[发明专利]使用概率式信息量表达的智能物料堵塞预警方法

权利要求书

1.一种使用概率式信息量表达的智能物料堵塞预警方法，其特征在于，包括：

获取喂料机在送料过程中的物料传送视频，并从所述物料传送视频中以预定时间间隔截取多个图像帧；

获取参考图像，所述参考图像为所述喂料机在正常送料过程的图像；

将所述多个图像帧和所述参考图像分别通过深度卷积神经网络，以提取出对应于所述多个图像帧的多个送料特征图和对应于所述参考图像的参考特征图；

对于所述多个送料特征图，以类Softmax概率函数分别计算每个所述送料特征图相对于所述参考特征图的信息量，以获得多个信息量的表达值，其中，所述Softmax概率函数用公式表示为：a＝∑exp(xi)/∑exp(yi)，其中a表示信息量，xi是所述送料特征图中每个位置的特征值，yi是所述参考特征图中每个位置的特征值；

将所述多个信息量的表达值以所述多个图像帧的顺序构造为特征向量；

将所述特征向量通过深度神经网络，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量；

将所述时序特征向量通过分类器，以获得分类结果，所述分类结果用于表示是否有可能发生所述喂料机在送料过程中的物料堵塞。

2.根据权利要求1所述的使用概率式信息量表达的智能物料堵塞预警方法，其中，将所述多个信息量的表达值以所述多个图像帧的顺序构造为特征向量，包括：

对所述多个信息量的表达值进行归一化处理；以及

将归一化后的所述多个信息量的表达值以所述多个图像帧的顺序构造为特征向量。

3.根据权利要求1所述的使用概率式信息量表达的智能物料堵塞预警方法，其中，将所述特征向量通过深度神经网络，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量，包括：

将所述特征向量通过多层感知机模型，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量。

4.根据权利要求1所述的使用概率式信息量表达的智能物料堵塞预警方法，其中，将所述特征向量通过深度神经网络，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量，包括：

将所述特征向量通过一维卷积神经网络，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量。

5.根据权利要求1所述的使用概率式信息量表达的智能物料堵塞预警方法，其中，所述深度卷积神经网络为深度残差网络。

6.一种使用概率式信息量表达的智能物料堵塞预警系统，其特征在于，包括：

待检测数据获取单元，用于获取喂料机在送料过程中的物料传送视频，并从所述物料传送视频中以预定时间间隔截取多个图像帧；

参考图像获取单元，用于获取参考图像，所述参考图像为所述喂料机在正常送料过程的图像；

特征图生成单元，用于将所述待检测数据获取单元获得的所述多个图像帧和所述参考图像获取单元获得的所述参考图像分别通过深度卷积神经网络，以提取出对应于所述多个图像帧的多个送料特征图和对应于所述参考图像的参考特征图；

相对信息量计算单元，用于对于所述特征图生成单元获得的所述多个送料特征图，以类Softmax概率函数分别计算每个所述送料特征图相对于所述参考特征图的信息量，以获得多个信息量的表达值，其中，所述Softmax概率函数用公式表示为：a＝∑exp(xi)/∑exp(yi)，其中a表示信息量，xi是所述送料特征图中每个位置的特征值，yi是所述参考特征图中每个位置的特征值；

特征向量构造单元，用于将所述相对信息量计算单元获得的所述多个信息量的表达值以所述多个图像帧的顺序构造为特征向量；

时序特征向量生成单元，用于将所述特征向量构造单元获得的所述特征向量通过深度神经网络，以从所述特征向量中提取出各个位置的特征值之间的按时序的关联特征，以获得时序特征向量；以及

分类结果生成单元，用于将所述时序特征向量生成单元获得的所述时序特征向量通过分类器，以获得分类结果，所述分类结果用于表示是否有可能发生所述喂料机在送料过程中的物料堵塞。