CN115099387B - 用于中性清洗剂生产的自动配料系统及其配料方法 - Google Patents

用于中性清洗剂生产的自动配料系统及其配料方法 Download PDF

Info

Publication number
CN115099387B
CN115099387B CN202210580008.4A CN202210580008A CN115099387B CN 115099387 B CN115099387 B CN 115099387B CN 202210580008 A CN202210580008 A CN 202210580008A CN 115099387 B CN115099387 B CN 115099387B
Authority
CN
China
Prior art keywords
feature map
data
formula
feature
decoding
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
CN202210580008.4A
Other languages
English (en)
Other versions
CN115099387A (zh
Inventor
黄斌斌
林金华
袁玮晨
罗霜
丘贵龙
赖志林
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.)
Fujian Tianfu Electronic Materials Co ltd
Original Assignee
Fujian Tianfu Electronic Materials 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 Fujian Tianfu Electronic Materials Co ltd filed Critical Fujian Tianfu Electronic Materials Co ltd
Priority to CN202210580008.4A priority Critical patent/CN115099387B/zh
Priority to PCT/CN2022/118972 priority patent/WO2023226247A1/zh
Publication of CN115099387A publication Critical patent/CN115099387A/zh
Application granted granted Critical
Publication of CN115099387B publication Critical patent/CN115099387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C11—ANIMAL OR VEGETABLE OILS, FATS, FATTY SUBSTANCES OR WAXES; FATTY ACIDS THEREFROM; DETERGENTS; CANDLES
    • C11D—DETERGENT COMPOSITIONS; USE OF SINGLE SUBSTANCES AS DETERGENTS; SOAP OR SOAP-MAKING; RESIN SOAPS; RECOVERY OF GLYCEROL
    • C11D7/00—Compositions of detergents based essentially on non-surface-active compounds
    • C11D7/02—Inorganic compounds
    • C11D7/04—Water-soluble compounds
    • C11D7/10—Salts
    • C11D7/16—Phosphates including polyphosphates
    • C—CHEMISTRY; METALLURGY
    • C11—ANIMAL OR VEGETABLE OILS, FATS, FATTY SUBSTANCES OR WAXES; FATTY ACIDS THEREFROM; DETERGENTS; CANDLES
    • C11D—DETERGENT COMPOSITIONS; USE OF SINGLE SUBSTANCES AS DETERGENTS; SOAP OR SOAP-MAKING; RESIN SOAPS; RECOVERY OF GLYCEROL
    • C11D7/00—Compositions of detergents based essentially on non-surface-active compounds
    • C11D7/22—Organic compounds
    • C11D7/26—Organic compounds containing oxygen
    • C11D7/265—Carboxylic acids or salts thereof
    • C—CHEMISTRY; METALLURGY
    • C11—ANIMAL OR VEGETABLE OILS, FATS, FATTY SUBSTANCES OR WAXES; FATTY ACIDS THEREFROM; DETERGENTS; CANDLES
    • C11D—DETERGENT COMPOSITIONS; USE OF SINGLE SUBSTANCES AS DETERGENTS; SOAP OR SOAP-MAKING; RESIN SOAPS; RECOVERY OF GLYCEROL
    • C11D7/00—Compositions of detergents based essentially on non-surface-active compounds
    • C11D7/22—Organic compounds
    • C11D7/32—Organic compounds containing nitrogen
    • C11D7/3245—Aminoacids
    • 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
    • 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

Abstract

本申请涉及智能制造的领域，其具体地公开了一种用于中性清洗剂生产的自动配料系统及其配料方法。所述用于中性清洗剂生产的自动配料系统通过使用深度学习的神经网络技术以从配方的整体以及各个配方成分之间的关联性来智能动态地推断出中性清洗剂的相对较佳的配料方案，进而能够针对于不同的清晰对象来实现所述中性清洗剂的智能配料。这样，可以使得制造出的中性清洗剂的性能效果更佳。

Description

用于中性清洗剂生产的自动配料系统及其配料方法
技术领域
本发明涉及智能制造的领域，且更为具体地，涉及一种用于中性清洗剂生产的自动配料系统及其配料方法。
背景技术
在工业清洗中常用盐酸、硝酸、硫酸等无机酸以及氨基磺酸、柠檬酸、羟基乙酸等有机酸清除设备表面的污垢，在清洗过程中存在操作繁琐、腐蚀设备、危害环境等问题。
中性清洗剂具有操作简便、无污染、腐蚀轻微等优点，研究开发中性环保清洗剂的需求十分迫切。市面上有诸多中性清洗剂，各自有各自的应用场所，但对于中性清洗剂制备厂家而言，如何针对于不同的清晰对象制备出具有较佳性能的中性清洗剂，是亟需解决的技术问题。因此，期望一种用于中性清洗剂生产的自动配料系统。
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。
近年来，深度学习以及神经网络的发展，为中性清洗剂的自动配料提供了解决思路和方案。
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用于中性清洗剂生产的自动配料系统及其配料方法，其通过使用深度学习的神经网络技术以从配方的整体以及各个配方成分之间的关联性来智能动态地推断出中性清洗剂的相对较佳的配料方案，进而能够针对于不同的清晰对象来实现所述中性清洗剂的智能配料。这样，可以使得制造出的中性清洗剂的性能效果更佳。
根据本申请的一个方面，提供了一种用于中性清洗剂生产的自动配料系统，其包括：变化配方数据单元，用于获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；配方编码单元，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；配方关联编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；配方效果数据单元，用于获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；测试效果编码单元，用于将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；特征图校正单元，用于对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；特征融合单元，用于融合所述第一特征图和所述第二特征图以生成解码特征图；解码单元，用于将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及配料方案生成单元，用于基于所述解码值生成配料方案。
在上述用于中性清洗剂生产的自动配料系统中，所述配方关联编码单元，进一步用于：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的所述多个第一特征向量。
在上述用于中性清洗剂生产的自动配料系统中，所述配方关联编码单元，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进行卷积处理、沿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第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述用于中性清洗剂生产的自动配料系统中，所述测试效果编码单元，进一步用于：使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。
在上述用于中性清洗剂生产的自动配料系统中，所述特征图校正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行重概率化以生成所述校正后第二特征图；其中，所述公式为：
Figure 347099DEST_PATH_IMAGE001
其中
Figure 312781DEST_PATH_IMAGE002
表示所述第二特征图的第
Figure 166467DEST_PATH_IMAGE003
位置的特征值，
Figure 786499DEST_PATH_IMAGE004
所述校正后第二特征图的第
Figure 92846DEST_PATH_IMAGE003
位置的特征值。
在上述用于中性清洗剂生产的自动配料系统中，所述解码单元，进一步用于：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure 298438DEST_PATH_IMAGE005
，其中
Figure 6631DEST_PATH_IMAGE006
是所述解码特征图，
Figure 304888DEST_PATH_IMAGE007
是所述解码值，
Figure 364111DEST_PATH_IMAGE008
是权重矩阵，
Figure 904551DEST_PATH_IMAGE009
表示矩阵乘。
根据本申请的另一方面，一种用于中性清洗剂生产的自动配料系统的配料方法，其包括：获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；融合所述第一特征图和所述第二特征图以生成解码特征图；将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及基于所述解码值生成配料方案。
在上述用于中性清洗剂生产的自动配料系统的配料方法中，将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量，包括：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的所述多个第一特征向量。
在上述用于中性清洗剂生产的自动配料系统的配料方法中，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图，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进行卷积处理、沿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第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述用于中性清洗剂生产的自动配料系统的配料方法中，将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图，包括：使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。
在上述用于中性清洗剂生产的自动配料系统的配料方法中，对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图，包括：以如下公式对所述第二特征图中各个位置的特征值进行重概率化以生成所述校正后第二特征图；
其中，所述公式为：
Figure 467251DEST_PATH_IMAGE010
其中
Figure 936409DEST_PATH_IMAGE011
表示所述第二特征图的第
Figure 715884DEST_PATH_IMAGE012
位置的特征值，
Figure 561481DEST_PATH_IMAGE013
所述校正后第二特征图的第
Figure 244266DEST_PATH_IMAGE014
位置的特征值。
在上述用于中性清洗剂生产的自动配料系统的配料方法中，将所述解码特征图通过解码器进行解码回归以获得解码值，包括：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure 123141DEST_PATH_IMAGE015
，其中
Figure 360218DEST_PATH_IMAGE016
是所述解码特征图，
Figure 743926DEST_PATH_IMAGE017
是所述解码值，
Figure 310912DEST_PATH_IMAGE018
是权重矩阵，
Figure 325135DEST_PATH_IMAGE019
表示矩阵乘。
与现有技术相比，本申请提供的用于中性清洗剂生产的自动配料系统及其配料方法，其通过使用深度学习的神经网络技术以从配方的整体以及各个配方成分之间的关联性来智能动态地推断出中性清洗剂的相对较佳的配料方案，进而能够针对于不同的清晰对象来实现所述中性清洗剂的智能配料。这样，可以使得制造出的中性清洗剂的性能效果更佳。
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用于中性清洗剂生产的自动配料系统的应用场景图。
图2为根据本申请实施例的用于中性清洗剂生产的自动配料系统的框图。
图3为根据本申请实施例的用于中性清洗剂生产的自动配料系统的配料方法的流程图。
图4为根据本申请实施例的用于中性清洗剂生产的自动配料系统的配料方法的架构示意图。
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，在工业清洗中常用盐酸、硝酸、硫酸等无机酸以及氨基磺酸、柠檬酸、羟基乙酸等有机酸清除设备表面的污垢，在清洗过程中存在操作繁琐、腐蚀设备、危害环境等问题。
中性清洗剂具有操作简便、无污染、腐蚀轻微等优点，研究开发中性环保清洗剂的需求十分迫切。市面上有诸多中性清洗剂，各自有各自的应用场所，但对于中性清洗剂制备厂家而言，如何针对于不同的清晰对象制备出具有较佳性能的中性清洗剂，是亟需解决的技术问题。因此，期望一种用于中性清洗剂生产的自动配料系统。
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。
近年来，深度学习以及神经网络的发展，为中性清洗剂的自动配料提供了解决思路和方案。
在选择自适应的配方时，显然无法通过穷举法来获得最佳的配方，因为这种做法太浪费人力物力。另一方面，中性清洗剂的各个配方成分之间存在关联，一种配方成分的作用很难脱离配方整体来论。因此，本申请发明人尝试使用基于深度学习的神经网络技术来智能地推断出相对较佳的配料方案。
具体地，在本申请的技术方案中，首先获取中性清洗剂的多个配方数据。以所述光阻光阻洗净液的配方为羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水为例，在所述多个配方数据中，所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同且所述羟基乙酸的重量不同，也就是，控制其他成分的重量不变，调整所述羟基乙酸的重量来生成多个配方数据。这么做采用了控制变量的思想，也就是，将配方中其他配方成分的重量设置为恒定值，来求解单一配方成分的局部最佳值，然后，通过逐步迭代的方式来获得所述中性清洗剂的配方的最佳配方数据。
为了提取所述中性清洗剂的配方的配方数据中各个配方成分之间的高维隐含关联，使用包含嵌入层的上下文编码器分别对各个配方数据进行基于全文的高维语义编码以生成对应于所述多个配方数据的多个第一特征向量。为了筛选出局部最优配方，进一步地将所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵，其中，所述特征矩阵中每一个行向量为一个所述第一特征向量，也就是，所述特征矩阵在数据层面构建了各个配方数据之间的关联。
进一步地，使用第一卷积神经网络对所述特征矩阵进行编码以提取出所述特征矩阵中的高维局部隐含关联特征，即，提取出所述多个配方数据中各个配方成分、所述多个配方数据中各个配方数据，以及，一个配方数据中各个配方成分的高维隐含关联以生成所述第一特征图。
接着，获取具有不同配方数据的所述中性清洗剂的测试效果监控视频。在一个具体的示例中，所述中性清洗剂的清洗对象为不锈钢。也就是，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频。所述清洗效果测试视频数据中包含了不同配方数据的中性清洗液对待清洗对象的动态清洗过程特征和信息。相应地，为了评估不同配方数据的清洗效果和不同配方数据的清洗效果之间的关联，在本申请实施例中，以使用三维卷积核的卷积神经网络模型对所述测试效果监控视频进行编码以生成第二特征图。这样，融合所述第一特征图和所述第二特征图就可以通过解码器进行解码回归以得到羟基乙酸的局部最优重量值。
这里，相比第一特征图，第二特征图由于使用了三维卷积核，其在通道维度上具有较高的重叠度，这可能导致第二特征图相对于第一特征图具有更高的过拟合度，因此，在融合第一特征图和第二特征图之前，对第二特征图进行重概率化，即：
Figure 16885DEST_PATH_IMAGE020
这样，可以通过进行特征值的概率性解释来促进第二卷积神经网络的三维卷积核的训练，使得在训练过程当中在通道维度上重叠的卷积核的参数具有对彼此的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地提高其泛化能力，以平衡第一特征图和第二特征图之间的过拟合度，使得可以进一步通过后续分类器和模型整体架构的训练来提高解码特征图的整体泛化性能。这样，来提高解码器解码回归的准确度。
进一步地，在确定好所述羟基乙酸的局部最优重量值后，将所述中性清洗剂中所述羟基乙酸的重量设置为局部最优重量值，并以如上所述的方法来逐一确定其他配方成分的局部最优质量，通过这样方式来确定所述中性清洗剂针对于特定清晰对象的最佳配比，进而可基于此最佳配比来进行自动配料。
基于此，本申请提出了一种用于中性清洗剂生产的自动配料系统，其包括：变化配方数据单元，用于获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；配方编码单元，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；配方关联编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；配方效果数据单元，用于获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；测试效果编码单元，用于将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；特征图校正单元，用于对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；特征融合单元，用于融合所述第一特征图和所述第二特征图以生成解码特征图；解码单元，用于将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及，配料方案生成单元，用于基于所述解码值生成配料方案。
图1图示了根据本申请实施例的用于中性清洗剂生产的自动配料系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于自动配料设备（例如，如图1中所示意的T）中的摄像头（例如，如图1中所示意的C）获取测试效果监控视频，这里，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象（例如，如图1中所示意的不锈钢P）进行清洗效果测试的过程监控视频，并且通过云储存端（例如，如图1中所示意的H）获取中性清洗剂的多个配方数据，这里，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐。然后，将获取的所述测试效果监控视频以及所述中性清洗剂的多个配方数据输入至部署有用于中性清洗剂生产的自动配料算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以用于中性清洗剂生产的自动配料算法对所述测试效果监控视频以及所述中性清洗剂的多个配方数据进行处理，以生成用于表示所述羟基乙酸的局部最优重量值的解码值。进而，基于所述解码值生成配料方案，以优化所述中性清洗剂的性能。
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用于中性清洗剂生产的自动配料系统的框图。如图2所示，根据本申请实施例的用于中性清洗剂生产的自动配料系统 200，包括：变化配方数据单元 210，用于获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；配方编码单元 220，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；配方关联编码单元 230，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；配方效果数据单元 240，用于获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；测试效果编码单元 250，用于将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；特征图校正单元 260，用于对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；特征融合单元 270，用于融合所述第一特征图和所述第二特征图以生成解码特征图；解码单元 280，用于将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及，配料方案生成单元 290，用于基于所述解码值生成配料方案。
具体地，在本申请实施例中，所述变化配方数据单元 210，用于获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同。如前所述，应可以理解，在选择自适应的配方时，显然无法通过穷举法来获得最佳的配方，因为这种做法太浪费人力物力。另一方面，所述中性清洗剂的各个配方成分之间存在关联，一种配方成分的作用很难脱离配方整体来论。因此，在本申请的技术方案中，期望使用基于深度学习的神经网络技术来智能地推断出相对较佳的配料方案。
也就是，具体地，在本申请的技术方案中，首先获取中性清洗剂的多个配方数据。以所述光阻光阻洗净液的配方为羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水为例，在所述多个配方数据中，所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同且所述羟基乙酸的重量不同，也就是，控制其他成分的重量不变，调整所述羟基乙酸的重量来生成多个配方数据。这么做采用了控制变量的思想，也就是，将配方中其他配方成分的重量设置为恒定值，来求解单一配方成分的局部最佳值，然后，通过逐步迭代的方式来获得所述中性清洗剂的配方的最佳配方数据。
具体地，在本申请实施例中，所述配方编码单元 220和所述配方关联编码单元230，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量，并将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图。应可以理解，为了提取所述中性清洗剂的配方的配方数据中各个配方成分之间的高维隐含关联，使用所述包含嵌入层的上下文编码器分别对所述各个配方数据进行基于全文的高维语义编码以生成对应于所述多个配方数据的多个第一特征向量。并且，为了筛选出局部最优配方，进一步地将所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵，其中，所述特征矩阵中每一个行向量为一个所述第一特征向量，也就是，所述特征矩阵在数据层面构建了各个配方数据之间的关联。
进一步地，使用所述第一卷积神经网络对所述特征矩阵进行编码以提取出所述特征矩阵中的高维局部隐含关联特征，即，提取出所述多个配方数据中各个配方成分、所述多个配方数据中各个配方数据，以及，一个配方数据中各个配方成分的高维隐含关联以生成所述第一特征图。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进行卷积处理、沿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第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
更具体地，在本申请实施例中，所述配方关联编码单元，包括：首先，使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列。然后，使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量。最后，分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的所述多个第一特征向量。
具体地，在本申请实施例中，所述所述配方效果数据单元 240和所述测试效果编码单元 250，用于获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频，并将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图。也就是，在本申请的技术方案中，进一步获取具有不同配方数据的所述中性清洗剂的测试效果监控视频。在一个具体的示例中，所述中性清洗剂的清洗对象为不锈钢。也就是，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频。特别地，所述清洗效果测试视频数据中包含了不同配方数据的所述中性清洗液对所述待清洗对象的动态清洗过程特征和信息。
相应地，为了评估所述不同配方数据的清洗效果和所述不同配方数据的清洗效果之间的关联，在本申请的技术方案中，以使用所述三维卷积核的卷积神经网络模型对所述测试效果监控视频进行编码以生成第二特征图。相应地，在一个具体示例中，使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。这样，融合所述第一特征图和所述第二特征图就可以通过解码器进行解码回归以得到羟基乙酸的局部最优重量值。
具体地，在本申请实施例中，所述特征图校正单元 260，用于对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图。应可以理解，在本申请的技术方案中，原本在得到所述第一特征图和所述第二特征图后，进一步融合所述第一特征图和所述第二特征图就可以通过解码器进行解码回归就可以得到羟基乙酸的局部最优重量值。但是，考虑到相比所述第一特征图，所述第二特征图由于使用了三维卷积核，其在通道维度上具有较高的重叠度，这可能导致所述第二特征图相对于所述第一特征图具有更高的过拟合度，因此，在融合所述第一特征图和所述第二特征图之前，需要对所述第二特征图进行重概率化。特别地，这样，可以通过进行特征值的概率性解释来促进所述第二卷积神经网络的三维卷积核的训练，使得在训练过程当中在通道维度上重叠的卷积核的参数具有对彼此的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地提高其泛化能力，以平衡所述第一特征图和所述第二特征图之间的过拟合度，使得可以进一步通过后续分类器和模型整体架构的训练来提高解码特征图的整体泛化性能。这样，来提高所述解码器解码回归的准确度。
更具体地，在本申请实施例中，所述特征图校正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行重概率化以生成所述校正后第二特征图；其中，所述公式为：
Figure 407547DEST_PATH_IMAGE021
其中
Figure 563459DEST_PATH_IMAGE022
表示所述第二特征图的第
Figure 810901DEST_PATH_IMAGE023
位置的特征值，
Figure 22570DEST_PATH_IMAGE024
所述校正后第二特征图的第
Figure 748081DEST_PATH_IMAGE025
位置的特征值。
具体地，在本申请实施例中，所述特征融合单元 270、所述解码单元 280和所述配料方案生成单元 290，用于融合所述第一特征图和所述第二特征图以生成解码特征图，并将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值，再基于所述解码值生成配料方案。也就是，在本申请的技术方案中，在对所述第二特征图中各个位置的特征值进行重概率化校正后，进一步将所述校正后的第二特征图和第一特征图进融合后通过解码器中进行解码回归，以获得用于表示所述羟基乙酸的局部最优重量值的解码值，进而基于所述解码值生成配料方案。这样，可以针对于不同的清晰对象来实现所述中性清洗剂的智能配料，以使得制备的所述中性清洗剂的性能效果更佳。
更具体地，在本申请实施例中，所述解码单元，进一步用于：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure 41657DEST_PATH_IMAGE026
，其中
Figure 663263DEST_PATH_IMAGE027
是所述解码特征图，
Figure 893387DEST_PATH_IMAGE028
是所述解码值，
Figure 389965DEST_PATH_IMAGE029
是权重矩阵，
Figure 21935DEST_PATH_IMAGE009
表示矩阵乘。
进一步地，在确定好所述羟基乙酸的局部最优重量值后，将所述中性清洗剂中所述羟基乙酸的重量设置为局部最优重量值，并以如上所述的方法来逐一确定其他配方成分的局部最优质量，通过这样方式来确定所述中性清洗剂针对于特定清晰对象的最佳配比，进而可基于此最佳配比来进行自动配料。
综上，基于本申请实施例的所述用于中性清洗剂生产的自动配料系统 200被阐明，其通过使用深度学习的神经网络技术以从配方的整体以及各个配方成分之间的关联性来智能动态地推断出中性清洗剂的相对较佳的配料方案，进而能够针对于不同的清晰对象来实现所述中性清洗剂的智能配料。这样，可以使得制造出的中性清洗剂的性能效果更佳。
如上所述，根据本申请实施例的用于中性清洗剂生产的自动配料系统 200可以实现在各种终端设备中，例如用于中性清洗剂生产的自动配料算法的服务器等。在一个示例中，根据本申请实施例的用于中性清洗剂生产的自动配料系统 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，该用于中性清洗剂生产的自动配料系统 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，该用于中性清洗剂生产的自动配料系统 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，该用于中性清洗剂生产的自动配料系统 200与该终端设备也可以是分立的设备，并且该用于中性清洗剂生产的自动配料系统 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3图示了用于中性清洗剂生产的自动配料系统的配料方法的流程图。如图3所示，根据本申请实施例的用于中性清洗剂生产的自动配料系统的配料方法，包括步骤：S110，获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；S120，将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；S130，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；S140，获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；S150，将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；S160，对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；S170，融合所述第一特征图和所述第二特征图以生成解码特征图；S180，将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及，S190，基于所述解码值生成配料方案。
图4图示了根据本申请实施例的用于中性清洗剂生产的自动配料系统的配料方法的架构示意图。如图4所示，在所述用于中性清洗剂生产的自动配料系统的配料方法的网络架构中，首先，将获得的所述多个配方数据中各个配方数据（例如，如图4中所示意的P1）分别通过包含嵌入层的上下文编码器（例如，如图4中所示意的E）以分别获得多个配方成分特征向量（例如，如图4中所示意的VF1），并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量（例如，如图4中所示意的VF2）；接着，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵（例如，如图4中所示意的MF）后通过第一卷积神经网络（例如，如图4中所示意的CNN1）以获得第一特征图（例如，如图4中所示意的F1）；然后，将获得的所述测试效果监控视频（例如，如图4中所示意的P2）通过使用三维卷积核的第二卷积神经网络（例如，如图4中所示意的CNN2）以生成第二特征图（例如，如图4中所示意的F2）；接着，对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图（例如，如图4中所示意的F）；然后，融合所述第一特征图和所述第二特征图以生成解码特征图（例如，如图4中所示意的FC）；接着，将所述解码特征图通过解码器（例如，如图4中所示意的D）进行解码回归以获得（例如，如图4中所示意的DV），所述解码值为所述羟基乙酸的局部最优重量值；以及，最后，基于所述解码值生成配料方案。
更具体地，在步骤S110中，获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同。应可以理解，在选择自适应的配方时，显然无法通过穷举法来获得最佳的配方，因为这种做法太浪费人力物力。另一方面，所述中性清洗剂的各个配方成分之间存在关联，一种配方成分的作用很难脱离配方整体来论。因此，在本申请的技术方案中，期望使用基于深度学习的神经网络技术来智能地推断出相对较佳的配料方案。
也就是，具体地，在本申请的技术方案中，首先获取中性清洗剂的多个配方数据。以所述光阻光阻洗净液的配方为羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水为例，在所述多个配方数据中，所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同且所述羟基乙酸的重量不同，也就是，控制其他成分的重量不变，调整所述羟基乙酸的重量来生成多个配方数据。这么做采用了控制变量的思想，也就是，将配方中其他配方成分的重量设置为恒定值，来求解单一配方成分的局部最佳值，然后，通过逐步迭代的方式来获得所述中性清洗剂的配方的最佳配方数据。
更具体地，在步骤S120和步骤S130中，将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量，并将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图。应可以理解，为了提取所述中性清洗剂的配方的配方数据中各个配方成分之间的高维隐含关联，使用所述包含嵌入层的上下文编码器分别对所述各个配方数据进行基于全文的高维语义编码以生成对应于所述多个配方数据的多个第一特征向量。并且，为了筛选出局部最优配方，进一步地将所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵，其中，所述特征矩阵中每一个行向量为一个所述第一特征向量，也就是，所述特征矩阵在数据层面构建了各个配方数据之间的关联。
进一步地，使用所述第一卷积神经网络对所述特征矩阵进行编码以提取出所述特征矩阵中的高维局部隐含关联特征，即，提取出所述多个配方数据中各个配方成分、所述多个配方数据中各个配方数据，以及，一个配方数据中各个配方成分的高维隐含关联以生成所述第一特征图。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进行卷积处理、沿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第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
更具体地，在步骤S140和步骤S150中，获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频，并将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图。也就是，在本申请的技术方案中，进一步获取具有不同配方数据的所述中性清洗剂的测试效果监控视频。在一个具体的示例中，所述中性清洗剂的清洗对象为不锈钢。也就是，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频。特别地，所述清洗效果测试视频数据中包含了不同配方数据的所述中性清洗液对所述待清洗对象的动态清洗过程特征和信息。
相应地，为了评估所述不同配方数据的清洗效果和所述不同配方数据的清洗效果之间的关联，在本申请的技术方案中，以使用所述三维卷积核的卷积神经网络模型对所述测试效果监控视频进行编码以生成第二特征图。相应地，在一个具体示例中，使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。这样，融合所述第一特征图和所述第二特征图就可以通过解码器进行解码回归以得到羟基乙酸的局部最优重量值。
更具体地，在步骤S160中，对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图。应可以理解，在本申请的技术方案中，原本在得到所述第一特征图和所述第二特征图后，进一步融合所述第一特征图和所述第二特征图就可以通过解码器进行解码回归就可以得到羟基乙酸的局部最优重量值。但是，考虑到相比所述第一特征图，所述第二特征图由于使用了三维卷积核，其在通道维度上具有较高的重叠度，这可能导致所述第二特征图相对于所述第一特征图具有更高的过拟合度，因此，在融合所述第一特征图和所述第二特征图之前，需要对所述第二特征图进行重概率化，即：
Figure 345600DEST_PATH_IMAGE030
特别地，这样，可以通过进行特征值的概率性解释来促进所述第二卷积神经网络的三维卷积核的训练，使得在训练过程当中在通道维度上重叠的卷积核的参数具有对彼此的卷积核的卷积操作带来的信息损失的鲁棒性，从而随迭代自适应地提高其泛化能力，以平衡所述第一特征图和所述第二特征图之间的过拟合度，使得可以进一步通过后续分类器和模型整体架构的训练来提高解码特征图的整体泛化性能。这样，来提高所述解码器解码回归的准确度。
更具体地，在步骤S170、步骤S180和步骤S190中，融合所述第一特征图和所述第二特征图以生成解码特征图，并将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值，再基于所述解码值生成配料方案。也就是，在本申请的技术方案中，在对所述第二特征图中各个位置的特征值进行重概率化校正后，进一步将所述校正后的第二特征图和第一特征图进融合后通过解码器中进行解码回归，以获得用于表示所述羟基乙酸的局部最优重量值的解码值，进而基于所述解码值生成配料方案。这样，可以针对于不同的清晰对象来实现所述中性清洗剂的智能配料，以使得制备的所述中性清洗剂的性能效果更佳。在一个具体示例中，使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure 30397DEST_PATH_IMAGE031
，其中
Figure 363289DEST_PATH_IMAGE032
是所述解码特征图，
Figure 849765DEST_PATH_IMAGE033
是所述解码值，
Figure 842867DEST_PATH_IMAGE034
是权重矩阵，
Figure 516425DEST_PATH_IMAGE035
表示矩阵乘。
综上，基于本申请实施例的所述用于中性清洗剂生产的自动配料系统的配料方法被阐明，其通过使用深度学习的神经网络技术以从配方的整体以及各个配方成分之间的关联性来智能动态地推断出中性清洗剂的相对较佳的配料方案，进而能够针对于不同的清晰对象来实现所述中性清洗剂的智能配料。这样，可以使得制造出的中性清洗剂的性能效果更佳。
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。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种用于中性清洗剂生产的自动配料系统，其特征在于，包括：
变化配方数据单元，用于获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；
配方编码单元，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；
配方关联编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；
配方效果数据单元，用于获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；
测试效果编码单元，用于将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；
特征图校正单元，用于对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；
特征融合单元，用于融合所述第一特征图和所述第二特征图以生成解码特征图；
解码单元，用于将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及
配料方案生成单元，用于基于所述解码值生成配料方案；
其中，所述配方关联编码单元，进一步用于：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的所述多个第一特征向量；
所述解码单元，进一步用于：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure FDA0003982434040000021
其中X是所述解码特征图，Y是所述解码值，W是权重矩阵，
Figure FDA0003982434040000022
表示矩阵乘。
2.根据权利要求1所述的用于中性清洗剂生产的自动配料系统，其中，所述配方关联编码单元，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进行卷积处理、沿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第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
3.根据权利要求1所述的用于中性清洗剂生产的自动配料系统，其中，所述测试效果编码单元，进一步用于：使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。
4.根据权利要求1所述的用于中性清洗剂生产的自动配料系统，其中，所述特征图校正单元，进一步用于：以如下公式对所述第二特征图中各个位置的特征值进行重概率化以生成所述校正后第二特征图；
其中，所述公式为：
Figure FDA0003982434040000023
其中
Figure FDA0003982434040000024
表示所述第二特征图的第(i,j,k)位置的特征值，
Figure FDA0003982434040000025
表示所述校正后第二特征图的第(i,j,k)位置的特征值。
5.一种用于中性清洗剂生产的自动配料系统的配料方法，其特征在于，包括：
获取中性清洗剂的多个配方数据，其中，所述中性清洗剂由羟基乙酸、甲酸、乙二胺四乙酸盐、六偏磷酸钠和水组成，所述多个配方数据中所述甲酸、所述乙二胺四乙酸盐、所述六偏磷酸钠和所述水的重量相同，且所述羟基乙酸的重量不同；
将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；
将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；
获取测试效果监控视频，其中，所述测试效果监控视频为使用不同配方数据的所述中性清洗剂对待清洗对象进行清洗效果测试的过程监控视频；
将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图；
对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图；
融合所述第一特征图和所述第二特征图以生成解码特征图；
将所述解码特征图通过解码器进行解码回归以获得解码值，所述解码值为所述羟基乙酸的局部最优重量值；以及
基于所述解码值生成配料方案；
其中，将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别获得多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量，包括：
使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的所述多个第一特征向量；
将所述解码特征图通过解码器进行解码回归以获得解码值，包括：使用所述解码器以如下公式对所述解码特征图进行解码回归以获得所述解码值，其中，所述公式为：
Figure FDA0003982434040000031
其中X是所述解码特征图，Y是所述解码值，W是权重矩阵，
Figure FDA0003982434040000032
表示矩阵乘。
6.根据权利要求5所述的用于中性清洗剂生产的自动配料系统的配料方法，其中，将所述测试效果监控视频通过使用三维卷积核的第二卷积神经网络以生成第二特征图，包括：
使用所述三维卷积核的第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述第二特征图，其中，所述第二卷积神经网络的第一层的输入为所述测试效果监控视频。
7.根据权利要求6所述的用于中性清洗剂生产的自动配料系统的配料方法，其中，对所述第二特征图中各个位置的特征值进行重概率化以生成校正后第二特征图，包括：
以如下公式对所述第二特征图中各个位置的特征值进行重概率化以生成所述校正后第二特征图；
其中，所述公式为：
Figure FDA0003982434040000041
其中
Figure FDA0003982434040000042
表示所述第二特征图的第(i,j,k)位置的特征值，
Figure FDA0003982434040000043
表示所述校正后第二特征图的第(i,j,k)位置的特征值。
CN202210580008.4A 2022-05-26 2022-05-26 用于中性清洗剂生产的自动配料系统及其配料方法 Active CN115099387B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210580008.4A CN115099387B (zh) 2022-05-26 2022-05-26 用于中性清洗剂生产的自动配料系统及其配料方法
PCT/CN2022/118972 WO2023226247A1 (zh) 2022-05-26 2022-09-15 用于中性清洗剂生产的自动配料系统及其配料方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210580008.4A CN115099387B (zh) 2022-05-26 2022-05-26 用于中性清洗剂生产的自动配料系统及其配料方法

Publications (2)

Publication Number Publication Date
CN115099387A CN115099387A (zh) 2022-09-23
CN115099387B true CN115099387B (zh) 2023-02-03

Family

ID=83288993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210580008.4A Active CN115099387B (zh) 2022-05-26 2022-05-26 用于中性清洗剂生产的自动配料系统及其配料方法

Country Status (2)

Country Link
CN (1) CN115099387B (zh)
WO (1) WO2023226247A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581401A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于深度相关性匹配的局部引文推荐系统及方法
CN112836752A (zh) * 2021-02-04 2021-05-25 冉艾(广州)数码科技有限公司 基于深度值的特征图融合的智能采样参数控制方法
CN114141320A (zh) * 2021-12-02 2022-03-04 鞍山浦项特种耐火材料有限公司 镁碳滑板的制备方法、系统和电子设备
CN114417522A (zh) * 2021-12-23 2022-04-29 鞍山浦项特种耐火材料有限公司 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备
CN114519394A (zh) * 2022-02-21 2022-05-20 杭州谣佐科技有限公司 基于路由器的物联网设备的配置方法及其系统
CN114528936A (zh) * 2022-02-14 2022-05-24 杭州清淮科技有限公司 智能微藻培养系统及其工作方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010019722A2 (en) * 2008-08-13 2010-02-18 Intermolecular, Inc. Combinatorial approach to the development of cleaning formulations for glue removal in semiconductor applications
KR20140114269A (ko) * 2010-12-20 2014-09-26 이 아이 듀폰 디 네모아 앤드 캄파니 표적화된 과가수분해효소
EP2540824A1 (en) * 2011-06-30 2013-01-02 The Procter & Gamble Company Cleaning compositions comprising amylase variants reference to a sequence listing
DE102015209824A1 (de) * 2015-05-28 2016-12-01 BSH Hausgeräte GmbH Vorrichtung und Verfahren zur Bestimmung der Schmutzfracht in einer Spül- oder Waschflotte
US11428482B2 (en) * 2016-04-12 2022-08-30 Angara Global Ltd. Industrial cleaning systems, including solutions for removing various types of deposits, and cognitive cleaning
KR101939349B1 (ko) * 2018-07-09 2019-04-11 장현민 기계학습모델을 이용하여 자동차용 어라운드 뷰 영상을 제공하는 방법
US11019364B2 (en) * 2019-03-23 2021-05-25 Uatc, Llc Compression of images having overlapping fields of view using machine-learned models
CN112699613B (zh) * 2021-01-08 2022-08-09 中冶赛迪工程技术股份有限公司 炼铁多目标一体化配料优化方法、系统、设备及介质
CN112884145A (zh) * 2021-02-04 2021-06-01 广州兴尚网络科技有限公司 用于数据中心的智能散热效果检测的神经网络的训练方法
CN113111543B (zh) * 2021-05-14 2022-08-16 杭州贺鲁科技有限公司 物联网服务系统
CN113892910A (zh) * 2021-09-28 2022-01-07 黎川县鑫炜科技有限公司 基于物联网的智能马桶的老年人监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581401A (zh) * 2020-05-06 2020-08-25 西安交通大学 一种基于深度相关性匹配的局部引文推荐系统及方法
CN112836752A (zh) * 2021-02-04 2021-05-25 冉艾(广州)数码科技有限公司 基于深度值的特征图融合的智能采样参数控制方法
CN114141320A (zh) * 2021-12-02 2022-03-04 鞍山浦项特种耐火材料有限公司 镁碳滑板的制备方法、系统和电子设备
CN114417522A (zh) * 2021-12-23 2022-04-29 鞍山浦项特种耐火材料有限公司 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备
CN114528936A (zh) * 2022-02-14 2022-05-24 杭州清淮科技有限公司 智能微藻培养系统及其工作方法
CN114519394A (zh) * 2022-02-21 2022-05-20 杭州谣佐科技有限公司 基于路由器的物联网设备的配置方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卷积神经网络在储层预测中的应用研究;段友祥等;《通信学报》;20161030;第5-13页 *
基于变分贝叶斯自编码器的局部放电数据匹配方法;宋辉等;《中国电机工程学报》;20180413(第19期);第257-265+333页 *
基于混合神经网络和注意力机制的软件缺陷自动分派方法;刘烨等;《计算机研究与发展》;20200315(第03期);第5-17页 *

Also Published As

Publication number Publication date
CN115099387A (zh) 2022-09-23
WO2023226247A1 (zh) 2023-11-30

Similar Documents

Publication Publication Date Title
CN115018068B (zh) 用于光阻洗净液生产的自动配料系统及其配料方法
CN109543745B (zh) 基于条件对抗自编码网络的特征学习方法及图像识别方法
CN110532897B (zh) 零部件图像识别的方法和装置
CN109598732B (zh) 一种基于三维空间加权的医学图像分割方法
WO2020088766A1 (en) Methods for optical flow estimation
CN115861715B (zh) 基于知识表示增强的图像目标关系识别算法
CN116051853A (zh) 一种自控加水的和面罐及其使用方法
KR102128789B1 (ko) 심층 합성곱 뉴럴 네트워크를 위한 효율적인 팽창 합성곱 기법을 제공하는 방법 및 장치
CN115099387B (zh) 用于中性清洗剂生产的自动配料系统及其配料方法
CN116310305A (zh) 一种基于张量和二阶协方差注意力机制的编解码结构语义分割模型
CN111292308A (zh) 基于卷积神经网络的光伏太阳能板红外缺陷检测方法
Cai et al. Multiscale attentive image de-raining networks via neural architecture search
CN107729885B (zh) 一种基于多重残差学习的人脸增强方法
WO2020001046A1 (zh) 一种基于自适应层次化运动建模的视频预测方法
CN111914949B (zh) 基于强化学习的零样本学习模型的训练方法及装置
CN116630369A (zh) 基于时空记忆网络的无人机目标跟踪方法
CN110738099A (zh) 一种基于自适应双分支网络的低分辨率行人再识别方法
Gmelin et al. Efficient RL via disentangled environment and agent representations
Xu et al. Auxiliary tasks benefit 3d skeleton-based human motion prediction
Ko et al. Magnitude and uncertainty pruning criterion for neural networks
Rosasco et al. Towards Confidence-guided Shape Completion for Robotic Applications
Daultani et al. ILIAC: Efficient classification of degraded images using knowledge distillation with cutout data augmentation
JPWO2021038840A5 (zh)
Girish et al. One network doesn't rule them all: Moving beyond handcrafted architectures in self-supervised learning
CN117474928B (zh) 一种基于元学习模型的陶瓷封装基板表面缺陷检测方法

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