CN116038854A - 门加工用成型控制系统及方法 - Google Patents

Abstract

公开了一种门加工用成型控制系统及方法，其采用基于深度学习的人工智能技术，以混合料的热力图表征混合料的冷却温度分布，并从中提取其在时序维度上的变化分布状态特征，同时，提取气缸的输出速度在不同时间周期跨度下的模式状态变化特征，再计算两者之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，继而通过分类器来得到表示气缸的输出速度应增大或应减小的分类结果。这样，基于混合料热分布特征的变化模式来自适应地调整气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题。

Description

门加工用成型控制系统及方法

技术领域

本申请涉及木材加工领域，且更为具体地，涉及一种门加工用成型控制系统及方法。

背景技术

木材因具有天然的纹理和色泽，具有调温、调湿等功能，制成的高档实木赢得了人们的青睐。然而，一些珍贵木材制成的纯实木门价格昂贵，同时纯实木门容易出现漆面开裂、门扇变形、收缩露白等现象。因此，现在市面上出现了实木复合门，这种实木复合门是指以木屑为主要材料复合制成的实型体，面层为木质单板贴面或其他覆面材料的门。因此实木复合门不仅能体现纯实木门隔音隔热的优点而且款式新颖，成本低廉，受到广大顾客的欢迎。

现在实木复合门的实型体加工先是采用气缸将木屑、黏结物进行加热混合，再放入模具中采用气缸进行压制成模压门。上述方案的缺点在于：将加热后的混合料导入模具中，在压制过程中混合料逐渐冷却定型，给压制带来难度，而且气缸的输出速度较大，压制时瞬时冲击力过大容易造成混合料内产生较大的气泡，成型后形成空泡，影响产品的质量。

因此，期待一种优化的门加工用成型控制方案。

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门加工用成型控制系统及方法，其采用基于深度学习的人工智能技术，以混合料的热力图表征混合料的冷却温度分布，并从中提取其在时序维度上的变化分布状态特征，同时，提取气缸的输出速度在不同时间周期跨度下的模式状态变化特征，再计算两者之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，继而通过分类器来得到表示气缸的输出速度应增大或应减小的分类结果。这样，基于混合料热分布特征的变化模式来自适应地调整气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题。

相应地，根据本申请的一个方面，提供了一种门加工用成型控制系统，其包括：

监控模块，用于获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；

混合状态特征提取模块，用于将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；

状态特征差分模块，用于计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；

状态变化特征提取模块，用于将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；

输出速度特征提取模块，用于将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；

响应模块，用于计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；

聚合度优化模块，用于对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及

控制结果生成模块，用于将所述优化分类特征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气缸的输出速度应增大或应减小。

在上述门加工用成型控制系统中，所述混合状态特征提取模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及，对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

在上述门加工用成型控制系统中，所述状态特征差分模块，进一步用于：以如下公式计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；其中，所述公式为：

=

其中表示所述每相邻两个温度分布特征矩阵的后一温度分布特征矩阵，表示所述每相邻两个温度分布特征矩阵的前一温度分布特征矩阵，表示所述温度转移矩阵，表示矩阵相乘。

在上述门加工用成型控制系统中，所述状态变化特征提取模块，包括：三维卷积编码单元，用于将所述三维输入张量通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征图；以及，降维单元，用于将所述温度分布变化特征图进行沿通道维度的全局均值池化处理以得到所述温度分布变化特征向量。

在上述门加工用成型控制系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

在上述门加工用成型控制系统中，所述输出速度特征提取模块，包括：第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度输出速度特征向量；其中，所述公式为：

其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述输入向量，表示所述第一尺度输出速度特征向量；第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度输出速度特征向量；其中，所述公式为：

其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， X表示所述输入向量，表示所述第二尺度输出速度特征向量；以及，多尺度特征融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度输出速度特征向量和所述第二尺度输出速度特征向量进行级联以得到所述多尺度输出速度特征向量。

在上述门加工用成型控制系统中，所述聚合度优化模块，进一步用于：以如下公式对所述分类特征矩阵进行特征聚合度优化以得到所述优化分类特征矩阵；其中，所述公式为：

其中是所述分类特征矩阵的各个行向量，是所述分类特征矩阵的各个行向量中与所述行向量之间的距离，即小于预定阈值，即的行向量，为加权超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法，表示所述优化分类特征矩阵的各个行向量。

在上述门加工用成型控制系统中，所述控制结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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，还提供了一种门加工用成型控制方法，其包括：

获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；

将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；

计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；

将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；

将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；

计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；

对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及

将所述优化分类特征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气缸的输出速度应增大或应减小。

在上述门加工用成型控制方法中，所述将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及，对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

在上述门加工用成型控制方法中，所述计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵，包括：以如下公式计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；其中，所述公式为：

=

其中表示所述每相邻两个温度分布特征矩阵的后一温度分布特征矩阵，表示所述每相邻两个温度分布特征矩阵的前一温度分布特征矩阵，表示所述温度转移矩阵，表示矩阵相乘。

在上述门加工用成型控制方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

在上述门加工用成型控制方法中，所述将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度输出速度特征向量；其中，所述公式为：

其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述输入向量，表示所述第一尺度输出速度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度输出速度特征向量；其中，所述公式为：

其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， X表示所述输入向量，表示所述第二尺度输出速度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度输出速度特征向量和所述第二尺度输出速度特征向量进行级联以得到所述多尺度输出速度特征向量。

在上述门加工用成型控制方法中，所述对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵，包括：以如下公式对所述分类特征矩阵进行特征聚合度优化以得到所述优化分类特征矩阵；其中，所述公式为：

其中是所述分类特征矩阵的各个行向量，是所述分类特征矩阵的各个行向量中与所述行向量之间的距离，即小于预定阈值，即的行向量，为加权超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法，表示所述优化分类特征矩阵的各个行向量。

在上述门加工用成型控制方法中，所述将所述优化分类特征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气缸的输出速度应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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，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门加工用成型控制方法。

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门加工用成型控制方法。

与现有技术相比，本申请提供的门加工用成型控制系统及方法，其采用基于深度学习的人工智能技术，以混合料的热力图表征混合料的冷却温度分布，并从中提取其在时序维度上的变化分布状态特征，同时，提取气缸的输出速度在不同时间周期跨度下的模式状态变化特征，再计算两者之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，继而通过分类器来得到表示气缸的输出速度应增大或应减小的分类结果。这样，基于混合料热分布特征的变化模式来自适应地调整气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题。

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门加工用成型控制系统的应用场景图。

图2为根据本申请实施例的门加工用成型控制系统的框图。

图3为根据本申请实施例的门加工用成型控制系统的架构示意图。

图4为根据本申请实施例的门加工用成型控制系统中输出速度特征提取模块的框图。

图5为根据本申请实施例的门加工用成型控制方法的流程图。

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，现在实木复合门的实型体加工先是采用气缸将木屑、黏结物进行加热混合，再放入模具中采用气缸进行压制成模压门。上述方案的缺点在于：将加热后的混合料导入模具中，在压制过程中混合料逐渐冷却定型，给压制带来难度，而且气缸的输出速度较大，压制时瞬时冲击力过大容易造成混合料内产生较大的气泡，成型后形成空泡，影响产品的质量。因此，期待一种优化的门加工用成型控制方案。

相应地，考虑到在实际进行实木复合门的实型体加工时，在压制过程中，需要基于混合料的冷却温度分布状态特征的变化来自适应地调控气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。在此过程中，对于混合料的冷却温度分布的变化特征可以基于对混合料的热力图的分析来实现，也就是说，基于混合料的热力图来表示其热分布特征，并基于热分布特征的变化模式来自适应地调整气缸的输出速度。难点在于如何建立混合料的热分布变化模式与气压的输出速度之间的映射关系，以使得基于混合料的热分布特征的变化模式来自适应地调整所述气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品质量。

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混合料的热分布变化模式与所述气缸的输出速度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混合料的热分布变化模式与所述气缸的输出速度之间的复杂映射关系。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个预定时间点的混合料的热红外图像的特征提取。特别地，考虑到由于在压制过程中混合料是逐渐冷却定型的，而混合料的温度分布在空间位置上是不均匀的，因此，在进行所述混合料的温度分布特征提取以进行气缸输出速度的自适应调控中，应更加关注于空间位置上关于混合料的温度分布的隐含特征信息。因此，在本申请的技术方案中，将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述各个预定时间点的混合料的热红外图像中关于混合料的空间温度分布的热分布特征，从而得到多个温度分布特征矩阵。

进一步地，为了挖掘所述混合料的热分布变化模式与所述气缸的输出速度之间的关联性特征，还需要挖掘出所述混合料的热分布特征在所述预定时间段内的动态变化特征分布信息，考虑到若以绝对变化信息来进行所述混合料的热分布变化模式特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述混合料的热分布的细微变化特征难以被察觉，进而影响后续实时控制气缸输出速度的精准度。因此，在本申请的技术方案中，期望采用所述混合料的热分布的相对变化特征来进行所述气缸输出速度的实时控制。具体地，计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以表示所述多个预定时间点的混合料的热红外图像中在每相邻两个预定时间点下的关于所述混合料的热分布状态的特征差异，从而得到多个温度转移矩阵。

接着，再将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述混合料的热分布状态在时间维度上的动态相对变化特征分布信息，从而得到温度分布变化特征向量。特别地，这里，所述第二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三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述混合料的热分布状态特征随时间维度的动态变化特征。

然后，考虑到所述气缸的输出速度在时间维度上具有着波动性，其在不同时间周期跨度下具有着不同的模式状态变化特征，因此，为了能够准确地提取出所述气缸的输出速度在时序上的动态变化特征信息，以此来精准地对于气缸的输出速度进行实时控制，进一步将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述气缸的输出速度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到多尺度输出速度特征向量。

接着，再进一步计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，并以此作为分类特征矩阵来通过分类器中进行分类处理，从而得到用于表示当前时间点的气缸的输出速度应增大或应减小的分类结果。这样，能够实时精准地基于混合料的温度分布状态变化情况来自适应地调控气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。

特别地，在本申请的技术方案中，在计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵时，由于所述多尺度输出速度特征向量的第位置的特征值是所述转移矩阵的第行向量与所述温度分布变化特征向量之间的内积，因此得到的所述转移矩阵，即所述分类特征矩阵的各个行向量之间可能存在特征聚合度低的问题，这会影响所述分类特征矩阵的特征表达效果，从而影响所述分类特征矩阵通过分类器的分类结果的准确性。

因此，考虑到如果将所述分类特征矩阵的多个行向量中的每个行向量视为单个节点，则通过节点之间的距离表示，可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度，由此，计算每个行向量对应的节点间类概率匹配特征向量，表示为：

是所述分类特征矩阵的每个行向量，是所述分类特征矩阵的行向量中与所述行向量之间的距离，即小于预定阈值（）的行向量，为加权超参数。

也就是，如果将作为拓扑结构的节点，则可以被认为是在拓扑结构内部与所述节点相连的节点，即，表示在拓扑结构下节点与节点之间具有边。这样，通过计算节点间类概率匹配特征向量，可以表示拓扑结构内的节点与相邻节点之间在类概率下的交互度，通过以其代替所述分类特征矩阵的行向量来重新排列为分类特征矩阵，就可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度，相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制，从而提升所述分类特征矩阵的各个行向量之间的特征聚合度，也就提高了所述分类特征矩阵通过分类器的分类结果的准确性。这样，能够实时精准地基于混合料的温度分布状态变化情况来自适应地调控气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。

基于此，本申请提供了一种门加工用成型控制系统，其包括：监控模块，用于获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；混合状态特征提取模块，用于将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；状态特征差分模块，用于计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；状态变化特征提取模块，用于将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；输出速度特征提取模块，用于将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；响应模块，用于计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；聚合度优化模块，用于对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及，控制结果生成模块，用于将所述优化分类特征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气缸的输出速度应增大或应减小。

图1为根据本申请实施例的门加工用成型控制系统的应用场景图。如图1所示，在该应用场景中，首先，利用测速计（例如，如图1中所示意的Se1）和热红外传感器（例如，如图1中所示意的Se2）分别获取预定时间段内多个预定时间点的气缸（例如，如图1中所示意的Cy）的输出速度以及所述多个预定时间点的混合料（例如，如图1中所示意的M）的热红外图像。进而，将所述预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像输入至部署有门加工用成型控制算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够基于所述门加工用成型控制算法对所述预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像进行处理，以得到用于表示当前时间点的气缸的输出速度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门加工用成型控制系统的框图。如图2所示，根据本申请实施例的门加工用成型控制系统100，包括：监控模块110，用于获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；混合状态特征提取模块120，用于将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；状态特征差分模块130，用于计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；状态变化特征提取模块140，用于将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；输出速度特征提取模块150，用于将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；响应模块160，用于计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；聚合度优化模块170，用于对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及，控制结果生成模块180，用于将所述优化分类特征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气缸的输出速度应增大或应减小。

图3为根据本申请实施例的门加工用成型控制系统的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；接着，将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；然后，计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；继而，将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量，同时，将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；接着，计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；然后，对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；最后，将所述优化分类特征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气缸的输出速度应增大或应减小。

如上所述，现在实木复合门的实型体加工先是采用气缸将木屑、黏结物进行加热混合，再放入模具中采用气缸进行压制成模压门。上述方案的缺点在于：将加热后的混合料导入模具中，在压制过程中混合料逐渐冷却定型，给压制带来难度，而且气缸的输出速度较大，压制时瞬时冲击力过大容易造成混合料内产生较大的气泡，成型后形成空泡，影响产品的质量。因此，期待一种优化的门加工用成型控制方案。

相应地，考虑到在实际进行实木复合门的实型体加工时，在压制过程中，需要基于混合料的冷却温度分布状态特征的变化来自适应地调控气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。在此过程中，对于混合料的冷却温度分布的变化特征可以基于对混合料的热力图的分析来实现，也就是说，基于混合料的热力图来表示其热分布特征，并基于热分布特征的变化模式来自适应地调整气缸的输出速度。难点在于如何建立混合料的热分布变化模式与气压的输出速度之间的映射关系，以使得基于混合料的热分布特征的变化模式来自适应地调整所述气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品质量。

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混合料的热分布变化模式与所述气缸的输出速度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混合料的热分布变化模式与所述气缸的输出速度之间的复杂映射关系。

在上述门加工用成型控制系统100中，所述监控模块110，用于获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像。这里，以所述混合料的热红外图像来表征所述混合料的冷却温度分布，也就是，所述混合料的热分布。其中，所述气缸的输出速度和所述混合料的热红外图像可以分别由测速计和热红外传感器来获取。

在上述门加工用成型控制系统100中，所述混合状态特征提取模块120，用于将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个预定时间点的混合料的热红外图像的特征提取。特别地，考虑到由于在压制过程中混合料是逐渐冷却定型的，而混合料的温度分布在空间位置上是不均匀的，因此，在进行所述混合料的温度分布特征提取以进行气缸输出速度的自适应调控中，应更加关注于空间位置上关于混合料的温度分布的隐含特征信息。因此，在本申请的技术方案中，将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理，以提取出所述各个预定时间点的混合料的热红外图像中关于混合料的空间温度分布的热分布特征，从而得到多个温度分布特征矩阵。

具体地，在本申请实施例中，所述混合状态特征提取模块120，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及，对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

在上述门加工用成型控制系统100中，所述状态特征差分模块130，用于计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵。为了挖掘所述混合料的热分布变化模式与所述气缸的输出速度之间的关联性特征，还需要挖掘出所述混合料的热分布特征在所述预定时间段内的动态变化特征分布信息，考虑到若以绝对变化信息来进行所述混合料的热分布变化模式特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述混合料的热分布的细微变化特征难以被察觉，进而影响后续实时控制气缸输出速度的精准度。因此，在本申请的技术方案中，期望采用所述混合料的热分布的相对变化特征来进行所述气缸输出速度的实时控制。具体地，计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以表示所述多个预定时间点的混合料的热红外图像中在每相邻两个预定时间点下的关于所述混合料的热分布状态的特征差异，从而得到多个温度转移矩阵。

具体地，在本申请实施例中，以如下公式计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；其中，所述公式为：

=

其中表示所述每相邻两个温度分布特征矩阵的后一温度分布特征矩阵，表示所述每相邻两个温度分布特征矩阵的前一温度分布特征矩阵，表示所述温度转移矩阵，表示矩阵相乘。

在上述门加工用成型控制系统100中，所述状态变化特征提取模块140，用于将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量。也就是，将所述三维输入张量通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述混合料的热分布状态在时间维度上的动态相对变化特征分布信息，从而得到温度分布变化特征向量。特别地，这里，所述第二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三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述混合料的热分布状态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，使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述三维卷积核的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模型的最后一层的输出为所述温度分布变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

然后，再通过降维单元将所述温度分布变化特征图进行沿通道维度的全局均值池化处理以得到所述温度分布变化特征向量。

在上述门加工用成型控制系统100中，所述输出速度特征提取模块150，用于将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量。考虑到所述气缸的输出速度在时间维度上具有着波动性，其在不同时间周期跨度下具有着不同的模式状态变化特征，因此，为了能够准确地提取出所述气缸的输出速度在时序上的动态变化特征信息，以此来精准地对于气缸的输出速度进行实时控制，进一步将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述气缸的输出速度在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征，从而得到多尺度输出速度特征向量。在本申请实施例中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

图4为根据本申请实施例的门加工用成型控制系统中输出速度特征提取模块的框图。如图4所示，所述输出速度特征提取模块150，包括：第一尺度特征提取单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度输出速度特征向量；其中，所述公式为：

其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述输入向量，表示所述第一尺度输出速度特征向量；第二尺度特征提取单元152，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度输出速度特征向量；其中，所述公式为：

其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， X表示所述输入向量，表示所述第二尺度输出速度特征向量；以及，多尺度特征融合单元153，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度输出速度特征向量和所述第二尺度输出速度特征向量进行级联以得到所述多尺度输出速度特征向量。

在上述门加工用成型控制系统100中，所述响应模块160，用于计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵。也就是，计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，并以此作为分类特征矩阵。

在上述门加工用成型控制系统100中，所述聚合度优化模块170，用于对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵。特别地，在本申请的技术方案中，在计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵时，由于所述多尺度输出速度特征向量的第位置的特征值是所述转移矩阵的第行向量与所述温度分布变化特征向量之间的内积，因此得到的所述转移矩阵，即所述分类特征矩阵的各个行向量之间可能存在特征聚合度低的问题，这会影响所述分类特征矩阵的特征表达效果，从而影响所述分类特征矩阵通过分类器的分类结果的准确性。

因此，考虑到如果将所述分类特征矩阵的多个行向量中的每个行向量视为单个节点，则通过节点之间的距离表示，可以基于节点整体的拓扑结构确定节点之间的类概率特征聚合度，由此，计算每个行向量对应的节点间类概率匹配特征向量，表示为：

其中是所述分类特征矩阵的各个行向量，是所述分类特征矩阵的各个行向量中与所述行向量之间的距离，即小于预定阈值，即的行向量，为加权超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法，表示所述优化分类特征矩阵的各个行向量。

也就是，如果将作为拓扑结构的节点，则可以被认为是在拓扑结构内部与所述节点相连的节点，即，表示在拓扑结构下节点与节点之间具有边。这样，通过计算节点间类概率匹配特征向量，可以表示拓扑结构内的节点与相邻节点之间在类概率下的交互度，通过以其代替所述分类特征矩阵的行向量来重新排列为分类特征矩阵，就可以提升多节点组成的拓扑结构内部的各个节点间的类概率特征聚合度，相当于在基于内部特征交互的特征聚合维度上对于节点特征施加注意力机制，从而提升所述分类特征矩阵的各个行向量之间的特征聚合度，也就提高了所述分类特征矩阵通过分类器的分类结果的准确性。这样，能够实时精准地基于混合料的温度分布状态变化情况来自适应地调控气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。

在上述门加工用成型控制系统100中，所述控制结果生成模块180，用于将所述优化分类特征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气缸的输出速度应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的气缸的输出速度应增大（第一标签，以及，当前时间点的气缸的输出速度应减小（第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为气缸的输出速度值控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述气缸的输出速度值。这样，能够实时精准地基于混合料的温度分布状态变化情况来自适应地调控气缸的输出速度，以避免压制时瞬时冲击力过大导致的空泡问题，进而提高产品的质量。

具体地，在本申请实施例中，所述控制结果生成模块180，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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门加工用成型控制系统100被阐明，其采用基于深度学习的人工智能技术，以混合料的热力图表征混合料的冷却温度分布，并从中提取其在时序维度上的变化分布状态特征，同时，提取气缸的输出速度在不同时间周期跨度下的模式状态变化特征，再计算两者之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，继而通过分类器来得到表示气缸的输出速度应增大或应减小的分类结果。这样，基于混合料热分布特征的变化模式来自适应地调整气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题。

如上所述，根据本申请实施例的门加工用成型控制系统100可以实现在各种终端设备中，例如用于门加工用成型控制的服务器等。在一个示例中，根据本申请实施例的门加工用成型控制系统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，该门加工用成型控制系统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，该门加工用成型控制系统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，该门加工用成型控制系统100与该终端设备也可以是分立的设备，并且该门加工用成型控制系统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门加工用成型控制方法的流程图。如图5所示，根据本申请实施例的门加工用成型控制方法，包括：S110，获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；S120，将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；S130，计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；S140，将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；S150，将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；S160，计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；S170，对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及，S180，将所述优化分类特征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气缸的输出速度应增大或应减小。

在一个示例中，在上述门加工用成型控制方法中，所述将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及，对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

在一个示例中，在上述门加工用成型控制方法中，所述计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵，包括：以如下公式计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；其中，所述公式为：

=

其中表示所述每相邻两个温度分布特征矩阵的后一温度分布特征矩阵，表示所述每相邻两个温度分布特征矩阵的前一温度分布特征矩阵，表示所述温度转移矩阵，表示矩阵相乘。

在一个示例中，在上述门加工用成型控制方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

在一个示例中，在上述门加工用成型控制方法中，所述将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度输出速度特征向量；其中，所述公式为：

其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述输入向量，表示所述第一尺度输出速度特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度输出速度特征向量；其中，所述公式为：

其中， b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵， m为第二卷积核的尺寸， X表示所述输入向量，表示所述第二尺度输出速度特征向量；以及，使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度输出速度特征向量和所述第二尺度输出速度特征向量进行级联以得到所述多尺度输出速度特征向量。

在一个示例中，在上述门加工用成型控制方法中，所述对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵，包括：以如下公式对所述分类特征矩阵进行特征聚合度优化以得到所述优化分类特征矩阵；其中，所述公式为：

其中是所述分类特征矩阵的各个行向量，是所述分类特征矩阵的各个行向量中与所述行向量之间的距离，即小于预定阈值，即的行向量，为加权超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法，表示所述优化分类特征矩阵的各个行向量。

在一个示例中，在上述门加工用成型控制方法中，所述将所述优化分类特征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气缸的输出速度应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；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，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，本申请实施例的门加工用成型控制方法被阐明，其采用基于深度学习的人工智能技术，以混合料的热力图表征混合料的冷却温度分布，并从中提取其在时序维度上的变化分布状态特征，同时，提取气缸的输出速度在不同时间周期跨度下的模式状态变化特征，再计算两者之间的转移矩阵来表示所述气缸的输出速度的动态变化特征与所述混合料的热分布状态变化特征之间的隐藏关联性特征，继而通过分类器来得到表示气缸的输出速度应增大或应减小的分类结果。这样，基于混合料热分布特征的变化模式来自适应地调整气缸的输出速度，以此来避免压制时瞬时冲击力过大导致的空泡问题。

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门加工用成型控制方法中的功能以及/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气缸的输出速度以及混合料的热红外图像等各种内容。

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门加工用成型控制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门加工用成型控制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)

1.一种门加工用成型控制系统，其特征在于，包括：

监控模块，用于获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；

混合状态特征提取模块，用于将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；

状态特征差分模块，用于计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；

状态变化特征提取模块，用于将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；

输出速度特征提取模块，用于将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；

响应模块，用于计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；

聚合度优化模块，用于对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及

控制结果生成模块，用于将所述优化分类特征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气缸的输出速度应增大或应减小。

2.根据权利要求1所述的门加工用成型控制系统，其特征在于，所述混合状态特征提取模块，进一步用于：

使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；

将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；

将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；

计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及

对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

3.根据权利要求2所述的门加工用成型控制系统，其特征在于，所述状态特征差分模块，进一步用于：

以如下公式计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；

其中，所述公式为：

=

其中表示所述每相邻两个温度分布特征矩阵的后一温度分布特征矩阵，表示所述每相邻两个温度分布特征矩阵的前一温度分布特征矩阵，表示所述温度转移矩阵，表示矩阵相乘。

4.根据权利要求3所述的门加工用成型控制系统，其特征在于，所述状态变化特征提取模块，包括：

三维卷积编码单元，用于将所述三维输入张量通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征图；以及

降维单元，用于将所述温度分布变化特征图进行沿通道维度的全局均值池化处理以得到所述温度分布变化特征向量。

5.根据权利要求4所述的门加工用成型控制系统，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

6.根据权利要求5所述的门加工用成型控制系统，其特征在于，所述输出速度特征提取模块，包括：

第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述输入向量进行一维卷积编码以得到第一尺度输出速度特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述输入向量，表示所述第一尺度输出速度特征向量；

第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述输入向量进行一维卷积编码以得到第二尺度输出速度特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述输入向量，表示所述第二尺度输出速度特征向量；以及

多尺度特征融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层将所述第一尺度输出速度特征向量和所述第二尺度输出速度特征向量进行级联以得到所述多尺度输出速度特征向量。

7.根据权利要求6所述的门加工用成型控制系统，其特征在于，所述聚合度优化模块，进一步用于：以如下公式对所述分类特征矩阵进行特征聚合度优化以得到所述优化分类特征矩阵；

其中，所述公式为：

其中是所述分类特征矩阵的各个行向量，是所述分类特征矩阵的各个行向量中与所述行向量之间的距离，即小于预定阈值，即的行向量，为加权超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示向量的按位置减法，表示所述优化分类特征矩阵的各个行向量。

8.根据权利要求7所述的门加工用成型控制系统，其特征在于，所述控制结果生成模块，包括：

展开单元，用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；

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。

9.一种门加工用成型控制方法，其特征在于，包括：

获取预定时间段内多个预定时间点的气缸的输出速度以及所述多个预定时间点的混合料的热红外图像；

将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵；

计算所述多个温度分布特征矩阵中每相邻两个温度分布特征矩阵之间的转移矩阵以得到多个温度转移矩阵；

将所述多个温度转移矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到温度分布变化特征向量；

将所述多个预定时间点的气缸的输出速度按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度输出速度特征向量；

计算所述多尺度输出速度特征向量相对于所述温度分布变化特征向量之间的转移矩阵作为分类特征矩阵；

对所述分类特征矩阵进行特征聚合度优化以得到优化分类特征矩阵；以及

将所述优化分类特征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气缸的输出速度应增大或应减小。

10.根据权利要求9所述的门加工用成型控制方法，其特征在于，所述将所述多个预定时间点的混合料的热红外图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个温度分布特征矩阵，包括：

使用所述第一卷积神经网络模型的卷积编码部分对所述热红外图像进行深度卷积编码以得到初始卷积特征图；

将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；

将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；

计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到温度分布特征图；以及

对所述温度分布特征图进行沿通道维度的全局均值池化处理以得到所述温度分布特征矩阵。

Images