【技术实现步骤摘要】
本专利技术涉及环境工程与深度学习交叉应用，更具体地说，它涉及基于深度学习和多尺度特征提取的无机颗粒特性预测方法。
技术介绍
1、随着隧道施工对水质污染问题的关注日益增加，施工过程产生的废水中，尤其是无机颗粒物的特性分析和监测变得越来越重要。废水中无机颗粒的形态、粒径、表面特性等影响着水质的污染程度，并直接影响施工质量和环境保护。
2、传统的无机颗粒检测方法包括人工观察和图像处理技术，但这些方法在处理大量数据时存在效率低、误差大、自动化程度低等缺陷；近年来，随着深度学习和图像处理技术的快速发展，特别是卷积神经网络（cnn）、u-net架构等技术的应用，为颗粒物特征提取和水质预测提供了新的解决方案；然而，现有的系统通常侧重于单一特征的提取，未能有效融合多源数据，且大多数方法没有充分考虑多尺度特征与数值数据的融合，导致预测效果存在一定的误差。
3、有鉴于此，特提出此申请。
技术实现思路
1、本专利技术的目的在于提供基于深度学习和多尺度特征提取的无机颗粒特性预测方法，通过图...
【技术保护点】
1.基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述融合条件包括对齐损失函数和一致性约束函数不超过阈值，其中；对齐损失函数具体为：
3.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述一致性约束函数，具体为：
4.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述融合结果具体为：
5.根据权利要求4所述的基于深度学习和...
【技术特征摘要】
1.基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述融合条件包括对齐损失函数和一致性约束函数不超过阈值，其中；对齐损失函数具体为：
3.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述一致性约束函数，具体为：
4.根据权利要求1所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述融合结果具体为：
5.根据权利要求4所述的基于深度学习和多尺度特征提取的无机颗粒特性预测方法，其特征在于，所述动态权重系数通过以下方式确定：
【专利技术属性】
技术研发人员：刘义青，陈俊敏，秦骐瑞，冷偲圣，卿卓霖，杨泽坤，杨鑫，刘粤，钟航，陈传曾，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
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。