CN113988666B - 一种有机硅混炼胶智能定量包装方法及系统 - Google Patents

Abstract

本发明公开了一种有机硅混炼胶智能定量包装方法及系统，其中，所述方法包括：对有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；将各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；对第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；将有机硅混炼胶产品数据库和第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；将第一图像信息输入第一定量包装分析模型，获得第一定量包装参数信息；根据第一定量包装参数信息对第一混炼胶产品进行定量包装控制。解决了现有技术有机硅混炼胶包装方法单一，包装效率低，导致包装与产品匹配度低的技术问题。

Description

一种有机硅混炼胶智能定量包装方法及系统

技术领域

本发明涉及定量包装领域，尤其涉及一种有机硅混炼胶智能定量包装方法及系统。

背景技术

有机硅混炼胶由有机硅生胶和高纯度二氧化硅为主要成分的填料，根据配方混炼而成的橡胶弹性体，它必须和硫化剂均匀混合后在高温下才能硫化成型，所以也被称为有机硅高温胶，它兼具无机和有机两方面的性质，在电力、电气、机械、汽车、食品设备、休闲用品等行业有着广泛的应用。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术有机硅混炼胶包装方法单一，包装效率低，导致包装与产品匹配度低的问题。

发明内容

本申请实施例通过提供一种有机硅混炼胶智能定量包装方法及系统，解决了现有技术有机硅混炼胶包装方法单一，包装效率低，导致包装与产品匹配度低的技术问题，达到通过大数据对包装参数进行特征提取，实现对有机硅混炼胶的智能化定量包装，进而提高包装与产品匹配度和包装效率的技术效果。

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。

第一方面，本申请实施例提供了一种有机硅混炼胶智能定量包装方法，所述方法包括：通过大数据平台构建有机硅混炼胶产品数据库；根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；通过所述图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。

另一方面，本申请还提供了一种有机硅混炼胶智能定量包装系统，所述系统包括：第一构建单元，所述第一构建单元用于通过大数据平台构建有机硅混炼胶产品数据库；第一获得单元，所述第一获得单元用于根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；第二获得单元，所述第二获得单元用于将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；第三获得单元，所述第三获得单元用于对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；第四获得单元，所述第四获得单元用于将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；第五获得单元，所述第五获得单元用于通过图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；第六获得单元，所述第六获得单元用于将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；第一控制单元，所述第一控制单元用于根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。

第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过大数据平台构建有机硅混炼胶产品数据库；根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；通过所述图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。进而达到通过大数据对包装参数进行特征提取，实现对有机硅混炼胶的智能化定量包装，进而提高包装与产品匹配度和包装效率的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种有机硅混炼胶智能定量包装方法的流程示意图；

图2为本申请实施例一种有机硅混炼胶智能定量包装方法中对混炼胶包装分析结果进行包装特征提取的流程示意图；

图3为本申请实施例一种有机硅混炼胶智能定量包装方法中对有机硅混炼胶产品数据库进行数据扩充处理的流程示意图；

图4为本申请实施例一种有机硅混炼胶智能定量包装方法中获得混炼胶产品的第二定量包装参数信息的流程示意图；

图5为本申请实施例一种有机硅混炼胶智能定量包装方法中获得第二定量包装分析模型的流程示意图；

图6为本申请实施例一种有机硅混炼胶智能定量包装系统的结构示意图；

图7为本申请实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。

附图标记说明：第一构建单元11，第一获得单元12，第二获得单元13，第三获得单元14，第四获得单元15，第五获得单元16，第六获得单元17，第一控制单元18，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。

具体实施方式

在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

申请概述

本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本发明实施例中的附图对本发明实施例进行描述。

实施例一

如图1所示，本申请实施例提供了一种有机硅混炼胶智能定量包装方法，其中，所述方法包括：

步骤S100：通过大数据平台构建有机硅混炼胶产品数据库；

具体而言，有机硅混炼胶由有机硅生胶和高纯度二氧化硅为主要成分的填料，根据配方混炼而成的橡胶弹性体，它必须和硫化剂均匀混合后在高温下才能硫化成型，所以也被称为有机硅高温胶，它兼具无机和有机两方面的性质，在电力、电气、机械、汽车、食品设备、休闲用品等行业有着广泛的应用。具体而言，通过大数据平台构建有机硅混炼胶产品数据库，大数据平台是以存储、运算、展现作为目的的平台，是具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。所述有机硅混炼胶产品数据库为包括各种类型有机硅混炼胶产品信息的数据库，包括产品型号、产品尺寸、物理性能、成型工艺、材料比例等，通过构建产品数据库用于后续提取定量包装参数更加准确。

步骤S200：根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；

进一步而言，其中，所述混炼胶产品特征决策树，本申请实施例步骤S200还包括：

步骤S210：根据历史混炼胶产品特征信息集合，获得对应的类别产品特征信息集合；

步骤S220：对所述类别产品特征信息集合的数据特征进行主成分分析，获得第一降维数据特征集，所述第一降维数据特征集包括第一特征、第二特征和第三特征；

步骤S230：分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算，获得决策树的节点特征信息；

步骤S240：根据所述节点特征信息，构建混炼胶产品特征决策树。

具体而言，根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息，所述各类别混炼胶产品特征信息为有机硅混炼胶的产品特征类别，如混炼胶产品型号、成型工艺、产品包装参数等。决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。混炼胶产品特征可作为所述混炼胶产品特征决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对所述混炼胶产品特征决策树树进行递归构建，直至无法对最后的特征叶节点进行再分，说明分类结束，以此构成了混炼胶产品特征决策树。

进一步而言，根据所述历史混炼胶产品特征信息集合，获得对应分类的类别产品特征信息集合，对所述类别产品特征信息集合的数据特征进行主成分分析，主成分分析是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大(方差最大)，以此使用较少的数据维度，同时保留住较多的原数据点的特性。获得主成分分析降维之后的第一降维数据特征集，所述第一降维数据特征集包括第一特征、第二特征和第三特征，可为混炼胶产品型号、成型工艺、产品包装参数等。降维的目的，就是为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影，将原特征投影到这些维度上，使降维后信息量损失最小。

为了具体构建所述混炼胶产品特征决策树，可分别对所述第一特征、所述第二特征以及所述第三特征进行信息熵的运算，即通过信息论编码中的香农公式对其进行信息熵数值的具体计算，进而获得对应的特征信息熵，进一步，信息熵表示信息的不确定度，当不确定性越大时，它所包含的信息量也就越大，信息熵也就越高，纯度也就越低，当集合中的所有样本均匀混合时，信息熵最大，纯度最低。因此，应基于所述数据大小比对模型对所述特征信息熵对其大小数值的比对，继而获得熵值最小的特征，即第一根节点特征信息，通过对熵值最小的特征进行优先分类，继而按照熵值由小到大的顺序，依次对各节点特征进行分类，最终构建所述混炼胶产品特征决策树。使得每个有机硅混炼胶产品都匹配适合类别的混炼胶产品特征，进而实现混炼胶产品特征决策树的分类更加准确的技术效果。

步骤S300：将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；

具体而言，将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，所述混炼胶包装分析模型为神经网络模型，用于对混炼胶包装参数进行分析，包括包装尺寸、包装印刷、包装材料等，获得所述模型的训练输出结果即第一混炼胶包装分析结果，所述第一混炼胶包装分析结果为后续定量包装参数的提取提供基础。

步骤S400：对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；

如图2所示，进一步而言，其中，所述对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息，本申请实施例步骤S400还包括：

步骤S410：对所述第一混炼胶包装分析结果进行包装特征提取，确定包装材料特征、抗冲击强度特征和包装结构特征；

步骤S420：获得所述包装材料特征的第一包装卷积特征、所述抗冲击强度特征的第二包装卷积特征，所述包装结构特征的第三包装卷积特征；

步骤S430：根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果；

步骤S440：对所述第一包装特征结果进行定量参数提取，获得第一定量包装特征信息。

具体而言，对所述第一混炼胶包装分析结果进行包装特征提取，确定包装材料特征、抗冲击强度特征和包装结构特征，所述包装材料特征为混炼胶产品包装材料，根据产品特性确定不同的包装材料，如木箱包装、编织袋包装、纸箱包装等。所述抗冲击强度特征用于评价包装的抗冲击能力或判断包装的脆性和韧性程度，抗冲击强度越大，表明包装的抗冲击性能越好。所述包装结构特征为混炼胶包装的外观结构特征，包括包装平滑度、包装尺寸、包装结构组成等。卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络，在图像和视频分析领域，比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果，是目前应用最广泛的模型之一。

卷积神经网络，从字面上包括两个部分：卷积+神经网络。其中，卷积就是特征提取器，而神经网络，可以看作分类器。训练一个卷积神经网络，就是同时训练了特征提取器(卷积)和后面的分类器(神经网络)。通过卷积神经网络分别对各指标特征进行提取分类，获得所对应的所述包装材料特征的第一包装卷积特征、所述抗冲击强度特征的第二包装卷积特征，所述包装结构特征的第三包装卷积特征。对所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征进行卷积运算的融合分析，生成第一包装特征结果，所述第一包装特征结果是经过卷积神经网络进行特征训练后的结果。对所述第一包装特征结果进行定量参数提取，获得第一定量包装特征信息，包括定量包装的材料特征、抗冲击特征、包装结构特征等。达到通过卷积神经网络的方式对定量包装的特征进行分析，以用于后续定量包装分析模型的训练结果更加合理准确的技术效果。

步骤S500：将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；

具体而言，将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的，通过大量数据进行训练，获得第一定量包装分析模型，用于对混炼胶的定量包装参数分析更加准确。

步骤S600：通过所述图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；

步骤S700：将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；

具体而言，所述图像采集装置可以是摄像机、照相机、阵列摄像头等，通过所述图像采集装置对所述第一混炼胶产品的图像信息进行采集，获得第一图像信息包括产品尺寸、产品颜色、产品型号等。将所述第一图像信息输入所述第一定量包装分析模型中，获得所述模型的训练输出结果即第一定量包装参数信息，包括包装材料、包装尺寸、性能等参数，实现对所述第一混炼胶产品进行特定性包装。

步骤S800：根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。

具体而言，根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制，实现对所述第一混炼胶产品的特定性包装，包装效率更高，通过大数据对包装参数进行特征提取，实现对有机硅混炼胶的智能化定量包装，进而提高包装与产品匹配度。

如图3所示，进一步而言，本申请实施例还包括：

步骤S910：根据所述有机硅混炼胶产品数据库，获得有机硅混炼胶产品图像数据集；

步骤S920：根据产品应用包装，确定第一图像变化系数；

步骤S930：基于图像处理算法对所述有机硅混炼胶产品图像数据集进行数据扩增，所述数据扩增按照所述第一图像变化系数进行变化输出，获得扩增有机硅混炼胶产品图像数据集；

步骤S940：根据所述扩增有机硅混炼胶产品图像数据集，对所述有机硅混炼胶产品数据库进行数据扩充处理。

具体而言，根据所述有机硅混炼胶产品数据库，获得有机硅混炼胶产品图像数据集，所述有机硅混炼胶产品图像数据集包括有机硅混炼胶产品尺寸、产品颜色、产品型号等，所述产品应用包装为对有机硅混炼胶产品的包装应用场景，需对产品包装图像进行不同角度、尺度、亮度目标的泛化转换。按照所述第一图像变化系数如尺度缩放、长宽扭曲、亮度转换、图像翻转等进行图像转换，并通过图像处理算法对所述有机硅混炼胶产品图像数据集进行数据扩增，获得扩增后的有机硅混炼胶产品图像数据集。根据所述扩增有机硅混炼胶产品图像数据集，对所述有机硅混炼胶产品数据库进行数据扩充处理。达到对有机硅混炼胶产品数据库进行数据扩充，进而提高对不同角度、尺度、亮度目标检测的泛化能力，降低外界因素和目标多样性对评估模型精度的影响的技术效果。

如图4所示，进一步而言，本申请实施例还包括：

步骤S1010：获得所述第一混炼胶产品的第一运输特征信息，所述第一运输特征信息包括运输路线信息和运输方式信息；

步骤S1020：按照预定产品运输标准对所述第一运输特征信息进行评价，获得第一运输包装影响参数；

步骤S1030：根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型；

步骤S1040：根据所述第二定量包装分析模型，获得所述第一混炼胶产品的第二定量包装参数信息。

具体而言，所述第一混炼胶产品的第一运输特征信息，包括运输路线信息和运输方式信息，所述运输路线信息为混炼胶产品的路线长度、路线气候、路线温度、湿度等，不同运输路线对包装的防潮、耐磨特性要求也不同。所述运输方式信息混炼胶产品的运输形式，包括铁路、公路、水路、航空、管道等运输方式，不同的运输方式对产品包装的抗冲击性能、物理性能有不同的要求。所述预定产品运输标准为包装混炼胶产品质量的运输标准，按照预定产品运输标准对所述第一运输特征信息进行评价，获得第一运输包装影响参数，即运输特征对定量包装的质量影响。根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型，所述第二定量包装分析模型为增量学习后的模型。根据所述第二定量包装分析模型对所述第一混炼胶产品进行定量包装分析，获得所述模型的训练输出结果即第二定量包装参数信息，从而达到了对于包装运输特征进行增量学习，以提高定量包装参数结果参考性能的技术效果。

如图5所示，进一步而言，其中，所述根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型，本申请实施例步骤S1030还包括：

步骤S1031：将所述第一运输包装影响参数输入所述第一定量包装分析模型中，获得第一预测包装参数结果；

步骤S1032：通过对所述第一预测包装参数结果进行数据损失分析，获得第一损失数据；

步骤S1033：将所述第一损失数据输入到所述第一定量包装分析模型中进行训练，获得所述第二定量包装分析模型。

具体而言，第一预测包装参数结果是基于所述第一运输包装影响参数在所述第一定量包装分析模型中进行包装参数分析获得的对应预测评估结果，由于所述第一定量包装分析模型是基于所述有机硅混炼胶产品数据库和所述第一定量包装特征信息进行数据训练获得的，因此，通过引入损失函数完成数据损失的分析进而获得所述第一损失数据，其中，所述第一损失数据是代表所述第一定量包装分析模型对于所述第一运输包装影响参数的相关数据知识损失数据，再基于所述第一损失数据完成对所述第一定量包装分析模型的增量学习，由于所述第一定量包装分析模型是多个神经元相互连接组成构成神经网络获得的，因此，通过损失数据的训练使得所述第二定量包装分析模型保留了所述第一定量包装分析模型的基本功能，并维持模型不断更新的性能，从而提高了包装参数分析的更新性能，保证定量包装参数分析结果准确性的技术效果。

进一步而言，其中，所述根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果，本申请实施例步骤S430还包括：

步骤S431：将所述包装材料特征作为第一包装特征、所述抗冲击强度特征作为第二包装特征和所述包装结构特征作为第三包装特征；

步骤S432：分别对所述第一包装卷积特征和所述第一包装特征、所述第二包装卷积特征和所述第二包装特征、所述第三包装卷积特征和所述第三包装特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；

步骤S433：对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一包装特征结果。

具体而言，将所述包装材料特征作为第一包装特征、所述抗冲击强度特征作为第二包装特征和所述包装结构特征作为第三包装特征，并分别对所述第一包装卷积特征和所述第一包装特征、所述第二包装卷积特征和所述第二包装特征、所述第三包装卷积特征和所述第三包装特征进行遍历的卷积运算，可获得对应的第一卷积结果、第二卷积结果和第三卷积结果，对所述第一卷积结果、所述第二卷积结果、所述第三卷积结果进行融合分析，生成第一包装特征结果，所述第一包装特征结果是经过卷积神经网络进行特征训练后的结果。达到通过卷积神经网络的方式对有机硅混炼胶产品的包装特征进行分析，以用于定量包装分析模型的训练结果更加合理准确，进而提高包装与产品匹配度的技术效果。

综上所述，本申请实施例所提供的一种有机硅混炼胶智能定量包装方法及系统具有如下技术效果：

由于采用了通过大数据平台构建有机硅混炼胶产品数据库；根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；通过所述图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。进而达到通过大数据对包装参数进行特征提取，实现对有机硅混炼胶的智能化定量包装，进而提高包装与产品匹配度和包装效率的技术效果。

实施例二

基于与前述实施例中一种有机硅混炼胶智能定量包装方法同样发明构思，本发明还提供了一种有机硅混炼胶智能定量包装系统，如图6所示，所述系统包括：

第一构建单元11，所述第一构建单元11用于通过大数据平台构建有机硅混炼胶产品数据库；

第一获得单元12，所述第一获得单元12用于根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；

第二获得单元13，所述第二获得单元13用于将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；

第三获得单元14，所述第三获得单元14用于对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；

第四获得单元15，所述第四获得单元15用于将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；

第五获得单元16，所述第五获得单元16用于通过图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；

第六获得单元17，所述第六获得单元17用于将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；

第一控制单元18，所述第一控制单元18用于根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制。

进一步的，所述系统还包括：

第一确定单元，所述第一确定单元用于对所述第一混炼胶包装分析结果进行包装特征提取，确定包装材料特征、抗冲击强度特征和包装结构特征；

第七获得单元，所述第七获得单元用于获得所述包装材料特征的第一包装卷积特征、所述抗冲击强度特征的第二包装卷积特征，所述包装结构特征的第三包装卷积特征；

第八获得单元，所述第八获得单元用于根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果；

第九获得单元，所述第九获得单元用于对所述第一包装特征结果进行定量参数提取，获得第一定量包装特征信息。

进一步的，所述系统还包括：

第十获得单元，所述第十获得单元用于根据所述有机硅混炼胶产品数据库，获得有机硅混炼胶产品图像数据集；

第二确定单元，所述第二确定单元用于根据产品应用包装，确定第一图像变化系数；

第十一获得单元，所述第十一获得单元用于基于图像处理算法对所述有机硅混炼胶产品图像数据集进行数据扩增，所述数据扩增按照所述第一图像变化系数进行变化输出，获得扩增有机硅混炼胶产品图像数据集；

第一扩充单元，所述第一扩充单元用于根据所述扩增有机硅混炼胶产品图像数据集，对所述有机硅混炼胶产品数据库进行数据扩充处理。

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于获得所述第一混炼胶产品的第一运输特征信息，所述第一运输特征信息包括运输路线信息和运输方式信息；

第十三获得单元，所述第十三获得单元用于按照预定产品运输标准对所述第一运输特征信息进行评价，获得第一运输包装影响参数；

第十四获得单元，所述第十四获得单元用于根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型；

第十五获得单元，所述第十五获得单元用于根据所述第二定量包装分析模型，获得所述第一混炼胶产品的第二定量包装参数信息。

进一步的，所述系统还包括：

第十六获得单元，所述第十六获得单元用于将所述第一运输包装影响参数输入所述第一定量包装分析模型中，获得第一预测包装参数结果；

第十七获得单元，所述第十七获得单元用于通过对所述第一预测包装参数结果进行数据损失分析，获得第一损失数据；

第十八获得单元，所述第十八获得单元用于将所述第一损失数据输入到所述第一定量包装分析模型中进行训练，获得所述第二定量包装分析模型。

进一步的，所述系统还包括：

第一特征单元，所述第一特征单元用于将所述包装材料特征作为第一包装特征、所述抗冲击强度特征作为第二包装特征和所述包装结构特征作为第三包装特征；

第十九获得单元，所述第十九获得单元用于分别对所述第一包装卷积特征和所述第一包装特征、所述第二包装卷积特征和所述第二包装特征、所述第三包装卷积特征和所述第三包装特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；

第二十获得单元，所述第二十获得单元用于对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一包装特征结果。

进一步的，所述系统还包括：

第二十一获得单元，所述第二十一获得单元用于根据历史混炼胶产品特征信息集合，获得对应的类别产品特征信息集合；

第二十二获得单元，所述第二十二获得单元用于对所述类别产品特征信息集合的数据特征进行主成分分析，获得第一降维数据特征集，所述第一降维数据特征集包括第一特征、第二特征和第三特征；

第二十三获得单元，所述第二十三获得单元用于分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算，获得决策树的节点特征信息；

第二构建单元，所述第二构建单元用于根据所述节点特征信息，构建混炼胶产品特征决策树。

前述图1实施例一中的一种有机硅混炼胶智能定量包装方法的各种变化方式和具体实例同样适用于本实施例的一种有机硅混炼胶智能定量包装系统，通过前述对一种有机硅混炼胶智能定量包装方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种有机硅混炼胶智能定量包装系统的实施方法，所以为了说明书的简洁，在此不再详述。

此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

示例性电子设备

具体的，参见图7所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。

应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。

易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。

此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种有机硅混炼胶智能定量包装方法，其中，所述方法应用于一混炼胶智能定量包装系统，所述系统包括一图像采集装置，所述方法包括：

通过大数据平台构建有机硅混炼胶产品数据库；

根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；

将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；

对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；

将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；

通过所述图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；

将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；

根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制；

所述对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息，包括：

对所述第一混炼胶包装分析结果进行包装特征提取，确定包装材料特征、抗冲击强度特征和包装结构特征；

获得所述包装材料特征的第一包装卷积特征、所述抗冲击强度特征的第二包装卷积特征，所述包装结构特征的第三包装卷积特征；

根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果；

对所述第一包装特征结果进行定量参数提取，获得第一定量包装特征信息。

2.如权利要求1所述的方法，其中，所述方法包括：

根据所述有机硅混炼胶产品数据库，获得有机硅混炼胶产品图像数据集；

根据产品应用包装，确定第一图像变化系数；

基于图像处理算法对所述有机硅混炼胶产品图像数据集进行数据扩增，所述数据扩增按照所述第一图像变化系数进行变化输出，获得扩增有机硅混炼胶产品图像数据集；

根据所述扩增有机硅混炼胶产品图像数据集，对所述有机硅混炼胶产品数据库进行数据扩充处理。

3.如权利要求1所述的方法，其中，所述方法包括：

获得所述第一混炼胶产品的第一运输特征信息，所述第一运输特征信息包括运输路线信息和运输方式信息；

按照预定产品运输标准对所述第一运输特征信息进行评价，获得第一运输包装影响参数；

根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型；

根据所述第二定量包装分析模型，获得所述第一混炼胶产品的第二定量包装参数信息。

4.如权利要求3所述的方法，其中，所述根据所述第一运输包装影响参数对所述第一定量包装分析模型进行增量学习，获得第二定量包装分析模型，包括：

将所述第一运输包装影响参数输入所述第一定量包装分析模型中，获得第一预测包装参数结果；

通过对所述第一预测包装参数结果进行数据损失分析，获得第一损失数据；

将所述第一损失数据输入到所述第一定量包装分析模型中进行训练，获得所述第二定量包装分析模型。

5.如权利要求1所述的方法，其中，所述根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果，包括：

将所述包装材料特征作为第一包装特征、所述抗冲击强度特征作为第二包装特征和所述包装结构特征作为第三包装特征；

分别对所述第一包装卷积特征和所述第一包装特征、所述第二包装卷积特征和所述第二包装特征、所述第三包装卷积特征和所述第三包装特征进行遍历的卷积运算，获得对应的第一卷积结果、第二卷积结果和第三卷积结果；

对所述第一卷积结果、所述第二卷积结果和所述第三卷积结果进行结果融合分析，获得第一包装特征结果。

6.如权利要求1所述的方法，其中，所述混炼胶产品特征决策树，包括：

根据历史混炼胶产品特征信息集合，获得对应的类别产品特征信息集合；

对所述类别产品特征信息集合的数据特征进行主成分分析，获得第一降维数据特征集，所述第一降维数据特征集包括第一特征、第二特征和第三特征；

分别对所述第一特征、所述第二特征和所述第三特征进行信息论编码运算，获得决策树的节点特征信息；

根据所述节点特征信息，构建混炼胶产品特征决策树。

7.一种有机硅混炼胶智能定量包装系统，其中，所述系统包括：

第一构建单元，所述第一构建单元用于通过大数据平台构建有机硅混炼胶产品数据库；

第一获得单元，所述第一获得单元用于根据混炼胶产品特征决策树对所述有机硅混炼胶产品数据库进行分类，获得各类别混炼胶产品特征信息；

第二获得单元，所述第二获得单元用于将所述各类别混炼胶产品特征信息输入混炼胶包装分析模型，获得第一混炼胶包装分析结果；

第三获得单元，所述第三获得单元用于对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息；

第四获得单元，所述第四获得单元用于将所述有机硅混炼胶产品数据库和所述第一定量包装特征信息输入神经网络模型中进行训练，获得第一定量包装分析模型；

第五获得单元，所述第五获得单元用于通过图像采集装置获得第一图像信息，所述第一图像信息为第一混炼胶产品的图像信息；

第六获得单元，所述第六获得单元用于将所述第一图像信息输入所述第一定量包装分析模型，获得第一定量包装参数信息；

第一控制单元，所述第一控制单元用于根据所述第一定量包装参数信息对所述第一混炼胶产品进行定量包装控制；

所述第三获得单元用于对所述第一混炼胶包装分析结果进行包装特征提取，获得第一定量包装特征信息，包括：

第一确定单元，所述第一确定单元用于对所述第一混炼胶包装分析结果进行包装特征提取，确定包装材料特征、抗冲击强度特征和包装结构特征；

第七获得单元，所述第七获得单元用于获得所述包装材料特征的第一包装卷积特征、所述抗冲击强度特征的第二包装卷积特征，所述包装结构特征的第三包装卷积特征；

第八获得单元，所述第八获得单元用于根据所述第一包装卷积特征、所述第二包装卷积特征和所述第三包装卷积特征，获得第一包装特征结果；

第九获得单元，所述第九获得单元用于对所述第一包装特征结果进行定量参数提取，获得第一定量包装特征信息。

8.一种有机硅混炼胶智能定量包装电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。

Images