CN117565284A - 用于pvc膜加工的自动控制系统及方法 - Google Patents

Abstract

本申请涉及自动控制技术领域，其具体地公开了一种用于PVC膜加工的自动控制系统及方法，其通过相机从多个视角采集PVC膜的图像，并提取多个灰度直方图和灰度统计特征向量，然后使用融合模块将这些特征向量构造成PVC膜分类特征向量，最后，通过PVC膜检测缺陷模块使用分类器对PVC膜进行缺陷检测，以判断PVC膜表面是否有缺陷，这样能够提高PVC膜加工的精度和产品质量，并具有自动化和实时检测的优势。

Description

用于PVC膜加工的自动控制系统及方法

技术领域

本申请涉及自动控制技术领域，且更为具体地，涉及一种用于PVC膜加工的自动控制系统及方法。

背景技术

PVC主要成分为聚氯乙烯，为微黄色半透明状，有光泽。透明度胜于聚乙烯、聚丙烯，差于聚苯乙烯，随助剂用量不同，分为软、硬聚氯乙烯，软制品柔而韧，手感粘，硬制品的硬度高于低密度聚乙烯，而低于聚丙烯，在屈折处会出现白化现象。常见制品：板材、管材、鞋底、玩具、门窗、电线外皮、文具等。是一种使用一个氯原子取代聚乙烯中的一个氢原子的高分子材料。

PVC膜以其良好的性能，简单的工艺以及其他诸多优点渐渐赢得了人们的欢心，已被越来越多的人接受和认可，PVC材料具有轻质、隔热、保温、防潮、阻燃、施工简便等特点，其规格、色彩、图案繁多，极富装饰性，可应用于居室内墙、窗户、地板和吊顶等一系列的装饰。

但是现有的PVC膜切边设备在使用时，大多数切边设备都只能切割固定的宽度，无法实现多种宽度要求的切边，并且PVC膜在切边时PVC膜表面易出现褶皱现象，不便对PVC膜表面褶皱部位进行摆平，容易造成切边错位，影响切边精度，并且利用切刀将PVC膜切割之后，切割完毕的废弃薄膜都是粗暴地揉在一起然后打包直接丢弃，十分浪费并且不环保。

因此，期望一种用于PVC膜加工的自动控制系统及方法。可以对PVC膜进行缺陷检测，实现及时发现问题，提高产品质量。

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用于PVC膜加工的自动控制系统及方法，其通过相机从多个视角采集PVC膜的图像，并提取多个灰度直方图和灰度统计特征向量，然后使用融合模块将这些特征向量构造成PVC膜分类特征向量，最后，通过PVC膜检测缺陷模块使用分类器对PVC膜进行缺陷检测，以判断PVC膜表面是否有缺陷，这样能够提高PVC膜加工的精度和产品质量，并具有自动化和实时检测的优势。

根据本申请的一个方面，提供了一种用于PVC膜加工的自动控制系统，其包括：

PVC膜加工图像模块，用于通过相机从多个视角采集待监测PVC膜的多个图像；

灰度图模块，用于从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；

融合模块，用于对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；

PVC膜检测缺陷模块，用于基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。

根据本申请的另一方面，还提供了一种用于PVC膜加工的自动控制方法，其包括：

通过相机从多个视角采集待监测PVC膜的多个图像；

从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；

对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；

基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。

与现有技术相比，本申请提供的一种用于PVC膜加工的自动控制系统及方法，其通过相机从多个视角采集PVC膜的图像，并提取多个灰度直方图和灰度统计特征向量，然后使用融合模块将这些特征向量构造成PVC膜分类特征向量，最后，通过PVC膜检测缺陷模块使用分类器对PVC膜进行缺陷检测，以判断PVC膜表面是否有缺陷，这样能够提高PVC膜加工的精度和产品质量，并具有自动化和实时检测的优势。

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用于PVC膜加工的自动控制系统的框图示意图。

图2为根据本申请实施例的用于PVC膜加工的自动控制系统中灰度图模块的框图示意图。

图3为根据本申请实施例的用于PVC膜加工的自动控制系统中提取统计参数单元的框图示意图。

图4为根据本申请实施例的用于PVC膜加工的自动控制系统的架构示意图。

图5为根据本申请实施例的用于PVC膜加工的自动控制方法的流程图。

具体实施方式

以下将参考附图详细说明本申请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。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好地说明本申请，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，本申请同样可以实施。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，以便于凸显本申请的主旨。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

图1图示了根据本申请实施例的用于PVC膜加工的自动控制系统的框图示意图。如图1所示，根据本申请实施例的用于PVC膜加工的自动控制系统100，包括：PVC膜加工图像模块110，用于通过相机从多个视角采集待监测PVC膜的多个图像；灰度图模块120，用于从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；融合模块130，用于对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；PVC膜检测缺陷模块140，用于基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。

在本申请实施例中，PVC膜加工图像模块110，用于通过相机从多个视角采集待监测PVC膜的多个图像。应可以理解，PVC膜可能存在各种缺陷或问题，例如褶皱、切边错位、气泡等。通过从多个视角采集图像，可以获得不同角度和光照条件下的PVC膜表面细节。这样做的目的是为了提高缺陷检测的准确性和可靠性。不同视角的图像可以提供更多的信息，帮助系统更好地分析和判断PVC膜是否存在缺陷，并进行相应的处理。因此，通过多个视角采集图像可以增加系统对PVC膜表面情况的全面了解，提高检测效果。

在本申请实施例中，灰度图模块120，用于从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量。应可以理解，灰度直方图是描述图像中像素灰度级分布的统计图，它反映了图像中不同灰度级的像素数量。通过从多个图像提取多个灰度直方图，可以获取PVC膜表面在不同位置和视角的灰度分布情况。每个灰度直方图可以表示为一个灰度直方图特征向量，该向量包含了不同灰度级的像素数量信息，用于描述PVC膜在灰度空间的分布特征。灰度统计特征向量则是通过对灰度直方图进行进一步分析，提取出的一些统计参数，如灰度均值、灰度值方差和灰度值偏斜度等。这些统计参数可以反映出PVC膜表面的灰度分布的集中程度、变化程度和偏斜程度等信息，用于描述PVC膜在灰度统计特征方面的特点。

具体地，对每个图像进行灰度化处理，将其转换为灰度图像。分割灰度图像的像素值范围，将其划分为若干个灰度级别。统计每个灰度级别的像素数量，得到灰度直方图。将灰度直方图中的像素数量按照灰度级别的顺序排列，形成一个向量。该向量即为灰度直方图特征向量，用于描述PVC膜表面的灰度分布特征。根据灰度直方图计算灰度均值，即各灰度级别与其对应像素数量的加权平均值。根据灰度直方图计算灰度值方差，即各灰度级别与其对应像素数量的方差。根据灰度直方图计算灰度值偏斜度，即各灰度级别与其对应像素数量的偏斜度。将灰度均值、灰度值方差和灰度值偏斜度按照一定顺序排列，形成一个向量。该向量即为灰度统计特征向量，用于描述PVC膜表面的灰度统计特征。最终得到多个灰度直方图特征向量和多个灰度统计特征向量，每个特征向量对应一个待监测PVC膜图像的灰度分布和统计特征。进一步可以对这些特征向量进行聚类、分类或者与已有的模型进行比对，用于PVC膜缺陷检测和分析。

也就是，针对上述技术问题，通过构造灰度直方图特征向量和灰度统计特征向量，可以将PVC膜表面的灰度分布和统计特征转化为数值表示，从而方便后续的特征分析、分类和缺陷检测。这种特征提取的方法可以帮助系统更好地理解和刻画PVC膜表面的特征，提高对PVC膜缺陷的检测准确性和鲁棒性。

相应地，在本申请的一个实施例中，图2图示了根据本申请实施例的用于PVC膜加工的自动控制系统中灰度图模块的框图示意图。如图2所示，在上述PVC膜加工的自动控制系统100中，所述灰度图模块120，包括：提取灰度直方图单元121，用于分别提取所述多个图像的灰度直方图以得到多个灰度直方图；卷积编码单元122，用于将所述多个灰度直方图通过卷积编码以得到灰度直方图特征向量；提取统计参数单元123，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度，并将通过卷积编码以得到灰度统计特征向量。

相应地，在本申请一个具体的示例中，所述提取灰度直方图单元121，用于分别提取所述多个图像的灰度直方图以得到多个灰度直方图。应可以理解，考虑到不同的图像可能具有不同的亮度和对比度，以及不同的灰度级分布。通过分别提取每个图像的灰度直方图，可以获取每个图像的灰度分布信息，从而更全面地描述每个图像的特征。每个图像的灰度直方图反映了该图像中不同灰度级别的像素数量。通过将图像转换为灰度直方图，我们可以了解图像中各个灰度级别的像素分布情况。这对于后续的特征提取和分析非常有用。通过提取多个图像的灰度直方图，我们可以得到多个灰度直方图，每个直方图代表一个图像的灰度分布。这样做的好处是可以将每个图像的灰度特征转化为数值表示，从而方便后续的特征分析、分类和比对。同时，通过比较多个图像的灰度直方图，我们还可以发现它们之间的差异和相似性，进一步揭示图像集合的整体特征。

具体地，首先，将图像转换为灰度图像。初始化一个大小为灰度级别数量的数组，用于存储灰度直方图。遍历图像的每个像素，获取其灰度值。将对应灰度值的直方图计数加1。重复上述步骤，直到遍历完所有像素。得到一个包含灰度直方图计数的数组，即该图像的灰度直方图。将该灰度直方图存储起来。得到多个灰度直方图，每个直方图代表一个图像的灰度分布特征。

这样，从每个图像中提取灰度直方图，每个直方图可以表示图像中每个灰度级别的像素数量。就可以得到多个灰度直方图，每个直方图对应一个图像的灰度分布特征。提取多个图像的灰度直方图的好处是可以将每个图像的灰度特征转化为数值表示，方便后续的特征分析、分类和比对。同时，比较多个图像的灰度直方图还可以发现它们之间的差异和相似性，揭示图像集合的整体特征。

相应地，在本申请一个具体的示例中，所述卷积编码单元122，用于将所述多个灰度直方图通过卷积编码以得到灰度直方图特征向量。应可以理解，考虑到将灰度直方图的信息压缩和提取出来，并转换为更紧凑和可表示的形式。这样可以减少特征的维度，并且更适合用于机器学习和模式识别任务。卷积编码是一种常用的特征提取方法，它可以通过卷积操作将输入数据与一组滤波器进行卷积运算，从而提取出数据的局部和全局特征。在灰度直方图的情况下，卷积编码可以捕捉到不同灰度级别之间的空间关系和模式。通过将多个灰度直方图进行卷积编码，可以将每个直方图的特征提取为一个固定长度的特征向量。这个特征向量可以包含多个维度，每个维度表示不同的特征或模式。卷积编码可以通过滤波器的选择和卷积运算的参数设置来控制提取的特征类型和数量。得到灰度直方图特征向量后，可以将其用于各种机器学习算法，如分类、聚类、图像检索等。由于特征向量的维度较低，相对于原始的灰度直方图，它更具有计算效率，并且可以更好地表达图像的特征。通过多层卷积和池化操作，卷积神经网络可以逐渐减小特征图的尺寸和维度。这种维度压缩可以将原始的多个灰度直方图转换为一个固定长度的特征向量，降低了数据的维度，便于后续的机器学习任务。

具体地，第一卷积神经网络模型，包括卷积层、池化层和激活层。卷积层使用多个过滤器对输入数据进行卷积操作，生成一组卷积特征图。每个过滤器的权重参数用于提取不同的特征。池化操作可以降低特征图的维度，并提取出主要的特征。对池化特征图进行非线性激活以得到激活特征图。常用的激活函数包括ReLU、sigmoid和tanh等，用于引入非线性变换。

这样，通过使用作为过滤器的第一卷积神经网络能够学习到输入数据的有用特征表示。通过将多个灰度直方图输入到卷积层中，网络可以自动学习到适合该任务的特征提取方式。这种学习能力使得网络能够从原始的灰度直方图数据中提取出有用的特征信息，并将其编码为紧凑的特征向量表示。实现对输入数据的特征提取、空间关系建模、维度压缩和非线性变换等技术效果，从而为后续的机器学习任务提供更好的数据表示和处理能力。

具体地，所述卷积编码单元122，用于：将所述多个灰度直方图通过作为过滤器的第一卷积神经网络以得到灰度直方图特征向量。使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；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，所述第一卷积神经网络模型的最后一层的输出为所述灰度直方图特征向量，所述第一卷积神经网络模型的第一层的输入为所述多个灰度直方图中各个灰度直方图。

相应地，在本申请一个具体的示例中，所述提取统计参数单元123，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度，并将通过卷积编码以得到灰度统计特征向量。应可以理解，通过提取灰度统计参数，例如灰度均值、灰度值方差和灰度值偏斜度，可以对PVC膜的质量进行评估和控制。这些统计参数反映了PVC膜表面的灰度分布特征，可以用于判断膜的均匀性、颜色一致性以及可能存在的缺陷或污染等。通过对特征向量进行分析和比较，可以实现对PVC膜生产过程中的质量问题进行自动检测和控制。PVC膜加工过程中可能会出现各种缺陷，如气泡、划痕、杂质等。通过分析灰度直方图的灰度统计特征，可以捕捉到这些缺陷在灰度分布上的异常表现。例如，灰度均值的异常偏离可以指示可能存在的缺陷区域。通过对特征向量进行缺陷检测算法的训练和应用，可以实现对PVC膜表面缺陷的自动检测和分类。通过分析和比较不同批次或不同工艺条件下的灰度统计特征向量，可以得到PVC膜加工过程中参数对产品质量的影响。这些信息可以用于优化工艺参数，提高生产效率和产品质量。例如，通过对特征向量的监测和分析，可以找到最佳的工艺条件，以实现PVC膜的一致性和稳定性。

特别地，在本申请技术方案中，考虑到灰度统计参数包括灰度均值、灰度值方差和灰度值偏斜度等，可以提供灰度直方图的不同方面的信息。灰度均值反映了整体的亮度水平，灰度值方差反映了灰度分布的离散程度，而灰度值偏斜度则描述了灰度分布的偏斜情况。通过提取这些参数，可以综合考虑灰度直方图的中心趋势、离散程度和偏斜情况，从而更全面地描述灰度分布的特征。对于多个灰度直方图，直接使用原始直方图作为特征向量可能会导致维度过高。而提取灰度统计参数可以将每个直方图压缩为一个固定长度的特征向量，从而降低了特征的维度。这对于后续的机器学习任务来说是非常重要的，可以减少计算复杂度和内存消耗，并且有助于避免维度灾难。通过将灰度统计参数通过卷积编码，可以进一步提取局部特征和空间关系。卷积神经网络在卷积层中使用卷积操作，可以捕捉到输入数据的局部特征。对于灰度统计参数，卷积编码可以将相邻的参数之间的关系进行建模，从而提取出更丰富的特征表示。这种编码方式能够捕捉到不同灰度直方图之间的相似性和差异性，进一步提升特征的表达能力。

相应地，图3图示了根据本申请实施例的用于PVC膜加工的自动控制系统中提取统计参数单元的框图示意图。如图2所示，在上述PVC膜加工的自动控制系统100中，所述提取统计参数单元123，包括：灰度统计参数子单元1231，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度；排列矩阵子单元1232，用于将所述各个所述灰度直方图的灰度统计参数按照时间和样本维度排列为灰度统计参数矩阵；统计参数卷积编码子单元1233，用于将所述灰度统计参数矩阵通过作为过滤器的第二卷积神经网络以得到灰度统计特征向量。

具体地，所述灰度统计参数子单元1231，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度。应可以理解，灰度均值表示图像中像素灰度级别的平均值。通过计算灰度均值，可以了解PVC膜表面整体的亮度水平。如果在同一批次的PVC膜中，灰度均值出现明显的偏离，可能意味着存在颜色不一致或灰度分布不均匀的问题。灰度值方差衡量了图像中像素灰度级别的离散程度。较高的灰度值方差表示图像中灰度级别的变化范围较大，可能存在颜色不均匀或灰度分布不稳定的问题。通过监测灰度值方差，可以检测到PVC膜表面可能存在的缺陷、污染或其他质量问题。灰度值偏斜度描述了图像灰度级别分布的偏斜情况。正偏斜表示灰度级别分布偏向较高的灰度值，而负偏斜表示灰度级别分布偏向较低的灰度值。通过计算灰度值偏斜度，可以了解PVC膜表面灰度分布的对称性或非对称性。异常的灰度值偏斜度可能表明PVC膜存在颜色偏差或灰度分布不均的情况。

这样，通过分别提取各个灰度直方图的灰度统计参数，可以获得关于PVC膜表面灰度分布的定量信息。这些统计参数可以用于判断膜的均匀性、颜色一致性以及可能存在的缺陷或污染等问题。通过对这些参数进行分析和比较，可以实现对PVC膜生产过程中的质量问题进行自动检测和控制。

具体地，所述排列矩阵子单元1232，用于将所述各个所述灰度直方图的灰度统计参数按照时间和样本维度排列为灰度统计参数矩阵。应可以理解，通过将灰度统计参数按照时间维度排列，可以捕捉到PVC膜加工过程中的时间变化。这对于监控和分析PVC膜生产过程中的动态变化非常重要。通过观察时间维度上的趋势和模式，可以及时发现和纠正潜在的质量问题，实现过程的持续改进。将灰度统计参数按照样本维度排列，可以考虑到不同样本之间的差异。在PVC膜加工中，不同批次或不同位置的样本可能存在一定的差异，如颜色、质地或厚度等。通过将样本维度纳入考虑，可以更好地了解不同样本之间的差异情况，并根据这些差异进行调整和控制。将灰度统计参数排列为矩阵后，可以利用统计方法和机器学习技术对数据进行分析和建模。例如，可以使用时间序列分析方法来检测趋势、周期性和异常。还可以应用多元统计分析或机器学习算法来探索参数之间的关系，建立模型预测膜的质量或优化加工参数。

具体地，所述统计参数卷积编码子单元1233，用于将所述灰度统计参数矩阵通过作为过滤器的第二卷积神经网络以得到灰度统计特征向量。应可以理解，卷积神经网络具有强大的非线性建模能力，可以学习到更高层次的特征表示。通过将灰度统计参数矩阵输入卷积神经网络，网络可以自动学习到与PVC膜质量相关的抽象特征，而不需要手动设计特征提取算法。这有助于发现更复杂的灰度分布模式和关联信息。卷积神经网络能够利用卷积操作来捕捉特征之间的空间关系。对于灰度统计参数矩阵而言，其中的特征之间可能存在一定的空间相关性。通过卷积神经网络的多层卷积操作，网络可以有效地利用这种空间关系，提取出更具有判别能力的特征。通过卷积神经网络，可以将高维的灰度统计参数矩阵转换为低维的灰度统计特征向量。这样可以减少特征的维度，避免维度灾难，并且更便于后续的分类、聚类或回归任务。此外，卷积神经网络还能够通过多层网络的表示学习过程，将原始的灰度统计参数矩阵转化为更具有抽象性和表达能力的特征向量。

具体地，所述统计参数卷积编码子单元，包括：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图沿通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述灰度统计特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述灰度统计参数矩阵。

也就是，针对上述技术问题，通过卷积神经网络的层层提取，灰度统计特征向量可以具有更高层次的抽象性和泛化能力。网络可以学习到更具有区分度和鲁棒性的特征，能够更好地区分不同类别的PVC膜，甚至能够处理一些未知的样本。将灰度统计参数矩阵转换为灰度统计特征向量可以实现维度的降低，减少数据的冗余信息，提高计算效率。较低维度的特征向量可以更快地进行处理和分析，适用于实时的自动控制系统。

在本申请实施例中，融合模块130，用于对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量。应可以理解，灰度直方图特征向量和灰度统计特征向量分别捕捉了PVC膜表面的颜色分布和灰度统计信息。通过联合编码，可以将两种特征的信息综合起来，更全面地描述PVC膜的特征。这样可以提供更丰富、更准确的特征表示，有助于提高分类任务的性能。灰度直方图特征向量和灰度统计特征向量具有不同的信息内容。灰度直方图特征向量反映了PVC膜表面颜色的分布情况，而灰度统计特征向量描述了灰度级别的统计特性。通过联合编码，可以利用两种特征的互补性，融合不同方面的信息，提高特征的判别能力和鲁棒性。联合编码可以将灰度直方图特征向量和灰度统计特征向量合并为一个特征矩阵。这样可以实现维度的降低和特征的压缩，减少特征的存储和计算开销。同时，合并后的特征矩阵可以更方便地用于后续的分类算法或模型训练。联合编码可以将不同尺度的灰度直方图特征向量和灰度统计特征向量结合起来。通过在不同尺度上提取特征并进行联合编码，可以捕捉到PVC膜表面的局部和全局特征。这有助于提高对PVC膜不同部分的分类准确性和对整体特征的理解能力。

特别地，在本申请的技术方案中，考虑到根据上述技术方案，灰度直方图特征向量和灰度统计特征向量是通过不同的方法从待监测PVC膜的图像数据中提取得到的。灰度直方图特征向量是通过提取多个图像的灰度直方图并通过卷积神经网络得到的，而灰度统计特征向量是通过提取各个灰度直方图的灰度统计参数并通过另一个卷积神经网络得到的。这两种特征向量在特征目标域上差异较大的原因在于它们反映了图像数据的不同方面。灰度直方图特征向量主要反映了图像的整体灰度分布情况，它将每个像素值的频数作为特征，反映了图像的灰度分布情况，对图像的整体特征进行了描述。而灰度统计特征向量则主要反映了图像的局部灰度统计特征，包括灰度均值、灰度值方差和灰度值偏斜度等。这些统计参数可以反映图像的灰度分布情况，但更侧重于对图像局部特征的描述，例如图像的亮度均匀性、对比度等信息。由于灰度直方图特征向量和灰度统计特征向量反映了图像数据的不同方面，它们在特征目标域上的差异较大。直接将它们融合可能会导致不一致或冲突的特征信息。融合这两种特征向量时，需要考虑它们的权重和相对重要性，以避免某一方面的特征主导整体结果，影响融合效果。因此，在融合灰度直方图特征向量和灰度统计特征向量时，对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合，以提高分类结果的准确性和可靠性。

具体地，对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量，包括：计算所述灰度统计特征向量相对于所述灰度直方图特征向量的平滑参数化表达以得到优化灰度统计特征向量；以及，融合所述灰度直方图特征向量和所述优化灰度统计特征向量以得到PVC膜分类特征向量。

相应地，以如下优化公式计算所述灰度统计特征向量相对于所述灰度直方图特征向量的平滑参数化表达以得到优化灰度统计特征向量；其中，所述优化公式为：

v’₂＝V₂·W

其中，V₁表示灰度直方图特征向量，V₂表示灰度统计特征向量，α表示预定权重，表示向量的按位置相减，W表示加权特征向量，v’₂表示所述优化灰度统计特征向量。

也就是，为了提高灰度直方图特征向量与灰度统计特征向量在特征目标域的特征分布一致性，本申请提出了一种平滑参数化表达的方法，它可以利用灰度直方图特征向量和灰度统计特征向量之间的位置间的连通信息，来实现特征的平滑变换和对齐。具体地，该方法可以根据灰度直方图特征向量和灰度统计特征向量的位置坐标，构建一个参数化的曲线函数，用于对灰度统计特征向量进行平滑的变换和调整，使其与灰度直方图特征向量的特征分布更加一致。进一步地，通过度量灰度直方图特征向量和灰度统计特征向量之间的位置间的信息交互度和信息聚合度，来对灰度统计特征向量进行信息的增强、补充、优化和整合，不仅可以保持特征的原始信息和语义，而且可以提高特征的信息量、质量、分布和一致性，从而提升特征的表达能力、泛化能力、对齐度和匹配度。

在本申请实施例中，PVC膜检测缺陷模块140，用于基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。应可以理解，考虑到分类器可以根据输入的特征矩阵对PVC膜进行分类，判断其是否有缺陷。通过训练分类器使用带有标记的数据，可以学习到不同类别的特征模式和缺陷样本的区别。一旦训练完成，分类器就可以自动地对新的PVC膜进行分类，辨别出是否存在缺陷。通过使用分类器对PVC膜进行缺陷分类，可以实现高效准确的缺陷检测。分类器可以快速处理特征矩阵，进行快速的决策，并输出分类结果。这样可以大大提高PVC膜加工自动控制系统的处理速度和检测准确性，有助于提高生产效率和质量。分类结果可以提供有关PVC膜缺陷的信息，包括缺陷的类型、位置和严重程度等。通过分析分类结果，可以定位和识别PVC膜表面的缺陷区域，帮助操作员或系统进一步分析和处理缺陷问题。这有助于及时采取纠正措施，减少不良品的产生。将分类结果与自动控制系统集成，可以实现对PVC膜加工过程的实时监测和控制。如果分类结果表明PVC膜表面存在缺陷，控制系统可以及时采取措施，如调整加工参数、报警或剔除不良品，以确保产品质量符合要求。

具体地，在本申请的一个实施例中，所述，PVC膜检测缺陷模块140，用于：将所述PVC膜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PVC膜表面是否有缺陷。具体地，包括：使用所述分类器的全连接层对所述PVC膜分类特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述PVC膜分类特征向量归属于各个分类标签的概率值，所述分类标签包括用于表示PVC膜表面有缺陷和用于表示PVC膜表面没有缺陷；将所述概率值中最大者对应的分类标签确定为所述分类结果。

本申请实施例还提供了一种系统架构图，具体如图4所示。图4为根据本申请实施例的用于PVC膜加工的自动控制系统的架构示意图，在该系统架构中，首先，通过相机从多个视角采集待监测PVC膜的多个图像。然后，分别提取所述多个图像的灰度直方图以得到多个灰度直方图。再然后，将所述多个灰度直方图通过作为过滤器的第一卷积神经网络以得到灰度直方图特征向量。其次，分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度。接着，将所述各个所述灰度直方图的灰度统计参数按照时间和样本维度排列为灰度统计参数矩阵。紧接着，将所述灰度统计参数矩阵通过作为过滤器的第二卷积神经网络以得到灰度统计特征向量。然后，对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量。最后，将所述PVC膜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PVC膜表面是否有缺陷。

综上，基于本申请实施例的所述用于PVC膜加工的自动控制系统及方法，其通过相机从多个视角采集PVC膜的图像，并提取多个灰度直方图和灰度统计特征向量，然后使用融合模块将这些特征向量构造成PVC膜分类特征向量，最后，通过PVC膜检测缺陷模块使用分类器对PVC膜进行缺陷检测，以判断PVC膜表面是否有缺陷，这样能够提高PVC膜加工的精度和产品质量，并具有自动化和实时检测的优势。

如上所述，根据本申请实施例的所述用于PVC膜加工的自动控制系统100可以实现在各种终端设备中，例如用于PVC膜加工的自动控制系统的服务器等。在一个示例中，根据用于PVC膜加工的自动控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于PVC膜加工的自动控制系统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，该用于PVC膜加工的自动控制系统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，该用于PVC膜加工的自动控制系统100与该终端设备也可以是分立的设备，并且该用于PVC膜加工的自动控制系统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。

图5为根据本申请实施例的用于PVC膜加工的自动控制方法的流程图。如图5所示，根据本申请实施例的用于PVC膜加工的自动控制方法，包括：S110，通过相机从多个视角采集待监测PVC膜的多个图像；S120，从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；S130，对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；S140，基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。

这里，本领域技术人员可以理解，上述用于PVC膜加工的自动控制方法中的各个步骤的具体操作已经在上面参考图1到图4的用于PVC膜加工的自动控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于PVC膜加工的自动控制系统，其特征在于，包括：

PVC膜加工图像模块，用于通过相机从多个视角采集待监测PVC膜的多个图像；

灰度图模块，用于从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；

融合模块，用于对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；

PVC膜检测缺陷模块，用于基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。

2.根据权利要求1所述的用于PVC膜加工的自动控制系统，其特征在于，所述灰度图模块，包括：

提取灰度直方图单元，用于分别提取所述多个图像的灰度直方图以得到多个灰度直方图；

卷积编码单元，用于将所述多个灰度直方图通过卷积编码以得到灰度直方图特征向量；

提取统计参数单元，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度，并将通过卷积编码以得到灰度统计特征向量。

3.根据权利要求2所述的用于PVC膜加工的自动控制系统，其特征在于，所述卷积编码单元，用于：将所述多个灰度直方图通过作为过滤器的第一卷积神经网络以得到灰度直方图特征向量。

4.根据权利要求3所述的用于PVC膜加工的自动控制系统，所述卷积编码单元，用于：

使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图沿通道维度的各个特征矩阵进行池化以得到池化特征图；

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，所述第一卷积神经网络模型的最后一层的输出为所述灰度直方图特征向量，所述第一卷积神经网络模型的第一层的输入为所述多个灰度直方图中各个灰度直方图。

5.根据权利要求4所述的用于PVC膜加工的自动控制系统，其特征在于，所述提取统计参数单元，包括：

灰度统计参数子单元，用于分别提取各个所述灰度直方图的灰度统计参数，包括灰度均值、灰度值方差和灰度值偏斜度；

排列矩阵子单元，用于将所述各个所述灰度直方图的灰度统计参数按照时间和样本维度排列为灰度统计参数矩阵；

统计参数卷积编码子单元，用于将所述灰度统计参数矩阵通过作为过滤器的第二卷积神经网络以得到灰度统计特征向量。

6.根据权利要求5所述的用于PVC膜加工的自动控制系统，其特征在于，所述统计参数卷积编码子单元，包括：

卷积处理二级子单元，用于对输入数据进行卷积处理以得到卷积特征图；

池化处理二级子单元，用于对所述卷积特征图沿通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；

激活处理二级子单元，用于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，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述灰度统计特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述灰度统计参数矩阵。

7.根据权利要求6所述的用于PVC膜加工的自动控制系统，其特征在于，所述融合模块，包括：

优化灰度统计向量单元，用于计算所述灰度统计特征向量相对于所述灰度直方图特征向量的平滑参数化表达以得到优化灰度统计特征向量；

融合PVC膜特征单元，用于融合所述灰度直方图特征向量和所述优化灰度统计特征向量以得到PVC膜分类特征向量。

8.根据权利要求7所述的用于PVC膜加工的自动控制系统，其特征在于，所述优化灰度统计向量单元，用于：以如下优化公式计算所述灰度统计特征向量相对于所述灰度直方图特征向量的平滑参数化表达以得到优化灰度统计特征向量；其中，所述优化公式为：

v′₂＝V₂·W

其中，V₁表示灰度直方图特征向量，V₂表示灰度统计特征向量，α表示预定权重，表示向量的按位置相减，W表示加权特征向量，v^’ ₂表示所述优化灰度统计特征向量。

9.根据权利要求8所述的用于PVC膜加工的自动控制系统，其特征在于，所述PVC膜检测缺陷模块，用于：将所述PVC膜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PVC膜表面是否有缺陷。

10.一种用于PVC膜加工的自动控制方法，其特征在于，包括：

通过相机从多个视角采集待监测PVC膜的多个图像；

从所述多个图像提取多个灰度直方图，并根据多个灰度直方图分别构造灰度直方图特征向量和灰度统计特征向量；

对所述灰度直方图特征向量和所述灰度统计特征向量进行输出相对输入的平滑参数化表达的融合以得到PVC膜分类特征向量；

基于所述PVC膜分类特征向量，以得到PVC膜表面是否有缺陷。