CN117666510A - 钢化玻璃的生产控制系统及方法 - Google Patents

钢化玻璃的生产控制系统及方法 Download PDF

Info

Publication number
CN117666510A
CN117666510A CN202311676328.0A CN202311676328A CN117666510A CN 117666510 A CN117666510 A CN 117666510A CN 202311676328 A CN202311676328 A CN 202311676328A CN 117666510 A CN117666510 A CN 117666510A
Authority
CN
China
Prior art keywords
preheating
training
feature vector
tempered glass
feature
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.)
Granted
Application number
CN202311676328.0A
Other languages
English (en)
Other versions
CN117666510B (zh
Inventor
杨文�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tengzhou Yonggu Glass Products Co ltd
Original Assignee
Huzhou Chengxin Tempered Glass Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huzhou Chengxin Tempered Glass Co ltd filed Critical Huzhou Chengxin Tempered Glass Co ltd
Priority to CN202311676328.0A priority Critical patent/CN117666510B/zh
Publication of CN117666510A publication Critical patent/CN117666510A/zh
Application granted granted Critical
Publication of CN117666510B publication Critical patent/CN117666510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Re-Forming, After-Treatment, Cutting And Transporting Of Glass Products (AREA)

Abstract

本申请涉及智能分拣领域，其具体地公开了一种钢化玻璃的生产控制系统及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度，通过从监控视频中提取预热状态特征图，对多个预定时间点的温度数据进行时序特征提取，融合后通过再捕捉到钢化玻璃预热过程的特征，以得到用于表示是否停止预热的分类结果。通过这种方法实现对钢化玻璃预热过程的分析和分类，确定是否停止预热，以提高钢化玻璃生产过程的效率和质量。

Description

钢化玻璃的生产控制系统及方法
技术领域
本申请涉及智能分拣领域，且更为具体地，涉及一种钢化玻璃的生产控制系统及方法。
背景技术
钢化玻璃是一种特殊处理过的安全玻璃，也被称为强化玻璃或安全玻璃。它通过热处理或化学处理的方式增强了其物理强度和耐冲击性能，被广泛应用于需要较高安全性的场所，如建筑物的窗户、门、玻璃墙、车辆的车窗等。
在钢化玻璃生产过程中需要对清洗完后的玻璃放进预热炉中进行预热处理。钢化玻璃预热的目的是通过加热玻璃片，使其表面和内部的温度趋于一致，减轻温度差异引起的应力。但在钢化玻璃的预热过程中如果预热时间太长可能会导致玻璃过度软化，使其失去原有的强度和硬度。另外，长时间的预热会导致能耗增加，增加生产成本。但如果预热时间太短，预热时间不足可能导致玻璃表面和内部温度差异过大，使得应力分布不均匀。这会增加钢化玻璃表面的应力，增加破裂的风险。
但由于传统的钢化玻璃预热时间控制通常是基于经验。这意味着操作人员需要具备丰富的经验，并进行多次试验和调整，以找到合适的预热时间。这会增加生产周期和成本，并且不利于生产效率的提高。另外，传统的预热时间往往是一次性确定的，无法根据实际情况进行实时调整。如果出现玻璃质量问题或生产环境变化，很难及时调整预热时间以适应新的情况。
因此，期待一种优化的钢化玻璃的生产控制方案。
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钢化玻璃的生产控制系统及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度，通过从监控视频中提取预热状态特征图，对多个预定时间点的温度数据进行时序特征提取，融合后通过再捕捉到钢化玻璃预热过程的特征，以得到用于表示是否停止预热的分类结果。通过这种方法实现对钢化玻璃预热过程的分析和分类，确定是否停止预热，以提高钢化玻璃生产过程的效率和质量。
根据本申请的一个方面，提供了一种钢化玻璃的生产控制系统，其包括：
预热监控温度获取模块，用于获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；
钢化玻璃预热特征分析模块，用于对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；
预热时间判断模块，用于基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
根据本申请的另一方面，提供了一种钢化玻璃的生产控制方法，其包括：
获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；
对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；
基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
与现有技术相比，本申请提供的一种钢化玻璃的生产控制系统及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度，通过从监控视频中提取预热状态特征图，对多个预定时间点的温度数据进行时序特征提取，融合后通过再捕捉到钢化玻璃预热过程的特征，以得到用于表示是否停止预热的分类结果。通过这种方法实现对钢化玻璃预热过程的分析和分类，确定是否停止预热，以提高钢化玻璃生产过程的效率和质量。
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钢化玻璃的生产控制系统的框图。
图2为根据本申请实施例的钢化玻璃的生产控制系统的架构示意图。
图3为根据本申请实施例的钢化玻璃的生产控制系统中钢化玻璃预热特征分析模块的框图。
图4为根据本申请实施例的钢化玻璃的生产控制系统中预热监控视频处理单元的框图。
图5为根据本申请实施例的钢化玻璃的生产控制系统中预热关键帧特征提取子单元的框图。
图6为根据本申请实施例的钢化玻璃的生产控制系统中预热过程多尺度构造单元的框图。
图7为根据本申请实施例的钢化玻璃的生产控制方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。
需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
图1为根据本申请实施例的钢化玻璃的生产控制系统的框图。图2为根据本申请实施例的钢化玻璃的生产控制系统的架构示意图。如图1和图2所示，根据本申请实施例的钢化玻璃的生产控制系统100，包括：预热监控温度获取模块110，用于获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；钢化玻璃预热特征分析模块120，用于对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；以及，预热时间判断模块130，用于基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
钢化玻璃是一种经过特殊处理的安全玻璃，也被称为钢化玻璃或强化玻璃。它通过在玻璃表面施加高温加热，然后迅速冷却，以改变其物理特性和结构。
具体地，钢化玻璃的制造过程包括以下步骤：首先，将玻璃按照需要的尺寸和形状进行切割和加工，以满足具体的应用需求。然后，由于切割后的玻璃边缘比较锋利，需要进行打磨处理，以免划伤人体或损坏其他物品。接着，将打磨后的玻璃进行清洗，以去除表面的污垢和灰尘。清洗过程需要使用专业的清洗设备和清洗剂，确保玻璃表面干净无尘。接下来，将清洗后的玻璃放入预热炉中进行加热处理。预热的温度一般在600℃左右，时间约为10分钟。预热的目的是为了使玻璃表面均匀加热。最后，将预热后的玻璃迅速放入冷却炉中进行冷却处理，通常使用强风或强制冷却方法。这个过程被称为淬火。冷却的温度一般在200℃左右，时间约为5分钟。冷却的目的是为了使玻璃表面迅速冷却，使玻璃表面形成压缩应力，而内部形成张力提高玻璃的强度。这种应力分布使得钢化玻璃的强度比普通玻璃高得多。它能够承受更大的冲击和压力，减少了破碎的风险。当钢化玻璃受到破坏时，它会以小而圆滑的碎片形式破裂，而不是尖锐的碎片。这减少了对人身安全的威胁，降低了切割和刺伤的风险。钢化玻璃还具有较好的热稳定性，能够更好地抵抗热应力，可以承受较高的温度变化，减少了因温度差异而引起的破裂风险。另外，由于其高强度和特殊的应力分布，钢化玻璃具有较好的抗风压能力，常被用于建筑物的窗户、幕墙、阳台栏杆等需要抵御风力和外部压力的应用。
在钢化玻璃的预热过程中，预热时间不能太长或太短。如果预热时间太长，长时间的预热可能会导致玻璃过度软化，使其失去原有的强度和硬度。这会影响钢化玻璃的最终性能，使其无法达到设计要求的强度和耐冲击性。长时间的预热还会导致能耗增加，增加生产成本。但另一方面，如果预热时间太短，预热时间不足可能导致玻璃表面和内部温度差异过大，使得应力分布不均匀。这会增加钢化玻璃表面的应力，增加破裂的风险。预热时间不足也可能导致玻璃内部的缺陷没有得到充分修复，例如气泡、石英斑等。这些缺陷可能会在钢化过程中扩大或导致玻璃破裂。因此，预热时间的选择需要根据具体的钢化玻璃制造工艺和要求进行调整，以确保玻璃表面和内部温度的均匀性，并充分修复内部缺陷。这样可以提高钢化玻璃的制造质量和安全性。
在本申请实施例中，所述预热监控温度获取模块110，用于获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度，可以通过安装适当的监控设备，例如摄像头或监控系统，以捕捉钢化玻璃预热过程的视频，可以通过视频录像机(DVR)或网络摄像机(IP摄像机)等设备进行录制和存储。这些设备可以安装在预热设备附近，以便全面记录预热过程。而预热温度可使用温度传感器或热敏电阻等温度监测设备来实时测量钢化玻璃预热过程中的温度。这些传感器可以安装在预热设备的适当位置，以确保准确测量预热过程中的温度变化。值得注意的是，在采集过程中，需要确保监控视频和温度数据的时间戳是对应的，以便后续的数据分析和处理。可以使用时间同步设备来确保监控视频和温度数据的时间一致性。
考虑到监控视频和温度数据，可以实时观察和记录钢化玻璃的预热过程。这有助于检测任何异常情况或不良行为，以及及时采取纠正措施，确保钢化玻璃的质量符合要求。其次，钢化玻璃预热过程中需要高温处理，因此安全性是至关重要的。监控视频可以帮助监督操作员的行为，确保他们按照正确的程序和安全标准进行操作。温度数据可以帮助检测是否存在过高的温度，以避免潜在的安全风险。
在本申请实施例中，所述钢化玻璃预热特征分析模块120，用于对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量。考虑到监控视频和温度数据通常包含钢化玻璃预热过程中一下关键的特征信息。例如，从监控视频中可以提取关于玻璃形态、表面状况和变化模式的特征。从温度数据中可以提取关于温度变化、温度梯度和温度分布的特征。通过分析这些关键特征信息，可以用来描述预热过程的特点和变化趋势，去掉大量的细节和冗余信息，将数据降维到更紧凑的表示形式。这有助于简化数据分析和处理的复杂性，并减少存储和计算资源的需求，并可以更直观地理解预热过程中的变化和趋势。特征向量可以用于生成图表、图像或其他可视化形式，以便更好地展示和解释数据，为建立预热过程的模型和预测提供了基础。
图3为根据本申请实施例的钢化玻璃的生产控制系统中钢化玻璃预热特征分析模块的框图。具体地，在本申请实施例中，如图3所示，所述钢化玻璃预热特征分析模块120，包括：预热监控视频处理单元121，用于对所述钢化玻璃预热时的监控视频进行处理以得到预热状态全局特征向量；预热温度时序处理单元122，用于将所述多个预定时间点的钢化玻璃预热时的温度进行时序处理以得到预热温度序列特征向量；以及，预热过程多尺度构造单元123，用于基于所述预热状态全局特征向量和所述预热温度序列特征向量，以得到所述预热过程多尺度特征向量。
具体地，所述预热监控视频处理单元121，用于对所述钢化玻璃预热时的监控视频进行处理以得到预热状态全局特征向量。
图4为根据本申请实施例的钢化玻璃的生产控制系统中预热监控视频处理单元的框图。更具体地，在本申请实施例中，如图4所示，所述预热监控视频处理单元121，包括:预热监控关键帧采集子单元1211，用于以预定采样频率从所述钢化玻璃预热时的监控视频中提取出多个钢化玻璃预热状态关键帧；以及，预热关键帧特征提取子单元1212，用于将所述多个钢化玻璃预热状态关键帧进行特征提取以得到所述预热状态全局特征向量。
更具体地，在本申请实施例中，所述预热关键帧特征提取子单元1212，用于将所述多个钢化玻璃预热状态关键帧进行特征提取以得到所述预热状态全局特征向量。
图5为根据本申请实施例的钢化玻璃的生产控制系统中预热关键帧特征提取子单元的框图。更具体地，在本申请实施例中，如图5所示，所述预热关键帧特征提取子单元1212，包括:预热多分支二级子单元12121，用于将所述多个钢化玻璃预热状态关键帧输入预热状态多分支感知域模块中，以得到多个预热状态特征图；预热状态特征池化二级子单元12122，用于对所述多个预热状态特征图进行沿通道维度的各个特征矩阵的池化以得到多个预热状态特征向量；以及，相似度计算二级子单元12123，用于计算所述多个预热状态特征向量之间的余弦相似度，以得到所述预热状态全局特征向量。
具体地，在本申请实施例中，所述预热多分支二级子单元12121，用于将所述多个钢化玻璃预热状态关键帧输入预热状态多分支感知域模块中，以得到多个预热状态特征图。
多分支感知域模块是一种用于深度学习模型中的模块，旨在通过多个分支来处理不同感知域的输入数据，并将它们融合在一起以提高模型的性能。具体地，在计算机视觉任务中，不同感知域的数据可能具有不同的特征表示和分布，例如图像的颜色、纹理、形状等。为了更好地捕捉和利用这些多样化的特征，多分支感知域模块将输入数据分成多个分支，每个分支专注于处理一种感知域的特征。应可以理解，每个分支可以包含不同的卷积层、池化层、全连接层等网络结构，用于提取感知域特定的特征表示。例如，在图像处理任务中，可以使用一个分支处理图像的颜色特征，另一个分支处理图像的纹理特征，再另一个分支处理图像的形状特征。然后在每个分支提取特征后，多分支感知域模块通常会使用一种融合策略，如特征拼接、特征加权等，将不同分支的特征融合在一起。这样就可以综合利用不同感知域的特征信息，提高模型对输入数据的表达能力和泛化能力。
具体地，在本申请实施例中，所述预热状态特征池化二级子单元12122，用于：对多个预热状态特征图进行沿通道维度的各个特征矩阵的池化以得到所述多个预热状态特征向量。
具体地，在本申请实施例中，所述相似度计算二级子单元12123，用于计算所述多个预热状态特征向量之间的余弦相似度，以得到所述预热状态全局特征向量。
余弦相似度(Cosine Similarity)是一种用于衡量两个向量之间相似性的度量方法。它通过计算两个向量之间的夹角来评估它们的方向相似程度，而不考虑它们的长度。余弦相似度的计算公式如下：cosine_similarity(A,B)＝(A·B)/(||A||*||B||)其中，A和B是要比较的两个向量，"·"表示向量的点积(内积)，"||A||"和"||B||"表示向量的范数(长度)。也就是，余弦相似度的取值范围在-1到1之间，其中：当余弦相似度接近1时，表示两个向量的方向非常相似，它们在特征空间中的走向几乎一致。当余弦相似度接近-1时，表示两个向量的方向完全相反，它们在特征空间中的走向截然相反。而当余弦相似度接近0时，表示两个向量之间没有明显的方向关系，它们在特征空间中的走向几乎正交(垂直)。
考虑到在预热状态的特征向量中，每个向量代表了不同的预热状态的特征信息。通过计算这些特征向量之间的余弦相似度，可以量化特征向量之间的相似程度。可以评估它们在特征空间中的相似性和相关性。余弦相似度的取值范围在-1到1之间，值越接近1表示两个向量的方向越相似，值越接近-1表示两个向量的方向越相反，值接近0表示两个向量之间没有明显的方向关系。具体地，在本申请的技术方案中，当特征向量之间的余弦相似度接近1时，表示它们在特征空间中具有相似的方向和趋势，即它们所代表的预热状态在特征上具有相似的特点。其次，通过计算多个预热状态特征向量之间的余弦相似度，可以得到预热状态的全局特征向量。全局特征向量综合了不同预热状态的特征信息，代表了整体的预热状态特征。这可以用于进一步的分析、分类或决策任务。
更具体地，在本申请实施例中，所述相似度计算二级子单元12123，用于：以如下余弦公式计算所述多个预热状态特征向量中每两个预热状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的预热状态全局特征向量；其中，所述余弦公式为：
其中，Vi和Vj表示所述多个预热状态特征向量中任意两个预热状态特征向量，Vik和Vjk表示所述预热状态特征向量Vi和Vj中各个位置的特征值，d(Vi,Vj)表示所述多个预热状态特征向量中任意两个预热状态特征向量之间的余弦距离；以及，将所述多个余弦相似度进行排列以得到所述预热状态全局特征向量。
特别地，在可能实现的另一种实施方式中，将所述多个钢化玻璃预热状态关键帧进行特征提取以得到所述预热状态全局特征向量，可通过以下步骤。例如：首先，对每个关键帧进行特征提取。可以使用计算机视觉和图像处理技术，提取关键帧的形态、纹理、颜色、边缘等特征。常用的特征提取方法包括直方图、局部二值模式(LBP)、方向梯度直方图(HOG)等。接着，将每个关键帧提取的特征进行融合，生成单个预热状态的特征向量。融合方法可以是简单的特征向量拼接，也可以是使用统计方法(如平均值、方差)对特征进行汇总。然后，对多个预热状态的特征向量进行全局特征提取，以捕捉预热过程的整体特征。常见的全局特征包括时间序列统计特征(如平均值、方差、最大值、最小值)、频域特征(如傅里叶变换系数)等。再然后，对提取的特征进行归一化处理，以消除不同特征之间的量纲差异，确保特征在相同的尺度上进行比较。最后，将处理和融合后的特征表示为一个预热状态的全局特征向量。这个特征向量可以作为描述预热状态的综合特征，包含了多个关键帧的信息。
具体地，在本申请实施例中，所述预热温度时序处理单元122，用于将所述多个预定时间点的钢化玻璃预热时的温度进行时序处理以得到预热温度序列特征向量。
更具体地，所述预热温度时序处理单元，包括：预热温度时序排列子单元，用于将所述多个预定时间点的钢化玻璃预热时的温度按照时间维度排列为预热温度输入向量；以及，温度序列编码子单元，用于对所述预热温度输入向量进行序列编码以得到所述预热温度序列特征向量。
更具体地，所述温度序列编码子单元，用于：将所述预热温度输入向量输入包含一维卷积层和全连接层的预热温度序列编码器模型以得到所述预热温度序列特征向量。
值得一提的是，将所述多个预定时间点的钢化玻璃预热时的温度进行时序处理以得到预热温度序列特征向量，可通过以下步骤实施：1.根据预定的时间点，将温度数据按照时间顺序进行排序。2.使用自回归移动平均模型拟合温度序列，提取模型参数作为特征，如自回归系数、移动平均系数等。3.将提取的特征组合成特征向量。可以简单地将特征按顺序排列，形成一个一维向量。最后得到的特征向量即为预热温度序列的特征向量，表示了钢化玻璃预热过程中温度的关键特征。
具体地，所述预热过程多尺度构造单元123，用于基于所述预热状态全局特征向量和所述预热温度序列特征向量，以得到所述预热过程多尺度特征向量。
图6为根据本申请实施例的钢化玻璃的生产控制系统中预热过程多尺度构造单元的框图。更具体地，在本申请实施例中，如图6所示，所述预热过程多尺度构造单元123，包括：预热级联子单元1231，用于对所述预热状态全局特征向量和所述预热温度序列特征向量进行级联以得到钢化玻璃预热过程特征向量；预热多尺度处理子单元1232，用于将所述钢化玻璃预热过程特征向量通过预热过程多尺度特征提取模块，以得到第一尺度预热过程特征向量和第二尺度预热过程特征向量；以及，预热过程融合子单元1233，用于融合所述第一尺度预热过程特征向量和所述第二尺度预热过程特征向量以得到所述预热过程多尺度特征向量。
更具体地，在本申请实施例中，所述预热级联子单元1231，用于对所述预热状态全局特征向量和所述预热温度序列特征向量进行级联以得到钢化玻璃预热过程特征向量。考虑到在本申请的技术方案中，预热状态全局特征向量和预热温度序列特征向量分别从不同的角度提取了关键特征信息。预热状态全局特征向量反映了整个预热过程的全局特征，例如形态、纹理、颜色等方面的信息，而预热温度序列特征向量则主要关注了温度的时序变化特征。因此，通过将这两个特征向量级联在一起，可以融合不同层面的特征信息，从而更全面地描述和分析钢化玻璃的预热过程。
具体地，在本申请实施例中，所述预热多尺度处理子单元1232，用于将所述钢化玻璃预热过程特征向量通过预热过程多尺度特征提取模块，以得到第一尺度预热过程特征向量和第二尺度预热过程特征向量。
多尺度领域特征提取模块是一种在计算机视觉任务中常用的模块，用于从输入数据中提取多个尺度下的特征表示。特征金字塔是多尺度领域特征提取模块的核心组件之一。它通过在不同层级的特征图上应用不同尺度的卷积操作，生成具有不同感受野的特征。这样可以捕捉到细节和全局信息，并且适应不同尺度的目标。
在本申请实施例中，所述预热时间判断模块130，用于基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。考虑到预热是钢化玻璃制造过程中的一个重要步骤，它通过加热玻璃以减轻内部应力，提高玻璃的强度和耐冲击性能。在预热过程中，需要控制预热时间和温度，以确保玻璃达到适当的预热状态。具体地，分类预测钢化玻璃是否停止预热的目的是为了判断预热过程是否达到了预定的要求。如果预热过程停止得太早，玻璃可能没有完全达到所需的预热状态，其强度和耐冲击性能可能会受到影响。相反，如果预热过程持续时间过长，可能会导致玻璃过度预热，增加能耗和生产成本。也就是，通过提取多尺度特征向量并进行分类，可以根据预热过程中的全局和局部特征信息来判断玻璃是否停止预热。分类结果可以帮助操作员或系统自动化控制系统判断预热过程是否符合要求，并采取相应的措施。例如，如果分类结果表明预热过程已经停止，可以及时采取下一步的冷却或加热措施，以确保玻璃的质量和性能。
具体地，在本申请实施例中，所述预热多尺度处理子单元，用于：使用所述预热时间分类器以如下公式对所述预热过程多尺度特征向量进行处理以得到所述分类结果；其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)│X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为预热过程多尺度特征向量，softmax表示softmax函数，O表示所述分类结果。
本申请的其他具体实施例中，基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果可以通过以下方式实现。首先，输入预热过程的多尺度特征向量(包含不同尺度下的特征表示)。接着，收集一组已知标注的预热过程数据，其中包括钢化玻璃停止预热和未停止预热的样本并对每个样本，提取多尺度特征向量，并将其与标注的停止预热/未停止预热标签进行配对。然后，定义一个分类模型，例如卷积神经网络(CNN)或其他适用于特征分类的模型，将训练数据输入模型进行训练，使用标注的停止预热/未停止预热标签进行监督学习并通过反向传播和优化算法(如随机梯度下降)迭代地更新模型的权重和参数，以最小化分类误差。重复执行训练步骤，直到模型收敛或达到预定的训练轮数。最后，对于新的预热过程数据，提取多尺度特征向量，将特征向量输入训练好的模型进行预测。之后模型输出预测结果，表示钢化玻璃是否停止预热。通常使用概率值或类别标签来表示预测结果。
值得一提的是，本领域普通技术人员应知晓，在应用深度神经网络模型进行推断之前，需先对深度神经网络模型进行训练以使得所述深度神经网络能够实现特定的函数功能。
具体地，在本申请实施例中，还包括训练步骤：对所述预热状态多分支感知域模块、所述包含一维卷积层和全连接层的预热温度序列编码器模型、所述预热过程多尺度特征提取模块和所述预热时间分类器进行训练。
更具体地，在本申请实施例中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据，包括：预定时间段训练钢化玻璃预热时的监控视频和多个预定时间点的训练钢化玻璃预热时的温度，以及，钢化玻璃是否停止预热的真实结果；训练关键帧提取单元，用于以预定采样频率从所述训练钢化玻璃预热时的监控视频中提取出多个训练钢化玻璃预热状态关键帧；训练多分支感知单元，用于将所述多个训练钢化玻璃预热状态关键帧输入所述预热状态多分支感知域模块中，以得到多个训练预热状态特征图；训练池化单元，用于对所述多个训练预热状态特征图进行沿通道维度的各个特征矩阵的池化以得到多个训练预热状态特征向量；训练相似度计算单元，用于计算所述多个训练预热状态特征向量之间的余弦相似度，以得到训练预热状态全局特征向量；训练时序排列单元，用于将所述多个预定时间点的训练钢化玻璃预热时的温度按照时间维度排列为训练预热温度输入向量；训练序列编码单元，用于对所述训练预热温度输入向量通过所述包含一维卷积层和全连接层的预热温度序列编码器模型以得到训练预热温度序列特征向量；训练特征级联单元，用于对所述训练预热状态全局特征向量和所述训练预热温度序列特征向量进行级联以得到训练钢化玻璃预热过程特征向量；训练多尺度提取单元，用于将所述训练钢化玻璃预热过程特征向量通过所述预热过程多尺度特征提取模块，以得到训练第一尺度预热过程特征向量和训练第二尺度预热过程特征向量；训练融合单元，用于融合所述训练第一尺度预热过程特征向量和所述训练第二尺度预热过程特征向量以得到训练预热过程多尺度特征向量；训练几何刚性一致化因数计算单元，用于计算所述训练预热状态全局特征向量和所述训练预热温度序列特征向量之间的基于秩序性先验的几何刚性一致化因数；分类损失函数计算单元，用于将所述训练预热过程多尺度特征向量通过分类器以得到分类损失函数值；以及，模型训练单元，用于以所述分类损失函数值和所述基于秩序性先验的几何刚性一致化因数之间的加权和作为损失函数值，对所述预热状态多分支感知域模块、所述包含一维卷积层和全连接层的预热温度序列编码器模型、所述预热过程多尺度特征提取模块和所述预热时间分类器进行训练。
特别的，在本申请技术方案中，考虑到钢化玻璃的预热过程是一个复杂的过程，其中包含了温度变化、时间变化等多个因素。训练预热状态全局特征向量捕捉了钢化玻璃预热过程中的关键状态信息，例如温度的变化趋势、温度的峰值等。训练预热温度序列特征向量则编码了预热过程中的温度序列信息，可以反映出温度的变化模式和周期性。通过提升训练预热状态全局特征向量和训练预热温度序列特征向量之间的依赖性，可以让模型更好地理解它们之间的关系，从而更准确地判断钢化玻璃是否停止预热。例如，如果训练预热状态全局特征向量表明温度趋势正在上升，而训练预热温度序列特征向量也显示出相应的温度增长模式，那么这两个特征向量之间的依赖性就会增强，进一步增强了判断钢化玻璃是否停止预热的准确性。通过提升特征向量之间的依赖性，可以将不同特征的信息进行融合和协同，提供更全面、更准确的特征表示。这有助于模型更好地理解钢化玻璃预热过程中的关键特征，并能够更好地区分正常预热和异常情况，提高预测的准确性和可靠性。
为了更好地建立所述训练预热状态全局特征向量与所述训练预热温度序列特征向量在高维特征空间之间的依赖性，在本申请的技术方案中，利用特征流形在高维特征空间内的不同维度视角下观察的流形结构，所述流形结构可以反映出特征向量间关联的局部特征描述的差异和相似性。为了优化局部特征描述局部特征描述，使用一种基于秩序性先验的几何刚性一致化因数来度量不同维度视角下的流形结构的几何相似性，并以此为约束来调整特征向量的排列和变换，使其更加符合训练预热状态全局特征向量和训练预热温度序列特征向量的表达和匹配。
具体地，在本申请实施例中，所述分类损失函数计算单元，用于：以如下公式计算所述预热状态全局特征向量和所述预热温度序列特征向量之间的基于秩序性先验的几何刚性一致化因数；
其中，V1表示所述预热状态全局特征向量，V2表示所述预热状态全局特征向量，‖·‖F表示特征向量的Frobenius范数，α表示超参数，cos(V1,V2)表示计算所述预热状态全局特征向量和所述预热温度序列特征向量之间的余弦距离，‖·‖2表示特征向量的二范数，Loss表示所述基于秩序性先验的几何刚性一致化因数，exp(·)表示指数运算。
综上，基于本申请实施例的钢化玻璃的生产控制系统100被阐明，其采用基于深度神经网络模型的人工智能技术，其采用基于深度神经网络模型的人工智能技术，获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度，通过从监控视频中提取预热状态特征图，对多个预定时间点的温度数据进行时序特征提取，融合后通过再捕捉到钢化玻璃预热过程的特征，以得到用于表示是否停止预热的分类结果。通过这种方法实现对钢化玻璃预热过程的分析和分类，确定是否停止预热，以提高钢化玻璃生产过程的效率和质量。
图7为根据本申请实施例的钢化玻璃的生产控制方法的流程图。如图7所示，根据本申请实施例的钢化玻璃的生产控制方法，包括：S110,获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；S120,对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；以及，S130,基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
这里，本领域技术人员可以理解，上述钢化玻璃的生产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6的钢化玻璃的生产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。
以上所述仅是本公开的原理的示例，并且在不脱离本公开的范围的情况下，本领域的技术人员可以做出各种修改。出于说明而非限制的目的呈现上述实施例。本公开还可以采取除本文明确描述的那些形式之外的许多形式。因此，需要强调的是，本公开不限于明确公开的方法、系统和设备，而是旨在包括在所附权利要求的精神范围之内的变型和进行的修改。

Claims (10)

1.一种钢化玻璃的生产控制系统，其特征在于，包括：
预热监控温度获取模块，用于获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；
钢化玻璃预热特征分析模块，用于对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；
预热时间判断模块，用于基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
2.根据权利要求1所述的钢化玻璃的生产控制系统，其特征在于，所述钢化玻璃预热特征分析模块，包括：
预热监控视频处理单元，用于对所述钢化玻璃预热时的监控视频进行处理以得到预热状态全局特征向量；
预热温度时序处理单元，用于将所述多个预定时间点的钢化玻璃预热时的温度进行时序处理以得到预热温度序列特征向量；
预热过程多尺度构造单元，用于基于所述预热状态全局特征向量和所述预热温度序列特征向量，以得到所述预热过程多尺度特征向量。
3.根据权利要求2所述的钢化玻璃的生产控制系统，其特征在于，所述预热监控视频处理单元，包括:
预热监控关键帧采集子单元，用于以预定采样频率从所述钢化玻璃预热时的监控视频中提取出多个钢化玻璃预热状态关键帧；
预热关键帧特征提取子单元，用于将所述多个钢化玻璃预热状态关键帧进行特征提取以得到所述预热状态全局特征向量。
4.根据权利要求3所述的钢化玻璃的生产控制系统，其特征在于，所述预热关键帧特征提取子单元，包括:
预热多分支二级子单元，用于将所述多个钢化玻璃预热状态关键帧输入预热状态多分支感知域模块中，以得到多个预热状态特征图；
预热状态特征池化二级子单元，用于对所述多个预热状态特征图进行沿通道维度的各个特征矩阵的池化以得到多个预热状态特征向量；
相似度计算二级子单元，用于计算所述多个预热状态特征向量之间的余弦相似度，以得到所述预热状态全局特征向量。
5.根据权利要求4所述的钢化玻璃的生产控制系统，其特征在于，所述预热温度时序处理单元，包括：
预热温度时序排列子单元，用于将所述多个预定时间点的钢化玻璃预热时的温度按照时间维度排列为预热温度输入向量；
温度序列编码子单元，用于将所述预热温度输入向量通过包含一维卷积层和全连接层的预热温度序列编码器模型以得到所述预热温度序列特征向量。
6.根据权利要求5所述的钢化玻璃的生产控制系统，其特征在于，所述预热过程多尺度构造单元，包括：
预热级联子单元，用于对所述预热状态全局特征向量和所述预热温度序列特征向量进行级联以得到钢化玻璃预热过程特征向量；
预热多尺度处理子单元，用于将所述钢化玻璃预热过程特征向量通过预热过程多尺度特征提取模块，以得到第一尺度预热过程特征向量和第二尺度预热过程特征向量；
预热过程融合子单元，用于融合所述第一尺度预热过程特征向量和所述第二尺度预热过程特征向量以得到所述预热过程多尺度特征向量。
7.根据权利要求6所述的钢化玻璃的生产控制系统，其特征在于，所述预热多尺度处理子单元，用于：
使用所述预热时间分类器以如下分类公式对所述预热过程多尺度特征向量进行处理以得到所述分类结果；
其中，所述分类公式为：softmax{(Wn,Bn):…:(W1,B1)│X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为预热过程多尺度特征向量，softmax表示softmax函数，O表示所述分类结果。
8.根据权利要求7所述的钢化玻璃的生产控制系统，其特征在于，还包括训练步骤，用于对所述预热状态多分支感知域模块、所述包含一维卷积层和全连接层的预热温度序列编码器模型、所述预热过程多尺度特征提取模块和所述预热时间分类器进行训练；
其中，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据，包括：预定时间段训练钢化玻璃预热时的监控视频和多个预定时间点的训练钢化玻璃预热时的温度，以及，钢化玻璃是否停止预热的真实结果；
训练关键帧提取单元，用于以预定采样频率从所述训练钢化玻璃预热时的监控视频中提取出多个训练钢化玻璃预热状态关键帧；
训练多分支感知单元，用于将所述多个训练钢化玻璃预热状态关键帧输入所述预热状态多分支感知域模块中，以得到多个训练预热状态特征图；
训练池化单元，用于对所述多个训练预热状态特征图进行沿通道维度的各个特征矩阵的池化以得到多个训练预热状态特征向量；
训练相似度计算单元，用于计算所述多个训练预热状态特征向量之间的余弦相似度，以得到训练预热状态全局特征向量；
训练时序排列单元，用于将所述多个预定时间点的训练钢化玻璃预热时的温度按照时间维度排列为训练预热温度输入向量；
训练序列编码单元，用于对所述训练预热温度输入向量通过所述包含一维卷积层和全连接层的预热温度序列编码器模型以得到训练预热温度序列特征向量；
训练特征级联单元，用于对所述训练预热状态全局特征向量和所述训练预热温度序列特征向量进行级联以得到训练钢化玻璃预热过程特征向量；
训练多尺度提取单元，用于将所述训练钢化玻璃预热过程特征向量通过所述预热过程多尺度特征提取模块，以得到训练第一尺度预热过程特征向量和训练第二尺度预热过程特征向量；
训练融合单元，用于融合所述训练第一尺度预热过程特征向量和所述训练第二尺度预热过程特征向量以得到训练预热过程多尺度特征向量；
训练几何刚性一致化因数计算单元，用于计算所述训练预热状态全局特征向量和所述训练预热温度序列特征向量之间的基于秩序性先验的几何刚性一致化因数；
分类损失函数计算单元，用于将所述训练预热过程多尺度特征向量通过分类器以得到分类损失函数值；
模型训练单元，用于以所述分类损失函数值和所述基于秩序性先验的几何刚性一致化因数之间的加权和作为损失函数值，对所述预热状态多分支感知域模块、所述包含一维卷积层和全连接层的预热温度序列编码器模型、所述预热过程多尺度特征提取模块和所述预热时间分类器进行训练。
9.根据权利要求8所述的钢化玻璃的生产控制系统，其特征在于，所述分类损失函数计算单元，用于：
以如下公式计算所述预热状态全局特征向量和所述预热温度序列特征向量之间的基于秩序性先验的几何刚性一致化因数；
其中，V1表示所述预热状态全局特征向量，V2表示所述预热状态全局特征向量，‖·‖F表示特征向量的Frobenius范数，α表示超参数，cos(V1,V2)表示计算所述预热状态全局特征向量和所述预热温度序列特征向量之间的余弦距离，‖·‖2表示特征向量的二范数，Loss表示所述基于秩序性先验的几何刚性一致化因数，exp(·)表示指数运算。
10.一种钢化玻璃的生产控制方法，其特征在于，包括：
获取预定时间段钢化玻璃预热时的监控视频和多个预定时间点的钢化玻璃预热时的温度；
对所述钢化玻璃预热时的监控视频和所述多个预定时间点的钢化玻璃预热时的温度进行特征分析以得到预热过程多尺度特征向量；
基于所述预热过程多尺度特征向量，确定钢化玻璃是否停止预热的分类结果。
CN202311676328.0A 2023-12-07 2023-12-07 钢化玻璃的生产控制系统及方法 Active CN117666510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311676328.0A CN117666510B (zh) 2023-12-07 2023-12-07 钢化玻璃的生产控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311676328.0A CN117666510B (zh) 2023-12-07 2023-12-07 钢化玻璃的生产控制系统及方法

Publications (2)

Publication Number Publication Date
CN117666510A true CN117666510A (zh) 2024-03-08
CN117666510B CN117666510B (zh) 2024-10-01

Family

ID=90084222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311676328.0A Active CN117666510B (zh) 2023-12-07 2023-12-07 钢化玻璃的生产控制系统及方法

Country Status (1)

Country Link
CN (1) CN117666510B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118037737A (zh) * 2024-04-12 2024-05-14 深圳市恒义建筑技术有限公司 玻璃幕墙的安全性检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3588221A1 (en) * 2018-06-29 2020-01-01 Saint-Gobain Glass France Method for real-time monitoring of thermal time evolution of a furnace adapted to the thermal softening of flat glass articles
JP2020087036A (ja) * 2018-11-27 2020-06-04 日本電気通信システム株式会社 監視装置、監視システム、監視方法、及びプログラム
CN111931418A (zh) * 2020-07-21 2020-11-13 广东工业大学 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法
CN114115380A (zh) * 2021-11-24 2022-03-01 广东华中科技大学工业技术研究院 一种3d玻璃热弯模具温度控制方法和系统
CN117037031A (zh) * 2023-08-08 2023-11-10 凤阳瞩日精细科技有限公司 防辐射玻璃的制备方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3588221A1 (en) * 2018-06-29 2020-01-01 Saint-Gobain Glass France Method for real-time monitoring of thermal time evolution of a furnace adapted to the thermal softening of flat glass articles
JP2020087036A (ja) * 2018-11-27 2020-06-04 日本電気通信システム株式会社 監視装置、監視システム、監視方法、及びプログラム
CN111931418A (zh) * 2020-07-21 2020-11-13 广东工业大学 一种基于进化神经网络的马蹄焰玻璃窑炉的热效率预测方法
CN114115380A (zh) * 2021-11-24 2022-03-01 广东华中科技大学工业技术研究院 一种3d玻璃热弯模具温度控制方法和系统
CN117037031A (zh) * 2023-08-08 2023-11-10 凤阳瞩日精细科技有限公司 防辐射玻璃的制备方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118037737A (zh) * 2024-04-12 2024-05-14 深圳市恒义建筑技术有限公司 玻璃幕墙的安全性检测方法、装置、设备及存储介质
CN118037737B (zh) * 2024-04-12 2024-06-25 深圳市恒义建筑技术有限公司 玻璃幕墙的安全性检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN117666510B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN117666510B (zh) 钢化玻璃的生产控制系统及方法
CN114509685A (zh) 一种构建锂离子电池热失控预测模型的方法及预测系统
CN109447099B (zh) 一种基于pca降维的多分类器融合方法
CN115618296B (zh) 一种基于图注意力网络的大坝监测时序数据异常检测方法
CN113283282B (zh) 一种基于时域语义特征的弱监督时序动作检测方法
CN103136516A (zh) 可见光与近红外信息融合的人脸识别方法及系统
Tian et al. CASDD: Automatic surface defect detection using a complementary adversarial network
CN112861879B (zh) 基于双重迁移的认知障碍辅助决策支持方法和系统
CN116340796B (zh) 时序数据分析方法、装置、设备及存储介质
Zhu et al. An unsupervised dual-regression domain adversarial adaption network for tool wear prediction in multi-working conditions
Li et al. Stochastic configuration networks for self-blast state recognition of glass insulators with adaptive depth and multi-scale representation
CN116524674A (zh) 基于多源数据融合的智能配电房火灾早期监测方法与系统
CN113642486A (zh) 一种具有机载前端识别模型的无人机配网巡检方法
Zhang et al. Identification of concrete surface damage based on probabilistic deep learning of images
CN110427019B (zh) 一种基于多变量判别分析的工业过程故障分类方法及控制装置
Zhang Application of artificial intelligence recognition technology in digital image processing
Chen et al. A MULTI-EXPERT ANNOTATED FUNDUS COMPUTER VISION IMAGE SEGMENTATION MODEL USING MULTI-VIEW INFORMATION BOTTLENECK THEORY
CN117012391A (zh) 一种基于人工智能的肾移植术前风险评估系统
Dhar et al. On measuring the iconicity of a face
CN105160336A (zh) 基于Sigmoid函数的人脸识别方法
CN116415485A (zh) 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法
CN115982988A (zh) 一种基于PCA-Transformer的设备剩余使用寿命预测方法
CN114118377A (zh) 基于替代变量模型的决策效果评估方法、系统和计算机介质
Gerschner et al. Domain transfer for surface defect detection using few-shot learning on scarce data
Meng et al. A detection method for bridge cables based on intelligent image recognition and magnetic-memory technology

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
TA01 Transfer of patent application right

Effective date of registration: 20240911

Address after: 277000, 200 meters north of Yangcun, Baogou Town, Tengzhou City, Shandong Province

Applicant after: Tengzhou Yonggu Glass Products Co.,Ltd.

Country or region after: China

Address before: 313000 Factory Building on the South Side of Huyan Road, Ciguqiao Village, Lianshi Town, Nanxun District, Huzhou City, Zhejiang Province

Applicant before: Huzhou Chengxin Tempered Glass Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant