基于物联网的城市基础建设工程设备的控制系统及其方法

摘要

本申请涉及工程设备技术领域，其具体地公开了涉及一种基于物联网的城市基础建设工程设备的控制系统及其方法，其使用基于深度学习的深度神经网络模型对搅拌监控视频和多个预定时间点的微硅粉的流入速度值进行编码，优选的，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此，基于标签值散射响应因数将两者在高维特征空间中的特征表示进行融合以得到分类特征向量，并通过分类器以获得用于表示当前时间点的微硅粉的流入速度值应增大或应减小的分类结果，从而基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

说明书

技术领域

本申请涉及工程设备技术领域，且更为具体地，涉及一种基于物联网的城市基础建设工程设备的控制系统及其方法。

背景技术

混凝土搅拌设备是重要的城市基础建设工程设备。混凝土的原料为混凝土再生集料，其组分包括水泥、粉煤灰、矿粉、再生粗骨料、外加剂、水和微硅粉(作为添加剂)，其中，微硅粉的添加分量以及在搅拌过程中以何种方式加入微硅粉对于成型后的混凝土的质量具有重要作用。

现有的微硅粉的添加方式是在搅拌之前将全部量的微硅粉一次性加入混凝土再生集料中，这种方式下制得的混凝土的成像质量相对较差，且最终的搅拌质量不可在过程中进行优化和微调。

因此，期待一种优化的城市基础建设工程设备的控制系统，其能够基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

近年来，物联网技术的发展使得混凝土搅拌过程中的各项参数能够实现数据化，而人工智能尤其是基于深度学习的神经网络模型的发展为数据的处理和分析提供了强大的技术支持。物联网和人工智能技术的发展为混凝土搅拌过程控制提供了新的解决思路和解决方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网的城市基础建设工程设备的控制系统及其方法，其使用基于深度学习的深度神经网络模型对搅拌监控视频和多个预定时间点的微硅粉的流入速度值进行编码，优选的，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此，基于标签值散射响应因数将两者在高维特征空间中的特征表示进行融合以得到分类特征向量，并通过分类器以获得用于表示当前时间点的微硅粉的流入速度值应增大或应减小的分类结果，从而基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

根据本申请的一个方面，提供了一种基于物联网的城市基础建设工程设备的控制系统，其包括：

搅拌监控视频采集模块，用于获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频；

搅拌视频编码模块，用于将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图；

数据降维模块，用于对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量；

控制速度采集模块，用于获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；

控制速度编码模块，用于将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量；

特征分布融合模块，用于融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量；以及

控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

根据本申请的另一方面，提供了一种基于物联网的城市基础建设工程设备的控制方法，其包括：

获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频；

将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图；

对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量；

获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；

将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量；

融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量；以及

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网的城市基础建设工程设备的控制方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的城市基础建设工程设备的控制方法。

与现有技术相比，本申请提供的一种基于物联网的城市基础建设工程设备的控制系统及其方法，其使用基于深度学习的深度神经网络模型对搅拌监控视频和多个预定时间点的微硅粉的流入速度值进行编码，优选的，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此，基于标签值散射响应因数将两者在高维特征空间中的特征表示进行融合以得到分类特征向量，并通过分类器以获得用于表示当前时间点的微硅粉的流入速度值应增大或应减小的分类结果，从而基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统的应用场景图。

图2图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统的框图示意图。

图3图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中搅拌视频编码模块的框图。

图4图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中控制速度编码模块的框图。

图5图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中特征分布融合模块的框图。

图6图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法的流程图。

图7图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法的系统架构的示意图。

图8图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法中，将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图的流程图。

图9图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如上所述，混凝土搅拌设备是重要的城市基础建设工程设备。混凝土的原料为混凝土再生集料，其组分包括水泥、粉煤灰、矿粉、再生粗骨料、外加剂、水和微硅粉(作为添加剂)，其中，微硅粉的添加分量以及在搅拌过程中以何种方式加入微硅粉对于成型后的混凝土的质量具有重要作用。

现有的微硅粉的添加方式是在搅拌之前将全部量的微硅粉一次性加入混凝土再生集料中，这种方式下制得的混凝土的成像质量相对较差，且最终的搅拌质量不可在过程中进行优化和微调。

因此，期待一种优化的城市基础建设工程设备的控制系统，其能够基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

近年来，物联网技术的发展使得混凝土搅拌过程中的各项参数能够实现数据化，而人工智能尤其是基于深度学习的神经网络模型的发展为数据的处理和分析提供了强大的技术支持。物联网和人工智能技术的发展为混凝土搅拌过程控制提供了新的解决思路和解决方案。

具体地，在本申请的技术方案中，期待基于混凝土的实时搅拌状态来确定微硅粉的加入模式，例如，增大微硅粉的流入速度或者减小微硅粉的流入速度。混净土的实施搅拌状态表示混凝土在搅拌过程中所呈现的理化特征。在本申请实施例中，以摄像头来采集混凝土搅拌过程中的监控视频，即，以摄像头来采集混凝土在搅拌过程中所呈现的理化特性。

在获得混凝土再生集料的搅拌监控视频后，可使用在图像特征提取领域具有优异性能表现的卷积神经网络模型来提取图像中的混凝土理化特征。特别地，在本申请实施例中，因在搅拌过程中混凝土的理化特性的变化是缓慢且连续的，因此，如果直接以常规的卷积神经网络模型对搅拌监控视频进行编码，一方面数据处理量巨大，另一方面，难以捕捉物理特性的动态变化。

因此，在本申请的技术方案中，首先对所述搅拌监控视频进行采样处理，即，以预定采样频率从所述搅拌监控视频中提取预定数量的图像帧，然后，采用使用三维卷积核的卷积神经网络模型对所述预定数量的图像帧进行显式空间编码以得到所述搅拌跟踪特征图。应可以理解，通过采样能够有效地降低数据处理量，而通过三维卷积神经网络能够通过沿时间维度的卷积处理来提取空间维度所表现的混凝土的理化特征在时间维度上的动态变化特征。

进一步地，在确定当前时间点的微硅粉的控制策略时，还需结合微硅粉的历史控制策略。也就是，在确定当前时间点的微硅粉应增加流入速度或应减小流入速度时，需考虑在当前时间点之前的多个预定时间点的微硅粉控制策略。具体地，在本申请的技术方案中，首先通过传感器来采集预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；然后，使用包含一维卷积层的时序编码器对所述多个预定时间点的微硅粉的流入速度值进行时序编码以得到控制特征向量。

接着，融合所述控制特征向量和所述搅拌特征图并通过分类器就可以得到当前时间点的微硅粉控制策略。但考虑到所述控制特征向量和所述搅拌特征图在特征维度上存在差异，因此，首先对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量。在进行维度统一后，将所述将所述控制特征向量和所述搅拌跟踪特征向量进行特征空间的映射以实现融合。

但是，由于在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此分别计算所述控制特征向量V

其中p

该标签值散射响应因数可以基于特征值位置相对于标签概率的散射响应来将特征分布在基于特征和标签值的分类问题的解空间内堆叠为深度结构，从而以类响应角形式提升分类解对所提取的特征的可解释性，从而改进融合后的分类结果的分类性能。这样，提高当前时间点的微硅粉流入策略的控制的准确性，以使得最终制得的混凝土的质量能够满足预定要求。

基于此，本申请提供了一种基于物联网的城市基础建设工程设备的控制系统，其包括：搅拌监控视频采集模块，用于获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频；搅拌视频编码模块，用于将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图；数据降维模块，用于对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量；控制速度采集模块，用于获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；控制速度编码模块，用于将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量；特征分布融合模块，用于融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量；以及，控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

图1图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于混凝土搅拌设备(例如，如图1中所示意的M)旁的摄像头(例如，如图1中所示意的C)采集预定时间段内的混凝土再生集料的搅拌监控视频。接着，通过部署于混凝土搅拌设备中的速度传感器(例如，如图1中所示意的V)采集所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值。然后，将采集的所述搅拌监控视频和所述多个预定时间点的微硅粉的流入速度值输入至部署有基于物联网的城市基础建设工程设备的控制算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述基于物联网的城市基础建设工程设备的控制算法对所述搅拌监控视频和所述多个预定时间点的微硅粉的流入速度值进行处理以生成用于表示当前时间点的微硅粉的流入速度值应增大或应减小的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图2图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统的框图示意图。如图2所示，根据本申请实施例的所述基于物联网的城市基础建设工程设备的控制系统100，包括：搅拌监控视频采集模块110，用于获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频；搅拌视频编码模块120，用于将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图；数据降维模块130，用于对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量；控制速度采集模块140，用于获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；控制速度编码模块150，用于将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量；特征分布融合模块160，用于融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量；以及，控制结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

在本申请实施例中，所述搅拌监控视频采集模块110，用于获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频。如上所述，现有的微硅粉的添加方式是在搅拌之前将全部量的微硅粉一次性加入混凝土再生集料中，这种方式下制得的混凝土的成像质量相对较差，且最终的搅拌质量不可在过程中进行优化和微调。因此，基于混凝土再生集料的搅拌状态来控制当前时间点的微硅粉的流入速度值以提高制得的混凝土的成像质量。这本质上是一个分类问题，即获取混凝土再生集料的搅拌状态，并基于搅拌状态来进行分类以控制当前时间点的微硅粉的流入速度值，以使得流入速度值匹配当前时刻的最佳流入速度值，从而提高制得的混凝土的成像质量。

具体地，在本申请的技术方案中，期待基于混凝土的实时搅拌状态来确定微硅粉的加入模式，例如，增大微硅粉的流入速度或者减小微硅粉的流入速度。混净土的实施搅拌状态表示混凝土在搅拌过程中所呈现的理化特征。在本申请实施例中，以摄像头来采集混凝土搅拌过程中的监控视频，即，以摄像头来采集混凝土在搅拌过程中所呈现的理化特性。

在本申请实施例中，所述搅拌视频编码模块120，用于将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图。应可以理解，在获得混凝土再生集料的搅拌监控视频后，可使用在图像特征提取领域具有优异性能表现的卷积神经网络模型来提取图像中的混凝土理化特征。特别地，在本申请实施例中，因在搅拌过程中混凝土的理化特性的变化是缓慢且连续的，因此，如果直接以常规的卷积神经网络模型对搅拌监控视频进行编码，一方面数据处理量巨大，另一方面，难以捕捉物理特性的动态变化。

因此，在本申请的技术方案，首先对所述搅拌监控视频进行采样处理，即，以预定采样频率从所述搅拌监控视频中提取预定数量的图像帧，这里，因在搅拌过程中混凝土的理化特性的变化是缓慢且连续的，而相隔时间很短的两帧并不能很好地反映出混凝土的理化特性的变化的时序信息，因此可以设置所述各帧之间相隔预定时间，从而拉长获取图像帧并进行图像的跟踪处理的时间尺度，以在保证足够的跟踪性能的同时，不至于浪费计算资源。然后，采用使用三维卷积核的卷积神经网络模型对所述预定数量的图像帧进行显式空间编码以得到所述搅拌跟踪特征图。应可以理解，通过采样能够有效地降低数据处理量，而通过三维卷积神经网络能够通过沿时间维度的卷积处理来提取空间维度所表现的混凝土的理化特征在时间维度上的动态变化特征。

图3图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中搅拌视频编码模块的框图。如图2所示，所述搅拌视频编码模块120，包括：采样单元121，用于以预定采样频率从所述搅拌监控视频中提取预定数量的图像帧；以及，三维卷积编码单元122，用于以所述使用三维卷积核的卷积神经网络模型对所述预定数量的图像帧进行显式空间编码以得到所述搅拌跟踪特征图。

在本申请一个具体的实施例中，所述三维卷积编码单元122，包括：

张量构造子单元，用于将所述预定数量的图像帧按照时间维度构造为图像输入张量；以及

深度空间编码子单元，用于使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述搅拌跟踪特征图。

在本申请实施例中，所述数据降维模块130，用于对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量。应可以理解，考虑到后续需要融合搅拌所述控制特征向量和所述搅拌特征图，但所述控制特征向量和所述搅拌特征图在特征维度上存在差异，因此，对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量。

在本申请实施例中，所述控制速度采集模块140，用于获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值。应可以理解，在确定当前时间点的微硅粉的控制策略时，还需结合微硅粉的历史控制策略。也就是，在确定当前时间点的微硅粉应增加流入速度或应减小流入速度时，需考虑在当前时间点之前的多个预定时间点的微硅粉控制策略。

在本申请实施例中，所述控制速度编码模块150，用于将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量。应可以理解，针对于所述多个预定时间点的微硅粉的流入速度值，更想要从所述微硅粉的流入速度值的时间序列中挖掘微硅粉的流入速度值的变化特征，为此需要进一步挖掘出所述微硅粉的流入速度值在预定时间段的多个预定时间点的高维关联特征来进行特征融合。

也就是，在本身申请的技术方案中，将所述多个预定时间点的微硅粉的流入速度值输入包含一维卷积层和全连接层的时序编码器，以提取所述微硅粉的流入速度值在时间维度上的高维关联特征，从而得到对应与微硅粉的流入速度值的控制特征向量。

图4图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中控制速度编码模块的框图。如图4所示，所述控制速度编码模块150，包括：输入向量构造子单元151，用于将所述多个预定时间点的微硅粉的流入速度值按照时间维度排列为输入向量；全连接编码子单元152，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示输入向量。

接着，将所述将所述控制特征向量和所述搅拌跟踪特征向量进行特征空间的映射以实现融合，并通过分类器就可以得到当前时间点的微硅粉控制策略。但是，由于在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此分别计算所述控制特征向量V

在本申请实施例中，所述特征分布融合模块160，用于融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量。应可以理解，计算所述控制特征向和所述搅拌跟踪特征向量的标签值散射响应因数作为其加权系数，来无损融合所述搅拌跟踪特征向量和所述控制特征向量以得到包含有混凝土搅拌状态的实时变化特征和微硅粉的流入速度值的实时变化特征的分类特征向量。

图5图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制系统中特征分布融合模块的框图。如图5所示，所述特征分布融合模块160，包括：第一加权系数确定单元161，用于计算所述控制特征向量的标签值散射响应因数作为第一加权系数，其中，所述控制特征向量的标签值散射响应因数基于将所述控制特征向量通过所述分类器所获得的分类标签下的概率值的正弦函数值来生成；第二加权系数确定单元162，用于计算所述搅拌跟踪特征向量的标签值散射响应因数作为第二加权系数，其中，所述搅拌跟踪特征向量的标签值散射响应因数基于将所述搅拌跟踪特征向量通过所述分类器所获得的分类标签下的概率值的正弦函数值来生成；以及，融合子单元163，用于以所述第一加权系数和所述第二加权系数作为加权系数计算所述搅拌跟踪特征向量和所述控制特征向量的按位置加权和以得到所述分类特征向量。

在本申请一个具体的实施例中，所述第一加权系数确定单元161，进一步用于：以如下公式计算所述控制特征向量的标签值散射响应因数作为第一加权系数；

其中，所述公式为：

其中，V

在本申请一个具体的实施例中，所述第二加权系数确定单元162，进一步用于：以如下公式计算所述搅拌跟踪特征向量的标签值散射响应因数作为第二加权系数；

其中，所述公式为：

其中，V

该标签值散射响应因数可以基于特征值位置相对于标签概率的散射响应来将特征分布在基于特征和标签值的分类问题的解空间内堆叠为深度结构，从而以类响应角形式提升分类解对所提取的特征的可解释性，从而改进融合后的分类结果的分类性能。

在本申请实施例中，所述控制结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

在本申请一个具体的实施例中，所述控制结果生成模块170，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；

其中，所述公式为：softmax{(W

也就是，计算所述一维的分类特征向量的Softmax函数值，即，所述分类特征向量归属于各个分类标签的概率值，在本申请实施例中，所述分类标签包括当前时间点的微硅粉的流入速度值应增大(第一标签)、当前时间点的微硅粉的流入速度值应不变(第二标签)以及当前时间点的微硅粉的流入速度值应减小(第三标签)。最后，将概率值较大者对应的标签作为所述分类结果。

在本申请技术方案中，通过分类结果来控制当前时间点的微硅粉的流入速度值，以提高当前时间点的微硅粉流入策略的控制的准确性，以使得最终制得的混凝土的质量能够满足预定要求。

综上，基于本申请实施例的所述基于物联网的城市基础建设工程设备的控制系统，其使用基于深度学习的深度神经网络模型对搅拌监控视频和多个预定时间点的微硅粉的流入速度值进行编码，优选的，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此，基于标签值散射响应因数将两者在高维特征空间中的特征表示进行融合以得到分类特征向量，并通过分类器以获得用于表示当前时间点的微硅粉的流入速度值应增大或应减小的分类结果，从而基于混凝土搅拌的实时状况来自适应地控制微硅粉的加入模式，以使得混凝土的搅拌质量可优化且可微调。

如上所述，根据本申请实施例的所述基于物联网的城市基础建设工程设备的控制系统100可以实现在各种终端设备中，例如部署有基于物联网的城市基础建设工程设备的控制算法的服务器等。在一个示例中，根据基于物联网的城市基础建设工程设备的控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的城市基础建设工程设备的控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的城市基础建设工程设备的控制系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于物联网的城市基础建设工程设备的控制系统100与该终端设备也可以是分立的设备，并且基于物联网的城市基础建设工程设备的控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图6图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法的流程图。如图6所示，根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法，包括：S110，获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频；S120，将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图；S130，对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量；S140，获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值；S150，将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量；S160，融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

图7图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法的系统架构的示意图。如图7所示，在本申请实施例中，在本申请实施例的所述基于物联网的城市基础建设工程设备的控制方法的系统架构中，首先，获取由相机采集的预定时间段内的混凝土再生集料的搅拌监控视频。然后，将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图，并对所述搅拌跟踪特征图进行基于特征矩阵的全局均值池化以得到搅拌跟踪特征向量。同时，获取所述预定时间段内包含当前时间点在内的多个预定时间点的微硅粉的流入速度值，并将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量。接着，融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的微硅粉的流入速度值应增大或应减小。

图8图示了根据本申请实施例的基于物联网的城市基础建设工程设备的控制方法中，将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图的流程图。如图8所示，在本申请一个具体的实施例中，在步骤S120中，将所述搅拌监控视频通过使用三维卷积核的卷积神经网络模型以得到搅拌跟踪特征图，包括：S210，以预定采样频率从所述搅拌监控视频中提取预定数量的图像帧；以及，S220，以所述使用三维卷积核的卷积神经网络模型对所述预定数量的图像帧进行显式空间编码以得到所述搅拌跟踪特征图。

更为具体的，在本申请一个实施例中，在步骤S220中，以所述使用三维卷积核的卷积神经网络模型对所述预定数量的图像帧进行显式空间编码以得到所述搅拌跟踪特征图，包括：将所述预定数量的图像帧按照时间维度构造为图像输入张量；以及，使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行基于所述三维卷积核的卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述搅拌跟踪特征图。

在本申请一个具体的实施例中，在步骤S150中，将所述多个预定时间点的微硅粉的流入速度值通过包含一维卷积层的时序编码器以得到控制特征向量，包括：将所述多个预定时间点的微硅粉的流入速度值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示输入向量。

在本申请一个具体的实施例中，在步骤S160中，融合所述搅拌跟踪特征向量和所述控制特征向量以得到分类特征向量，包括：计算所述控制特征向量的标签值散射响应因数作为第一加权系数，其中，所述控制特征向量的标签值散射响应因数基于将所述控制特征向量通过所述分类器所获得的分类标签下的概率值的正弦函数值来生成；计算所述搅拌跟踪特征向量的标签值散射响应因数作为第二加权系数，其中，所述搅拌跟踪特征向量的标签值散射响应因数基于将所述搅拌跟踪特征向量通过所述分类器所获得的分类标签下的概率值的正弦函数值来生成；以及，以所述第一加权系数和所述第二加权系数作为加权系数计算所述搅拌跟踪特征向量和所述控制特征向量的按位置加权和以得到所述分类特征向量。

更为具体的，在本申请一个实施例中，计算所述控制特征向量的标签值散射响应因数作为第一加权系数，包括：以如下公式计算所述控制特征向量的标签值散射响应因数作为第一加权系数；

其中，所述公式为：

其中，V

更为具体的，在本申请一个实施例中，计算所述搅拌跟踪特征向量的标签值散射响应因数作为第二加权系数，包括：以如下公式计算所述搅拌跟踪特征向量的标签值散射响应因数作为第二加权系数；

其中，所述公式为：

其中，V

在本申请一个具体的实施例中，在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；

其中，所述公式为：softmax{(W

这里，本领域技术人员可以理解，上述基于物联网的城市基础建设工程设备的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的基于物联网的城市基础建设工程设备的控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

下面，参考图9来描述根据本申请实施例的电子设备。

图9图示了根据本申请实施例的电子设备的框图。

如图9所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于物联网的城市基础建设工程设备的控制以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如搅拌监控视频、微硅粉的流入速度值等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的城市基础建设工程设备的控制方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的城市基础建设工程设备的控制方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。