CN117656243A - 轻量多孔日用陶瓷的生产方法 - Google Patents
轻量多孔日用陶瓷的生产方法 Download PDFInfo
- Publication number
- CN117656243A CN117656243A CN202410017740.XA CN202410017740A CN117656243A CN 117656243 A CN117656243 A CN 117656243A CN 202410017740 A CN202410017740 A CN 202410017740A CN 117656243 A CN117656243 A CN 117656243A
- Authority
- CN
- China
- Prior art keywords
- stirring state
- feature
- sequence
- local time
- stirring
- 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
- 239000000919 ceramic Substances 0.000 title claims abstract description 84
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 28
- 238000003756 stirring Methods 0.000 claims abstract description 230
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 79
- 238000012800 visualization Methods 0.000 claims description 45
- 238000005259 measurement Methods 0.000 claims description 41
- 239000002002 slurry Substances 0.000 claims description 41
- 238000010586 diagram Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000001035 drying Methods 0.000 claims description 18
- 238000013019 agitation Methods 0.000 claims description 14
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 7
- 238000010304 firing Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 229910000019 calcium carbonate Inorganic materials 0.000 claims description 6
- 239000004927 clay Substances 0.000 claims description 6
- 239000010433 feldspar Substances 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 6
- 239000010453 quartz Substances 0.000 claims description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005498 polishing Methods 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 5
- 238000009489 vacuum treatment Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 2
- 238000002360 preparation method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000009826 distribution Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000009740 moulding (composite fabrication) Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C1/00—Apparatus or methods for obtaining or processing clay
- B28C1/003—Plant; Methods
- B28C1/006—Methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C1/00—Apparatus or methods for obtaining or processing clay
- B28C1/02—Apparatus or methods for obtaining or processing clay for producing or processing clay suspensions, e.g. slip
- B28C1/04—Producing suspensions, e.g. by blunging or mixing; with means for removing stones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/02—Controlling the operation of the mixing
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种轻量多孔日用陶瓷的生产方法，其通过摄像头采集泥浆的搅拌状态视频，并在后端引入视频处理和分析算法来进行该搅拌状态视频的分析，以此来进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。这样，能够提高陶瓷制备过程的自动化程度和生产效率，减少人为判断的主观性和不确定性，从而提高轻量多孔日用陶瓷产品的质量和一致性。
Description
技术领域
本申请涉及智能生产领域，且更为具体地，涉及一种轻量多孔日用陶瓷的生产方法。
背景技术
轻量多孔日用陶瓷是一种具有多孔结构的陶瓷材料，具有良好的保温性能、吸水性能和美观性能，广泛应用于日常生活中的餐具、花盆、装饰品等领域。
在轻量多孔日用陶瓷的生产过程中，将原料进行混合搅拌是一个关键的工艺环节，其影响着混合后原料泥浆的均匀性、流动性和粘度等物理性质，进而影响着陶瓷坯体的质量和性能。因此，需要对搅拌状态进行实时监测和控制，以保证搅拌的效果和效率。然而，传统的搅拌状态监测方法主要依赖于人工经验观察判断或时间控制来确定是否停止搅拌，这种方法存在主观性和不确定性，并且误差较大且效率较低，容易导致搅拌时间过长或过短，从而影响产品的质量和性能。
因此，期望一种优化的轻量多孔日用陶瓷的生产方案。
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轻量多孔日用陶瓷的生产方法，其通过摄像头采集泥浆的搅拌状态视频，并在后端引入视频处理和分析算法来进行该搅拌状态视频的分析，以此来进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。这样，能够提高陶瓷制备过程的自动化程度和生产效率，减少人为判断的主观性和不确定性，从而提高轻量多孔日用陶瓷产品的质量和一致性。
根据本申请的一个方面，提供了一种轻量多孔日用陶瓷的生产方法，其包括：
将粘土、石英、长石和碳酸钙进行混合后加水搅拌以形成泥浆；
将所述泥浆注入模具中进行振动、压力和真空处理，使所述泥浆充分填充所述模具，并排出多余的水分和气泡以得到预处理后模具；
将所述预处理后模具放入干燥室中进行干燥处理，使所述模具中的泥浆干燥成型以得到干燥后陶瓷坯体；
将所述干燥后陶瓷坯体脱模后，进行打磨、修整和清洗处理，以去除所述干燥后陶瓷坯体的表面杂质以得到预处理后陶瓷坯体；
将所述预处理后陶瓷坯体放入窑中进行烧制以得到烧制后陶瓷；
将所述烧制后陶瓷取出，并进行冷却、检验和包装处理以得到轻量多孔日用陶瓷。
与现有技术相比，本申请提供的一种轻量多孔日用陶瓷的生产方法，其通过摄像头采集泥浆的搅拌状态视频，并在后端引入视频处理和分析算法来进行该搅拌状态视频的分析，以此来进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。这样，能够提高陶瓷制备过程的自动化程度和生产效率，减少人为判断的主观性和不确定性，从而提高轻量多孔日用陶瓷产品的质量和一致性。
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轻量多孔日用陶瓷的生产方法的流程图；
图2为根据本申请实施例的轻量多孔日用陶瓷的生产方法的系统架构图；
图3为根据本申请实施例的轻量多孔日用陶瓷的生产方法的子步骤S1的流程图；
图4为根据本申请实施例的轻量多孔日用陶瓷的生产方法的子步骤S15的流程图。
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。
如本申请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。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。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。
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。
考虑到在上述轻量多孔日用陶瓷的生产过程中，对于粘土、石英、长石和碳酸钙进行混合搅拌以形成泥浆的步骤尤为关键，搅拌的实时准确控制影响着泥浆的均匀性、流动性和粘度等物理性质，进而影响着陶瓷坯体的质量和性能。因此，需要对搅拌状态进行实时监测和控制，以保证搅拌的质量和效率。
在本申请的技术方案中，提出了一种轻量多孔日用陶瓷的生产方法。图1为根据本申请实施例的轻量多孔日用陶瓷的生产方法的流程图。图2为根据本申请实施例的轻量多孔日用陶瓷的生产方法的系统架构图。如图1和图2所示，根据本申请的实施例的轻量多孔日用陶瓷的生产方法，包括步骤：S1，将粘土、石英、长石和碳酸钙进行混合后加水搅拌以形成泥浆；S2，将所述泥浆注入模具中进行振动、压力和真空处理，使所述泥浆充分填充所述模具，并排出多余的水分和气泡以得到预处理后模具；S3，将所述预处理后模具放入干燥室中进行干燥处理，使所述模具中的泥浆干燥成型以得到干燥后陶瓷坯体；S4，将所述干燥后陶瓷坯体脱模后，进行打磨、修整和清洗处理，以去除所述干燥后陶瓷坯体的表面杂质以得到预处理后陶瓷坯体；S5，将所述预处理后陶瓷坯体放入窑中进行烧制以得到烧制后陶瓷；S6，将所述烧制后陶瓷取出，并进行冷却、检验和包装处理以得到轻量多孔日用陶瓷。
特别地，所述S1，将粘土、石英、长石和碳酸钙进行混合后加水搅拌以形成泥浆。特别地，在本申请的一个具体示例中，如图3所示，所述S1，包括：S11，获取由摄像头采集的搅拌状态监控视频；S12，对所述搅拌状态监控视频进行视频切分以得到搅拌状态视频片段的序列；S13，通过基于深度神经网络模型的搅拌状态时序特征提取器对所述搅拌状态视频片段的序列进行特征提取以得到搅拌状态局部时序特征图的序列；S14，对所述搅拌状态局部时序特征图的序列进行空间特征显化处理以得到空间显化搅拌状态局部时序特征图的序列；S15，对所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图进行搅拌状态语义变化度量以得到搅拌状态语义变化度量特征；S16，基于所述搅拌状态语义变化度量特征，确定是否停止搅拌。
具体地，所述S11，获取由摄像头采集的搅拌状态监控视频。应可以理解，搅拌状态视频可以反映泥浆中各种成分的混合均匀程度、泥浆的流动性、泥浆中的气泡和悬浮物、泥浆的变化趋势等等。在本申请的技术方案中，通过对所述搅拌状态监控视频进行分析以此来完成泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。
具体地，所述S12，对所述搅拌状态监控视频进行视频切分以得到搅拌状态视频片段的序列。考虑到在搅拌过程中，泥浆搅拌状态会随着时间的推移而发生变化，这种变化会在时间维度上逐渐进行，并且各个相邻时间点的变化情况可能较为微弱，若对于整个所述搅拌状态监控视频进行时序特征分析难以捕捉到视频中有关于泥浆搅拌状态变化的时序细节特征和特定节点的变化情况。因此，为了更好地提取搅拌过程中的搅拌状态局部细节时序特征，以便更好地理解和判断搅拌状态的变化，在本申请的技术方案中，对所述搅拌状态监控视频进行视频切分以得到搅拌状态视频片段的序列。通过将整个所述搅拌状态监控视频切分成多个视频片段，可以将搅拌过程分解为若干个小的时间段，以便于更好地捕捉搅拌状态的细节和变化。
具体地，所述S13，通过基于深度神经网络模型的搅拌状态时序特征提取器对所述搅拌状态视频片段的序列进行特征提取以得到搅拌状态局部时序特征图的序列。也就是，在本申请的技术方案中，将所述搅拌状态视频片段的序列通过基于三维卷积神经网络模型的搅拌状态时序特征提取器中进行特征挖掘，以分别提取出所述搅拌状态视频片段的序列中各个搅拌状态视频片段的关于搅拌状态的局部时序语义特征信息，从而得到搅拌状态局部时序特征图的序列。更具体地，将所述搅拌状态视频片段的序列通过基于三维卷积神经网络模型的搅拌状态时序特征提取器中进行特征挖掘以得到所述搅拌状态局部时序特征图的序列，包括：使用所述基于三维卷积神经网络模型的搅拌状态时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的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，所述基于三维卷积神经网络模型的搅拌状态时序特征提取器的最后一层的输出为所述搅拌状态局部时序特征图的序列，所述基于三维卷积神经网络模型的搅拌状态时序特征提取器的第一层的输入为所述搅拌状态视频片段的序列。
值得注意的是，三维卷积神经网络（3D Convolutional Neural Network，3D CNN）是一种用于处理三维数据的神经网络模型。与传统的二维卷积神经网络（2D CNN）相比，3DCNN在处理视频、医学图像、动态体素数据等具有时间和空间维度的数据时更为有效。3DCNN的基本结构和操作与2D CNN类似，但在卷积操作上引入了时间维度。以下是3D CNN的一般步骤：输入数据：3D CNN的输入是三维数据，通常表示为 [Batch Size, Channels,Depth, Height, Width]。其中，Batch Size表示批量大小，Channels表示通道数，Depth表示时间维度，Height和Width表示空间维度；卷积层：与2D CNN类似，3D CNN包含多个卷积层。每个卷积层使用一组可学习的卷积核（或滤波器），通过在输入数据的所有时间和空间位置上进行滑动，提取特征。卷积核的大小通常是 [Depth, Height, Width]。卷积操作会生成一组特征图，其中每个特征图对应一个卷积核；激活函数：在每个卷积层的卷积操作之后，通常会应用一个非线性激活函数，如ReLU，以引入非线性性质；池化层：为了减小特征图的尺寸并提取更显著的特征，3D CNN通常会使用池化层。池化层在时间和空间维度上对特征图进行下采样，常用的池化操作包括最大池化和平均池化；全连接层：在经过多个卷积层和池化层之后，可以添加全连接层来进行分类或回归任务。全连接层将特征图展平为一维向量，并通过一系列全连接操作生成最终的输出；输出层：根据具体的任务，输出层可以采用不同的激活函数和损失函数。例如，对于分类任务，常用的输出层激活函数是softmax，并使用交叉熵损失函数。3D CNN的训练过程与其他神经网络类似，通常使用反向传播算法进行参数更新。在训练过程中，可以使用标记的数据进行监督学习，通过最小化损失函数来优化网络参数。
具体地，所述S14，对所述搅拌状态局部时序特征图的序列进行空间特征显化处理以得到空间显化搅拌状态局部时序特征图的序列。应可以理解，在搅拌过程中，不同区域的状态变化具有不同的重要性。某些区域可能包含了更多关于搅拌状态的关键信息，而其他区域可能相对不那么重要。因此，为了突出搅拌状态的关键语义特征信息，以提高对搅拌状态变化的敏感性，在本申请的技术方案中，进一步将所述搅拌状态局部时序特征图的序列通过空间注意力层以进行空间特征增强，从而得到空间显化搅拌状态局部时序特征图的序列。通过应用所述空间注意力层，可以对所述搅拌状态局部时序特征图的序列进行加权处理，使得关于泥浆搅拌状态的关键空间区域中的语义特征信息进行突出，而非关键区域的特征得到抑制，以此来更加凸显搅拌状态的重要区域和变化趋势，增强搅拌状态特征的表达能力。梗具体地，将所述搅拌状态局部时序特征图的序列通过空间注意力层以得到所述空间显化搅拌状态局部时序特征图的序列；包括：将所述搅拌状态局部时序特征图的序列通过所述空间注意力模块以得到权重得分图；将所述权重得分图输入Softmax激活函数以得到空间注意力权重特征图；以及，计算所述空间注意力权重特征图和所述搅拌状态局部时序特征图的序列之间的按位置点乘以得到所述空间显化搅拌状态局部时序特征图的序列。
值得注意的是，空间注意力层是一种神经网络层，用于增强模型对输入数据中不同空间位置的关注程度。它可以帮助模型在处理图像、视频或其他具有空间结构的数据时，自动学习并集中注意力在重要的空间区域上。
具体地，所述S15，对所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图进行搅拌状态语义变化度量以得到搅拌状态语义变化度量特征。特别地，在本申请的一个具体示例中，如图4所示，所述S15，包括：S151,对所述空间显化搅拌状态局部时序特征图的序列进行优化以得到优化空间显化搅拌状态局部时序特征图的序列；S152,计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征。
更具体地，所述S151,对所述空间显化搅拌状态局部时序特征图的序列进行优化以得到优化空间显化搅拌状态局部时序特征图的序列。特别地，在上述技术方案中，所述搅拌状态局部时序特征图的序列中的每个搅拌状态局部时序特征图表达所述搅拌状态监控视频的视频片段的局部时域时序关联的图像语义特征，并且，将所述搅拌状态局部时序特征图的序列通过空间注意力层后，可以强化图像语义特征的特征矩阵维度语义空间分布，使得得到的所述空间显化搅拌状态局部时序特征图的序列中的每个空间显化搅拌状态局部时序特征图在特征矩阵空间分布维度上表达图像语义特征空间关联表示，而在特征矩阵通道分布维度上表达图像语义特征时序关联表示，也就是，所述空间显化搅拌状态局部时序特征图在特征矩阵内空间分布维度和特征矩阵间通道分布维度上，基于空间和时序维度下的图像语义特征分布表示，也就是，其在整体分布维度上也具有与图像语义特征的空间关联分布和时序关联分布对应的空间信息属性。因此，如果能提升所述空间显化搅拌状态局部时序特征图作为高维特征的空间信息表达效果，则能够提升所述空间显化搅拌状态局部时序特征图的表达效果，从而提升所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数的计算准确性，改进所述搅拌状态语义变化度量特征向量通过分类器得到的分类结果的准确性。基于此，本申请的申请人对所述空间显化搅拌状态局部时序特征图，例如记为进行优化，表示为：/>其中/>且/>，即/>和/>均是所述空间显化搅拌状态局部时序特征图/>的特征值，且/>为局部空间分割系数。具体地，以所述空间显化搅拌状态局部时序特征图/>展开后的希尔伯特空间内的局部分割空间为基准，对所述空间显化搅拌状态局部时序特征图/>在高维特征空间内的特征流形进行曲面的局部积分，从而基于积分函数的局部积分处理，来修正所述空间显化搅拌状态局部时序特征图/>的局部空间展开后的非平稳数据序列所表达的特征流形的相变不连续点，从而获得特征流形的更精细的结构和几何特征，提升所述空间显化搅拌状态局部时序特征图/>在高维特征空间内的空间信息表达效果，从而提升所述空间显化搅拌状态局部时序特征图的表达效果，最终改进所述搅拌状态语义变化度量特征向量通过分类器得到的分类结果的准确性。这样，能够进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，以提高陶瓷制备过程的自动化程度和生产效率，减少人为判断的主观性和不确定性，从而提高轻量多孔日用陶瓷产品的质量和一致性。
更具体地，所述S152,计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征。应可以理解，在搅拌过程中，搅拌状态的变化不仅在各个局部时间段内存在，还在整个搅拌过程中具有着全时域的时序变化模式。特别地，还考虑到每个局部时间段内经过空间特征显化后的搅拌状态时序特征之间存在着波动性，这可能是搅拌状态变化的节点。因此，为了对于搅拌状态语义变化进行更为准确地分析和度量，在本申请的技术方案中，进一步计算所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量。通过计算相邻两个所述空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化，可以综合考虑搅拌过程中的整体变化情况，并捕捉搅拌状态的变化趋势和突变性信息，这样可以更全面地描述搅拌状态的变化情况，提供更丰富的信息用于后续的搅拌状态判断和控制。更具体地，计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征，包括：以如下公式计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到所述多个搅拌状态语义变化度量系数；其中，所述公式为：其中，/>是第一全局交叉熵加权系数，/>是第一初始特征图中的每个位置的值，/>是第二初始特征图中的每个位置的值，/>是所述第一初始特征图和所述第二初始特征图的宽度，/>是所述第一初始特征图和所述第二初始特征图的高度，且/>是所述卷积神经网络的通道数；以及，将所述多个搅拌状态语义变化度量系数通过一维排列以得到所述搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图进行搅拌状态语义变化度量以得到搅拌状态语义变化度量特征，例如：输入所述空间显化搅拌状态局部时序特征图的序列；对于每个特征图，应用空间显化操作，以突出搅拌状态的局部特征。这可以通过引入空间注意力层或其他显化操作来实现；对于相邻的两个空间显化搅拌状态局部时序特征图，我们需要计算它们之间的搅拌状态语义变化度量。这可以通过以下步骤完成：对于每个特征图，可以使用卷积神经网络（CNN）或其他特征提取方法，提取搅拌状态的语义特征。这可以通过在特征图上应用卷积操作来实现；使用适当的度量方法（如欧氏距离、余弦相似度等），计算相邻特征图之间的搅拌状态语义变化度量。这将衡量它们之间的差异或相似程度；将计算得到的搅拌状态语义变化度量作为特征，以得到搅拌状态语义变化度量特征序列。
具体地，所述S16，基于所述搅拌状态语义变化度量特征，确定是否停止搅拌。也就是，在本申请的技术方案中，将所述搅拌状态语义变化度量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。也就是说，利用搅拌状态语义变化度量时序特征信息来进行分类处理，以此来进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。更具体地，将所述搅拌状态语义变化度量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：使用所述分类器的多个全连接层对所述搅拌状态语义变化度量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。
分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
特别地，所述S2，将所述泥浆注入模具中进行振动、压力和真空处理，使所述泥浆充分填充所述模具，并排出多余的水分和气泡以得到预处理后模具。应可以理解，振动和压力处理可以帮助泥浆更好地流动和填充模具中的每个细节和空隙。通过振动和压力，可以确保泥浆完全填满模具，避免出现空洞或不均匀的填充现象。此外，振动和真空处理有助于排除泥浆中的气泡。振动可以使气泡浮出泥浆并上升到表面，而真空处理可以通过创建真空环境将气泡从泥浆中抽出。排除气泡可以避免在模具中形成空隙或不均匀的结构，并提高制品的密实度和质量。
特别地，所述S3，将所述预处理后模具放入干燥室中进行干燥处理，使所述模具中的泥浆干燥成型以得到干燥后陶瓷坯体。应可以理解，在干燥室中进行干燥处理可以快速去除模具中残留的水分。水分的存在可能导致模具制品在固化过程中出现开裂、变形或质量不稳定的问题。通过干燥处理，水分可以被蒸发和排出，使模具中的泥浆逐渐干燥成型。通过干燥处理，模具中的泥浆可以逐渐干燥成型，从而提高制品的质量。干燥可以使制品表面更加均匀、光滑，并避免制品在固化过程中出现收缩、变形或表面缺陷。干燥处理有助于确保制品的几何形状和细节得到准确保留，并提高制品的强度和耐久性。
特别地，所述S4，将所述干燥后陶瓷坯体脱模后，进行打磨、修整和清洗处理，以去除所述干燥后陶瓷坯体的表面杂质以得到预处理后陶瓷坯体。应可以理解，打磨、修整和清洗处理可以有效地去除干燥后陶瓷坯体表面的杂质，如灰尘、残留的模具材料、颗粒等。这些杂质可能会影响陶瓷坯体的外观和质量，通过去除它们可以得到更干净、光滑的表面。
特别地，所述S5，将所述预处理后陶瓷坯体放入窑中进行烧制以得到烧制后陶瓷。应可以理解，打烧制过程中，陶瓷坯体经历物理和化学变化，以实现最终陶瓷制品的形成。在高温条件下，陶瓷坯体中的原始材料会发生热分解、烧结和晶化等过程，使陶瓷坯体逐渐转变为坚硬、致密的陶瓷制品。以及，烧制过程中，陶瓷坯体的颗粒会在高温下熔结和固化，形成致密的晶体结构。这使得陶瓷制品具有较高的强度、硬度和耐热性，能够承受各种力学和热学应力。
特别地，所述S6，将所述烧制后陶瓷取出，并进行冷却、检验和包装处理以得到轻量多孔日用陶瓷。应可以理解，烧制后的陶瓷制品通常需要经过冷却过程，以使其温度降至安全水平。冷却过程有助于陶瓷制品的结构进一步固化和稳定化，确保其具有所需的物理和化学性能。在冷却后，陶瓷制品需要进行检验和质量控制。
综上，根据本申请实施例的轻量多孔日用陶瓷的生产方法被阐明，其通过摄像头采集泥浆的搅拌状态视频，并在后端引入视频处理和分析算法来进行该搅拌状态视频的分析，以此来进行泥浆搅拌状态的自动化、精准化和智能化的监测和控制，提高了搅拌状态监控的准确性和效率。这样，能够提高陶瓷制备过程的自动化程度和生产效率，减少人为判断的主观性和不确定性，从而提高轻量多孔日用陶瓷产品的质量和一致性。
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 (8)
1.一种轻量多孔日用陶瓷的生产方法，其特征在于，包括：
将粘土、石英、长石和碳酸钙进行混合后加水搅拌以形成泥浆；
将所述泥浆注入模具中进行振动、压力和真空处理，使所述泥浆充分填充所述模具，并排出多余的水分和气泡以得到预处理后模具；
将所述预处理后模具放入干燥室中进行干燥处理，使所述模具中的泥浆干燥成型以得到干燥后陶瓷坯体；
将所述干燥后陶瓷坯体脱模后，进行打磨、修整和清洗处理，以去除所述干燥后陶瓷坯体的表面杂质以得到预处理后陶瓷坯体；
将所述预处理后陶瓷坯体放入窑中进行烧制以得到烧制后陶瓷；
将所述烧制后陶瓷取出，并进行冷却、检验和包装处理以得到轻量多孔日用陶瓷。
2.根据权利要求1所述的轻量多孔日用陶瓷的生产方法，其特征在于，将粘土、石英、长石和碳酸钙进行混合后加水搅拌以形成泥浆，包括：
获取由摄像头采集的搅拌状态监控视频；
对所述搅拌状态监控视频进行视频切分以得到搅拌状态视频片段的序列；
通过基于深度神经网络模型的搅拌状态时序特征提取器对所述搅拌状态视频片段的序列进行特征提取以得到搅拌状态局部时序特征图的序列；
对所述搅拌状态局部时序特征图的序列进行空间特征显化处理以得到空间显化搅拌状态局部时序特征图的序列；
对所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图进行搅拌状态语义变化度量以得到搅拌状态语义变化度量特征；
基于所述搅拌状态语义变化度量特征，确定是否停止搅拌。
3.根据权利要求2所述的轻量多孔日用陶瓷的生产方法，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。
4.根据权利要求3所述的轻量多孔日用陶瓷的生产方法，其特征在于，对所述搅拌状态局部时序特征图的序列进行空间特征显化处理以得到空间显化搅拌状态局部时序特征图的序列，包括：将所述搅拌状态局部时序特征图的序列通过空间注意力层以得到所述空间显化搅拌状态局部时序特征图的序列。
5.根据权利要求4所述的轻量多孔日用陶瓷的生产方法，其特征在于，对所述空间显化搅拌状态局部时序特征图的序列中每相邻两个空间显化搅拌状态局部时序特征图进行搅拌状态语义变化度量以得到搅拌状态语义变化度量特征，包括：
对所述空间显化搅拌状态局部时序特征图的序列进行优化以得到优化空间显化搅拌状态局部时序特征图的序列；
计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征。
6.根据权利要求5所述的轻量多孔日用陶瓷的生产方法，其特征在于，计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到由多个搅拌状态语义变化度量系数组成的搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征，包括：以如下公式计算所述优化空间显化搅拌状态局部时序特征图的序列中每相邻两个优化空间显化搅拌状态局部时序特征图之间的搅拌状态语义变化度量系数以得到所述多个搅拌状态语义变化度量系数；
其中，所述公式为：其中，/>是第一全局交叉熵加权系数，/>是第一初始特征图中的每个位置的值，/>是第二初始特征图中的每个位置的值，/>是所述第一初始特征图和所述第二初始特征图的宽度，/>是所述第一初始特征图和所述第二初始特征图的高度，且/>是所述卷积神经网络的通道数；以及
将所述多个搅拌状态语义变化度量系数通过一维排列以得到所述搅拌状态语义变化度量特征向量作为所述搅拌状态语义变化度量特征。
7.根据权利要求6所述的轻量多孔日用陶瓷的生产方法，其特征在于，基于所述搅拌状态语义变化度量特征，确定是否停止搅拌，包括：将所述搅拌状态语义变化度量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。
8.根据权利要求7所述的轻量多孔日用陶瓷的生产方法，其特征在于，将所述搅拌状态语义变化度量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：
使用所述分类器的多个全连接层对所述搅拌状态语义变化度量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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410017740.XA CN117656243A (zh) | 2024-01-05 | 2024-01-05 | 轻量多孔日用陶瓷的生产方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410017740.XA CN117656243A (zh) | 2024-01-05 | 2024-01-05 | 轻量多孔日用陶瓷的生产方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117656243A true CN117656243A (zh) | 2024-03-08 |
Family
ID=90073430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410017740.XA Pending CN117656243A (zh) | 2024-01-05 | 2024-01-05 | 轻量多孔日用陶瓷的生产方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117656243A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117886278A (zh) * | 2024-03-13 | 2024-04-16 | 新疆凯龙清洁能源股份有限公司 | 天然气脱硫废产物制取精硫磺的方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108101571A (zh) * | 2017-12-01 | 2018-06-01 | 中山市武汉理工大学先进工程技术研究院 | 一种轻质多孔日用陶瓷 |
| CN108147779A (zh) * | 2017-12-01 | 2018-06-12 | 中山市武汉理工大学先进工程技术研究院 | 一种轻质多孔日用陶瓷的制备方法 |
| CN110357602A (zh) * | 2019-06-20 | 2019-10-22 | 泉州市德化县恒峰陶瓷有限公司 | 一种耐酸耐碱高白度日用陶瓷制品及其制备方法 |
| CN112001301A (zh) * | 2020-08-21 | 2020-11-27 | 杭州追猎科技有限公司 | 基于全局交叉熵加权的楼宇监控方法、装置和电子设备 |
| CN116690823A (zh) * | 2023-06-08 | 2023-09-05 | 滁州优胜高分子材料有限公司 | 改性pbt材料的智能制备方法及其系统 |
| CN117123131A (zh) * | 2023-10-25 | 2023-11-28 | 克拉玛依市蓝润环保科技有限责任公司 | 石油助剂的生产设备及其方法 |
-
2024
- 2024-01-05 CN CN202410017740.XA patent/CN117656243A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108101571A (zh) * | 2017-12-01 | 2018-06-01 | 中山市武汉理工大学先进工程技术研究院 | 一种轻质多孔日用陶瓷 |
| CN108147779A (zh) * | 2017-12-01 | 2018-06-12 | 中山市武汉理工大学先进工程技术研究院 | 一种轻质多孔日用陶瓷的制备方法 |
| CN110357602A (zh) * | 2019-06-20 | 2019-10-22 | 泉州市德化县恒峰陶瓷有限公司 | 一种耐酸耐碱高白度日用陶瓷制品及其制备方法 |
| CN112001301A (zh) * | 2020-08-21 | 2020-11-27 | 杭州追猎科技有限公司 | 基于全局交叉熵加权的楼宇监控方法、装置和电子设备 |
| CN116690823A (zh) * | 2023-06-08 | 2023-09-05 | 滁州优胜高分子材料有限公司 | 改性pbt材料的智能制备方法及其系统 |
| CN117123131A (zh) * | 2023-10-25 | 2023-11-28 | 克拉玛依市蓝润环保科技有限责任公司 | 石油助剂的生产设备及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘颖等: ""基于小样本学习的图像分类技术综述"", 《自动化学报》, vol. 47, no. 2, 26 April 2020 (2020-04-26), pages 298 - 315 * |
| 庄志强等: ""陶瓷成型新方法及其应用的研究"", vol. 2, no. 1, 25 March 2004 (2004-03-25), pages 43 - 47 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117886278A (zh) * | 2024-03-13 | 2024-04-16 | 新疆凯龙清洁能源股份有限公司 | 天然气脱硫废产物制取精硫磺的方法和系统 |
| CN117886278B (zh) * | 2024-03-13 | 2024-06-18 | 新疆凯龙清洁能源股份有限公司 | 天然气脱硫废产物制取精硫磺的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117656243A (zh) | 轻量多孔日用陶瓷的生产方法 | |
| CN111563347B (zh) | 一种纤维增强复合材料的注塑工艺参数优化方法 | |
| Hooda et al. | Deposition angle prediction of Fused Deposition Modeling process using ensemble machine learning | |
| CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
| CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
| CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
| CN117910073A (zh) | 基于3d打印技术的工艺品包装设计优化系统及方法 | |
| CN117669373A (zh) | 一种锻造成形装备液压系统能耗预测方法及系统 | |
| CN116901489A (zh) | 一种含生物蛋白面料的智能化制备方法及其系统 | |
| CN112712520A (zh) | 一种基于ARU-Net脉络膜层分割方法 | |
| CN116274789A (zh) | 一种锻造时金属流向实时智能调控方法及系统 | |
| CN115481554A (zh) | 炸药熔铸固化过程热扩散数字孪生模型、温度场实时优化控制模型及方法 | |
| Labsir et al. | Cramér-Rao Bound on Lie Groups with Observations on Lie Groups: Application to SE (2) | |
| CN115408842A (zh) | 注塑成型仿真过程特性相似性分析方法 | |
| CN109932908B (zh) | 一种基于报警信度融合的多向主元分析过程监测方法 | |
| CN115392543B (zh) | 一种结合l21范数和残差级联宽度学习的注塑产品质量预测方法 | |
| CN111738298A (zh) | 一种基于深宽可变多核学习的数据分类方法 | |
| CN118544552B (zh) | 一种注塑机智能能耗管理系统 | |
| CN114091654B (zh) | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 | |
| CN117911361A (zh) | 一种基于红外热成像的注射成形产品质量预测方法 | |
| CN114674858B (zh) | 一种三元正极材料性能指标综合评价方法及装置 | |
| CN115098979B (zh) | 一种用于阳模截面板的收缩率比对系统 | |
| CN118471865B (zh) | 一种基于动态调整的晶圆键合稳定性控制方法及系统 | |
| Chen et al. | Machine Learning Enabled Design and Optimization for 3D‐Printing of High‐Fidelity Presurgical Organ Models | |
| CN108305300B (zh) | 液体表面形貌的重建方法及系统 |
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 |