[发明专利]长寿命耐火砖的制备系统及其制备方法

权利要求书

1.一种长寿命耐火砖的制备系统，其特征在于，包括：

落料数据采集模块，用于获取由相机采集的秤料斗落料后的落料图像；

第一落料图像编码模块，用于将所述落料图像通过使用第一空洞卷积核的第一卷积神经网络以得到第一特征图，其中，所述第一空洞卷积核具有第一空洞率；

第二落料图像编码模块，用于将所述落料图像通过使用第二空洞卷积核的第二卷积神经网络以得到第二特征图，其中，所述第二空洞卷积核具有第二空洞率，所述第一空洞率大于所述第二空洞率；

异感受野差异评估模块，用于计算所述第一特征图与所述第二特征图之间的差分特征图；

特征值校正模块，用于对所述差分特征图中各个位置的特征值进行校正以得到校正后差分特征图；

制备中落料结果生成单元，用于将所述校正后差分特征图通过分类器以得到分类结果，所述分类结果用于表示落料后粒度均匀度是否满足预定标准。

2.根据权利要求1所述的长寿命耐火砖的制备系统，其特征在于，所述第一落料图像编码模块，用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行基于所述第一空洞卷积核的卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述落料图像，所述第一空洞卷积核表示为K₁^W×H∈K^W×H,所述第一空洞卷积核具有第一空洞率。

3.根据权利要求2所述的长寿命耐火砖的制备系统，其特征在于，所述第二落料图像编码模块，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对输入数据分别进行基于所述第二空洞卷积核的卷积处理、池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述落料图像，所述第二空洞卷积核表示为K₂^W×H∈K^W×H,所述第二空洞卷积核具有第二空洞率，且所述第一空洞率大于所述第二空洞率。

4.根据权利要求3所述的长寿命耐火砖的制备系统，其特征在于，所述异感受野差异评估模块，用于：以如下公式计算所述第一特征图与所述第二特征图之间的所述差分特征图；

其中，所述公式为：

其中F₁表示所述第一特征图，F₂表示所述第二特征图，F_c表示所述差分特征图，表示特征图的按位置减法。

5.根据权利要求4所述的长寿命耐火砖的制备系统，其特征在于，所述特征值校正模块，包括：

概率化单元，用于将所述差分特征图映射到概率空间以使得所述差分特征图中各个位置的特征值在0到1的区间内；

特征值修正单元，用于基于所述差分特征图的映射到概率空间的特征值，以如下公式对所述差分特征图中各个位置的特征值进行校正以得到所述校正后差分特征图；

其中，所述公式为：

其中f_i和f_j分别是所述差分特征图的映射到概率空间的第i个位置和第j个位置的特征值，d(f_i,f_j)表示所述第i个位置的特征值和所述第j个位置的特征值之间的距离，且ρ为超参数。

6.根据权利要求5所述的长寿命耐火砖的制备系统，其特征在于，所述制备中落料结果生成单元，用于所述分类器以如下公式对所述校正后差分特征图进行处理以生成分类结果，其中，所述公式为：softmax(W_n,B_n):…:(W₁,B₁)│Project(F)，其中Project(F)表示将所述校正后差分特征图投影为向量，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。