一种土壤环境检测样品筛分装置制造方法及图纸

公开了一种土壤环境检测样品筛分装置，其采用基于深度学习的人工智能控制算法来对于所监控和采集的数据进行分析和处理，以进行第一至第三小型振动器的工作模式调整。在此过程中，以所述第一和第三小型振动器的振动协同特征以及所述土壤环境样品的筛分状态的时序动态特征之间的响应性估计来表示这两者之间的关联性特征信息，以此得到用于表示第一至第三小型振动器的工作模式组合是否需调整的分类结果，进而基于所述分类结果来对于所述第一至第三小型振动器的工作模式组合进行配置。第三小型振动器的工作模式组合进行配置。第三小型振动器的工作模式组合进行配置。

【技术实现步骤摘要】
一种土壤环境检测样品筛分装置


[0001]本申请涉及土壤环境检测
，且更为具体的涉及一种土壤环境检测样品筛分装置。

技术介绍

[0002]土壤环境检测是通过采集环境检测样品，将样品对影响土壤环境质量因素的代表值的测定，确定环境质量及其变化趋势，但土壤环境样品通常人工采用筛子进行筛分，筛分过程费时费力，筛分时容易将土壤环境样品洒出，导致土壤环境样品筛分效率慢且容易发生损耗的问题。
[0003]针对上述技术问题，中国专利CN 216174163提出了一种土壤环境检测样品筛分装置，其利用筛分连动装置和小型振动器，将第一筛分盒、第二筛分盒和第三筛分盒连接在一起，通过小型振动器带动筛分连动装置进行震动，使第一筛分盒内部的土壤环境样品落入三层不同孔径的滤网，便于机械化筛分土壤环境样品。
[0004]但是，在该装置的实际运行中，却发现土壤环境样品的筛分效率却无法满足应用要求。经研究发现，该装置的主要问题为动力源只有小型振动器，而在土壤样本被推入第一筛分盒、第二筛分盒和第三筛分盒后，其仅能基于筛分盒的滤网进行自然筛选，效率低下。
[0005]因此，期待一种优化的土壤环境检测样品筛分装置。

技术实现思路

[0006]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土壤环境检测样品筛分装置，其采用基于深度学习的人工智能控制算法来对于所监控和采集的数据进行分析和处理，以进行第一至第三小型振动器的工作模式调整。在此过程中，以所述第一和第三小型振动器的振动协同特征以及所述土壤环境样品的筛分状态的时序动态特征之间的响应性估计来表示这两者之间的关联性特征信息，以此得到用于表示第一至第三小型振动器的工作模式组合是否需调整的分类结果，进而基于所述分类结果来对于所述第一至第三小型振动器的工作模式组合进行配置。
[0007]根据本申请的一个方面，提供了一种土壤环境检测样品筛分装置，其包括：
[0008]工作监控单元，用于获取所述第一至第三筛分盒在预定时间段的第一至第三振动信号，以及，所述预定时间段的土壤环境样品产出监控视频；
[0009]筛出视频编码单元，用于将所述土壤环境样品产出监控视频通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图；
[0010]降维单元，用于对所述监控特征图的沿通道维度的特征矩阵进行全局均值池化以得到监控特征向量；
[0011]振动特征提取单元，用于将所述第一至第三振动信号的波形图分别通过作为过滤器的第二卷积神经网络以得到第一至第三振动特征向量；
[0012]振动关联模式特征提取单元，用于将所述第一至第三振动特征向量排列为向量的
序列后通过双向长短期记忆神经网络以得到振动语义关联特征向量；
[0013]响应性估计单元，用于计算所述监控特征向量相对于所述振动语义关联特征向量的响应性估计以得到分类特征矩阵；以及
[0014]筛分控制单元，用于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第一至第三小型振动器的工作模式组合是否需调整。
[0015]在上述土壤环境检测样品筛分装置中，所述筛出视频编码单元，包括：关键帧提取子单元，用于基于差帧法从所述土壤环境样品产出监控视频提取多个监控关键帧；以及，三维卷积编码子单元，用于将所述多个监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到所述监控特征图。
[0016]在上述土壤环境检测样品筛分装置中，所述三维卷积编码子单元，进一步用于：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分别进行：使用三维卷积核对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述监控特征图，所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。
[0017]在上述土壤环境检测样品筛分装置中，所述振动特征提取单元，进一步用于：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进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量，所述第一卷积神经网络的第一层的输入为所述第一至第三振动信号的波形图。
[0018]在上述土壤环境检测样品筛分装置中，所述响应性估计单元，包括：高斯密度图构造子单元，用于构造所述监控特征向量和所述振动语义关联特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性计算子单元，用于以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：
[0019][0020]其中，μ1、μ2和μ3的每个位置的值分别是所述第一高斯密度图、所述第二高斯密度图和所述响应性高斯密度图的相应位置的特征值的均值，且∑1、∑2和∑3的每个位置的值是所述第一高斯密度图、所述第二高斯密度图和所述响应性高斯密度图的相应位置的特征值的方差，
⊙
表示向量点乘，
⊙‑
1表示对向量的每个位置的值取倒数，且表示矩阵乘法；以及，高斯离散化子单元，用于对所述响应高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
[0021]在上述土壤环境检测样品筛分装置中，所述筛分控制单元，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：softmax{(W
n
,B
n
):
…
:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至W
n
为各层全连接层的权重矩阵，B1至B
n
表示各层全连接层的偏置矩阵。
[0022]在上述土壤环境检测样品筛分装置中，还包括用于对所述使用三维卷积核的第一
卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型、所述双向长短期记忆神经网络和所述分类器进行训练的训练模块。
[0023]在上述土壤环境检测样品筛分装置中，所述训练模块，包括：训练工作监控单元，用于获取训练数据，所述训练数据包括第一至第三筛分盒在预定时间段的第一至第三训练振动信号、所述预定时间段的土壤环境样品产出训练监控视频，以及，所述第一至第三小型振动器的工作模式组合是否需调整的真实值；训练筛出视频编码单元，用于将所述土壤环境样品产出训练监控视频通过所述使用三维卷积核的第一卷积神经网络模型以得到训练监控特征图；训练降维单元，用于对所述训练监控特征图的沿通道维度的特征矩阵进行全局均值池化以得到训练监控特征向量；训练振动特征提取单元，用于将所述第一至第三训练振动信号的波形图分别通过所述作为过滤器的第二卷积神经网络以得到第一至第三训练振本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤环境检测样品筛分装置，其特征在于，包括：工作监控单元，用于获取所述第一至第三筛分盒在预定时间段的第一至第三振动信号，以及，所述预定时间段的土壤环境样品产出监控视频；筛出视频编码单元，用于将所述土壤环境样品产出监控视频通过使用三维卷积核的第一卷积神经网络模型以得到监控特征图；降维单元，用于对所述监控特征图的沿通道维度的特征矩阵进行全局均值池化以得到监控特征向量；振动特征提取单元，用于将所述第一至第三振动信号的波形图分别通过作为过滤器的第二卷积神经网络以得到第一至第三振动特征向量；振动关联模式特征提取单元，用于将所述第一至第三振动特征向量排列为向量的序列后通过双向长短期记忆神经网络以得到振动语义关联特征向量；响应性估计单元，用于计算所述监控特征向量相对于所述振动语义关联特征向量的响应性估计以得到分类特征矩阵；以及筛分控制单元，用于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第一至第三小型振动器的工作模式组合是否需调整。2.根据权利要求1所述的土壤环境检测样品筛分装置，其特征在于，所述筛出视频编码单元，包括：关键帧提取子单元，用于基于差帧法从所述土壤环境样品产出监控视频提取多个监控关键帧；以及三维卷积编码子单元，用于将所述多个监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到所述监控特征图。3.根据权利要求2所述的土壤环境检测样品筛分装置，其特征在于，所述三维卷积编码子单元，进一步用于：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分别进行：使用三维卷积核对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述监控特征图，所述第一卷积神经网络模型的第一层的输入为所述多个监控关键帧。4.根据权利要求3所述的土壤环境检测样品筛分装置，其特征在于，所述振动特征提取单元，进一步用于：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进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述全局位姿特征向量，所述第一卷积神经网络的第一层的输入为所述第一至第三振动信号的波形图。5.根据权利要求4所述的土壤环境检测样品筛分装置，其特征在于，所述响应性估计单元，包括：
高斯密度图构造子单元，用于构造所述监控特征向量和所述振动语义关联特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性计算子单元，用于以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：其中，μ1、μ2和μ3的每个位置的值分别是所述第一高斯密度图、所述第二高斯密度图和所述响应性高斯密度图的相应位置的特征值的均值，且∑1、∑2和∑3的每个位置的值是所述第一高斯密度图、所述第二高斯密度图和所述响应性高斯密度图的相应位置的特征值的方差，
⊙
表示向量点乘，
⊙‑
1表示对向量的每个位置的值取倒数，且表示矩阵乘法...

【专利技术属性】
技术研发人员：蒙丽，李伟，杨永川，曾国机，宁墨奂，段佳辉，田和明，毛玲玲，栾进华，张瑞刚，张雄，
申请(专利权)人：蒙丽，
类型：发明
国别省市：