CN111754516B - 基于计算机视觉反馈的金红石单晶体生长智能控制方法 - Google Patents
基于计算机视觉反馈的金红石单晶体生长智能控制方法 Download PDFInfo
- Publication number
- CN111754516B CN111754516B CN202010447557.5A CN202010447557A CN111754516B CN 111754516 B CN111754516 B CN 111754516B CN 202010447557 A CN202010447557 A CN 202010447557A CN 111754516 B CN111754516 B CN 111754516B
- Authority
- CN
- China
- Prior art keywords
- crystal growth
- crystal
- image
- growth
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Abstract
本发明属于新材料领域,具体地来讲为一种基于计算机视觉反馈的金红石单晶体生长智能控制方法,包括:利用高清视频采集系统完成图像信息的采集,并通过高清视频采集系统对图像预处理;由计算机使用OPENCV对图像特征进行分析,实现图像分割和特征点定位;对处理后的图像使用卷积神经网络对晶体生长状态特征进行晶体生长当前实时形态的分析;根据分析结果与机器学习得到的晶体生长的健康形态的边缘坐标曲线进行比较后判断晶体形态是否正常;若是,则继续使用原给定函数曲线进行生长控制,若否,则通过自助调节,对燃烧台位置,给料参数进行调节,并实施反馈图像。能够精确控制晶体生长的各个参数,保障生长室内的温度分布、组成分布和力学分布。
Description
技术领域
本发明属于新材料领域,具体地来讲为一种基于计算机视觉反馈的金红石 单晶体生长智能控制方法。
背景技术
金红石单晶体因具有高的双折射率和化学稳定性,在制备光隔离器、光环 形器、起偏器等器件中有不可替代的优势。像金红石等高温氧化物单晶体,传 统上是使用传统焰熔法晶体生长炉生长的。
高温氧化物单晶体具有特殊的理化性质,在科学研究和现代社会生活中发 挥着重要作用。比如,金红石(TiO2)单晶体双折射大,折射率大,用于光谱 棱镜、偏振器件,如光隔离器、光环形器、分束器等。目前用于光学通信的上 述器件均采用钒酸钇(YVO4)晶体,而高端产品必须使用金红石(TiO2)单 晶体。目前使用传统的晶体生长炉,由于诸多生长工艺参数无法精确的控制, 只能通过人工观察晶体生长速度,生长形态,以及整个生长室内的温度分布、 组成分布,进而手动调节控制参数,在输入参数调节上主要以操作者的经验为主,没有形成严格的数据关系,导致晶体生长成功率偏低,并且这样会导致所生长的晶体存在结构完整性问题,比如位错密度高、应力大、不均匀等。由于 在晶体生长过程中要实时观测晶体形态,调节原料给定速度,致使每名设备操 作人员最多操作2部晶体生长炉,边观察边操作设备,而且往往会手忙脚乱, 导致晶体生长初期出现“流淌”现象,影响了晶体生长的成功率,增加控制晶 体生长的劳动强度。
目前,金红石晶体市场由日本企业垄断,而且晶体生长成功率不高,约为 30%左右,且无法批量生产,极大的限制了金红石晶体的应用。
发明内容
本发明所要解决的技术问题在于提供一种基于计算机视觉反馈的金红石单 晶体生长智能控制方法,能够精确控制晶体生长的各个参数,保障生长室内的 温度分布、组成分布和力学分布,为微观结构完整的高品质的高温下特别是熔 体状态下具有分解倾向的高温氧化物单晶体,如钛酸锶、金红石等单晶体提供 良好的生长控制环境。
本发明是这样实现的,
一种基于计算机视觉反馈的金红石单晶体生长智能控制方法,包括:
步骤1,利用高清视频采集系统完成图像信息的采集,并通过高清视频采 集系统对图像预处理;
步骤2,由计算机使用OPENCV对图像特征进行分析,实现图像分割和特 征点定位;
步骤3,对处理后的图像使用卷积神经网络对晶体生长状态特征进行晶体 生长当前实时形态的分析;
步骤4,根据步骤3的分析结果与机器学习得到的晶体生长的健康形态的 边缘坐标曲线进行比较后判断晶体形态是否正常;若是,则继续使用原给定函 数曲线进行生长控制;
步骤5,若否,则通过自助调节,对燃烧台位置,给料参数进行调节,并 实施反馈图像。
进一步地,所述步骤4的所述机器学习为使用python构建模型通过对实验 模板的匹配完成图像知识的机器学习,通过实时采集晶体边缘生长情况数据, 构建机器学习视觉智能控制模型。
进一步地,对于晶体生长初期出现的液态边缘不清晰情况,采用双分类器 集成学习迭代法,对含有不同对象的图像建立分类器,然后以投票机制来进行 分类特征信息综合汇总,形成最终分类器。
进一步地,使用OPENCV对图像特征进行分析,实现图像分割和特征点 定位,包括:通过OPENCV得到采集图片的灰度直方图,用以计算各个像素 点的灰度级别和各个灰度级别的像素在图像中出现的次数或概率,采用Canny 边缘检测算法检测晶体生长边沿。
进一步地,采用Canny边缘检测算法检测晶体生长边沿包括:求出晶体图 像坐标曲线P的一阶导数沿着晶体生长形态的横截面,一阶导数为: p′[v]=p[v]-p[v-1];
将点v处的导数写为对称的一阶差分与一维互相关核进行互相关运算;
运算结果中,非0项为晶体生长边缘坐标,得到晶体生长图中高水平梯度的 竖直边缘。
进一步地,步骤4步骤3的分析结果与机器学习得到的晶体生长的健康形 态的边缘坐标曲线进行比较对得到是否是边缘的识别分数,如果分数超过阈值 则视为晶体健康成长,如果分数没有超过阈值则不视为晶体健康成长,此时需 要调整晶体生长平台来对晶体外形进行调整。
进一步地,构建机器学习视觉智能控制模型的具体过程包括:
定义x=(x1,x2,...,xd)为摄像头采集到的样本图片的特征,提取图片的R,G,B 值、灰度平均值、对比度值、及该像素点在画面中的分布区域作为晶体形体维 度,thd为晶体生长是否健康的判断阈值,设定每一个维度的权重为wi;图片中 的如果晶体生长健康可设thd为晶体生长是否健康的判断阈值,此 时保持给定参数稳定。图中如果晶体生长不健康,相对的/>从而可 得晶体形态识别感知器为:/>通过晶体三维生长参数的 数据挖掘,为感知器提供样本数据,以感知器的训练结果做为晶体生长多轴伺 服控制台的输入参数,智能调节氢气、氧气、粉体的给定参数。
进一步地,步骤5包括:将图像特征闭环作为外环,燃烧台位置环和运动 速度环作为内环,当前图像特征以视觉反馈作为指标,将视觉反馈分成图像采 集部分和特征提取部分;根据给定的希望图像特征与当前图像特征相比较之后 产生的差异图像边进行调整,根据这个偏差来策划燃烧台末端的微分运动来调整策略,使其实现从图像空间差异调整到笛卡儿空间偏差;通过步进电机的逆 运动学算出给定的燃烧台空间的位置;通过6坐标位置控制器,为向每一个给 料的期望位置提供策略。
进一步地,具体包括:
对图像中晶体的位置和姿态进行数字描述:
位置描述:在相机直角坐标系C中,空间任意一点P的位置用3×1列向量表 示:CP=[PxPyPz]T;
姿态描述:空间物体W的方位由某个固定于此物体的坐标系{W}的三个坐 标向量相对于相机直角坐标系{C}的方向组成的3×3的矩阵描述。
Cx=Wxcosθ-Wysinθ
Cy=Wxsinθ+Wycosθ
Cz=WzP
其中:
由此可知坐标系{C}可由坐标系{W},通过绕{C}某一坐标轴旋转获得, 则绕x,y,z三轴的旋转矩阵为:
通写为:
旋转矩阵作为坐标变换矩阵,使得坐标系{W}中的P的坐标WP变换为 {C}中点的坐标CP,/>作为算子,将{W}中的矢量或物体变换到{C}中。从而得 到晶体位置、及姿态的空间状态,通过机器学习算法得到晶体健康生长时的实 时位置、形态参数。当晶体生长状态不健康时,同过3维空间坐标差值反馈来 调节高精度超低速3轴联动燃烧台位置控制系统的输入参数,从而调节晶体位 置。
进一步地,燃烧台位置控制系统包括模糊控制和一阶惯性环节相结合,当 差值大于一个步长时,按模糊控制的算法进行控制,当差值小于一个步长时, 则采用一阶惯性环节连续控制算法进行控制。
本发明与现有技术相比,有益效果在于:
本发明用计算机视觉反馈控制方式,在控制模型构建上采用人工智能深度 学习的方法,使用卷积神经网络对晶体生长状态特征进行分析,构成燃烧台运 动视觉反馈图像知识、图像特征、图像数据3个闭环,其中利用高清视频采集 系统完成图像信息的采集,并通过摄像系统本事对图像预处理;由计算机使用 OPENCV对图像特征进行分析,实现图像分割和特征点定位;使用phthyn构 建模型通过对实验模板的匹配完成图像知识的机器学习。旨在能够精确控制晶 体生长的各个参数,保障生长室内的温度分布、组成分布和力学分布,为微观结构完整的高品质的高温下特别是熔体状态下具有分解倾向的高温氧化物单晶体,如钛酸锶、金红石等单晶体提供良好的生长控制环境。通过构建深度学习 人工智能视觉控制模型,实现精密的温度分布(结晶生长)和组分分布(防止 组分分解)控制,旨在解决在高温溶体状态下具有分解倾向的高品质氧化物单 晶体的制备这一单晶领域长期以来存在的共性问题,提高晶体生长成功率和纯度,实现高纯度金红石晶体自动化批量生产。
用于特种高温氧化物单晶体的生长控制。系统通过计算机视觉反馈实现对 晶体生长参数的精确调节,提高熔点在1600℃以上、高温熔融状态下具有组分 分解倾向的氧化物单晶体生长成功率。实时调节晶体生长所需要的温度、原料 给定和力学条件,期望能够实现晶体生长速度在2-50mm/h区间的精确控制, 提高晶体生长成功率。该系统主要用于高温氧化物单晶体生长,如金红石单晶 体、钛酸锶单晶体等,广泛应用于制作光隔离器、光环形器、超导器件等诸多 领域。目前,金红石晶体市场由日本企业垄断,而且晶体生长成功率不高,约 为30%左右,且无法批量生产,极大的限制了金红石晶体的应用。
附图说明
图1为本发明方法的流程图;
图2为本发明方法视觉控制的框架;
图3为本发明方法目标边缘处才出现明显的非零响应。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例, 对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以 解释本发明,并不用于限定本发明。
参见图1结合图2所示:一种基于计算机视觉反馈的金红石单晶体生长智 能控制方法,包括:
步骤1,利用高清视频采集系统完成图像信息的采集,并通过高清视频采 集系统对图像预处理;
步骤2,由计算机使用OPENCV对图像特征进行分析,实现图像分割和特 征点定位;
步骤3,对处理后的图像使用卷积神经网络对晶体生长状态特征进行晶体 生长当前实时形态的分析;
步骤4,根据步骤3的分析结果与机器学习得到的晶体生长的健康形态的 边缘坐标曲线进行比较后判断晶体形态是否正常;若是,则继续使用原给定函 数曲线进行生长控制;
步骤5,若否,则通过自助调节,对燃烧台位置,给料参数进行调节,并 实施反馈图像。
其中步骤4的所述机器学习为使用python构建模型通过对实验模板的匹配 完成图像知识的机器学习,通过实时采集晶体边缘生长情况数据,构建机器学 习视觉智能控制模型。对于晶体生长初期出现的液态边缘不清晰情况,采用双 分类器集成学习迭代法,对含有不同对象的图像建立分类器,然后以投票机制 来进行分类特征信息综合汇总,形成最终分类器,具体的通过卷积分神经网络 算法,是将输入样本参数的权重经行分类,对晶体生长形态影响较大的样本参数赋予较大权重,也就是“票数”多,对深度学习结果影响大。
使用phthyn构建模型通过对实验模板的匹配完成图像知识的机器学习,采 用卷积分神经网络算法对图像特征进行分析,通过实时采集晶体边缘生长情况 数据,构建机器学习视觉智能控制模型。对这些图片进行图像特征进行分析得 到是否是边缘的识别分数,如果分数超过阈值则视为晶体健康成长,如果分数 没有超过阈值则不视为晶体健康成长,此时需要调整晶体生长平台来对晶体外形进行调整。
构建机器学习视觉智能控制模型的具体过程包括:
定义x=(x1,x2,...,xd)为摄像头采集到的样本图片的特征,提取图片的R,G,B值、灰度平均值、对比度值、及该像素点在画面中的分布区域作为晶体形体维 度,thd为晶体生长是否健康的判断阈值,设定每一个维度的权重为wi。图片中 的如果晶体生长健康可设此时保持给定参数稳定。图中如果晶体 生长不健康,相对的/>从而可得晶体形态识别感知器为:/>通过晶体三维生长参数的数据挖掘,为感知器提供样 本数据,以感知器的训练结果做为晶体生长多轴伺服控制台的输入参数,智能 调节氢气、氧气、粉体的给定参数,保证晶体健康生长。
步骤2中使用OPENCV对图像特征进行分析,实现图像分割和特征点定位, 包括:通过OPENCV得到采集图片的灰度直方图,用以计算各个像素点的灰 度级别和各个灰度级别的像素在图像中出现的次数或概率,采用Canny边缘检 测算法检测晶体生长边沿。
采用Canny边缘检测算法检测晶体生长边沿包括:求出晶体图像坐标曲线 P的一阶导数沿着晶体生长形态的横截面,一阶导数为:p′[v]=p[v]-p[v-1];如 图3所示,一阶导数信号在一般情况下为0,只有在目标边缘处才出现明显的非 零响应,即在晶体边缘。
将点v处的导数写为对称的一阶差分与一维互相关核进行互相关运算,维互 相关核为:指的是边缘检测算子,将图像与这个核求互相关,运 算结果中,非0项为晶体生长边缘坐标,从而得到晶体生长图中高水平梯度的 竖直边缘。
步骤4中步骤3的分析结果与机器学习得到的晶体生长的健康形态的边缘 坐标曲线进行比较对得到是否是边缘的识别分数,如果分数超过阈值则视为晶 体健康成长,如果分数没有超过阈值则不视为晶体健康成长,此时需要调整晶 体生长平台来对晶体外形进行调整。
步骤5包括:将图像特征闭环作为外环,燃烧台位置环和运动速度环作为 内环,当前图像特征以视觉反馈作为指标,将视觉反馈分成图像采集部分和特 征提取部分;根据给定的希望图像特征与当前图像特征相比较之后产生的差异 图像边进行调整,根据这个偏差来策划燃烧台末端的微分运动来调整策略,使其实现从图像空间差异调整到笛卡儿空间偏差;通过步进电机的逆运动学算出 给定的燃烧台空间的位置;通过6坐标位置控制器,为向每一个给料的期望位 置提供策略。
具体包括:
对图像中晶体的位置和姿态进行数字描述:
位置描述:在相机直角坐标系C中,空间任意一点P的位置用3×1列向量表 示:CP=[PxPyPz]T;
姿态描述:空间物体W的方位由某个固定于此物体的坐标系{W}的三个坐 标向量相对于相机直角坐标系{C}的方向组成的3×3的矩阵描述。
Cx=Wxcosθ-Wysinθ
Cy=Wxsinθ+Wycosθ
Cz=WzP
其中:
由此可知坐标系{C}可由坐标系{W},通过绕{C}某一坐标轴旋转获得, 则绕x,y,z三轴的旋转矩阵为:
通写为:
旋转矩阵作为坐标变换矩阵,使得坐标系{W}中的P的坐标WP变换为 {C}中点的坐标CP,/>作为算子,将{W}中的矢量或物体变换到{C}中。从而得 到晶体位置、及姿态的空间状态,通过机器学习算法得到晶体健康生长时的实 时位置、形态参数。当晶体生长状态不健康时,同过3维空间坐标差值反馈来 调节高精度超低速3轴联动燃烧台位置控制系统的输入参数,从而调节晶体位 置。
由于摄相机模型描述的图像特征和燃烧台位置为非线性关系,为能够使燃 烧台位置控制环节能够迅速动作,并保证系统的稳定性,系统在小范围内采取 PID控制算法,尽量将基于图像的视觉控制系统简化为由一阶惯性环节和非线 性环节所构成的单闭环系统,在保证控制精度的同时加快系统动态响应速度。
具体方法为采用将传统的PID分解为一阶惯性环节和模糊控制方法,使系 统既具有模糊控制的智能性和自学习性的特点,又具有PID控制的稳定性和能 够消除稳态误差的优势,同时在保证系统的控制精度的前提下,降低系统模糊矩阵的维数,简化模糊控制规则,减少算法对控制器系统资源的占有率,增强 系统的稳定性和控制效率。算法在差值信号变化比较大的时候采用模糊控制, 在差值变化比较小的时候采用连续控制,原因是由于模糊控制的控制动作的最 小执行值就是一个步长,如果控制信号的偏差值小于一个步长,则控制器不发 生动作,这就造成了在模糊控制中存在死区,由于死区的无法控制的特性,所 以同PID控制算法相比,模糊控制的控制输出无法达到消除稳态误差的控制效果,而在模糊控制中缩小稳态误差的方法通常是采用增加策略矩阵的维数或是 采用遗传算法等高级的控制算法,而这样就无形的增加了模糊控制器的运算负 担。以至于小型的PLC根本无法完成对系统的控制。而本系统是把模糊控制和 一阶惯性环节相结合,当差值大于一个步长时,按模糊控制的算法进行控制,当差值小于一个步长时,则采用一阶惯性环节连续控制算法进行控制。
具体步骤为:
1.设定生长高度差e和控制量UK
2.模糊化设高度差e的模糊子集为e={负大,负中,负小,零,正小, 正中,正大}设定其相应的语言变量,并记作:
NB(Negative Big)=负大
NM(Negativ Middle)=负中
NS(Negative Small)=负小
ZO(Zero)=零
PS(Positive Small)=正小
PM(Positive Middle)=正中
PB(Positive Big)=正大
并将高度差e的大小化为七个等级,分别表示为-3,-2,-1,0,+1,+2, +3,则其论域E为:
E={-3,-2,-1,0,1,2,3}
3.模糊控制规则库:模糊控制器的规则是基于专家知识或手动操作熟练人 员长期积累的经验,它是按人的直觉推理的一种语言表示形式。模糊规则通常 由一系列的关键词连接而成,如if—then、else、also、end、or等。关系词必须 经过“翻译”,才能将模糊规则数值化,最常用的关系词为if—then、also(或or), 对于多变量模糊控制系统还有and。如果模糊控制给定系统的输入变量为流量差e和流量差变化率ec,它们相对应的语言变量为E与EC,对于控制变量U, 给出下述模糊控制规则:
(1)If E is NB and EC is NB then UK is PB
(2)If E is NB and EC is NM then UKis PS
(3)If E is NB and EC is NS then UK is PM
(4)If E is NB and EC is NZ then UK is PM
(5)If E is NM and EC is NB then UK is PB
(6)If E is NM and EC is NM then UK is PB
(7)If E is NM and EC is NS then UK is PM
(8)If E is NM and EC is NZ then UK is PM
(9)If E is NS and EC is NB then UK is PB
(10)If E is NS and EC is NM then UK is PB
(11)If E is NS and EC is NS then UK is PM
(12)If E is NS and EC is NZ then UK is PS
(13)If E is NZ and EC is NB then UK is PB
(14)If E is NZ and EC is NM then UK is PM
(15)If E is NZ and EC is NS then UK is PM
(16)If E is NZ and EC is NZ then UK is PZ
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明 的保护范围之内。
Claims (4)
1.一种基于计算机视觉反馈的金红石单晶体生长智能控制方法,其特征在于,包括:
步骤1,利用高清视频采集系统完成图像信息的采集,并通过高清视频采集系统对图像预处理;
步骤2,由计算机使用OPENCV对图像特征进行分析,实现图像分割和特征点定位;
步骤3,对处理后的图像使用卷积神经网络对晶体生长状态特征进行晶体生长当前实时形态的分析;
步骤4,根据步骤3的分析结果与机器学习得到的晶体生长的健康形态的边缘坐标曲线进行比较后判断晶体形态是否正常;若是,则继续使用原给定函数曲线进行生长控制;
步骤5,若否,则通过自助调节,对燃烧台位置,给料参数进行调节,并实施反馈图像;
所述步骤4的所述机器学习为使用python构建模型通过对实验模板的匹配完成图像知识的机器学习,通过实时采集晶体边缘生长情况数据,构建机器学习视觉智能控制模型;
对于晶体生长初期出现的液态边缘不清晰情况,采用双分类器集成学习迭代法,对含有不同对象的图像建立分类器,然后以投票机制来进行分类特征信息综合汇总,形成最终分类器;
使用OPENCV对图像特征进行分析,实现图像分割和特征点定位,包括:通过OPENCV得到采集图片的灰度直方图,用以计算各个像素点的灰度级别和各个灰度级别的像素在图像中出现的次数或概率,采用Canny边缘检测算法检测晶体生长边沿;
构建机器学习视觉智能控制模型的具体过程包括:
定义x=(x1,x2,...,xd)为摄像头采集到的样本图片的特征,提取图片的R,G,B值、灰度平均值、对比度值、及像素点在画面中的分布区域作为晶体形体维度,thd为晶体生长是否健康的判断阈值,设定每一个维度的权重为wi;图片中如果晶体生长健康可设thd为晶体生长是否健康的判断阈值,此时保持给定参数稳定,图中如果晶体生长不健康,相对的/>从而可得晶体形态识别感知器为:/>通过晶体三维生长参数的数据挖掘,为感知器提供样本数据,以感知器的训练结果做为晶体生长多轴伺服控制台的输入参数,智能调节氢气、氧气、粉体的给定参数;
步骤5包括:将图像特征闭环作为外环,燃烧台位置环和运动速度环作为内环,当前图像特征以视觉反馈作为指标,将视觉反馈分成图像采集部分和特征提取部分;根据给定的希望图像特征与当前图像特征相比较之后产生的差异图像边进行调整,根据这个偏差来策划燃烧台末端的微分运动来调整策略,使其实现从图像空间差异调整到笛卡儿空间偏差;通过步进电机的逆运动学算出给定的燃烧台空间的位置;通过6坐标位置控制器,为向每一个给料的期望位置提供策略;
具体包括:
对图像中晶体的位置和姿态进行数字描述:
位置描述:在相机直角坐标系C中,空间任意一点P的位置用3×1列向量表示:CP=[PxPyPz]T;
姿态描述:空间物体W的方位由某个固定于此物体的坐标系{W}的三个坐标向量相对于相机直角坐标系{C}的方向组成的3×3的矩阵描述:
Cx=Wxcosθ-Wysinθ
Cy=Wxsinθ+Wycosθ
C W
z=zP
其中:
由此可知坐标系{C}可由坐标系{W},通过绕{C}某一坐标轴旋转获得,
则绕x,y,z三轴的旋转矩阵为:
通写为:
3.按照权利要求1所述的基于计算机视觉反馈的金红石单晶体生长智能控制方法,其特征在于,步骤4中步骤3的分析结果与机器学习得到的晶体生长的健康形态的边缘坐标曲线进行比较对得到是否是边缘的识别分数,如果分数超过阈值则视为晶体健康成长,如果分数没有超过阈值则不视为晶体健康成长,此时需要调整晶体生长平台来对晶体外形进行调整。
4.按照权利要求1所述的基于计算机视觉反馈的金红石单晶体生长智能控制方法,其特征在于,燃烧台位置控制系统包括模糊控制和一阶惯性环节相结合,当差值大于一个步长时,按模糊控制的算法进行控制,当差值小于一个步长时,则采用一阶惯性环节连续控制算法进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447557.5A CN111754516B (zh) | 2020-05-25 | 2020-05-25 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010447557.5A CN111754516B (zh) | 2020-05-25 | 2020-05-25 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754516A CN111754516A (zh) | 2020-10-09 |
CN111754516B true CN111754516B (zh) | 2023-06-30 |
Family
ID=72674374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010447557.5A Active CN111754516B (zh) | 2020-05-25 | 2020-05-25 | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754516B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344439B (zh) * | 2021-06-29 | 2024-04-26 | 蓝思系统集成有限公司 | 一种晶体生长控制方法、装置、系统及可读存储介质 |
CN115082427B (zh) * | 2022-07-20 | 2022-11-11 | 山东智领新材料有限公司 | 基于人工智能的铝材压延工艺参数控制方法 |
CN116106307B (zh) * | 2023-03-31 | 2023-06-30 | 深圳上善智能有限公司 | 一种基于图像识别的智能兑金机的检测结果评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102249126A (zh) * | 2011-06-14 | 2011-11-23 | 中国矿业大学 | 矿井提升机绝缘栅门极晶体管变流导通监视系统 |
CN104991984A (zh) * | 2015-05-15 | 2015-10-21 | 广西大学 | 一种用于煮糖结晶的数据监测方法和系统 |
CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1164801C (zh) * | 2001-12-12 | 2004-09-01 | 中国科学院物理研究所 | 遥控晶体生长装置及其控制方法 |
US7827129B2 (en) * | 2006-05-18 | 2010-11-02 | Siemens Medical Solutions Usa, Inc. | Crystal lookup table generation using neural network-based algorithm |
CN106526651B (zh) * | 2015-09-14 | 2019-08-23 | 上海联影医疗科技有限公司 | 一种探测器晶体位置表的建立方法及系统 |
CN108805988A (zh) * | 2018-05-23 | 2018-11-13 | 平安科技(深圳)有限公司 | Vr图像生成方法、装置、计算机设备及存储介质 |
CN110162329B (zh) * | 2019-03-31 | 2023-07-18 | 东南大学 | 一种基于双分类器的增量式软件架构更新方法 |
CN110033486B (zh) * | 2019-04-19 | 2021-03-16 | 山东大学 | 透明晶体生长过程边缘及体积实时监测方法及系统 |
CN110220912A (zh) * | 2019-05-28 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
CN111047824B (zh) * | 2019-12-20 | 2022-04-12 | 广东睿住智能科技有限公司 | 一种室内儿童看护联动控制预警方法及系统 |
-
2020
- 2020-05-25 CN CN202010447557.5A patent/CN111754516B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102249126A (zh) * | 2011-06-14 | 2011-11-23 | 中国矿业大学 | 矿井提升机绝缘栅门极晶体管变流导通监视系统 |
CN104991984A (zh) * | 2015-05-15 | 2015-10-21 | 广西大学 | 一种用于煮糖结晶的数据监测方法和系统 |
CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111754516A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754516B (zh) | 基于计算机视觉反馈的金红石单晶体生长智能控制方法 | |
CN111079655B (zh) | 一种基于融合神经网络的视频中人体行为识别方法 | |
CN111893563A (zh) | 可自动调节放肩工艺参数的单晶炉及控制方法 | |
CN106408592A (zh) | 一种基于目标模板更新的目标跟踪方法 | |
CN110928189A (zh) | 一种基于强化学习和李雅普诺夫函数的鲁棒控制方法 | |
CN108875655A (zh) | 一种基于多特征的实时目标视频跟踪方法及系统 | |
EP1007769A1 (de) | Einrichtung und verfahren zum züchten von kristallen | |
Drgoňa et al. | Learning stochastic parametric diferentiable predictive control policies | |
CN105334336A (zh) | 自动血细胞计数系统及其控制方法 | |
Lin et al. | A computational intelligence system for cell classification | |
CN112255912B (zh) | 一种无模型自适应pid控制策略的聚合釜产物浓度控制方法 | |
CN212713844U (zh) | 可自动调节放肩工艺参数的单晶炉 | |
Carlevarino et al. | An incremental growing neural network and its application to robot control | |
Adhikari | Towards Explainable AI: Interpretable Models and Feature Attribution | |
Chen et al. | The method for automatic adjustment of AGV’s PID based on deep reinforcement learning | |
CN105319381A (zh) | 一种全自动血细胞计数仪及其计数控制方法 | |
Hazama et al. | Generation of figures with controllable posture using Ss-InfoGAN | |
Griffin et al. | Externally directing self-assembly with dynamic programming | |
ZHAO et al. | INTELLIGENT DETECTION OF RUTILE SINGLE CRYSTAL GROWTH MORPHOLOGY BASED ON COMPUTER VISION UNDER HIGH TEMPERATURE | |
Birle | Fuzzy logic based solutions for the management of uncertainty-biased process control of fermentative systems | |
CN112465861B (zh) | 一种基于自适应掩膜的相关滤波视觉目标跟踪方法 | |
Yusubjonovna | Synthesis Of An Adaptive Identifier For A Neural Fuzzy Control System Under Uncertainty | |
Forch et al. | Recurrent Spatial Attention for Facial Emotion Recognition | |
CN105372990A (zh) | 血细胞计数同步控制方法及应用 | |
Wang | Research on Development of Generative Artificial Intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |