控制建筑物爆破粉尘的方法及其系统与流程

1.本技术涉及智能化爆破技术领域，且更为具体地，涉及一种控制建筑物爆破粉尘的方法及其系统。


背景技术：

2.对于城市废弃建筑物的拆除，爆破是最常用、最有效的方法之一。在城市人口和建筑物密集的区域进行建筑物爆破拆除，在建筑物起爆瞬间和倒塌后，会产生大量粉尘；建筑物内外粉尘弥漫，以巨大的粉尘球源向外辐射，爆破区周围的建筑物被粉尘覆盖，不但严重影响爆破地点附近居民的正常生产、生活和身体健康，而且会对周围的建筑物造成重度污染。
3.建筑物爆破产生的粉尘组合物质具有良好地吸水性，利用这一特点，可构造建筑物爆破粉尘的控制方案。中国专利cn110057261b揭露了一种控制建筑物爆破粉尘的方法，其通过空投水弹以通过水弹破裂形成的细水雾进行湿润以控制爆破粉尘。虽然上述技术方案能够对爆破粉尘进行控制，但如何投放水弹是一个关键的技术问题，如果投放不及时，则爆破粉尘可能外溢，而投放过早，则会造成水弹的浪费，增加成本。
4.因此，期待一种优化的建筑物爆破粉尘控制方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种控制建筑物爆破粉尘的方法及其系统，其将爆破粉尘监控视频作为输入数据，并通过包含多个混合卷积层的深度卷积神经网络模型来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。这样，可以根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
6.根据本技术的一个方面，提供了一种控制建筑物爆破粉尘的方法，其包括：
7.获取由摄像头采集的爆破粉尘监控视频；
8.从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；
9.将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；
10.计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；
11.将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及
12.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是否投
放水弹。
13.在上述控制建筑物爆破粉尘的方法中，所述从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧，包括：以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。
14.在上述控制建筑物爆破粉尘的方法中，所述将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量，包括：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述多个爆破粉尘分布特征向量，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述多个爆破粉尘监控关键帧。
15.在上述控制建筑物爆破粉尘的方法中，所述对所述输入数据进行多尺度卷积处理，包括：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；以及，将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图。
16.在上述控制建筑物爆破粉尘的方法中，所述计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量，包括：使用以下公式计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；其中，所述公式为：
[0017][0018]
其中，vi表示所述多个差分特征向量，v1,v2表示所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量,表示按位置减法。
[0019]
在上述控制建筑物爆破粉尘的方法中，所述将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量；以及，将所述多个上下文差分特征向量进行级联以得到所述分类特征向量。
[0020]
在上述控制建筑物爆破粉尘的方法中，所述将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义差分特征向量，包括：使用所述基于转换器的上下文编码器对由所述多个差分特征向量排列的向量的序列进行基于全局的上下文语义编码以得到多个上下文语义差分特征向量。
[0021]
在上述控制建筑物爆破粉尘的方法中，所述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是否投放水弹，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生成分类结果，其中，所述公式为：o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中x表示所述分类特征向量，w1至wn表示权重矩阵，b1至bn表示偏置向量。
[0022]
在上述控制建筑物爆破粉尘的方法中，还包括训练步骤：对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括爆破粉尘训练监控视频，以
及，所述是否投放水弹的真实值；从所述爆破粉尘训练监控视频提取多个训练爆破粉尘监控关键帧；将所述多个训练爆破粉尘监控关键帧分别通过所述包含多个混合卷积层的深度卷积神经网络模型以得到多个训练爆破粉尘分布特征向量；计算所述多个训练爆破粉尘分布特征向量中每相邻两个训练爆破粉尘分布特征向量之间的差分以得到多个训练差分特征向量；将所述多个训练差分特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文差分特征向量；将所述多个训练上下文差分特征向量进行级联以得到训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值；以及，计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。
[0023]
在上述控制建筑物爆破粉尘的方法中，所述基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值，包括：基于所述多个训练上下文差分特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
[0024][0025]
其中，v1到vn是所述多个训练上下文差分特征向量中的各个训练上下文差分特征向量，vr是参考向量，且表示特征向量的分类结果，||
·
||1表示向量的1范数，表示所述多分布二元分类质量损失函数值。
[0026]
根据本技术的另一方面，提供了一种控制建筑物爆破粉尘系统，其包括：
[0027]
视频获取模块，用于获取由摄像头采集的爆破粉尘监控视频；
[0028]
关键帧提取模块，用于从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；
[0029]
深度卷积编码模块，用于将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；
[0030]
差分计算模块，用于计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；
[0031]
上下文编码模块，用于将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及
[0032]
水弹投放结果生成模块，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是否投放水弹。
[0033]
与现有技术相比，本技术提供的控制建筑物爆破粉尘的方法及其系统，其将爆破粉尘监控视频作为输入数据，并通过包含多个混合卷积层的深度卷积神经网络模型来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。这样，可以根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
附图说明
[0034]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]
图1为根据本技术实施例的控制建筑物爆破粉尘的方法的应用场景图。
[0036]
图2为根据本技术实施例的控制建筑物爆破粉尘的方法的流程图。
[0037]
图3为根据本技术实施例的基于三维模型的自动挖掘控制方法的架构示意图。
[0038]
图4为根据本技术实施例的控制建筑物爆破粉尘的方法中，将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量的流程图。
[0039]
图5为根据本技术实施例的控制建筑物爆破粉尘的方法中，训练步骤的流程图。
[0040]
图6为根据本技术实施例的控制建筑物爆破粉尘系统的框图。
具体实施方式
[0041]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0042]
场景概述
[0043]
如上所述，对于城市废弃建筑物的拆除，爆破是最常用、最有效的方法之一。在城市人口和建筑物密集的区域进行建筑物爆破拆除，在建筑物起爆瞬间和倒塌后，会产生大量粉尘；建筑物内外粉尘弥漫，以巨大的粉尘球源向外辐射，爆破区周围的建筑物被粉尘覆盖，不但严重影响爆破地点附近居民的正常生产、生活和身体健康，而且会对周围的建筑物造成重度污染。
[0044]
建筑物爆破产生的粉尘组合物质具有良好地吸水性，利用这一特点，可构造建筑物爆破粉尘的控制方案。中国专利cn110057261b揭露了一种控制建筑物爆破粉尘的方法，其通过空投水弹以通过水弹破裂形成的细水雾进行湿润以控制爆破粉尘。虽然上述技术方案能够对爆破粉尘进行控制，但如何投放水弹是一个关键的技术问题，如果投放不及时，则爆破粉尘可能外溢，而投放过早，则会造成水弹的浪费，增加成本。因此，期待一种优化的建筑物爆破粉尘控制方案。
[0045]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0046]
近年来，深度学习以及神经网络的发展为建筑物爆破粉尘的智能控制提供了新的解决思路和方案。
[0047]
相应地，若想对于投放水弹进行精准地智能控制以实现建筑物爆破粉尘的控制，就需要对于爆破过程中的粉尘动态变化情况进行监控。但是，由于在实际采集爆破粉尘的监控视频中的各个图像帧都具有较多的信息，并且粉尘颗粒较小，其在图像中的分布信息以及动态变化信息难以进行提取，导致对于投放水弹的控制精准度较低。基于此，在本技术的技术方案中，采用基于机器视觉的人工智能监控技术，以通过爆破粉尘监控视频作为输
入数据来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。也就是，基于深度神经网络模型来捕捉爆破粉尘监控视频中的爆破粉尘分布的绝对量特征和相对量在时序维度上的变化特征，并以此来进行是否投放水弹的分类判断。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
[0048]
具体地，在本技术的技术方案中，首先，通过摄像头采集爆破粉尘监控视频。接着，考虑到在所述爆破粉尘监控视频中，粉尘的动态变化特征可以通过所述爆破粉尘监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示粉尘的变化情况。但是，考虑到所述监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
[0049]
然后，考虑到在所述多个爆破粉尘监控关键帧中的各个爆破粉尘监控关键帧的各个局部区域关于粉尘的特征分布信息都有所不同，因此，在本技术的技术方案中，将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型中进行特征挖掘，以提取出所述各个爆破关键中关于粉尘分布的多尺度隐含关联特征，即所述爆破粉尘分布的绝对量特征，从而得到多个爆破粉尘分布特征向量。
[0050]
进一步地，为了提高对于粉尘分布特征的提取精准度，以更准确地进行投放水弹，在本技术的技术方案中，进一步计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分，以此来表示所述多个爆破监控关键帧中的每相邻两个监控关键帧中关于所述粉尘的特征分布变化信息，也就是所述爆破粉尘分布的相对量特征，从而得到多个差分特征向量。
[0051]
接着，为了能够捕捉到所述爆破粉尘监控视频中关于所述爆破粉尘分布的相对量在时序维度上的变化特征信息，进一步将所述多个差分特征向量通过基于转换器的上下文编码器中进行编码，以提取出在所述多个爆破粉尘监控关键帧中的每相邻两个关键帧的关于所述粉尘的相对变化分布的基于全局的动态变化特征信息，从而得到分类特征向量。具体地，将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量，并将所述多个上下文差分特征向量进行级联以得到所述分类特征向量。然后，进一步再将所述分类特征向量通过分类器以得到用于表示是否投放水弹的分类结果。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制。
[0052]
特别地，在本技术的技术方案中，在将所述多个差分特征向量通过基于转换器的上下文编码器得到所述分类特征向量时，是将所述多个差分特征向量通过基于转换器的上下文编码器得到的多个上下文差分特征向量级联得到所述分类特征向量。因此，考虑到每个上下文差分特征向量的特征分布都是对应于待分类的整体特征的局部特征分布，因此期望提升所述多个上下文差分特征向量之间的局部分布关联度，以提升所述分类特征向量的整体特征表达能力，从而提升所述分类特征向量的分类结果准确性。
[0053]
通常，可以通过对每个上下文差分特征向量设置权重来解决，但是，由于权重需要
作为超参数通过训练得到，这将增加模型的训练负担。因此，本技术的申请人引入了针对所述多个上下文差分特征向量的多分布二元分类质量损失函数，表示为：
[0054][0055]
其中，v1到vn是各个上下文差分特征向量，vr是参考向量，优选地设置为所有上下文差分特征向量的均值特征向量，且表示特征向量的分类结果，||
·
||1表示向量的1范数。
[0056]
这里，为了避免每个上下文差分特征向量在级联后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述分类特征向量的整体特征表达能力，从而提升所述分类特征向量的分类结果的准确性。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
[0057]
基于此，本技术提出了一种控制建筑物爆破粉尘的方法，其包括：获取由摄像头采集的爆破粉尘监控视频；从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；将所述多个差分特征向量通过基于转换器的上下文编码器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是否投放水弹。
[0058]
图1为根据本技术实施例的控制建筑物爆破粉尘的方法的应用场景图。如图1所示，在该应用场景中，首先，通过摄像头(例如，如图1中所示意的m)采集爆破粉尘监控视频(例如，如图1中所示意的c)。然后，将采集的爆破粉尘监控视频输入至部署有控制建筑物爆破粉尘算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器以控制建筑物爆破粉尘算法对所述爆破粉尘监控视频进行处理，以生成用于表示是否投放水弹的分类结果。
[0059]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0060]
示例性方法
[0061]
图2为根据本技术实施例的控制建筑物爆破粉尘的方法的流程图。如图2所示，根据本技术实施例的控制建筑物爆破粉尘的方法，包括：s110，获取由摄像头采集的爆破粉尘监控视频；s120，从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；s130，将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；s140，计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；s150，将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及，s160，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是否投放水弹。
[0062]
图3为根据本技术实施例的基于三维模型的自动挖掘控制方法的架构示意图。如
图3所示，在所述控制建筑物爆破粉尘的方法的网络架构中，首先，获取由摄像头采集的爆破粉尘监控视频；然后，从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；接着，将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；然后，计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；接着，将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及，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是否投放水弹。
[0063]
具体地，在步骤s110中，获取由摄像头采集的爆破粉尘监控视频。如前所述，对于城市废弃建筑物的拆除，爆破是最常用、最有效的方法之一。在城市人口和建筑物密集的区域进行建筑物爆破拆除，在建筑物起爆瞬间和倒塌后，会产生大量粉尘；建筑物内外粉尘弥漫，以巨大的粉尘球源向外辐射，爆破区周围的建筑物被粉尘覆盖，不但严重影响爆破地点附近居民的正常生产、生活和身体健康，而且会对周围的建筑物造成重度污染。
[0064]
建筑物爆破产生的粉尘组合物质具有良好地吸水性，利用这一特点，可构造建筑物爆破粉尘的控制方案。中国专利cn110057261b揭露了一种控制建筑物爆破粉尘的方法，其通过空投水弹以通过水弹破裂形成的细水雾进行湿润以控制爆破粉尘。虽然上述技术方案能够对爆破粉尘进行控制，但如何投放水弹是一个关键的技术问题，如果投放不及时，则爆破粉尘可能外溢，而投放过早，则会造成水弹的浪费，增加成本。因此，期待一种优化的建筑物爆破粉尘控制方案。
[0065]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0066]
近年来，深度学习以及神经网络的发展为建筑物爆破粉尘的智能控制提供了新的解决思路和方案。
[0067]
相应地，若想对于投放水弹进行精准地智能控制以实现建筑物爆破粉尘的控制，就需要对于爆破过程中的粉尘动态变化情况进行监控。但是，由于在实际采集爆破粉尘的监控视频中的各个图像帧都具有较多的信息，并且粉尘颗粒较小，其在图像中的分布信息以及动态变化信息难以进行提取，导致对于投放水弹的控制精准度较低。基于此，在本技术的技术方案中，采用基于机器视觉的人工智能监控技术，以通过爆破粉尘监控视频作为输入数据来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。也就是，基于深度神经网络模型来捕捉爆破粉尘监控视频中的爆破粉尘分布的绝对量特征和相对量在时序维度上的变化特征，并以此来进行是否投放水弹的分类判断。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
[0068]
具体地，在本技术的技术方案中，首先，通过摄像头采集爆破粉尘监控视频。
[0069]
具体地，在步骤s120中，从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧。接着，考虑到在所述爆破粉尘监控视频中，粉尘的动态变化特征可以通过所述爆破粉尘监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示粉尘
的变化情况。但是，考虑到所述监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计量算，且避免数据冗余给检测带来的不良影响，以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
[0070]
也就是，所述从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧，包括：以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。
[0071]
具体地，在步骤s130中，将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量。然后，考虑到在所述多个爆破粉尘监控关键帧中的各个爆破粉尘监控关键帧的各个局部区域关于粉尘的特征分布信息都有所不同，因此，在本技术的技术方案中，将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型中进行特征挖掘，以提取出所述各个爆破关键中关于粉尘分布的多尺度隐含关联特征，即所述爆破粉尘分布的绝对量特征，从而得到多个爆破粉尘分布特征向量。
[0072]
应可以理解，一个深度卷积神经网络模型，一般由若干卷积层叠加若干全连接层组成，中间包含各种的非线性操作、池化操作。卷积运算主要用于处理网格结构的数据，因此深度卷积神经网络模型天生对图像数据的分析与处理有着优势，简单地来理解，那就是深度卷积神经网络模型是利用滤波器将相邻像素之间的轮廓过滤出来。
[0073]
也就是，所述将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量，包括：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述多个爆破粉尘分布特征向量，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述多个爆破粉尘监控关键帧。
[0074]
进一步地，所述对所述输入数据进行多尺度卷积处理，包括：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；以及，将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图。
[0075]
通过包含多个混合卷积层的深度卷积神经网络模型，可以提取出所述各个爆破关键中关于粉尘分布的多尺度隐含关联特征。
[0076]
具体地，在步骤s140中，计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量。进一步地，为了提高对于粉尘分布特征的提取精准度，以更准确地进行投放水弹，在本技术的技术方案中，进一步计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分，以此来表示所述多个爆破监控关键帧中的每相邻两个监控关键帧中关于所述粉尘的特征分布变化信息，也就是所述爆破粉尘分布的相对量特征，从而得到多个差分特征向量。
[0077]
进一步地，在本技术实施例中，使用以下公式计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；其中，所述
公式为：
[0078][0079]
其中，vi表示所述多个差分特征向量，v1,v2表示所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量,表示按位置减法。
[0080]
具体地，在步骤s150中，将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量。接着，为了能够捕捉到所述爆破粉尘监控视频中关于所述爆破粉尘分布的相对量在时序维度上的变化特征信息，进一步将所述多个差分特征向量通过基于转换器的上下文编码器中进行编码，以提取出在所述多个爆破粉尘监控关键帧中的每相邻两个关键帧的关于所述粉尘的相对变化分布的基于全局的动态变化特征信息，从而得到分类特征向量。
[0081]
具体地，将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量，并将所述多个上下文差分特征向量进行级联以得到所述分类特征向量。
[0082]
在本技术实施例中，图4为根据本技术实施例的控制建筑物爆破粉尘的方法中，将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量的流程图，如图4所示，所述将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：s210，将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量；以及，s220，将所述多个上下文差分特征向量进行级联以得到所述分类特征向量。
[0083]
其中，所述将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义差分特征向量，包括：使用所述基于转换器的上下文编码器对由所述多个差分特征向量排列的向量的序列进行基于全局的上下文语义编码以得到多个上下文语义差分特征向量。
[0084]
应可以理解，所述上下文编码器使用基于转换器(transformer)的bert模型对所述多个差分特征向量排列的向量的序列进行基于全局的上下文语义编码。特别地，所述bert模型基于转换器的内在掩码结构对所述多个差分特征向量排列的向量的序列中各个差分特征向量进行以所述差分特征向量排列的向量的序列的全局为语义背景的全局上下文编码以得到所述多个上下文语义差分特征向量。
[0085]
具体地，在步骤s160中，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是否投放水弹。然后，进一步再将所述分类特征向量通过分类器以得到用于表示是否投放水弹的分类结果。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制。
[0086]
进一步地，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生成分类结果，其中，所述公式为：o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中x表示所述分类特征向量，w1至wn表示权重矩阵，b1至bn表示偏置向量。
[0087]
在本技术实施例中，所述控制建筑物爆破粉尘的方法还包括训练步骤：对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。图5为根据本技术实施例的控制建筑物爆破粉尘的方法中，训练步骤的流程图，如图5所示，所述训练步骤，包括：s310，获取训练数据，所述训练数据包括爆破粉尘训练
监控视频，以及，所述是否投放水弹的真实值；s320，从所述爆破粉尘训练监控视频提取多个训练爆破粉尘监控关键帧；s330，将所述多个训练爆破粉尘监控关键帧分别通过所述包含多个混合卷积层的深度卷积神经网络模型以得到多个训练爆破粉尘分布特征向量；s340，计算所述多个训练爆破粉尘分布特征向量中每相邻两个训练爆破粉尘分布特征向量之间的差分以得到多个训练差分特征向量；s350，将所述多个训练差分特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文差分特征向量；s360，将所述多个训练上下文差分特征向量进行级联以得到训练分类特征向量；s370，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；s380，基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值；以及，s390，计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。
[0088]
特别地，在本技术的技术方案中，在将所述多个差分特征向量通过基于转换器的上下文编码器得到所述分类特征向量时，是将所述多个差分特征向量通过基于转换器的上下文编码器得到的多个上下文差分特征向量级联得到所述分类特征向量。因此，考虑到每个上下文差分特征向量的特征分布都是对应于待分类的整体特征的局部特征分布，因此期望提升所述多个上下文差分特征向量之间的局部分布关联度，以提升所述分类特征向量的整体特征表达能力，从而提升所述分类特征向量的分类结果准确性。
[0089]
通常，可以通过对每个上下文差分特征向量设置权重来解决，但是，由于权重需要作为超参数通过训练得到，这将增加模型的训练负担。因此，本技术的申请人引入了针对所述多个上下文差分特征向量的多分布二元分类质量损失函数，也就是，基于所述多个训练上下文差分特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
[0090][0091]
其中，v1到vn是所述多个训练上下文差分特征向量中的各个训练上下文差分特征向量，vr是参考向量，且表示特征向量的分类结果，||
·
||1表示向量的1范数，表示所述多分布二元分类质量损失函数值。
[0092]
这里，为了避免每个上下文差分特征向量在级联后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题，并改进所述分类特征向量的整体特征表达能力，从而提升所述分类特征向量的分类结果的准确性。这样，能够根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
[0093]
综上，基于本技术实施例的控制建筑物爆破粉尘的方法被阐明，其将爆破粉尘监控视频作为输入数据，并通过包含多个混合卷积层的深度卷积神经网络模型来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像
特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。这样，可以根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。
[0094]
示例性系统
[0095]
图6为根据本技术实施例的控制建筑物爆破粉尘系统的框图。如图6所示，根据本技术实施例的控制建筑物爆破粉尘系统100，包括：视频获取模块110，用于获取由摄像头采集的爆破粉尘监控视频；关键帧提取模块120，用于从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；深度卷积编码模块130，用于将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；差分计算模块140，用于计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；上下文编码模块150，用于将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及,水弹投放结果生成模块160，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是否投放水弹。
[0096]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述关键帧提取模块，用于：以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。
[0097]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述深度卷积编码模块，用于：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述多个爆破粉尘分布特征向量，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述多个爆破粉尘监控关键帧。
[0098]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述多尺度卷积编码，用于：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；以及，将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图。
[0099]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述差分计算模块，进一步用于：使用以下公式计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；其中，所述公式为：
[0100][0101]
其中，vi表示所述多个差分特征向量，v1,v2表示所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量,表示按位置减法。
[0102]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述上下文编码模块，包括：上下文编码单元，用于将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量；以及，级联单元，用于将所述多个上下文差分特
征向量进行级联以得到所述分类特征向量。
[0103]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述上下文编码单元，用于：使用所述基于转换器的上下文编码器对由所述多个差分特征向量排列的向量的序列进行基于全局的上下文语义编码以得到多个上下文语义差分特征向量。
[0104]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述水弹投放结果生成模块，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生成分类结果，其中，所述公式为：o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中x表示所述分类特征向量，w1至wn表示权重矩阵，b1至bn表示偏置向量。
[0105]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，还包括训练模块，用于：对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练；其中，所述训练模块，包括：训练视频获取单元，用于获取训练数据，所述训练数据包括爆破粉尘训练监控视频，以及，所述是否投放水弹的真实值；训练关键帧提取单元，用于从所述爆破粉尘训练监控视频提取多个训练爆破粉尘监控关键帧；训练深度卷积编码单元，用于将所述多个训练爆破粉尘监控关键帧分别通过所述包含多个混合卷积层的深度卷积神经网络模型以得到多个训练爆破粉尘分布特征向量；训练差分计算单元，用于计算所述多个训练爆破粉尘分布特征向量中每相邻两个训练爆破粉尘分布特征向量之间的差分以得到多个训练差分特征向量；训练上下文编码单元，用于将所述多个训练差分特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文差分特征向量；训练级联单元，用于将所述多个训练上下文差分特征向量进行级联以得到训练分类特征向量；训练分类单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；训练损失函数值计算单元，用于基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值；以及，训练单元，用于计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。
[0106]
在本技术的一个实施例中，在上述控制建筑物爆破粉尘系统100中，所述训练损失函数值计算单元，用于：基于所述多个训练上下文差分特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：
[0107][0108]
其中，v1到vn是所述多个训练上下文差分特征向量中的各个训练上下文差分特征向量，vr是参考向量，且表示特征向量的分类结果，||
·
||1表示向量的1范数，表示所述多分布二元分类质量损失函数值。
[0109]
这里，本领域技术人员可以理解，上述控制建筑物爆破粉尘系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的控制建筑物爆破粉尘的方法描述中得到了详细介绍，并因此，将省略其重复描述。
[0110]
如上所述，根据本技术实施例的控制建筑物爆破粉尘系统100可以实现在各种终端设备中，例如用于控制建筑物爆破粉尘的服务器等。在一个示例中，根据本技术实施例的控制建筑物爆破粉尘系统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，该控制建筑物爆破粉尘系统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，该控制建筑物爆破粉尘系统100同样可以是该终端设备的众多硬件模块之一。
[0111]
替换地，在另一示例中，该控制建筑物爆破粉尘系统100与该终端设备也可以是分立的设备，并且该控制建筑物爆破粉尘系统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。
[0112]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
[0113]
本技术中涉及的器件、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。
[0114]
还需要指出的是，在本技术的装置、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技术的等效方案。
[0115]
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技术。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技术的范围。因此，本技术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。
[0116]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。

技术特征：
1.一种控制建筑物爆破粉尘的方法，其特征在于，包括：获取由摄像头采集的爆破粉尘监控视频；从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；将所述多个差分特征向量通过基于转换器的上下文编码器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是否投放水弹。2.根据权利要求1所述的控制建筑物爆破粉尘的方法，其特征在于，所述从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧，包括：以预定采样频率从所述爆破粉尘监控视频提取所述多个爆破粉尘监控关键帧。3.根据权利要求2所述的控制建筑物爆破粉尘的方法，其特征在于，所述将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量，包括：使用所述深度卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行多尺度卷积处理、池化处理和非线性激活处理以由所述深度卷积神经网络模型的最后一个混合卷积层输出所述多个爆破粉尘分布特征向量，其中，所述深度卷积神经网络模型的第一个混合卷积层的输入为所述多个爆破粉尘监控关键帧。4.根据权利要求3所述的控制建筑物爆破粉尘的方法，其特征在于，所述对所述输入数据进行多尺度卷积处理，包括：使用具有第一尺寸的第一卷积核对所述输入数据进行卷积处理以得到第一特征图；使用具有第一空洞率的第二卷积核对所述输入数据进行卷积处理以得到第二特征图；使用具有第二空洞率的第三卷积核对所述输入数据进行卷积处理以得到第三特征图；使用具有第三空洞率的第四卷积核对所述输入数据进行卷积处理以得到第四特征图；以及将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行级联聚合以得到卷积特征图。5.根据权利要求4所述的控制建筑物爆破粉尘的方法，其特征在于，所述计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量，包括：使用以下公式计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；其中，所述公式为：其中，v
i
表示所述多个差分特征向量，v1,v2表示所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量,表示按位置减法。6.根据权利要求5所述的控制建筑物爆破粉尘的方法，其特征在于，所述将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文差分特征向量；以及将所述多个上下文差分特征向量进行级联以得到所述分类特征向量。7.根据权利要求6所述的控制建筑物爆破粉尘的方法，其特征在于，所述将所述多个差分特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义差分特征向量，包括：使用所述基于转换器的上下文编码器对由所述多个差分特征向量排列的向量的序列进行基于全局的上下文语义编码以得到多个上下文语义差分特征向量。
8.根据权利要求7所述的控制建筑物爆破粉尘的方法，其特征在于，还包括训练步骤：对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括爆破粉尘训练监控视频，以及，所述是否投放水弹的真实值；从所述爆破粉尘训练监控视频提取多个训练爆破粉尘监控关键帧；将所述多个训练爆破粉尘监控关键帧分别通过所述包含多个混合卷积层的深度卷积神经网络模型以得到多个训练爆破粉尘分布特征向量；计算所述多个训练爆破粉尘分布特征向量中每相邻两个训练爆破粉尘分布特征向量之间的差分以得到多个训练差分特征向量；将所述多个训练差分特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文差分特征向量；将所述多个训练上下文差分特征向量进行级联以得到训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值；以及计算所述分类损失函数值和所述多分布二元分类质量损失函数值的加权和作为损失函数值来分别对所述包含多个混合卷积层的深度卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。9.根据权利要求8所述的控制建筑物爆破粉尘的方法，其特征在于，所述基于所述多个训练上下文差分特征向量，计算多分布二元分类质量损失函数值，包括：基于所述多个训练上下文差分特征向量，以如下公式计算所述多分布二元分类质量损失函数值；其中，所述公式为：其中，v1到v
n
是所述多个训练上下文差分特征向量中的各个训练上下文差分特征向量，v
r
是参考向量，且表示特征向量的分类结果，||
·
||1表示向量的1范数，表示所述多分布二元分类质量损失函数值。10.一种控制建筑物爆破粉尘系统，其特征在于，包括：视频获取模块，用于获取由摄像头采集的爆破粉尘监控视频；关键帧提取模块，用于从所述爆破粉尘监控视频提取多个爆破粉尘监控关键帧；深度卷积编码模块，用于将所述多个爆破粉尘监控关键帧分别通过包含多个混合卷积层的深度卷积神经网络模型以得到多个爆破粉尘分布特征向量；差分计算模块，用于计算所述多个爆破粉尘分布特征向量中每相邻两个爆破粉尘分布特征向量之间的差分以得到多个差分特征向量；上下文编码模块，用于将所述多个差分特征向量通过基于转换器的上下文编码器以得到分类特征向量；以及水弹投放结果生成模块，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是否投放水弹。

技术总结
公开了一种控制建筑物爆破粉尘的方法及其系统，其将爆破粉尘监控视频作为输入数据，并通过包含多个混合卷积层的深度卷积神经网络模型来提取出所述监控视频中多个关键帧的多尺度隐含关联特征分布信息，并基于每两个相邻时间点的图像特征分布信息之间的差分来表示所述粉尘在图像中的变化特征信息，进一步再基于全局的上下文关联特征挖掘来提取出其在时间维度上的关于粉尘的全局动态变化特征，并以此来进行投放水弹的智能控制。这样，可以根据实际的粉尘变化情况精准地对于何时投放水弹进行智能控制，进而在保证爆破除尘效果的同时减少水弹浪费，节约成本。节约成本。节约成本。


技术研发人员：车海宝 董永瑞 姜太平 刘媛 吴曦 苏子卿 刘戈 费双 张春茹 路晨升
受保护的技术使用者：中建新疆建工集团第三建设工程有限公司
技术研发日：2022.12.22
技术公布日：2023/9/22