CN114821450A - 太阳能电池板加工用层压机及其控制方法 - Google Patents

太阳能电池板加工用层压机及其控制方法 Download PDF

Info

Publication number
CN114821450A
CN114821450A CN202210732244.3A CN202210732244A CN114821450A CN 114821450 A CN114821450 A CN 114821450A CN 202210732244 A CN202210732244 A CN 202210732244A CN 114821450 A CN114821450 A CN 114821450A
Authority
CN
China
Prior art keywords
heating
vector
feature
thermal infrared
feature vector
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.)
Granted
Application number
CN202210732244.3A
Other languages
English (en)
Other versions
CN114821450B (zh
Inventor
何梦龙
李学忠
胡世杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Fuming Solar Energy Co ltd
Original Assignee
Jiangsu Fuming Solar Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Fuming Solar Energy Co ltd filed Critical Jiangsu Fuming Solar Energy Co ltd
Priority to CN202210732244.3A priority Critical patent/CN114821450B/zh
Publication of CN114821450A publication Critical patent/CN114821450A/zh
Application granted granted Critical
Publication of CN114821450B publication Critical patent/CN114821450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
    • H01L31/04—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof adapted as photovoltaic [PV] conversion devices
    • H01L31/042—PV modules or arrays of single PV cells
    • H01L31/048—Encapsulation of modules
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请涉及智能制造的领域，其具体地公开了一种太阳能电池板加工用层压机及其控制方法，其通过深度神经网络模型提取出加热板监控视频中的图像帧在时间维度上的动态关联特征以得到热红外特征图，并基于所述热红外特征图提取所述加热板的中间区域和所述加热板的边缘区域的局部关联隐含特征信息，进一步再对这两个区域的加热功率进行深层关联的特征挖掘，并且在此过程中引入基于注意力机制的数据密集损失函数以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，进而提高了分类准确性，以对加热板的温度进行动态智能地控制。

Description

太阳能电池板加工用层压机及其控制方法
技术领域
本申请涉及环境监控的领域，且更为具体地，涉及一种太阳能电池板加工用层压机及其控制方法。
背景技术
目前，通常采用层压机来对太阳能电池组件进行层压，其加热板一般均采用油加热的方式，油加热，即通过热源加热热载体油(导热油)的方式，来实现对受热体的升温。采用油加热具有加热均匀，可以做到大面积的温度均匀性，调温控制温准确，在边缘100毫米内能确保将温差控制在正负2摄氏度内，能在常压下产生较高温度，传热效果好和操作方便等优点，但是，通过导热油进行加热存在着一个较为明显的缺陷，即在事故原因引起系统泄漏的情况下，导热油与明火相遇时有可能发生燃烧或爆燃，造成较大的安全隐患；而采用电加热的方式对受热体进行加热，虽然安全性能好，但是相较于油加热的方法而言，传统的电加热方式难以做到大面积范围内的温度均匀性，温度控制精度不佳，在对太阳能电池组件进行层压时，经常由于组件整体受热不均造成平整度、层接性难以尽如人意，由此可见，太阳能电池板加工用层压机的加热板对加工出太阳能电池组件的质量和性能具有重要的影响。
根据热效应原理，线性热体、平面热体及三维热体其散热均依据尖端(边缘、表面)热损耗大于中部的原则，因此，较大尺度的加热板如采用均一加热的方式，会造成由于热损耗原理引起的边缘温度与中心温度温差较大的问题，进而使得位于加热台上的太阳能电池板组件加热时受热不一致，引发组件层压加热的质量缺陷。
因此，期待一种具有温度控制系统的用于太阳能电池层压机的智能加热板的温度控制系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种太阳能电池板加工用层压机及其控制方法，其通过深度神经网络模型提取出加热板监控视频中的图像帧在时间维度上的动态关联特征以得到热红外特征图，并基于所述热红外特征图提取所述加热板的中间区域和所述加热板的边缘区域的局部关联隐含特征信息，进一步再对这两个区域的加热功率进行深层关联的特征挖掘，并且在此过程中引入基于注意力机制的数据密集损失函数以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，进而提高了分类准确性，以对加热板的温度进行动态智能地控制。
根据本申请的一个方面，提供了一种太阳能电池板加工用层压机，其包括：训练模块，包括：训练数据单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；训练热红外数据第二差分单元，用于将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；感兴趣区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；第一差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；训练加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；时序编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；第二差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；映射单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；数据密集损失函数值计算单元，用于计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；分类损失计算单元，用于将所述分类特征向量通过所述分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练；推断模块，包括：实时数据采集单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频；热红外数据编码单元，用于将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；加热区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；热分布差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；加热功率编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；加热功率差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；融合单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及控制结果生成单元，用于将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
根据本申请的另一个方面，提供了一种太阳能电池板加工用层压机的控制方法，其包括：训练阶段，包括：获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；将所述分类特征向量通过所述分类器以得到分类损失函数值；以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练；推断阶段，包括：获取由红外相机采集的加热板在预定时间段的热红外监控视频；将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
与现有技术相比，本申请提供的太阳能电池板加工用层压机及其控制方法，其通过深度神经网络模型提取出加热板监控视频中的图像帧在时间维度上的动态关联特征以得到热红外特征图，并基于所述热红外特征图提取所述加热板的中间区域和所述加热板的边缘区域的局部关联隐含特征信息，进一步再对这两个区域的加热功率进行深层关联的特征挖掘，并且在此过程中引入基于注意力机制的数据密集损失函数以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，进而提高了分类准确性，以对加热板的温度进行动态智能地控制。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的太阳能电池板加工用层压机的场景示意图。
图2为根据本申请实施例的太阳能电池板加工用层压机的框图。
图3A为根据本申请实施例的太阳能电池板加工用层压机的控制方法中训练阶段的流程图。
图3B为根据本申请实施例的太阳能电池板加工用层压机的控制方法中推断阶段的流程图。
图4为根据本申请实施例的太阳能电池板加工用层压机的控制方法中训练阶段的架构示意图。
图5为根据本申请实施例的太阳能电池板加工用层压机的控制方法中推断阶段的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，目前，通常采用层压机来对太阳能电池组件进行层压，其加热板一般均采用油加热的方式，油加热，即通过热源加热热载体油(导热油)的方式，来实现对受热体的升温。采用油加热具有加热均匀，可以做到大面积的温度均匀性，调温控制温准确，在边缘100毫米内能确保将温差控制在正负2摄氏度内，能在常压下产生较高温度，传热效果好和操作方便等优点，但是，通过导热油进行加热存在着一个较为明显的缺陷，即在事故原因引起系统泄漏的情况下，导热油与明火相遇时有可能发生燃烧或爆燃，造成较大的安全隐患；而采用电加热的方式对受热体进行加热，虽然安全性能好，但是相较于油加热的方法而言，传统的电加热方式难以做到大面积范围内的温度均匀性，温度控制精度不佳，在对太阳能电池组件进行层压时，经常由于组件整体受热不均造成平整度、层接性难以尽如人意，由此可见，太阳能电池板加工用层压机对加工出太阳能电池组件的质量和性能具有重要的影响。
根据热效应原理，线性热体、平面热体及三维热体其散热均依据尖端(边缘、表面)热损耗大于中部的原则，因此，较大尺度的加热板如采用均一加热的方式，会造成由于热损耗原理引起的边缘温度与中心温度温差较大的问题，进而使得位于加热台上的太阳能电池板组件加热时受热不一致，引发组件层压加热的质量缺陷。
因此，期待一种具有温度控制系统的用于太阳能电池层压机的智能加热板的温度控制系统。
相应地，在本申请的技术方案中，在结构层面上，加热板的中间区域设置第一环形加热带，以及，在其边缘区域设置第二环形加热带。应可以理解，加热板的各个区域的散热性能不同，其中，越邻近于边缘区域，散热性能越强。同时，在考虑各个区域的环形加热带的加热功率控制时，还需要考虑各个加热区域之间的温差，应可以理解，如果区域之间存在温差也会产生热传递。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为太阳能电池层压机的智能加热板的温度控制提供了新的解决思路和方案。
基于此，在本申请的技术方案中，选择采用红外相机拍摄的红外监控视频来作为数据的输入以对环形加热带的加热功率进行检测控制，进而也就对太阳能电池层压机的智能加热板的温度进行动态实时的控制，以保证位于加热台上的太阳能电池板组件加热时的受热相一致。并且考虑到各个加热区域间的温差与散热性能，采用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对这种温差关联和散热性能进行隐含的特征提取。
具体地，首先，通过红外相机采集加热板在预定时间段的热红外监控视频，然后，使用在图像隐含特征提取方面具有优异表现的卷积神经网络来对其进行特征提取。应可以理解，考虑到所述热红外监控视频是在预定时间段内的各个时间点的图像帧，因此，在特征提取时还期望能够基于这些时间点的图像帧进行动态地关联特征深层挖掘，以提高对于太阳能电池板加工用层压机的温度控制精准度。因此，采用三维卷积核的卷积神经网络来对所述热红外监控视频进行处理，以提取出所述热红外监控视频中的各个图像帧在时间维度上的局部动态高维隐含关联特征，从而得到所述热红外特征图。
考虑到在所述热红外监控视频中的各个图像帧中，需要更加聚焦于所述加热板的中间区域和所述加热板的边缘区域的局部特征信息，因此，进一步从所述热红外特征图中提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域。在一个具体示例中，可以基于所述第一环形加热带和所述第二环形加热带在所述加热板中的位置，从所述热红外特征图中提取对应于所述第一环形加热带的所述第一感兴趣区域和对应于所述第二环形加热带的所述第二感兴趣区域。然后，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图，以表示所述加热板的中间区域和所述加热板的边缘区域的温度差异性。
然后，获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率，并将其通过包含一维卷积层的时序编码器中进行编码处理，以分别提取出所述第一环形加热带的第一加热功率和所述第二环形加热带的第二加热功率在时间维度上的高维关联特征信息，从而获得第一功率向量和第二功率向量。接着，进一步计算这两者的差分特征向量以表示所述第一环形加热带和所述第二环形加热带的加热功率间的差异特征。
进一步地，将所述差分特征图与所述差分特征向量进行相乘就可以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量。但是，在将所述差分特征向量映射到所述差分特征图以得到分类特征向量时，期望能够使得分类特征向量尽量多地包含所述差分特征向量的分类信息，因此引入基于注意力机制的数据密集损失函数：
Figure 732098DEST_PATH_IMAGE001
其中
Figure 336386DEST_PATH_IMAGE002
是所述差分特征向量,
Figure 962671DEST_PATH_IMAGE003
是所述分类特征向量，
Figure 319703DEST_PATH_IMAGE004
表示点乘，
Figure 698207DEST_PATH_IMAGE005
表示特征向量通过分类器得到的概率值，
Figure 461895DEST_PATH_IMAGE006
表示特征向量之间的距离，
Figure 485345DEST_PATH_IMAGE007
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数。
这样，该数据密集损失函数可以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过以其作为损失函数来训练模型，可以通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，并使得所述分类特征向量对于分类目标函数具有自适应变化性，提高了分类准确性。
基于此，本申请提出了一种太阳能电池板加工用层压机，其包括训练模块和推断模块。其中，训练模块，包括：训练数据单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；训练热红外数据第二差分单元，用于将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；感兴趣区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；第一差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；训练加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；时序编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；第二差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；映射单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；数据密集损失函数值计算单元，用于计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；分类损失计算单元，用于将所述分类特征向量通过所述分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。其中，推断模块，包括：实时数据采集单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频；热红外数据编码单元，用于将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；加热区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；热分布差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；加热功率编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；加热功率差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；融合单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及，控制结果生成单元，用于将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
图1图示了根据本申请实施例的太阳能电池板加工用层压机的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过红外相机（例如，如图1中所示意的C）采集太阳能电池板加工用层压机（例如，如图1中所示意的D）的加热板（例如，如图1中所示意的H）在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带（例如，如图1中所示意的B1）和设置于所述加热板的边缘区域的第二环形加热带（例如，如图1中所示意的B2），并且获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率。然后，将获得的所述在预定时间段的热红外监控视频以及所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率输入至部署有太阳能电池板加工用层压机算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够基于太阳能电池板加工用层压机算法以所述在预定时间段的热红外监控视频以及所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率对太阳能电池板加工用层压机的所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。
在训练完成后，在推断阶段中，首先，通过红外相机（例如，如图1中所示意的C）采集太阳能电池板加工用层压机（例如，如图1中所示意的D）的加热板（例如，如图1中所示意的H）在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带（例如，如图1中所示意的B1）和设置于所述加热板的边缘区域的第二环形加热带（例如，如图1中所示意的B2），并且获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率。然后，将所述在预定时间段的热红外监控视频以及所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率输入至部署有太阳能电池板加工用层压机算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器能够以太阳能电池板加工用层压机算法对所述在预定时间段的热红外监控视频以及所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率进行处理，以生成用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的太阳能电池板加工用层压机的框图。如图2所示，根据本申请实施例的太阳能电池板加工用层压机 200，包括：训练模块 210和推断模块220。其中，训练模块 210，包括：训练数据单元 2101，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；训练热红外数据第二差分单元 2102，用于将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；感兴趣区域提取单元 2103，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；第一差分单元 2104，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；训练加热功率数据单元 2105，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；时序编码单元 2106，用于将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；第二差分单元 2107，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；映射单元 2108，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；数据密集损失函数值计算单元 2109，用于计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；分类损失计算单元 2110，用于将所述分类特征向量通过所述分类器以得到分类损失函数值；训练单元2111，用于以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。其中，推断模块 220，包括：实时数据采集单元 221，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频；热红外数据编码单元 222，用于将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；加热区域提取单元 223，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；热分布差分单元 224，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；加热功率数据单元 225，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；加热功率编码单元 226，用于将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；加热功率差分单元 227，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；融合单元228，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及，控制结果生成单元 229，用于将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
具体地，在本申请实施例中，在训练模块 210中，所述训练数据单元 2101和训练热红外数据第二差分单元 2102，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带，并将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图。如前所述，在结构层面上，加热板的中间区域设置第一环形加热带，以及，在其边缘区域设置第二环形加热带。应可以理解，加热板的各个区域的散热性能不同，其中，越邻近于边缘区域，散热性能越强。同时，在考虑各个所述区域的环形加热带的加热功率控制时，还需要考虑各个所述加热区域之间的温差，应可以理解，如果区域之间存在温差也会产生热传递。因此，在本申请的技术方案中，选择采用红外相机拍摄的红外监控视频来作为数据的输入以对环形加热带的加热功率进行检测控制，进而也就对太阳能电池层压机的智能加热板的温度进行动态实时的控制，以保证位于加热台上的太阳能电池板组件加热时的受热相一致。并且考虑到各个加热区域间的温差与散热性能，采用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对这种温差关联和散热性能进行隐含的特征提取。
也就是，具体地，在本申请的技术方案中，首先，通过红外相机采集加热板在预定时间段的热红外监控视频，然后，使用在图像隐含特征提取方面具有优异表现的卷积神经网络来对其进行特征提取。应可以理解，考虑到所述热红外监控视频是在预定时间段内的各个时间点的图像帧，因此，在特征提取时还期望能够基于这些时间点的图像帧进行动态地关联特征深层挖掘，以提高对于太阳能电池板加工用层压机的温度控制精准度。因此，采用三维卷积核的卷积神经网络来对所述热红外监控视频进行处理，以提取出所述热红外监控视频中的各个图像帧在时间维度上的局部动态高维隐含关联特征，从而得到所述热红外特征图。
更具体地，在本申请实施例中，所述训练热红外数据编码单元，进一步以使用所述使用三维卷积核的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络的最后一层输出所述热红外特征图。
具体地，在本申请实施例中，在训练模块 210中，所述感兴趣区域提取单元 2103和所述第一差分单元 2104，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域，并计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图。应可以理解，考虑到在所述热红外监控视频中的各个图像帧中，需要更加聚焦于所述加热板的中间区域和所述加热板的边缘区域的局部特征信息，因此，进一步从所述热红外特征图中提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域。在一个具体示例中，可以基于所述第一环形加热带和所述第二环形加热带在所述加热板中的位置，从所述热红外特征图中提取对应于所述第一环形加热带的所述第一感兴趣区域和对应于所述第二环形加热带的所述第二感兴趣区域。然后，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图，以表示所述加热板的中间区域和所述加热板的边缘区域的温度差异性。
具体地，在本申请实施例中，在训练模块 210中，所述训练加热功率数据单元2105、所述时序编码单元 2106和所述第二差分单元 2107，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率，并将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量，再计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量。也就是，在本申请的技术方案中，进一步获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率，并将其通过包含一维卷积层的时序编码器中进行编码处理，以分别提取出所述第一环形加热带的第一加热功率和所述第二环形加热带的第二加热功率在时间维度上的高维关联特征信息，从而获得第一功率向量和第二功率向量。接着，进一步计算这两者的差分特征向量以表示所述第一环形加热带和所述第二环形加热带的加热功率间的差异特征。
更具体地，在本申请实施例中，所述时序编码单元，包括：输入向量构造子单元，用于将所述多个第一加热功率和所述多个第二加热功率分别排列为输入向量以获得第一输入向量和所述第二输入向量；全连接编码子单元，用于使用所述时序编码器的全连接层以如下公式分别对所述第一输入向量和所述第二输入向量进行全连接编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure 916458DEST_PATH_IMAGE008
，其中
Figure 452481DEST_PATH_IMAGE009
是所述输入向量，
Figure 756993DEST_PATH_IMAGE010
是输出向量，
Figure 318556DEST_PATH_IMAGE011
是权重矩阵，
Figure 135333DEST_PATH_IMAGE012
是偏置向量，
Figure 327411DEST_PATH_IMAGE013
表示矩阵乘；一维卷积编码子单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure 49379DEST_PATH_IMAGE014
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本申请实施例中，在训练模块 210中，所述映射单元 2108和所述数据密集损失函数值计算单元 2109，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量，并计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值。也就是，在本申请的技术方案中，进一步地，将所述差分特征图与所述差分特征向量进行相乘就可以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量。但是，考虑到在将差分特征向量映射到所述差分特征图以得到分类特征向量时，期望能够使得所述分类特征向量尽量多地包含所述差分特征向量的分类信息，因此引入基于注意力机制的数据密集损失函数。应可以理解，该所述数据密集损失函数可以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过以其作为损失函数来训练模型，可以通过模型迭代来实现所述特征向量的数据密集簇的自适应依赖性，并使得所述分类特征向量对于分类目标函数具有自适应变化性，提高了分类准确性。
更具体地，在本申请实施例中，所述数据密集损失函数值计算单元，进一步用于：以如下公式计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的所述数据密集损失函数值；其中，所述公式为：
Figure 411703DEST_PATH_IMAGE001
其中
Figure 82987DEST_PATH_IMAGE015
是所述差分特征向量,
Figure 711546DEST_PATH_IMAGE016
是所述分类特征向量，
Figure 202701DEST_PATH_IMAGE017
表示点乘，
Figure 824175DEST_PATH_IMAGE018
表示特征向量通过分类器得到的概率值，
Figure 884054DEST_PATH_IMAGE019
表示特征向量之间的距离，
Figure 683514DEST_PATH_IMAGE020
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数。
具体地，在本申请实施例中，在训练模块 210中，所述分类损失计算单元 2110和所述训练单元 2111，用于将所述分类特征向量通过所述分类器以得到分类损失函数值，并以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。也就是，在本申请的技术方案中，进一步再将得到的所述分类特征向量通过所述分类器以得到分类损失函数值，并将其和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。
更具体地，在本申请的技术方案中，所述分类损失计算单元，包括：分类结果计算子单元，用于使用所述分类器以如下公式对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：
Figure 661965DEST_PATH_IMAGE021
，其中，
Figure 572283DEST_PATH_IMAGE022
到
Figure 201848DEST_PATH_IMAGE023
为权重矩阵，
Figure 966017DEST_PATH_IMAGE024
到
Figure 697344DEST_PATH_IMAGE025
为偏置向量，
Figure 145774DEST_PATH_IMAGE026
为所述分类特征向量；以及，交叉熵计算子单元，用于计算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。
在完成训练之后，进行推断模块中，就可以按照上述方法得到所述分类特征向量。进而，再将所述分类特征向量通过分类器以获得用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小的分类结果。
具体地，在本申请的技术方案中，首先，获取由红外相机采集的加热板在预定时间段的热红外监控视频。接着，将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图。然后，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域。接着，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图。然后，获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率。接着，将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量。然后，计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量。接着，将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量。最后，将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
综上，基于本申请实施例的所述太阳能电池板加工用层压机 200被阐明，其通过深度神经网络模型提取出加热板监控视频中的图像帧在时间维度上的动态关联特征以得到热红外特征图，并基于所述热红外特征图提取所述加热板的中间区域和所述加热板的边缘区域的局部关联隐含特征信息，进一步再对这两个区域的加热功率进行深层关联的特征挖掘，并且在此过程中引入基于注意力机制的数据密集损失函数以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，进而提高了分类准确性，以对加热板的温度进行动态智能地控制。
如上所述，根据本申请实施例的太阳能电池板加工用层压机 200可以实现在各种终端设备中，例如太阳能电池板加工用层压机算法的服务器等。在一个示例中，根据本申请实施例的太阳能电池板加工用层压机 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该太阳能电池板加工用层压机 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该太阳能电池板加工用层压机 200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该太阳能电池板加工用层压机 200与该终端设备也可以是分立的设备，并且该太阳能电池板加工用层压机 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3A图示了根据本申请实施例的太阳能电池板加工用层压机的控制方法中训练阶段的流程图。如图3A所示，根据本申请实施例的太阳能电池板加工用层压机的控制方法，包括：训练阶段，包括步骤：S110，获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；S120，将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；S130，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；S140，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；S150，获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；S160，将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；S170，计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；S180，将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；S190，计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；S200，将所述分类特征向量通过所述分类器以得到分类损失函数值；S201，以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。
图3B图示了根据本申请实施例的太阳能电池板加工用层压机的控制方法中推断阶段的流程图。图3B所示，根据本申请实施例的太阳能电池板加工用层压机的控制方法，包括：推断阶段，包括步骤：S210，实时数据采集单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频；S220，将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；S230，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；S240，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；S250，获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；S260，将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；S270，计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；S280，将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及，S290，将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
图4图示了根据本申请实施例的太阳能电池板加工用层压机的控制方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，将获得的所述热红外监控视频（例如，如图4中所示意的P）通过使用三维卷积核的卷积神经网络（例如，如图4中所示意的CNN）以得到热红外特征图（例如，如图4中所示意的F1）；接着，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域（例如，如图4中所示意的F2）和对应于所述第二环形加热带的第二感兴趣区域（例如，如图4中所示意的F3）；然后，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图（例如，如图4中所示意的F4）；接着，将获得的所述多个第一加热功率（例如，如图4中所示意的Q1）和所述多个第二加热功率（例如，如图4中所示意的Q2）通过包含一维卷积层的时序编码器（例如，如图4中所示意的E1）以得到第一功率特征向量（例如，如图4中所示意的VF1）和第二功率特征向量（例如，如图4中所示意的VF2）；接着，计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量（例如，如图4中所示意的VF3）；然后，将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量（例如，如图4中所示意的VF）；接着，计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值（例如，如图4中所示意的DLV）；然后，将所述分类特征向量通过所述分类器（例如，如图4中所示意的圈S）以得到分类损失函数值（例如，如图4中所示意的CLV）；最后，以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练。
图5图示了根据本申请实施例的太阳能电池板加工用层压机的控制方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络架构中，首先，将获得的所述热红外监控视频（例如，如图5中所示意的P）通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络（例如，如图5中所示意的CN）以得到热红外特征图（例如，如图5中所示意的F1）；接着，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域（例如，如图5中所示意的F2）和对应于所述第二环形加热带的第二感兴趣区域（例如，如图5中所示意的F3）；然后，计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图（例如，如图5中所示意的F4）；接着，将获得的所述多个第一加热功率（例如，如图5中所示意的Q1）和所述多个第二加热功率（例如，如图5中所示意的Q2）通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器（例如，如图5中所示意的E2）以得到第一功率特征向量（例如，如图5中所示意的VF1）和第二功率特征向量（例如，如图5中所示意的VF2）；然后，计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量（例如，如图5中所示意的VF3）；接着，将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量（例如，如图5中所示意的VF）；以及，最后，将所述分类特征向量通过所述分类器（例如，如图5中所示意的圈S）以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
综上，基于本申请实施例的所述太阳能电池板加工用层压机的控制方法被阐明，其通过深度神经网络模型提取出加热板监控视频中的图像帧在时间维度上的动态关联特征以得到热红外特征图，并基于所述热红外特征图提取所述加热板的中间区域和所述加热板的边缘区域的局部关联隐含特征信息，进一步再对这两个区域的加热功率进行深层关联的特征挖掘，并且在此过程中引入基于注意力机制的数据密集损失函数以基于自注意力进行数据密集簇修正，并引入特征向量相异性的度量来表达特征向量的数据密集对象实例之间的相似度，通过模型迭代来实现特征向量的数据密集簇的自适应依赖性，进而提高了分类准确性，以对加热板的温度进行动态智能地控制。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

Claims (10)

1.一种太阳能电池板加工用层压机，其特征在于，包括：训练模块，包括：训练数据单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；训练热红外数据第二差分单元，用于将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；感兴趣区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；第一差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；训练加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；时序编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；第二差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；映射单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；数据密集损失函数值计算单元，用于计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；分类损失计算单元，用于将所述分类特征向量通过所述分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练；推断模块，包括：实时数据采集单元，用于获取由红外相机采集的加热板在预定时间段的热红外监控视频；热红外数据编码单元，用于将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；加热区域提取单元，用于从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；热分布差分单元，用于计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；加热功率数据单元，用于获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；加热功率编码单元，用于将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；加热功率差分单元，用于计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；融合单元，用于将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及控制结果生成单元，用于将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
2.根据权利要求1所述的太阳能电池板加工用层压机，其中，所述训练热红外数据编码单元，进一步以使用所述使用三维卷积核的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络的最后一层输出所述热红外特征图。
3.根据权利要求2所述的太阳能电池板加工用层压机，其中，所述感兴趣区域提取单元，进一步用于：基于所述第一环形加热带和所述第二环形加热带在所述加热板中的位置，从所述热红外特征图中提取对应于所述第一环形加热带的所述第一感兴趣区域和对应于所述第二环形加热带的所述第二感兴趣区域。
4.根据权利要求3所述的太阳能电池板加工用层压机，其中，所述时序编码单元，包括：输入向量构造子单元，用于将所述多个第一加热功率和所述多个第二加热功率分别排列为输入向量以获得第一输入向量和所述第二输入向量；全连接编码子单元，用于使用所述时序编码器的全连接层以如下公式分别对所述第一输入向量和所述第二输入向量进行全连接编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure 421876DEST_PATH_IMAGE001
，其中
Figure 544029DEST_PATH_IMAGE002
是所述输入向量，
Figure 607931DEST_PATH_IMAGE003
是输出向量，
Figure 261897DEST_PATH_IMAGE004
是权重矩阵，
Figure 676829DEST_PATH_IMAGE005
是偏置向量，
Figure 589290DEST_PATH_IMAGE006
表示矩阵乘；一维卷积编码子单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure 510629DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
5.根据权利要求4所述的太阳能电池板加工用层压机，其中，所述数据密集损失函数值计算单元，进一步用于：以如下公式计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的所述数据密集损失函数值；其中，所述公式为：
Figure 601076DEST_PATH_IMAGE008
其中
Figure 237724DEST_PATH_IMAGE009
是所述差分特征向量,
Figure 891560DEST_PATH_IMAGE010
是所述分类特征向量，
Figure 930054DEST_PATH_IMAGE011
表示点乘，
Figure 719631DEST_PATH_IMAGE012
表示特征向量通过分类器得到的概率值，
Figure 109155DEST_PATH_IMAGE013
表示特征向量之间的距离，
Figure 97840DEST_PATH_IMAGE014
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，特征向量除以参数表示以特征向量中各个位置的特征值分别除以参数。
6.根据权利要求5所述的太阳能电池板加工用层压机，其中，所述分类损失计算单元，包括：分类结果计算子单元，用于使用所述分类器以如下公式对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：
Figure 194103DEST_PATH_IMAGE015
，其中，
Figure 626352DEST_PATH_IMAGE016
到
Figure 752440DEST_PATH_IMAGE017
为权重矩阵，
Figure 841355DEST_PATH_IMAGE018
到
Figure 792124DEST_PATH_IMAGE019
为偏置向量，
Figure 395275DEST_PATH_IMAGE020
为所述分类特征向量；以及交叉熵计算子单元，用于计算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。
7.一种太阳能电池板加工用层压机的控制方法，其特征在于，包括：训练阶段，包括：获取由红外相机采集的加热板在预定时间段的热红外监控视频，其中，所述加热板包括设置于所述加热板的中间区域的第一环形加热带和设置于所述加热板的边缘区域的第二环形加热带；将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图；从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；计算所述分类特征向量相对于所述差分特征向量的基于注意力机制的数据密集损失函数值，所述基于注意力机制的数据密集损失函数值为所述差分特征向量通过分类器得到的概率值乘以所述差分特征向量和所述分类特征向量的关联向量通过所述分类器得到的概率值；将所述分类特征向量通过所述分类器以得到分类损失函数值；以所述分类损失函数值和所述基于注意力机制的数据密集损失函数值的加权和作为损失函数值对所述使用三维卷积核的卷积神经网络和所述时序编码器进行训练；推断阶段，包括：获取由红外相机采集的加热板在预定时间段的热红外监控视频；将所述热红外监控视频通过经所述训练模块训练完成的所述使用三维卷积核的卷积神经网络以得到热红外特征图；从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域；计算所述第一感兴趣区域和所述第二感兴趣区域的差分特征图；获取所述预定时间段内多个预定时间点的所述第一环形加热带的多个第一加热功率和所述第二环形加热带的多个第二加热功率；将所述多个第一加热功率和所述多个第二加热功率通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量；计算所述第一功率特征向量和所述第二功率特征向量之间的差分特征向量；将所述差分特征图与所述差分特征向量进行相乘以将所述差分特征向量映射到所述差分特征图的高维特征空间以得到分类特征向量；以及将所述分类特征向量通过所述分类器以得到分类结果，所述分类结果用于表示当前时间点的所述第二环形加热带的加热功率应增大或应减小。
8.根据权利要求7所述的太阳能电池板加工用层压机的控制方法，其中，将所述热红外监控视频通过使用三维卷积核的卷积神经网络以得到热红外特征图，包括：使用所述使用三维卷积核的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络的最后一层输出所述热红外特征图。
9.根据权利要求8所述的太阳能电池板加工用层压机的控制方法，其中，从所述热红外特征图提取对应于所述第一环形加热带的第一感兴趣区域和对应于所述第二环形加热带的第二感兴趣区域，包括：基于所述第一环形加热带和所述第二环形加热带在所述加热板中的位置，从所述热红外特征图中提取对应于所述第一环形加热带的所述第一感兴趣区域和对应于所述第二环形加热带的所述第二感兴趣区域。
10.根据权利要求9所述的太阳能电池板加工用层压机的控制方法，其中，将所述多个第一加热功率和所述多个第二加热功率通过包含一维卷积层的时序编码器以得到第一功率特征向量和第二功率特征向量，包括：将所述多个第一加热功率和所述多个第二加热功率分别排列为输入向量以获得第一输入向量和所述第二输入向量；使用所述时序编码器的全连接层以如下公式分别对所述第一输入向量和所述第二输入向量进行全连接编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure 743080DEST_PATH_IMAGE021
，其中
Figure 89879DEST_PATH_IMAGE022
是所述输入向量，
Figure 485701DEST_PATH_IMAGE023
是输出向量，
Figure 463015DEST_PATH_IMAGE024
是权重矩阵，
Figure 32537DEST_PATH_IMAGE025
是偏置向量，
Figure 183026DEST_PATH_IMAGE026
表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以分别提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure 170705DEST_PATH_IMAGE007
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
CN202210732244.3A 2022-06-27 2022-06-27 太阳能电池板加工用层压机及其控制方法 Active CN114821450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210732244.3A CN114821450B (zh) 2022-06-27 2022-06-27 太阳能电池板加工用层压机及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210732244.3A CN114821450B (zh) 2022-06-27 2022-06-27 太阳能电池板加工用层压机及其控制方法

Publications (2)

Publication Number Publication Date
CN114821450A true CN114821450A (zh) 2022-07-29
CN114821450B CN114821450B (zh) 2022-09-13

Family

ID=82521931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210732244.3A Active CN114821450B (zh) 2022-06-27 2022-06-27 太阳能电池板加工用层压机及其控制方法

Country Status (1)

Country Link
CN (1) CN114821450B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法
CN115951584A (zh) * 2023-02-09 2023-04-11 浙江上洋机械股份有限公司 用于滚筒杀青机的温度控制系统及方法
CN116000297A (zh) * 2023-01-03 2023-04-25 赣州市光华有色金属有限公司 高强度钨镧丝的制备装置及其方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070181180A1 (en) * 2006-02-06 2007-08-09 Mau-Song Chou Methods and apparatus for inspection of multi-junction solar cells
CN112349808A (zh) * 2020-09-22 2021-02-09 曹景 一种新能源太阳能发电板生产工艺
CN113240646A (zh) * 2021-05-17 2021-08-10 杭州锋贯科技有限公司 基于云计算的分布式光伏发电管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070181180A1 (en) * 2006-02-06 2007-08-09 Mau-Song Chou Methods and apparatus for inspection of multi-junction solar cells
CN112349808A (zh) * 2020-09-22 2021-02-09 曹景 一种新能源太阳能发电板生产工艺
CN113240646A (zh) * 2021-05-17 2021-08-10 杭州锋贯科技有限公司 基于云计算的分布式光伏发电管理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法
CN115393316B (zh) * 2022-08-24 2023-06-09 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法
CN116000297A (zh) * 2023-01-03 2023-04-25 赣州市光华有色金属有限公司 高强度钨镧丝的制备装置及其方法
CN115951584A (zh) * 2023-02-09 2023-04-11 浙江上洋机械股份有限公司 用于滚筒杀青机的温度控制系统及方法
CN115951584B (zh) * 2023-02-09 2024-03-15 浙江上洋机械股份有限公司 用于滚筒杀青机的温度控制系统及方法

Also Published As

Publication number Publication date
CN114821450B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN114821450B (zh) 太阳能电池板加工用层压机及其控制方法
EP3084682B1 (en) System and method for identifying faces in unconstrained media
Chen et al. Kernel machine-based one-parameter regularized fisher discriminant method for face recognition
Dai et al. Face recognition by regularized discriminant analysis
Wang et al. Learning adaptive neighborhood graph on Grassmann manifolds for video/image-set subspace clustering
Oh et al. A Gabor-based network for heterogeneous face recognition
Kumar et al. Age and gender classification using Seg-Net based architecture and machine learning
Tao et al. Discriminative information preservation for face recognition
CN114800229A (zh) 双面双玻表面抛光装置及其抛光方法
Zhang et al. Learning semi-Riemannian metrics for semisupervised feature extraction
Pop et al. Fusion based approach for thermal and visible face recognition under pose and expresivity variation
Wan et al. Cost sensitive semi-supervised canonical correlation analysis for multi-view dimensionality reduction
Gu et al. Attention-based gesture recognition using commodity wifi devices
Dasari et al. Face recognition using Tchebichef moments
Zhang et al. Application of improved virtual sample and sparse representation in face recognition
Jing et al. UODV: improved algorithm and generalized theory
Lionnie et al. Biometric identification system based on Principal Component Analysis
Chen et al. Hyperspectral face recognition with log‐polar Fourier features and collaborative representation based voting classifiers
CN113792643A (zh) 活体人脸识别方法及系统
Aslam et al. Wavelet-based convolutional neural networks for gender classification
WO2019090503A1 (zh) 一种智能终端的图像拍摄方法及图像拍摄系统
Roy et al. Local-Friis-radiation-pattern (LFRP) for face recognition
CN112800882A (zh) 一种基于加权双流残差网络的口罩人脸姿态分类方法
Yu et al. Multi-attribute missing data reconstruction based on adaptive weighted nuclear norm minimization in IoT
Oh Face Recognition using Radial Basis Function Network based on LDA.

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