(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210757108.X (22)申请日 2022.06.30 (71)申请人 江苏中清先进电池制造有限公司 地址 221400 江苏省徐州市新沂市锡沂高 新区泰山路北侧26号 (72)发明人 张勇　韦新松　洪布双　高昂　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 周成金 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) (54)发明名称 锂电池制造的石墨矿石破碎装置及其处理 方法 (57)摘要 本申请涉及智能制造的领域， 其具体地公开 了一种锂电池制造的石墨矿石破碎装置及其处 理方法， 其通过具有不同感受野的卷积神经网络 对所述破碎结果图像进行处理， 以更深层次地挖 掘出所述破碎结果图像中不同大小的各个石墨 块的尺寸结构特征信息， 并且在特征融合时， 通 过约束尺度迁移确定性的损失函数来使得不同 感受野的所述卷积神经网络提取的特征具有相 近的尺度迁移性， 以提高分类的准确性。 这样， 能 够对石墨矿石的破碎质量进行智能监控， 以对破 碎质量没有满足要求的石墨矿石通过循环系统 进行二次破碎。 权利要求书3页 说明书13页 附图5页 CN 115100427 A 2022.09.23 CN 115100427 A 1.一种锂电池制造的石墨矿石破碎装置， 其特征在于， 包括： 训练模块， 包括： 训练图像 单元， 用于获取石墨矿石 经一次破碎后的破碎结果图像； 训练第一编 码单元， 用于将所述破 碎结果图像通过使用第一卷积核的第一卷积神经网络以得到第一特征向量； 训练第二编码 单元， 用于将所述破碎结果图像通过使用第二卷积核的第二卷积神经网络以得到第二特征 向量， 其中， 所述第二卷积核的尺寸小于所述第一卷积核的尺寸； 第一损失函数值计算单 元， 用于将所述第一特征向量和所述第二特征向量级联后通过分类器以得到分类损失函数 值； 第二损失函数值计算单元， 用于计算所述第一特征向量和所述第二特征向量之间的约 束尺度迁移确定性的损失函数值， 其中， 所述约束尺度迁移确定性的损失函数值为以所述 第一特征向量乘以所述第二特征向量的转置所得到的特征值除以所述第一特征向量的转 置乘以所述第二特征向量所得到的特征矩阵的Frobenius范数的商为幂的自然指数函数 值； 训练单元， 用于以所述分类损失函数值和约束尺度迁移确定性的损失函数值的加权和 作为损失函数值对所述第一卷积神经网络和所述第二卷积神经网络进 行训练； 以及推断模 块， 包括： 图像单元， 用于获取石墨矿石 经一次破碎后的破碎结果图像； 第一编码单元， 用于 将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络以得到 第一特征向量； 第二编码单元， 用于将所述破碎结果图像通过经训练完成的所述使用第二 卷积核的第二卷积神经网络以得到第二特征向量； 预处理结果生成单元， 用于将所述第一 特征向量和所述第二特征向量级联后通过分类器以得到 分类结果， 所述分类结果用于表示 是否需进行 再次破碎。 2.根据权利要求1所述的锂电池制造的石墨矿石破碎装置， 其中， 所述使用第 一卷积核 的第一卷积神经网络的各层在层的正向传递中分别进 行： 对输入数据进 行卷积处理以得到 卷积特征图； 对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图； 以 及对所述池化特征图进行非线性激活以得到激活特征图； 其中， 所述第一卷积神经网络的 最后一层的输出为所述第一特征向量， 所述第一卷积神经网络的第一层的输入为所述破碎 结果图像。 3.根据权利要求2所述的锂电池制造的石墨矿石破碎装置， 其中， 所述使用第 二卷积核 的第二卷积神经网络的各层在层的正向传递中分别进 行： 对输入数据进 行卷积处理以得到 卷积特征图； 对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图； 以 及对所述池化特征图进行非线性激活以得到激活特征图； 其中， 所述第二卷积神经网络的 最后一层的输出为所述第二特征向量， 所述第二卷积神经网络的第一层的输入为所述破碎 结果图像。 4.根据权利要求3所述的锂电池制造的石墨矿石破碎装置， 其中， 所述第 一损失函数值 计算单元， 包括： 级联子单元， 用于将所述第一特征向量和所述第二特征向量级联以得到分 类特征向量； 分类结果生成子单元， 用于使用所述分类器以如下公式对所述级联子单元获 得的所述分类特 征向量进行处 理以获得 所述分类结果， 其中， 所述公式为： ， 其中，  到 为权重矩阵， 到 为 偏置向量， 为所述分类特征向量； 以及交叉熵值计算子单元， 用于计算所述分类结果生成 子单元获得的所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。 5.根据权利要求4所述的锂电池制造的石墨矿石破碎装置， 其中， 所述第 二损失函数值权　利　要　求　书 1/3 页 2 CN 115100427 A 2计算单元， 进一步用于： 以如下公式计算所述第一特征向量和所述第二特征向量之间的所 述约束尺度迁移确定性的损失函数值； 其中， 所述公式为： 其中 表示所述第一特征向量， 表示所述第二特征向量， 和 均为列向量的形 式， 且 表示矩阵的Froben ius范数， 表示矩阵的指数运 算。 6.根据权利要求5所述的锂电池制造的石墨矿石破碎装置， 其中， 所述训练单元， 包括： 总损失计算子单元， 用于计算所述分类损失函数值和所述约束尺度迁移确定性的损失函数 值的加权和作为所述损失函数值； 以及参数更新单元， 用于基于所述损失函数值以梯度下 降的反向传播 来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。 7.根据权利要求6所述的锂电池制造的石墨矿石破碎装置， 其中， 在基于所述损失函数 值以梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数 的过程中， 先固定所述第二卷积神经网络的参数对所述第一卷积神经网络进行训练， 且在 所述第一卷积神经网络训练完成后， 对所述第二卷积神经网络进行训练。 8.一种锂电池制造的石墨矿石破碎装置的处理方法， 其特征在于， 包括： 训练阶段， 包 括： 获取石墨矿石经一次破碎后的破碎结果图像； 将所述破碎结果图像通过使用第一卷积 核的第一卷积神经网络以得到第一特征向量； 将所述破碎结果图像通过使用第二卷积核的 第二卷积神经网络以得到第二特征向量， 其中， 所述第二卷积核的尺寸小于所述第一卷积 核的尺寸； 将所述第一特征向量和所述第二特征向量级联后通过分类器以得到 分类损失函 数值； 计算所述第一特征向量和所述第二特征向量之 间的约束尺度迁移确定性的损失函数 值， 其中， 所述约束尺度迁移确定性的损失函数值为以所述第一特征向量乘以所述第二特 征向量的转置所得到的特征值除以所述第一特征向量的转置乘以所述第二特征向量所得 到的特征矩阵的Frob enius范数的商为幂的自然指数函数值； 以所述分类损失函数值和约 束尺度迁移确定性的损失函数值的加权和作为损失函数值对所述第一卷积神经网络和所 述第二卷积神经网络进 行训练； 以及推断阶段， 包括： 获取石墨矿石 经一次破碎后的破碎结 果图像； 将所述破碎结果图像通过经训练完成的所述使用第一卷积核的第一卷积神经网络 以得到第一特征向量； 将所述破碎结果图像通过经训练完成的所述使用第二卷积核的第二 卷积神经网络以得到第二特征向量； 将所述第一特征向量和所述第二特征向量级联后通过 分类器以得到分类结果， 所述分类结果用于表示是否需进行 再次破碎。 9.根据权利要求8所述的锂电池制造的石墨矿石破碎装置的处理方法， 其中， 所述使用 第一卷积核的第一卷积神经网络的各层在层的正向传递中分别进 行： 对输入数据进行卷积 处理以得到卷积特征图； 对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化 特征图； 以及 对所述池化特征图进行非线性激活以得到激活特征图； 其中， 所述第一卷积神 经网络的最后一层的输出为所述第一特征向量， 所述第一卷积神经网络的第一层的输入为 所述破碎结果图像。 10.根据权利要求9所述的锂电池制造的石墨矿石破碎装置的处理方法， 其中， 计算所 述第一特征向量和所述第二特征向量之间的所述约束尺度迁移确定性的损失函数值， 包权　利　要　求　书 2/3 页 3 CN 115100427 A 3