[发明专利]用于清理操作的智能状态控制的神经网络的训练方法

权利要求书

1.一种用于清理操作的智能状态控制的神经网络的训练方法，其特征在于，包括：

获取砂轮机在去除线筒的尾砂的过程中的多个线筒图像并将所述多个线筒图像按照时间序列进行排布以获得线筒图像序列；

将所述线筒图像序列中每个所述线筒图像通过深度卷积神经网络，以获得特征图序列；

将所述特征图序列中所有特征图进行相乘，以获得连续特征图；

提取所述特征图序列中时间最晚的最后特征图；

将所述连续特征图和所述最后特征图分别通过预分类器，以获得所述连续特征图和所述最后特征图分别归属于标签真值的第一概率值和第二概率值；

计算所述第一概率值和第二概率值之差作为连续分布概率损失函数值；

将所述最后特征图通过分类器，以获得分类损失函数值；以及

基于所述连续分布概率损失函数值和所述分类损失函数值，更新所述深度卷积神经网络的参数。

2.根据权利要求1所述的用于清理操作的智能状态控制的神经网络的训练方法，其中，将所述连续特征图和所述最后特征图分别通过预分类器，以获得所述连续特征图和所述最后特征图分别归属于标签真值的第一概率值和第二概率值，包括：

将所述连续特征图通过多个卷积层，以获得第一卷积特征图；

将所述第一卷积特征图通过全连接层，以获得第一预分类特征向量；及

将所述第一预分类特征向量输入Softmax函数，以获得所述连续特征图归属于标签真值的第一概率值。

3.根据权利要求2所述的用于清理操作的智能状态控制的神经网络的训练方法，其中，将所述连续特征图和所述最后特征图分别通过预分类器，以获得所述连续特征图和所述最后特征图分别归属于标签真值的第一概率值和第二概率值，包括：

将所述最后特征图通过多个卷积层，以获得第二卷积特征图；

将所述第二卷积特征图通过全连接层，以获得第二预分类特征向量；及

将所述第二预分类特征向量输入Softmax函数，以获得所述最后特征图归属于标签真值的第二概率值。

4.根据权利要求1所述的用于清理操作的智能状态控制的神经网络的训练方法，其中，将所述连续特征图通过分类器，以获得分类损失函数值，包括：

将所述连续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交叉熵损失函数，以获得所述分类损失函数值。

5.根据权利要求1所述的用于清理操作的智能状态控制的神经网络的训练方法，其中，所述深度卷积神经网络为深度残差网络。

6.根据权利要求1所述的用于清理操作的智能状态控制的神经网络的训练方法，其中，基于所述连续分布概率损失函数值和所述分类损失函数值，更新所述深度卷积神经网络的参数，包括：

基于所述连续分布概率损失函数值，更新所述深度卷积神经网络的参数；

基于所述分类损失函数值，更新所述深度卷积神经网络的参数。

7.一种基于深度神经网络的智能除纱控制方法，其特征在于，包括：

获取待检测的砂轮机在去除线筒的尾砂时的线筒图像；

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清理操作的智能状态控制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，所述分类器的输出为表示对应于砂轮机停止工作的第一概率和砂轮机继续工作的第二概率；以及

基于所述第一概率和所述第二概率生成是否控制砂轮机停止工作的控制结果。