CN115202265A - 电子级氢氧化钾的智慧产线的控制系统及其控制方法 - Google Patents

电子级氢氧化钾的智慧产线的控制系统及其控制方法 Download PDF

Info

Publication number
CN115202265A
CN115202265A CN202210905300.9A CN202210905300A CN115202265A CN 115202265 A CN115202265 A CN 115202265A CN 202210905300 A CN202210905300 A CN 202210905300A CN 115202265 A CN115202265 A CN 115202265A
Authority
CN
China
Prior art keywords
vector
dynamic
feature
matrix
spatial
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.)
Pending
Application number
CN202210905300.9A
Other languages
English (en)
Inventor
罗霜
林金华
石凌斌
张永彪
袁瑞明
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 CN202210905300.9A priority Critical patent/CN115202265A/zh
Priority to PCT/CN2022/119555 priority patent/WO2024021258A1/zh
Publication of CN115202265A publication Critical patent/CN115202265A/zh
Pending legal-status Critical Current

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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01D—COMPOUNDS OF ALKALI METALS, i.e. LITHIUM, SODIUM, POTASSIUM, RUBIDIUM, CAESIUM, OR FRANCIUM
    • C01D1/00—Oxides or hydroxides of sodium, potassium or alkali metals in general
    • C01D1/04—Hydroxides
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Inorganic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能制造领域下的智能控制，其具体地公开了一种电子级氢氧化钾的智慧产线的控制系统及其控制方法，其采用人工智能控制技术，基于深度神经网络模型来对于喷雾器的功率动态变化特征和喷雾去杂质图像帧的动态特征进行深层挖掘，以在电子级氢氧化钾的智慧产线中对喷雾器的功率进行实时动态地控制，进而保证晶体收率的效果和杂质传递的效率。

Description

电子级氢氧化钾的智慧产线的控制系统及其控制方法
技术领域
本发明涉及智能制造领域下的智能控制，且更为具体地，涉及一种电子级氢氧化钾的智慧产线的控制系统及其控制方法。
背景技术
随着全球高新电子线路板的发展，全球对高纯电子级氢氧化钾的需求不断上升。工业级氢氧化钾已经满足不了要求。因此，有必要对工业级氢氧化钾进行纯化，提升品质。
现有诸多用于氢氧化钾的纯化方案，例如，专利201010576437.1公开了一种将偏硼酸钾溶解到氢氧化钠水溶液中，通过加热回流，固液分离得到固体氢氧化钾，该法工艺流程复杂，能耗大，未涉及到氢氧化钾纯度问题。专利201410290942.8公开了一种高纯氢氧化钾水溶液的连续生产方法，该方法中氢氧化钾溶液需依次通过螯合树脂、阳离子交换树脂、阴离子交换树脂、电渗析及多级滤芯循环系统除去杂质，该工艺方法步骤烦琐且工艺成本高。专利CN202010747995.3中采用纯化氯化钾进行电解制得电子级氢氧化钾工艺，存在工艺路线复杂，酸性废盐水不好处理等问题。
因此，期待一种优化的电子级氢氧化钾的制备方案。
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电子级氢氧化钾的智慧产线的控制系统及其控制方法，其采用人工智能控制技术，基于深度神经网络模型来对于喷雾器的功率动态变化特征和喷雾去杂质图像帧的动态特征进行深层挖掘，以在电子级氢氧化钾的智慧产线中对喷雾器的功率进行实时动态地控制，进而保证晶体收率的效果和杂质传递的效率。
根据本申请的一个方面，提供了一种电子级氢氧化钾的智慧产线的控制系统，其包括：喷雾数据采集模块，用于获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；空间编码模块，用于从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；差分模块，用于计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；动态编码模块，用于将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；降维模块，用于对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；校正模块，用于基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；功率时序编码模块，用于将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；响应性估计模块，用于计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及控制结果生成模块，用于将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述空间编码模块，进一步用于：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：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述多个空间聚焦特征图，所述第一卷积神经网络的第一层的输入为所述多个关键帧中各个关键帧。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述差分模块，进一步用于：以如下公式计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到所述多个差分特征图；其中，所述公式为：
Figure 629034DEST_PATH_IMAGE001
其中，
Figure 208919DEST_PATH_IMAGE002
表示所述多个空间聚焦特征图中第i个位置的空间聚焦特征图，
Figure 764535DEST_PATH_IMAGE003
表示所述多个空间聚焦特征图中第i+1个位置的空间聚焦特征图，
Figure 720858DEST_PATH_IMAGE004
表示所述差分特征图，
Figure 353352DEST_PATH_IMAGE005
表示按位置差分。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述动态编码模块，进一步用于：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值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去杂质动态特征图，所述第二卷积神经网络的第一层的输入为所述多个差分特征图。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述校正模块，进一步用于：基于所述去杂质动态特征向量的自协方差矩阵，以如下公式对所述去杂质动态特征向量中各个位置的特征值进行校正以得到所述校正后去杂质动态特征向量；其中，所述公式为：
Figure 572981DEST_PATH_IMAGE006
其中
Figure 819155DEST_PATH_IMAGE007
表示所述去杂质动态特征向量，
Figure 516852DEST_PATH_IMAGE008
是所述去杂质动态特征向量的自协方差矩阵，
Figure 862907DEST_PATH_IMAGE009
和
Figure 253437DEST_PATH_IMAGE010
分别是所述去杂质动态特征向量的全局均值和方差，
Figure 721328DEST_PATH_IMAGE011
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 488296DEST_PATH_IMAGE005
和
Figure 889190DEST_PATH_IMAGE012
分别表示向量的按位置减法和加法，
Figure 984709DEST_PATH_IMAGE013
表示特征向量的二范数。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述功率时序编码模块，进一步用于：将所述预定时间段内多个预定时间点的喷雾器的功率值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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 939896DEST_PATH_IMAGE014
，其中
Figure 979396DEST_PATH_IMAGE015
是所述输入向量，
Figure 765955DEST_PATH_IMAGE016
是输出向量，
Figure 286237DEST_PATH_IMAGE017
是权重矩阵，
Figure 728719DEST_PATH_IMAGE018
是偏置向量，
Figure 837490DEST_PATH_IMAGE019
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对所述输入向量进行一维卷积编码以提取出所述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 947397DEST_PATH_IMAGE020
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，
Figure 650298DEST_PATH_IMAGE021
表示所述输入向量。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述响应性估计模块，进一步用于：以如下公式计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的所述转移矩阵；其中，所述公式为：
Figure 845656DEST_PATH_IMAGE022
=M*
Figure 492538DEST_PATH_IMAGE023
其中
Figure 988110DEST_PATH_IMAGE024
表示所述功率控制特征向量，M表示所述转移矩阵，
Figure 596334DEST_PATH_IMAGE025
表示所述校正后去杂质动态特征向量。
在上述电子级氢氧化钾的智慧产线的控制系统中，所述控制结果生成模块，进一步用于：所述分类器以如下公式对所述转移矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 747829DEST_PATH_IMAGE026
，其中
Figure 198402DEST_PATH_IMAGE027
表示将所述转移矩阵投影为向量，
Figure 548481DEST_PATH_IMAGE028
至
Figure 62027DEST_PATH_IMAGE029
为各层全连接层的权重矩阵，
Figure 700818DEST_PATH_IMAGE030
至
Figure 689503DEST_PATH_IMAGE031
表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种电子级氢氧化钾的智慧产线的控制方法，其包括：获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
在上述电子级氢氧化钾的智慧产线的控制方法中，从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图，包括：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：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述多个空间聚焦特征图，所述第一卷积神经网络的第一层的输入为所述多个关键帧中各个关键帧。
在上述电子级氢氧化钾的智慧产线的控制方法中，计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图，包括：以如下公式计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到所述多个差分特征图；其中，所述公式为：
Figure 97351DEST_PATH_IMAGE001
其中，
Figure 310026DEST_PATH_IMAGE032
表示所述多个空间聚焦特征图中第i个位置的空间聚焦特征图，
Figure 450762DEST_PATH_IMAGE033
表示所述多个空间聚焦特征图中第i+1个位置的空间聚焦特征图，
Figure 977559DEST_PATH_IMAGE034
表示所述差分特征图，
Figure 239913DEST_PATH_IMAGE035
表示按位置差分。
在上述电子级氢氧化钾的智慧产线的控制方法中，将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图，包括：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值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去杂质动态特征图，所述第二卷积神经网络的第一层的输入为所述多个差分特征图。
在上述电子级氢氧化钾的智慧产线的控制方法中，基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，包括：基于所述去杂质动态特征向量的自协方差矩阵，以如下公式对所述去杂质动态特征向量中各个位置的特征值进行校正以得到所述校正后去杂质动态特征向量；其中，所述公式为：
Figure 357910DEST_PATH_IMAGE006
其中
Figure 36541DEST_PATH_IMAGE036
表示所述去杂质动态特征向量，
Figure 632607DEST_PATH_IMAGE037
是所述去杂质动态特征向量的自协方差矩阵，
Figure 280626DEST_PATH_IMAGE038
和
Figure 569525DEST_PATH_IMAGE039
分别是所述去杂质动态特征向量的全局均值和方差，
Figure 469873DEST_PATH_IMAGE040
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 869630DEST_PATH_IMAGE041
和
Figure 106576DEST_PATH_IMAGE042
分别表示向量的按位置减法和加法，
Figure 97535DEST_PATH_IMAGE043
表示特征向量的二范数。
在上述电子级氢氧化钾的智慧产线的控制方法中，将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量，包括：将所述预定时间段内多个预定时间点的喷雾器的功率值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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 422861DEST_PATH_IMAGE014
，其中
Figure 157468DEST_PATH_IMAGE044
是所述输入向量，
Figure 514500DEST_PATH_IMAGE045
是输出向量，
Figure 145202DEST_PATH_IMAGE046
是权重矩阵，
Figure 742843DEST_PATH_IMAGE047
是偏置向量，
Figure 484403DEST_PATH_IMAGE048
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对所述输入向量进行一维卷积编码以提取出所述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 227100DEST_PATH_IMAGE020
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，
Figure 559861DEST_PATH_IMAGE049
表示所述输入向量。
在上述电子级氢氧化钾的智慧产线的控制方法中，计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵，包括：以如下公式计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的所述转移矩阵；其中，所述公式为：
Figure 859780DEST_PATH_IMAGE022
=M*
Figure 139452DEST_PATH_IMAGE050
其中
Figure 471076DEST_PATH_IMAGE051
表示所述功率控制特征向量，M表示所述转移矩阵，
Figure 709159DEST_PATH_IMAGE052
表示所述校正后去杂质动态特征向量。
在上述电子级氢氧化钾的智慧产线的控制方法中，将所述转移矩阵通过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喷雾器的功率值应增大或应减小，包括：所述分类器以如下公式对所述转移矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 293112DEST_PATH_IMAGE053
，其中
Figure 376474DEST_PATH_IMAGE054
表示将所述转移矩阵投影为向量，
Figure DEST_PATH_IMAGE055
至
Figure 687239DEST_PATH_IMAGE056
为各层全连接层的权重矩阵，
Figure DEST_PATH_IMAGE057
至
Figure 958208DEST_PATH_IMAGE058
表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的电子级氢氧化钾的智慧产线的控制系统及其控制方法，其采用人工智能控制技术，基于深度神经网络模型来对于喷雾器的功率动态变化特征和喷雾去杂质图像帧的动态特征进行深层挖掘，以在电子级氢氧化钾的智慧产线中对喷雾器的功率进行实时动态地控制，进而保证晶体收率的效果和杂质传递的效率。
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电子级氢氧化钾的智慧产线的控制系统的应用场景图。
图2为根据本申请实施例的电子级氢氧化钾的智慧产线的控制系统的框图。
图3为根据本申请实施例的电子级氢氧化钾的智慧产线的控制方法的流程图。
图4为根据本申请实施例的电子级氢氧化钾的智慧产线的控制方法的架构示意图。
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，随着全球高新电子线路板的发展，全球对高纯电子级氢氧化钾的需求不断上升。工业级氢氧化钾已经满足不了要求。因此，有必要对工业级氢氧化钾进行纯化，提升品质。
现有诸多用于氢氧化钾的纯化方案，例如，专利201010576437.1公开了一种将偏硼酸钾溶解到氢氧化钠水溶液中，通过加热回流，固液分离得到固体氢氧化钾，该法工艺流程复杂，能耗大，未涉及到氢氧化钾纯度问题。专利201410290942.8公开了一种高纯氢氧化钾水溶液的连续生产方法，该方法中氢氧化钾溶液需依次通过螯合树脂、阳离子交换树脂、阴离子交换树脂、电渗析及多级滤芯循环系统除去杂质，该工艺方法步骤烦琐且工艺成本高。专利CN202010747995.3中采用纯化氯化钾进行电解制得电子级氢氧化钾工艺，存在工艺路线复杂，酸性废盐水不好处理等问题。
因此，期待一种优化的电子级氢氧化钾的制备方案。
在专利CN 113860336A中，其技术原理和方案如下：
S1：取工业级氢氧化钾溶液和氢氧化钾片碱，搅拌溶解，配制为50％～75％的氢氧化钾溶液；
S2：将氢氧化钾溶液降温至30℃～45℃，得到氢氧化钾晶体；
S3：对步骤S2中得到的物料进行离心分离；
S4：离心后的氢氧化钾晶体溶于纯水，配制为不同浓度氢氧化钾溶液，通过精密过滤器过滤，得到电子级氢氧化钾溶液。
其中，控制的参数如下：
1.结晶温度；
2.步骤S2中降温过程采用循环水降温，循环水的温度为5℃～25℃，较优选择为10℃～20℃;
3.步骤S3所述的离心分离中，在离心的同时采用超纯水对氢氧化钾进行雾化喷淋；步骤S3中在离心的同时采用超纯水对氢氧化钾雾化喷淋的目的是喷雾和晶体处于超重力状态能够加快传质过程，快速带走杂质，同时对于晶体的收率损失也会减少，能够保证好的洗涤效果和收率效果。
相应地，本申请发明人发现在该制备方案中，在步骤S3中，喷淋的喷雾器的功率控制是关键，应可以理解，如果功率过大会导致晶体也被部分地传递走，造成提纯率的下降，而如果功率多小则会导致杂质传递效率低，提升效率低下。因此，本申请发明人期待在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制以保证晶体收率的效果和杂质传递的效率。
具体地，在本申请的技术方案中，考虑到在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制时，还要实时动态地对于喷雾去杂质的效果进行监测，因此，首先，通过功率测量仪获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集所述预定时间段的喷雾去杂质的监控视频。然后，为了便于后续的特征挖掘以及降低计算量，从所述监控视频中提取出多个关键帧，再将所述多个关键帧通过使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对其进行特征挖掘。应可以理解，在实际的所述喷雾去杂质的过程中，需要更加关注于所述各个关键帧中的晶体和杂质在空间上的关联关系，并更加聚焦于所述杂质的传递，因此，使用空间注意力机制的第一卷积神经网络对所述多个关键帧中各个关键帧进行处理，以得到多个空间聚焦特征图。
进一步地，为了表达出所述喷雾去杂的动态效果，需要更加关注于所述各个空间聚焦特征图的对比，尤其是相邻的两个所述空间聚焦特征图的动态性比较，因此，在本申请的技术方案中，计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图。然后，将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出所述多个差分特征图中的关于所述喷雾去杂质的动态性隐含特征，从而得到去杂质动态特征图。
这样，考虑到所述去杂质动态特征图中的参数数量较大，这会使得后续的处理较为复杂，因此，进一步对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量，以降低参数的数量，防止过拟合，进而提高后续分类的准确性。
应可以理解，在获得去杂质动态特征向量的过程当中，使用空间注意力机制聚焦了特征矩阵的空间维度上的局部特征，且沿通道维度的全局均值池化又进一步基于特征矩阵的空间特征进行了全局性特征描述，这使得所述去杂质动态特征向量的每个位置的特征值之间的相关性减弱，在卷积神经网络随深度的流式传播过程中发生对于类概率的预测压力。
因此，对所述去杂质动态特征向量
Figure DEST_PATH_IMAGE059
进行优化，表示为：
Figure 557685DEST_PATH_IMAGE006
其中
Figure 975897DEST_PATH_IMAGE007
表示所述去杂质动态特征向量，
Figure 31183DEST_PATH_IMAGE008
是所述去杂质动态特征向量的自协方差矩阵，即矩阵的每个位置的值是向量
Figure 345489DEST_PATH_IMAGE060
的每两个位置的特征值之间的方差，
Figure DEST_PATH_IMAGE061
和
Figure 25738DEST_PATH_IMAGE062
分别是所述去杂质动态特征向量的全局均值和方差，
Figure DEST_PATH_IMAGE063
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 844046DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE065
分别表示向量的按位置减法和加法，
Figure 194649DEST_PATH_IMAGE066
表示特征向量的二范数。
这样，上述优化可以对前向传播相关性进行引导修正，具体地，基于沿通道维度的全局均值池化对于特征进行的基于下采样的前向传播的特点，通过可学习的正态采样偏移引导卷积神经网络的特征工程来有效地建模所述去杂质动态特征图的特征矩阵内的空间维度和特征矩阵之间的通道维度上的长程依赖关系，并考虑特征矩阵的局部和非局部邻域来进行所述去杂质动态特征向量的各特征值间的相关性的修复，从而提高了所述所述去杂质动态特征向量在卷积神经网络随深度的流式传播过程中对于类概率的预测能力。
对于所述喷雾器的功率值，考虑到其在时序维度上具有着隐含的动态性的关联特征信息，因此，为了能够充分地提取出这种隐含的动态关联特征，使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的喷雾器的功率值进行编码以得到功率控制特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述喷雾器的功率值在时序维度上的关联和通过全连接编码提取所述喷雾器的功率值的高维隐含特征。
然后，考虑到由于所述喷雾器的功率数据和所述喷雾去杂质的监控视频中的各个关键帧数据的特征尺度不同，并且所述喷雾去杂质的动态图像特征在高维空间中可以看作是针对所述喷雾器的功率动态变化特征的响应性特征，因此为了更好地融合这两者的特征信息来进行分类，进一步计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵。进而，再使用分类器对所述转移矩阵进行分类处理，以获得用于表示当前时间点的喷雾器的功率值应增大或应减小的分类结果。
基于此，本申请提出了一种电子级氢氧化钾的智慧产线的控制系统，其包括：喷雾数据采集模块，用于获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；空间编码模块，用于从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；差分模块，用于计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；动态编码模块，用于将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；降维模块，用于对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；校正模块，用于基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；功率时序编码模块，用于将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；响应性估计模块，用于计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及，控制结果生成模块，用于将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
图1图示了根据本申请实施例的电子级氢氧化钾的智慧产线的控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过传感器（例如，如图1中所示意的功率测量仪T）获取预定时间段内多个预定时间点的喷雾器（例如，如图1中所示意的P）的功率值以及由摄像头（例如，如图1中所示意的C）采集所述预定时间段的喷雾去杂质的监控视频。然后，将获取的所述预定时间段内多个预定时间点的喷雾器的功率值以及所述预定时间段的喷雾去杂质的监控视频输入至部署有电子级氢氧化钾的智慧产线的控制算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以电子级氢氧化钾的智慧产线的控制算法对所述预定时间段内多个预定时间点的喷雾器的功率值以及所述预定时间段的喷雾去杂质的监控视频进行处理，以生成用于表示当前时间点的喷雾器的功率值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电子级氢氧化钾的智慧产线的控制系统的框图。如图2所示，根据本申请实施例的电子级氢氧化钾的智慧产线的控制系统 200，包括：喷雾数据采集模块 210，用于获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；空间编码模块 220，用于从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；差分模块 230，用于计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；动态编码模块240，用于将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；降维模块 250，用于对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；校正模块 260，用于基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；功率时序编码模块 270，用于将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；响应性估计模块 280，用于计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及，控制结果生成模块 290，用于将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
具体地，在本申请实施例中，所述喷雾数据采集模块 210和所述空间编码模块220，用于获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频，并从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图。如前所述，考虑到由于在该制备方案中，喷淋的喷雾器的功率控制是关键，应可以理解，如果功率过大会导致晶体也被部分地传递走，造成提纯率的下降，而如果功率多小则会导致杂质传递效率低，提升效率低下。因此，在本申请的技术方案中，期待在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制以保证晶体收率的效果和杂质传递的效率。
也就是，具体地，在本申请的技术方案中，考虑到在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制时，还要实时动态地对于喷雾去杂质的效果进行监测，因此，首先，通过功率测量仪获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集所述预定时间段的喷雾去杂质的监控视频。然后，为了便于后续的特征挖掘以及降低计算量，从所述监控视频中提取出多个关键帧，再将所述多个关键帧通过使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对其进行特征挖掘。应可以理解，在实际的所述喷雾去杂质的过程中，需要更加关注于所述各个关键帧中的晶体和杂质在空间上的关联关系，并更加聚焦于所述杂质的传递，因此，使用空间注意力机制的第一卷积神经网络对所述多个关键帧中各个关键帧进行处理，以得到多个空间聚焦特征图。
更具体地，在本申请实施例中，所述空间编码模块，进一步用于：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：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及，以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述多个空间聚焦特征图，所述第一卷积神经网络的第一层的输入为所述多个关键帧中各个关键帧。
具体地，在本申请实施例中，所述差分模块 230和所述动态编码模块 240，用于计算所述多个空间聚焦特征图中每相邻两个空间聚焦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通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图。也就是，在本申请的技术方案中，进一步地，为了表达出所述喷雾去杂的动态效果，需要更加关注于所述各个空间聚焦特征图的对比，尤其是相邻的两个所述空间聚焦特征图的动态性比较。因此，在本申请的技术方案中，进一步计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图。然后，将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出所述多个差分特征图中的关于所述喷雾去杂质的动态性隐含特征，从而得到去杂质动态特征图。相应地，在一个具体示例中，所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值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去杂质动态特征图，所述第二卷积神经网络的第一层的输入为所述多个差分特征图。
更具体地，在本申请实施例中，所述差分模块，进一步用于：以如下公式计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到所述多个差分特征图；其中，所述公式为：
Figure DEST_PATH_IMAGE067
其中，
Figure 804491DEST_PATH_IMAGE068
表示所述多个空间聚焦特征图中第i个位置的空间聚焦特征图，
Figure DEST_PATH_IMAGE069
表示所述多个空间聚焦特征图中第i+1个位置的空间聚焦特征图，
Figure 709387DEST_PATH_IMAGE070
表示所述差分特征图，
Figure DEST_PATH_IMAGE071
表示按位置差分。
具体地，在本申请实施例中，所述降维模块 250，用于对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量。应可以理解，考虑到所述去杂质动态特征图中的参数数量较大，这会使得后续的处理较为复杂，因此，在本申请的技术方案中，进一步对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量，以降低参数的数量，防止过拟合，进而提高后续分类的准确性。
具体地，在本申请实施例中，所述校正模块 260，用于基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差。应可以理解，在获得所述去杂质动态特征向量的过程当中，使用所述空间注意力机制聚焦了特征矩阵的空间维度上的局部特征，且所述沿通道维度的全局均值池化又进一步基于特征矩阵的空间特征进行了全局性特征描述，这使得所述去杂质动态特征向量的每个位置的特征值之间的相关性减弱，在卷积神经网络随深度的流式传播过程中发生对于类概率的预测压力。因此，在本申请的技术方案中，需要对所述去杂质动态特征向量
Figure 62876DEST_PATH_IMAGE072
进行优化。
更具体地，在一个具体示例中，所述校正模块，进一步用于：基于所述去杂质动态特征向量的自协方差矩阵，以如下公式对所述去杂质动态特征向量中各个位置的特征值进行校正以得到所述校正后去杂质动态特征向量；其中，所述公式为：
Figure 140423DEST_PATH_IMAGE006
其中
Figure 787743DEST_PATH_IMAGE007
表示所述去杂质动态特征向量，
Figure 521213DEST_PATH_IMAGE008
是所述去杂质动态特征向量的自协方差矩阵，即矩阵的每个位置的值是向量
Figure 22601DEST_PATH_IMAGE060
的每两个位置的特征值之间的方差，
Figure DEST_PATH_IMAGE073
和
Figure 613376DEST_PATH_IMAGE074
分别是所述去杂质动态特征向量的全局均值和方差，
Figure DEST_PATH_IMAGE075
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 768283DEST_PATH_IMAGE064
和
Figure 54295DEST_PATH_IMAGE065
分别表示向量的按位置减法和加法，
Figure 624954DEST_PATH_IMAGE066
表示特征向量的二范数。应可以理解，这样，所述优化可以对前向传播相关性进行引导修正，具体地，基于所述沿通道维度的全局均值池化对于特征进行的基于下采样的前向传播的特点，通过可学习的正态采样偏移引导卷积神经网络的特征工程来有效地建模所述去杂质动态特征图的特征矩阵内的空间维度和特征矩阵之间的通道维度上的长程依赖关系，并考虑特征矩阵的局部和非局部邻域来进行所述去杂质动态特征向量的各特征值间的相关性的修复，从而提高了所述所述去杂质动态特征向量在卷积神经网络随深度的流式传播过程中对于类概率的预测能力。
具体地，在本申请实施例中，所述功率时序编码模块 270，用于将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量。应可以理解，对于所述喷雾器的功率值，考虑到其在时序维度上具有着隐含的动态性的关联特征信息，因此，在本申请的技术方案中，为了能够充分地提取出这种隐含的动态关联特征，使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的喷雾器的功率值进行编码以得到功率控制特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述喷雾器的功率值在时序维度上的关联和通过全连接编码提取所述喷雾器的功率值的高维隐含特征。
更具体地，在本申请实施例中，所述功率时序编码模块，进一步用于：将所述预定时间段内多个预定时间点的喷雾器的功率值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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 614775DEST_PATH_IMAGE076
，其中
Figure DEST_PATH_IMAGE077
是所述输入向量，
Figure 268479DEST_PATH_IMAGE078
是输出向量，
Figure DEST_PATH_IMAGE079
是权重矩阵，
Figure 41788DEST_PATH_IMAGE080
是偏置向量，
Figure DEST_PATH_IMAGE081
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对所述输入向量进行一维卷积编码以提取出所述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 540771DEST_PATH_IMAGE082
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，
Figure 665327DEST_PATH_IMAGE049
表示所述输入向量。
具体地，在本申请实施例中，所述响应性估计模块 280和所述控制结果生成模块290，用于计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵，并将所述转移矩阵通过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喷雾器的功率值应增大或应减小。应可以理解，考虑到由于所述喷雾器的功率数据和所述喷雾去杂质的监控视频中的各个关键帧数据的特征尺度不同，并且所述喷雾去杂质的动态图像特征在高维空间中可以看作是针对所述喷雾器的功率动态变化特征的响应性特征，因此为了更好地融合这两者的特征信息来进行分类，在本申请的技术方案中，进一步计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵。进而，再使用分类器对所述转移矩阵进行分类处理，以获得用于表示当前时间点的喷雾器的功率值应增大或应减小的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述转移矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 568561DEST_PATH_IMAGE083
，其中
Figure 232760DEST_PATH_IMAGE084
表示将所述转移矩阵投影为向量，
Figure 676380DEST_PATH_IMAGE085
至
Figure 643723DEST_PATH_IMAGE086
为各层全连接层的权重矩阵，
Figure 311334DEST_PATH_IMAGE057
至
Figure 259567DEST_PATH_IMAGE087
表示各层全连接层的偏置矩阵。
更具体地，在本申请实施例中，所述响应性估计模块，进一步用于：以如下公式计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的所述转移矩阵；其中，所述公式为：
Figure DEST_PATH_IMAGE088
=M*
Figure 696758DEST_PATH_IMAGE089
其中
Figure 515679DEST_PATH_IMAGE051
表示所述功率控制特征向量，M表示所述转移矩阵，
Figure 823032DEST_PATH_IMAGE052
表示所述校正后去杂质动态特征向量。
综上，基于本申请实施例的所述电子级氢氧化钾的智慧产线的控制系统 200被阐明，其采用人工智能控制技术，基于深度神经网络模型来对于喷雾器的功率动态变化特征和喷雾去杂质图像帧的动态特征进行深层挖掘，以在电子级氢氧化钾的智慧产线中对喷雾器的功率进行实时动态地控制，进而保证晶体收率的效果和杂质传递的效率。
如上所述，根据本申请实施例的电子级氢氧化钾的智慧产线的控制系统 200可以实现在各种终端设备中，例如电子级氢氧化钾的智慧产线的控制算法的服务器等。在一个示例中，根据本申请实施例的电子级氢氧化钾的智慧产线的控制系统 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，该电子级氢氧化钾的智慧产线的控制系统 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，该电子级氢氧化钾的智慧产线的控制系统 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，该电子级氢氧化钾的智慧产线的控制系统 200与该终端设备也可以是分立的设备，并且该电子级氢氧化钾的智慧产线的控制系统 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3图示了电子级氢氧化钾的智慧产线的控制方法的流程图。如图3所示，根据本申请实施例的电子级氢氧化钾的智慧产线的控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；S120，从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；S130，计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；S140，将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；S150，对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；S160，基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；S170，将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；S180，计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及，S190，将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
图4图示了根据本申请实施例的电子级氢氧化钾的智慧产线的控制方法的架构示意图。如图4所示，在所述电子级氢氧化钾的智慧产线的控制方法的网络架构中，首先，从获得的所述监控视频（例如，如图4中所示意的P1）提取多个关键帧（例如，如图4中所示意的P2），并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络（例如，如图4中所示意的CNN1）以得到多个空间聚焦特征图（例如，如图4中所示意的F1）；接着，计算所述多个空间聚焦特征图中每相邻两个空间聚焦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F2）；然后，将所述多个差分特征图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）以得到去杂质动态特征图（例如，如图4中所示意的F3）；接着，对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量（例如，如图4中所示意的VF1）；然后，基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量（例如，如图4中所示意的VF2）；接着，将所述预定时间段内多个预定时间点的喷雾器的功率值（例如，如图4中所示意的Q）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E）以得到功率控制特征向量（例如，如图4中所示意的VF）；然后，计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵（例如，如图4中所示意的MF）；以及，最后，将所述转移矩阵通过分类器（例如，如图4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当前时间点的喷雾器的功率值应增大或应减小。
更具体地，在步骤S110和步骤S120中，获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频，并从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图。应可以理解，考虑到由于在该制备方案中，喷淋的喷雾器的功率控制是关键，应可以理解，如果功率过大会导致晶体也被部分地传递走，造成提纯率的下降，而如果功率多小则会导致杂质传递效率低，提升效率低下。因此，在本申请的技术方案中，期待在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制以保证晶体收率的效果和杂质传递的效率。
也就是，具体地，在本申请的技术方案中，考虑到在电子级氢氧化钾的智慧产线中对喷雾器的功率进行智能控制时，还要实时动态地对于喷雾去杂质的效果进行监测，因此，首先，通过功率测量仪获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集所述预定时间段的喷雾去杂质的监控视频。然后，为了便于后续的特征挖掘以及降低计算量，从所述监控视频中提取出多个关键帧，再将所述多个关键帧通过使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对其进行特征挖掘。应可以理解，在实际的所述喷雾去杂质的过程中，需要更加关注于所述各个关键帧中的晶体和杂质在空间上的关联关系，并更加聚焦于所述杂质的传递，因此，使用空间注意力机制的第一卷积神经网络对所述多个关键帧中各个关键帧进行处理，以得到多个空间聚焦特征图。
更具体地，在步骤S130和步骤S140中，计算所述多个空间聚焦特征图中每相邻两个空间聚焦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通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图。也就是，在本申请的技术方案中，进一步地，为了表达出所述喷雾去杂的动态效果，需要更加关注于所述各个空间聚焦特征图的对比，尤其是相邻的两个所述空间聚焦特征图的动态性比较。因此，在本申请的技术方案中，进一步计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图。然后，将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络中进行处理，以提取出所述多个差分特征图中的关于所述喷雾去杂质的动态性隐含特征，从而得到去杂质动态特征图。相应地，在一个具体示例中，所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值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去杂质动态特征图，所述第二卷积神经网络的第一层的输入为所述多个差分特征图。
更具体地，在步骤S150和步骤S160中，对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量，并基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差。应可以理解，考虑到所述去杂质动态特征图中的参数数量较大，这会使得后续的处理较为复杂，因此，在本申请的技术方案中，进一步对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量，以降低参数的数量，防止过拟合，进而提高后续分类的准确性。但是，在获得所述去杂质动态特征向量的过程当中，使用所述空间注意力机制聚焦了特征矩阵的空间维度上的局部特征，且所述沿通道维度的全局均值池化又进一步基于特征矩阵的空间特征进行了全局性特征描述，这使得所述去杂质动态特征向量的每个位置的特征值之间的相关性减弱，在卷积神经网络随深度的流式传播过程中发生对于类概率的预测压力。因此，在本申请的技术方案中，需要对所述去杂质动态特征向量
Figure 995912DEST_PATH_IMAGE091
进行优化。
更具体地，在步骤S170中，将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量。应可以理解，对于所述喷雾器的功率值，考虑到其在时序维度上具有着隐含的动态性的关联特征信息，因此，在本申请的技术方案中，为了能够充分地提取出这种隐含的动态关联特征，使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的喷雾器的功率值进行编码以得到功率控制特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述喷雾器的功率值在时序维度上的关联和通过全连接编码提取所述喷雾器的功率值的高维隐含特征。
更具体地，在步骤S180和步骤S190中，计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵，并将所述转移矩阵通过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喷雾器的功率值应增大或应减小。应可以理解，考虑到由于所述喷雾器的功率数据和所述喷雾去杂质的监控视频中的各个关键帧数据的特征尺度不同，并且所述喷雾去杂质的动态图像特征在高维空间中可以看作是针对所述喷雾器的功率动态变化特征的响应性特征，因此为了更好地融合这两者的特征信息来进行分类，在本申请的技术方案中，进一步计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵。进而，再使用分类器对所述转移矩阵进行分类处理，以获得用于表示当前时间点的喷雾器的功率值应增大或应减小的分类结果。
综上，基于本申请实施例的所述电子级氢氧化钾的智慧产线的控制方法被阐明，其采用人工智能控制技术，基于深度神经网络模型来对于喷雾器的功率动态变化特征和喷雾去杂质图像帧的动态特征进行深层挖掘，以在电子级氢氧化钾的智慧产线中对喷雾器的功率进行实时动态地控制，进而保证晶体收率的效果和杂质传递的效率。
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 (10)

1.一种电子级氢氧化钾的智慧产线的控制系统，其特征在于，包括：喷雾数据采集模块，用于获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；空间编码模块，用于从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；差分模块，用于计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；动态编码模块，用于将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；降维模块，用于对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；校正模块，用于基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；功率时序编码模块，用于将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；响应性估计模块，用于计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及控制结果生成模块，用于将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
2.根据权利要求1所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述空间编码模块，进一步用于：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：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述多个空间聚焦特征图，所述第一卷积神经网络的第一层的输入为所述多个关键帧中各个关键帧。
3.根据权利要求2所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述差分模块，进一步用于：以如下公式计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到所述多个差分特征图；其中，所述公式为：
Figure 481792DEST_PATH_IMAGE001
其中，
Figure 694467DEST_PATH_IMAGE002
表示所述多个空间聚焦特征图中第i个位置的空间聚焦特征图，
Figure 351714DEST_PATH_IMAGE003
表示所述多个空间聚焦特征图中第i+1个位置的空间聚焦特征图，
Figure 943757DEST_PATH_IMAGE004
表示所述差分特征图，
Figure 471690DEST_PATH_IMAGE005
表示按位置差分。
4.根据权利要求3所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述动态编码模块，进一步用于：所述使用三维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值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去杂质动态特征图，所述第二卷积神经网络的第一层的输入为所述多个差分特征图。
5.根据权利要求4所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述校正模块，进一步用于：基于所述去杂质动态特征向量的自协方差矩阵，以如下公式对所述去杂质动态特征向量中各个位置的特征值进行校正以得到所述校正后去杂质动态特征向量；其中，所述公式为：
Figure 589687DEST_PATH_IMAGE006
其中
Figure 937492DEST_PATH_IMAGE007
表示所述去杂质动态特征向量，
Figure 67647DEST_PATH_IMAGE008
是所述去杂质动态特征向量的自协方差矩阵，
Figure 450087DEST_PATH_IMAGE009
和
Figure 738985DEST_PATH_IMAGE010
分别是所述去杂质动态特征向量的全局均值和方差，
Figure 574086DEST_PATH_IMAGE011
表示以向量为幂的指数运算，其中，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，
Figure 581967DEST_PATH_IMAGE012
和
Figure 350072DEST_PATH_IMAGE013
分别表示向量的按位置减法和加法，
Figure 809872DEST_PATH_IMAGE014
表示特征向量的二范数。
6.根据权利要求5所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述功率时序编码模块，进一步用于：将所述预定时间段内多个预定时间点的喷雾器的功率值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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 460165DEST_PATH_IMAGE015
，其中
Figure 197702DEST_PATH_IMAGE016
是所述输入向量，
Figure 85892DEST_PATH_IMAGE017
是输出向量，
Figure 451014DEST_PATH_IMAGE018
是权重矩阵，
Figure 122692DEST_PATH_IMAGE019
是偏置向量，
Figure 598672DEST_PATH_IMAGE020
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对所述输入向量进行一维卷积编码以提取出所述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 810211DEST_PATH_IMAGE021
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，
Figure 142972DEST_PATH_IMAGE022
表示所述输入向量。
7.根据权利要求6所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述响应性估计模块，进一步用于：以如下公式计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的所述转移矩阵；其中，所述公式为：
Figure 505208DEST_PATH_IMAGE023
=M*
Figure 784879DEST_PATH_IMAGE024
其中
Figure 382083DEST_PATH_IMAGE025
表示所述功率控制特征向量，M表示所述转移矩阵，
Figure 151325DEST_PATH_IMAGE026
表示所述校正后去杂质动态特征向量。
8.根据权利要求7所述的电子级氢氧化钾的智慧产线的控制系统，其特征在于，所述控制结果生成模块，进一步用于：所述分类器以如下公式对所述转移矩阵进行处理以生成分类结果，其中，所述公式为：
Figure 926821DEST_PATH_IMAGE027
，其中
Figure 275763DEST_PATH_IMAGE028
表示将所述转移矩阵投影为向量，
Figure 461893DEST_PATH_IMAGE029
至
Figure 670545DEST_PATH_IMAGE030
为各层全连接层的权重矩阵，
Figure 676547DEST_PATH_IMAGE031
至
Figure 563601DEST_PATH_IMAGE032
表示各层全连接层的偏置矩阵。
9.一种电子级氢氧化钾的智慧产线的控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的喷雾器的功率值以及由摄像头采集的所述预定时间段的喷雾去杂质的监控视频；从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图；计算所述多个空间聚焦特征图中每相邻两个空间聚焦特征图之间的差分以得到多个差分特征图；将所述多个差分特征图通过使用三维卷积核的第二卷积神经网络以得到去杂质动态特征图；对所述去杂质动态特征图进行沿通道维度的全局均值池化以得到去杂质动态特征向量；基于所述去杂质动态特征向量的自协方差矩阵，对所述去杂质动态特征向量中各个位置的特征值进行校正以得到校正后去杂质动态特征向量，其中，所述去杂质动态特征向量的自协方差矩阵中各个位置的特征值为所述去杂质动态特征向量中相应两个位置的特征值之间的方差；将所述预定时间段内多个预定时间点的喷雾器的功率值通过包含一维卷积层的时序编码器以得到功率控制特征向量；计算所述功率控制特征向量相对于所述校正后去杂质动态特征向量的转移矩阵；以及将所述转移矩阵通过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喷雾器的功率值应增大或应减小。
10.根据权利要求9所述的电子级氢氧化钾的智慧产线的控制方法，其特征在于，所述从所述监控视频提取多个关键帧，并分别将所述多个关键帧中各个关键帧通过使用空间注意力机制的第一卷积神经网络以得到多个空间聚焦特征图，包括：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：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；对所述激活特征图进行沿通道维度的全局平均池化以获得空间特征矩阵；对所述空间特征矩阵进行卷积处理和激活处理以生成权重向量；以及以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加权以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述多个空间聚焦特征图，所述第一卷积神经网络的第一层的输入为所述多个关键帧中各个关键帧。
CN202210905300.9A 2022-07-29 2022-07-29 电子级氢氧化钾的智慧产线的控制系统及其控制方法 Pending CN115202265A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210905300.9A CN115202265A (zh) 2022-07-29 2022-07-29 电子级氢氧化钾的智慧产线的控制系统及其控制方法
PCT/CN2022/119555 WO2024021258A1 (zh) 2022-07-29 2022-09-19 电子级氢氧化钾的智慧产线的控制系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210905300.9A CN115202265A (zh) 2022-07-29 2022-07-29 电子级氢氧化钾的智慧产线的控制系统及其控制方法

Publications (1)

Publication Number Publication Date
CN115202265A true CN115202265A (zh) 2022-10-18

Family

ID=83584785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210905300.9A Pending CN115202265A (zh) 2022-07-29 2022-07-29 电子级氢氧化钾的智慧产线的控制系统及其控制方法

Country Status (2)

Country Link
CN (1) CN115202265A (zh)
WO (1) WO2024021258A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115350640A (zh) * 2022-10-20 2022-11-18 济宁九德半导体科技有限公司 基于半导体扩散炉用氮氧混合设备及其控制方法
CN115376075A (zh) * 2022-10-25 2022-11-22 中节能绿建环保科技有限公司 智能楼宇的新风节能系统及其控制方法
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
CN116047987A (zh) * 2023-03-31 2023-05-02 福建天甫电子材料有限公司 用于电子级缓冲氧化物蚀刻液生产的智能控制系统
CN116149280A (zh) * 2023-04-04 2023-05-23 福建德尔科技股份有限公司 电子级氢氧化钾的智能生产系统
CN116652681A (zh) * 2023-05-24 2023-08-29 浙江沃沃阀门有限公司 锻钢阀阀盖自动化多工位机加工设备及方法
CN116820052A (zh) * 2023-07-13 2023-09-29 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法
CN116821745A (zh) * 2023-04-10 2023-09-29 浙江万能弹簧机械有限公司 智能线切割慢走丝设备的控制方法及其系统
CN116920739A (zh) * 2023-03-02 2023-10-24 福建省龙德新能源有限公司 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5852817A (en) * 1991-08-14 1998-12-22 Kabushiki Kaisha Toshiba Intelligent control apparatus
CN107168255A (zh) * 2017-05-16 2017-09-15 浙江工业大学 一种基于集成神经网络的聚丙烯熔融指数混合建模方法
CN114371649A (zh) * 2022-01-10 2022-04-19 江苏大学 一种基于卷积神经网络的喷雾流量调控系统与方法
CN114768279B (zh) * 2022-04-29 2022-11-11 福建德尔科技股份有限公司 用于电子级二氟甲烷制备的精馏控制系统及其控制方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115350640A (zh) * 2022-10-20 2022-11-18 济宁九德半导体科技有限公司 基于半导体扩散炉用氮氧混合设备及其控制方法
CN115376075A (zh) * 2022-10-25 2022-11-22 中节能绿建环保科技有限公司 智能楼宇的新风节能系统及其控制方法
CN115376075B (zh) * 2022-10-25 2023-02-14 中节能绿建环保科技有限公司 智能楼宇的新风节能系统及其控制方法
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
CN116920739A (zh) * 2023-03-02 2023-10-24 福建省龙德新能源有限公司 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法
CN116920739B (zh) * 2023-03-02 2024-06-14 福建省龙德新能源有限公司 用于六氟磷酸锂制备的液体循环雾化合成控制系统及方法
CN116047987A (zh) * 2023-03-31 2023-05-02 福建天甫电子材料有限公司 用于电子级缓冲氧化物蚀刻液生产的智能控制系统
CN116149280A (zh) * 2023-04-04 2023-05-23 福建德尔科技股份有限公司 电子级氢氧化钾的智能生产系统
CN116821745A (zh) * 2023-04-10 2023-09-29 浙江万能弹簧机械有限公司 智能线切割慢走丝设备的控制方法及其系统
CN116821745B (zh) * 2023-04-10 2024-04-09 浙江万能弹簧机械有限公司 智能线切割慢走丝设备的控制方法及其系统
CN116652681A (zh) * 2023-05-24 2023-08-29 浙江沃沃阀门有限公司 锻钢阀阀盖自动化多工位机加工设备及方法
CN116820052A (zh) * 2023-07-13 2023-09-29 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法
CN116820052B (zh) * 2023-07-13 2024-02-02 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法

Also Published As

Publication number Publication date
WO2024021258A1 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
CN115202265A (zh) 电子级氢氧化钾的智慧产线的控制系统及其控制方法
CN115079572B (zh) 用于六氟磷酸锂制备的能源管理控制系统及其控制方法
Yin et al. Geonet: Unsupervised learning of dense depth, optical flow and camera pose
Eldesokey et al. Propagating confidences through cnns for sparse data regression
CN115430344B (zh) 用于六氟磷酸锂制备的自动配料系统及其配料方法
Song et al. Monocular depth estimation using laplacian pyramid-based depth residuals
CN115309215B (zh) 氟化铵制备用的自动配料控制系统及其控制方法
Cai et al. Matching-space stereo networks for cross-domain generalization
CN115599049B (zh) 用于无水氟化氢生产的能源管理控制系统及其控制方法
CN114870416B (zh) 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN116149280B (zh) 电子级氢氧化钾的智能生产系统
CN114758304B (zh) 一种高纯圆角石英粉的过筛设备及其过筛控制方法
CN113657560B (zh) 基于节点分类的弱监督图像语义分割方法及系统
CN115903705B (zh) 用于电子级六氟丁二烯制备的生产管理控制系统
WO2020088766A1 (en) Methods for optical flow estimation
CN115291646A (zh) 用于氟化锂制备的能源管理控制系统及其控制方法
Zhang et al. Deep online correction for monocular visual odometry
CN115231525A (zh) 电子级三氟化氯的智能分离纯化系统
CN115960144A (zh) 低聚异麦芽糖铁配合物的智能化生产系统及其方法
CN116627040A (zh) 烘干器控制系统及其方法
CN115511759A (zh) 一种基于级联特征交互的点云图像深度补全方法
CN115097884B (zh) 用于电子级氢氟酸制备的能源管理控制系统及其控制方法
Bogdoll et al. Muvo: A multimodal generative world model for autonomous driving with geometric representations
CN117315585A (zh) 电解槽智能控制系统及其方法
Zhang et al. Dyna-depthformer: Multi-frame transformer for self-supervised depth estimation in dynamic scenes

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