基于距离类别损失函数的装填控制的神经网络的训练方法技术

本申请公开了一种基于距离类别损失函数的装填控制的神经网络的训练方法，其包括：获取训练图像集，所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像；将所述非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图；将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图；计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值；将所述第一特征图通过分类器以获得分类损失函数值；以及，基于所述距离类别损失函数值和所述分类损失函数值的加权和，更新所述第一卷积神经网络和所述分类器的参数。

【技术实现步骤摘要】
基于距离类别损失函数的装填控制的神经网络的训练方法
本专利技术涉及深度学习和神经网络
，且更为具体地，涉及一种基于距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法、基于距离类别损失函数的装填控制的神经网络的训练系统、基于深度神经网络的水泥装填控制系统和电子设备。
技术介绍
在水泥加工制备的过程中，水泥最终会被装填在袋子中。相比传统的人工水泥装填的方式，已经开发出了自动化的水泥装填装置。但是，目前的自动化的水泥装填装置仅适用于对标准化的水泥装填袋进行装填，而在实际应用场景下，很多时候会使用非标准化的水泥装填袋。因此，期待一种用于自动化水泥装填装置的装填出口的开口大小控制的技术方案。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自动化水泥装填装置的装填出口的开口大小控制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距离类别损失函数的装填控制的神经网络的训练方法、基于深度神经网络的水泥装填控制方法、基于距离类别损失函数的装填控制的神经网络的训练系统、基于深度神经网络的水泥装填控制系统和电子设备，其基于深度学习的计算机视觉的方式，通过对水泥装填袋的袋口图像的识别，来控制自动化水泥装填装置的装填出口的开口大小。具体地，在对用于水泥装填装置的装填出口的开口大小控制的神经网络的训练过程中，引入了距离类别损失函数来对用于提取图像特征的卷积神经网络进行训练，进而提高训练后的神经网络的鲁棒性。根据本申请的一个方面，提供了一种基于距离类别损失函数的装填控制的神经网络的训练方法，其包括：获取训练图像集，所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像，所述标准化的水泥装填袋的袋口图像作为参考图像；将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图；将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图；计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，其中，所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数，所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数；将所述第一特征图通过分类器以获得分类损失函数值，其中，所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位；以及基于所述距离类别损失函数值和所述分类损失函数值的加权和，更新所述第一卷积神经网络和所述分类器的参数。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，将所述训练图像通过编码器以获得训练特征向量，包括：将所述训练图像通过所述深度卷积神经网络中的多层卷积层、多层池化层和多层激活层以获得卷积特征图；以及，将所述卷积特征图通过所述深度卷积神经网络中的所述全连接层，以获得所述训练特征向量。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，包括：计算所述第一特征图与所述第二特征图之间的曼哈顿距离。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，包括：计算所述第一特征图与所述第二特征图之间的欧式距离。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，将所述第一特征图通过分类器以获得分类损失函数值，包括：将所述第一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通过Softmax分类函数，以获得分类结果；以及，计算所述分类结果与真实值之差并输入损失函数，以获得分类损失函数值。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，所述第一卷积神经网络为深度残差网络。在上述基于距离类别损失函数的装填控制的神经网络的训练方法中，所述标准化的水泥装填袋的大小类别为1档到m档，其中，当所述参考图像中标准化的水泥装填袋的大小类别为1档时，所述第一类别系数为1，所述第二类别系数为1。根据本申请的另一方面，提供了一种基于深度神经网络的水泥装填控制方法，其包括：获取待检测的水泥装填袋的袋口图像；将所述图像输入根据如上所述的基于距离类别损失函数的装填控制的神经网络的训练方法所训练的第一卷积神经网络和分类器，所述分类器的输出为表示自动化水泥装填装置的装填出口的开口大小的具体档位；以及基于所述档位调节水泥装填装置的装填出口的开口大小。根据本申请的再一方面，提供了一种基于距离类别损失函数的装填控制的神经网络的训练系统，其包括：训练图像集获取单元，用于获取训练图像集，所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像，所述标准化的水泥装填袋的袋口图像作为参考图像；第一特征图生成单元，用于将所述训练图像集获取单元获得的所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图；第二特征图生成单元，用于将所述训练图像集获取单元获得的所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图；距离类别损失函数值计算单元，用于计算所述第一特征图生成单元获得的所述第一特征图与所述第二特征图生成单元获得的所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，其中，所述第一类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋的大小类别系数，所述第二类别系数为所述训练图像集获取单元获得的所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数；分类损失函数值生成单元，用于将所述第一特征图生成单元获得的所述第一特征图通过分类器以获得分类损失函数值，其中，所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位；以及参数更新单元，用于基于所述距离类别损失函数值计算单元获得的所述距离类别损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和，更新所述第一卷积神经网络和所述分类器的参数。在上述基于距离类别损失函数的装填控制的神经网络的训练系统中，所述距离类别损失函数值计算单元，进一步用于：计算所述第一特征图与所述第二特征图之间的曼哈顿距离。在上述基于距离类别损失函数的装填控制的神经网络的训练系统中，所本文档来自技高网...

【技术保护点】
1.一种基于距离类别损失函数的装填控制的神经网络的训练方法，其特征在于，包括：/n获取训练图像集，所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像，所述标准化的水泥装填袋的袋口图像作为参考图像；/n将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图；/n将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图；/n计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，其中，所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数，所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数；/n将所述第一特征图通过分类器以获得分类损失函数值，其中，所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位；以及/n基于所述距离类别损失函数值和所述分类损失函数值的加权和，更新所述第一卷积神经网络和所述分类器的参数。/n

【技术特征摘要】
1.一种基于距离类别损失函数的装填控制的神经网络的训练方法，其特征在于，包括：
获取训练图像集，所述训练图像集中包含非标准化的水泥装填袋的袋口图像和标准化的水泥装填袋的袋口图像，所述标准化的水泥装填袋的袋口图像作为参考图像；
将所述训练图像中非标准化的水泥装填袋的袋口图像通过第一卷积神经网络以获得第一特征图；
将所述训练图像中所述参考图像通过第二卷积神经网络以获得第二特征图；
计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，其中，所述第一类别系数为所述参考图像对应的标准化的水泥装填袋的大小类别系数，所述第二类别系数为所述参考图像对应的标准化的水泥装填袋所适用的自动化水泥装填装置的装填出口的开口大小的大小类别系数；
将所述第一特征图通过分类器以获得分类损失函数值，其中，所述分类器的多个标签为用于装填水泥的自动化水泥装填装置的装填出口的开口大小的多个档位；以及
基于所述距离类别损失函数值和所述分类损失函数值的加权和，更新所述第一卷积神经网络和所述分类器的参数。


2.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法，其中，计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，包括：
计算所述第一特征图与所述第二特征图之间的曼哈顿距离。


3.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法，其中，计算所述第一特征图与所述第二特征图之间的距离，并以所述距离除以第一类别系数与第二类别系数的乘积以获得距离类别损失函数值，包括：
计算所述第一特征图与所述第二特征图之间的欧式距离。


4.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法，其中，将所述第一特征图通过分类器以获得分类损失函数值，包括：
将所述第一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通过Softmax分类函数，以获得分类结果；以及
计算所述分类结果与真实值之差并输入损失函数，以获得分类损失函数值。


5.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法，其中，所述第一卷积神经网络为深度残差网络。


6.根据权利要求1所述的基于距离类别损失函数的装填控制的神经网络的训练方法，其中，所述标准化的水泥装填袋的大小类别为1档到m档，其中，当所述参考图像中标准化的水泥装填袋的大小类别为1档时，所述第一类别系数为1，所述第二类别系数为1。


7.一种基于深度神经网络的水泥装填控制方法，其特征在于，包括：
获取待检测的水泥装填袋的袋口图像；
将所述图像输入根据如权利...

【专利技术属性】
技术研发人员：刘建明，
申请(专利权)人：扬州高斯信息技术有限公司，
类型：发明
国别省市：江苏;32