CN115061427B - 吹塑机的料层均匀性控制系统及其控制方法 - Google Patents

吹塑机的料层均匀性控制系统及其控制方法 Download PDF

Info

Publication number
CN115061427B
CN115061427B CN202210748973.8A CN202210748973A CN115061427B CN 115061427 B CN115061427 B CN 115061427B CN 202210748973 A CN202210748973 A CN 202210748973A CN 115061427 B CN115061427 B CN 115061427B
Authority
CN
China
Prior art keywords
uniformity
characteristic diagram
material layer
characteristic
neural network
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.)
Active
Application number
CN202210748973.8A
Other languages
English (en)
Other versions
CN115061427A (zh
Inventor
温作银
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.)
Zhejiang Tongfa Plastic Machinery Co ltd
Original Assignee
Zhejiang Tongfa Plastic Machinery 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 Zhejiang Tongfa Plastic Machinery Co ltd filed Critical Zhejiang Tongfa Plastic Machinery Co ltd
Priority to CN202210748973.8A priority Critical patent/CN115061427B/zh
Publication of CN115061427A publication Critical patent/CN115061427A/zh
Application granted granted Critical
Publication of CN115061427B publication Critical patent/CN115061427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4086—Coordinate conversions; Other special calculations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling
    • 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
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

本申请涉及智能制造的领域，其具体地公开了一种吹塑机的料层均匀性控制系统及其控制方法，所述吹塑机的料层均匀性控制系统基于人工智能技术的卷积神经网络模型来通过对于第一至第四材料的挤出速度以及料层的截面图像的深层特征挖掘以对不同料层的挤出速度进行控制，进而对于吹塑机的料层均匀性控制进行优化，以提高农药包装桶的成型精度。

Description

吹塑机的料层均匀性控制系统及其控制方法
技术领域
本申请涉及智能制造的领域，且更为具体地，涉及一种吹塑机的料层均匀性控制系统及其控制方法。
背景技术
对于农药包装桶而言，在生产过程中，料层的均匀性控制是提高农药包装桶的成型精度的关键。但是，相较于常规的农药包装桶由多层材料组成，其由外到内分别是PE、DEPE(PE回收料)、TIE、ECOH，且不同材料的流动性不同。如果使用相同的挤出速度，由于不同料层的流动性不同会导致不同层之间的均匀性难以满足要求。
因此，期待一种优化的吹塑机的料层均匀性控制系统。
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吹塑机的料层均匀性控制系统及其控制方法，其基于人工智能技术的卷积神经网络模型来通过对于第一至第四材料的挤出速度以及料层的截面图像的深层特征挖掘以对不同料层的挤出速度进行控制，进而对于吹塑机的料层均匀性控制进行优化，以提高农药包装桶的成型精度。
根据本申请的一个方面，提供了一种吹塑机的料层均匀性控制系统，其包括：
训练模块，包括：
材料排出模式获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
料层成型数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
排出模式数据转换单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
排出模式编码单元，用于将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；
料层成型数据编码单元，用于将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；
料层特征切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
料层均匀度编码单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
均匀度特征分布校正单元，用于对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；
特征分布融合单元，用于融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；
损失计算单元，用于将所述分类特征图通过分类器以得到分类损失函数值；以及
训练单元，用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练；以及
推断模块，包括：
排出测试数据获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
成型测试数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
数据结构化单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
速度编码单元，用于将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；
截面图像编码单元，用于将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；
切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
比较单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
融合单元，用于融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及
控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
根据本申请的另一个方面，提供了一种吹塑机的料层均匀性控制系统的控制方法，其包括：
训练阶段，包括：
获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；
将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；
对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；
融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；
将所述分类特征图通过分类器以得到分类损失函数值；以及
基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练；以及
推断阶段，包括：
获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；
将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；
对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
与现有技术相比，本申请提供的吹塑机的料层均匀性控制系统及其控制方法，其基于人工智能技术的卷积神经网络模型来通过对于第一至第四材料的挤出速度以及料层的截面图像的深层特征挖掘以对不同料层的挤出速度进行控制，进而对于吹塑机的料层均匀性控制进行优化，以提高农药包装桶的成型精度。
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吹塑机的料层均匀性控制系统的场景示意图。
图2为根据本申请实施例的吹塑机的料层均匀性控制系统的框图。
图3A为根据本申请实施例的吹塑机的料层均匀性控制系统的监测方法中训练阶段的流程图。
图3B为根据本申请实施例的吹塑机的料层均匀性控制系统的监测方法中推断阶段的流程图。
图4为根据本申请实施例的吹塑机的料层均匀性控制系统的监测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吹塑机的料层均匀性控制系统的监测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，对于农药包装桶而言，在生产过程中，料层的均匀性控制是提高农药包装桶的成型精度的关键。但是，相较于常规的农药包装桶由多层材料组成，其由外到内分别是PE、DEPE(PE回收料)、TIE、ECOH，且不同材料的流动性不同。如果使用相同的挤出速度，由于不同料层的流动性不同会导致不同层之间的均匀性难以满足要求。
因此，期待一种优化的吹塑机的料层均匀性控制系统。
目前，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、语音信号处理等领域。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吹塑机的料层均匀性控制提供了新的解决思路和方案。
相应地，在本申请的技术方案中，由于4层材料由外到内分别是PE、DEPE(PE回收料)、TIE、ECOH，且不同材料的流动性不同，例如ECOH的流动性比PE要好，因此，若使用相同的挤出速度，则不同材料层的流动性不同会导致不同层的均匀性难以达到满意的效果。而考虑到对于吹塑机的料层均匀性控制可以通过多个时间点的第一至第四材料的挤出速度控制来确定，并且在控制的过程中，还需要时刻关注到各个料层之间的局部隐含特征信息，这可以通过料层截面方向采集的截面图像中的高维隐含特征来确定。
具体地，在本申请的技术方案中，首先获取预定时间段的多个预定时间点的第一至第四材料的挤出速度。然后，将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵后通过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中进行处理，以挖掘出所述多个预定时间点的第一至第四材料的挤出速度间的隐藏高维关联特征分布信息，从而获得速度特征图。
并且，通过相机从料层的截面方向采集截面图像，其中，所述料层由所述第一至第四材料叠置形成。然后，将所述截面图像也通过卷积神经网络模型中进行局部的隐藏特征提取，以提取出所述料层的截面图像的局部高维隐含特征，从而获得分布特征图。
而为了更加准确地对所述料层的截面图像中的不同料层进行特征区分，以在后续的分类中提高分类的准确性，因此，还需要进一步对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图。然后，为了更加关注到不同料层之间的成型厚度差异，以更准确地对所述料层均匀性进行控制，还需要进一步计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列，以整合所述不同料层的关联差异性特征，从而得到均匀度特征图。
进一步地，融合所述均匀度特征图和所述速度特征图就可以得到用于分类的分类特征图。但是，考虑到融合所述速度特征图和所述均匀度特征图时，由于要保持所述速度特征图和所述均匀度特征图的尺度相同，会对所述均匀度特征图所代表的图像语义进行压缩，并且，在特征图的切分-差分-级联过程中，也会随着模型迭代而导致信息损失，因此，对均匀度特征图进行基于信息损失鲁棒性的修正，表示为：
Figure BDA0003717643020000061
其中fi,j,k表示所述均匀度特征图的第(i,j,k)位置的特征值，exp(·)表示特征图的指数运算，对特征图进行指数运算表示计算以特征图中各个位置的特征值为幂的自然指数函数值，且所述均匀度特征图的尺度为W×H×C。
基于信息损失鲁棒性的修正通过对特征值概率性解释来促进神经网络的训练，使得在训练过程当中第二卷积神经网络的参数对于信息损失的鲁棒性能够随周期性迭代而自我适应，从而提高第二卷积神经网络在均匀度特征图的特征提取任务上的性能，以提升融合后的特征图的分类效果。
这样，将所述校正后的均匀度特征图和所述速度特征图进行融合以得到分类特征图，在一个具体示例中，可以计算所述校正后的均匀度特征图和所述速度特征图的按位置的加权和以作为分类特征图。这样就可以对所述吹塑机的螺杆挤出机的控制模式的合理性进行准确地判断，以使得对吹塑机的料层均匀性控制的效果更好。
基于此，本申请提出了一种吹塑机的料层均匀性控制系统，其包括训练模块和推断模块。其中，训练模块，包括：材料排出模式获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；料层成型数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；排出模式数据转换单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；排出模式编码单元，用于将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；料层成型数据编码单元，用于将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；料层特征切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；料层均匀度编码单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；均匀度特征分布校正单元，用于对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；特征分布融合单元，用于融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；损失计算单元，用于将所述分类特征图通过分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。其中，推断模块，包括：排出测试数据获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；成型测试数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；数据结构化单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；速度编码单元，用于将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；截面图像编码单元，用于将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；比较单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；融合单元，用于融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及,控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
图1图示了根据本申请实施例的吹塑机的料层均匀性控制系统的场景示意图。如图1所示，在该应用场景的训练阶段中，首先，通过部署于吹塑机(例如，如图1中所示意的T)上的各个传感器(例如，如图1中所示意的E)采集预定时间段的多个预定时间点的第一至第四材料的挤出速度，并且通过相机(例如，如图1中所示意的C)从料层(例如，如图1中所示意的M)的截面方向采集截面图像，其中，所述料层由所述第一至第四材料叠置形成，并且所述第一至第四材料分别为PE、DEPE、TIE和EVOH。然后，将获得的所述多个预定时间点的第一至第四材料的挤出速度以及所述截面图像输入至部署有吹塑机的料层均匀性控制算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于吹塑机的料层均匀性控制算法以所述多个预定时间点的第一至第四材料的挤出速度以及所述截面图像对吹塑机的料层均匀性控制系统的所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。
在训练完成后，在推断阶段中，首先，通过部署于吹塑机(例如，如图1中所示意的T)上的各个传感器(例如，如图1中所示意的E)采集预定时间段的多个预定时间点的第一至第四材料的挤出速度，并且通过相机(例如，如图1中所示意的C)从料层(例如，如图1中所示意的M)的截面方向采集截面图像，其中，所述料层由所述第一至第四材料叠置形成，并且所述第一至第四材料分别为PE、DEPE、TIE和EVOH。然后，将所述多个预定时间点的第一至第四材料的挤出速度以及所述截面图像输入至部署有吹塑机的料层均匀性控制算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以吹塑机的料层均匀性控制算法对所述多个预定时间点的第一至第四材料的挤出速度以及所述截面图像进行处理，以生成用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求的分类结果。
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吹塑机的料层均匀性控制系统的框图。如图2所示，根据本申请实施例的吹塑机的料层均匀性控制系统200，包括：训练模块210和推断模块220。其中，训练模块210，包括：材料排出模式获取单元2101，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；料层成型数据获取单元2102，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；排出模式数据转换单元2103，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；排出模式编码单元2104，用于将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；料层成型数据编码单元2105，用于将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；料层特征切分单元2106，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；料层均匀度编码单元2107，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；均匀度特征分布校正单元2108，用于对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；特征分布融合单元2109，用于融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；损失计算单元2110，用于将所述分类特征图通过分类器以得到分类损失函数值；以及，训练单元2111，用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。
其中，推断模块220，包括：排出测试数据获取单元221，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；成型测试数据获取单元222，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；数据结构化单元223，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；速度编码单元224，用于将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；截面图像编码单元225，用于将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；切分单元226，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；比较单元227，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；融合单元228，用于融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及,控制结果生成单元229，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
具体地，在本申请实施例中，在训练模块210中，所述材料排出模式获取单元2101和所述料层成型数据获取单元2102，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度，并获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成。如前所述，在本申请的技术方案中，由于对于农药包装桶而言，4层材料由外到内分别是PE、DEPE(PE回收料)、TIE、ECOH，且不同材料的流动性不同，例如ECOH的流动性比PE要好，因此，若使用相同的挤出速度，则不同材料层的流动性不同会导致不同层的均匀性难以达到满意的效果。而考虑到对于所述吹塑机的料层均匀性控制可以通过多个时间点的第一至第四材料的挤出速度控制来确定，并且在控制的过程中，还需要时刻关注到所述各个料层之间的局部隐含特征信息，这可以通过料层截面方向采集的截面图像中的高维隐含特征来确定。
具体地，在本申请的技术方案中，首先通过部署于吹塑机上的各个传感器采集预定时间段的多个预定时间点的第一至第四材料的挤出速度，并且通过相机从料层的截面方向采集截面图像，其中，所述料层由所述第一至第四材料叠置形成，并且所述第一至第四材料分别为PE、DEPE、TIE和EVOH。
具体地，在本申请实施例中，在训练模块210中，所述排出模式数据转换单元2103和所述排出模式编码单元2104，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵，并将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图。也就是，在本申请的技术方案中，进一步将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵后通过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中进行处理，以挖掘出所述多个预定时间点的第一至第四材料的挤出速度间的隐藏高维关联特征分布信息，从而获得速度特征图。相应地，在一个具体示例中，使用所述第一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、池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述速度特征图，其中，所述第一卷积神经网络的第一层的输入为所述二维输入矩阵。
具体地，在本申请实施例中，在训练模块210中，所述料层成型数据编码单元2105，用于将所述料层的截面图像通过第二卷积神经网络以得到分布特征图。也就是，通过相机从料层的截面方向采集截面图像后，接着将所述截面图像也通过卷积神经网络模型中进行局部的隐藏特征提取，以提取出所述料层的截面图像的局部高维隐含特征，从而获得分布特征图。
更具体地，在本申请实施例中，所述料层成型数据编码单元，进一步用于使用所述第二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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述分布特征图，所述第二卷积神经网络的第一层的输入为所述料层的截面图像。
具体地，在本申请实施例中，在训练模块210中，所述料层特征切分单元2106和所述料层均匀度编码单元2107，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图，再计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图。应可以理解，为了更加准确地对所述料层的截面图像中的不同料层进行特征区分，以在后续的分类中提高分类的准确性，因此，在本申请的技术方案中，还需要进一步对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图。然后，为了更加关注到不同料层之间的成型厚度差异，以更准确地对所述料层均匀性进行控制，进一步计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列，以整合所述不同料层的关联差异性特征，从而得到均匀度特征图。相应地，在一个具体示例中，计算所述第一至第四分布子特征图中每两个分布子特征图之间的按位置差值以得到所述多个差分特征图。
具体地，在本申请实施例中，在训练模块210中，所述均匀度特征分布校正单元2108，用于对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图。应可以理解，在本申请的技术方案中，进一步地，融合所述均匀度特征图和所述速度特征图就可以得到用于分类的分类特征图。但是，考虑到融合所述速度特征图和所述均匀度特征图时，由于要保持所述速度特征图和所述均匀度特征图的尺度相同，会对所述均匀度特征图所代表的图像语义进行压缩，并且，在特征图的切分-差分-级联过程中，也会随着模型迭代而导致信息损失，因此，还需要进一步对均匀度特征图进行基于信息损失鲁棒性的修正，表示为：
Figure BDA0003717643020000121
其中fi,j,k表示所述均匀度特征图的第(i,j,k)位置的特征值，exp(·)表示特征图的指数运算，对特征图进行指数运算表示计算以特征图中各个位置的特征值为幂的自然指数函数值，且所述均匀度特征图的尺度为W×H×C。
更具体地，在本申请实施例中，所述均匀度特征分布校正单元，包括：指数运算子单元，用于计算所述均匀度特征图中各个位置的特征值为幂的自然指数函数值的求和值作为所述均匀度特征图的全局特征值；以及，信息损失计算子单元，用于以所述均匀度特征图中各个位置的特征值为幂的自然指数函数值分别除以所述均匀度特征图的全局特征值以得到对应于所述均匀度特征图中各个位置的量化评估值，再分别计算所述量化评估值与一的求和值的对数函数值作为所述校正后均匀度特征图中各个位置的特征值。应可以理解，基于信息损失鲁棒性的修正通过对特征值概率性解释来促进神经网络的训练，使得在训练过程当中所述第二卷积神经网络的参数对于信息损失的鲁棒性能够随周期性迭代而自我适应，从而提高所述第二卷积神经网络在均匀度特征图的特征提取任务上的性能，以提升融合后的特征图的分类效果。
具体地，在本申请实施例中，在训练模块210中，所述特征分布融合单元2109、所述损失计算单元2110和所述训练单元2111，用于融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图，并将所述分类特征图通过分类器以得到分类损失函数值，再基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。也就是，在本申请的技术方案中，进一步将所述校正后的均匀度特征图和所述速度特征图进行融合以得到分类特征图，在一个具体示例中，可以计算所述校正后的均匀度特征图和所述速度特征图的按位置的加权和以作为分类特征图。然后，将其通过分类器以获得分类损失函数值，来对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。这样，就可以对所述吹塑机的螺杆挤出机的控制模式的合理性进行准确地判断，以使得对吹塑机的料层均匀性控制的效果更好。
更具体地，在本申请实施例中，所述损失计算单元，包括：分类结果计算子单元，用于所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及，交叉熵值计算子单元，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，进入推断模块，也就是，将训练完成的所述第一卷积神经网络、所述第二卷积神经网络和所述分类器用于实际的推断过程中，进而，就可以得到所述均匀度特征图和所述速度特征图，进一步再将所述均匀度特征图和所述速度特征图进行融合后通过分类器以获得用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求的分类结果。
具体地，在本申请实施例中，在推断模块220中，首先，获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；接着，获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；然后，将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；接着，将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；然后，将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；接着，对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；然后，计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；接着，融合所述均匀度特征图和所述速度特征图以得到分类特征图；最后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
综上，基于本申请实施例的所述吹塑机的料层均匀性控制系统200被阐明，其基于人工智能技术的卷积神经网络模型来通过对于第一至第四材料的挤出速度以及料层的截面图像的深层特征挖掘以对不同料层的挤出速度进行控制，进而对于吹塑机的料层均匀性控制进行优化，以提高农药包装桶的成型精度。
如上所述，根据本申请实施例的吹塑机的料层均匀性控制系统200可以实现在各种终端设备中，例如吹塑机的料层均匀性控制算法的服务器等。在一个示例中，根据本申请实施例的吹塑机的料层均匀性控制系统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，该吹塑机的料层均匀性控制系统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，该吹塑机的料层均匀性控制系统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，该吹塑机的料层均匀性控制系统200与该终端设备也可以是分立的设备，并且该吹塑机的料层均匀性控制系统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吹塑机的料层均匀性控制系统的监测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吹塑机的料层均匀性控制系统的监测方法，包括：训练阶段，包括步骤：S110，获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；S120，获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；S130，将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；S140，将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；S150，将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；S160，对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；S170，计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；S180，对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；S190，融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；S200，将所述分类特征图通过分类器以得到分类损失函数值；以及，S201，基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。
图3B图示了根据本申请实施例的吹塑机的料层均匀性控制系统的监测方法中推断阶段的流程图。图3B所示，根据本申请实施例的吹塑机的料层均匀性控制系统的监测方法，包括：推断阶段，包括步骤：S210，获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；S220，获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；S230，将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；S240，将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；S250，将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；S260，对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；S270，计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；S280，融合所述均匀度特征图和所述速度特征图以得到分类特征图；S290，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
图4图示了根据本申请实施例的吹塑机的料层均匀性控制系统的监测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，将获得的所述预定时间段的多个预定时间点的第一至第四材料的挤出速度(例如，如图4中所示意的P1)按照时间维度和样本维度排列为二维输入矩阵(例如，如图4中所示意的M1)；接着，将所述二维输入矩阵通过第一卷积神经网络(例如，如图4中所示意的CNN1)以得到速度特征图(例如，如图4中所示意的FS)；然后，将获得的所述料层的截面图像(例如，如图4中所示意的P2)通过第二卷积神经网络(例如，如图4中所示意的CNN2)以得到分布特征图(例如，如图4中所示意的FD)；接着，对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图(例如，如图4中所示意的F1-F4)；然后，计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图(例如，如图4中所示意的FI)，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图(例如，如图4中所示意的FE)；接着，对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图(例如，如图4中所示意的FC)；然后，融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图(例如，如图4中所示意的F)；接着，将所述分类特征图通过分类器(例如，如图4中所示意的分类器)以得到分类损失函数值(例如，如图4中所示意的CLV)；以及，最后，基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练。
图5图示了根据本申请实施例的吹塑机的料层均匀性控制系统的监测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，将获得的所述预定时间段的多个预定时间点的第一至第四材料的挤出速度(例如，如图5中所示意的P1)按照时间维度和样本维度排列为二维输入矩阵(例如，如图5中所示意的M1)；接着，将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络(例如，如图5中所示意的CN1)以得到速度特征图(例如，如图5中所示意的FS)；然后，将获得的所述料层的截面图像(例如，如图5中所示意的P2)通过经所述训练模块训练完成的所述第二卷积神经网络(例如，如图5中所示意的CN2)以得到分布特征图(例如，如图5中所示意的FD)；接着，对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图(例如，如图5中所示意的F1-F4)；然后，计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图(例如，如图5中所示意的FI)，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图(例如，如图5中所示意的FE)；接着，融合所述均匀度特征图和所述速度特征图以得到分类特征图(例如，如图5中所示意的F)；最后，将所述分类特征图通过分类器(例如，如图5中所示意的分类器)以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
综上，基于本申请实施例的所述吹塑机的料层均匀性控制系统的监测方法被阐明，其基于人工智能技术的卷积神经网络模型来通过对于第一至第四材料的挤出速度以及料层的截面图像的深层特征挖掘以对不同料层的挤出速度进行控制，进而对于吹塑机的料层均匀性控制进行优化，以提高农药包装桶的成型精度。

Claims (10)

1.一种吹塑机的料层均匀性控制系统，其特征在于，包括：
训练模块，包括：
材料排出模式获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
料层成型数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
排出模式数据转换单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
排出模式编码单元，用于将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；
料层成型数据编码单元，用于将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；
料层特征切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
料层均匀度编码单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
均匀度特征分布校正单元，用于对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；
特征分布融合单元，用于融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；
损失计算单元，用于将所述分类特征图通过分类器以得到分类损失函数值；以及
训练单元，用于基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练；以及
推断模块，包括：
排出测试数据获取单元，用于获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
成型测试数据获取单元，用于获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
数据结构化单元，用于将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
速度编码单元，用于将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；
截面图像编码单元，用于将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；
切分单元，用于对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
比较单元，用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
融合单元，用于融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及
控制结果生成单元，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
2.根据权利要求1所述的吹塑机的料层均匀性控制系统，其中，所述排出模式编码单元，进一步用于使用所述第一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、池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述速度特征图，其中，所述第一卷积神经网络的第一层的输入为所述二维输入矩阵。
3.根据权利要求2所述的吹塑机的料层均匀性控制系统，其中，所述料层成型数据编码单元，进一步用于使用所述第二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：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络的最后一层的输出为所述分布特征图，所述第二卷积神经网络的第一层的输入为所述料层的截面图像。
4.根据权利要求3所述的吹塑机的料层均匀性控制系统，其中，所述料层均匀度编码单元，进一步用于计算所述第一至第四分布子特征图中每两个分布子特征图之间的按位置差值以得到所述多个差分特征图。
5.根据权利要求4所述的吹塑机的料层均匀性控制系统，其中，所述均匀度特征分布校正单元，包括：
指数运算子单元，用于计算所述均匀度特征图中各个位置的特征值为幂的自然指数函数值的求和值作为所述均匀度特征图的全局特征值；以及
信息损失计算子单元，用于以所述均匀度特征图中各个位置的特征值为幂的自然指数函数值分别除以所述均匀度特征图的全局特征值以得到对应于所述均匀度特征图中各个位置的量化评估值，再分别计算所述量化评估值与一的求和值的对数函数值作为所述校正后均匀度特征图中各个位置的特征值。
6.根据权利要求5所述的吹塑机的料层均匀性控制系统，其中，所述损失计算单元，包括：
分类结果计算子单元，用于所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵；以及
交叉熵值计算子单元，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.根据权利要求6所述的吹塑机的料层均匀性控制系统，其中，所述第一至第四材料分别为PE、DEPE、TIE和ECOH。
8.一种吹塑机的料层均匀性控制系统的控制方法，其特征在于，包括：
训练阶段，包括：
获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图；
将所述料层的截面图像通过第二卷积神经网络以得到分布特征图；
对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图；
融合所述校正后均匀度特征图和所述速度特征图以得到分类特征图；
将所述分类特征图通过分类器以得到分类损失函数值；以及
基于所述分类损失函数值对所述第一卷积神经网络、所述第二卷积神经网络和所述分类器进行训练；以及
推断阶段，包括：
获取预定时间段的多个预定时间点的第一至第四材料的挤出速度；
获取由相机从料层的截面方向采集的截面图像，其中，所述料层由所述第一至第四材料叠置形成；
将所述预定时间段的多个预定时间点的第一至第四材料的挤出速度按照时间维度和样本维度排列为二维输入矩阵；
将所述二维输入矩阵通过经所述训练模块训练完成的所述第一卷积神经网络以得到速度特征图；
将所述料层的截面图像通过经所述训练模块训练完成的所述第二卷积神经网络以得到分布特征图；
对所述分布特征图进行沿高度维度均匀切分以得到第一至第四分布子特征图；
计算所述第一至第四分布子特征图中每两个分布子特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图沿样本维度进行排列以得到均匀度特征图；
融合所述均匀度特征图和所述速度特征图以得到分类特征图；以及
将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述吹塑机的螺杆挤出机的控制模式是否满足预设要求。
9.根据权利要求8所述的吹塑机的料层均匀性控制系统的控制方法，其中，将所述二维输入矩阵通过第一卷积神经网络以得到速度特征图，包括：
使用所述第一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、池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述速度特征图，其中，所述第一卷积神经网络的第一层的输入为所述二维输入矩阵。
10.根据权利要求9所述的吹塑机的料层均匀性控制系统的控制方法，其中，对所述均匀度特征图中各个位置的特征值进行基于所述均匀度特征图的全局特征分布的特征值校正以得到校正后均匀度特征图，包括：
计算所述均匀度特征图中各个位置的特征值为幂的自然指数函数值的求和值作为所述均匀度特征图的全局特征值；以及
以所述均匀度特征图中各个位置的特征值为幂的自然指数函数值分别除以所述均匀度特征图的全局特征值以得到对应于所述均匀度特征图中各个位置的量化评估值，再分别计算所述量化评估值与一的求和值的对数函数值作为所述校正后均匀度特征图中各个位置的特征值。
CN202210748973.8A 2022-06-28 2022-06-28 吹塑机的料层均匀性控制系统及其控制方法 Active CN115061427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748973.8A CN115061427B (zh) 2022-06-28 2022-06-28 吹塑机的料层均匀性控制系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748973.8A CN115061427B (zh) 2022-06-28 2022-06-28 吹塑机的料层均匀性控制系统及其控制方法

Publications (2)

Publication Number Publication Date
CN115061427A CN115061427A (zh) 2022-09-16
CN115061427B true CN115061427B (zh) 2023-04-14

Family

ID=83203623

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748973.8A Active CN115061427B (zh) 2022-06-28 2022-06-28 吹塑机的料层均匀性控制系统及其控制方法

Country Status (1)

Country Link
CN (1) CN115061427B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4086045A (en) * 1972-10-25 1978-04-25 Bellaplast Gmbh Apparatus for the manufacture of thin-walled shaped articles of thermoplastic material
US4149839A (en) * 1975-12-30 1979-04-17 Ishikawajima-Harima Jukogyo Kabushiki Kaisha Blow molding apparatus
GB9907426D0 (en) * 1999-03-31 1999-05-26 Coexpan Sa Plastic extruded sheets
US6103161A (en) * 1997-02-03 2000-08-15 Lopez; Jose Luis Santamaria Procedure and device for manufacturing plastic extruded sheets
JP2008150706A (ja) * 2006-11-21 2008-07-03 Akita Fine Blanking:Kk 高温耐久性を高めたナノ表面改質方法並びにナノ表面改質方法が施された金属部材並びにこれを構成部材に適用したｖｇｓタイプターボチャージャにおける排気ガイドアッセンブリ
CN112101432A (zh) * 2020-09-04 2020-12-18 西北工业大学 一种基于深度学习的材料显微图像与性能双向预测方法
WO2022027987A1 (zh) * 2020-08-04 2022-02-10 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
WO2022037500A1 (zh) * 2020-08-20 2022-02-24 中冶长天国际工程有限责任公司 一种基于料层厚度预测的布料控制系统及方法
CN114494223A (zh) * 2022-02-10 2022-05-13 北京航空航天大学杭州创新研究院 Pcb缺陷检测模型训练方法、装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11084225B2 (en) * 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
US20220130084A1 (en) * 2019-08-16 2022-04-28 GE Precision Healthcare LLC Systems and methods for medical image processing using deep neural network
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
AU2021401816A1 (en) * 2020-12-18 2023-06-22 Strong Force Vcn Portfolio 2019, Llc Robot fleet management and additive manufacturing for value chain networks

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4086045A (en) * 1972-10-25 1978-04-25 Bellaplast Gmbh Apparatus for the manufacture of thin-walled shaped articles of thermoplastic material
US4149839A (en) * 1975-12-30 1979-04-17 Ishikawajima-Harima Jukogyo Kabushiki Kaisha Blow molding apparatus
US6103161A (en) * 1997-02-03 2000-08-15 Lopez; Jose Luis Santamaria Procedure and device for manufacturing plastic extruded sheets
GB9907426D0 (en) * 1999-03-31 1999-05-26 Coexpan Sa Plastic extruded sheets
JP2008150706A (ja) * 2006-11-21 2008-07-03 Akita Fine Blanking:Kk 高温耐久性を高めたナノ表面改質方法並びにナノ表面改質方法が施された金属部材並びにこれを構成部材に適用したｖｇｓタイプターボチャージャにおける排気ガイドアッセンブリ
WO2022027987A1 (zh) * 2020-08-04 2022-02-10 杰创智能科技股份有限公司 一种图像识别模型的训练方法及图像识别方法
WO2022037500A1 (zh) * 2020-08-20 2022-02-24 中冶长天国际工程有限责任公司 一种基于料层厚度预测的布料控制系统及方法
CN112101432A (zh) * 2020-09-04 2020-12-18 西北工业大学 一种基于深度学习的材料显微图像与性能双向预测方法
CN114494223A (zh) * 2022-02-10 2022-05-13 北京航空航天大学杭州创新研究院 Pcb缺陷检测模型训练方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
文生平 ; 贺华艳 ; 麦国铭 ; .基于机器视觉的全程可视化挤出熔融理论研究.塑料工业.2010,(第04期),第41-44页. *

Also Published As

Publication number Publication date
CN115061427A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN111191583B (zh) 基于卷积神经网络的空间目标识别系统及方法
US11816841B2 (en) Method and system for graph-based panoptic segmentation
US20200193225A1 (en) System and method for detecting objects in a digital image, and system and method for rescoring object detections
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN113628249A (zh) 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法
CN111382686A (zh) 一种基于半监督生成对抗网络的车道线检测方法
CN112912902A (zh) 人工神经网络和利用表观遗传神经发生训练人工神经网络的方法
CN112801063B (zh) 神经网络系统和基于神经网络系统的图像人群计数方法
CN114897738A (zh) 一种基于语义不一致性检测的图像盲修复方法
CN115061427B (zh) 吹塑机的料层均匀性控制系统及其控制方法
CN112801204B (zh) 基于自动神经网络的具有终身学习能力的高光谱分类方法
CN114241314A (zh) 一种基于CenterNet的遥感影像建筑物变化检测模型及算法
CN111709378B (zh) 一种基于js散度和模糊证据理论的路况状态评估新方法
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN115091725B (zh) 用于生产农药包装桶的智能吹塑机及其控制方法
CN111435457A (zh) 对传感器获取的采集进行分类的方法
CN116258877A (zh) 土地利用场景相似度变化检测方法、装置、介质及设备
CN116330664A (zh) 一种基于图像形态学运算的3d打印精度控制方法和系统
CN108427957B (zh) 图像分类方法及系统
CN116128798A (zh) 钟形壳锻面齿的精锻工艺
CN114419078A (zh) 基于卷积神经网络的表面缺陷区域分割方法及装置
CN115116013A (zh) 融合时序特征的在线密集点云语义分割系统及方法
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN114359907A (zh) 语义分割方法、车辆控制方法、电子设备及存储介质
CN115552482A (zh) 生成带不变积分层的卷积神经网络用于对象分类的方法

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