CN116026889B - 一种生产线ccd检测装置、系统及控制方法 - Google Patents
一种生产线ccd检测装置、系统及控制方法 Download PDFInfo
- Publication number
- CN116026889B CN116026889B CN202211725018.9A CN202211725018A CN116026889B CN 116026889 B CN116026889 B CN 116026889B CN 202211725018 A CN202211725018 A CN 202211725018A CN 116026889 B CN116026889 B CN 116026889B
- Authority
- CN
- China
- Prior art keywords
- baking
- dough
- parameters
- temperature
- baked
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000010438 heat treatment Methods 0.000 claims abstract description 260
- 238000000034 method Methods 0.000 claims abstract description 197
- 238000009826 distribution Methods 0.000 claims abstract description 156
- 239000002994 raw material Substances 0.000 claims abstract description 91
- 238000001816 cooling Methods 0.000 claims abstract description 88
- 239000000047 product Substances 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 69
- 239000011265 semifinished product Substances 0.000 claims abstract description 52
- 230000002950 deficient Effects 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 82
- 238000001931 thermography Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000037303 wrinkles Effects 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims 4
- 235000015173 baked goods and baking mixes Nutrition 0.000 description 33
- 238000012549 training Methods 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003703 image analysis method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000013067 intermediate product Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001073 sample cooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 244000099147 Ananas comosus Species 0.000 description 1
- 235000007119 Ananas comosus Nutrition 0.000 description 1
- 244000299461 Theobroma cacao Species 0.000 description 1
- 235000009470 Theobroma cacao Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- -1 for example Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本说明书实施例提供一种生产线CCD检测控制方法,该方法包括:烘焙开始前,基于大加热管分布参数对烤箱进行预热;获取待烘焙对象的原材料数据;基于原材料数据确定烘焙参数;基于烘焙参数进行烘焙;烘焙过程中,获取烘焙半成品的次品率;响应于次品率大于次品率阈值,调整烘培参数;获取烘焙过程中的温度分布图;响应于烘焙过程中的温度分布图的局部温度发生变化,判断小加热管是否故障;响应于小加热管出现故障,对故障进行处理;烘培结束后,对烘焙成品进行装饰、切割、冷却;获取烘焙结束后的温度分布图;基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间。
Description
技术领域
本说明书涉及生产线CCD(Charge-coupled Device)检测领域,特别涉及一种生产线CCD检测装置、系统及控制方法。
背景技术
随着工业化生产的发展,对于生产效率的要求越来越高,自动化技术融入了生产生活的方方面面,烘焙生产线的自动化技术也愈发成熟。然而,流水线生产烘焙品虽然比传统的手工生产在生产速度上有显著优势,但是在成品质量上,流水线生产的烘焙成品容易存在成品质量参差不齐和次品率高的问题。
CCD检测被广泛用于自动化生产线上,其以非接触的检测方法以及高精度的检测结果帮助工作人员进行生产线的质量把控,可以降低人工成本,给企业带来可观的效益。
因此,为了将CCD检测融入烘焙生产线,借助CCD检测技术的优势实现烘焙自动化生产过程的实时监控,提高烘焙成品的生产效率和生产质量,亟需提出一种生产线CCD检测装置、系统及控制方法。
发明内容
本说明书一个或多个实施例提供一种生产线CCD检测控制方法,该方法基于生产线CCD检测装置执行,生产线CCD检测装置包括:红外热成像装置、CCD检测机构、控制系统、处理器,该方法包括:烘焙开始前,基于大加热管分布参数对烤箱进行预热,大加热管分布参数包括烤箱内每根大加热管中的小加热管的开启数量;获取待烘焙对象的原材料数据,原材料数据至少包括原材料的成分和含量;基于原材料数据确定烘焙参数;基于烘焙参数对待烘焙对象进行烘焙,烘焙包括多个烘焙子工序;烘焙过程中,获取经过一个或多个烘焙子工序处理后得到的烘焙半成品的次品率;响应于次品率大于次品率阈值,调整烘培参数;以及获取红外热成像装置采集的烘焙过程中的温度分布图;响应于烘焙过程中的温度分布图的局部温度发生变化,判断小加热管是否故障;响应于小加热管出现故障,对故障进行处理;烘培结束后,对烘焙成品进行装饰、切割、冷却,对烘焙成品进行冷却包括:获取红外热成像装置采集的烘焙结束后的温度分布图;基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间。
本说明书实施例之一提供一种生产线CCD检测系统,该系统包括:预热模块,用于基于大加热管分布参数对烤箱进行预热,大加热管分布参数包括烤箱内每根大加热管中的小加热管的开启数量;第一获取模块,用于获取待烘焙对象的原材料数据,原材料数据至少包括原材料的成分和含量;确定模块,用于基于原材料数据确定烘焙参数;烘焙模块,用于基于烘焙参数对待烘焙对象进行烘焙,烘焙包括多个烘焙子工序;第二获取模块,用于获取经过一个或多个烘焙子工序处理后得到的烘焙半成品的次品率;调整模块,响应于次品率大于次品率阈值,用于调整烘培参数;第三获取模块,用于获取红外热成像装置采集的烘焙过程中的温度分布图;判断模块,响应于烘焙过程中的温度分布图的局部温度发生变化,用于判断小加热管是否故障;故障处理模块,响应于小加热管出现故障,用于对故障进行处理;成品处理模块,用于对烘焙成品进行装饰、切割、冷却,成品处理模块还用于:获取红外热成像装置采集的烘焙结束后的温度分布图;基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间。
本说明书一个或多个实施例提供一种生产线CCD检测设备,包括处理器,所述处理器用于执行生产线CCD检测控制方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行生产线CCD检测控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的生产线CCD检测系统的应用场景示意图;
图2是根据本说明书一些实施例所示的生产线CCD检测系统的示例性模块图;
图3是根据本说明书一些实施例所示的生产线CCD检测控制方法的示例性流程图;
图4是根据本说明书一些实施例所示的冷却模型的示例性示意图;
图5是根据本说明书一些实施例所示的确定烘焙参数的示例性流程图;
图6是根据本说明书一些实施例所示的调整烘焙参数的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
CCD(Charge-coupled Device,电荷耦合元件)检测是指通过CCD图像传感器,直接将光学信号转换为模拟电流信号,电流信号经过放大和模数转换,实现图像的获取、存储、传输、处理和复现。将CCD检测技术使用到烘焙生产线上,既可以在高温的环境中通过非接触的方式获取烘焙产品的相关信息数据,避免了对烘焙产品造成破坏;又可以保证获取到的数据信息的高精度,大大提高了获取生产线上的信息数据的实时性和准确性;并且,通过CCD检测技术对生产线上的烘焙产品进行信息获取和数据分析,可以及时判断生产过程中存在的问题并及时采取对应的措施,实现对烘焙产品的自动化质量控制,降低企业的用工成本,提高生产效率,确保生产质量。
图1是根据本说明书一些实施例所示的生产线CCD检测系统的应用场景示意图。
在一些实施例中,生产线CCD检测系统的应用场景100可以包括生产线CCD检测装置110、网络120和烘焙生产线130。
生产线CCD检测装置110是指用于实现对烘焙生产线的检测和控制的装置。在一些实施例中,生产线CCD检测装置可以包括红外热成像装置111、CCD检测机构112、控制系统113、处理器114和存储设备115。
红外热成像装置111是指通过热成像原理获取烘焙生产线上的图像的装置。例如,红外热成像装置111可以是红外成像仪、红外热像仪等。在一些实施例中,红外热成像装置111可以被配置为与处理器114通信,以上传红外热成像装置111获取到的烘焙生产线上的图像信息。在一些实施例中,红外热成像装置111可以被配置为与存储设备115通信,以实时或定期(如,每个小时)存储红外热成像装置111获取到的烘焙生产线上的图像信息。
在一些实施例中,红外热成像装置111可以被部署在烘焙生产线上的任意位置。例如,红外热成像装置111可以被设置在面坯传送带上方,以获取面坯的图像信息;又例如,红外热成像装置111可以被设置在烤箱内部,以获取烘焙过程中的图像信息。
CCD检测机构112是指用于实现图像的获取、存储、传输、处理和复现的设备。CCD检测机构112可以包括光学系统、CCD图像传感器、图像处理模块。光学系统可以包括各种光学成像装置,例如,工业相机等。
在一些实施例中,光学系统可以获取烘焙生产线上的光学图像信息。在一些实施例中,光学系统可以被部署在烘焙生产线上的任意位置。例如,光学系统可以被设置在面坯传送带上方,以获取面坯的图像信息;又例如,光学系统可以被设置在烤箱内部,以获取烘焙过程中的图像信息。CCD图像传感器可以将入射的光学信号转换为模拟电流信号。
MOS(金属-氧化物-半导体)电容器是构成CCD的最基本单元。在一些实施例中,CCD图像传感器可以由多个CCD单元构成,并通过各种形式进行排列。例如,CCD图像传感器可以包括线阵CCD(如,单沟道线阵CCD、双沟道线阵CCD等)和面阵CCD(如,帧转移面阵CCD、隔列转移面阵CCD等)。图像处理模块可以用于处理CCD图像传感器输出的电流信号。在一些实施例中,图像处理模块可以是处理器114的一部分。
在一些实施例中,CCD检测机构112可以被配置为与处理器114通信,以上传CCD检测机构112获取到的烘焙生产线上的图像信息或处理后的数据信息(如,电流信号等)。在一些实施例中,CCD检测机构112可以被配置为与存储设备115通信,以实时或定期(如,每个小时)存储CCD检测机构112获取到的烘焙生产线上的图像信息或处理后的数据信息。
控制系统113是指用户使用的一个或多个用于控制生产线CCD检测系统的终端设备或软件。在一些实施例中,用户可以是维护烘焙生产线工作流程的员工。在一些实施例中,控制系统113可以包括人机交互终端和控制器。在一些实施例中,控制系统113的人机交互终端可以是固定的和/或移动的,控制系统113的人机交互终端可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。
在一些实施例中,控制系统113可以包括信号发送器和信号接收器,被配置为与处理器114通信以获取相关信息。在一些实施例中,控制系统113可以通过网络120接收处理器114发送的烤箱中的小加热管的故障情况以及故障处理方案,用户可以通过人机交互终端对故障处理方案进行选择或确定,控制器可以基于故障处理方案对烘焙生产线130中的设备进行控制。
在一些实施例中,控制系统113可以接收用户请求或反馈,并通过网络120将与请求或反馈有关的信息发送到处理器114。例如,控制系统113可以接收用户要求获取烘焙成品的冷却时间的请求,并经由网络120将与请求有关的信息发送到处理器114。
处理器114可以用于处理来自应用场景100的至少一个组件或外部数据源(如,云数据中心)的数据和/或信息。处理器114可以经由网络120连接到红外热成像装置111、CCD检测机构112、控制系统113、存储设备115、和/或烘焙生产线130以访问和/或接收数据和信息。例如,处理器114可以经由网络120接收红外热成像装置111获取到的烘焙生产线上的图像信息;又例如,处理器114可以经由网络120将处理好的相关数据(如,小加热管的故障情况,烘焙成品的冷却时间等)发送至控制系统113。
在一些实施例中,处理器114可以是单个处理器,也可以是处理器组。该处理器组可以是集中式或分布式的(例如,处理器114可以是分布式系统),可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中,处理器114可以本地连接到网络120或者与网络120远程连接。在一些实施例中,处理器114可以在云平台上实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
存储设备115可以用于储存数据和/或指令。数据可以包括与生产线CCD检测系统等有关的数据。在一些实施例中,存储设备115可以储存处理器114用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如,存储设备115可以存储红外热成像装置111获取到的烘焙生产线上的图像信息;又例如,存储设备115可以存储一个或多个机器学习模型。在一些实施例中,存储设备115可以是处理器114的一部分。
在一些实施例中,存储设备115可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中,存储设备115可在云平台上实现。在一些实施例中,存储设备115可以连接到网络120以与应用场景100的一个或以上组件(例如,处理器114)通信。
网络120可以促进信息和/或数据的交换。在一些实施例中,应用场景100中的一个或以上组件(如,红外热成像装置111、CCD检测机构112、存储设备115等)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点,通过这些网络接入点,应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
烘焙生产线130是指对原材料进行加工烘焙以生产烘焙成品的处理流线。烘焙生产线130可以包括多道烘焙工序,例如,预热工序、多道烘焙子工序、对烘焙成品进行装饰、切割、冷却等处理工序。在一些实施例中,红外热成像装置111和CCD检测机构112可以实时或定期(如,每个小时)获取烘焙生产线各个工序过程中的图像信息,并通过网络120将图像信息上传至处理器114进行处理。在一些实施例中,控制系统113可以通过网络120将控制指令下发至烘焙生产线130,并对烘焙设备执行控制操作(如,控制小加热管的开启数量和通过小加热管的电流等)。
应当注意应用场景仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的生产线CCD检测系统的示例性模块图。如图2所示,在一些实施例中,生产线CCD检测系统200可以包括预热模块202、第一获取模块204、确定模块206、烘焙模块208、第二获取模块210、调整模块212、第三获取模块214、判断模块216、故障处理模块218和成品处理模块220。
预热模块202可以用于基于大加热管分布参数对烤箱进行预热,大加热管分布参数包括烤箱内每根大加热管中的小加热管的开启数量。关于大加热管、小加热管、大加热管分布分数及其确定方式参见图3及其相关描述。
第一获取模块204可以用于获取待烘焙对象的原材料数据,原材料数据至少包括原材料的成分和含量。关于待烘焙对象、原材料数据及其获取方式的更多内容参见图3及其相关描述。
确定模块206可以用于基于原材料数据确定烘焙参数。关于烘焙参数及其确定方式的更多内容参见图3、图5及其相关描述。
在一些实施例中,确定模块206还可以用于基于向量数据库,确定每一个所述烘焙子工序的烘焙温度;基于每一个烘焙子工序的烘培温度,确定每一个烘焙子工序在烘焙时开启的小加热管的数量和通过小加热管的电流。
在一些实施例中,确定模块206还可以用于基于待烘焙对象的原材料数据、面坯数据和每一个烘焙子工序的烘培温度,通过预测模型,确定每一个烘焙子工序的烘焙时间;面坯数据至少包括面坯大小、面坯质量以及面坯形状参数,面坯形状参数至少包括面坯形状特征和面坯形状复杂度,面坯形状参数基于待烘焙对象的三维模型确定,预测模型为机器学习模型。
关于向量数据库、烘焙温度及其确定方式、确定每一个烘焙子工序在烘焙时开启的小加热管的数量和通过小加热管的电流的方式、面坯数据、面坯大小、面坯质量、面坯形状参数及其确定方式、面坯形状特征、面坯子形状复杂度、预测模型的更多内容参见图3、图5及其相关描述。
烘焙模块208可以用于基于烘焙参数对待烘焙对象进行烘焙,烘焙包括多个烘焙子工序。关于烘焙和烘焙子工序的更多内容参见图1、图3及其相关描述。
第二获取模块210可以用于获取经过一个或多个烘焙子工序处理后得到的烘焙半成品的次品率。关于烘焙半成品、次品率及其确定方式的更多内容参见图3及其相关描述。
调整模块212可以用于响应于次品率大于次品率阈值,调整烘培参数。关于次品率阈值、调整烘焙参数的方式的更多内容参见图3、图6及其相关描述。
在一些实施例中,调整模块212还可以用于基于烘焙半成品的焦糊特征,判断烘焙半成品是否为次品,焦糊特征包括最大焦糊程度和焦糊比例;响应于焦糊特征满足预设条件,基于焦糊特征,确定每一个烘焙子工序的烘培温度的调整值。关于焦糊特征、最大焦糊程度、焦糊比例、预设条件、烘焙温度的调整值及其确定方式的更多内容参见图6及其相关描述。
第三获取模块214可以用于获取红外热成像装置采集的烘焙过程中的温度分布图。关于烘焙过程中的温度分布图及其获取方式的更多内容参见图3及其相关描述。
判断模块216可以用于响应于烘焙过程中的温度分布图的局部温度发生变化,判断小加热管是否故障。关于判断小加热管是否故障的方式参见图3及其相关描述。
故障处理模块218可以用于响应于小加热管出现故障,对故障进行处理。关于处理故障的方式的更多内容参见图3及其相关描述。
成品处理模块220可以用于对烘焙成品进行装饰、切割、冷却,对烘焙成品进行冷却包括:获取红外热成像装置采集的烘焙结束后的温度分布图;基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间。关于烘焙结束后的温度分布图、冷却环境数据、面坯数据、目标温度分布图、冷却时间及其确定方式的更多内容参见图3、图4及其相关描述。
需要注意的是,以上对于系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,预热模块202和第一获取模块204可以整合在一个模块中。又例如,各个模块可以共用一个存储设备,各个模块也可以分别具有各自的存储设备。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的生产线CCD检测控制方法的示例性流程图。在一些实施例中,流程300可以由生产线CCD检测装置110中的处理器114执行。如图3所示,流程300包括下述步骤:
步骤302,烘焙开始前:基于大加热管分布参数对烤箱进行预热,大加热管分布参数包括烤箱内每根大加热管中的小加热管的开启数量。在一些实施例中,步骤302可以由预热模块202执行。
烤箱中包括多根大加热管,每根大加热管由多根小加热管组成。烤箱在工作时,通过开启小加热管以及控制通过小加热管的电流,使小加热管发热,从而实现烘焙。小加热管可以由各种导热性较好的材料组成,例如,加热管可以是不锈钢管(如,310S材质、840材质等)、石英管等。大加热管和小加热管也可以是各种形状,例如,加热管可以是M型、U型、直线型等。
大加热管分布参数是指表征大加热管中的小加热管的工作情况的参数。例如,大加热管分布参数可以包括小加热管的开启数量和通过小加热管的电流大小。大加热管分布参数可以通过向量进行表示,例如,假设烤箱中共有3根大加热管,分别为X、Y、Z,每根大加热管对应向量中的一个元素,每根大加热管由10根小加热管组成,则大加热管分布参数可以是(3,4,5,27),表示大加热管X开启了3根小加热管,大加热管Y开启了4根小加热管,大加热管Z开启了5根小加热管,通过每根小加热管的电流为27A。
在一些实施例中,通过每根小加热管的电流可以互不相同。例如,大加热管分布参数也可以是(3,25,4,26,5,27),表示大加热管X开启了3根小加热管,通过这3根小加热管的每一根的电流为25A,大加热管Y开启了4根小加热管,通过这4根小加热管的每一根的电流为26A,大加热管Z开启了5根小加热管,通过这5根小加热管的每一根的电流为27A。
在一些实施例中,预热模块202可以通过历史大加热管分布参数和温度分布图确定模型确定大加热管分布参数。
在一些实施例中,预热模块202可以基于历史大加热管分布参数,构建多组候选大加热管分布参数。在一些实施例中,预热模块202可以从存储设备116中获取历史大加热管分布参数。在一些实施例中,预热模块202可以基于历史大加热管分布参数随机构建多组候选大加热管分布参数。例如,预热模块202可以直接将多组历史大加热管分布参数作为多组候选大加热管分布参数;又例如,预热模块202可以抽取不同组的历史大加热管分布参数中的元素并进行重新组合,得到多组候选大加热管分布参数。
温度分布图是指在给定时间的空间某区域内,整个区域的温度随空间位置的变化情况。例如,温度分布图可以包括预热结束后烤箱内的温度分布图,该温度分布图反映烤箱内空箱情况下的温度分布情况;又例如,烘焙过程中烤箱内的温度分布图,该温度分布图反映烤箱内包含烘焙半成品在内的整体的温度分布情况;又例如,烘焙结束后烤箱内的温度分布图,该温度分布图反映烤箱内包含烘焙成品在内的整体的温度分布情况。在一些实施例中,温度分布图可以通过红外热成像装置111采集得到。在一些实施例中,温度分布图可以通过各种温度分布图绘制软件(如,matlab、origin、NCL等)获取。
温度分布图确定模型是指用于获取基于不同组候选大加热管分布参数进行预热后,烤箱内部的温度分布图的模型。在一些实施例中,温度分布图确定模型可以为各种可行的神经网络模型。例如,卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
温度分布图确定模型的输入可以包括多组候选大加热管分布参数。例如,输入可以为三组候选大加热管分布参数A、B、C,A可以为(1,2,3,30),B可以为(2,3,4,26),C可以为(3,4,5,22)。温度分布图确定模型的输出可以包括基于每组候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图。例如,输出可以为基于候选大加热管分布参数A进行预热后得到的烤箱内部的温度分布图。
在一些实施例中,温度分布图确定模型可以基于历史数据单独训练。在一些实施例中,可以基于多个第一训练样本及第一标签训练得到温度分布图确定模型。
在一些实施例中,训练温度分布图确定模型的第一训练样本包括多组样本大加热管分布参数,与第一训练样本相对应的第一标签为每组样本大加热管分布参数对应的温度分布图。第一训练样本可以基于历史数据获取,第一标签可以通过人工标注或自动标注的方式确定。以上说明仅为示例,而非限制,训练数据的第一标签可以通过各种方式获取。
训练时,将第一训练样本输入初始温度分布图确定模型,基于初始温度分布图确定模型的输出与第一标签构建损失函数,通过损失函数更新初始温度分布图确定模型的参数,直到训练的初始温度分布图确定模型满足第一预设条件,获取训练好的温度分布图确定模型,其中,第一预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值等。
在一些实施例中,预热模块202可以基于温度分布图确定模型输出的基于每组候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图,确定温度分布较为均匀的温度分布图,并将该温度分布图对应的一组候选大加热管分布参数作为本次预热所采用的大加热管分布参数。
在一些实施例中,大加热管分布参数可以基于加热均匀度和环境温度确定。
加热均匀度是指用于表征预热结束后烤箱内的温度分布图中温度的均匀情况的指标。加热均匀度可以通过百分数进行表示,例如,加热均匀度可以是80%。在一些实施例中,加热均匀度可以基于预热结束后烤箱内的温度分布图直接确定。例如,根据温度分布图获取整体的平均温度,计算每一个像素点的温度与平均温度的温差,基于所有温差通过各种可行的数学公式进行处理,确定加热均匀度。
在一些实施例中,预热模块202可以基于温度分布图确定模型输出的基于每组候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图,计算得到每一个温度分布图的加热均匀度,并将加热均匀度最大的温度分布图对应的一组候选大加热管分布参数作为本次预热所采用的大加热管分布参数。
环境温度是指在进行烘焙过程中烘焙设备所处的环境的温度。例如,环境温度可以是27℃。在一些实施例中,环境温度可以通过各种温度检测装置(如,温度计)获取。
在一些实施例中,预热模块202可以将环境温度连同多组候选大加热管分布参数一起作为温度分布图确定模型的输入,输出基于每组候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图,进而确定大加热管分布参数。
在一些实施例中,大加热管分布参数还相关于待烘焙对象的面坯数据。
待烘焙对象是指即将对其进行烘焙处理的产品。例如,即将进行烘焙处理的面团。
面坯数据是指待烘焙对象在未开启烘焙前,处于面坯状态时所包含的相关数据,面坯数据至少包括面坯大小、面坯质量以及面坯形状参数。关于面坯数据、面坯大小、面坯质量和面坯形状参数的更多内容参见图5及其相关描述。
在一些实施例中,预热模块202可以基于待烘焙对象的面坯数据确定多组候选大加热管分布参数。例如,对于外形越大,质量越重的面坯,需要的预热后烤箱内的整体温度也越高,因此可以选择相应的多组候选大加热管分布参数,如,小加热管的开启数量较多的候选大加热管分布参数,或者通过小加热管的电流较高的候选大加热管分布参数。在一些实施例中,预热模块202可以基于待烘焙对象的面坯数据确定合适的预热后得到的烤箱内部的温度分布图,进而确定大加热管分布参数。例如,对于外形越大,质量越重的面坯,需要的预热后烤箱内的整体温度也越高,因此可以选择预热后得到的烤箱内部的温度分布图中整体温度较高的温度分布图,进而确定该温度分布图对应的大加热管分布参数。
在本说明书的一些实施例中,在确定大加热管分布参数时,结合加热均匀度、环境温度和待烘焙对象的面坯数据进行综合考虑,可以兼顾待烘焙对象的自身情况、烘焙设备的情况、烘焙环境的情况等多方面因素,确保最终确定的大加热管分布参数更符合实际需求。
步骤304,获取待烘焙对象的原材料数据,原材料数据至少包括原材料的成分和含量。在一些实施例中,步骤304可以由第一获取模块204执行。
原材料数据是指待烘焙对象所使用的原材料的相关数据,原材料数据至少包括原材料的成分和含量。例如,原材料数据可以包括小苏打10%、鸡蛋40%、可可粉5%等。在一些实施例中,原材料数据可以基于烘焙配方确定。例如,不同类型的烘焙成品对应不同的烘焙配方,不同的烘焙配方可以提前存储至存储设备116中。
步骤306,基于原材料数据确定烘焙参数。在一些实施例中,步骤306可以由确定模块206执行。
烘焙参数是指表征烘焙过程中烤箱的工作情况的参数,烘焙参数可以包括烘焙温度和烘焙时间。烘焙温度是指烘焙过程中需要达到的温度,例如,烘焙温度可以是50℃。烘焙时间是指在烘焙温度下对待烘焙对象的处理时间。例如,烘焙时间可以是10min。
整个烘焙过程可以包括多个烘焙子工序,每一个烘焙子工序对应一个烘焙温度和一个烘焙时间。烘焙参数可以分别表示单独的每一个烘焙子工序对应的烘焙温度和烘焙时间。例如,某一个烘焙子工序的烘焙温度为50℃,烘焙时间为10min。烘焙参数也可以通过向量的方式表示所有烘焙子工序对应的烘焙温度和烘焙时间的。例如,假设整个烘焙过程包括三个烘焙子工序,则整个烘焙过程的烘焙参数可以是(50,10,80,5,60,9),表示第一个烘焙子工序的烘焙温度为50℃,烘焙时间为10min;第二个烘焙子工序的烘焙温度为80℃,烘焙时间为5min;第三个烘焙子工序的烘焙温度为60℃,烘焙时间为9min。
在一些实施例中,确定模块206可以通过建模或各种可行的数据分析方法,对原材料数据进行分析处理,确定烘焙参数。
在一些实施例中,确定模块206可以基于历史原材料数据、历史面坯数据和历史烘焙参数建立表格,通过查表的方式确定本次烘焙所采用的烘焙参数。例如,可以将历史原材料数据、历史面坯数据及其对应的历史烘焙参数建立烘焙参数参考表,并将烘焙参数参考表存储在存储设备115中,确定模块206可以基于本次烘焙的原材料数据和面坯数据,通过查表的方式查找相同的历史原材料数据和相同的历史面坯数据,并将该历史原材料数据和该历史面坯数据对应的历史烘焙参数作为本次烘焙所采用的烘焙参数。
在一些实施例中,确定模块206可以基于向量数据库,确定每一个烘焙子工序的烘焙温度;基于待烘焙对象的原材料数据、面坯数据和每一个烘焙子工序的烘培温度,通过预测模型,确定每一个烘焙子工序的烘焙时间;从而基于每一个烘焙子工序的烘焙温度和烘焙时间,确定烘焙参数。
关于向量数据库、面坯数据、确定每一个烘焙子工序的烘焙温度和烘焙时间的方式的更多内容参见图5及其相关描述。
步骤308,基于烘焙参数对待烘焙对象进行烘焙,烘焙包括多个烘焙子工序。在一些实施例中,步骤308可以由烘焙模块208执行。
整个烘焙过程可以包括多个烘焙子工序,烘焙子工序的数量可以根据先验经验预设,不同的烘焙子工序可以采用相同的或不同的烘焙温度和烘焙时间。关于烘焙温度和烘焙时间的更多内容参见前文步骤306及其相关描述。
步骤310,烘焙过程中:获取经过一个或多个烘焙子工序处理后得到的烘焙半成品的次品率。在一些实施例中,步骤310可以由第二获取模块210执行。
烘焙半成品是指经过一个或多个烘焙子工序处理后得到的中间品。例如,整个烘焙过程共有三个烘焙子工序,烘焙半成品可以是经过第一个烘焙子工序处理后得到的中间品,也可以是经过第一和第二个烘焙子工序处理后得到的中间品。
次品率是指烘焙半成品中不满足质量要求的次品所占的比例。例如,烘焙半成品共有10个,其中,不满足质量要求的次品有3个,则次品率为30%。
在一些实施例中,第二获取模块210可以通过CCD检测机构对烘焙半成品进行检测,基于烘焙半成品的焦糊特征,判断烘焙半成品是否为次品,进而确定次品率。关于焦糊特征、判断烘焙半成品是否为次品的更多内容参见图6及其相关描述。
步骤312,响应于次品率大于次品率阈值,调整烘培参数。在一些实施例中,步骤312可以由调整模块212执行。
次品率阈值是指用于判断次品率是否满足要求的一个具体的数值。例如,次品率阈值可以是40%,则当次品率为30%时,次品率小于次品率阈值,不需要调整烘焙参数;当次品率为50%时,次品率大于次品率阈值,需要调整烘焙参数。
在一些实施例中,调整模块212可以根据次品的情况,基于先验经验对烘焙参数进行调整。例如,次品的情况为烘焙半成品未熟透,则可以调高烘焙参数中的烘焙温度和/或延长烘焙参数中的烘焙时间;又例如,次品的情况为烘焙半成品过于焦糊,则可以调低烘焙参数中的烘焙温度和/或缩短烘焙参数中的烘焙时间。
在一些实施例中,调整模块212可以基于烘焙半成品的焦糊特征,确定每一个烘焙子工序的烘培温度的调整值,从而实现对烘焙参数的调整。
关于焦糊特征、确定每一个烘焙子工序的烘培温度的调整值的方式的更多内容参见图6及其相关描述。
步骤314,获取红外热成像装置采集的烘焙过程中的温度分布图。在一些实施例中,步骤314可以由第三获取模块214执行。
关于温度分布图的更多内容参见步骤302及其相关描述。
步骤316,响应于烘焙过程中的温度分布图的局部温度发生变化,判断小加热管是否故障。在一些实施例中,步骤316可以由判断模块216执行。
在一些实施例中,判断模块216可以通过各种图像分析方法,分析烘焙过程中的温度分布图,当烘焙过程中的温度分布图的局部温度发生变化,则判断模块216判断小加热管是否故障。
局部温度发生变化是指烘焙过程中的温度分布图中某一部分的温度情况发生变化。对于每一个烘焙子工序来说,烘焙温度是固定不变的,因此其对应的烘焙过程中的温度分布图也是固定不变的,若烘焙过程中的温度分布图的局部发生变化(如,温度上升或下降等),则说明可能是小加热管出现故障。例如,烘焙过程中的温度分布图中显示烤箱中心位置的温度突然下降,则说明烤箱中心位置的小加热管可能出现故障。
在一些实施例中,判断模块216可以获取小加热管的实时工作情况数据,例如,小加热管是否开启以及通过小加热管的电流等,从而判断小加热管是否故障。在一些实施例中,判断模块216可以将异常情况发送至控制系统113,通知工作人员对烤箱的小加热管进行检查,从而判断小加热管是否故障。
步骤318,响应于小加热管出现故障,对故障进行处理。在一些实施例中,步骤318可以由故障处理模块218执行。
在一些实施例中,故障处理模块218可以基于小加热管的故障情况,确定对应的故障处理方案,并发送至控制系统113。例如,判断模块216确定小加热管出现故障,故障为小加热管短路,则故障处理模块218确定对应的故障处理方案为开启另一根小加热管和更换故障的小加热管,故障处理模块218自动开启另一根小加热管,并将该故障处理方案发送至控制系统113,通知工作人员对故障小加热管进行更换。
步骤320,烘培结束后:对烘焙成品进行装饰、切割、冷却,对烘焙成品进行冷却包括:获取红外热成像装置采集的烘焙结束后的温度分布图;基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间。在一些实施例中,步骤320可以由成品处理模块220执行。
目标温度分布图是指烘焙成品冷却后得到的温度分布图。关于温度分布图、烘焙结束后的温度分布图的更多内容参见步骤302及其相关描述。
冷却环境数据是指烘焙成品在冷却过程中所处的环境的相关数据。例如,冷却环境数据可以包括环境的温度、环境的湿度、环境的空气流速等。
面坯数据是指待烘焙对象在未开启烘焙前,处于面坯状态时所包含的相关数据。例如,面坯的大小、面坯的重量等。关于面坯数据的更多内容参见图5及其相关描述。
烘焙成品是指待烘焙对象经过整个烘焙过程处理后得到的最终成品。
冷却时间是指烘焙成品进行冷却降温所需要的时间。例如,冷却时间可以是30min。
在一些实施例中,成品处理模块220可以通过建模或各种可行的数据分析方法,对原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图进行处理,确定烘焙成品的冷却时间。
在一些实施例中,成品处理模块220可以基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图构建特征向量。基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图构建特征向量的方式可以有多种。例如,原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图可以通过一个向量a进行表示,将向量a作为特征向量;又例如,原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图可以通过几个向量进行表示,如,向量b表示原材料数据,向量c表示冷却环境数据,向量d表示面坯数据、向量e表示烘焙结束后的温度分布图,向量f表示目标温度分布图,再基于向量b、c、d、e、f通过数学运算构建一个特征向量g。
存储设备115中包含多个参考向量,以及多个参考向量中的每个参考向量对应的冷却时间。
参考向量基于历史原材料数据、历史冷却环境数据、历史面坯数据、历史烘焙结束后的温度分布图和历史目标温度分布图构建,参考向量对应的冷却时间为对应的历史烘焙成品的冷却时间。待匹配向量基于当前原材料数据、当前冷却环境数据、当前面坯数据、当前烘焙结束后的温度分布图和当前目标温度分布图构建。参考向量和待匹配向量的构建方式参见上述特征向量。
在一些实施例中,成品处理模块220可以分别计算参考向量与待匹配向量之间的向量距离(如,余弦距离等),确定待匹配向量对应的冷却时间。例如,将与待匹配向量之间的向量距离满足预设条件的参考向量作为目标向量,将目标向量对应的冷却时间作为待匹配向量对应的冷却时间。预设条件可以根据情况设定。例如,预设条件可以是向量距离最小或向量距离小于距离阈值等。
在一些实施例中,成品处理模块220可以通过冷却模型,对原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图进行处理,确定烘焙成品的冷却时间。关于冷却模型的更多内容参见图4及其相关描述。
在本说明书的一些实施例中,在烘焙开始前,通过大加热管分布参数对烤箱进行预热,可以使烤箱温度分布均匀,保证对待烘焙对象进行烘焙处理时温度的均匀性,并且基于原材料数据确定烘焙参数,可以结合不同原材料的实际情况确定相匹配的烘焙参数,提高烘焙质量;在烘焙过程中,基于次品率以及烘焙过程中的温度分布图对烘焙参数进行调整,可以根据烘焙过程的实际情况对烘焙成品的质量进行全程把控,并且及时发现故障,对故障进行处理,有效降低了烘焙过程中的损失,保证烘焙过程的有序进行;在烘焙结束后,基于原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图,确定烘焙成品的冷却时间,可以使得确定的冷却时间更符合烘焙成品的需求,保证烘焙成品的最优口感;整个烘焙过程通过生产线CCD装置进行处理,实现了烘焙过程的自动化,降低了人工成本,提高了生产效率和生产质量。
图4是根据本说明书一些实施例所示的冷却模型的示例性示意图。
在一些实施例中,成品处理模块220可以通过冷却模型,对原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图进行处理,确定烘焙成品的冷却时间。
冷却模型是指用于确定烘焙成品的冷却时间的模型。在一些实施例中,冷却模型460可以为各种可行的神经网络模型。例如,图神经网络(Graph Neural Network)、卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。在一些实施例中,冷却模型460可以对原材料数据410、冷却环境数据420、面坯数据430、烘焙结束后的温度分布图440和目标温度分布图450进行处理,获取冷却时间470。
如图4所示,冷却模型460的输入可以包括原材料数据410、冷却环境数据420、面坯数据430、烘焙结束后的温度分布图440和目标温度分布图450。例如,输入的原材料数据410可以是原材料的成分、含量等;输入的冷却环境数据420可以是环境的温度、环境的湿度、环境的空气流速等;输入的面坯数据430可以是面坯的大小、重量等;输入的烘焙结束后的温度分布图440和目标温度分布图450可以是图像数据。冷却模型460的输出可以包括冷却时间470。例如,输出的冷却时间470可以是30min。
在一些实施例中,冷却模型可以基于历史数据单独训练。在一些实施例中,可以基于多个第二训练样本及第二标签训练得到冷却模型。
在一些实施例中,训练冷却模型的第二训练样本包括样本原材料数据、样本冷却环境数据、样本面坯数据、样本烘焙结束后的温度分布图和样本目标温度分布图,与第二训练样本相对应的第二标签为样本冷却时间。第二训练样本可以基于历史数据获取,第二标签可以通过人工标注或自动标注的方式确定。以上说明仅为示例,而非限制,训练数据的第二标签可以通过各种方式获取。
训练时,将第二训练样本输入初始冷却模型,基于初始冷却模型的输出与第二标签构建损失函数,通过损失函数更新初始冷却模型的参数,直到训练的初始冷却模型满足第二预设条件,获取训练好的冷却模型,其中,第二预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值等。
在本说明书的一些实施例中,通过冷却模型对原材料数据、冷却环境数据、面坯数据、烘焙结束后的温度分布图和目标温度分布图进行处理,确定烘焙成品的冷却时间,可以结合烘焙成品的自身相关数据、烘焙环境的相关信息数据等多种影响因素,使得最终确定的冷却时间更符合烘焙成品的真实需求,确保烘焙成品的最优口感,并且,通过冷却模型确定冷却时间,可以在短时间内处理大量数据,提高了确定冷却时间的效率和准确性。
图5是根据本说明书一些实施例所示的确定烘焙参数的示例性流程图。在一些实施例中,流程500可以由确定模块206执行。如图5所示,流程500包括下述步骤:
步骤510,基于向量数据库,确定每一个烘焙子工序的烘焙温度。
向量数据库是指存储在存储设备115中的包含有大量向量数据的集合。在一些实施例中,向量数据库中的向量可以基于历史数据构建。在一些实施例中,向量数据库中的向量可以基于当前数据构建,并实时存储至向量数据库中。在一些实施例中,向量数据库中的向量可以是基于各种数据构建的向量。例如,基于原材料数据构建的特征向量、基于面坯数据构建的特征向量、基于原材料数据和面坯数据共同构建的特征向量等。
每一个烘焙子工序对应一个烘焙温度,每一个烘焙子工序对应的烘焙温度可以相同,也可以不同。每一个烘焙子工序对应的烘焙温度可以组成整个烘焙过程的烘焙温度。关于烘焙温度的更多内容参见图3及其相关描述。
在一些实施例中,确定模块206可以基于原材料数据和面坯数据构建特征向量。基于原材料数据和面坯数据构建特征向量的方式可以有多种。例如,原材料数据和面坯数据可以通过向量进行表示,基于原材料数据(x,y,p,q,j,k)和面坯数据(o,s)构建的特征向量z。其中,原材料数据(x,y,p,q,j,k)可以表示原材料的第一种成分为x,含量为y;原材料的第二种成分为p,含量为q;原材料的第三种成分为j,含量为k。面坯数据(o,s)可以表示面坯的大小为o,面坯的重量为s。
存储设备115的向量数据库中包含多个参考向量,以及多个参考向量中的每个参考向量对应的整个烘焙过程的烘焙温度。该烘焙温度为整个烘焙过程所有烘焙子工序的烘焙温度的汇总,例如,整个烘焙过程有三个烘焙子工序,则烘焙温度可以为(50,60,70),表示第一个烘焙子工序的烘焙温度为50℃,第二个烘焙子工序的烘焙温度为60℃,第三个烘焙子工序的烘焙温度为70℃。
参考向量基于历史原材料数据和历史面坯数据构建,参考向量对应的烘焙温度为对应的历史原材料数据进行烘焙所需要的烘焙温度。待匹配向量基于当前原材料数据和当前面坯数据构建。参考向量和待匹配向量的构建方式参见上述特征向量。
在一些实施例中,确定模块206可以分别计算参考向量与待匹配向量之间的向量距离(如,余弦距离等),确定待匹配向量对应的整个烘焙过程的烘焙温度。例如,将与待匹配向量之间的向量距离满足预设条件的参考向量作为目标向量,将目标向量对应的整个烘焙过程的烘焙温度作为待匹配向量对应的整个烘焙过程的烘焙温度。预设条件可以根据情况设定。例如,预设条件可以是向量距离最小或向量距离小于距离阈值等。
步骤520,基于每一个烘焙子工序的烘培温度,确定每一个烘焙子工序在烘焙时开启的小加热管的数量和通过小加热管的电流。
在一些实施例中,确定模块206可以通过对每一个烘焙子工序在烘焙时开启的小加热管的数量和通过小加热管的电流进行调整,使烤箱内的温度达到烘焙子工序对应的烘焙温度。
在一些实施例中,确定模块206可以基于每一个烘焙子工序的烘焙温度,通过查表的方式,确定每一个烘焙子工序在烘焙时开启的小加热管的数量和通过小加热管的电流。例如,确定模块206可以从存储设备115中获取每一个烘焙子工序的历史烘培温度及其对应的小加热管的开启数量和通过小加热管的电流,建立小加热管工作管理表,确定模块206可以基于每一个烘焙子工序的当前烘培温度,通过查表的方式查找相同的烘焙子工序对应的烘焙温度,并把该烘焙温度对应的小加热管的开启数量和通过小加热管的电流作为当前烘焙子工序对应的小加热管的开启数量和通过小加热管的电流。
在一些实施例中,确定模块206可以固定通过每根小加热管的电流,成倍增加或减小小加热管的开启数量,以使烤箱内的温度达到烘焙子工序对应的烘焙温度。
小加热管的开启数量的增加或减小的倍数基于烘焙过程中的温度分布图中的温度数据确定。例如,确定模块206可以基于烘焙过程中历史的温度分布图中的温度数据和该温度数据对应的小加热管的历史开启数量,建立小加热管开启数量参考表,基于烘焙过程中的温度分布图中的温度数据,通过查表得方式查找与温度数据相同的历史温度数据,并获取历史温度数据对应的小加热管的历史开启数量,根据小加热管的历史开启数量和当前开启数量,确定小加热管的开启数量的增加或减小的倍数。
例如,烘焙过程中的温度分布图中的平均温度为100℃,根据小加热管开启数量参考表,烘焙过程中历史的温度分布图中的平均温度为100℃时,对应的大加热管参数为(6,4,2,27),表示大加热管X开启了6根小加热管,大加热管Y开启了4根小加热管,大加热管Z开启了2根小加热管,通过每根小加热管的电流为27A;而当前的大加热管参数为(3,2,1,27),表示烤箱内共有三根大加热管X、Y、Z,大加热管X开启了3根小加热管,大加热管Y开启了2根小加热管,大加热管Z开启了1根小加热管,通过每根小加热管的电流为27A;因此,为了使烤箱内的平均温度达到100℃,需要增加两倍的小加热管开启数量。
在一些实施例中,确定模块206可以固定小加热管的开启数量,同时增大或减小通过每根小加热管的电流,以使烤箱内的温度达到烘焙子工序对应的烘焙温度。
通过每根小加热管的电流的调整幅度基于烘焙过程中的温度分布图中的温度数据确定。例如,确定模块206可以基于烘焙过程中历史的温度分布图中的温度数据和该温度数据对应的通过小加热管的历史电流,建立小加热管电流参考表,基于烘焙过程中的温度分布图中的温度数据,通过查表得方式查找与温度数据相同的历史温度数据,并获取历史温度数据对应的通过小加热管的历史电流,根据通过小加热管的历史电流和通过小加热管的当前电流,确定通过每根小加热管的电流的调整幅度。
例如,烘焙过程中的温度分布图中的平均温度为100℃,根据小加热管电流参考表,烘焙过程中历史的温度分布图中的平均温度为100℃时,对应的大加热管参数为(3,2,1,29),表示大加热管X开启了3根小加热管,大加热管Y开启了2根小加热管,大加热管Z开启了1根小加热管,通过每根小加热管的电流为29A;而当前的大加热管参数为(3,2,1,27),表示烤箱内共有三根大加热管X、Y、Z,大加热管X开启了3根小加热管,大加热管Y开启了2根小加热管,大加热管Z开启了1根小加热管,通过每根小加热管的电流为27A;为了使烤箱内的平均温度达到100℃,需要将通过每根小加热管的电流增加至29A。
在一些实施例中,确定模块206可以结合上述两种方法,同时调整小加热管的开启数量和通过每根小加热管的电流,以使烤箱内的温度达到烘焙子工序对应的烘焙温度。
在本说明书的一些实施例中,在调整烤箱内的温度使其达到烘焙子工序对应的烘焙温度时,可以通过调整小加热管的开启数量来实现对烤箱内的温度的快速调节,当调整小加热管的开启数量无法更精确地调节烤箱内的温度时,可以结合调整通过小加热管的电流的方式来进一步对烤箱内的温度进行微调,从而使得对烤箱内的温度的调整更灵活,同时确保了调整后的温度的准确度。
在一些实施例中,确定模块206可以基于待烘焙对象的原材料数据、面坯数据和每一个烘焙子工序的烘培温度,通过预测模型,确定每一个烘焙子工序的烘焙时间;面坯数据至少包括面坯大小、面坯质量以及面坯形状参数,面坯形状参数至少包括面坯形状特征和面坯形状复杂度,面坯形状参数基于面坯的三维模型确定,预测模型为机器学习模型。
关于原材料数据的更多内容参见图3及其相关描述。
面坯数据是指待烘焙对象在未开启烘焙前,处于面坯状态时所包含的相关数据,面坯数据至少包括面坯大小、面坯质量以及面坯形状参数。
面坯大小是指用于表征面坯的外形大小的参数。面坯大小可以通过不同的等级进行表示,例如,可以通过Ⅰ~Ⅴ级表示面坯大小,等级越高,面坯越大。确定模块206可以通过CCD检测机构112获取面坯的外形尺寸数据,并基于外形尺寸数据确定面坯大小对应的等级。例如,Ⅰ~Ⅴ级对应不同范围的面坯底部的外轮廓周长,当周长小于10cm时,面坯大小为Ⅰ级;当周长为10~20cm时,面坯子大小为Ⅱ级,依次类推;若当前面坯底部的外轮廓周长为13.5cm,则该面坯大小对应的等级为Ⅱ级。
面坯质量是指面坯的重量。例如,面坯质量可以是800g。面坯质量可以通过各种重量测量装置来获取,例如,在烘焙开始前通过重量传感器获取面坯的重量,并上传至处理器114。
面坯形状参数是指用于表征面坯外形的相关情况的参数。面坯形状参数至少包括面坯形状特征和面坯形状复杂度。
面坯形状特征是指反映面坯外形特点的特征。例如,面坯形状特征可以包括面坯外表面的关键点的位置信息、面坯外表面任意两个关键点之间的直线距离等。
面坯形状复杂度是指面坯外形形状的复杂程度。面坯形状复杂度可以通过百分数表示,例如,面坯形状复杂度可以是80%。
在一些实施例中,确定模块206可以通过下述子步骤S1-S4确定面坯形状参数。
步骤S1:确定模块206可以通过CCD检测机构112获取面坯的图像或外形的相关参数,进而通过各种三维模型生成方法(如,PixelNeRF、Pix2NeRF、GRF等)得到面坯的三维模型。
步骤S2:确定模块206可以基于面坯的三维模型,获取三维模型的拓扑形状结构。
步骤S3:确定模块206可以基于三维模型的拓扑形状结构,获取拓扑形状结构的关键点。
步骤S4:确定模块206可以汇总各个关键点以及关键点和关键点之间的信息数据,作为面坯形状参数。例如,面坯形状参数可以包括关键点的数量、关键点的三维坐标、关键点与关键点之间的距离等。
在一些实施例中,面坯形状复杂度相关于关键点的数量,关键点的数量越多,面坯形状复杂度越高。
预测模型是指用于确定每一个烘焙子工序的烘焙时间的模型。在一些实施例中,预测模型可以为各种可行的神经网络模型。例如,图神经网络(Graph Neural Network)、卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep NeuralNetworks,DNN)等或其组合。在一些实施例中,预测模型可以对原材料数据、面坯数据、每一个烘焙子工序的烘培温度、多组预设烘焙时间进行处理,获取基于不同组预设烘焙时间得到烘焙成品的表面质量和烘焙结束后的温度分布图。
预测模型的输入可以包括原材料数据、面坯数据、每一个烘焙子工序的烘培温度、多组预设烘焙时间。例如,输入的原材料数据可以是原材料的成分和含量;输入的面坯数据可以是面坯形状特征和面坯形状复杂度;输入的每一个烘焙子工序的烘培温度可以是上述步骤510中获得的烘焙温度。
多组预设烘焙时间是指多组提前获取的整个烘焙过程对应的烘焙时间,每一组烘焙时间包含每一个烘焙子工序的烘焙时间。例如,整个烘焙过程共包含三个烘焙子工序,则其中一组烘焙时间可以是(30,40,50),表示第一个烘焙子工序的烘焙时间为30min,第二个烘焙子工序的烘焙时间为40min,第三个烘焙子工序的烘焙时间为50min;另一组烘焙时间可以是(32,41,49),表示第一个烘焙子工序的烘焙时间为32min,第二个烘焙子工序的烘焙时间为41min,第三个烘焙子工序的烘焙时间为49min。在一些实施例中,确定模块206可以从存储设备115中获取多组历史烘焙时间作为多组预设烘焙时间。
预测模型的输出可以包括基于不同组预设烘焙时间得到烘焙成品的表面质量和烘焙结束后的温度分布图。关于烘焙结束后的温度分布图的更多内容参见图3及其相关描述。
烘焙成品的表面质量是指用于表征烘焙结束后成品表面的烘焙效果的参数。烘焙成品的表面质量可以使用分值进行表示,例如,可以通过分值1-10表示烘焙成品的表面质量,分值越高,质量越高。
在一些实施例中,烘焙成品的表面质量可以基于烘焙成品的形状参数和烘焙成品的颜色参数确定。
烘焙成品的形状参数是指用于表征烘焙成品外形的相关情况的参数。例如,烘焙成品的形状大小等。在一些实施例中,确定模块206可以将所有烘焙成品划分成几个区域,针对每一个区域采集烘焙成品的形状参数。例如,可以将所有烘焙成品划分成接触烤箱底部的烘焙成品区域、未接触烤箱上部的待装饰的烘焙成品区域等。针对每一个区域获取烘焙成品的形状参数的方式与获取面坯形状参数的方式相同,在此不再赘述。
颜色参数是指用于表征烘焙成品外形的颜色的参数。例如,烘焙成品与标准烘焙成品在颜色方面的差异程度等。在一些实施例中,确定模块206可以通过CCD检测机构获取烘焙成品的图像,并通过图像分析方法,计算烘焙成品与标准烘焙成品之间的颜色相似度,将计算得到的相似度作为颜色参数。在一些实施例中,确定模块206可以将所有烘焙成品划分成几个区域,针对每一个区域采集烘焙成品的颜色参数。
在一些实施例中,确定模块206可以针对不同区域得到的烘焙成品的形状参数和烘焙成品的颜色参数,确定不同区域的烘焙成品的表面质量,基于不同区域的烘焙成品的表面质量确定最终的烘焙成品的表面质量。例如,将烘焙成品划分为4个区域,每个区域对应的烘焙成品的表面质量分别为5分,4分,6分,1分,通过求平均值的方式对不同区域的烘焙成品的表面质量进行处理,得到最终的烘焙成品的表面质量为4分。
在一些实施例中,预测模型可以基于历史数据单独训练。在一些实施例中,可以基于多个第三训练样本及第三标签训练得到预测模型。
在一些实施例中,训练预测模型的第三训练样本包括样本原材料数据、样本面坯数据、样本烘焙子工序的烘培温度、多组样本预设烘焙时间,与第三训练样本相对应的第三标签为分别基于每一组预设烘焙时间得到烘焙成品实际的表面质量和烘焙结束后实际的温度分布图。第三训练样本可以基于历史数据获取,第三标签可以通过人工标注或自动标注的方式确定。以上说明仅为示例,而非限制,训练数据的第三标签可以通过各种方式获取。
训练时,将第三训练样本输入初始预测模型,基于初始预测模型的输出与第三标签构建损失函数,通过损失函数更新初始预测模型的参数,直到训练的初始预测模型满足第三预设条件,获取训练好的预测模型,其中,第三预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值等。
在一些实施例中,确定模块206可以基于预测模型输出的基于不同组预设烘焙时间得到的烘焙成品的表面质量和烘焙结束后的温度分布图,选取烘焙成品的表面质量大于质量阈值(如,8分),且烘焙结束后的温度分布图中每一像素点的温度都高于温度阈值(如,70℃)的输出结果对应的一组预设烘焙时间,将该组预设烘焙时间作为本次烘焙所采用的烘焙时间。温度阈值可以基于烘焙成品的类型确定。例如,烘焙一个菠萝包至少需要50℃,则温度阈值为50℃。
在本说明书的一些实施例中,通过向量数据库来获取烘焙温度,可以快速确定烘焙温度,减轻处理器的运行负荷;通过预测模型预测不同组预设烘焙时间对应的烘焙成品的情况,进而基于烘焙成品的情况确定最终的烘焙时间,可以确保得到的烘焙时间的准确性;并且,基于面坯的三维模型获取面坯数据、基于烘焙成品的三维模型获取烘焙成品的形状参数,可以增加预测模型输入的参数的丰富性,进一步提高预测模型输出结果的准确度。
图6是根据本说明书一些实施例所示的调整烘焙参数的示例性流程图。在一些实施例中,流程600可以由调整模块212执行。如图6所示,流程600包括下述步骤:
步骤610,基于烘焙半成品的焦糊特征,判断烘焙半成品是否为次品,焦糊特征包括最大焦糊程度和焦糊比例。
关于烘焙半成品的更多内容参见图3及其相关描述。
焦糊特征是指表征烘焙半成品的焦糊情况的特征。当烘焙半成品与标准烘焙半成品的颜色相似度小于颜色阈值,则认为烘焙半成品已焦糊,该烘焙半成品为次品。调整模块212可以通过图像分析方法,计算烘焙半成品与标准烘焙半成品的颜色相似度,通过系统自动设定或人工设置颜色阈值,从而判断烘焙半成品是否为次品。例如,颜色阈值为80%,烘焙半成品与标准烘焙半成品的颜色相似度为70%,则该烘焙半成品已焦糊,为次品。
在一些实施例中,焦糊特征包括最大焦糊程度和焦糊比例。
最大焦糊程度是指次品中,次品的焦糊部分与标准烘焙半成品的相应部分的颜色相比的最大差异程度。例如,最大焦糊程度可以是80%。调整模块212可以通过图像分析方法,计算所有次品的焦糊部分与标准烘焙半成品的相应部分的颜色相似度,基于颜色相似度的最小值确定最大差异程度,并将该最大差异程度作为最大焦糊程度。例如,共有5个次品,计算得到的所有次品的焦糊部分与标准烘焙半成品的相应部分的颜色相似度分别为5%、10%、15%、20%、30%,其中,颜色相似度的最小值为5%,则最大差异程度为95%,最大焦糊程度为95%。
焦糊比例是指本批次所有烘焙半成品中的次品所占的比例。例如,本批次烘焙半成品共有100个,其中次品为10个,则焦糊比例为1/10。
步骤620,响应于焦糊特征满足预设条件,基于焦糊特征,确定每一个烘焙子工序的烘培温度的调整值。
预设条件是指用于判断焦糊特征是否满足要求的条件。预设条件可以基于先验经验确定。例如,预设条件可以是烘焙半成品与标准烘焙半成品的颜色相似度小于颜色阈值(如,80%),焦糊特性中的最大焦糊程度大于焦糊阈值(如,70%),且焦糊特征中的焦糊比例大于比例阈值(如,1/5)。
在一些实施例中,预设条件相关于面坯的表面褶皱率。
表面褶皱率是指用于反映面坯表面褶皱程度的参数。表面褶皱率可以通过百分数进行表示,例如,表面褶皱率可以是30%。在一些实施例中,表面褶皱率可以基于面坯形状参数确定。关于面坯形状参数的更多内容参见图5及其相关描述。
面坯的表面褶皱率不同,则面坯的受热情况不同,因此可以基于表面褶皱率适应性调整预设条件中的颜色阈值、焦糊阈值和比例阈值等。例如,表面褶皱率越高,则预设条件中设置的颜色阈值相应降低。
在本说明书的一些实施例中,基于面坯的表面褶皱率适应性调整预设条件,可以综合考虑到不同面坯外形的实际情况,以及不同面坯的受热差异,从而使得预设条件的设置更合理。
调整值是指对每一个烘焙子工序的烘培温度进行调整的幅度。例如,调整值可以是-5℃,表示降低5℃。
在一些实施例中,调整模块212可以根据焦糊特征,基于先验经验确定每一个烘焙子工序的烘培温度的调整值。例如,焦糊特征中的最大焦糊程度高达90%,焦糊特征中的焦糊比例高达2/3,则可以加大调整值的降温数值。
在一些实施例中,调整模块212可以基于历史焦糊特征,确定每一个烘焙子工序的烘培温度的调整值。例如,调整模块212可以从存储设备115中获取历史焦糊特征以及对应的调整值,建立调整值参考表,基于当前焦糊特征,查找与当前焦糊特征相同的历史焦糊特征,将历史焦糊特征对应的调整值作为当前焦糊特征对应的调整值。
在一些实施例中,焦糊特征还包括焦糊分布。
焦糊分布用于表示次品中的焦糊区域的分布情况。例如,焦糊分布可以表示次品中的焦糊区域集中分布在接近烤箱底部的情况。
在一些实施例中,调整模块212可以基于焦糊区域的分布情况,优化每一个烘焙子工序的烘焙温度。
在一些实施例中,调整模块212可以根据焦糊区域的分布情况,基于先验经验优化每一个烘焙子工序的烘焙温度。例如,焦糊分布表示次品中的焦糊区域集中分布在接近烤箱底部,说明烤箱底部区域受热过度,温度偏高,则对应的优化每一个烘焙子工序的烘焙温度的方法包括:①将整体的烘培温度降低,但仍保证烤箱内每个区域均匀受热;②根据具体的焦糊区域(如,烤箱的底部)调整预热时的大加热管分布参数,使焦糊区域的温度比其他区域低;③根据具体的焦糊区域针对性地在面坯阶段改变放置在该区域的待烘焙对象的原材料数据,使其更加耐热。
在本说明书的一些实施例中,基于焦糊分布对烘焙温度及相关参数进行优化,可以根据位于烤箱内不同位置的烘焙半成品的实际情况,适应性对局部的烘焙温度或局部的相关参数进行调整,保证烤箱内不同位置的烘焙成品的质量。
在本说明书的一些实施例中,基于烘焙半成品的焦糊特征,对每一个烘焙子工序的烘焙温度进行调整,可以及时发现烘焙过程中存在的问题并做出相应的调整措施,减少烘焙过程中产生的损失,避免材料的浪费;并且,对烘焙过程中各个子工序得到的烘焙半成品进行质量把控,可以确保最终得到的烘焙成品的高质量。
应当注意的是,上述有关流程300、500、600的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300、500、600进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (7)
1.一种生产线CCD检测控制方法,其特征在于,所述方法基于生产线CCD检测装置执行,所述生产线CCD检测装置包括:红外热成像装置、CCD检测机构、控制系统、处理器,所述方法包括:
烘焙开始前:
基于大加热管分布参数对烤箱进行预热,所述大加热管分布参数包括所述烤箱内每根大加热管中的小加热管的开启数量,确定所述大加热管分布参数包括:
基于历史大加热管分布参数或待烘焙对象的面坯数据,构建多组候选大加热管分布参数,所述面坯数据至少包括面坯大小、面坯质量以及面坯形状参数,所述面坯形状参数至少包括面坯形状特征和面坯形状复杂度,所述面坯形状参数基于面坯的三维模型确定;
基于环境温度、所述多组候选大加热管分布参数,通过温度分布图确定模型确定通过每组所述候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图;
基于所述通过每组所述候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图,计算每一个温度分布图的加热均匀度;
基于所述每一个温度分布图的加热均匀度确定所述大加热管分布参数;
获取所述待烘焙对象的原材料数据,所述原材料数据至少包括原材料的成分和含量;
基于所述原材料数据确定烘焙参数;
基于所述烘焙参数对所述待烘焙对象进行烘焙,所述烘焙包括多个烘焙子工序;
烘焙过程中:
获取经过一个或多个所述烘焙子工序处理后得到的烘焙半成品的焦糊特征,基于所述烘焙半成品的焦糊特征,判断所述烘焙半成品是否为次品并统计次品率,所述焦糊特征包括最大焦糊程度、焦糊比例以及焦糊分布;
响应于所述次品率大于次品率阈值且所述焦糊特征满足预设条件,基于所述焦糊特征,确定每一个所述烘焙子工序的烘焙温度的调整值,所述预设条件相关于面坯的表面褶皱率,所述表面褶皱率基于所述面坯形状参数确定;以及
获取所述红外热成像装置采集的烘焙过程中的温度分布图;
响应于所述烘焙过程中的温度分布图的局部温度发生变化,判断所述小加热管是否故障;
响应于所述小加热管出现故障,对所述故障进行处理;
烘培结束后:
对烘焙成品进行装饰、切割、冷却,对所述烘焙成品进行冷却包括:
获取所述红外热成像装置采集的烘焙结束后的温度分布图;
基于所述原材料数据、冷却环境数据、所述面坯数据、所述烘焙结束后的温度分布图和目标温度分布图,确定所述烘焙成品的冷却时间。
2.根据权利要求1所述的方法,其特征在于,所述烘焙参数至少包括烘培温度和烘焙时间,所述基于所述原材料数据确定烘焙参数包括:
基于向量数据库,确定每一个所述烘焙子工序的烘焙温度;
基于每一个所述烘焙子工序的所述烘培温度,确定每一个所述烘焙子工序在烘焙时开启的所述小加热管的数量和通过所述小加热管的电流。
3.根据权利要求2所述的方法,其特征在于,所述基于所述原材料数据确定烘焙参数还包括:
基于所述待烘焙对象的所述原材料数据、所述面坯数据和每一个所述烘焙子工序的所述烘培温度,通过预测模型,确定每一个烘焙子工序的所述烘焙时间,所述预测模型为机器学习模型。
4.一种生产线CCD检测系统,其特征在于,所述系统包括:
预热模块,用于基于大加热管分布参数对烤箱进行预热,所述大加热管分布参数包括所述烤箱内每根大加热管中的小加热管的开启数量,所述预热模块进一步用于确定所述大加热管分布参数:
基于历史大加热管分布参数或待烘焙对象的面坯数据,构建多组候选大加热管分布参数,所述面坯数据至少包括面坯大小、面坯质量以及面坯形状参数,所述面坯形状参数至少包括面坯形状特征和面坯形状复杂度,所述面坯形状参数基于面坯的三维模型确定;
基于环境温度、所述多组候选大加热管分布参数,通过温度分布图确定模型确定通过每组所述候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图;
基于所述通过每组所述候选大加热管分布参数进行预热后得到的烤箱内部的温度分布图,计算每一个温度分布图的加热均匀度;
基于所述每一个温度分布图的加热均匀度确定所述大加热管分布参数;第一获取模块,用于获取所述待烘焙对象的原材料数据,所述原材料数据至少包括原材料的成分和含量;
确定模块,用于基于所述原材料数据确定烘焙参数;
烘焙模块,用于基于所述烘焙参数对所述待烘焙对象进行烘焙,所述烘焙包括多个烘焙子工序;
第二获取模块,用于获取经过一个或多个所述烘焙子工序处理后得到的烘焙半成品的焦糊特征,基于所述烘焙半成品的焦糊特征,判断所述烘焙半成品是否为次品并统计次品率,所述焦糊特征包括最大焦糊程度、焦糊比例以及焦糊分布;
调整模块,响应于所述次品率大于次品率阈值且所述焦糊特征满足预设条件,基于所述焦糊特征,确定每一个所述烘焙子工序的烘焙温度的调整值,所述预设条件相关于面坯的表面褶皱率,所述表面褶皱率基于所述面坯形状参数确定;
第三获取模块,用于获取红外热成像装置采集的烘焙过程中的温度分布图;
判断模块,响应于所述烘焙过程中的温度分布图的局部温度发生变化,用于判断所述小加热管是否故障;
故障处理模块,响应于所述小加热管出现故障,用于对所述故障进行处理;
成品处理模块,用于对烘焙成品进行装饰、切割、冷却,所述成品处理模块还用于:
获取所述红外热成像装置采集的烘焙结束后的温度分布图;
基于所述原材料数据、冷却环境数据、所述面坯数据、所述烘焙结束后的温度分布图和目标温度分布图,确定所述烘焙成品的冷却时间。
5.根据权利要求4所述的系统,其特征在于,所述烘焙参数至少包括烘培温度和烘焙时间,所述确定模块还用于:
基于向量数据库,确定每一个所述烘焙子工序的烘焙温度;
基于每一个所述烘焙子工序的所述烘培温度,确定每一个所述烘焙子工序在烘焙时开启的所述小加热管的数量和通过所述小加热管的电流。
6.一种生产线CCD检测设备,所述设备包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1-3中任意一项所述的生产线CCD检测控制方法。
7.一种计算机可读存储介质,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1~3任意一项所述的生产线CCD检测控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725018.9A CN116026889B (zh) | 2022-12-30 | 2022-12-30 | 一种生产线ccd检测装置、系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725018.9A CN116026889B (zh) | 2022-12-30 | 2022-12-30 | 一种生产线ccd检测装置、系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026889A CN116026889A (zh) | 2023-04-28 |
CN116026889B true CN116026889B (zh) | 2023-12-01 |
Family
ID=86071864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211725018.9A Active CN116026889B (zh) | 2022-12-30 | 2022-12-30 | 一种生产线ccd检测装置、系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026889B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7285300B1 (en) * | 1997-11-11 | 2007-10-23 | Group 32 Development & Engineering, Inc. | Roasting system |
TWM532167U (zh) * | 2016-08-04 | 2016-11-21 | 黃碧珠 | 自動化烘焙監控裝置 |
CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
CN110051234A (zh) * | 2019-04-24 | 2019-07-26 | 美的集团电子商务有限公司 | 烤箱及烤箱的控制方法、装置 |
CN111290352A (zh) * | 2020-01-23 | 2020-06-16 | 深圳市大拿科技有限公司 | 烘焙控制方法及相关产品 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN113936272A (zh) * | 2021-09-22 | 2022-01-14 | 青岛海尔科技有限公司 | 烘焙指导方法、装置、电子设备及存储介质 |
CN114305153A (zh) * | 2022-01-27 | 2022-04-12 | 深圳市发掘科技有限公司 | 一种智能烤箱的食物加热温度控制方法、装置以及存储介质 |
CN114982793A (zh) * | 2022-06-07 | 2022-09-02 | 阜阳职业技术学院 | 一种食品智能焙烤方法和装置 |
-
2022
- 2022-12-30 CN CN202211725018.9A patent/CN116026889B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7285300B1 (en) * | 1997-11-11 | 2007-10-23 | Group 32 Development & Engineering, Inc. | Roasting system |
TWM532167U (zh) * | 2016-08-04 | 2016-11-21 | 黃碧珠 | 自動化烘焙監控裝置 |
CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
CN110051234A (zh) * | 2019-04-24 | 2019-07-26 | 美的集团电子商务有限公司 | 烤箱及烤箱的控制方法、装置 |
CN111290352A (zh) * | 2020-01-23 | 2020-06-16 | 深圳市大拿科技有限公司 | 烘焙控制方法及相关产品 |
CN113392936A (zh) * | 2021-07-09 | 2021-09-14 | 四川英创力电子科技股份有限公司 | 一种基于机器学习的烤箱故障诊断方法 |
CN113936272A (zh) * | 2021-09-22 | 2022-01-14 | 青岛海尔科技有限公司 | 烘焙指导方法、装置、电子设备及存储介质 |
CN114305153A (zh) * | 2022-01-27 | 2022-04-12 | 深圳市发掘科技有限公司 | 一种智能烤箱的食物加热温度控制方法、装置以及存储介质 |
CN114982793A (zh) * | 2022-06-07 | 2022-09-02 | 阜阳职业技术学院 | 一种食品智能焙烤方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116026889A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11119470B2 (en) | Industrial robot process cloud system and working method thereof | |
JP2021139619A (ja) | 熱処理監視システム | |
US11679565B2 (en) | Additive manufacturing system and method and feature extraction method | |
US20230330912A1 (en) | Energy efficient blow molder control | |
CN115122602B (zh) | 一种注塑机智能控制方法及系统 | |
CN116026889B (zh) | 一种生产线ccd检测装置、系统及控制方法 | |
CN110560376B (zh) | 一种产品表面缺陷检测方法及装置 | |
CN111011471A (zh) | 一种多光谱-射频-热风果蔬干燥检测装置及方法 | |
CN114331979A (zh) | 一种烟叶烘烤的智能决策方法和系统 | |
US20240151402A1 (en) | Cooking device and control method thereof, and computer-readable storage medium | |
US11682112B2 (en) | Inspection device and machine learning method | |
CN114326648B (zh) | 一种远程协同的电解控制方法和系统 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN116926299B (zh) | 一种淬火炉控制系统及方法 | |
CN114536529A (zh) | 基于ai的盾构管片成型工艺的自动管控方法及系统 | |
CN110569567A (zh) | 焦炉火道温度的测量方法及系统 | |
CN114982793B (zh) | 一种食品智能焙烤方法和装置 | |
CN108363354B (zh) | 基于视觉系统的滚压包边质量检测方法及系统 | |
CN116152187A (zh) | 一种基于多区域监控的气瓶收口方法、设备及介质 | |
CN113205178A (zh) | 人工智能红外图像传感系统及方法 | |
KR20110007714A (ko) | 불량인식 시스템의 학습방법 | |
CN116187981B (zh) | 一种基于历史维修数据的微波炉智能检测方法 | |
KR102542332B1 (ko) | 열연 강판 생산 시스템 및 그 동작 방법 | |
Muntin et al. | Digitalization as the Most Important Tool for the Improvement of Metallurgical Technologies | |
KR102670982B1 (ko) | 칼라 강판에 대한 결함 검출 방법, 결함 검출 장치, 및 컴퓨터 프로그램 |
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 |