本发明属于图像识别领域,特别是涉及一种基于动态自适应和stylegan算法的蓖板识别方法。
背景技术:
1、球团矿是一种优质的高炉原料,其具有含铁品位高,冶金性能好,并能长时间贮存和远距离运输等优点。链蓖机是生产球团矿的重要设备之一,由传送带、链条、篦板、驱动装置以及收集装置组成。随着链蓖机的高速运转,极易造成蓖板破损,这对整个工艺流程造成极大损失。
2、近年来,注意力网络在提取图像特征较为突出,注意力机制通常将收集的特征进行加权处理,从而提取图像的特征。但是采用传统注意网络机制并不能提取蓖板机的关键特征。
技术实现思路
1、本发明的目的是提供一种基于动态自适应和stylegan算法的蓖板识别方法,以解决上述现有技术存在的问题。
2、为实现上述目的,本发明提供了一种基于动态自适应和stylegan算法的蓖板识别方法,包括:
3、采集蓖板机的图像,对所述蓖板机的图像进行预处理,获得预处理图像;
4、构建自适应机制网络,通过多头注意力系数和多头注意力机制对所述自适应机制网络进行优化,获得多头自适应机制网络;
5、基于所述多头自适应机制网络对所述预处理图像进行计算,获得全局特征向量并取平均,获得数据特征集;
6、构建条件stylegan算法并训练,基于训练后的条件stylegan算法对所述数据特征集进行计算,生成输出图像;
7、通过softmax分类器对所述输出图像进行区分,完成篦板的破损识别。
8、优选的,构建自适应机制网络,通过多头注意力系数和多头注意力机制对所述自适应机制网络进行优化,获得多头自适应机制网络的过程包括:
9、构建自适应机制网络;
10、通过sigmoid激活函数归一化得到所述多头注意力系数;
11、通过多头注意力机制和所述多头注意力系数对所述自适应机制网络进行优化,获得所述多头自适应机制网络。
12、优选的,所述获得数据特征集的表达式为:
13、
14、其中,k为注意力机制的数量;aij,k表示第k头注意力机制的系数,wyj,k表示第k头注意力机制的权重系数;y′表示数据特征集;σ表示激活函数sigmoid函数,i、j均为多头注意力的节点,j∈n(i)表示j节点是节点i的相邻节点。
15、优选的,基于所述多头自适应机制网络对所述预处理图像进行计算,获得全局特征向量并取平均,获得数据特征集的过程还包括:通过所述多头注意力机制对所述全局特征向量进行整合,获得自适应注意层的最终输出;
16、所述自适应注意层的最终输出的表达式为:
17、y′=γoi+y′
18、其中,参数γ是一个不为0的参数,oi为原数据特征集,y′表示自适应注意层的最终输出。
19、优选的,基于所述条件stylegan算法对所述数据特征集进行计算,生成输出图像的过程包括:
20、将所述数据特征集作为所述条件stylegan算法的判别器的输入,将噪声作为所述条件stylegan算法的生成器的输入;
21、通过所述生成器的映射网络将所述数据特征集映射至潜向量空间进行解耦转换,获得中间向量;
22、通过所述生成器的生成网络对所述中间向量进行处理,获得倍数的控制向量;
23、通过所述生成器和所述判别器对所述倍数的控制向量进行对抗博弈计算,生成所述输出图像。
24、优选的,通过所述生成器和所述判别器对所述倍数的控制向量进行对抗博弈计算,生成所述输出图像的过程还包括:
25、以多次判别器输出值平均值为标准,当判别器的输出高于输出值平均值,则生成器输出生成图像;当判别器的输出低于等于输出值平均值,则生成器与判别器继续博弈对抗,直至判别器的输出值高于输出值平均值从而调节生成器输出。
26、优选的,所述生成器的损失函数的表达式为:
27、
28、其中,lg表示生成器的损失函数,e表示期望,g(z)表示生成器的输入,d(g(z),y)表示判别器与生成器对抗后的判别器的输出结果;z表示生成器的输入,pz表示噪声的概率分布,pdata表示判别器的输出概率分布,y表示多头自适应机制网络输出的特征向量,ez~pz,y~pdata表示生成器输入多头特征向量的输出期望。
29、优选的,所述判别器的损失函数的表达式为:
30、
31、其中,ld表示判别器的损失函数,d(x,y)表示判别器的输出概率,其中x表示历史特征,e(x,y),y~pdata表示判别器的输出期望。
32、优选的,所述条件stylegan算法的表达式为:
33、
34、其中,v是条件stylegan算法定义的损失函数;w表示隐藏的特征信息,ex~pdata(x)表示判别器的输出期望,pdata(x)表示判别器的输出概率分布,d(x,y|w)表示判别器增加隐藏特征信息的输出分布,d(g((z|w),|y))表示判别器增加隐藏特征信息的概率输出分布,g((z|w),y)表示生成器增加隐藏特征信息的特征输入分布。
35、本发明的技术效果为:
36、在图像生成中,本发明提出自适应注意力网络与条件stylegan算法结合的方法,从而生成具有历史特征一致的生成图像。多头自适应注意力网络输出的特征向量作为条件stylegan算法的判别器输入,以噪声为输入的映射网络将特征集映射到潜向量空间,通过映射网络解耦转换得到中间向量;然后,中间向量传给生成网络得到倍数的控制向量,以弥补特征向量缺少;最后通过生成器与判别器的对抗博弈,生成特征权重不同的篦板图像。
37、本发明提出一种动态自适应条件stylegan算法的蓖板破损识别方法,能动态且精确地识别篦板机破损情况,提高识别的准确率,避免链蓖机传输事故的发生,保证生产球团矿工艺安全稳定运行。
1.一种基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,构建自适应机制网络,通过多头注意力系数和多头注意力机制对所述自适应机制网络进行优化,获得多头自适应机制网络的过程包括:
3.根据权利要求1所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,所述获得数据特征集的表达式为:
4.根据权利要求1所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,基于所述多头自适应机制网络对所述预处理图像进行计算,获得全局特征向量并取平均,获得数据特征集的过程还包括:通过所述多头注意力机制对所述全局特征向量进行整合,获得自适应注意层的最终输出;
5.根据权利要求1所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,基于所述条件stylegan算法对所述数据特征集进行计算,生成输出图像的过程包括:
6.根据权利要求5所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,通过所述生成器和所述判别器对所述倍数的控制向量进行对抗博弈计算,生成所述输出图像的过程还包括:
7.根据权利要求5所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,所述生成器的损失函数的表达式为:
8.根据权利要求5所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,所述判别器的损失函数的表达式为:
9.根据权利要求1所述的基于动态自适应和stylegan算法的蓖板识别方法,其特征在于,所述条件stylegan算法的表达式为: