位置的特征值作为权重分别对所述各个分类特征展开特征向量进行加权以得到多个加权后分类特征展开特征向量；将所述多个加权后分类特征展开特征向量进行特征维度重构以得到所述优化材料混合状态时序特征图。
[0018]在上述沥青混凝土制备方法中，分别将所述各个材料混合状态时序子特征图通过作为过滤器的第二卷积神经网络模型以得到多个深度混合状态时序子特征向量，包括：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络的最后一层的输出为所述深度混合状态时序子特征向量，所述二卷积神经网络的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络的输入为所述材料混合状态时序子特征图。
[0019]在上述沥青混凝土制备方法中，将所述多个深度混合状态时序子特征向量排列为二维输入矩阵后通过双向注意力机制模型以得到分类特征矩阵，包括：将所述二维输入矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；计算所述双向关联权重矩阵和所述二维输入矩阵之间的按位置点乘以得到所述分类特征矩阵。
[0020]在上述沥青混凝土制备方法中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度应增大、应减小或停止搅拌，包括：将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对
所述分类特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示当前时间点的搅拌速度应增大、应减小和停止搅拌；将所述概率值中最大者对应的分类标签确定为所述分类结果。
[0021]根据本申请的另一个方面，提供了一种沥青混凝土制备系统，其包括：
[0022]视频采集模块，用于获取由摄像头采集的预定时间段的材料混合搅拌监控视频；
[0023]关键帧提取模块，用于从所述材料混合搅拌监控视频提取多个材料混合状态关键帧；
[0024]混合状态时序特征提取模块，用于将所述多个材料混合状态关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到材料混合状态时序特征图；
[0025]优化模块，用于对所述材料混合状态时序特征图进行局部特征一致性强化以得到优化材料混合状态时序特征图；
[0026]切分模块，用于对所述优化材料混合状态时序特征图进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种沥青混凝土制备方法，其特征在于，包括：获取由摄像头采集的预定时间段的材料混合搅拌监控视频；从所述材料混合搅拌监控视频提取多个材料混合状态关键帧；将所述多个材料混合状态关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到材料混合状态时序特征图；对所述材料混合状态时序特征图进行局部特征一致性强化以得到优化材料混合状态时序特征图；对所述优化材料混合状态时序特征图进行特征图切分以得到多个材料混合状态时序子特征图；分别将所述各个材料混合状态时序子特征图通过作为过滤器的第二卷积神经网络模型以得到多个深度混合状态时序子特征向量；将所述多个深度混合状态时序子特征向量排列为二维输入矩阵后通过双向注意力机制模型以得到分类特征矩阵；将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度应增大、应减小或停止搅拌。2.根据权利要求1所述的沥青混凝土制备方法，其特征在于，从所述材料混合搅拌监控视频提取多个材料混合状态关键帧，包括：以预定采样频率从所述材料混合搅拌监控视频提取多个材料混合状态关键帧。3.根据权利要求2所述的沥青混凝土制备方法，其特征在于，将所述多个材料混合状态关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到材料混合状态时序特征图，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：使用所述卷积神经网络模型的各层的卷积单元对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述材料混合状态时序特征图。4.根据权利要求3所述的沥青混凝土制备方法，其特征在于，对所述材料混合状态时序特征图进行局部特征一致性强化以得到优化材料混合状态时序特征图，包括：将所述材料混合状态时序特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征展开特征向量；对所述多个分类特征展开特征向量进行聚类分析以得到聚类中心；分别计算所述各个分类特征展开特征向量与所述聚类中心之间的堪培拉距离以得到由多个堪培拉距离组成的内特征分布一致性向量；将所述内特征分布一致性向量通过Softmax激活函数以得到内特征分布一致性激活特征向量；以所述内特征分布一致性激活特征向量中各个位置的特征值作为权重分别对所述各
个分类特征展开特征向量进行加权以得到多个加权后分类特征展开特征向量；将所述多个加权后分类特征展开特征向量进行特征维度重构以得到所述优化材料混合状态时序特征图。5.根据权利要求4所述的沥青混凝土制备方法，其特征在于，分别将所述各个材料混合状态时序子特征图通过作为过滤器的第二卷积神经网络模型以得到多个深度混合状态时序子特征向量，包括：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征增图；其中，所述第二卷积神经网络的最后一层的输出为所述...

【专利技术属性】
技术研发人员：许俊，应红华，胡瑞芳，
申请(专利权)人：江西新瑜新型建材有限公司，
类型：发明
国别省市：