CN116690949A - 基于玉米淀粉的餐盒加工工艺及其系统 - Google Patents
基于玉米淀粉的餐盒加工工艺及其系统 Download PDFInfo
- Publication number
- CN116690949A CN116690949A CN202310535798.9A CN202310535798A CN116690949A CN 116690949 A CN116690949 A CN 116690949A CN 202310535798 A CN202310535798 A CN 202310535798A CN 116690949 A CN116690949 A CN 116690949A
- Authority
- CN
- China
- Prior art keywords
- scale
- feature vector
- time sequence
- temperature
- 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.)
- Pending
Links
- 229920002261 Corn starch Polymers 0.000 title claims abstract description 98
- 239000008120 corn starch Substances 0.000 title claims abstract description 98
- 238000012545 processing Methods 0.000 title claims abstract description 82
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000010438 heat treatment Methods 0.000 claims abstract description 54
- 239000000047 product Substances 0.000 claims abstract description 52
- 229920002472 Starch Polymers 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 48
- 235000019698 starch Nutrition 0.000 claims abstract description 48
- 239000008107 starch Substances 0.000 claims abstract description 48
- 239000011265 semifinished product Substances 0.000 claims abstract description 28
- 238000004806 packaging method and process Methods 0.000 claims abstract description 13
- 230000006835 compression Effects 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 12
- 238000001816 cooling Methods 0.000 claims abstract description 12
- 239000007822 coupling agent Substances 0.000 claims abstract description 12
- 230000006837 decompression Effects 0.000 claims abstract description 12
- 238000009775 high-speed stirring Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 12
- 238000004080 punching Methods 0.000 claims abstract description 12
- 239000011347 resin Substances 0.000 claims abstract description 12
- 229920005989 resin Polymers 0.000 claims abstract description 12
- 238000010008 shearing Methods 0.000 claims abstract description 12
- 238000009966 trimming Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 230000001954 sterilising effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 359
- 238000000465 moulding Methods 0.000 claims description 170
- 230000004927 fusion Effects 0.000 claims description 72
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 238000003825 pressing Methods 0.000 claims description 32
- 230000003247 decreasing effect Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 20
- 229940050561 matrix product Drugs 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005538 encapsulation Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000000249 desinfective effect Effects 0.000 claims description 2
- 235000012054 meals Nutrition 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 39
- 230000008859 change Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000003856 thermoforming Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 238000000748 compression moulding Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000004049 embossing Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L3/00—Compositions of starch, amylose or amylopectin or of their derivatives or degradation products
- C08L3/02—Starch; Degradation products thereof, e.g. dextrin
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B11/00—Making preforms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B7/00—Mixing; Kneading
- B29B7/002—Methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C51/00—Shaping by thermoforming, i.e. shaping sheets or sheet like preforms after heating, e.g. shaping sheets in matched moulds or by deep-drawing; Apparatus therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C51/00—Shaping by thermoforming, i.e. shaping sheets or sheet like preforms after heating, e.g. shaping sheets in matched moulds or by deep-drawing; Apparatus therefor
- B29C51/26—Component parts, details or accessories; Auxiliary operations
- B29C51/42—Heating or cooling
- B29C51/421—Heating or cooling of preforms, specially adapted for thermoforming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C51/00—Shaping by thermoforming, i.e. shaping sheets or sheet like preforms after heating, e.g. shaping sheets in matched moulds or by deep-drawing; Apparatus therefor
- B29C51/26—Component parts, details or accessories; Auxiliary operations
- B29C51/46—Measuring, controlling or regulating
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L101/00—Compositions of unspecified macromolecular compounds
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29L—INDEXING SCHEME ASSOCIATED WITH SUBCLASS B29C, RELATING TO PARTICULAR ARTICLES
- B29L2031/00—Other particular articles
- B29L2031/712—Containers; Packaging elements or accessories, Packages
- B29L2031/7162—Boxes, cartons, cases
-
- C—CHEMISTRY; METALLURGY
- C08—ORGANIC MACROMOLECULAR COMPOUNDS; THEIR PREPARATION OR CHEMICAL WORKING-UP; COMPOSITIONS BASED THEREON
- C08L—COMPOSITIONS OF MACROMOLECULAR COMPOUNDS
- C08L2201/00—Properties
- C08L2201/06—Biodegradable
-
- 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
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
- Y02W90/10—Bio-packaging, e.g. packing containers made from renewable resources or bio-plastics
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medicinal Chemistry (AREA)
- Polymers & Plastics (AREA)
- Organic Chemistry (AREA)
- Casting Or Compression Moulding Of Plastics Or The Like (AREA)
Abstract
一种基于玉米淀粉的餐盒加工工艺及其系统,其将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。这样,可以基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
Description
技术领域
本申请涉及智能化加工技术领域,并且更具体地,涉及一种基于玉米淀粉的餐盒加工工艺及其系统。
背景技术
随着人们环保意识的提高和国家对塑料制品的限制,可降解餐具已被列为未来餐饮行业重要的发展方向之一。然而,目前在玉米淀粉餐具加工过程中常常存在生产效率低、质量不稳定等问题。究其原因为:在实际进行餐具的加热成型时,只是通过人工经验将加热温度和模压值控制在固定范围内,并没有关注到餐具加热成型时的温度和压力之间的协同适配性关系。
因此,期望一种优化的基于玉米淀粉的餐盒加工方案。
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基于玉米淀粉的餐盒加工工艺及其系统,其将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。这样,可以基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
第一方面,提供了一种基于玉米淀粉的餐盒加工工艺,其包括:将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
在上述基于玉米淀粉的餐盒加工工艺中,将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具,包括:获取预定时间段内多个预定时间点的温度值和模压值;将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和,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模压值应增大或应减小。
在上述基于玉米淀粉的餐盒加工工艺中,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量,包括:将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
在上述基于玉米淀粉的餐盒加工工艺中,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵,包括:基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图;以及,对所述融合高斯密度图进行高斯离散化处理以得到所述温度-压力融合特征矩阵。
在上述基于玉米淀粉的餐盒加工工艺中,基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图,包括:以如下优化公式对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行深层空间封装语义匹配融合以得到所述融合高斯密度图的均值向量;其中,所述优化公式为:,其中,/>是所述多尺度温度时序特征向量,/>是所述多尺度模压时序特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述多尺度温度时序特征向量和所述多尺度模压时序特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述融合高斯密度图的均值向量。
在上述基于玉米淀粉的餐盒加工工艺中,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量,包括:以如下乘积公式计算所述多尺度模压时序特征向量与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;其中,所述乘积公式为:,其中,表示所述温度-压力融合特征矩阵,/>表示所述多尺度模压时序特征向量,/>表示所述分类特征向量,/> 表示矩阵相乘。
在上述基于玉米淀粉的餐盒加工工艺中,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模压值应增大或应减小,包括:使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面,提供了一种基于玉米淀粉的餐盒加工系统,其包括:混合模块,用于将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;高混机处理模块,用于将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;压解处理模块,用于将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;预定形状成型模块,用于将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;餐盒成品生成模块,用于将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及可降解玉米淀粉餐具制造模块,用于将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
在上述基于玉米淀粉的餐盒加工系统中,数据获取单元,用于获取预定时间段内多个预定时间点的温度值和模压值;向量排列单元,用于将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;特征提取单元,用于将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;融合单元,用于基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;计算单元,用于以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和,模压值控制单元,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模压值应增大或应减小。
在上述基于玉米淀粉的餐盒加工系统中,所述特征提取单元,包括:第一尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,级联子单元,用于将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
与现有技术相比,本申请提供的基于玉米淀粉的餐盒加工工艺及其系统,其将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。这样,可以基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于玉米淀粉的餐盒加工工艺的场景示意图。
图2为根据本申请实施例的基于玉米淀粉的餐盒加工工艺的流程图。
图3为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤140的子步骤的流程图。
图4为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤140的架构示意图。
图5为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤143的子步骤的流程图。
图6为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤144的子步骤的流程图。
图7为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤146的子步骤的流程图。
图8为根据本申请实施例的基于玉米淀粉的餐盒加工系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述,目前在玉米淀粉餐具加工过程中常常存在生产效率低、质量不稳定等问题。究其原因为:在实际进行餐具的加热成型时,只是通过人工经验将加热温度和模压值控制在固定范围内,并没有关注到餐具加热成型时的温度和压力之间的协同适配性关系。因此,期望一种优化的基于玉米淀粉的餐盒加工方案。
具体地,在本申请的技术方案中,提出了一种基于玉米淀粉的餐盒加工方法,其包括:将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
相应地,考虑到在将所述半成品送入加热炉进行二次加热成型的过程中,为了能够优化产品的一致性和品质,期待对于温度和压力进行协同控制以提高加热成型的产品质量。但是,由于在实际进行餐具的加热成型过程中,温度值和模压值都在时间维度上有着各自的动态变化规律,并且这两者之间还具有着时序的协同关联特征信息,导致对于二次加热成型的参数控制的精准度难以把握。因此,在此过程中,难点在于如何挖掘所述温度值的时序动态变化特征和所述模压值的时序动态变化特征之间的关联性特征分布信息,以此来准确地进行二次加热成型过程中的参数实时控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
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。深度学习以及神经网络的发展为挖掘所述温度值的时序动态变化特征和所述模压值的时序动态变化特征之间的关联性特征分布信息提供了新的解决思路和方案。
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温度值和模压值。接着,考虑到由于所述温度值和所述模压值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述温度值和所述模压值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量,以此来分别整合所述温度值和所述模压值在时序上的分布信息。
然后,考虑到由于所述温度值和所述模压值在时间维度上都具有着波动性,其在时序上的不同时间周期跨度下呈现出不同的动态变化规律性。因此,为了能够进行所述温度值和所述模压值的时序动态变化特征的充分表达,在本申请的技术方案中,进一步将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型采用不同尺度的一维卷积核来分别对于所述温度值时序输入向量和所述模压值时序输入向量进行处理,以分别提取出所述温度值和所述模压值在不同时间跨度下的时序动态多尺度邻域关联特征信息。
进一步地,考虑到所述多尺度温度时序特征向量和所述多尺度模压时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述多尺度温度时序特征向量和所述多尺度模压时序特征向量级联来表示所述温度值和所述模压值的时序协同动态变化关联特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
应可以理解,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量,以此来融合所述温度值的时序多尺度动态变化特征信息和所述模压值的时序多尺度动态变化特征信息,从而得到温度-压力融合特征矩阵。
接着,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量,以此来表示以所述温度值的时序多尺度动态变化特征信息和所述模压值的时序多尺度动态变化特征信息的关联性特征分布信息为背景基础下的关于所述模压值的时序动态变化特征信息,以便于后续进行模压值的实时自适应控制。
然后,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模压值应增大或应减小。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模压值应增大(第一标签),以及,当前时间点的模压值应减小(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。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的模压值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为一。因此,模压值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的模压值应增大或应减小”的语言文本意义。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所述当前时间点的模压值应增大或应减小的控制策略标签,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当前时间点的模压值增大或减小,以此来进行二次加热成型过程中的参数实时控制,进而提高加热成型的产品质量和一致性。
特别地,在本申请的技术方案中,考虑到所述多尺度温度时序特征向量和所述多尺度模压时序特征向量分别表示所述温度值的多尺度局部时序关联特征和所述模压值的多尺度局部时序关联特征,虽然两者均基本上符合时序维度分布,但是在时序维度上的具体特征语义分布上存在差别,因此,当基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量得到所述温度-压力融合特征矩阵时,仍然期望能够提升所述多尺度温度时序特征向量和所述多尺度模压时序特征向量在特征语义层面上的融合效果。
由此,本申请的申请人在计算高斯密度图时,代替对所述多尺度温度时序特征向量,例如记为和所述多尺度模压时序特征向量,例如记为/>求均值来获得均值向量,对所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>进行深层空间封装语义匹配融合,以得到高斯密度图的均值向量,例如记为/>,其中,均值向量/>具体表示为:/>,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>之间的按位置距离矩阵,即/>,且/>为单位矩阵。
这里,对于深度特征空间中的所述多尺度温度时序特征向量和所述多尺度模压时序特征向量/>,其语义表达被封装到了深层空间内,这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布,由此,通过所述深层空间封装语义匹配融合,可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配,以实现特征在特征空间内的语义受控的编译融合,从而获得所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>在特征融合空间内的语义协同,提升了优化后的均值向量/>对所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>的语义融合效果,也就提升了所述温度-压力融合特征矩阵的表达效果,进而提升了以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积得到的分类特征向量通过分类器获得的分类结果的准确性。这样,能够基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
图1为根据本申请实施例的基于玉米淀粉的餐盒加工工艺的场景示意图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的温度值(例如,如图1中所示意的C1)和模压值(例如,如图1中所示意的C2);然后,将获取的温度值和模压值输入至部署有基于玉米淀粉的餐盒加工算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于玉米淀粉的餐盒加工算法对所述温度值和所述模压值进行处理,以生成用于表示当前时间点的模压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。
在本申请的一个实施例中,图2为根据本申请实施例的基于玉米淀粉的餐盒加工工艺的流程图。如图2所示,根据本申请实施例的基于玉米淀粉的餐盒加工工艺100,包括:110,将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;120,将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;130,将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;140,将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;150,将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,160,将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
如上所述,目前在玉米淀粉餐具加工过程中常常存在生产效率低、质量不稳定等问题。究其原因为:在实际进行餐具的加热成型时,只是通过人工经验将加热温度和模压值控制在固定范围内,并没有关注到餐具加热成型时的温度和压力之间的协同适配性关系。因此,期望一种优化的基于玉米淀粉的餐盒加工方案。
具体地,在本申请的技术方案中,提出了一种基于玉米淀粉的餐盒加工方法,其包括:将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
图3为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤140的子步骤的流程图,如图3所示,将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具,包括:141,获取预定时间段内多个预定时间点的温度值和模压值;142,将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;143,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;144,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;145,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和,146,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模压值应增大或应减小。
图4为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤140的架构示意图。如图4所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的温度值和模压值;然后,将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;接着,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;然后,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;接着,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和,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模压值应增大或应减小。
具体地,在步骤141中,获取预定时间段内多个预定时间点的温度值和模压值。相应地,考虑到在将所述半成品送入加热炉进行二次加热成型的过程中,为了能够优化产品的一致性和品质,期待对于温度和压力进行协同控制以提高加热成型的产品质量。但是,由于在实际进行餐具的加热成型过程中,温度值和模压值都在时间维度上有着各自的动态变化规律,并且这两者之间还具有着时序的协同关联特征信息,导致对于二次加热成型的参数控制的精准度难以把握。因此,在此过程中,难点在于如何挖掘所述温度值的时序动态变化特征和所述模压值的时序动态变化特征之间的关联性特征分布信息,以此来准确地进行二次加热成型过程中的参数实时控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
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。深度学习以及神经网络的发展为挖掘所述温度值的时序动态变化特征和所述模压值的时序动态变化特征之间的关联性特征分布信息提供了新的解决思路和方案。
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温度值和模压值。
具体地,在步骤142中,将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量。接着,考虑到由于所述温度值和所述模压值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述温度值和所述模压值在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量,以此来分别整合所述温度值和所述模压值在时序上的分布信息。
具体地,在步骤143中,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量。然后,考虑到由于所述温度值和所述模压值在时间维度上都具有着波动性,其在时序上的不同时间周期跨度下呈现出不同的动态变化规律性。
因此,为了能够进行所述温度值和所述模压值的时序动态变化特征的充分表达,在本申请的技术方案中,进一步将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量。特别地,这里,所述第一卷积神经网络模型和所述第二卷积神经网络模型采用不同尺度的一维卷积核来分别对于所述温度值时序输入向量和所述模压值时序输入向量进行处理,以分别提取出所述温度值和所述模压值在不同时间跨度下的时序动态多尺度邻域关联特征信息。
图5为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤143的子步骤的流程图,如图5所示,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量,包括:1431,将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;1432,将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,1433,将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
进一步地,将所述模压值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度模压值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述模压值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度模压值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度模压值特征向量和所述第二尺度模压值特征向量级联以得到所述多尺度模压时序特征向量。
卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层,其中,在所述多尺度邻域特征提取模块进行特征提取的过程中,所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地,在步骤144中,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵。进一步地,考虑到所述多尺度温度时序特征向量和所述多尺度模压时序特征向量在高维特征空间中都各自对应着一个特征分布流形,而这些特征分布流形由于本身的不规则形状和散布位置,如果仅通过将所述多尺度温度时序特征向量和所述多尺度模压时序特征向量级联来表示所述温度值和所述模压值的时序协同动态变化关联特征表示,将相当于简单地将这些特征分布流形按原位置和形状来进行叠加,使得新获得的特征分布流形的边界变得非常不规则和复杂,在通过梯度下降来寻找最优点时,非常容易陷入局部极值点中而无法获得全局最优点。因此,需要进一步地对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。
应可以理解,考虑到高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布,从而实现上述目的。具体地,在本申请的技术方案中,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量,以此来融合所述温度值的时序多尺度动态变化特征信息和所述模压值的时序多尺度动态变化特征信息,从而得到温度-压力融合特征矩阵。
图6为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤144的子步骤的流程图,如图6所示,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵,包括:1441,基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图;以及,1442,对所述融合高斯密度图进行高斯离散化处理以得到所述温度-压力融合特征矩阵。
特别地,在本申请的技术方案中,考虑到所述多尺度温度时序特征向量和所述多尺度模压时序特征向量分别表示所述温度值的多尺度局部时序关联特征和所述模压值的多尺度局部时序关联特征,虽然两者均基本上符合时序维度分布,但是在时序维度上的具体特征语义分布上存在差别,因此,当基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量得到所述温度-压力融合特征矩阵时,仍然期望能够提升所述多尺度温度时序特征向量和所述多尺度模压时序特征向量在特征语义层面上的融合效果。
由此,本申请的申请人在计算高斯密度图时,代替对所述多尺度温度时序特征向量,例如记为和所述多尺度模压时序特征向量,例如记为/>求均值来获得均值向量,对所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>进行深层空间封装语义匹配融合,以得到高斯密度图的均值向量,例如记为/>,其中,均值向量/>具体表示为:以如下优化公式对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行深层空间封装语义匹配融合以得到所述融合高斯密度图的均值向量;其中,所述优化公式为:/>,其中,/>是所述多尺度温度时序特征向量,/>是所述多尺度模压时序特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述多尺度温度时序特征向量和所述多尺度模压时序特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述融合高斯密度图的均值向量。
这里,对于深度特征空间中的所述多尺度温度时序特征向量和所述多尺度模压时序特征向量/>,其语义表达被封装到了深层空间内,这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布,由此,通过所述深层空间封装语义匹配融合,可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配,以实现特征在特征空间内的语义受控的编译融合,从而获得所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>在特征融合空间内的语义协同,提升了优化后的均值向量/>对所述多尺度温度时序特征向量/>和所述多尺度模压时序特征向量/>的语义融合效果,也就提升了所述温度-压力融合特征矩阵的表达效果,进而提升了以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积得到的分类特征向量通过分类器获得的分类结果的准确性。这样,能够基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
具体地,在步骤145中,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量。接着,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量,以此来表示以所述温度值的时序多尺度动态变化特征信息和所述模压值的时序多尺度动态变化特征信息的关联性特征分布信息为背景基础下的关于所述模压值的时序动态变化特征信息,以便于后续进行模压值的实时自适应控制。
其中,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量,包括:以如下乘积公式计算所述多尺度模压时序特征向量与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;其中,所述乘积公式为:,其中,/>表示所述温度-压力融合特征矩阵,/>表示所述多尺度模压时序特征向量,/>表示所述分类特征向量,/> 表示矩阵相乘。
具体地,在步骤146中,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模压值应增大或应减小。然后,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模压值应增大或应减小。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模压值应增大(第一标签),以及,当前时间点的模压值应减小(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。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的模压值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为一。
因此,模压值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的模压值应增大或应减小”的语言文本意义。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所述当前时间点的模压值应增大或应减小的控制策略标签,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当前时间点的模压值增大或减小,以此来进行二次加热成型过程中的参数实时控制,进而提高加热成型的产品质量和一致性。
图7为根据本申请实施例的基于玉米淀粉的餐盒加工工艺中步骤146的子步骤的流程图,如图7所示,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模压值应增大或应减小,包括:1461,使用所述分类器的多个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,1462,将所述编码分类特征向量通过所述分类器的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基于玉米淀粉的餐盒加工工艺100被阐明,其将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。这样,可以基于实际情况进行二次加热成型过程中参数的实时准确地控制,进而提高加热成型的产品质量和一致性,优化可降解玉米淀粉餐具的品质。
在本申请的一个实施例中,图8为根据本申请实施例的基于玉米淀粉的餐盒加工系统的框图。如图8所示,根据本申请实施例的基于玉米淀粉的餐盒加工系统200,包括:混合模块210,用于将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;高混机处理模块220,用于将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;压解处理模块230,用于将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;预定形状成型模块240,用于将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;餐盒成品生成模块250,用于将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及,可降解玉米淀粉餐具制造模块260,用于将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述预定形状成型模块,包括:数据获取单元,用于获取预定时间段内多个预定时间点的温度值和模压值;向量排列单元,用于将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;特征提取单元,用于将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;融合单元,用于基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;计算单元,用于以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和,模压值控制单元,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模压值应增大或应减小。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述特征提取单元,包括:第一尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,级联子单元,用于将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述融合单元,包括:高斯融合子单元,用于基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图;以及,离散化处理子单元,用于对所述融合高斯密度图进行高斯离散化处理以得到所述温度-压力融合特征矩阵。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述高斯融合单元,用于:以如下优化公式对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行深层空间封装语义匹配融合以得到所述融合高斯密度图的均值向量;其中,所述优化公式为:,其中,/>是所述多尺度温度时序特征向量,/>是所述多尺度模压时序特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述多尺度温度时序特征向量和所述多尺度模压时序特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述融合高斯密度图的均值向量。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述计算单元,用于:以如下乘积公式计算所述多尺度模压时序特征向量与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;其中,所述乘积公式为:,其中,/>表示所述温度-压力融合特征矩阵,/>表示所述多尺度模压时序特征向量,/>表示所述分类特征向量,/> 表示矩阵相乘。
在一个具体示例中,在上述基于玉米淀粉的餐盒加工系统中,所述模压值控制单元,包括:编码子单元,用于使用所述分类器的多个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,分类结果子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述基于玉米淀粉的餐盒加工系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的基于玉米淀粉的餐盒加工工艺的描述中得到了详细介绍,并因此,将省略其重复描述。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)
1.一种基于玉米淀粉的餐盒加工工艺,其特征在于,包括:将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
2.根据权利要求1所述的基于玉米淀粉的餐盒加工工艺,其特征在于,将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具,包括:获取预定时间段内多个预定时间点的温度值和模压值;将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和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模压值应增大或应减小。
3.根据权利要求2所述的基于玉米淀粉的餐盒加工工艺,其特征在于,将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量,包括:将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
4.根据权利要求3所述的基于玉米淀粉的餐盒加工工艺,其特征在于,基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵,包括:基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图;以及对所述融合高斯密度图进行高斯离散化处理以得到所述温度-压力融合特征矩阵。
5.根据权利要求4所述的基于玉米淀粉的餐盒加工工艺,其特征在于,基于高斯密度图融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到融合高斯密度图,包括:以如下优化公式对所述多尺度温度时序特征向量和所述多尺度模压时序特征向量进行深层空间封装语义匹配融合以得到所述融合高斯密度图的均值向量;其中,所述优化公式为:,其中,/>是所述多尺度温度时序特征向量,/>是所述多尺度模压时序特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述多尺度温度时序特征向量和所述多尺度模压时序特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述融合高斯密度图的均值向量。
6.根据权利要求5所述的基于玉米淀粉的餐盒加工工艺,其特征在于,以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量,包括:以如下乘积公式计算所述多尺度模压时序特征向量与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;其中,所述乘积公式为:,其中,/>表示所述温度-压力融合特征矩阵,/>表示所述多尺度模压时序特征向量,/>表示所述分类特征向量,/> 表示矩阵相乘。
7.根据权利要求6所述的基于玉米淀粉的餐盒加工工艺,其特征在于,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模压值应增大或应减小,包括:使用所述分类器的多个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通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种基于玉米淀粉的餐盒加工系统,其特征在于,包括:混合模块,用于将玉米淀粉、水、载体树脂和偶联剂混合均匀以得到淀粉糊;高混机处理模块,用于将所述淀粉糊送入高混机进行高速搅拌和剪切处理,以得到具有一定的粘度和流动性的预处理淀粉糊;压解处理模块,用于将所述预处理淀粉糊通过片切机进行压解处理以得到半成品;预定形状成型模块,用于将所述半成品送入加热炉进行二次加热,并利用模具成型以得到具有预定形状的成型餐具;餐盒成品生成模块,用于将所述成型餐具进行冷却、切边和打孔处理以得到餐盒成品;以及可降解玉米淀粉餐具制造模块,用于将所述餐盒成品进行消毒、包装和检验处理以得到符合卫生安全的可降解玉米淀粉餐具。
9.根据权利要求8所述的基于玉米淀粉的餐盒加工系统,其特征在于,所述预定形状成型模块,包括:数据获取单元,用于获取预定时间段内多个预定时间点的温度值和模压值;向量排列单元,用于将所述多个预定时间点的温度值和模压值分别按照时间维度排列为温度值时序输入向量和模压值时序输入向量;特征提取单元,用于将所述温度值时序输入向量和所述模压值时序输入向量分别输入包含第一卷积神经网络模型和第二卷积神经网络模型的双管线模型以得到多尺度温度时序特征向量和多尺度模压时序特征向量;融合单元,用于基于高斯密度图来融合所述多尺度温度时序特征向量和所述多尺度模压时序特征向量以得到温度-压力融合特征矩阵;计算单元,用于以所述多尺度模压时序特征向量作为查询特征向量,计算其与所述温度-压力融合特征矩阵之间的矩阵乘积以得到分类特征向量;和模压值控制单元,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模压值应增大或应减小。
10.根据权利要求9所述的基于玉米淀粉的餐盒加工系统,其特征在于,所述特征提取单元,包括:第一尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第一卷积神经网络模型以得到第一尺度温度值特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度特征提取子单元,用于将所述温度值时序输入向量通过所述双管线模型的第二卷积神经网络模型以得到第二尺度温度值特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及级联子单元,用于将所述第一尺度温度值特征向量和所述第二尺度温度值特征向量级联以得到所述多尺度温度时序特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535798.9A CN116690949A (zh) | 2023-05-12 | 2023-05-12 | 基于玉米淀粉的餐盒加工工艺及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535798.9A CN116690949A (zh) | 2023-05-12 | 2023-05-12 | 基于玉米淀粉的餐盒加工工艺及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116690949A true CN116690949A (zh) | 2023-09-05 |
Family
ID=87836457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535798.9A Pending CN116690949A (zh) | 2023-05-12 | 2023-05-12 | 基于玉米淀粉的餐盒加工工艺及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116690949A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115260784A (zh) * | 2021-05-23 | 2022-11-01 | 林良光 | 可方便降解的一次性环保餐具制作方法 |
CN115709580A (zh) * | 2023-01-10 | 2023-02-24 | 广州声博士声学技术有限公司 | 一种碳塑隔声板的制备方法 |
CN115841644A (zh) * | 2022-12-29 | 2023-03-24 | 杭州毓贞智能科技有限公司 | 基于物联网的城市基础建设工程设备的控制系统及其方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN115990983A (zh) * | 2023-03-02 | 2023-04-21 | 斯帝尔实业(上海)有限公司 | 一种可调节式加工模具及其方法 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
CN116082714A (zh) * | 2023-02-27 | 2023-05-09 | 浙江喜恒科技新材料有限公司 | 一种可降解餐具和制备方法 |
CN116082579A (zh) * | 2023-02-17 | 2023-05-09 | 新旭新材料有限公司 | 单组份自交联环氧改性丙烯酸酯乳液及其制备方法 |
-
2023
- 2023-05-12 CN CN202310535798.9A patent/CN116690949A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115260784A (zh) * | 2021-05-23 | 2022-11-01 | 林良光 | 可方便降解的一次性环保餐具制作方法 |
CN115841644A (zh) * | 2022-12-29 | 2023-03-24 | 杭州毓贞智能科技有限公司 | 基于物联网的城市基础建设工程设备的控制系统及其方法 |
CN115709580A (zh) * | 2023-01-10 | 2023-02-24 | 广州声博士声学技术有限公司 | 一种碳塑隔声板的制备方法 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测系统及其方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
CN116082579A (zh) * | 2023-02-17 | 2023-05-09 | 新旭新材料有限公司 | 单组份自交联环氧改性丙烯酸酯乳液及其制备方法 |
CN116082714A (zh) * | 2023-02-27 | 2023-05-09 | 浙江喜恒科技新材料有限公司 | 一种可降解餐具和制备方法 |
CN115990983A (zh) * | 2023-03-02 | 2023-04-21 | 斯帝尔实业(上海)有限公司 | 一种可调节式加工模具及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Deepshape: Deep-learned shape descriptor for 3d shape retrieval | |
CN102193936B (zh) | 一种数据分类的方法及装置 | |
CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN110765704B (zh) | 一种应用于微波器件的新型深层神经网络自动建模方法 | |
CN106447133A (zh) | 一种基于深度自编码网络的短期电力负荷预测方法 | |
CN116038854A (zh) | 门加工用成型控制系统及方法 | |
Jian et al. | An improved NBA-based STEP design intention feature recognition | |
CN105528708A (zh) | 一种远程服装设计系统和方法 | |
CN113706151A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN116541911A (zh) | 一种基于人工智能的包装设计系统 | |
CN112906393A (zh) | 一种基于元学习的少样本实体识别方法 | |
CN115990983A (zh) | 一种可调节式加工模具及其方法 | |
CN108875915A (zh) | 一种面向嵌入式应用的深度对抗网络优化方法 | |
CN116649191A (zh) | 基于plc的远程施肥灌溉控制系统及其方法 | |
CN116143127A (zh) | 石英砂的自动化生产系统及其方法 | |
CN116690949A (zh) | 基于玉米淀粉的餐盒加工工艺及其系统 | |
CN106204094A (zh) | 一种基于b2b平台的需求信息推送方法、装置 | |
Charalampous et al. | Sparse deep-learning algorithm for recognition and categorisation | |
CN116714204A (zh) | 电机转盘注塑成型机构及成型控制方法 | |
CN116596900A (zh) | 石墨坩埚的制造方法及其系统 | |
CN116468699A (zh) | 随光强弱变色的面料的智能化生产系统及其方法 | |
Studer et al. | Numerical shape optimization as an approach to reduce material waste in injection molding | |
CN110147497B (zh) | 一种面向青少年群体的个性化内容推荐方法 | |
CN111814922B (zh) | 一种基于深度学习的视频片段内容匹配方法 | |
Lee et al. | Automatic detection of injection and press mold parts on 2d drawing using deep neural network |
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 |