CN115936682A - 印制线路板的废料回收系统及其方法 - Google Patents
印制线路板的废料回收系统及其方法 Download PDFInfo
- Publication number
- CN115936682A CN115936682A CN202211650103.3A CN202211650103A CN115936682A CN 115936682 A CN115936682 A CN 115936682A CN 202211650103 A CN202211650103 A CN 202211650103A CN 115936682 A CN115936682 A CN 115936682A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- input vector
- neural network
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002699 waste material Substances 0.000 title claims abstract description 93
- 238000011084 recovery Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 116
- 239000006185 dispersion Substances 0.000 claims abstract description 112
- 238000003756 stirring Methods 0.000 claims abstract description 88
- 239000007788 liquid Substances 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 273
- 239000011159 matrix material Substances 0.000 claims description 204
- 238000004064 recycling Methods 0.000 claims description 68
- 238000013527 convolutional neural network Methods 0.000 claims description 60
- 230000004927 fusion Effects 0.000 claims description 48
- 238000003062 neural network model Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 26
- 230000004043 responsiveness Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 23
- 230000003247 decreasing effect Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 229910052755 nonmetal Inorganic materials 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 230000008961 swelling Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000843 powder Substances 0.000 description 5
- 238000013019 agitation Methods 0.000 description 4
- 239000003957 anion exchange resin Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000007769 metal material Substances 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- KXGFMDJXCMQABM-UHFFFAOYSA-N 2-methoxy-6-methylphenol Chemical compound [CH]OC1=CC=CC([CH])=C1O KXGFMDJXCMQABM-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000007265 chloromethylation reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000003822 epoxy resin Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003607 modifier Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229920001568 phenolic resin Polymers 0.000 description 2
- 229920000647 polyepoxide Polymers 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004176 ammonification Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000005007 epoxy-phenolic resin Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000010814 metallic waste Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000005011 phenolic resin Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/82—Recycling of waste of electrical or electronic equipment [WEEE]
Landscapes
- Processing Of Solid Wastes (AREA)
- Image Analysis (AREA)
Abstract
公开了一种印制线路板的废料回收系统及其方法,其采用基于深度学习的人工智能技术,利用分散液的状态监控视频来表示分散液的状态变化信息,并建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据。通过这样的方式,来提高分散液的制备质量和效率,进而提高印制线路板的废料回收的产品质量。
Description
技术领域
本申请涉及废料回收领域,且更为具体地,涉及一种印制线路板的废料回收系统及其方法。
背景技术
印制线路板又称印制电路板,是重要的电子部件,其不仅是电子元器件的支撑体,还是电子元器件电气连接的载体。采用电路板的主要优点是大大减少布线和装配的差错,提高了自动化水平和生产劳动率。
目前,印制线路板在生产的过程中会对于报废的或不合格的废弃印制线路板进行回收以对其进行重新加工使用,并且线路板产品在加工过程中也会产生大量的边角料。目前对电路板中的金属成分回收研究较多,技术也较为成熟,而对非金属材料的资源化和安全处置的研究则相对较少。电路板中的非金属部分主要为含有玻璃纤维的酚醛树脂或环氧树脂,一般是不溶且不熔状态,较难处理。有的研究方案将非金属组分用作结构材料填料、塑料改性剂和建筑材料改性剂,但由于其成分复杂,会一定程度上影响产品质量。也有采用焚烧将非金属组分用作燃料和熔剂或通过热解回收或溶剂分解回收得到化工原料,但上述方法存在着焚烧产物含有剧毒物质或能耗较高的问题。
针对上述问题,中国专利申请CN113248781A提出了一种电路板废料中非金属材料的绿色回收再利用的方法。其通过将电路板中的非金属废料经溶胀剂处理后,采用氯甲基化试剂对交联的环氧树脂或酚醛树脂进行氯甲基化,再采用三甲胺对材料进行铵化获得高性能的阴离子交换树脂,以实现废料的再利用。在此过程中,其需要将经过破碎的电路板废料粉末加入到溶胀剂中,加热到一定的温度范围并进行快速搅拌一段时间后来得到分散液。
但是,在此方案实际进行处理的过程中发现制备出的分散液质量不佳且效率较慢,这是由于此方案只是将温度控制在合适的范围内且搅拌速度也是使用适宜的搅拌速度,而分散液的状态是在不断发生变化的,其没有根据实际分散液的状态变化而做出相应地调整,进而导致最后制得的分散液难以满足应有要求,造成阴离子交换树脂的性能较低。
因此,期望一种优化的印制线路板的废料回收方案。
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印制线路板的废料回收系统及其方法,其采用基于深度学习的人工智能技术,利用分散液的状态监控视频来表示分散液的状态变化信息,并建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据。通过这样的方式,来提高分散液的制备质量和效率,进而提高印制线路板的废料回收的产品质量。
相应地,根据本申请的一个方面,提供了一种印制线路板的废料回收系统,其包括:
传感器数据采集模块,用于获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;
控制参数协同模块,用于将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;
参数关联特征提取模块,用于将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;
中尺度关联优化模块,用于基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;
采样模块,用于从所述分散液的状态监控视频中提取多个状态监控关键帧;
状态特征提取模块,用于将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;
状态时序变化特征提取模块,用于将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;
响应性估计模块,用于计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及
控制结果生成模块,用于将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
在上述印制线路板的废料回收系统中,所述控制参数协同模块,进一步用于:以如下公式对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;其中,所述公式为:
在上述印制线路板的废料回收系统中,所述中尺度关联优化模块,包括:图核游走节点分布融合特征矩阵生成单元,用于以如下公式计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述速度输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述速度输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,映射单元,用于将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘以得到所述校正后协同关联特征矩阵。
在上述印制线路板的废料回收系统中,所述参数关联特征提取模块,进一步用于:使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图;使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵;使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图;使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图,所述第二卷积核与所述第一卷积核互为转置;使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵;以及,使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述协同关联特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述参数协同矩阵。
在上述印制线路板的废料回收系统中,所述采样模块,用于以预定采样频率从所述分散液的状态监控视频中提取多个状态监控关键帧。
在上述印制线路板的废料回收系统中,所述状态特征提取模块,包括:浅层特征提取单元,用于从所述第二卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;深层特征提取单元,用于从所述第二卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;融合单元,用于使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及,池化单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述关键帧图像特征矩阵。
在上述印制线路板的废料回收系统中,所述状态时序变化特征提取模块,进一步用于:使用所述使用具有三维卷积核的第三卷积神经网络模型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基于局部特征矩阵的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,所述第三卷积神经网络模型的最后一层的输出为所述监控动态特征图,所述第三卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述印制线路板的废料回收系统中,所述响应性估计模块,进一步用于:以如下公式计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
在上述印制线路板的废料回收系统中,所述控制结果生成模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种印制线路板的废料回收方法,其包括:
获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频:
将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;
将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;
基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;
从所述分散液的状态监控视频中提取多个状态监控关键帧;
将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;
将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;
计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及
将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
在上述印制线路板的废料回收方法中,所述将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵,包括:以如下公式对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;其中,所述公式为:
在上述印制线路板的废料回收方法中,所述基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵,包括:以如下公式计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为: 其中,V1表示所述温度输入向量,V2表示所述速度输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述速度输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘以得到所述校正后协同关联特征矩阵。
在上述印制线路板的废料回收方法中,所述将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵,包括:从所述第二卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;从所述第二卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及,对所述融合特征图进行沿通道维度的全局池化以得到所述关键帧图像特征矩阵。
在上述印制线路板的废料回收方法中,所述将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量,包括:使用所述使用具有三维卷积核的第三卷积神经网络模型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基于局部特征矩阵的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,所述第三卷积神经网络模型的最后一层的输出为所述监控动态特征图,所述第三卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述印制线路板的废料回收方法中,所述计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量,包括:以如下公式计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的印制线路板的废料回收方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的印制线路板的废料回收方法。
与现有技术相比,本申请提供的印制线路板的废料回收系统及其方法,其采用基于深度学习的人工智能技术,利用分散液的状态监控视频来表示分散液的状态变化信息,并建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据。通过这样的方式,来提高分散液的制备质量和效率,进而提高印制线路板的废料回收的产品质量。
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印制线路板的废料回收系统的应用场景图。
图2为根据本申请实施例的印制线路板的废料回收系统的框图。
图3为根据本申请实施例的印制线路板的废料回收系统的架构示意图。
图4为根据本申请实施例的印制线路板的废料回收系统中状态特征提取模块的框图。
图5为根据本申请实施例的印制线路板的废料回收方法的流程图。
图6为根据本申请实施例的电子设备的框图。
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。
申请概述
如上所述,在实际采用中国专利申请CN113248781A提出了一种电路板废料中非金属材料的绿色回收再利用的方法来进行印制线路板的废料回收过程中,需要将经过破碎的电路板废料粉末加入到溶胀剂中,加热到一定的温度范围并进行快速搅拌一段时间后来得到分散液。但是,在实际进行处理的过程中发现制备出的分散液质量不佳且效率较慢,这是由于此方案只是将温度控制在合适的范围内且搅拌速度也是使用适宜的搅拌速度,而分散液的状态是在不断发生变化的,其没有根据实际分散液的状态变化而做出相应地调整,进而导致最后制得的分散液难以满足应有要求,造成阴离子交换树脂的性能较低。因此,期望一种优化的印制线路板的废料回收方案。
相应地,在本申请的技术方案中,考虑到对于温度值和搅拌速度值的实时控制应适配于分散液的状态变化情况。也就是说,基于分散液的状态变化特征来自适应地调整温度值和搅拌速度值。但是,由于在实际通过将破碎的电路板废料粉末加入溶胀剂经过加热和快速搅拌来得到分散液的过程中发现,温度和搅拌速度之间具有着非线性的关联,并且这两者的数据变化对于分散液的状态变化具有着不同程度的影响。而在本申请的技术方案中,难点在于如何建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据,以此提高分散液的制备质量和效率。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述温度和所述搅拌速度之间的关联性与分散液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述温度和所述搅拌速度之间的关联性与分散液的状态变化之间的复杂映射关系,以此来提高分散液的制备质量和效率。
具体地,在本申请的技术方案中,获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频。接着,为了挖掘出所述温度值和所述搅拌速度值在时序上的非线性关联关系,以此来进行分散液制备的精准控制,需要首先构建两者在时序上的数据分布关联信息。也就是,具体地,将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵。
然后,考虑到所述温度值和搅拌速度值在所述预定时间段内的时间维度上具有着相当程度的隐藏关联,而在实际废料回收处理的过程中,所述温度和所述搅拌速度之间需要进行协同控制来实现分散液的制备。因此,在本申请的技术方案中,为了能够充分地提取出所述温度和搅拌速度的协同变化关联特征来提高分散液的制备质量和效率,进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述参数协同矩阵进行特征挖掘,以提取出深层的更为充分的所述温度和搅拌速度间的协同关联隐含特征信息,从而得到协同关联特征矩阵。特别地,这里,所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性。
特别地,在本申请的技术方案中,这里,通过计算所述温度输入向量和所述速度输入向量之间的乘积得到所述参数协同矩阵,并将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型得到所述协同关联特征矩阵,可以使得所述协同关联特征矩阵表达温度和速度的跨时序乘积的局部关联特征,但是,无论是所述温度输入向量和速度输入向量之间的按位置相乘,还是所述第一卷积神经网络模型的相邻层互为转置的卷积核,都提取的是小尺度的特征值粒度的关联特征,而如果所述协同关联特征矩阵能够表达所述温度输入向量和所述速度输入向量的向量级的关联特征,显然可以提升最终得到的所述分类特征向量的表达效果。
因此,优选地,进一步计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,表示为:
D(V1,V2)为所述温度输入向量V1和所述速度输入向量V2之间的距离矩阵,即di,j=d(v1i,v2j),且V1和V2均为列向量。
所述图核游走节点分布融合特征矩阵模拟图核(graph kemal)的思路,将所述温度输入向量V1和所述速度输入向量V2分别视为图中的节点,基于所述温度输入向量V1和所述速度输入向量V2的特征分布在距离拓扑图上进行游走,以将拓扑节点泛化到相对于所述温度输入向量V1和所述速度输入向量V2的类别特征分布具有连续高维类空间属性的场景下,从而表示作为拓扑节点的所述温度输入向量V1和所述速度输入向量V2在融合特征的高维特征空间内的局部分布信息,以表达所述温度输入向量V1和所述速度输入向量V2之间的向量级的关联特征。
进一步,再将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘,以将所述协同关联特征矩阵映射到关联特征空间内,以使得所述协同关联特征矩阵进一步表达所述温度输入向量和所述速度输入向量的向量级的关联特征,从而得到校正后协同关联特征矩阵。
然后,从所述分散液的状态监控视频中提取多个状态监控关键帧。应可以理解,由于在进行温度和搅拌速度的联合协同控制时,分散液的状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示分散液的状态变化情况。但是,考虑到所述状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,在本申请的技术方案中,选择以预定采样频率对所述状态监控视频进行关键帧采样,以从所述状态监控视频中提取多个状态监控关键帧。
接着,考虑到所述各个状态监控关键帧中关于所述分散液的状态特征在时间维度上具有着关联性,也就是说,所述分散液的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型中进行特征挖掘,以提取出所述分散液的状态特征在时间维度上的动态变化特征,从而得到监控动态特征向量。特别地,这里,所述第三卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述多个状态监控关键帧聚合为三维特征张量的时间维度,因此,在进行三维卷积编码时,能提取所述分散液的状态分布特征随时间维度的动态变化特征。
进一步地,计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计来表示所述温度和搅拌速度的协同变化特征与所述分散液的状态动态变化特征间的关联性特征分布信息,即所述温度和搅拌速度的协同控制对于分散液的状态的影响,并以此作为分类特征向量通过分类器中进行分类处理,以得到用于表示当前时间点的搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小的分类结果。这样,能够实时准确地基于分散液的实际状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据,以此来提高分散液的制备质量和效率,提高印制线路板的废料回收的产品质量。
基于此,本申请提供了一种印制线路板的废料回收系统,其包括:传感器数据采集模块,用于获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;控制参数协同模块,用于将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;参数关联特征提取模块,用于将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;中尺度关联优化模块,用于基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;采样模块,用于从所述分散液的状态监控视频中提取多个状态监控关键帧;状态特征提取模块,用于将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;状态时序变化特征提取模块,用于将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;响应性估计模块,用于计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及,控制结果生成模块,用于将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
图1为根据本申请实施例的印制线路板的废料回收系统的应用场景图。如图1所示,在该应用场景中,首先,由温度传感器(例如,如图1中所示意的Se1)和测速计(例如,如图1中所示意的Se2)获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,由摄像头(例如,如图1中所示意的C)获取所述预定时间段的分散液(例如,如图1中所示意的L)的状态监控视频。进而,将所述预定时间段内多个预定时间点的温度值、搅拌速度值和所述预定时间段的分散液的状态监控视频输入至部署有印制线路板的废料回收算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述印制线路板的废料回收算法对所述预定时间段内多个预定时间点的温度值、搅拌速度值和所述预定时间段的分散液的状态监控视频进行处理,以得到用于表示当前时间点的搅拌速度值应增大或应减小,且当前时间点的温度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为根据本申请实施例的印制线路板的废料回收系统的框图。如图2所示,根据本申请实施例的印制线路板的废料回收系统100,包括:传感器数据采集模块110,用于获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;控制参数协同模块120,用于将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;参数关联特征提取模块130,用于将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;中尺度关联优化模块140,用于基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;采样模块150,用于从所述分散液的状态监控视频中提取多个状态监控关键帧;状态特征提取模块160,用于将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;状态时序变化特征提取模块170,用于将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;响应性估计模块180,用于计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及,控制结果生成模块190,用于将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
图3为根据本申请实施例的印制线路板的废料回收系统的架构示意图。如图3所示,首先,获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;接着,将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;然后,将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;继而,基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵,同时,从所述分散液的状态监控视频中提取多个状态监控关键帧;接着,将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;然后,将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;继而,计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;最后,将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
在上述印制线路板的废料回收系统100中,所述传感器数据采集模块110,用于获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频。如背景技术部分所言,在实际采用中国专利申请CN113248781A提出了一种电路板废料中非金属材料的绿色回收再利用的方法来进行印制线路板的废料回收过程中,需要将经过破碎的电路板废料粉末加入到溶胀剂中,加热到一定的温度范围并进行快速搅拌一段时间后来得到分散液。但是,在实际进行处理的过程中发现制备出的分散液质量不佳且效率较慢,这是由于此方案只是将温度控制在合适的范围内且搅拌速度也是使用适宜的搅拌速度,而分散液的状态是在不断发生变化的,其没有根据实际分散液的状态变化而做出相应地调整,进而导致最后制得的分散液难以满足应有要求,造成阴离子交换树脂的性能较低。因此,期望一种优化的印制线路板的废料回收方案。
相应地,在本申请的技术方案中,考虑到对于温度值和搅拌速度值的实时控制应适配于分散液的状态变化情况。也就是说,基于分散液的状态变化特征来自适应地调整温度值和搅拌速度值。但是,由于在实际通过将破碎的电路板废料粉末加入溶胀剂经过加热和快速搅拌来得到分散液的过程中发现,温度和搅拌速度之间具有着非线性的关联,并且这两者的数据变化对于分散液的状态变化具有着不同程度的影响。而在本申请的技术方案中,难点在于如何建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据,以此提高分散液的制备质量和效率。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为挖掘所述温度和所述搅拌速度之间的关联性与分散液的状态变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述温度和所述搅拌速度之间的关联性与分散液的状态变化之间的复杂映射关系,以此来提高分散液的制备质量和效率。
具体地,在本申请的技术方案中,获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频。其中所述多个预定时间点的温度值和搅拌速度值分别由温度传感器和测速计来获取,所述状态监控视频由摄像头获取。
在上述印制线路板的废料回收系统100中,所述控制参数协同模块120,用于将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵。在本申请的技术方案中,为了挖掘出所述温度值和所述搅拌速度值在时序上的非线性关联关系,以此来进行分散液制备的精准控制,需要首先构建两者在时序上的数据分布关联信息。也就是,具体地,首先,将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量以将两者进行数据结构化处理。然后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵。
更具体地,在本申请实施例中,所述控制参数协同模块120,进一步用于:以如下公式对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;其中,所述公式为:
在上述印制线路板的废料回收系统100中,所述参数关联特征提取模块130,用于将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵。考虑到所述温度值和搅拌速度值在所述预定时间段内的时间维度上具有着相当程度的隐藏关联,而在实际废料回收处理的过程中,所述温度和所述搅拌速度之间需要进行协同控制来实现分散液的制备。因此,在本申请的技术方案中,为了能够充分地提取出所述温度和搅拌速度的协同变化关联特征来提高分散液的制备质量和效率,进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述参数协同矩阵进行特征挖掘,以提取出深层的更为充分的所述温度和搅拌速度间的协同关联隐含特征信息,从而得到协同关联特征矩阵。特别地,这里,所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性。
具体地,在本申请实施例中,在所述参数关联特征提取模块130中,首先,使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图;接着,使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵;然后,使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图;同时,使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图,所述第二卷积核与所述第一卷积核互为转置;然后,使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵;继而,使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述协同关联特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述参数协同矩阵。
在上述印制线路板的废料回收系统100中,所述中尺度关联优化模块140,用于基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵。特别地,在本申请的技术方案中,这里,通过计算所述温度输入向量和所述速度输入向量之间的乘积得到所述参数协同矩阵,并将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型得到所述协同关联特征矩阵,可以使得所述协同关联特征矩阵表达温度和速度的跨时序乘积的局部关联特征,但是,无论是所述温度输入向量和速度输入向量之间的按位置相乘,还是所述第一卷积神经网络模型的相邻层互为转置的卷积核,都提取的是小尺度的特征值粒度的关联特征,而如果所述协同关联特征矩阵能够表达所述温度输入向量和所述速度输入向量的向量级的关联特征,显然可以提升最终得到的所述分类特征向量的表达效果。因此,优选地,进一步计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵。
具体地,在本申请实施例中,所述中尺度关联优化模块140,包括:图核游走节点分布融合特征矩阵生成单元,用于以如下公式计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述速度输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述速度输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
所述图核游走节点分布融合特征矩阵模拟图核(graph kernal)的思路,将所述温度输入向量V1和所述速度输入向量V2分别视为图中的节点,基于所述温度输入向量V1和所述速度输入向量V2的特征分布在距离拓扑图上进行游走,以将拓扑节点泛化到相对于所述温度输入向量V1和所述速度输入向量V2的类别特征分布具有连续高维类空间属性的场景下,从而表示作为拓扑节点的所述温度输入向量V1和所述速度输入向量V2在融合特征的高维特征空间内的局部分布信息,以表达所述温度输入向量V1和所述速度输入向量V2之间的向量级的关联特征。
在本申请实施例中,所述中尺度关联优化模块140,还包括:映射单元,用于将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘以得到所述校正后协同关联特征矩阵。这里,通过矩阵相乘的方式将所述协同关联特征矩阵映射到关联特征空间内,以使得所述协同关联特征矩阵进一步表达所述温度输入向量和所述速度输入向量的向量级的关联特征,从而得到校正后协同关联特征矩阵。
在上述印制线路板的废料回收系统100中,所述采样模块150,用于从所述分散液的状态监控视频中提取多个状态监控关键帧。应可以理解,由于在进行温度和搅拌速度的联合协同控制时,分散液的状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示分散液的状态变化情况。但是,考虑到所述状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,在本申请的技术方案中,选择以预定采样频率对所述状态监控视频进行关键帧采样,以从所述状态监控视频中提取多个状态监控关键帧。
在上述印制线路板的废料回收系统100中,所述状态特征提取模块160,用于将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵。也就是,在本申请的技术方案中,以在图像特征提取领域具有优异性能表现的深度卷积神经网络模型作为特征提取器来提取所述多个状态监控关键帧中的各个状态监控关键帧的局部图像高维隐含特征。并且,考虑到所述卷积神经网络模型在进行特征提取时,随着其编码深度的深入,作为浅层的纹理特征会被模糊甚至消失,而导致最终分类判断精度的下降,因此,在本申请的技术方案中,所述卷积神经网络模型进一步配置有深浅特征融合模块,以保留作为浅层的纹理特征和作为深层的本质特征。
图4为根据本申请实施例的印制线路板的废料回收系统中状态特征提取模块的框图。如图4所示,所述状态特征提取模块160,包括:浅层特征提取单元161,用于从所述第二卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;深层特征提取单元162,用于从所述第二卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;融合单元163,用于使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及,池化单元164,用于对所述融合特征图进行沿通道维度的全局池化以得到所述关键帧图像特征矩阵。
在上述印制线路板的废料回收系统100中,所述状态时序变化特征提取模块170,用于将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量。考虑到所述各个关键帧图像特征矩阵中关于所述分散液的状态特征在时间维度上具有着关联性,也就是说,所述分散液的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型中进行特征挖掘,以提取出所述分散液的状态特征在时间维度上的动态变化特征,从而得到监控动态特征向量。特别地,这里,所述第三卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述多个状态监控关键帧聚合为三维特征张量的时间维度,因此,在进行三维卷积编码时,能提取所述分散液的状态分布特征随时间维度的动态变化特征。
具体地,在本申请实施例中,所述状态时序变化特征提取模块170,进一步用于:使用所述使用具有三维卷积核的第三卷积神经网络模型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基于局部特征矩阵的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,所述第三卷积神经网络模型的最后一层的输出为所述监控动态特征图,所述第三卷积神经网络模型的第一层的输入为所述三维特征张量。特别地,在得到所述监控动态特征图后,将其进行沿通道维度的全局均值池化以得到所述监控动态特征向量。
在上述印制线路板的废料回收系统100中,所述响应性估计模块180,用于计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量。也就是,计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计来表示所述温度和搅拌速度的协同变化特征与所述分散液的状态动态变化特征间的关联性特征分布信息,即所述温度和搅拌速度的协同控制对于分散液的状态的影响,并以此作为分类特征向量。
具体地,在本申请实施例中,所述响应性估计模块180,进一步用于:以如下公式计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
在上述印制线路板的废料回收系统100中,所述控制结果生成模块190,用于将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。也就是,以所述分类器对所述分类特征向量的高维数据流形进行类边界划分和确定,以得到所述分类结果。这样,能够实时准确地基于分散液的实际状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据,以此来提高分散液的制备质量和效率,提高印制线路板的废料回收的产品质量。
具体地,在本申请实施例中,所述控制结果生成模块190,包括:全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的印制线路板的废料回收系统100被阐明,其采用基于深度学习的人工智能技术,利用分散液的状态监控视频来表示分散液的状态变化信息,并建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据。通过这样的方式,来提高分散液的制备质量和效率,进而提高印制线路板的废料回收的产品质量。
如上所述,根据本申请实施例的印制线路板的废料回收系统100可以实现在各种终端设备中,例如用于印制线路板的废料回收的服务器等。在一个示例中,根据本申请实施例的印制线路板的废料回收系统100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,该印制线路板的废料回收系统100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,该印制线路板的废料回收系统100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,该印制线路板的废料回收系统100与该终端设备也可以是分立的设备,并且该印制线路板的废料回收系统100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5为根据本申请实施例的印制线路板的废料回收方法的流程图。如图5所示,根据本申请实施例的印制线路板的废料回收方法,包括:S110,获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;S120,将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;S130,将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;S140,基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;S150,从所述分散液的状态监控视频中提取多个状态监控关键帧;S160,将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;S170,将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;S180,计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及,S190,将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
在一个示例中,在上述印制线路板的废料回收方法中,所述将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵,包括:以如下公式对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;其中,所述公式为:
在一个示例中,在上述印制线路板的废料回收方法中,所述基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵,包括:以如下公式计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:其中,V1表示所述温度输入向量,V2表示所述速度输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述速度输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘以得到所述校正后协同关联特征矩阵。
在一个示例中,在上述印制线路板的废料回收方法中,所述将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵,包括:从所述第二卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;从所述第二卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及,对所述融合特征图进行沿通道维度的全局池化以得到所述关键帧图像特征矩阵。
在一个示例中,在上述印制线路板的废料回收方法中,所述将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量,包括:使用所述使用具有三维卷积核的第三卷积神经网络模型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基于局部特征矩阵的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,所述第三卷积神经网络模型的最后一层的输出为所述监控动态特征图,所述第三卷积神经网络模型的第一层的输入为所述三维特征张量。
在一个示例中,在上述印制线路板的废料回收方法中,所述计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量,包括:以如下公式计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
综上,本申请实施例的印制线路板的废料回收方法被阐明,其采用基于深度学习的人工智能技术,利用分散液的状态监控视频来表示分散液的状态变化信息,并建立温度和搅拌速度之间的关联性与分散液的状态变化之间的映射关系,以基于分散液的实时状态变化情况来自适应地调控当前时间点的温度和搅拌速度的参数协同数据。通过这样的方式,来提高分散液的制备质量和效率,进而提高印制线路板的废料回收的产品质量。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的印制线路板的废料回收方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如预定时间段内多个预定时间点的温度值和搅拌速度值、所述预定时间段的分散液的状态监控视频等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的印制线路板的废料回收方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的印制线路板的废料回收方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种印制线路板的废料回收系统,其特征在于,包括:
传感器数据采集模块,用于获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;
控制参数协同模块,用于将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;
参数关联特征提取模块,用于将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;
中尺度关联优化模块,用于基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;
采样模块,用于从所述分散液的状态监控视频中提取多个状态监控关键帧;
状态特征提取模块,用于将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;
状态时序变化特征提取模块,用于将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;
响应性估计模块,用于计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及
控制结果生成模块,用于将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
3.根据权利要求2所述的印制线路板的废料回收系统,其特征在于,所述中尺度关联优化模块,包括:
图核游走节点分布融合特征矩阵生成单元,用于以如下公式计算所述温度输入向量和所述速度输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述速度输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述速度输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及
映射单元,用于将所述图核游走节点分布融合特征矩阵与所述协同关联特征矩阵进行矩阵相乘以得到所述校正后协同关联特征矩阵。
4.根据权利要求3所述的印制线路板的废料回收系统,其特征在于,所述参数关联特征提取模块,进一步用于:
使用所述第一卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图;
使用所述第一卷积神经网络模型的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵;
使用所述第一卷积神经网络模型的第一层的激活层对所述第一池化特征矩阵进行激活处理以生成第一激活特征图;
使用所述第一卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图,所述第二卷积核与所述第一卷积核互为转置;
使用所述第一卷积神经网络模型的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵;以及
使用所述第一卷积神经网络模型的第二层的激活层对所述第二池化特征矩阵进行激活处理以生成第二激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述协同关联特征矩阵,所述第一卷积神经网络模型的第一层的输入为所述参数协同矩阵。
5.根据权利要求4所述的印制线路板的废料回收系统,其特征在于,所述采样模块,用于以预定采样频率从所述分散液的状态监控视频中提取多个状态监控关键帧。
6.根据权利要求5所述的印制线路板的废料回收系统,其特征在于,所述状态特征提取模块,包括:
浅层特征提取单元,用于从所述第二卷积神经网络模型的第M层提取浅层特征图,其中,M大于等于1且小于等于6;
深层特征提取单元,用于从所述第二卷积神经网络模型的第N层提取深层特征图,其中,N/M大于等于5且小于等于10;
融合单元,用于使用所述第二卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图;以及
池化单元,用于对所述融合特征图进行沿通道维度的全局池化以得到所述关键帧图像特征矩阵。
7.根据权利要求6所述的印制线路板的废料回收系统,其特征在于,所述状态时序变化特征提取模块,进一步用于:
使用所述使用具有三维卷积核的第三卷积神经网络模型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基于局部特征矩阵的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,所述第三卷积神经网络模型的最后一层的输出为所述监控动态特征图,所述第三卷积神经网络模型的第一层的输入为所述三维特征张量。
9.根据权利要求8所述的印制线路板的废料回收系统,其特征在于,所述控制结果生成模块,包括:
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
10.一种印制线路板的废料回收方法,其特征在于,包括:
获取预定时间段内多个预定时间点的温度值和搅拌速度值,以及,所述预定时间段的分散液的状态监控视频;
将所述预定时间段内多个预定时间点的温度值和搅拌速度值分别按照时间维度排列为温度输入向量和速度输入向量后,对所述温度输入向量和所述速度输入向量进行关联编码以得到参数协同矩阵;
将所述参数协同矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵;
基于所述温度输入向量和所述速度输入向量,对所述协同关联特征矩阵进行特征值校正以得到校正后协同关联特征矩阵;
从所述分散液的状态监控视频中提取多个状态监控关键帧;
将所述多个状态监控关键帧通过包含深浅特征融合模块的第二卷积神经网络模型以得到多个关键帧图像特征矩阵;
将所述多个关键帧图像特征矩阵沿着通道维度聚合为三维特征张量后通过使用具有三维卷积核的第三卷积神经网络模型以得到监控动态特征向量;
计算所述校正后协同关联特征矩阵相对于所述监控特征向量的响应性估计以得到分类特征向量;以及
将所述分类特征向量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搅拌速度值应增大或应减小,且当前时间点的温度值应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650103.3A CN115936682B (zh) | 2022-12-21 | 2022-12-21 | 印制线路板的废料回收系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650103.3A CN115936682B (zh) | 2022-12-21 | 2022-12-21 | 印制线路板的废料回收系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936682A true CN115936682A (zh) | 2023-04-07 |
CN115936682B CN115936682B (zh) | 2023-11-07 |
Family
ID=86697680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211650103.3A Active CN115936682B (zh) | 2022-12-21 | 2022-12-21 | 印制线路板的废料回收系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936682B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594303A (zh) * | 2023-05-25 | 2023-08-15 | 浙江荣鑫纤维股份有限公司 | 染布机的控制方法及其系统 |
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 |
CN116859848A (zh) * | 2023-07-12 | 2023-10-10 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
CN116907214A (zh) * | 2023-05-09 | 2023-10-20 | 广东夏和瓷业有限公司 | 环保日用陶瓷的制备工艺及其系统 |
CN117270467A (zh) * | 2023-09-11 | 2023-12-22 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维的生产控制系统及方法 |
CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
CN117942361A (zh) * | 2024-03-19 | 2024-04-30 | 山东森杰清洁科技有限公司 | 一种医用消毒剂及其制备方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995131A (zh) * | 2022-05-25 | 2022-09-02 | 福建德尔科技股份有限公司 | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115983126A (zh) * | 2022-12-30 | 2023-04-18 | 上海华茂药业有限公司 | 异麦芽糖酐铁1000的智能化制备方法 |
-
2022
- 2022-12-21 CN CN202211650103.3A patent/CN115936682B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995131A (zh) * | 2022-05-25 | 2022-09-02 | 福建德尔科技股份有限公司 | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
CN115438577A (zh) * | 2022-08-23 | 2022-12-06 | 浙江东成生物科技股份有限公司 | 酵母水解物智能化制备方法及其系统 |
CN115430344A (zh) * | 2022-08-31 | 2022-12-06 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动配料系统及其配料方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115983126A (zh) * | 2022-12-30 | 2023-04-18 | 上海华茂药业有限公司 | 异麦芽糖酐铁1000的智能化制备方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116907214A (zh) * | 2023-05-09 | 2023-10-20 | 广东夏和瓷业有限公司 | 环保日用陶瓷的制备工艺及其系统 |
CN116907214B (zh) * | 2023-05-09 | 2024-03-08 | 广东夏和瓷业有限公司 | 环保日用陶瓷的制备工艺及其系统 |
CN116594303A (zh) * | 2023-05-25 | 2023-08-15 | 浙江荣鑫纤维股份有限公司 | 染布机的控制方法及其系统 |
CN116859848A (zh) * | 2023-07-12 | 2023-10-10 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
CN116859848B (zh) * | 2023-07-12 | 2024-01-26 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
CN117270467A (zh) * | 2023-09-11 | 2023-12-22 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维的生产控制系统及方法 |
CN117447068A (zh) * | 2023-10-26 | 2024-01-26 | 浙江欧诗漫晶体纤维有限公司 | 多晶莫来石纤维生产线及方法 |
CN117942361A (zh) * | 2024-03-19 | 2024-04-30 | 山东森杰清洁科技有限公司 | 一种医用消毒剂及其制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115936682B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115936682A (zh) | 印制线路板的废料回收系统及其方法 | |
Wang et al. | Towards physics-informed deep learning for turbulent flow prediction | |
Wiewel et al. | Latent space physics: Towards learning the temporal evolution of fluid flow | |
Bai et al. | Improved single shot multibox detector target detection method based on deep feature fusion | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
CN116038854A (zh) | 门加工用成型控制系统及方法 | |
CN109241442B (zh) | 基于预测值填充的项目推荐方法、可读存储介质和终端 | |
Rawat et al. | Reweighted infrared patch image model for small target detection based on non‐convex ℒp‐norm minimisation and TV regularisation | |
CN116820052A (zh) | Pbt材料生产设备及其控制方法 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
CN116027440A (zh) | 大功率电磁探测系统数据处理方法 | |
Kim et al. | Semi-supervised learning of semantic correspondence with pseudo-labels | |
CN115205788A (zh) | 食材质量监控系统 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
Antil et al. | A deep neural network approach for parameterized PDEs and Bayesian inverse problems | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN116258947B (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
CN112819044A (zh) | 用于目标对象的目标操作任务补偿的神经网络的训练方法 | |
CN112861601A (zh) | 生成对抗样本的方法及相关设备 | |
Wen et al. | Deep generative smoke simulator: connecting simulated and real data | |
Chang | DR‐Net: denoising and reconstruction network for 3D human pose estimation from monocular RGB videos | |
CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
CN116835540B (zh) | 一种五氟化磷的制备方法 |
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 |