CN114882030A - 一种基于神经网络的涂胶机工作参数调节方法及系统 - Google Patents

一种基于神经网络的涂胶机工作参数调节方法及系统 Download PDF

Info

Publication number
CN114882030A
CN114882030A CN202210807540.5A CN202210807540A CN114882030A CN 114882030 A CN114882030 A CN 114882030A CN 202210807540 A CN202210807540 A CN 202210807540A CN 114882030 A CN114882030 A CN 114882030A
Authority
CN
China
Prior art keywords
gluing
glue
calculating
gray
pressure
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Withdrawn
Application number
CN202210807540.5A
Other languages
English (en)
Inventor
杨年保
虞雅尧
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.)
Nantong Jinsinan Membrane Material Co ltd
Original Assignee
Nantong Jinsinan Membrane Material 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 Nantong Jinsinan Membrane Material Co ltd filed Critical Nantong Jinsinan Membrane Material Co ltd
Priority to CN202210807540.5A priority Critical patent/CN114882030A/zh
Publication of CN114882030A publication Critical patent/CN114882030A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Application Of Or Painting With Fluid Materials (AREA)

Abstract

本发明涉及机床工作参数控制领域，具体涉及一种基于神经网络的涂胶机工作参数调节方法及系统，该方法可用于制造控制装置，具体为：获取若干涂胶机在设定时间段内各检测时刻对应的涂胶压力、胶浆流量以及产品的涂胶面积，获取产品的涂胶图像，进而得到灰度图像；基于上述数据，计算各涂胶机对应的涂胶质量稳定评价，根据涂胶质量稳定评价，计算任意两涂胶机的关联程度，根据关联程度对涂胶机进行分组，获取各组对应的基准涂胶压力和基准胶浆流量，得到调整系数与修正因子，进而实现对涂胶机工作参数的调节。本发明能实现对涂胶机的工作参数精准调节，得到高质量的涂胶产品。因此，本方法可用于机床现场总线控制系统、工业自动控制系统装置制造。

Description

一种基于神经网络的涂胶机工作参数调节方法及系统
技术领域
本发明涉及机床工作参数控制领域，具体涉及一种基于神经网络的涂胶机工作参数调节方法及系统。
背景技术
涂胶机主要用以将液态胶水涂在纺织品、纸盒或者皮革表面上的一种机械设备。涂胶机不仅可以用于简单的胶带涂胶，也可以用于光刻涂胶，这是根据涂胶精度对涂胶机的工作内容进行的划分；涂胶质量不好会导致成品的次品率提高，影响产品的成品率，因此，需要对涂胶机进行控制，使其达到更好的涂胶质量提升成品率。
现有技术对涂胶机的控制一般只是在涂胶机进行工作前，对涂胶机设定固定的工作参数，而在涂胶机进行涂胶的过程中，不再对涂胶机的参数进行调整；一旦涂胶机出现异常，则会出现涂胶过厚、涂胶层厚薄不均匀、涂胶宽度不合格等一系列涂胶质量不达标的问题，进而无法保证涂胶产品的高质量产出以及涂胶产品的成品率。
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神经网络的涂胶机工作参数调节方法，所采用的技术方案具体如下：
获取若干涂胶机在各检测时刻对应的涂胶压力、胶浆流量以及产品的涂胶面积；进而得到若干涂胶机在设定时间段对应的涂胶压力序列、胶浆流量序列以及产品的涂胶面积序列；
获取所述产品在相邻两检测时刻对应的涂胶图像，并对所述涂胶图像进行灰度化处理，得到灰度图像；
基于所述灰度图像，得到灰度矩阵；并根据灰度矩阵，获取所述产品在设定时间段内对应的灰度矩阵序列；
基于所述涂胶面积序列、灰度矩阵以及灰度矩阵序列，得到各涂胶机对应的涂胶质量稳定评价；
根据所述涂胶质量稳定评价，计算任意两涂胶机的关联程度；基于所述关联程度，对若干涂胶机进行分组，得到多个组；
根据所述涂胶压力序列与涂胶质量稳定评价，计算各组对应的基准涂胶压力，基于所述胶浆流量与涂胶质量稳定评价，计算各组对应的基准胶浆流量；
基于所述涂胶面积序列和灰度矩阵序列，计算涂胶机对应工作参数的调整系数；根据神经网络模型，获取所述调整系数对应的修正因子；
基于所述基准涂胶压力、基准胶浆流量、调整系数、修正因子，对涂胶机的工作参数进行调节。
进一步地，所述涂胶质量稳定评价为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价，
Figure 100002_DEST_PATH_IMAGE006
为第x个涂胶机在第i个检测时刻对应的灰度矩阵，t为设定时间段内检测时刻的总个数；
Figure 100002_DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列,
Figure 100002_DEST_PATH_IMAGE010
为第x个涂胶机对应的产品的涂胶面积序列，
Figure 100002_DEST_PATH_IMAGE012
为求方差的函数。
进一步地，所述关联程度为：
Figure 100002_DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE016
为第x个涂胶机与第y个涂胶机的关联程度；
Figure 266705DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列；
Figure 100002_DEST_PATH_IMAGE018
为第y个涂胶机的灰度值矩阵序列；
Figure 100002_DEST_PATH_IMAGE020
为
Figure 387107DEST_PATH_IMAGE008
与
Figure 307790DEST_PATH_IMAGE018
的余弦相似度；
Figure 781628DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价；
Figure 100002_DEST_PATH_IMAGE022
为第y个涂胶机对应的涂胶质量稳定评价；
Figure 100002_DEST_PATH_IMAGE024
为第x个涂胶机对应的涂胶面积序列，
Figure 100002_DEST_PATH_IMAGE026
为第y个涂胶机对应的涂胶面积序列；
Figure 100002_DEST_PATH_IMAGE028
为
Figure 612312DEST_PATH_IMAGE024
与
Figure 513403DEST_PATH_IMAGE026
的皮尔逊相关系数；
Figure 100002_DEST_PATH_IMAGE030
为求取差值绝对值的函数。
进一步地，所述基准涂胶压力的获取方法为：在同一组内，计算其中一涂胶机对应的涂胶压力序列中各涂胶压力的累加和，得到组内所有涂胶机对应的涂胶压力序列中各涂胶压力的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总涂胶压力，进而计算所述总涂胶压力与组内所有涂胶压力的个数的比值，确定基准涂胶压力；
所述基准胶浆流量的获取方法为：在同一组内，计算其中一涂胶机的胶浆流量序列中各胶浆流量的累加和，得到组内所有涂胶机的胶浆流量序列中各胶浆流量的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总胶浆流量，进而计算所述总胶浆流量与组内所有胶浆流量的个数的比值，确定基准胶浆流量。
进一步地，所述调整系数包括涂胶压力的调整系数和胶浆流量的调整系数；
所述涂胶压力的调整系数的获取方法为：选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的涂胶面积均值，计算最佳涂胶面积与所述涂胶面积均值的比值，得到涂胶压力的调整系数；
所述胶浆流量的调整系数的获取方法为：选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的灰度矩阵均值，计算最佳灰度矩阵与所述灰度矩阵均值的比值，得到胶浆流量的调整系数。
本发明还提供了一种基于神经网络的涂胶机工作参数调节系统，包括存储器和处理器，所述处理器执行所述存储器存储的一种基于神经网络的涂胶机工作参数调节方法的程序。
本发明实施例至少具有如下有益效果：
本发明涉及机床工作参数控制领域，具体涉及一种基于神经网络的涂胶机工作参数调节方法及系统，该方法可用于制造控制装置，具体为：获取若干涂胶机在设定时间段内各检测时刻对应的涂胶压力、胶浆流量以及产品的涂胶面积，获取产品的涂胶图像，进而得到灰度图像；基于上述数据，计算各涂胶机对应的涂胶质量稳定评价，根据涂胶质量稳定评价，计算任意两涂胶机的关联程度，根据关联程度对涂胶机进行分组，获取各组对应的基准涂胶压力和基准胶浆流量，得到调整系数与修正因子，进而实现对涂胶机工作参数的调节。
本发明能够对涂胶机的工作参数进行精准调节，涂胶机的涂胶工作更加稳定，进而得到高质量的涂胶产品，涂胶机能够达到更好的涂胶质量，提升了成品率；增加了涂胶厚度的均匀性。本方法可用于机床现场总线控制系统、工业自动控制系统装置制造。
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神经网络的涂胶机工作参数调节方法的步骤流程图。
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，对依据本发明提出的一种基于神经网络的涂胶机工作参数调节方法及系统，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。
请参阅图1，其示出了本发明一个实施例提供的一种基于神经网络的涂胶机工作参数调节方法的步骤流程图，该方法包括以下步骤：
步骤1，获取若干涂胶机在各检测时刻对应的涂胶压力、胶浆流量以及产品的涂胶面积，得到若干涂胶机在设定时间段对应的涂胶压力序列、胶浆流量序列以及产品的涂胶面积序列。
本实施例中的涂胶机为三辊涂胶机，三辊涂胶机是在上或下涂胶辊旁增设一个挤胶辊，涂胶时涂胶量由涂胶辊和挤胶辊的间隙决定，在上涂胶辊旁设挤胶辊由胶泵通过胶管供胶。三辊涂胶机在工作时，所需要涂胶的产品由辊之间通过，胶浆覆盖在产品表面。
具体地，涂胶压力与胶浆流量均可通过对应涂胶机的控制系统直接读取，具体过程为公知技术，不再赘述。
需要说明的是，胶浆流量能够影响涂胶的厚度和宽度，在涂胶压力不变的情况下，胶浆流量增大会增加涂胶的厚度和宽度，胶浆流量减少会减少涂胶的厚度和宽度；同时，胶浆流量也能够影响涂胶的厚度和宽度，在胶浆流量不变的情况下，涂胶压力增大，能够减少涂胶的的厚度和宽度，涂胶压力减小，能够增大涂胶的厚度和宽度。
本实施例中的设定时间段内共有t个检测时刻，将设定时间段设定为6小时，将检测时刻设定为0.5秒，每个涂胶机在设定时间段内均有对应的胶浆流量序列与涂胶压力序列；例如，本实施将第x个涂胶机对应的涂胶压力序列记为
Figure DEST_PATH_IMAGE032
，其中，
Figure DEST_PATH_IMAGE034
为第x个涂胶机在设定时间段内的第1个检测时刻对应的涂胶压力，
Figure DEST_PATH_IMAGE036
为第x个涂胶机在设定时间段内的第t个检测时刻对应的涂胶压力；将第x个涂胶机对应的胶浆流量序列记为
Figure DEST_PATH_IMAGE038
，其中，
Figure DEST_PATH_IMAGE040
为第x个涂胶机在设定时间段内的第1个检测时刻对应的胶浆流量，
Figure DEST_PATH_IMAGE042
为第x个涂胶机在设定时间段内的第t个检测时刻对应的胶浆流量；其中，本实施将涂胶机在设定时间段的第1个检测时刻对应的胶浆流量记为0，涂胶机在设定时间段的第2个检测时刻对应的胶浆流量为涂胶机在第1个检测时刻第2个检测时刻之间的时间间隔产生的胶浆流量。
涂胶面积的获取方法为：利用检测系统获取产品在相邻两检测时刻对应的涂胶图像，然后根据涂胶图像计算涂胶面积。
检测系统主要由CCD工业相机、镜头、光源、传感器、图像处理系统以及控制系统等多个部分组成；其中，光源、镜头、CCD工业相机、传感器等属于检测系统的硬件系统；图像处理系统和控制系统属于检测系统的软件系统。
本实施例中的镜头是CCD工业相机的镜头，选取焦距为18mm的镜头，有利于图像拍摄。CCD工业相机的分辨率为1280×1024；光源的作用是能有效的突显出涂胶部分的特征点，有效区分开涂胶的位置与未涂胶的位置，即使涂胶的位置发生移动，仍然能够保持图像的清晰度。本实施例选择工作时间长的白色LED灯作为光源。
进一步地，获取光源的最佳光亮度，具体的获取方法为：通过调节光源控制器改变光亮度，从光亮度为0开始，以每增加10级光亮度分别获取对应的图像，并将图像进行对比，由图像对比结果可知，120光亮度对应图像的对比度最佳，低于120光亮度对应的图像较暗，高于120光亮度对应的图像因亮度过高而产生失真，因此，120光亮度为最佳光亮度。
将上述检测系统放置到完成涂胶操作产品的传送处，获取产品表面的图像信息，产品表面的图像信息包括涂胶区域的图像信息与未涂胶区域的图像信息，本实施例需要对涂胶区域的图像信息进行提取，并将其记为涂胶图像。
涂胶图像的具体提取方法为：对产品表面的图像信息进行图像分割，将图像信息中的涂胶区域与未涂胶区域分割开，得到涂胶图像。
上述中的图像分割一般采用基于阈值的方法。基于阈值的方法具有计算简单、容易实现且分析稳定的优点；本实施例采用阈值分割对涂胶区域和未涂胶区域进行划分，具体步骤为：对图像信息利用最大值法进行灰度化处理，得到灰度图像信息，获取灰度图像信息中各像素点的灰度值，根据灰度值建立灰度图像信息对应的灰度直方图；基于灰度直方图选取图像分割的阈值。灰度直方图是关于灰度级分布的函数，表征图像信息中具有某种灰度级的像素点的个数，反映了图像信息中某种灰度出现的频率；其中一灰度级出现的频率的计算公式为：
Figure DEST_PATH_IMAGE044
，其中，
Figure DEST_PATH_IMAGE046
为像素点的灰度级，
Figure DEST_PATH_IMAGE048
为灰度级为r的像素点的总数，
Figure DEST_PATH_IMAGE050
为图像信息中像素点的总数；基于灰度直方图，设置阈值为T，把图像信息的分为两部分，即一部分为涂胶区域一部分为未涂胶区域。
具体公式为：
Figure DEST_PATH_IMAGE052
，本实施例的阈值T为由实施者根据实际情况设定，
Figure DEST_PATH_IMAGE054
为图像信息中坐标为（x,y）处的像素点对应的灰度值。至此，得到涂胶区域的连通域，然后将连通域与图像信息相乘，得到涂胶图像。进而利用Blob分析法获取涂胶图像的涂胶面积。其中Blob分析法为公知技术，不再赘述。涂胶面积为产品在相邻两检测时刻对应的涂胶面积，涂胶机的涂胶速度为1m/s，产品在相邻两检测时刻对应的涂胶长度为0.5米，此涂胶面积为0.5米的涂胶长度的涂胶面积；将第x个涂胶机在设定时间段内对应的涂胶面积序列记为
Figure DEST_PATH_IMAGE056
，其中，
Figure DEST_PATH_IMAGE058
为第x个涂胶机在设定时间段内的第1个检测时刻对应的产品的涂胶面积，
Figure DEST_PATH_IMAGE060
为第x个涂胶机在设定时间段内的第t个检测时刻对应的产品的涂胶面积。若涂胶机在第1个检测时刻为启动状态，则将涂胶机在设定时间段的第1个检测时刻对应的产品的涂胶面积记为0，涂胶机在设定时间段的第2个检测时刻对应的胶浆流量为涂胶机在第1个检测时刻第2个检测时刻之间的时间间隔产生的产品的涂胶面积。
步骤2，获取产品在相邻两检测时刻对应的涂胶图像，并对涂胶图像进行灰度化处理，得到灰度图像。基于灰度图像，得到灰度矩阵；并根据灰度矩阵，获取产品在设定时间段内对应的灰度矩阵序列；基于涂胶面积序列、灰度矩阵以及灰度矩阵序列，得到各涂胶机对应的涂胶质量稳定评价。
具体地，涂胶图像为步骤2中叙述的涂胶图像一致，利用平均值法对涂胶图像进行灰度化处理，得到灰度图像。
灰度图像中各像素点的灰度值组成灰度矩阵，
Figure DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE064
为灰度图像中坐标
Figure DEST_PATH_IMAGE066
处的像素点的灰度值，
Figure DEST_PATH_IMAGE068
为灰度图像中坐标
Figure DEST_PATH_IMAGE070
处的像素点的灰度值；
Figure DEST_PATH_IMAGE072
为灰度图像中坐标
Figure DEST_PATH_IMAGE074
处的像素点的灰度值；
Figure DEST_PATH_IMAGE076
为灰度图像中坐标
Figure DEST_PATH_IMAGE078
处的像素点的灰度值；
Figure DEST_PATH_IMAGE080
为第x个涂胶机在第t个检测时刻对应的灰度矩阵；进而得到第x个涂胶机在设定时间段对应的灰度矩阵序列，即
Figure DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE084
为第x个涂胶机在第1个检测时刻对应的灰度矩阵。
涂胶质量稳定评价为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 407801DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价，
Figure 669018DEST_PATH_IMAGE006
为第x个涂胶机在第i个检测时刻对应的灰度矩阵，t为设定时间段内检测时刻的总个数；
Figure 150946DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列,
Figure 206627DEST_PATH_IMAGE010
为第x个涂胶机对应的产品的涂胶面积序列，
Figure 39585DEST_PATH_IMAGE012
为求方差的函数。
需要说明的是，
Figure DEST_PATH_IMAGE086
表征灰度矩阵
Figure 640244DEST_PATH_IMAGE006
中所有像素点的灰度值的方差，代表产品在此时刻的涂胶部分的均匀性，方差越大，表示该灰度矩阵对应的涂胶位置的均匀性较差，涂胶厚度出现薄厚不均的现象，涂胶质量变差；
Figure DEST_PATH_IMAGE088
表征灰度矩阵虚列的稳定性，
Figure 366892DEST_PATH_IMAGE088
的值越小，涂胶机的涂胶质量稳定评价越高，
Figure DEST_PATH_IMAGE090
表征涂胶面积的稳定性，
Figure 937682DEST_PATH_IMAGE090
的值越小，涂胶机的涂胶质量稳定评价越高。
步骤3，根据涂胶质量稳定评价，计算任意两涂胶机的关联程度；基于关联程度，对若干涂胶机进行分组，得到多个组。
具体地，关联程度为：
Figure DEST_PATH_IMAGE014A
其中，
Figure 70985DEST_PATH_IMAGE016
为第x个涂胶机与第y个涂胶机的关联程度；
Figure 674005DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列；
Figure 458421DEST_PATH_IMAGE018
为第y个涂胶机的灰度值矩阵序列；
Figure 606637DEST_PATH_IMAGE020
为
Figure 397875DEST_PATH_IMAGE008
与
Figure 555318DEST_PATH_IMAGE018
的余弦相似度；
Figure 115612DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价；
Figure 903571DEST_PATH_IMAGE022
为第y个涂胶机对应的涂胶质量稳定评价；
Figure 916526DEST_PATH_IMAGE024
为第x个涂胶机对应的涂胶面积序列，
Figure 877660DEST_PATH_IMAGE026
为第y个涂胶机对应的涂胶面积序列；
Figure 292461DEST_PATH_IMAGE028
为
Figure 375955DEST_PATH_IMAGE024
与
Figure 626939DEST_PATH_IMAGE026
的皮尔逊相关系数；
Figure 109873DEST_PATH_IMAGE030
为求取差值绝对值的函数。
关联程度表征两涂胶机的相似性，若关联程度趋近于1，则表明对应两涂胶机越有可能分为一组，反之，关联程度越小，则表明对应两涂胶机被分为一组的可能性越小。
具体地，利用K-mans算法对若干涂胶机进行分组；K-means算法是一种无监督聚类算法，该算法先在数据集中随机选取k个聚类中心，其余数据点会被分配到与之距离最近的聚类中心所在的簇，之后对每个计算其均值并作为本簇新的聚类中心，依此类推，重复执行以上步骤直到聚类中心不再改变为止。本实施例基于关联程度对若干涂胶机进行分组，具体地，k选取4，即将若干涂胶机分为4组；其中K-means算法为公知技术，具体的聚类过程不再赘述。实施者可根据实际情况调整k的取值，进而得到更多的分组。
需要说明的是，不同组的涂胶机对应涂胶工艺的质量等级不同，组内的各涂胶机的工作状态、涂胶工艺的质量等级以及涂胶机的涂胶质量稳定评价都较为接近。
步骤4，根据涂胶压力序列与涂胶质量稳定评价，计算各组对应的基准涂胶压力，基于胶浆流量序列与涂胶质量稳定评价，计算各组对应的基准胶浆流量。
具体地，基准涂胶压力的获取方法为：在同一组内，计算其中一涂胶机的涂胶压力序列中各涂胶压力的累加和，得到组内所有涂胶机的涂胶压力序列中各涂胶压力的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总涂胶压力，进而计算所述总涂胶压力与组内所有涂胶压力的个数的比值，确定基准涂胶压力。本实施例将第k组对应的基准涂胶压力记为
Figure DEST_PATH_IMAGE092
。
基准胶浆流量的获取方法为：在同一组内，计算其中一涂胶机的胶浆流量序列中各胶浆流量的累加和，得到组内所有涂胶机的胶浆流量序列中各胶浆流量的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总胶浆流量，进而计算所述总胶浆流量与组内所有胶浆流量的个数的比值，确定基准胶浆流量。本实施例将第k组对应的基准胶浆流量记为
Figure DEST_PATH_IMAGE094
。
上述中计算基准涂胶压力对应的权重与计算基准胶浆流量对应的权重一致，权重的计算方法为：将组内所有涂胶机对应的涂胶质量稳定评价Q进行归一化，使Q的值域为0-1，并保证归一化后的所有Q相加为1，则权重为对应涂胶机归一化后的涂胶质量稳定评价Q。
由步骤3可知，组内的各涂胶机的工作状态、涂胶工艺的质量等级以及涂胶机的涂胶质量稳定评价都较为接近，因此，其中一组对应的基准胶浆流量与基准涂胶压力适用于该组内的所有涂胶机。
步骤5，基于涂胶面积序列和灰度矩阵序列，计算涂胶机对应工作参数的调整系数；根据神经网络模型，获取调整系数对应的修正因子。
本实施例中的调整系数包括涂胶压力的调整系数和胶浆流量的调整系数。
涂胶压力的调整系数的获取方法为：任意选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的涂胶面积均值，计算最佳涂胶面积与所述涂胶面积均值的比值，得到涂胶压力的调整系数。其中，最佳涂胶面积为标准涂胶图像对应的涂胶面积。涂胶压力的调整系数为
Figure DEST_PATH_IMAGE096
，即
Figure DEST_PATH_IMAGE098
，式中，
Figure DEST_PATH_IMAGE100
为最佳涂胶面积，
Figure DEST_PATH_IMAGE102
为涂胶面积均值。
胶浆流量的调整系数的获取方法为：任意选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的灰度矩阵均值，计算最佳灰度矩阵与所述灰度矩阵均值的比值，得到胶浆流量的调整系数。其中，最佳灰度矩阵为标准涂胶图像对应的灰度矩阵。胶浆流量的调整系数为
Figure DEST_PATH_IMAGE104
，即
Figure DEST_PATH_IMAGE106
，式中，
Figure DEST_PATH_IMAGE108
为最佳灰度矩阵，
Figure DEST_PATH_IMAGE110
为灰度矩阵均值。
计算涂胶压力的调整系数对应的调整单元与计算胶浆流量的调整系数对应的调整单元一致，本实施例将时间间隔为30s对应的任意两检测时刻组成调整单元；其中一调整单元对应胶浆流量序列为
Figure DEST_PATH_IMAGE112
、其中一调整单元对应涂胶压力序列为
Figure DEST_PATH_IMAGE114
。用前一个调整单元的对应的数据调整后一个调整单元的数据；即利用
Figure 721724DEST_PATH_IMAGE112
调整涂胶机在第61个检测时刻至第120个检测时刻对应的胶浆流量，利用
Figure 913803DEST_PATH_IMAGE114
调整涂胶机在第61个检测时刻至第120个检测时刻对应的涂胶压力。
进一步地，为了更准确的对涂胶机的工作参数进行调整，还需获取调整系数对应的修正因子。
具体地，利用神经网络模型获取调整系数对应的修正因子，本实施例中的神经网络模型为BP神经网络，BP神经网络是采用误差反向传播算法(Error Back-propagationAlgorithm)的多层前馈人工神经网络，该算法因其良好的非线性逼近能力、泛化能力以及易适性，被广泛用于非线性系统的拟合和预测。BP神经网络模型由输入层、隐含层和输出层组成。
上述中BP神经网络的结构为9-15-2，即输入层节点为9个，分别是调整系数
Figure 901350DEST_PATH_IMAGE104
、调整系数
Figure 938707DEST_PATH_IMAGE096
、基准涂胶压力、基准胶浆流量，涂胶面积、灰度矩阵、涂胶压力、胶浆流量；隐藏层节点为15个；输出层节点是2个，即增益值。其中一个增益值为调整系数
Figure 62521DEST_PATH_IMAGE104
的修正因子
Figure DEST_PATH_IMAGE116
、另一个增益值为调整系数
Figure 425501DEST_PATH_IMAGE096
的修正因子
Figure DEST_PATH_IMAGE118
。其中，BP神经网络的损失函数为交叉熵损失函数，BP神经网络的训练过程为公知技术，不再赘述。
步骤6，基于基准涂胶压力、基准胶浆流量、调整系数、修正因子，对涂胶机的工作参数进行调节。
具体的调节过程为：利用基准涂胶压力、基准胶浆流量、调整系数、修正因子得到涂胶机调节后的工作参数，其中，涂胶机调节后的工作参数包括调节后的胶浆流量与调节后的涂胶压力。
调节后的胶浆流量为：
Figure DEST_PATH_IMAGE120
，其中，
Figure DEST_PATH_IMAGE122
为第k组对应的调节后的胶浆流量，
Figure 854339DEST_PATH_IMAGE094
为第k组对应的基准胶浆流量，
Figure 23283DEST_PATH_IMAGE104
为胶浆流量的调节系数，
Figure 17915DEST_PATH_IMAGE116
为调节系数
Figure 269905DEST_PATH_IMAGE104
的修正因子。
调节后的涂胶压力为：
Figure DEST_PATH_IMAGE124
，其中，
Figure DEST_PATH_IMAGE126
为第k组对应的调节后的涂胶压力，
Figure 123723DEST_PATH_IMAGE092
为第k组对应的基准涂胶压力，
Figure 752150DEST_PATH_IMAGE096
为涂胶压力的调节系数，
Figure 866868DEST_PATH_IMAGE118
为调节系数
Figure 493021DEST_PATH_IMAGE096
的修正因子。
通过上述方法得到各组对应的调节后的涂胶压力与调节后的胶浆流量，实现对所有涂胶机工作参数的调节。
本发明还提供了一种基于神经网络的涂胶机工作参数调节系统，包括存储器和处理器，处理器执行存储器存储的一种基于神经网络的涂胶机工作参数调节方法的程序；由于一种基于神经网络的涂胶机工作参数调节方法的具体实施方式已在上述步骤1至步骤6中详细给出，不再过多赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于神经网络的涂胶机工作参数调节方法，其特征在于，该方法包括以下步骤：
获取若干涂胶机在各检测时刻对应的涂胶压力、胶浆流量以及产品的涂胶面积，得到若干涂胶机在设定时间段对应的涂胶压力序列、胶浆流量序列以及产品的涂胶面积序列；
获取所述产品在相邻两检测时刻对应的涂胶图像，并对所述涂胶图像进行灰度化处理，得到灰度图像；
基于所述灰度图像，得到灰度矩阵；并根据灰度矩阵，获取所述产品在设定时间段内对应的灰度矩阵序列；
基于所述涂胶面积序列、灰度矩阵以及灰度矩阵序列，得到各涂胶机对应的涂胶质量稳定评价；
根据所述涂胶质量稳定评价，计算任意两涂胶机的关联程度；基于所述关联程度，对若干涂胶机进行分组，得到多个组；
根据所述涂胶压力序列与涂胶质量稳定评价，计算各组对应的基准涂胶压力，基于所述胶浆流量与涂胶质量稳定评价，计算各组对应的基准胶浆流量；
基于所述涂胶面积序列和灰度矩阵序列，计算涂胶机对应工作参数的调整系数；根据神经网络模型，获取所述调整系数对应的修正因子；
其中，所述调整系数包括涂胶压力的调整系数和胶浆流量的调整系数；
所述涂胶压力的调整系数的获取方法为：选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的涂胶面积均值，计算最佳涂胶面积与所述涂胶面积均值的比值，得到涂胶压力的调整系数；
所述胶浆流量的调整系数的获取方法为：选取两检测时刻组成调整单元，计算涂胶机在调整单元对应的灰度矩阵均值，计算最佳灰度矩阵与所述灰度矩阵均值的比值，得到胶浆流量的调整系数；
基于所述基准涂胶压力、基准胶浆流量、调整系数以及修正因子，对涂胶机的工作参数进行调节。
2.根据权利要求1所述的一种基于神经网络的涂胶机工作参数调节方法，其特征在于，所述涂胶质量稳定评价为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价，
Figure DEST_PATH_IMAGE006
为第x个涂胶机在第i个检测时刻对应的灰度矩阵，t为设定时间段内检测时刻的总个数；
Figure DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列,
Figure DEST_PATH_IMAGE010
为第x个涂胶机对应的产品的涂胶面积序列，
Figure DEST_PATH_IMAGE012
为求方差的函数。
3.根据权利要求1所述的一种基于神经网络的涂胶机工作参数调节方法，其特征在于，所述关联程度为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为第x个涂胶机与第y个涂胶机的关联程度；
Figure 626492DEST_PATH_IMAGE008
为第x个涂胶机的灰度值矩阵序列；
Figure DEST_PATH_IMAGE018
为第y个涂胶机的灰度值矩阵序列；
Figure DEST_PATH_IMAGE020
为
Figure 733513DEST_PATH_IMAGE008
与
Figure 575567DEST_PATH_IMAGE018
的余弦相似度；
Figure 33093DEST_PATH_IMAGE004
为第x个涂胶机对应的涂胶质量稳定评价；
Figure DEST_PATH_IMAGE022
为第y个涂胶机对应的涂胶质量稳定评价；
Figure DEST_PATH_IMAGE024
为第x个涂胶机对应的涂胶面积序列，
Figure DEST_PATH_IMAGE026
为第y个涂胶机对应的涂胶面积序列；
Figure DEST_PATH_IMAGE028
为
Figure 156120DEST_PATH_IMAGE024
与
Figure 40899DEST_PATH_IMAGE026
的皮尔逊相关系数；
Figure DEST_PATH_IMAGE030
为求取差值绝对值的函数。
4.根据权利要求1所述的一种基于神经网络的涂胶机工作参数调节方法，其特征在于，
所述基准涂胶压力的获取方法为：在同一组内，计算其中一涂胶机对应的涂胶压力序列中各涂胶压力的累加和，得到组内所有涂胶机对应的涂胶压力序列中各涂胶压力的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总涂胶压力，进而计算所述总涂胶压力与组内所有涂胶压力的个数的比值，确定基准涂胶压力；
所述基准胶浆流量的获取方法为：在同一组内，计算其中一涂胶机的胶浆流量序列中各胶浆流量的累加和，得到组内所有涂胶机的胶浆流量序列中各胶浆流量的累加和，基于组内各涂胶机对应的涂胶质量稳定评价，计算各涂胶机对应的权重，基于所述累加和与对应的权重，计算组内的总胶浆流量，进而计算所述总胶浆流量与组内所有胶浆流量的个数的比值，确定基准胶浆流量。
5.一种基于神经网络的涂胶机工作参数调节系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-4中任一项所述的一种基于神经网络的涂胶机工作参数调节方法的程序。
CN202210807540.5A 2022-07-11 2022-07-11 一种基于神经网络的涂胶机工作参数调节方法及系统 Withdrawn CN114882030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807540.5A CN114882030A (zh) 2022-07-11 2022-07-11 一种基于神经网络的涂胶机工作参数调节方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807540.5A CN114882030A (zh) 2022-07-11 2022-07-11 一种基于神经网络的涂胶机工作参数调节方法及系统

Publications (1)

Publication Number Publication Date
CN114882030A true CN114882030A (zh) 2022-08-09

Family

ID=82683278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807540.5A Withdrawn CN114882030A (zh) 2022-07-11 2022-07-11 一种基于神经网络的涂胶机工作参数调节方法及系统

Country Status (1)

Country Link
CN (1) CN114882030A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI956257A0 (fi) * 1994-12-29 1995-12-27 Huels Chemische Werke Ag Menetelmä painolaadun arvioimiseksi
CN110489884A (zh) * 2017-05-11 2019-11-22 珠海格力电器股份有限公司 空调压缩机仿真方法和系统
CN110966731A (zh) * 2018-09-28 2020-04-07 珠海格力电器股份有限公司 调节工作参数的方法
CN113934190A (zh) * 2021-12-17 2022-01-14 武汉春田纸品包装有限公司 一种基于机器视觉的瓦楞纸板生产质量调控方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI956257A0 (fi) * 1994-12-29 1995-12-27 Huels Chemische Werke Ag Menetelmä painolaadun arvioimiseksi
CN110489884A (zh) * 2017-05-11 2019-11-22 珠海格力电器股份有限公司 空调压缩机仿真方法和系统
CN110966731A (zh) * 2018-09-28 2020-04-07 珠海格力电器股份有限公司 调节工作参数的方法
CN113934190A (zh) * 2021-12-17 2022-01-14 武汉春田纸品包装有限公司 一种基于机器视觉的瓦楞纸板生产质量调控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张宁等: "采用图像处理的织物缝纫平整度自动评估", 《纺织学报》 *

Similar Documents

Publication Publication Date Title
CN116363133B (zh) 基于机器视觉的照明器配件缺陷检测方法
CN115170572A (zh) 一种bopp复合薄膜表面涂胶质量监测方法
CN112906529B (zh) 人脸识别补光方法、装置、人脸识别设备及其系统
CN110443778B (zh) 一种检测工业品不规则缺陷的方法
CN110069985A (zh) 基于图像的目标点位置检测方法、装置、电子设备
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN104318543A (zh) 基于图像处理方法的板材计量方法与装置
CN112893007A (zh) 一种基于机器视觉的点胶系统及其点胶方法
CN115147415B (zh) 基于图像处理的酒盒缺陷检测方法
CN114882030A (zh) 一种基于神经网络的涂胶机工作参数调节方法及系统
CN109543267A (zh) 基于图像处理的工艺品表面喷涂仿真与优化方法
CN109993728B (zh) 一种热转印胶水偏位自动检测方法和系统
AU2017443986A1 (en) Color adaptation using adversarial training networks
CN115578390B (zh) 一种用于除氧器的焊接控制方法
CN113643370B (zh) 一种基于ncc算法的图像定位方法与装置
CN113156832B (zh) 一种胶印机墨路系统性能参数快速分析方法与系统
CN107680068A (zh) 一种考虑图像自然度的数字图像增强方法
CN111563863B (zh) 一种直方图受限的图像增强方法及装置
CN114358131A (zh) 数码相框智能照片优化处理系统
CN108734703B (zh) 基于机器视觉的抛光砖打印图样检测方法、系统及装置
CN117649370B (zh) 图像非均匀校正的残差bp神经网络及方法
CN118037734B (zh) 一种全降解塑料制品质量检测方法
CN108234896A (zh) 分段曝光成像高动态恢复方法及系统
CN117952971B (zh) 一种热喷涂超细粉末用等离子重熔监测方法及系统
CN116061440B (zh) 一种打印机的智能控制方法及系统

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

Application publication date: 20220809

WW01 Invention patent application withdrawn after publication