本發(fā)明屬于機(jī)器學(xué)習(xí)，具體涉及一種基于物理約束驅(qū)動(dòng)的回歸學(xué)習(xí)模型的廢鋼物理屬性量化方法，尤其涉及一種將物理先驗(yàn)知識(shí)編碼為損失函數(shù)方向約束的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及裝置。
背景技術(shù)：
1、早期及部分現(xiàn)有的廢鋼判級(jí)主要依賴人工目測(cè)結(jié)合簡(jiǎn)單機(jī)械分選。工人根據(jù)經(jīng)驗(yàn)對(duì)廢鋼的厚度、形狀及雜質(zhì)進(jìn)行估測(cè)。然而，該方式存在極大的主觀性，判級(jí)標(biāo)準(zhǔn)執(zhí)行不統(tǒng)一，且現(xiàn)場(chǎng)工作環(huán)境惡劣，勞動(dòng)強(qiáng)度大，難以實(shí)現(xiàn)全天候的實(shí)時(shí)精準(zhǔn)監(jiān)管。
2、部分現(xiàn)有技術(shù)嘗試?yán)眉す鈷呙鑳x或3d相機(jī)獲取廢鋼車廂的表面點(diǎn)云數(shù)據(jù)，通過(guò)計(jì)算體積和重量比來(lái)推算堆積密度從而進(jìn)行判級(jí)。然而，該類精密光學(xué)設(shè)備成本高昂，且在廢鋼現(xiàn)場(chǎng)高粉塵、強(qiáng)震動(dòng)的環(huán)境下極易損壞，維護(hù)難度大，同時(shí)難以獲取被遮擋內(nèi)部廢鋼的單體物理屬性。
3、隨著深度學(xué)習(xí)的發(fā)展，主流技術(shù)路線采用resnet、vgg等通用分類網(wǎng)絡(luò)將廢鋼圖像進(jìn)行直接分類。然而，這種將連續(xù)變化的物理規(guī)格強(qiáng)行劃分為正交類別的剛性分類方式，忽略了類間物理屬性的有序性，導(dǎo)致模型在處理處于分類邊界附近的樣本時(shí)泛化能力差，細(xì)粒度分類準(zhǔn)確率難以突破瓶頸。從機(jī)器學(xué)習(xí)范式的角度分析，上述缺陷的深層原因在于：常規(guī)分類模型所采用的離散獨(dú)熱編碼監(jiān)督信號(hào)，無(wú)法表達(dá)物理屬性本身的連續(xù)有序結(jié)構(gòu)；將有序回歸問(wèn)題退化為離散分類問(wèn)題，導(dǎo)致模型對(duì)“閾值附近”的微小物理差異缺乏感知能力，在類別邊界處產(chǎn)生結(jié)構(gòu)性混淆。
4、公開(kāi)號(hào)為cn109919243a，名稱為《一種基于cnn的廢鋼鐵種類自動(dòng)識(shí)別方法及裝置》的專利文獻(xiàn)，通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，利用半監(jiān)督策略優(yōu)化參數(shù)，最終通過(guò)全連接層輸出圖像屬于各個(gè)離散類別的概率以實(shí)現(xiàn)自動(dòng)識(shí)別。然而該方法采用端到端的離散分類范式，忽略了廢鋼物理屬性的連續(xù)性和有序性，導(dǎo)致模型在處理處于分類邊界的樣本時(shí)極易混淆。此外，直接輸出類別標(biāo)簽使得判級(jí)結(jié)果缺乏物理數(shù)值支撐，無(wú)法滿足高精度驗(yàn)質(zhì)的可解釋性需求。
5、公開(kāi)號(hào)為cn120495717a，名稱為《一種基于機(jī)器視覺(jué)的ai廢鋼料型識(shí)別方法》的專利文獻(xiàn)，基于改進(jìn)的yolov7網(wǎng)絡(luò)建立目標(biāo)檢測(cè)模型，通過(guò)添加實(shí)例分割頭和優(yōu)化損失函數(shù)識(shí)別廢鋼種類及數(shù)量，并與標(biāo)準(zhǔn)庫(kù)對(duì)比得到判級(jí)結(jié)果。然而該方法核心邏輯仍基于“視覺(jué)特征到類別標(biāo)簽”的剛性映射，僅能定性分類而無(wú)法感知具體的物理屬性數(shù)值。這種剛性分類難以適應(yīng)廢鋼非標(biāo)產(chǎn)品的柔性公差，對(duì)于因環(huán)境因素導(dǎo)致視覺(jué)特征變化但物理屬性未變的樣本容易發(fā)生誤判。
6、上述現(xiàn)有技術(shù)的共性缺陷在于：監(jiān)督學(xué)習(xí)任務(wù)的構(gòu)造層面，均采用離散類別標(biāo)簽或常規(guī)回歸標(biāo)簽作為訓(xùn)練目標(biāo)，損失函數(shù)對(duì)所有預(yù)測(cè)偏差施加各向同性的對(duì)稱懲罰；這種對(duì)稱懲罰機(jī)制無(wú)法將“物理屬性值僅需滿足單向邊界約束即可合規(guī)”的先驗(yàn)知識(shí)顯式編碼至模型訓(xùn)練過(guò)程中，導(dǎo)致模型被迫學(xué)習(xí)一個(gè)不存在的“精確值”，而非學(xué)習(xí)一個(gè)符合物理約束的“可行區(qū)間”，加劇了邊界混淆并限制了泛化能力。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)存在的缺陷和不足，本發(fā)明提供一種基于物理屬性數(shù)值化映射的廢鋼物理屬性量化方法。該方法將傳統(tǒng)廢鋼圖像從離散分類范式重構(gòu)為多維物理屬性回歸任務(wù)，依據(jù)預(yù)設(shè)的廢鋼分類標(biāo)準(zhǔn)，將每個(gè)離散類別標(biāo)簽映射為一個(gè)多維連續(xù)物理屬性目標(biāo)向量，該向量的每一維度對(duì)應(yīng)一項(xiàng)關(guān)鍵物理屬性，并分別為其關(guān)聯(lián)方向掩碼和屬性有效性掩碼；其中，方向掩碼用于標(biāo)識(shí)對(duì)應(yīng)物理屬性的約束方向，屬性有效性掩碼用于標(biāo)識(shí)該屬性在當(dāng)前廢鋼類別中是否適用。在此基礎(chǔ)上，將廢鋼圖像輸入以深度殘差網(wǎng)絡(luò)為主干、以全連接回歸層為輸出的神經(jīng)網(wǎng)絡(luò)模型，獲得與目標(biāo)向量維度匹配的多維物理屬性預(yù)測(cè)向量。模型訓(xùn)練時(shí)，構(gòu)建一種非對(duì)稱復(fù)合損失函數(shù)，該損失函數(shù)包含均方差形式的基礎(chǔ)回歸損失項(xiàng)，以及結(jié)合方向掩碼與屬性有效性掩碼的方向非對(duì)稱約束損失項(xiàng)；其中，方向非對(duì)稱約束損失項(xiàng)對(duì)預(yù)測(cè)偏差施加非對(duì)稱懲罰，當(dāng)預(yù)測(cè)值相對(duì)于目標(biāo)值的偏差方向符合方向掩碼所標(biāo)識(shí)的約束方向時(shí)，懲罰趨于零，允許模型在合規(guī)方向上形成柔性預(yù)測(cè)裕度，當(dāng)偏差方向違背約束方向時(shí)，則施加上限趨近的懲罰以強(qiáng)制修正。訓(xùn)練收斂后，模型直接輸出包含各關(guān)鍵物理屬性量化數(shù)值的預(yù)測(cè)向量。該方法輸出的物理屬性量化結(jié)果可直接用于廢鋼判級(jí)，當(dāng)廢鋼分類標(biāo)準(zhǔn)變更時(shí)，僅需調(diào)整判級(jí)邏輯閾值，無(wú)需重新訓(xùn)練模型。由此，本發(fā)明實(shí)現(xiàn)了對(duì)廢鋼非結(jié)構(gòu)化圖像的結(jié)構(gòu)化物理量化表征，克服了現(xiàn)有離散分類范式在類別邊界處泛化能力差、缺乏物理數(shù)值支撐的缺陷。
2、本發(fā)明解決其技術(shù)問(wèn)題具體采用的技術(shù)方案是：
3、一種基于物理屬性數(shù)值化映射的廢鋼物理屬性量化方法，包括以下步驟：
4、獲取廢鋼圖像樣本，基于預(yù)設(shè)的廢鋼分類標(biāo)準(zhǔn)，將廢鋼圖像對(duì)應(yīng)的離散類別標(biāo)簽轉(zhuǎn)換為多維連續(xù)物理屬性目標(biāo)向量；所述多維連續(xù)物理屬性目標(biāo)向量的每個(gè)維度對(duì)應(yīng)一項(xiàng)廢鋼關(guān)鍵物理屬性，每個(gè)維度均關(guān)聯(lián)有方向掩碼與屬性有效性掩碼，所述方向掩碼用于標(biāo)識(shí)對(duì)應(yīng)物理屬性的約束方向，所述屬性有效性掩碼用于標(biāo)識(shí)對(duì)應(yīng)物理屬性是否適用于當(dāng)前廢鋼類別；
5、將廢鋼圖像輸入神經(jīng)網(wǎng)絡(luò)模型，輸出與所述多維連續(xù)物理屬性目標(biāo)向量維度匹配的多維物理屬性預(yù)測(cè)向量；
6、計(jì)算非對(duì)稱復(fù)合損失函數(shù)，所述非對(duì)稱復(fù)合損失函數(shù)包括基礎(chǔ)回歸損失項(xiàng)與方向非對(duì)稱約束損失項(xiàng)；所述基礎(chǔ)回歸損失項(xiàng)結(jié)合所述屬性有效性掩碼屏蔽無(wú)效維度的損失貢獻(xiàn)，約束多維物理屬性預(yù)測(cè)向量向多維連續(xù)物理屬性目標(biāo)向量逼近；所述方向非對(duì)稱約束損失項(xiàng)結(jié)合所述方向掩碼與屬性有效性掩碼，對(duì)預(yù)測(cè)向量違背物理約束方向的偏差施加大于符合約束方向偏差的懲罰；
7、利用所述非對(duì)稱復(fù)合損失函數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，輸出廢鋼多維物理屬性量化結(jié)果。
8、進(jìn)一步地，所述方向掩碼的賦值規(guī)則為：當(dāng)對(duì)應(yīng)物理屬性的約束為不小于預(yù)設(shè)閾值時(shí)，方向掩碼賦值為1；當(dāng)對(duì)應(yīng)物理屬性的約束為不大于預(yù)設(shè)閾值時(shí)，方向掩碼賦值為-1。需要說(shuō)明的是，在本方案所依據(jù)的廢鋼分類標(biāo)準(zhǔn)中，同一物理屬性維度對(duì)同一廢鋼類別僅存在單一約束方向，兩類約束不會(huì)在同一屬性維度上同時(shí)出現(xiàn)，故不存在賦值沖突的前提。極端情況下，當(dāng)模型預(yù)測(cè)值恰好等于標(biāo)簽閾值時(shí)，該點(diǎn)本身即為合規(guī)的邊界點(diǎn)，方向非對(duì)稱約束損失項(xiàng)在該點(diǎn)的貢獻(xiàn)為常數(shù)且量級(jí)極小，不會(huì)改變模型向合規(guī)區(qū)間收斂的整體趨勢(shì)，模型仍能正確訓(xùn)練并輸出符合物理約束的預(yù)測(cè)結(jié)果。
9、進(jìn)一步地，所述屬性有效性掩碼的賦值規(guī)則為：當(dāng)對(duì)應(yīng)物理屬性適用于當(dāng)前廢鋼類別時(shí)，屬性有效性掩碼賦值為1；當(dāng)對(duì)應(yīng)物理屬性不適用于當(dāng)前廢鋼類別時(shí)，屬性有效性掩碼賦值為0，無(wú)效物理屬性維度的損失貢獻(xiàn)被屏蔽，不參與梯度反向傳播。
10、進(jìn)一步地，對(duì)所述多維連續(xù)物理屬性目標(biāo)向量進(jìn)行帶安全裕度的線性歸一化處理，將目標(biāo)向量的數(shù)值映射至[δ,?1-δ]區(qū)間，其中δ為預(yù)設(shè)安全裕度常數(shù)，生成最終監(jiān)督標(biāo)簽。
11、進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)模型包括深度殘差主干網(wǎng)絡(luò)、特征聚合模塊與物理屬性回歸層；所述深度殘差主干網(wǎng)絡(luò)用于提取廢鋼圖像的深層高維語(yǔ)義特征，所述特征聚合模塊用于對(duì)語(yǔ)義特征進(jìn)行空間維度壓縮得到全局特征向量，所述物理屬性回歸層由線性全連接層與sigmoid激活函數(shù)構(gòu)成，用于將全局特征向量映射至歸一化后的物理屬性數(shù)值空間，輸出多維物理屬性預(yù)測(cè)向量。
12、進(jìn)一步地，所述基礎(chǔ)回歸損失項(xiàng)為均方差損失，所述方向非對(duì)稱約束損失項(xiàng)基于sigmoid函數(shù)，對(duì)違背物理約束方向的預(yù)測(cè)偏差施加非線性懲罰，使得違背方向的偏差受到趨向于預(yù)設(shè)上限值的懲罰，符合方向的偏差懲罰趨向于零。
13、進(jìn)一步地，所述廢鋼關(guān)鍵物理屬性包括厚度、圓柱實(shí)心體直徑、幾何尺寸、最小厚度、占比。
14、進(jìn)一步地，訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型輸出的多維物理屬性量化結(jié)果用于廢鋼判級(jí)，基于所述量化結(jié)果與預(yù)設(shè)的邏輯閾值完成廢鋼分類，當(dāng)廢鋼分類標(biāo)準(zhǔn)變更時(shí)，僅調(diào)整所述邏輯閾值即完成適配，無(wú)需重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。
15、以及，一種基于物理屬性數(shù)值化映射的廢鋼物理屬性量化系統(tǒng)，包括：
16、數(shù)據(jù)預(yù)處理模塊，用于獲取廢鋼圖像，基于預(yù)設(shè)的廢鋼分類標(biāo)準(zhǔn)，將廢鋼圖像對(duì)應(yīng)的離散類別標(biāo)簽轉(zhuǎn)換為多維連續(xù)物理屬性目標(biāo)向量；所述多維連續(xù)物理屬性目標(biāo)向量的每個(gè)維度對(duì)應(yīng)一項(xiàng)廢鋼關(guān)鍵物理屬性，每個(gè)維度均關(guān)聯(lián)有方向掩碼與屬性有效性掩碼，所述方向掩碼用于標(biāo)識(shí)對(duì)應(yīng)物理屬性的約束方向，所述屬性有效性掩碼用于標(biāo)識(shí)對(duì)應(yīng)物理屬性是否適用于當(dāng)前廢鋼類別；
17、特征提取與回歸模塊，用于將廢鋼圖像輸入神經(jīng)網(wǎng)絡(luò)模型，輸出與所述多維連續(xù)物理屬性目標(biāo)向量維度匹配的多維物理屬性預(yù)測(cè)向量；
18、損失計(jì)算模塊，用于計(jì)算非對(duì)稱復(fù)合損失函數(shù)，所述非對(duì)稱復(fù)合損失函數(shù)包括基礎(chǔ)回歸損失項(xiàng)與方向非對(duì)稱約束損失項(xiàng)；所述基礎(chǔ)回歸損失項(xiàng)結(jié)合所述屬性有效性掩碼屏蔽無(wú)效維度的損失貢獻(xiàn)，約束多維物理屬性預(yù)測(cè)向量向多維連續(xù)物理屬性目標(biāo)向量逼近；所述方向非對(duì)稱約束損失項(xiàng)結(jié)合所述方向掩碼與屬性有效性掩碼，對(duì)預(yù)測(cè)向量違背物理約束方向的偏差施加大于符合約束方向偏差的懲罰；
19、模型訓(xùn)練模塊，用于利用所述非對(duì)稱復(fù)合損失函數(shù)訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型，輸出廢鋼多維物理屬性量化結(jié)果。
20、進(jìn)一步地，所述特征提取與回歸模塊內(nèi)置的神經(jīng)網(wǎng)絡(luò)模型包括深度殘差主干網(wǎng)絡(luò)、特征聚合模塊與物理屬性回歸層；所述深度殘差主干網(wǎng)絡(luò)用于提取廢鋼圖像的深層高維語(yǔ)義特征，所述特征聚合模塊用于對(duì)語(yǔ)義特征進(jìn)行空間維度壓縮得到全局特征向量，所述物理屬性回歸層由線性全連接層與sigmoid激活函數(shù)構(gòu)成，用于將全局特征向量映射至歸一化后的物理屬性數(shù)值空間，輸出多維物理屬性預(yù)測(cè)向量。
21、以及，一種計(jì)算機(jī)系統(tǒng)，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的方法。
22、一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的方法。
23、相比于現(xiàn)有技術(shù)，本發(fā)明及其優(yōu)選方案至少包括以下有益效果：
24、首先，本發(fā)明將傳統(tǒng)廢鋼判級(jí)的剛性離散分類任務(wù)重構(gòu)為多維物理屬性的回歸量化任務(wù)，從根本上解決了現(xiàn)有分類方案忽略廢鋼物理屬性連續(xù)性與有序性的固有缺陷，有效提升了分類邊界附近樣本的模型泛化能力，同時(shí)實(shí)現(xiàn)了模型與判級(jí)標(biāo)準(zhǔn)的解耦，當(dāng)驗(yàn)質(zhì)標(biāo)準(zhǔn)發(fā)生變更時(shí)，無(wú)需重新訓(xùn)練模型即可完成適配，大幅降低了工業(yè)現(xiàn)場(chǎng)的部署與維護(hù)成本。其次，本發(fā)明通過(guò)方向掩碼與屬性有效性掩碼的配套設(shè)計(jì)，既將廢鋼判級(jí)的物理約束先驗(yàn)知識(shí)顯式編碼至模型訓(xùn)練過(guò)程中，又可屏蔽無(wú)效屬性維度對(duì)模型訓(xùn)練的干擾，實(shí)現(xiàn)了全類別樣本的聯(lián)合訓(xùn)練，無(wú)需為不同廢鋼類別單獨(dú)構(gòu)建模型，提升了模型的通用性與訓(xùn)練效率。再者，本發(fā)明設(shè)計(jì)的非對(duì)稱復(fù)合損失函數(shù)，摒棄了傳統(tǒng)回歸任務(wù)對(duì)所有預(yù)測(cè)偏差施加對(duì)稱懲罰的常規(guī)機(jī)制，可驅(qū)動(dòng)模型學(xué)習(xí)符合物理約束規(guī)則的柔性預(yù)測(cè)邊界，而非強(qiáng)制擬合單一固定精確值，有效提升了模型在復(fù)雜工業(yè)環(huán)境下的抗干擾能力與魯棒性，適配廢鋼非標(biāo)產(chǎn)品的柔性公差需求。最后，本發(fā)明直接輸出可直觀解讀的廢鋼關(guān)鍵物理屬性量化數(shù)值，替代了現(xiàn)有技術(shù)的黑盒類別標(biāo)簽輸出，為廢鋼自動(dòng)判級(jí)、全流程質(zhì)量追溯提供了客觀可解釋的數(shù)據(jù)支撐，滿足工業(yè)場(chǎng)景高精度驗(yàn)質(zhì)的合規(guī)性與可追溯性需求，同時(shí)無(wú)需依賴昂貴的精密光學(xué)檢測(cè)設(shè)備，降低了硬件部署成本與惡劣現(xiàn)場(chǎng)環(huán)境的適配難度。