工況的準(zhǔn)確判別對(duì)于電熔鎂爐的生產(chǎn)至關(guān)重要,工業(yè)現(xiàn)場(chǎng)都是根據(jù)3-5s的火焰狀況來(lái)判斷熔煉工況的,利用監(jiān)控視頻去做電熔鎂爐工況的判別時(shí),就需要基于時(shí)間序列來(lái)做視頻圖像的工況分類。而在數(shù)據(jù)預(yù)處理過(guò)程中如何對(duì)電熔鎂爐生產(chǎn)過(guò)程中的動(dòng)態(tài)視頻圖像進(jìn)行分段就是其中的關(guān)鍵問(wèn)題。提出了一種電熔鎂爐監(jiān)控視頻的無(wú)監(jiān)督分段方法。該方法包含兩個(gè)主要步驟:視頻圖像特征提取和基于特征序列的時(shí)間序列分段:圖像特征提取的目標(biāo)是提取出能表示原圖像的數(shù)據(jù)特征;自適應(yīng)分段的目標(biāo)是構(gòu)造以段為最小單元的數(shù)據(jù)樣本集,每個(gè)數(shù)據(jù)段是由相等長(zhǎng)度的圖像特征向量序列組成,同時(shí)段內(nèi)數(shù)據(jù)盡可能具有相同的分布。最后,采用實(shí)際數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明了所提方法的有效性。 

【文章來(lái)源】：控制工程. 2020,27(09)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

四種主要工況可視特征示例Fig.1Examplesofvisualcharacteristicsforfourmainworkingconditions

第9期劉曉麗等：電熔鎂爐監(jiān)控視頻的無(wú)監(jiān)督分段方法·1515·圖2方法流程圖Fig.2Flowchartofmethod3.2圖像特征提取算法實(shí)際工業(yè)生產(chǎn)中，基于圖像的工況識(shí)別技術(shù)大多需要人工設(shè)計(jì)圖像特征，例如文獻(xiàn)[11,12]等。這類方法存在的普遍問(wèn)題是特征的泛化性能不理想，當(dāng)生產(chǎn)條件發(fā)生變化時(shí)，往往需要重新設(shè)計(jì)特征。自編碼器是一種從無(wú)標(biāo)記數(shù)據(jù)中自動(dòng)提取特征的方法，通常利用基于神經(jīng)元網(wǎng)絡(luò)的非線性逼近器來(lái)建立對(duì)原始數(shù)據(jù)空間的低維表示。自編碼神經(jīng)網(wǎng)絡(luò)應(yīng)用的是一種無(wú)監(jiān)督學(xué)習(xí)策略，在無(wú)標(biāo)簽的情況下我們假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入與輸出是相同的，然后調(diào)整其參數(shù)，得到每一層的權(quán)重，得到輸入集中不同的表示（每一層都代表一種表示）。自編碼器包括兩個(gè)部分：編碼部分和解碼部分。編碼部分可以看作是一個(gè)降維壓縮的過(guò)程，編碼階段的最后一層即我們所要提取的最終特征層；解碼部分可以看做解壓的過(guò)程，解碼部分的存在是為了確保我們提取出來(lái)的信息的有效性。本文采取深度卷積自編碼技術(shù)來(lái)提取特征。整體網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。圖3預(yù)處理自編碼器結(jié)構(gòu)Fig.3Thestructureofpreprocessingconvolutionauto-encoder圖3中，編碼器采用5層池化層，每層池化層后接一個(gè)卷積層以平滑圖像；解碼階段采用5層上采樣層，每層上采樣層之后接一個(gè)卷積層以平滑圖像。池化層的池化方式為maxpooling，池化大小為(2,2)，即在水平豎直兩個(gè)方向上采樣范圍為(2,2)。卷積層采用二維平面卷積，卷積核大小為(3,3)。其中，訓(xùn)練期間參數(shù)配置：輸入維度為64×128×3；輸出維度為64×128×3；訓(xùn)練目標(biāo)：使得輸入層與輸出層盡量相近；訓(xùn)練階段的loss:均方誤差；優(yōu)化函數(shù)：adam函數(shù)，學(xué)習(xí)速

近器來(lái)建立對(duì)原始數(shù)據(jù)空間的低維表示。自編碼神經(jīng)網(wǎng)絡(luò)應(yīng)用的是一種無(wú)監(jiān)督學(xué)習(xí)策略，在無(wú)標(biāo)簽的情況下我們假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入與輸出是相同的，然后調(diào)整其參數(shù)，得到每一層的權(quán)重，得到輸入集中不同的表示（每一層都代表一種表示）。自編碼器包括兩個(gè)部分：編碼部分和解碼部分。編碼部分可以看作是一個(gè)降維壓縮的過(guò)程，編碼階段的最后一層即我們所要提取的最終特征層；解碼部分可以看做解壓的過(guò)程，解碼部分的存在是為了確保我們提取出來(lái)的信息的有效性。本文采取深度卷積自編碼技術(shù)來(lái)提取特征。整體網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。圖3預(yù)處理自編碼器結(jié)構(gòu)Fig.3Thestructureofpreprocessingconvolutionauto-encoder圖3中，編碼器采用5層池化層，每層池化層后接一個(gè)卷積層以平滑圖像；解碼階段采用5層上采樣層，每層上采樣層之后接一個(gè)卷積層以平滑圖像。池化層的池化方式為maxpooling，池化大小為(2,2)，即在水平豎直兩個(gè)方向上采樣范圍為(2,2)。卷積層采用二維平面卷積，卷積核大小為(3,3)。其中，訓(xùn)練期間參數(shù)配置：輸入維度為64×128×3；輸出維度為64×128×3；訓(xùn)練目標(biāo)：使得輸入層與輸出層盡量相近；訓(xùn)練階段的loss:均方誤差；優(yōu)化函數(shù)：adam函數(shù)，學(xué)習(xí)速率默認(rèn)為0.01；訓(xùn)練階段選取的batch_size為128，迭代次數(shù)epoches為50。訓(xùn)練好模型參數(shù)后，給定新的圖像數(shù)據(jù)，利用網(wǎng)絡(luò)中的編碼部分（即如圖3所示的網(wǎng)絡(luò)結(jié)構(gòu)部分），即訓(xùn)練好的編碼部分的權(quán)值參數(shù)，來(lái)提取新圖像數(shù)據(jù)的特征。3.3基于Q指標(biāo)的多變量時(shí)間序列數(shù)據(jù)的自適應(yīng)分段算法目前，已經(jīng)提出的時(shí)間序列分段算法大體上可以分為3類[9]：①分為最優(yōu)的固定k段子序列；

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合泡沫圖像多特征及模糊數(shù)學(xué)的浮選工況評(píng)判[J]. 吳倩,廖一鵬.  微型機(jī)與應(yīng)用. 2017(12)
[2]基于時(shí)態(tài)邊緣算子的時(shí)間序列分段線性表示[J]. 肖輝,馬海兵,龔薇.  計(jì)算機(jī)工程與應(yīng)用. 2008(19)
[3]基于層次聚類的時(shí)間序列在線劃分算法[J]. 杜奕,盧德唐,李道倫,查文舒.  模式識(shí)別與人工智能. 2007(03)
[4]基于判定系數(shù)和趨勢(shì)變動(dòng)的時(shí)間序列逐段線性回歸[J]. 黃超,龔惠群.  統(tǒng)計(jì)與決策. 2006(24)
[5]基于斜率提取邊緣點(diǎn)的時(shí)間序列分段線性表示方法[J]. 詹艷艷,徐榮聰,陳曉云.  計(jì)算機(jī)科學(xué). 2006(11)



本文編號(hào)：3478071