CN114619594A - 一种基于人工智能的门窗回收粉碎控制方法 - Google Patents
一种基于人工智能的门窗回收粉碎控制方法 Download PDFInfo
- Publication number
- CN114619594A CN114619594A CN202210276473.9A CN202210276473A CN114619594A CN 114619594 A CN114619594 A CN 114619594A CN 202210276473 A CN202210276473 A CN 202210276473A CN 114619594 A CN114619594 A CN 114619594A
- Authority
- CN
- China
- Prior art keywords
- motor load
- door
- window
- motor
- load type
- 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.)
- Withdrawn
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/04—Disintegrating plastics, e.g. by milling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C18/00—Disintegrating by knives or other cutting or tearing members which chop material into fragments
- B02C18/06—Disintegrating by knives or other cutting or tearing members which chop material into fragments with rotating knives
- B02C18/16—Details
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C18/00—Disintegrating by knives or other cutting or tearing members which chop material into fragments
- B02C18/06—Disintegrating by knives or other cutting or tearing members which chop material into fragments with rotating knives
- B02C18/16—Details
- B02C18/24—Drives
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C18/00—Disintegrating by knives or other cutting or tearing members which chop material into fragments
- B02C18/06—Disintegrating by knives or other cutting or tearing members which chop material into fragments with rotating knives
- B02C18/16—Details
- B02C2018/164—Prevention of jamming and/or overload
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B17/00—Recovery of plastics or other constituents of waste material containing plastics
- B29B17/04—Disintegrating plastics, e.g. by milling
- B29B2017/0424—Specific disintegrating techniques; devices therefor
- B29B2017/044—Knives
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/62—Plastics recycling; Rubber recycling
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Mechanical Engineering (AREA)
- Operating, Guiding And Securing Of Roll- Type Closing Members (AREA)
Abstract
本发明涉及一种基于人工智能的门窗回收粉碎控制方法,其主要采集粉碎过程中的粉碎图像数据以及对应的刀头附近的音频信号;根据所述多帧粉碎图像,得到电机负载类型;将所述音频信号合成为定长的声谱图,并结合电机负载类型,得到声谱图与所述电机负载类型的映射关系,所述映射关系为电机负载类型与声谱图的一一对应;获取未被粉碎的传送带门窗图像;将所述传送带门窗图像以及所述声谱图输入网络模型,输出电机负载类型;根据所述电机负载类型,调节电机的转速。即本发明能够通过预先获取电机负载类型以及建立的声谱图与电机负载类型的映射关系,进行后续的门窗回收粉碎控制方法的电机转速的控制,避免形成更大团块的废料,甚至损坏刀具的问题。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能的门窗回收粉碎控制方法。
背景技术
门窗回收是对门窗的外壳进行粉碎;其中对于塑钢门窗,其是以聚氯乙烯(UPVC)树脂为主要原料,加上一定比例的稳定剂、着色剂、填充剂、紫外线吸收剂等,经挤出成型材,然后通过切割、焊接或螺接的方式制成门窗框扇,并配装上密封胶条、毛条、五金件等,同时为增强型材的刚性,超过一定长度的型材空腔内需要填加钢衬(加强筋),这样制成的门窗。
而门窗的树脂材料在粉碎过程中由于刀具温度较高会出现高温,因此部分树脂材料的余料会粘连,或在刀头附近反复飞溅弹跳,不进入粉碎刀具的工作位置。因此需要适当降速,降低刀具温度并使得余料顺利进入刀具工作位置。
而正常的门窗粉碎过程是快速的,因此直接降速会显著影响回收过程的效率;但是快速粉碎会导致余料长期残留在刀具附近,被刀具加热,严重的会发生粘连,形成更大团块的废料,甚至损坏刀具。然而传统的方法主要是基于电机负载对粉碎速度进行简单步长,而不会考虑被粉碎的对象和粉碎中的异常问题。因此,目前缺少更智能的控制方法,使其能够充分考虑被粉碎的对象以及避免粉碎过程中的异常问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的门窗回收粉碎控制方法,所采用的技术方案具体如下:
本发明的一种基于人工智能的门窗回收粉碎控制方法的技术方案,包括如下步骤:
采集粉碎过程中的粉碎图像数据以及对应的刀头附近的音频信号,所述粉碎图像数据包括各设定时间段的多帧粉碎图像;
根据所述多帧粉碎图像,得到电机负载类型;
将所述音频信号合成为定长的声谱图,并结合电机负载类型,得到声谱图与所述电机负载类型的映射关系,所述映射关系为电机负载类型与声谱图的一一对应;
获取未被粉碎的传送带门窗图像;
将所述传送带门窗图像以及所述声谱图输入网络模型,输出电机负载类型;
根据所述电机负载类型,调节电机的转速;
其中,所述电机负载类型的获取方法为:
计算各设定时间段的任意连续两帧粉碎图像之间的光流场,对所述光流场进行sobel卷积处理,获取所有光流场的纵向边缘梯度响应之和和横向边缘梯度响应之和,计算纵向边缘梯度响应之和、横向边缘梯度响应之和中的最小值与最大值的比值,所述比值为设定时间段的运动系数,进而得到各设定时间段的运动系数序列;
根据各设定时间段内的运动系数序列,计算两光流场的相似评价系数,根据所述相似评价系数得到两设定时间段的电机负载相似度,对电机负载进行分类,得到电机负载类型。进一步地,所述电机负载类型为过载、正常、空载。
进一步地,所述网络模型的训练过程为:
获取训练样本,所述训练样本包括传送带门窗图像以及对应的声谱图;
将训练样本作为输入,将所述电机负载类型作为输出,对所述网络模型进行训练,其中所述网络模型的损失函数为交叉熵损失函数。
进一步地,所述运动系数为:
其中,Kx纵向边缘梯度响应之和,Ky为横向边缘梯度响应之和。
进一步地,所述两光流场的相似评价系数为:S=(1+R1+R2)*RΔ
其中,R1为两设定时间段内的电机负载差异指标,R2为判断电机负载类型的指标,RΔ为粉碎过程中细条状特征的运动混乱程度。
进一步地,所述电机负载差异指标:
R1=abs(mean(Ki)-mean(Kj))
其中,mean(Ki)为设定时间段i的运动系数的均值,mean(Kj)为设定时间段j的运动系数均值;
所述判断电机负载类型的指标:
R2=abs(variance(Ki)-variance(Kj))
其中,variance(Ki)为设定时间段i的运动系数的方差,variance(Kj)为设定时间段j的运动系数的方差;
所述运动混乱程度:
RΔ=abs(∑abs(diff(Ki))-∑abs(diff(Kj)))
其中,diff(Ki)为设定时间段i的运动系数序列中各运动系数元素之间的差值,diff(Kj)为设定时间段j的运动系数序列中各运动系数元素之间的差值,diff是差分函数。
进一步地,所述电机负载相似距离为:
其中,trunc是截断函数,S为两光流场的相似评价系数,PPMCC(Ki,Kj)为设定时间段i和设定时间段j的皮尔逊相关系数。
进一步地,统计电机负载类型的个数,当电机负载类型为过载时的个数超过设定阈值,则控制电机降速。
本发明具有如下有益效果:
本发明通过采集传送带门窗图像以及声谱图,得到电机负载类型;根据电机负载类型,控制电机转速,其中预先通过粉碎入口处的粉碎图像数据(光流图像),得到粉碎图像数据的运动系数,根据运动系数确定电机负载类型;基于此,建立声谱数据与电机负载类型的映射关系,在后续获取的传送带门窗图像和声谱数据的前提下,能够预测到当前传送带门窗图像在即将粉碎时的电机负载类型,进行后续的门窗回收粉碎控制方法的电机转速的控制,避免形成更大团块的废料,甚至损坏刀具的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的一种基于人工智能的门窗回收粉碎控制方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
以塑钢门窗为例,下面结合附图具体的说明本发明所提供的一种基于人工智能的门窗回收粉碎控制方法的具体方案。
本发明针对的具体场景为:对于废旧门窗的回收过程,其主要是使用粉碎装置(撕碎机或破碎机)对门窗进行切割、粉碎;具体地,通过上料口将门窗输送粉碎装置,直到粉碎完成后,出料口的传送带将粉碎后的碎片输送出来;但是对于塑钢门窗,其是以聚氯乙烯(UPVC)树脂为主要原料,在进行切割时,如果切割速度过快,刀头的温度也会过高,这样使得树脂材料的由于温度的影响而发生粘连形成更大团块的废料,甚至损坏刀具的问题,针对上述问题,本发明提出以下方法:
具体地,请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的门窗回收粉碎控制方法的步骤流程图,该方法包括以下步骤:
步骤1,采集粉碎过程中的粉碎图像数据以及对应的刀头附近的音频信号,所述粉碎图像数据包括各设定时间段的多帧粉碎图像;
根据所述多帧粉碎图像,得到电机负载类型;
将所述音频信号合成为定长的声谱图,并结合电机负载类型,得到声谱图与所述电机负载类型的映射关系,所述映射关系为电机负载类型与声谱图的一一对应。
本实施例中的粉碎图像数据,是通过相机获取的粉碎装置上的粉碎入口处的图像数据。
其中的设定时间段设置为10秒,作为其他实施方式,该设定时间是根据现场实际工况进行设定的,其并不局限于本实施例中设置的时间。
需要说明的是,该实施例中采集的粉碎图像数据为被粉碎设备在粉碎过程中的多帧图像,其可以是整个粉碎过程中的图像数据,也可以是截取的其中一段时间的图像数据,并将其按照设定时间段进行划分,分别得到对应的设定时间段内的多帧图像。
本实施例中的音频信号是通过在粉碎设备的刀头附近安装一个麦克风,录制该时间段内的音频信号。
本实施例中,对采集的音频信号计算频谱数据,并合成定长的声谱,获得声谱图。由于音频信号合成声谱的方法是公知的,因此不再赘述。
需要说明的是,上述中获取的声谱,是可以从横轴上体现塑料挤压摩擦过程中的泛音,并从纵轴上体现挤压破碎过程中的爆破音,因此可以从横轴上体现出粘连时的摩擦声音特征,并从纵轴上体现材料正常碎裂过程中的速率特征。
同时,上述中的正在粉碎的门窗的粉碎图像数据与本发明中采集的音频信号(声谱图)是对应的数据,也即在粉碎过程中伴随有音频信号,由于音频信息与粉碎图像数据的对应关系,其也能够得到音频信号与电机负载类型一一映射关系。需要说明的是,其可以通过预先通过网络训练,建立声谱数据与电机负载类型的映射关系;当然也可以直接根据上述的关系将声谱数据与电机负载类型一一对应;这样在后续获取的传送带门窗图像和声谱数据的前提下,能够得到当前时刻的电机负载类型,进而能够掌握当前时刻粉碎情况,为后续的电机转速的控制提供了依据。
其中,获取的电机负载类型的方法为:
1)计算各设定时间段的任意连续两帧图像之间的光流场,对所述光流场进行sobel卷积处理,获取所有光流场的纵向边缘梯度响应之和和横向边缘梯度响应之和,计算纵向边缘梯度响应之和、横向边缘梯度响应之和中的最小值与最大值的比值,所述比值为运动图像的运动系数。
上述步骤中通过采用Sobel算子的卷积处理对光流场进行检测,提取像素点的纵向边缘梯度Gx和横向边缘梯度Gy;并得到纵向边缘梯度响应之和Kx和横向边缘梯度响应之和Ky。
需要说明的是,其中获取的光流场信息包括:每个像素位置的向量角度,是一个矩阵(灰度图)和向量模大小,是一个矩阵;在进行计算时,由于材料的弹跳现象与向量角度无关,因此不对向量角度进行分析,仅对像素点的向量模大小进行分析。本发明所述光流场是基于前一帧信息计算的,光流场的计算方式是公知的,本发明不再赘述。
本发明中,考虑了软材料是可以直接被刀头顺利粉碎的,因此在一段时间内不容易出现崩裂、弹走等运动特征突变的现象,因此可以使用光流的突变特征来描述该设定时间段中材料(进不去乱弹跳的)的含量;同时,由于刀头的运动方向是对向,而获得的图像在横纵方向上具有明显的差异,因此基于纵向边缘梯度响应之和Kx与横向边缘梯度响应之和Ky的最大值作为基准归一化系数,得到运动系数,该运动系数能够用于评价粉碎过程中塑料在刀头附近弹出、无法顺利进入粉碎机的刀头的问题。
2)根据各设定时间段内的运动系数序列,计算两光流场的相似评价系数,根据所述相似评价系数得到两设定时间段的电机负载相似度,对电机负载进行分类,得到电机负载类型。
其中,电机负载相似距离为:
其中,trunc是截断函数,用于将PPMCC的低于0的数值截断为0,大于零的不变;S为两光流场的相似评价系数,PPMCC(i,j)为设定时间段i和设定时间段j的皮尔逊相关系数。
基于上述获取的电机负载相似距离,通过使用K-means算法,对对应的各两设定时间段内的电机负载相似距离进行聚类,获取M=3的分类,该分类包括载、正常、空载三个类别。
需要说明的是,本实施例中是根据工程经验为粉碎设备设定3个负载等级,其中3个负载等级的含义是:实施者根据电机的负载大小对出现异常粘连的电机负载情况进行分档;常规情况下2个即可,其是忽略了空载的类别。而本实施例中,主要考虑了空载情况,因此相对于K=2来说加入了空载或小负载的类型。
其中,两光流场的相似评价系数为:
S=(1+R1+R2)*RΔ
式中,R1为两设定时间段内的电机负载差异指标,R2为判断电机负载类型的指标,RΔ为粉碎过程中细条状特征运动混乱程度。
上述相似评价系数中,当R1和R2较大而RΔ较小时,意味着该过程中一个序列出现了很大的K但整体的K值较为相近,RΔ可以抑制突变的噪声,使得S仍然较小,不作为不相似来考虑;当R1和R2较小而RΔ较大时,意味着该过程中一个序列的变化时较为剧烈的,但均通过值和方差的残差无法表示,因此S中1的常数项可以避免该问题;其余情况中,R1和R2可以增强两个序列之间的差异,提高灵敏度。
上述的电机负载差异指标R1:
R1=abs(mean(Ki)-mean(Kj))
其中,mean(Ki)为设定时间段i的运动系数序列的均值,mean(Kj)为设定时间段j的运动系数序列均值。
运动系数的均值意味着当前时间段内光流评价值均值的相似度,当两者均值相差较大时,则意味着两个粉碎的设定时间段对应的负载是不同的,极有可能一方是遇到了大量碎屑,这是一种朴素的判断评价值之间差异的大小的方法。
上述的判断电机负载类型的指标:
R2=abs(variance(Ki)-variance(Kj))
其中,variance(Ki)为设定时间段i的运动系数序列的方差,variance(Kj)为设定时间段j的运动系数序列的方差。
运动系数序列的方差越大,则意味着序列发生了较明显的规律性光流和不规律光流之间的变化,R2较小时,可以判断两个设定时间段的电机负载是否同时属于正常负载或同时属于异常负载。
上述的运动混乱程度:
RΔ=abs(∑abs(diff(Ki))-∑abs(diff(Kj)))
其中,diff(Ki)为设定时间段i的运动系数序列中各运动系数元素之间的差值,diff(Kj)为设定时间段j的运动系数序列中各运动系数元素之间的差值,diff是差分函数。
本实施例中运动系数是两帧图像之间的,由于在设定时间段内有多帧图像,则设定时间段的运动系数组成一序列,即运动系数序列。
运动混乱程度的作用是描述两设定时间段内发生突发的光流特征变化的程度,并以此作为两设定时间段内之间的比较。其中RΔ越大意味着一个序列发生了较强烈的光流特征变化,可能是在该过程中一个序列对应的设定时间段中遇到了较不稳定的碎料影响;若RΔ较小,则有可能两个序列都是正常负载时的数据,也有可能是两个序列中两个序列都遇到了异常的较多的碎料影响,使得画面中的光流运动是混乱的。
步骤2,获取未被粉碎的传送带门窗图像;将所述传送带门窗图像以及所述声谱图输入网络模型,输出电机负载类型。
其中,获取的传送带门窗图像,是通过在粉碎装置的传送带上添加一相机,以一定时间间隔采集传送带上的门窗的图像,也即传送带门窗图像,以作为后期的分级CNN的数据。需要说明的是,该传送带门窗图像表示的是还没有进入粉碎装置的门窗,也即正在等待粉碎的门窗。采集过程的时间间隔长度为1s,即一个时间片段中采集对应的10张图像。
本实施例中的图像数据是在步骤1中采集的粉碎图像数据之前获取的,也就是说,传送带门窗图像为待粉碎的门窗图像,两图像存在时间先后顺序,因此,本实施例中将两图像进行时间对齐,也即拍摄的待粉碎门窗即将进入粉碎装置之前的传送带门窗图像以及待粉碎门窗进入粉碎装置的图像时间对齐;如,可以结合实际情况调整采集时间的提前时间,从而使得连续采集的传送带门窗图像和时间段内粉碎的物体相对应。
本实施例中采用网络模型对传送带门窗图像以及对应的所述声谱图进行分类,用于预测即将发生的电机负载类型。
本发明是事先通过获取的正在粉碎的门窗的图像数据,对电机负载进行判断,即利用图像的光流信息(粉碎的混乱程度),对粉碎装置的电机在粉碎过程中工作情况进行分析,获取电机负载类型;进而通过该粉碎图像数据反应电机的工作情况,之后根据传送带门窗图像和粉碎过程中的音频信号(声谱图),能够预测该传送带门窗图像的门窗对应的电机负载类别,那么在进行粉碎时能够提前进行电机转速的控制。
具体地,对于一个设备,可以通过拍摄传送带门窗图像并通过当前粉碎机构附近的声音数据得到设定时间段内的若干张张图像数据、声谱数据;以10张图像数据和10张声谱数据组为例,将其分别合成十个输入网络的数据,得到十个分类结果。
其中,对网络模型进行训练的过程为:
获取训练样本,所述训练样本包括传送带门窗图像以及对应的声谱图;
将训练样本作为输入,将所述电机负载类型作为输出,对所述网络模型进行训练,其中所述网络模型的损失函数为交叉熵损失函数。
其中采用的训练样本为对获取的部分传送带门窗图像以及对应的声谱图进行标记,将该训练样本作为网络模型的输入,将预先获取的电机负载类型作为输出,对网络模型进行训练;其中的训练样本,输入网络的传送带门窗图像分辨率缩放至512×512,声谱图像缩放至512×512,构成双通道图像,而采用的损失函数为交叉熵损失函数,利用该损失函数训练该网络,使得向网络输入一张RGB图像和一张单通道的声谱图像,可以得到最终的One-Hot编码的分类结果,并通过argmax得到最终的等级;由于网络的训练过程是公知技术,此处不再赘述。
本实施例中的网络模型为Encoder-FC的图像分类网络,输入双通道图像,Encoder-FC网络的结构使用VGG16,实施者可以使用其他网络结构,如HRNet、ResNet等。
步骤3,根据所述电机负载类型,调节电机的转速。
本实施例中,通过步骤2中获取的分类结果,对分类结果进行统计,当电机负载为过载时的分类结果的个数大于设定阈值,则认为该电机负载出现异常,则控制电机转速降低。
上述中的设定阈值为3,也即分类结果中出现3个过载的分类结果,则触发降速,直到下一个时间段的数据到来,才继续循环判断,进而控制电机。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的门窗回收粉碎控制方法,其特征在于,包括以下步骤:
采集粉碎过程中的粉碎图像数据以及对应的刀头附近的音频信号,所述粉碎图像数据包括各设定时间段的多帧粉碎图像;
根据所述多帧粉碎图像,得到电机负载类型;
将所述音频信号合成为定长的声谱图,并结合电机负载类型,得到声谱图与所述电机负载类型的映射关系,所述映射关系为电机负载类型与声谱图的一一对应;
获取未被粉碎的传送带门窗图像;将所述传送带门窗图像以及所述声谱图输入网络模型,输出电机负载类型;
根据所述电机负载类型,调节电机的转速;
其中,所述电机负载类型的获取方法为:
计算各设定时间段的任意连续两帧粉碎图像之间的光流场,对所述光流场进行sobel卷积处理,获取所有光流场的纵向边缘梯度响应之和和横向边缘梯度响应之和,计算纵向边缘梯度响应之和、横向边缘梯度响应之和中的最小值与最大值的比值,所述比值为设定时间段的运动系数,进而得到各设定时间段的运动系数序列;
根据各设定时间段内的运动系数序列,计算两光流场的相似评价系数,根据所述相似评价系数得到两设定时间段的电机负载相似度,对电机负载进行分类,得到电机负载类型。
2.根据权利要求1所述的一种基于人工智能的门窗回收粉碎控制方法,其特征在于,所述电机负载类型为过载、正常、空载。
3.根据权利要求1所述的一种基于人工智能的门窗回收粉碎控制方法,其特征在于,
所述网络模型的训练过程为:
获取训练样本,所述训练样本包括传送带门窗图像以及对应的声谱图;
将训练样本作为输入,将所述电机负载类型作为输出,对所述网络模型进行训练,其中所述网络模型的损失函数为交叉熵损失函数。
5.根据权利要求4所述的一种基于人工智能的门窗回收粉碎控制方法,其特征在于,所述两光流场的相似评价系数为:S=(1+R1+R2)*RΔ
其中,R1为两设定时间段内的电机负载差异指标,R2为判断电机负载类型的指标,RΔ为粉碎过程中细条状特征的运动混乱程度。
6.根据权利要求5所述的一种基于人工智能的门窗回收粉碎控制方法,其特征在于,所述电机负载差异指标:
R1=abs(mean(Ki)-mean(Kj))
其中,mean(Ki)为设定时间段i的运动系数的均值,mean(Kj)为设定时间段j的运动系数均值;
所述判断电机负载类型的指标:
R2=abs(variance(Ki)-variance(Kj))
其中,variance(Ki)为设定时间段i的运动系数的方差,variance(Kj)为设定时间段j的运动系数的方差;
所述运动混乱程度:
RΔ=abs(∑abs(diff(Ki))-∑abs(diff(Kj)))
其中,diff(Ki)为设定时间段i的运动系数序列中各运动系数元素之间的差值,diff(Kj)为设定时间段j的运动系数序列中各运动系数元素之间的差值,diff是差分函数。
8.根据权利要求1所述的一种基于人工智能的门窗回收粉碎控制方法,其特征在于,统计电机负载类型的个数,当电机负载类型为过载时的个数超过设定阈值,则控制电机降速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276473.9A CN114619594A (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的门窗回收粉碎控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276473.9A CN114619594A (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的门窗回收粉碎控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114619594A true CN114619594A (zh) | 2022-06-14 |
Family
ID=81903164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210276473.9A Withdrawn CN114619594A (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的门窗回收粉碎控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114619594A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018821A (zh) * | 2022-07-15 | 2022-09-06 | 南通恒立机械设备有限公司 | 基于人工智能的粉碎装置的粉碎检测方法 |
CN115069398A (zh) * | 2022-07-27 | 2022-09-20 | 江苏思伽循环科技有限公司 | 一种提高废旧电池回收利用率的电池粉碎控制系统 |
-
2022
- 2022-03-21 CN CN202210276473.9A patent/CN114619594A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018821A (zh) * | 2022-07-15 | 2022-09-06 | 南通恒立机械设备有限公司 | 基于人工智能的粉碎装置的粉碎检测方法 |
CN115069398A (zh) * | 2022-07-27 | 2022-09-20 | 江苏思伽循环科技有限公司 | 一种提高废旧电池回收利用率的电池粉碎控制系统 |
CN115069398B (zh) * | 2022-07-27 | 2024-01-12 | 江苏益佳通新能源科技有限公司 | 一种提高废旧电池回收利用率的电池粉碎控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114619594A (zh) | 一种基于人工智能的门窗回收粉碎控制方法 | |
CN107483887B (zh) | 一种智慧城市视频监控中突发情况的预警检测方法 | |
US8264616B2 (en) | Scene classification apparatus of video | |
US20080095435A1 (en) | Video segmentation using statistical pixel modeling | |
Girdner et al. | The split system for analyzing the size distribution of fragmented rock | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
Huang et al. | Automatic moving object extraction through a real-world variable-bandwidth network for traffic monitoring systems | |
CN106780548A (zh) | 基于交通视频的运动车辆检测方法 | |
CN101814147A (zh) | 一种实现场景图像的分类方法 | |
CN109655466A (zh) | 一种基于机器视觉的矸石带煤率在线检测方法及装置 | |
CN114120205A (zh) | 一种配网作业人员系安全带的目标检测和图像识别方法 | |
CN115018821B (zh) | 基于人工智能的粉碎装置的粉碎检测方法 | |
Ketcham et al. | The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes | |
CN112419397A (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及系统 | |
Chen et al. | Implementation of a Fruit Quality Classification Application Using an Artificial Intelligence Algorithm. | |
CN115578666A (zh) | 交通异常事件和静态事件相结合的关键帧过滤系统 | |
Liu et al. | Detecting news reporting using audio/visual information | |
CN117726999A (zh) | 基于深度学习耦合车外场景的驾驶员辅助预警系统及方法 | |
CN117585553A (zh) | 电梯异常检测方法、装置、计算机设备及存储介质 | |
Perez et al. | Lithological composition sensor based on digital image feature extraction, genetic selection of features and neural classification | |
US20230415166A1 (en) | Quality monitoring and controls for a comminution system using imaging of material in a discharge stage | |
CN111639585A (zh) | 一种自适应人群计数系统及自适应人群计数方法 | |
CN113469444A (zh) | 一种保密存储介质粉碎筛选方法 | |
CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
Tusch et al. | Efficient level of service classification for traffic monitoring in the compressed video domain |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220614 |