CN112634270B - 一种基于工业互联网的成像检测系统及方法 - Google Patents

Abstract

本发明涉及一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，通过改进ToF相机计算方式获取产品信息，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm。本发明显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强。

Description

一种基于工业互联网的成像检测系统及方法

技术领域

本发明涉及工业互联网技术领域，具体地涉及一种基于工业互联网的成像检测系统及方法。

背景技术

基于工业互联网下，产品全生命周期管理，需要及时获取相应信息，才能够达到高效率匹配。产品全生命周期管理过程中，特别对于那些高端复杂精密的装备，其设计复杂多变、制造流程较长、参与企业众多，企业内各生产线间、工厂间以及企业之间存在大量非标准化的标识和采集数据格式不统一的问题，导致产品数据被保存在不同位置、不同设计的信息系统中，产品数据难以互通共享，形成了一个个“信息孤岛”，难以形成产品全生命周期数字化，致使数据难以为企业带来价值。工业互联网下产品信息及其表达是实现产品全生命周期管理的重要基础。

而工业互联网初级阶段，没有产品统一数据表示方式，且获取的数据不准确，在数据量较大情况下不能确定产品类别，通过建设工业互联网相关节点，针对企业使用的不同标识体系，提供产品信息数字化，实现公共编码，帮助企业实现各环节、各企业间信息的对接与互通，将“信息孤岛”转变成基于统一标识的全流程信息自由流动，实现设计、生产、市场、售后信息的全面数字化与交互，提升企业知识价值与共享，优化产品开发与业务流程，降低产品全生命周期管理成本，从而提升企业的市场竞争力，亟待解决。

发明内容

为解决上述技术问题，本发明提供一种基于工业互联网的成像检测系统及方法，通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强。

本发明的技术方案是这样实现的：一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

优选地，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。

优选地，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。

优选地，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q＝(T2-T1)。

优选地，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。

优选地，根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的熵中的一个或多个；

获取产品自身图像像素数据的直方图为：

M为像素总数，N(w)为灰度值为w的像素数，w＝1，2，…L-1为图像的灰度级；

获取产品自身图像像素数据的均值:

q(w)为像素个数的倒数。

获取产品自身图像像素数据的方差:

获取产品自身图像像素数据的偏度:

获取产品自身图像像素数据的峰度:

获取产品自身图像像素数据的能量:

获取产品自身图像像素数据的熵:

优选地，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。

同时，还提供一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；

数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

与现有技术相比，本发明的技术方案具有以下有益效果：通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。

附图说明

图1是本发明一种基于工业互联网的成像检测系统及方法的流程图。

具体实施方式

本领域技术人员理解，如背景技术所言，传统技术传统技术中而工业互联网初级阶段，没有产品统一数据表示方式，且获取的数据不准确，在数据量较大情况下不能确定产品类别；本发明通过通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

实施例1：

图1示出了本发明一种基于工业互联网的成像检测系统及方法，在一些实施例中，例如，卷烟设备的生产中，需要获取每一支烟，每个烟盒，每一条烟，造烟设备等信息，数量繁杂，同时涉及外观，形状，字体，烟草材料等各种信息，需要进行分门别类的进行数据编码，分类，提高匹配效率；具体实现形式如下，一种基于工业互联网的成像检测系统及方法，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

在一些实施例中，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。

在一些实施例中，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。

在一些实施例中，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q＝(T2-T1)。

在一些实施例中，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。

在一些实施例中，根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的熵中的一个或多个；

获取产品自身图像像素数据的直方图为：

M为像素总数，N(w)为灰度值为w的像素数，w＝1，2，…L-1为图像的灰度级；

获取产品自身图像像素数据的均值:

q(w)为像素个数的倒数。

获取产品自身图像像素数据的方差:

获取产品自身图像像素数据的偏度:

获取产品自身图像像素数据的峰度:

获取产品自身图像像素数据的能量:

获取产品自身图像像素数据的熵:

在一些实施例中，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。

一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；

数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

实施例2：

在一些实施例中，还包括通过向量固定长度分段设置信息格式，不同段表示一种信息量，例如，第一段数据量100，为产品材料信息，第二段，数据量110，为产品颜色信息，第三段数据量33，为产品包装信息，第四段，数据量149，为产品ToF信息，通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位,τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

与现有技术相比，本发明的技术方案具有以下有益效果：本发明通过通过改进的ToF相机计算方式，形成向量数据矩阵，对数据矩阵进行MPS编码，对工业互联网下所有产品数据进行计算，优化目的值Jm，进而确定产品类别，显著地提高了产品生产识别匹配效率，克服了现有产品标识不统一等现象，且在准确率方面大大增强；本发明通过通过改进ToF相机计算方式，将产品外接圆半径加入到距离计算考虑因素中能够显著地提高了准确性及效率，本申请的向量产生方式以及MPS编码克服了工业互联网下数据不统一的问题，通过优化Jm，进而确定产品类别，在准确率方面大大增强。

本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品，因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种基于工业互联网的成像检测方法，其特征在于，包括步骤：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵，对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数，x_kl表示l元素产品数据点。

2.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括产品rgb颜色空间像素数据，以及lab颜色空间图像像素数据。

3.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据还包括：边界连通度、颜色分布紧凑度、距离加权的颜色对比度、像素的前景概率、背景概率。

4.根据权利要求2所述的一种基于工业互联网的成像检测方法，其特征在于，所述倾斜影像数据包括坡度，所述坡度计算方式为：对每个产品图像进行灰度化处理，提取每个图像块中灰度值最低以及灰度值最高的像素点，分别为T1、T2；坡度为Q＝(T2-T1)。

5.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：产品图像块中每个像素的R、G、B以及H、S、V值。

6.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，所述产品自身图像像素数据包括：获取产品自身图像像素数据的直方图、获取产品自身图像像素数据的均值、获取产品自身图像像素数据的方差、获取产品自身图像像素数据的偏度、获取产品自身图像像素数据的峰度、获取产品自身图像像素数据的能量、获取产品自身图像像素数据的熵中的一个或多个；

获取产品自身图像像素数据的直方图为：

M为像素总数，N(w)为灰度值为w的像素数，w＝1，2，…L-1为图像的灰度级；

获取产品自身图像像素数据的均值:

q(w)为像素个数的倒数。

获取产品自身图像像素数据的方差:

获取产品自身图像像素数据的偏度:

获取产品自身图像像素数据的峰度:

获取产品自身图像像素数据的能量:

获取产品自身图像像素数据的熵:

7.根据权利要求1所述的一种基于工业互联网的成像检测方法，其特征在于，还包括在对数据矩阵进行MPS编码前，对数据矩阵进行预处理，对数据矩阵滤波去噪。

8.一种基于工业互联网的成像检测系统，其特征在于，包括：数据获取模块：通过ToF相机分别获取产品在生产线间、工厂间以及企业间不同阶段的不同角度的倾斜影像数据，其中包括通过改进ToF相机计算方式在至少四个方向角度获取物体与相机的距离差D、相位差Δφ、光速C、调制频率f，A1、A2、A3、A4是相位依次相差90度的相位，τ为相关系数，R为产品外接圆半径，将上述参量串接形成不同阶段、不同角度的多维向量数据；产品自身图像像素数据，产品位置、生产车间代码、公司代码形成向量数据，将向量数据合并，形成向量数据矩阵；

数据编码模块：对数据矩阵进行MPS编码，得到MPS数据包，根据预设数据结构解析所述MPS数据包，得到符合优化处理的结构化数据，并将得到的结构化数据传输到计算模块，MPS为用于表达线性优化模型的模型数据存储格式与传输格式，其中：

优化目的值Jm模块：对工业互联网下所有产品数据进行计算，优化目的值Jm，计算方式如下：

其中，u_ik表示产品数据点x_k对产品类点v_i的亲和度；d(x_k；v_i)表示产品数据点x_k到产品类点v_i的距离；c为产品个数，n为待确认产品总个数；m为开关指数，m＞1，开关指数越小表示产品分类越清晰，所以，U为c×n的亲和度矩阵，X是n×p的待确认产品数据集矩阵，V为c×p的产品类点矩阵，迭代更新产品类点矩阵V和待确认产品数据集矩阵U实现目的值Jm的优化，其中，产品类点v_i中每个元素v_il的更新公式如下，其中，l＝1,2,...,p：

而亲和度u_ik的更新公式为：

目的值Jm优化的过程中需满足以下约束条件：

产品类别分析流程如下：

迭代次数t＝0，选择c和m，随机初始化V；更新U；更新V；

t＝t+1，当max|u_ik ^t-u_ik ^t-1|＜ε或者t＞N时，算法停止，否则转向更新U，其中ε、N是一个实数,x_kl表示l元素产品数据点。

Images