CN117670575A - 家具生产智能车间管理系统及方法 - Google Patents

家具生产智能车间管理系统及方法 Download PDF

Info

Publication number
CN117670575A
CN117670575A CN202311656645.6A CN202311656645A CN117670575A CN 117670575 A CN117670575 A CN 117670575A CN 202311656645 A CN202311656645 A CN 202311656645A CN 117670575 A CN117670575 A CN 117670575A
Authority
CN
China
Prior art keywords
dust concentration
dust
feature vector
semantic feature
workshop
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
Application number
CN202311656645.6A
Other languages
English (en)
Inventor
沈文学
沈卫平
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.)
Huzhou Yanshang Furniture Co ltd
Original Assignee
Huzhou Yanshang Furniture 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 Yanshang Furniture Co ltd filed Critical Huzhou Yanshang Furniture Co ltd
Priority to CN202311656645.6A priority Critical patent/CN117670575A/zh
Publication of CN117670575A publication Critical patent/CN117670575A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种家具生产智能车间管理系统及方法，其采用基于深度学习的人工智能控制技术，通过对家具生产车间进行实时监控来了解生产车间内粉尘浓度变化，并以此为依据来对生产车间开展除尘操作。这样，可以实现生产车间内实时除尘，有利于减少能耗浪费和提升除尘的效率。

Description

家具生产智能车间管理系统及方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种家具生产智能车间管理系统及方法。
背景技术
家具生产是一项涉及大量木材、油漆和其他材料的过程，这些材料在切割、打磨和喷涂等环节中会产生大量的灰尘。这些微小的颗粒物弥漫在生产车间中，会被工人吸入肺部，对他们的健康造成威胁，还会影响到生产设备的正常使用。因此，对于家具生产企业来说，有效地控制和减少车间内的粉尘浓度是非常重要的。
传统的除尘解决方案通常是基于固定的时间间隔或预设的运行模式来操作，例如每隔一段时间启动一次除尘装置或者按照预设的时间表进行除尘。然而，这种方法存在着一些问题。当车间内的粉尘浓度较高时，由于除尘装置并不是实时工作，可能会造成除尘不及时，使得粉尘对工人的健康产生更大的威胁。另一方面，当车间内的粉尘浓度较低时，除尘器仍然按照预设的模式运行，可能会造成能源的浪费，增加了企业的运营成本。
因此，需要一种优化的家具生产智能车间管理方案。
发明内容
本申请目的在于提供了一种家具生产智能车间管理系统及方法，其采用基于深度学习的人工智能控制技术，通过对家具生产车间进行实时监控来了解生产车间内粉尘浓度变化，并以此为依据来对生产车间开展除尘操作。这样，可以实现生产车间内实时除尘，有利于减少能耗浪费和提升除尘的效率。
根据本申请的一个方面，提供了一种家具生产智能车间管理系统，其包括：
生产车间数据采集模块，用于获取由摄像头采集的家具生产车间监控视频；
视频数据分析模块，用于对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；
除尘装置控制模块，用于基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
在上述家具生产智能车间管理系统中，所述视频数据分析模块，包括：采样单元，用于对所述家具生产车间监控视频进行关键帧提取以得到多个车间粉尘监控关键帧；灰度化处理单元，用于对所述多个车间粉尘监控关键帧进行图像灰度化处理以得到多个车间粉尘监控灰度关键帧；关键帧特征编码单元，用于对所述多个车间粉尘监控灰度关键帧进行特征提取以得到所述粉尘浓度变化语义特征向量。
在上述家具生产智能车间管理系统中，所述采样单元，用于：以预定采样频率对所述家具生产车间监控视频进行关键帧提取以得到所述多个车间粉尘监控关键帧。
在上述家具生产智能车间管理系统中，所述关键帧特征编码单元，包括：粉尘浓度特征向量提取一级子单元，用于将所述多个车间粉尘监控灰度关键帧分别通过包含混合卷积层的粉尘浓度特征提取器以得到多个粉尘浓度特征向量；粉尘浓度变化特征计算一级子单元，用于计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分以得到多个粉尘浓度变化特征向量；粉尘浓度上下文语义编码一级子单元，用于将所述多个粉尘浓度变化特征向量通过粉尘浓度变化上下文语义编码器以得到所述粉尘浓度变化语义特征向量。
在上述家具生产智能车间管理系统中，所述包含混合卷积层的粉尘浓度特征提取器为包含混合卷积层的卷积神经网络模型，所述粉尘浓度变化上下文语义编码器为基于转化器的上下文编码器。
在上述家具生产智能车间管理系统中，所述除尘装置控制模块，包括：粉尘浓度变化语义特征优化单元，用于计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量；除尘装置控制结果生成单元，用于将所述优化粉尘浓度变化语义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需要开启除尘装置。
在上述家具生产智能车间管理系统中，所述粉尘浓度变化语义特征优化单元，用于：以如下优化公式计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到所述优化粉尘浓度变化语义特征向量；其中，所述优化公式为：
其中，νi是所述粉尘浓度变化语义特征向量的第i个位置的特征值，是所述粉尘浓度变化语义特征向量的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，vi'是所述优化粉尘浓度变化语义特征向量的第i个位置的特征值。
根据本申请的另一方面，提供了一种家具生产智能车间管理方法，其包括：
获取由摄像头采集的家具生产车间监控视频；
对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；
基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
与现有技术相比，本申请提供的家具生产智能车间管理系统及方法，其采用基于深度学习的人工智能控制技术，通过对家具生产车间进行实时监控来了解生产车间内粉尘浓度变化，并以此为依据来对生产车间开展除尘操作。这样，可以实现生产车间内实时除尘，有利于减少能耗浪费和提升除尘的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，下面描述中的附图是本发申请的一些实施例，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。在附图中：
图1为根据本申请实施例的家具生产智能车间管理系统的系统框图。
图2为根据本申请实施例的家具生产智能车间管理系统的架构图。
图3为根据本申请实施例的家具生产智能车间管理系统中视频数据分析模块的框图。
图4为根据本申请实施例的家具生产智能车间管理系统中关键帧特征编码单元的框图。
图5为根据本申请实施例的家具生产智能车间管理系统中除尘装置控制模块的框图。
图6为根据本申请实施例的家具生产智能车间管理方法的流程图。
图7为根据本申请实施例的计算设备的框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。提供这些实施例使得本申请全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组件、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本申请中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本申请中所使用，术语“和/或”及类似术语包括相关联的列出项目中的任一个、多个和全部的所有组合。
在家具制造过程中，木材的切割是关键步骤之一，然而，此步骤会产生大量的木屑和木粉。这些木屑和木粉会漂浮在空气中，形成粉尘。此外，家具的表面处理步骤，如砂光和涂装，也会因木材表面的磨削而产生木粉和木屑。特别是砂光过程中，高速旋转的砂轮会扬起大量的粉尘。另外，为了在家具上安装五金件或其他附件，钻孔是常见的操作。然而，钻孔过程中，木材被钻头切割，同样会产生木屑和木粉。这些木屑和木粉也会漂浮在空气中，形成粉尘。在整个家具生产过程中会产生大量粉尘，这些产生的粉尘会威胁工人身体健康，比如吸入的粉尘足够多时易引发尘肺病，它还会引发鼻炎、咽炎、支气管炎、皮疹、皮炎、眼结膜损害等，一些特定类型的木粉甚至被归类为致癌。此外，生产设备也会受到粉尘的影响。扬起的木屑、尘灰会堆积在设备的管道、缝隙中，增加了维护周边设备的困难度。内管粉尘堆积、空气中粉尘飞扬，还增加了粉尘爆炸的风险。因此，家具生产企业需要有效控制和减少车间内的粉尘浓度。传统的车间除尘解决方案是按照固定的时间间隔或预设的运行模式来操作，但这种方法存在除尘不及时和能源浪费的问题。因此，期待一种优化的家具生产智能车间管理方案，其能够更有效地控制除尘装置以达到更好地除尘效果。
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。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为家具生产智能车间管理提供了新的解决思路和方案。
针对上述提到的技术问题，本申请的技术构思是基于家具生产车间的粉尘浓度来进行实时除尘。
图1为根据本申请实施例的家具生产智能车间管理系统的系统框图。图2为根据本申请实施例的家具生产智能车间管理系统的架构图。如图1和图2所示，在家具生产智能车间管理系统100中，包括：生产车间数据采集模块110，用于获取由摄像头采集的家具生产车间监控视频；视频数据分析模块120，用于对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；除尘装置控制模块130，用于基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的家具生产车间监控视频。应可以理解，通过获取车间监控视频，可以实时监测家具车间内的情况，包括粉尘浓度的变化。这样，可以及时了解车间中的粉尘情况，为后续的除尘决策提供更准确的数据基础。在本申请实施例中，摄像头可以被部署在生产的关键工作区域，例如切割、打磨、喷涂等操作的领域，这已经覆盖了重要的工作区域和粉尘产生区域，可以更准确地监测到粉尘的产生和浓度变化，以便于获取全面的监控信息。
家具生产车间监控视频通常是连续的视频流，包含大量的帧图像。而并非每一帧图像都对粉尘监测和分析具有同等重要性。如果直接对整个视频数据进行处理，后续处理分析的计算效率会大大降低。因此，在本申请的技术方案中，对所述家具生产车间监控视频进行关键帧提取以得到多个车间粉尘监控关键帧。不难理解，关键帧是从视频中选择的具有重要信息的帧图像。在家具生产车间的监控视频中，粉尘浓度的变化通常会导致画面的明暗、清晰度等方面发生变化。通过关键帧提取，可以捕捉到这些变化的关键时刻，反映粉尘浓度的变化趋势和程度。
在家具车间生产过程中，粉尘浓度的变化通常会导致图像明暗程度的变化，在本申请里，需要更突出粉尘特征。于是，对所述多个车间粉尘监控关键帧进行图像灰度化处理以得到多个车间粉尘监控灰度关键帧。通过灰度化处理的图像，会使粉尘浓度的变化更加明显，这有助于后续的粉尘浓度变化分析和分类判断。还值得一提的是，车间粉尘监控关键帧这一帧图像也就是我们常说的彩色图像，彩色图像通常由红、绿、蓝三个通道组成，而通过图像灰度化处理得到的车间粉尘监控灰度关键帧也就是我们常说的灰度图像，灰度图像只有一个通道。在灰度图像中，每个像素的数值代表了该像素的亮度值，这样的单通道图像可以减少后续处理和分析过程中的计算复杂度，提高处理效率。
在本申请提供的实施例中，将车间粉尘监控关键帧进行图像灰度化处理的一种可实施方式为：a.将彩色关键帧图像转换为灰度图像，这可以通过将彩色图像的RGB通道进行加权平均来实现，比如：灰度值＝0.2989*红色通道值+0.5870*绿色通道值+0.1140*蓝色通道值，这里的权重值是经验值，可以根据需求进行调整；b.对转换后的灰度图像进行灰度范围归一化，确保图像的灰度值范围在0到255之间，以便后续处理和分析。
在得到车间粉尘监控灰度关键帧之后，需要对关键帧中关于粉尘浓度相关信息进行特征提取。因此，将所述多个车间粉尘监控灰度关键帧分别通过包含混合卷积层的粉尘浓度特征提取器以得到多个粉尘浓度特征向量。在本申请实施例里，混合卷积层包含并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，其中，第一卷积核、第二卷积核、第三卷积核和第四卷积核具有相同的尺寸，尺寸大小为3*3，第二卷积核、第三卷积核和第四卷积核具有不同的空洞率，空洞卷积的扩张率分别为2，3，4。通过将车间粉尘监控灰度关键帧输入到包含混合卷积层的粉尘浓度特征提取器中，混合卷积层的四个分支分别对关键帧进行特征提取以得到4个分支特征图，接着将4个分支特征图进行融合，以获得更加丰富的信息，然后对融合后的特征图进行池化以得到粉尘浓度特征向量。
不难理解，对车间粉尘监控灰度关键帧进行特征提取时采用混合卷积层而不是普通卷积层的原因：混合卷积层由并联的多个分支组成，每个分支具有不同的卷积核大小和空洞率，这样可以实现多尺度感受野，即同时考虑不同尺度下的特征信息，从而更全面地描述粉尘浓度的变化情况；混合卷积层中的空洞卷积采用不同的空洞率，通过增加卷积核的感受野，可以更好地捕捉到粉尘浓度变化的细节和局部特征，不同空洞率的卷积核可以捕捉到不同尺度的信息，从而提高了特征提取的能力：混合卷积层通过并联的多个分支进行特征提取并将提取到的特征进行融合，不同分支提取到的特征具有不同的特性，通过融合可以综合利用这些特征，增强了特征的表达能力；相比于普通的卷积神经网络，混合卷积层通过并联的方式增加了网络的宽度，而不是增加网络的深度，这样可以在一定程度上减少网络的参数量，提高了参数的效率。
在本申请提供的实施例中，将所述多个车间粉尘监控灰度关键帧分别通过包含混合卷积层的粉尘浓度特征提取器以得到多个粉尘浓度特征向量的一个可实施方式为：具有第一尺寸的第一卷积核对所述车间粉尘监控灰度关键帧进行卷积编码以得到第一尺度特征图；使用具有第一空洞率的第二卷积核对所述车间粉尘监控灰度关键帧进行卷积编码以得到第二尺度特征图；使用具有第二空洞率的第三卷积核对所述各个车间粉尘监控灰度关键帧进行卷积编码以得到第三尺度特征图；使用具有第三空洞率的第四卷积核对所述车间粉尘监控灰度关键帧进行卷积编码以得到第四尺度特征图，其中，所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸，且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图；对所述聚合特征图进行降维以得到所述粉尘浓度特征向量。上述提到的对车间粉尘监控灰度关键帧编码过程是针对一个关键帧进行举例的，实际上，每个车间粉尘监控灰度关键帧都可以按照上述编码过程进行特征提取。
在实际家具生产过程中，车间内粉尘浓度是不断变化的。除尘装置的开启需要基于粉尘浓度变化，因此，计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分以得到多个粉尘浓度变化特征向量。通过计算相邻特征向量之间的差分，可以得到表示粉尘浓度变化的特征向量。这些特征向量中的每个元素代表了相邻时间点上粉尘浓度的差异。通过分析这些差分特征向量，可以获得粉尘浓度的变化趋势和模式，这为粉尘清除控制提供了参考依据。
在本申请的实施例里面，计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分以得到多个粉尘浓度变化特征向量的一个可实施方式可以是：以如下差分公式计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分特征向量；其中，所述差分公式为：
其中，Va表示第一粉尘浓度特征向量，表示按位置作差，Vb表示第二粉尘浓度特征向量，Vn表示所述差分特征向量。
紧接着，将所述多个粉尘浓度变化特征向量通过粉尘浓度变化上下文语义编码器以得到粉尘浓度变化语义特征向量。在本申请中，粉尘浓度变化上下文语义编码器采用了基于转换器的上下文编码器结构，并包含嵌入层。转换器是一种强大的序列建模工具，它能够捕捉序列中的上下文关系和语义信息。通过嵌入层，原始的粉尘浓度变化特征向量可以被映射到更高维度的语义空间中。通过粉尘浓度变化上下文语义编码器的处理，可以得到表示粉尘浓度变化的语义特征向量。这些特征向量包含了更丰富和抽象的语义信息，可以用于更深入的粉尘浓度变化分析和理解。粉尘浓度变化的语义特征可以用于识别和分析不同的粉尘浓度模式，如逐渐上升、逐渐下降、突然增加等。这有助于预测和判断粉尘浓度的未来变化趋势，并采取相应的控制措施。
在本申请的实施例里面，将所述多个粉尘浓度变化特征向量通过粉尘浓度变化上下文语义编码器以得到粉尘浓度变化语义特征向量的一个可实施方式是：将所述多个粉尘浓度变化特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以所述多个粉尘浓度变化特征向量中各个粉尘浓度变化特征向量作为值向量分别进行相乘以得到所述多个上下文特征向量；将所述多个上下文特征向量进行级联以得到粉尘浓度变化语义特征向量。
图3为根据本申请实施例的家具生产智能车间管理系统中视频数据分析模块的框图。如图3所示，所述视频数据分析模块120，包括：采样单元121，用于对所述家具生产车间监控视频进行关键帧提取以得到多个车间粉尘监控关键帧；灰度化处理单元122，用于对所述多个车间粉尘监控关键帧进行图像灰度化处理以得到多个车间粉尘监控灰度关键帧；关键帧特征编码单元123，用于对所述多个车间粉尘监控灰度关键帧进行特征提取以得到所述粉尘浓度变化语义特征向量。
具体地，所述采样单元121，用于：以预定采样频率对所述家具生产车间监控视频进行关键帧提取以得到所述多个车间粉尘监控关键帧。值得一提的是，这里预定采样频率并不是一个固定值，而是视具体使用场景可以发生改变的。
图4为根据本申请实施例的家具生产智能车间管理系统中关键帧特征编码单元的框图。如图4所示，所述关键帧特征编码单元123，包括：粉尘浓度特征向量提取一级子单元1231，用于将所述多个车间粉尘监控灰度关键帧分别通过包含混合卷积层的粉尘浓度特征提取器以得到多个粉尘浓度特征向量；粉尘浓度变化特征计算一级子单元1232，用于计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分以得到多个粉尘浓度变化特征向量；粉尘浓度上下文语义编码一级子单元1233，用于将所述多个粉尘浓度变化特征向量通过粉尘浓度变化上下文语义编码器以得到所述粉尘浓度变化语义特征向量。
特别地，在本申请技术方案中，考虑到监控视频中的粉尘浓度变化可能在时间和空间上存在不均衡分布。某些时间段或特定车间可能更容易出现粉尘浓度的变化，导致某些粉尘浓度变化特征向量的样本数量较少，而其他样本则更为常见。这种数据不平衡性会导致稀有样本的特征向量无法充分学习，从而影响分类准确性。同时，特征提取器可能无法充分捕捉粉尘浓度变化的细微差异。特征提取器的参数设置不合理或提取的特征无法充分表达粉尘浓度变化的语义信息，可能会导致特征向量中存在大量的零值或重复值，进而造成稀疏度较高。这样的特征向量可能无法提供足够的信息来支持准确的分类。此外，特征表示方法的选择也可能导致稀疏性增加。如果所采用的特征表示方法无法准确地捕捉到粉尘浓度变化的语义信息或无法捕捉到重要的特征模式，特征向量的稀疏度可能会增加。这会导致分类器难以准确区分不同类别之间的粉尘浓度变化。也就是，粉尘浓度变化语义特征向量的稀疏度较高可能会影响分类准确性，因为稀疏的特征向量无法充分表达粉尘浓度变化的关键信息，从而影响分类器的性能。因此，本申请，通过计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达，以解决在将所述粉尘浓度变化语义特征向量通过分类器进行分类时，所述粉尘浓度变化语义特征向量的稀疏度对于分类准确性会产生不利影响的问题。
具体地，以如下优化公式计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量；其中，所述优化公式为：
其中，vi是所述粉尘浓度变化语义特征向量的第i个位置的特征值，是所述粉尘浓度变化语义特征向量的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，vi'是所述优化粉尘浓度变化语义特征向量的第i个位置的特征值。
也就是，为了提高基于编码器模型得到的粉尘浓度变化语义特征向量的分类准确性，在本申请的技术方案中，使用运动分布模型来近似目标分类函数。具体的，使用类KL散度来度量运动分布模型和目标分类函数之间的差异，即用交叉熵损失函数来优化神经网络的参数,进而以后验表达来计算或估计运动分布模型的输出，即用编码器模型的输出作为神经网络的输入，并使用类KL散度来度量后验表达和运动分布模型之间的差异，即用最大似然估计方法来优化编码器模型的参数，这样使用稀疏性约束来促进编码器模型的稀疏性。通过这样的方法，实现对特征的隐式表达进行稀疏性约束，从而在训练过程中对编码器的参数空间进行稀疏性限制，以提高编码器模型的群优化能力，从而改善基于编码器模型得到的粉尘浓度变化语义特征向量的分类准确性。
最后，将所述优化粉尘浓度变化语义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需要开启除尘装置。应可以理解，这一步骤的意义在于根据粉尘浓度的变化趋势和模式，自动决定是否需要采取除尘措施来维持车间的工作环境安全和健康。分类器是一种机器学习模型，它可以根据输入的特征向量进行分类预测。通过将优化粉尘浓度变化语义特征向量输入到训练好的分类器中，可以得到一个二元分类结果。这样的自动化分类判断可以提高车间管理的效率和准确性。
在本申请实施例里，将所述优化粉尘浓度变化语义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需要开启除尘装置的一个可实施方式可以为：使用所述分类器的全连接层对所述优化粉尘浓度变化语义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分类特征矩阵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当前时间点需要开启除尘装置和用于表示当前时间点不需要开启除尘装置；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。
图5为根据本申请实施例的家具生产智能车间管理系统中除尘装置控制模块的框图。如图5所示，所述除尘装置控制模块130，包括：粉尘浓度变化语义特征优化单元131，用于计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量；除尘装置控制结果生成单元132，用于将所述优化粉尘浓度变化语义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需要开启除尘装置。
综上所述，基于本申请实施例的家具生产智能车间管理系统100被阐明，其采用基于深度学习的人工智能控制技术，通过对家具生产车间进行实时监控来了解生产车间内粉尘浓度变化，并以此为依据来对生产车间开展除尘操作。这样，可以实现生产车间内实时除尘，有利于减少能耗浪费和提升除尘的效率。
如上所述，根据本申请实施例的家具生产智能车间管理系统100可以实现在各种终端设备中，例如用于家具生产智能车间管理的服务器等。在一个示例中，根据本申请实施例的家具生产智能车间管理系统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，该家具生产智能车间管理系统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，该家具生产智能车间管理系统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，该家具生产智能车间管理系统100与该终端设备也可以是分立的设备，并且该家具生产智能车间管理系统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6为根据本申请实施例的家具生产智能车间管理方法的流程图。如图6所示，在家具生产智能车间管理方法中，包括：S110，获取由摄像头采集的家具生产车间监控视频；S120，对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；S130，基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
这里，本领域技术人员可以理解，上述家具生产智能车间管理方法中的各个步骤的具体操作已经在上面参考图1到图5的家具生产智能车间管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的家具生产智能车间管理方法被阐明，其采用基于深度学习的人工智能控制技术，通过对家具生产车间进行实时监控来了解生产车间内粉尘浓度变化，并以此为依据来对生产车间开展除尘操作。这样，可以实现生产车间内实时除尘，有利于减少能耗浪费和提升除尘的效率。
下面，参考图7来描述根据本申请实施例的计算设备。图7为根据本申请实施例的计算设备的框图。
如图7所示，计算设备10包括彼此通信耦合的处理系统11、一个或多个计算机可读介质12以及一个或多个I/O接口13，计算设备10还包括总线系统和/或其他形式的连接机构(未示出)。
处理系统11代表使用硬件执行一个或多个操作的功能。因此，处理系统11被图示为包括可被配置为处理器、功能块等的硬件元件14。硬件元件14不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由(多个)半导体和/或晶体管(例如,电子集成电路(IC))组成。处理器可以控制计算设备10中的其他组件以执行期望的功能。
计算机可读介质12被图示为包括存储器15。存储器15表示与一个或多个计算机可读介质相关联的存储器。存储器15可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存、光盘、磁盘等)。存储器15可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质12可以存储一个或多个计算机程序指令，以实现上文所述的本申请的各个实施例的家具生产车间智能管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如家具生产车间监控视频等各种内容。
一个或多个I/O接口13代表允许用户向计算设备10输入命令和信息并且可选地还允许使用各种输入/输出设备将信息呈现给用户和/或其它组件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风(例如，用于语音输入)、扫描仪、触摸功能(例如，被配置为检测物理触摸的容性或其它传感器)、相机(例如，可以采用可见或不可见的波长(诸如红外频率)将不涉及触摸的运动检测为手势)等等。输出设备的示例包括显示设备(例如，监视器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。输出设备可以向外部输出各种信息，包括判断是否需要开启除尘装置的结果等。
当然，为了简化，图7中仅示出了该计算设备10中与本申请有关的组件中的一些，省略了诸如总线等等的组件。除此之外，根据具体应用情况，计算设备10还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机可读介质。计算机可读介质可以包括可由计算设备10访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备10的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号，该信号的特征中的一个或多个被设置或改变，从而将信息编码到该信号中。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。
如前所述，硬件元件14和计算机可读介质12代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本申请描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。
前述的组合也可以用于实现本申请所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件14体现的一个或多个指令和/或逻辑。计算设备10可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件14，可以至少部分地以硬件来实现将模块实现为可由计算设备10作为软件执行的模块。指令和/或功能可以由一个或多个制品(例如，一个或多个计算设备10和/或处理系统11)可执行/可操作以实现本申请所述的技术、模块和示例。
以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请,任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本申请技术方案的范围内。

Claims (10)

1.一种家具生产智能车间管理系统，其特征在于，包括：
生产车间数据采集模块，用于获取由摄像头采集的家具生产车间监控视频；
视频数据分析模块，用于对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；
除尘装置控制模块，用于基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
2.根据权利要求1所述的家具生产智能车间管理系统，其特征在于，所述视频数据分析模块，包括：
采样单元，用于对所述家具生产车间监控视频进行关键帧提取以得到多个车间粉尘监控关键帧；
灰度化处理单元，用于对所述多个车间粉尘监控关键帧进行图像灰度化处理以得到多个车间粉尘监控灰度关键帧；
关键帧特征编码单元，用于对所述多个车间粉尘监控灰度关键帧进行特征提取以得到所述粉尘浓度变化语义特征向量。
3.根据权利要求2所述的家具生产智能车间管理系统，其特征在于，所述采样单元，用于：以预定采样频率对所述家具生产车间监控视频进行关键帧提取以得到所述多个车间粉尘监控关键帧。
4.根据权利要求3所述的家具生产智能车间管理系统，其特征在于，所述关键帧特征编码单元，包括：
粉尘浓度特征向量提取一级子单元，用于将所述多个车间粉尘监控灰度关键帧分别通过包含混合卷积层的粉尘浓度特征提取器以得到多个粉尘浓度特征向量；
粉尘浓度变化特征计算一级子单元，用于计算所述多个粉尘浓度特征向量中每两个粉尘浓度特征向量之间的差分以得到多个粉尘浓度变化特征向量；
粉尘浓度上下文语义编码一级子单元，用于将所述多个粉尘浓度变化特征向量通过粉尘浓度变化上下文语义编码器以得到所述粉尘浓度变化语义特征向量。
5.根据权利要求4所述的家具生产智能车间管理系统，其特征在于，所述包含混合卷积层的粉尘浓度特征提取器为包含混合卷积层的卷积神经网络模型，所述粉尘浓度变化上下文语义编码器为基于转化器的上下文编码器。
6.根据权利要求5所述的家具生产智能车间管理系统，其特征在于，所述除尘装置控制模块，包括：
粉尘浓度变化语义特征优化单元，用于计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量；
除尘装置控制结果生成单元，用于将所述优化粉尘浓度变化语义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需要开启除尘装置。
7.根据权利要求6所述的家具生产智能车间管理系统，其特征在于，所述粉尘浓度变化语义特征优化单元，用于：以如下优化公式计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到所述优化粉尘浓度变化语义特征向量；
其中，所述优化公式为：
其中，vi是所述粉尘浓度变化语义特征向量的第i个位置的特征值，是所述粉尘浓度变化语义特征向量的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，vi'是所述优化粉尘浓度变化语义特征向量的第i个位置的特征值。
8.一种家具生产智能车间管理方法，其特征在于，包括：
获取由摄像头采集的家具生产车间监控视频；
对所述家具生产车间监控视频进行特征分析以得到粉尘浓度变化语义特征向量；
基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置。
9.根据权利要求8所述的家具生产智能车间管理方法，其特征在于，基于所述粉尘浓度变化语义特征向量，确定是否需要开启除尘装置，包括：
计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量；
将所述优化粉尘浓度变化语义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需要开启除尘装置。
10.根据权利要求9所述的家具生产智能车间管理方法，其特征在于，计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到优化粉尘浓度变化语义特征向量，包括：以如下优化公式计算所述粉尘浓度变化语义特征向量相对于目标分类函数的运动分布模型的后验表达以得到所述优化粉尘浓度变化语义特征向量；
其中，所述优化公式为：
其中，νi是所述粉尘浓度变化语义特征向量的第i个位置的特征值，是所述粉尘浓度变化语义特征向量的全局特征均值，log表示以2为底的对数函数值，λ表示预定超参数，νi'是所述优化粉尘浓度变化语义特征向量的第i个位置的特征值。
CN202311656645.6A 2023-12-05 2023-12-05 家具生产智能车间管理系统及方法 Pending CN117670575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311656645.6A CN117670575A (zh) 2023-12-05 2023-12-05 家具生产智能车间管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311656645.6A CN117670575A (zh) 2023-12-05 2023-12-05 家具生产智能车间管理系统及方法

Publications (1)

Publication Number Publication Date
CN117670575A true CN117670575A (zh) 2024-03-08

Family

ID=90084047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311656645.6A Pending CN117670575A (zh) 2023-12-05 2023-12-05 家具生产智能车间管理系统及方法

Country Status (1)

Country Link
CN (1) CN117670575A (zh)

Similar Documents

Publication Publication Date Title
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
Karimi et al. Surface defect detection in tiling Industries using digital image processing methods: Analysis and evaluation
CN111242202B (zh) 基于度量学习的车削加工刀具磨损状态监测方法
CN111080693A (zh) 一种基于YOLOv3的机器人自主分类抓取方法
Khan et al. An improved K-means clustering algorithm based on an adaptive initial parameter estimation procedure for image segmentation
CN109871749B (zh) 一种基于深度哈希的行人重识别方法和装置、计算机系统
CN110751195B (zh) 一种基于改进YOLOv3的细粒度图像分类方法
CN111709300A (zh) 基于视频图像的人群计数方法
Zhang et al. Multi-scale defect detection of printed circuit board based on feature pyramid network
CN111091057A (zh) 一种信息处理方法、装置及计算机可读存储介质
CN110070106A (zh) 烟雾检测方法、装置及电子设备
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN110472608A (zh) 图像识别跟踪处理方法及系统
CN113487538A (zh) 一种多目标分割缺陷检测方法、装置及其计算机存储介质
CN117036243A (zh) 刨花板表面缺陷检测的方法、装置、设备和存储介质
CN115984662A (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
Prihatno et al. Metal defect classification using deep learning
CN116776647B (zh) 一种复合镍铜铝散热底板的性能预测方法及系统
Zhang et al. An automatic defect detection method for TO56 semiconductor laser using deep convolutional neural network
Lan et al. PCB defect detection algorithm of improved YOLOv8
Xue et al. Detection of Various Types of Metal Surface Defects Based on Image Processing.
CN117670575A (zh) 家具生产智能车间管理系统及方法
Khandelwal et al. Image Processing Based Quality Analyzer and Controller

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