CN116694129B - 用于紫外固化型油墨制备的自动控制系统及其方法 - Google Patents

Abstract

公开了一种用于紫外固化型油墨制备的自动控制系统及其方法。其首先获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频，然后对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量，最后，基于所述搅拌状态时序关联特征向量，确定搅拌控制策略，通过这样的方式，从混合原料在预定时间段的搅拌状态监控视频中提取搅拌状态信息，以此来判断是否搅拌均匀，从而实现搅拌自动控制，提高搅拌效果的一致性。

Description

用于紫外固化型油墨制备的自动控制系统及其方法

技术领域

本公开涉及油墨制备领域，且更为具体地，涉及一种用于紫外固化型油墨制备的自动控制系统及其方法。

背景技术

由于有机溶剂的挥发，传统的溶剂型油墨易对环境造成污染，对人体造成伤害，且存在易燃易爆等不安全因素。水溶性油墨虽然没有溶剂型油墨因溶剂挥发造成的环境污染、人体伤害和危险性高等不利特点，但是也存在不易干燥、对塑料基材的附着力差等缺点。

紫外光固化油墨由于体系中不含溶剂，具有高效、适应性广、经济、节能、环境友好，成为具有广阔发展前景的新型油墨。但在紫外固化型油墨制备过程中，存在人工控制不稳定、控制结果一致性不高等问题。

因此，期待一种优化的方案。

发明内容

有鉴于此，本公开提出了一种用于紫外固化型油墨制备的自动控制系统及其方法，其可以从混合原料在预定时间段的搅拌状态监控视频中提取搅拌状态信息，以此来判断是否搅拌均匀，从而实现搅拌自动控制，提高搅拌效果的一致性。

根据本公开的一方面，提供了一种用于紫外固化型油墨制备的自动控制方法，其包括：S1、加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟；S2、加入焦磷酸钠、六偏磷酸钠、乙二醇、聚酯丙烯酸酯、乙醇和助剂，搅拌反应3-5小时；以及S3、降温至60-70℃，加入光引发剂，搅拌反应45-55分钟，冷却后，研磨得到紫外固化型油墨。

根据本公开的另一方面，提供了一种用于紫外固化型油墨制备的自动控制系统，其包括：加热搅拌模块，用于加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟；二次添加搅拌模块，用于加入焦磷酸钠、六偏磷酸钠、乙二醇、聚酯丙烯酸酯、乙醇和助剂，搅拌反应3-5小时；以及冷却研磨模块，用于降温至60-70℃，加入光引发剂，搅拌反应45-55分钟，冷却后，研磨得到紫外固化型油墨。

根据本公开的实施例，其首先加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟，接着，加入焦磷酸钠、六偏磷酸钠、乙二醇、聚酯丙烯酸酯、乙醇和助剂，搅拌反应3-5小时，然后，降温至60-70℃，加入光引发剂，搅拌反应45-55分钟，冷却后，研磨得到紫外固化型油墨。这样，可以得到各个成分搅拌混匀的紫外固化型油墨。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的流程图。

图2示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S1的流程图。

图3示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S1的架构示意图。

图4示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S120的流程图。

图5示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S121的流程图。

图6示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S122的流程图。

图7示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S123的流程图。

图8示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制系统的框图。

图9示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

如本公开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他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开提供了一种紫外固化型油墨制备方法，如图1所示，其具体步骤，包括：S1、加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟；S2、加入焦磷酸钠、六偏磷酸钠、乙二醇、聚酯丙烯酸酯、乙醇和助剂，搅拌反应3-5小时；以及，S3、降温至60-70℃，加入光引发剂，搅拌反应45-55分钟，冷却后，研磨得到紫外固化型油墨。

其中，搅拌混匀是将不同的物质或成分均匀混合在一起的过程。例如下述搅拌混匀方法：机械搅拌，使用搅拌设备，如搅拌器、搅拌罐、搅拌棒等，通过机械力将物质搅拌混合，可以选择适当的搅拌速度和时间，确保充分混合；手工搅拌，使用手工工具，如搅拌棒、搅拌勺等，通过手动搅拌将物质混合，需要用力均匀地搅拌，直到达到所需的混合程度；涡流搅拌，通过产生涡流或涡旋效应，使物质在容器中形成旋涡，从而实现混合，可以使用涡流搅拌器或涡流混合器等设备；真空搅拌，在真空条件下进行搅拌混合，利用真空环境下气泡的形成和破裂，促进物质的混合，适用于特殊的混合要求，如去除气泡或气体反应。其中，要将物质加热至80-90℃，可以采取以下方法：将容器放置在热板上，调节热板的温度以达到所需的80-90℃，热板通常具有温度控制功能，可以精确地控制加热温度；将容器放置在装有加热水的水浴中，通过水的热传导将容器中的物质加热至80-90℃，可以使用温度控制器来保持水浴的温度稳定；将容器放置在加热炉或烘箱中，调节加热炉或烘箱的温度以达到所需的80-90℃。其中，光引发剂是一种能够在光照条件下引发化学反应的物质，它们在光照下吸收能量，然后将能量转化为化学反应所需的活化能，从而促使化学反应发生，光引发剂通常用于光化学反应、光固化、光敏感材料等领域。光引发剂的工作原理是通过吸收特定波长的光能量，激发其电子到高能级，形成激发态，激发态的光引发剂可以与其他物质发生反应，引发化学变化，这些反应可以是光引发聚合反应、光引发分解反应、光引发氧化还原反应等。光引发剂的选择取决于所需的光照条件和所需的化学反应类型。常见的光引发剂包括有机光引发剂和无机光引发剂，有机光引发剂通常是有机化合物，如芳香酮、芳香胺、有机过氧化物等，无机光引发剂通常是过渡金属化合物，如铜化合物、铱化合物等。

在S1步骤中，需要进行搅拌控制以确保混合物中各个成分能够搅拌混匀。然而，在实际搅拌过程中，常通过人工观察来判断是否搅拌混匀。人工肉眼观察一方面受限于肉眼的分辨率，另一方面也需要依托于专业经验，这不仅会使得工业制备的稳定性和智能性不高，还会影响最终的紫外固化型油墨的成品质量。

针对此技术问题，本公开的技术构思为基于机器视觉来判断是否搅拌均匀，也就是，从混合原料在预定时间段的搅拌状态监控视频中提取搅拌状态信息，以此来判断是否搅拌均匀，从而实现搅拌自动控制，提高搅拌效果的一致性。

基于此，在本公开的技术方案中，首先，获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频。接着，对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图。也就是，捕捉所述搅拌状态监控视频中所蕴含的关于搅拌状态的高维隐含特征分布信息。

图2示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S1的流程图。图3示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的子步骤S1的架构示意图。如图2和图3所示，根据本公开实施例的用于紫外固化型油墨制备的自动控制方法，所述步骤S1，包括：S110、获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频；S120、对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量；以及，S130、基于所述搅拌状态时序关联特征向量，确定搅拌控制策略。

相应地，在一种可能的实现方式中，如图4所示，对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量，包括：S121、对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图；S122、对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图；以及，S123、从所述多个优化搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量。

在本公开的一个具体示例中，对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图的具体步骤，包括：先对所述搅拌状态监控视频进行稀疏采样以得到多个搅拌状态监控关键帧；随后，将所述多个搅拌状态监控关键帧分别通过基于卷积神经网络模型的浅层特征提取器以得到多个搅拌状态特征图。

相应地，如图5所示，在步骤S121中，对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图，包括：S1211、对所述搅拌状态监控视频进行稀疏采样以得到多个搅拌状态监控关键帧；以及，S1212、将所述多个搅拌状态监控关键帧分别通过基于卷积神经网络模型的浅层特征提取器以得到所述多个搅拌状态特征图。应可以理解，稀疏采样是一种从视频序列中选择少量关键帧的采样方法。在搅拌状态监控视频中，可能包含大量的冗余帧，通过稀疏采样可以选择一些关键帧，这些关键帧能够代表整个视频序列的搅拌状态。稀疏采样的目的是减少数据量，提高计算效率，并且保留足够的信息来描述搅拌状态，通过选择关键帧，可以在减少计算负载的同时，保留搅拌状态变化的重要信息。

值得一提的是，卷积神经网络模型是一种深度学习模型，特别适用于处理图像和视频数据。在该步骤中，使用基于卷积神经网络模型的浅层特征提取器来处理每个搅拌状态监控关键帧，以得到搅拌状态特征图。卷积神经网络模型能够自动学习图像的特征表示，通过多层卷积和池化操作，提取出图像中的局部和全局特征。在搅拌状态监控中，通过使用卷积神经网络模型的浅层特征提取器，可以从搅拌状态监控关键帧中提取出有用的特征信息，用于后续的状态分析和判别。这些特征图可以用于训练机器学习模型或进行其他相关的分析任务。

相应地，如图6所示，在步骤S122中，对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图，包括：S1221、分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量；以及，S1222、基于所述多个加权特征向量，对对应的所述多个搅拌状态特征图的各个特征矩阵进行加权以得到所述多个优化搅拌状态特征图。

然后，从所述多个搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量。在本公开的一个具体示例中，从所述多个搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量的编码过程，包括：先将所述多个搅拌状态特征图分别降维为搅拌状态特征向量以得到多个搅拌状态特征向量；接着，将所述多个搅拌状态特征向量通过基于一维卷积神经网络模型的时序关联特征提取器以得到搅拌状态时序关联特征向量。

相应地，如图7所示，在步骤S123中，从所述多个优化搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量，包括：S1231、将所述多个优化搅拌状态特征图分别降维为搅拌状态特征向量以得到多个搅拌状态特征向量；以及，S1232、将所述多个搅拌状态特征向量通过基于一维卷积神经网络模型的时序关联特征提取器以得到所述搅拌状态时序关联特征向量。

应可以理解，降维是指将高维数据映射到低维空间的过程，目的是减少数据的维度同时保留尽可能多的信息。常用的降维方法有主成分分析（PCA）和线性判别分析（LDA）等。主成分分析（PCA）是一种常用的无监督降维方法，它通过找到数据中的主要方差方向，将数据投影到新的坐标轴上，使得投影后的数据具有最大的方差，这样可以通过保留较少的主成分来实现降维，而不会损失太多的信息。线性判别分析（LDA）则是一种有监督降维方法，主要用于分类任务，它通过最大化类间距离和最小化类内距离的方式，将数据映射到低维空间，LDA能够找到一个最优的投影方向，使得在新的低维空间中，不同类别的样本能够更好地分开。除了PCA和LDA，还有其他降维方法，如t-SNE、Isomap、LLE等。这些方法基于不同的原理和假设，适用于不同的数据特点和任务需求。选择合适的降维方法需要考虑数据的性质、降维后的数据保留的信息量以及后续任务的要求。

值得一提的是，一维卷积神经网络模型是一种特殊类型的卷积神经网络模型，用于处理序列数据，例如时间序列数据或文本数据。与传统的二维卷积神经网络模型不同，一维卷积神经网络模型在卷积操作中只考虑一个方向上的相关性，而不考虑多个方向上的相关性。在步骤S123中，使用基于一维卷积神经网络模型的时序关联特征提取器，从多个优化搅拌状态特征图中提取搅拌状态的关联模式特征，以得到搅拌状态时序关联特征向量。一维卷积神经网络模型能够自动学习序列数据中的时序关联模式。通过卷积和池化操作，一维卷积神经网络模型能够提取出序列数据中的局部和全局时序特征。在搅拌状态监控中，通过使用一维卷积神经网络模型的时序关联特征提取器，可以从多个搅拌状态特征向量中提取出搅拌状态的时序关联模式特征。这些时序关联特征向量可以用于进一步的分析和建模，例如用于搅拌状态的预测、异常检测等任务。

值得一提的是，在本公开的技术方案中，利用3D卷积分解的思想，将传统的利用三维卷积神经网络模型提取视频数据中时序信息的方案，转变为利用一个2D空间卷积和一个1D时间卷积的组合，通过这样的方式，可以在保持模型性能的同时，减少计算量和参数数量，提高模型训练和推理的效率。

进一步地，将所述搅拌状态时序关联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是否停止搅拌。相应地，基于所述搅拌状态时序关联特征向量，确定搅拌控制策略，包括：将所述搅拌状态时序关联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是否停止搅拌。

也就是，在本公开的技术方案中，所述分类器的标签包括停止搅拌(第一标签)，以及，不停止搅拌(第二标签)，其中，所述分类器通过软最大值函数来确定所述搅拌状态时序关联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“是否停止搅拌”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，是否停止搅拌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“是否停止搅拌”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一种可能的实现方式中，将所述搅拌状态时序关联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是否停止搅拌，包括：使用所述分类器的全连接层对所述搅拌状态时序关联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。

在本公开的技术方案中，将所述多个搅拌状态监控关键帧分别通过基于卷积神经网络模型的浅层特征提取器得到所述多个搅拌状态特征图时，所述多个搅拌状态特征图的各个特征矩阵用于表达搅拌状态监控关键帧的图像特征语义，考虑到时序图像帧源语义分布差异和语义特征基于卷积神经网络模型的分布差异，所述多个搅拌状态特征图会存在一定的整体分布差异。

这样，在将所述多个搅拌状态特征图分别降维为搅拌状态特征向量以得到多个搅拌状态特征向量时，由于降维操作，会进一步加大所述多个搅拌状态特征向量之间的整体分布差异，而将所述多个搅拌状态特征向量通过基于一维卷积神经网络模型的时序关联特征提取器时，是提取所述多个搅拌状态特征向量的局部时序关联特征而不是所述多个搅拌状态特征向量的整体时序分布关联，因此如果所述多个搅拌状态特征图的全局特征分布关联效果差，会直接影响所述搅拌状态时序关联特征向量的表达效果。

基于此，本公开的申请人考虑通过沿通道对所述多个搅拌状态特征图的各个特征矩阵进行加权的方式来提升所述多个搅拌状态特征图的全局特征分布关联效果，其中，所述加权特征向量可以通过基于特征矩阵的静态场景表达来进行定向偏导约束，以将特征矩阵自调谐结构化来计算。

相应地，分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量，包括：将所述多个搅拌状态特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到多个转换后特征图；以及，基于所述多个转换后特征图，以如下优化公式对所述多个搅拌状态特征图的沿通道维度的特征矩阵进行静态场景表达的定向偏导约束以得到所述多个加权特征向量；其中，所述优化公式为：其中，/>是所述多个转换后特征图沿通道维度的第/>个特征矩阵，/>是所述多个转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述多个转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述多个加权特征向量。

其中，首先将所述多个搅拌状态特征图的每个特征矩阵通道线性变换转换为的正方矩阵，其中/>是所述多个搅拌状态特征图的通道数之和。

也就是，以所述加权特征向量对于所述多个搅拌状态特征图的各个特征矩阵进行加权时，可以通过所述多个搅拌状态特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量/>的自结构化约束，来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐，从而基于所述多个搅拌状态特征图的集合的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族（convex polytopes family）来进行高维特征流形的结构化，以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联，从而提升所述多个搅拌状态特征图的全局特征分布时序关联效果。

综上，基于本公开实施例的用于紫外固化型油墨制备的自动控制方法，其可以从混合原料在预定时间段的搅拌状态监控视频中提取搅拌状态信息，以此来判断是否搅拌均匀，从而实现搅拌自动控制，提高搅拌效果的一致性。

图8示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制系统100的框图。如图8所示，根据本公开实施例的用于紫外固化型油墨制备的自动控制系统100，包括：加热搅拌模块110，用于加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟；二次添加搅拌模块120，用于加入焦磷酸钠、六偏磷酸钠、乙二醇、聚酯丙烯酸酯、乙醇和助剂，搅拌反应3-5小时；以及，冷却研磨模块130，用于降温至60-70℃，加入光引发剂，搅拌反应45-55分钟，冷却后，研磨得到紫外固化型油墨。

在一种可能的实现方式中，所述加热搅拌模块110，包括：监控视频采集单元，用于获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频；关联模式提取单元，用于对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量；以及，搅拌控制策略确定单元，用于基于所述搅拌状态时序关联特征向量，确定搅拌控制策略。

这里，本领域技术人员可以理解，上述用于紫外固化型油墨制备的自动控制系统100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的用于紫外固化型油墨制备的自动控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的用于紫外固化型油墨制备的自动控制系统100可以实现在各种无线终端中，例如具有用于紫外固化型油墨制备的自动控制算法的服务器等。在一种可能的实现方式中，根据本公开实施例的用于紫外固化型油墨制备的自动控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于紫外固化型油墨制备的自动控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于紫外固化型油墨制备的自动控制系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于紫外固化型油墨制备的自动控制系统100与该无线终端也可以是分立的设备，并且该用于紫外固化型油墨制备的自动控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图9示出根据本公开的实施例的用于紫外固化型油墨制备的自动控制方法的应用场景图。如图9所示，在该应用场景中，首先，获取由摄像头（例如，图9中所示意的C）采集的混合原料在预定时间段的搅拌状态监控视频（例如，图9中所示意的D），然后，将所述搅拌状态监控视频输入至部署有用于紫外固化型油墨制备的自动控制算法的服务器中（例如，图9中所示意的S），其中，所述服务器能够使用所述用于紫外固化型油墨制备的自动控制算法对所述搅拌状态监控视频进行处理以得到用于表示是否停止搅拌的分类结果。

进一步地，通过本公开所述的用于紫外固化型油墨制备的自动控制系统及其方法制备的紫外固化型油墨，由下列重量份（公斤）的原料制备制成：有机颜料1、三羟甲基丙烷三丙烯酸酯16、1,6己二醇二丙烯酸酯14、三丙二醇二丙烯酸酯10、纳米三氧化二铝1、松香3、亚麻油3、酞菁蓝1、碘酸钾1、乙酸乙酯6、壳聚糖1、焦磷酸钠1、六偏磷酸钠1、乙二醇5、光引发剂29595、聚酯丙烯酸酯23、乙醇10、助剂4；所述助剂由下列重量份（公斤）的原料制备而成：纳米硅藻土粉0.2、纳米云母粉0.2、硅烷偶联剂KH-5502、吗啉1、新戊二醇3、抗氧剂10351、交联剂TAC2、二缩三丙二醇二丙烯酸酯10、丙二醇甲醚醋酸酯5、没食子酸丙酯2、薏仁油1；其制备方法是将各物料混合，加热至60-70℃，搅拌反应30-40分钟，即得。

在本公开的一个示例中，紫外固化型油墨由以下具体步骤制成：首先加入有机颜料、三羟甲基丙烷三丙烯酸酯、1,6己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯、壳聚糖搅拌混匀，加热至80-90℃，搅拌25-35分钟；然后加入除光引发剂2959之外的其余剩余成分，搅拌反应3-5小时；最后降温至60-70℃，加入光引发剂2959，搅拌反应45-55分钟，冷却后，研磨得到20-40μm浆料，即得。所得的油墨，使用划格法牛皮胶带剥离，划格间距1mm，100%附着；使用浸有酒精的棉球，300克压力擦拭50次，无异状；浸泡于色拉油中（常温）8小时，无异状；使用浸有盐水的棉球，300克压力擦拭50次，无异状。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (5)

1.一种用于紫外固化型油墨制备的自动控制方法，其特征在于，包括：

获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频，其中，所述混合原料，包括：有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖；

对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量；以及

基于所述搅拌状态时序关联特征向量，确定搅拌控制策略；

其中，对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量，包括：

对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图；

对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图；以及

从所述多个优化搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量；

其中，对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图，包括：

分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量；以及

基于所述多个加权特征向量，对对应的所述多个搅拌状态特征图的各个特征矩阵进行加权以得到所述多个优化搅拌状态特征图；

其中，分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量，包括：

将所述多个搅拌状态特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到多个转换后特征图；以及

基于所述多个转换后特征图，以如下优化公式对所述多个搅拌状态特征图的沿通道维度的特征矩阵进行静态场景表达的定向偏导约束以得到所述多个加权特征向量；

其中，所述优化公式为：

，

其中，是所述多个转换后特征图沿通道维度的第/>个特征矩阵，是所述多个转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述多个转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述多个加权特征向量。

2.根据权利要求1所述的用于紫外固化型油墨制备的自动控制方法，其特征在于，对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图，包括：

对所述搅拌状态监控视频进行稀疏采样以得到多个搅拌状态监控关键帧；以及

将所述多个搅拌状态监控关键帧分别通过基于卷积神经网络模型的浅层特征提取器以得到所述多个搅拌状态特征图。

3.根据权利要求2所述的用于紫外固化型油墨制备的自动控制方法，其特征在于，从所述多个优化搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量，包括：

将所述多个优化搅拌状态特征图分别降维为搅拌状态特征向量以得到多个搅拌状态特征向量；以及

将所述多个搅拌状态特征向量通过基于一维卷积神经网络模型的时序关联特征提取器以得到所述搅拌状态时序关联特征向量。

4.根据权利要求3所述的用于紫外固化型油墨制备的自动控制方法，其特征在于，基于所述搅拌状态时序关联特征向量，确定搅拌控制策略，包括：

将所述搅拌状态时序关联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是否停止搅拌。

5.一种用于紫外固化型油墨制备的自动控制系统，其特征在于，包括：

监控视频采集单元，用于获取由摄像头采集的混合原料在预定时间段的搅拌状态监控视频，其中，所述混合原料，包括：有机颜料、三羟甲基丙烷三丙烯酸酯、1,6-己二醇二丙烯酸酯、三丙二醇二丙烯酸酯、纳米三氧化二铝、松香、亚麻油、酞菁蓝、碘酸钾、乙酸乙酯和壳聚糖；

关联模式提取单元，用于对所述搅拌状态监控视频进行关联模式提取以得到搅拌状态时序关联特征向量；以及

搅拌控制策略确定单元，用于基于所述搅拌状态时序关联特征向量，确定搅拌控制策略；

其中，所述关联模式提取单元，包括：

对所述搅拌状态监控视频进行采样和状态分析以得到多个搅拌状态特征图；

对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图；以及

从所述多个优化搅拌状态特征图中提取搅拌状态的关联模式特征以得到搅拌状态时序关联特征向量；

其中，对所述多个搅拌状态特征图分别进行特征分布优化以得到多个优化搅拌状态特征图，包括：

分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量；以及

基于所述多个加权特征向量，对对应的所述多个搅拌状态特征图的各个特征矩阵进行加权以得到所述多个优化搅拌状态特征图；

其中，分别计算所述多个搅拌状态特征图的加权特征向量以得到多个加权特征向量，包括：

将所述多个搅拌状态特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到多个转换后特征图；以及

基于所述多个转换后特征图，以如下优化公式对所述多个搅拌状态特征图的沿通道维度的特征矩阵进行静态场景表达的定向偏导约束以得到所述多个加权特征向量；

其中，所述优化公式为：

，

其中，是所述多个转换后特征图沿通道维度的第/>个特征矩阵，是所述多个转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量，/>是所述多个转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值，/>、/>和/>分别表示按位置加法、减法和乘法，/>是所述多个加权特征向量。