CN117907249A - 人造板生产过程中防水剂混合均匀性检测装置和控制装置 - Google Patents
人造板生产过程中防水剂混合均匀性检测装置和控制装置 Download PDFInfo
- Publication number
- CN117907249A CN117907249A CN202311806768.3A CN202311806768A CN117907249A CN 117907249 A CN117907249 A CN 117907249A CN 202311806768 A CN202311806768 A CN 202311806768A CN 117907249 A CN117907249 A CN 117907249A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- artificial board
- detection
- model
- waterproof agent
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 238000001228 spectrum Methods 0.000 claims abstract description 171
- 239000000523 sample Substances 0.000 claims abstract description 100
- 239000002994 raw material Substances 0.000 claims abstract description 90
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004078 waterproofing Methods 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims 2
- 238000001429 visible spectrum Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 87
- 230000003595 spectral effect Effects 0.000 description 35
- 239000002023 wood Substances 0.000 description 13
- 239000000463 material Substances 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 239000000835 fiber Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 229920002522 Wood fibre Polymers 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000002025 wood fiber Substances 0.000 description 4
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 3
- 235000017491 Bambusa tulda Nutrition 0.000 description 3
- 241001330002 Bambuseae Species 0.000 description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 3
- 239000011425 bamboo Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002209 hydrophobic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000011094 fiberboard Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 229920002050 silicone resin Polymers 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229920003002 synthetic resin Polymers 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种人造板生产过程中防水剂混合均匀性检测装置和控制装置，其中，防水剂混合均匀性检测装置包括光谱检测模组和处理器；光谱检测模组设置在人造板生产线上且位于添加防水剂工序之后，光谱检测模组检测人造板原料向处理器实时输出光谱数据集；处理器接收光谱数据集，实时将每一个光谱探头采集的光谱数据或者将每一个光谱探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱探头对应原料检测区域的防水剂添加量检测值，根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断并输出检测结果。分析效率高，能够在生产线上在线准确检测人造板中防水剂混合均匀性。
Description
技术领域
本发明涉及人造板防水剂检测技术领域，尤其涉及一种人造板生产过程中防水剂混合均匀性检测装置和控制装置。
背景技术
在刨花板和纤维板生产过程中，施加防水剂目的是提高板制品的耐水性，改善尺寸稳定性，减轻或消除湿胀和干缩而引起的翘曲变形，以及防止板制品因吸湿造成霉变和导电能力增强等问题，是最为简便、成本低廉、最为有效的措施之一。施加防水剂的实质是在刨花原料或纤维原料上施加憎水物质，在刨花原料或纤维原料表面吸附憎水物质后，可产生以下作用：憎水物质部分堵塞了单体刨花之间或单体纤维之间的空隙，截断了水分传递的渠道；增大了水与刨花或纤维之间的接触角，缩小了接触面积；部分遮盖了物料表面的极性官能团(如羟基)，降低了吸附作用。
实践证明，只要施加工艺合理，使防水剂在人造板内均匀分布，即可获得好的防水效果。相反，如果人造板内防水剂添加量过多或混合不均匀则降低产品的强度。目前，刨花原料和纤维原料的防水剂混合均匀性主要通过人工经验进行判断和控制，在连续自动化生产中尚无可用的防水剂混合均匀性检测装置。
为此，亟需一种能够在生产线上在线准确检测人造板中防水剂混合均匀性的装置。
发明内容
鉴于现有技术的上述缺点、不足，本发明提供一种人造板生产过程中防水剂混合均匀性检测装置和控制装置，分析效率高，能够在生产线上在线准确检测人造板中防水剂混合均匀性。
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明提供一种人造板生产过程中防水剂混合均匀性检测装置，包括光谱检测模组和处理器；光谱检测模组设置在人造板生产线上且位于添加防水剂工序之后，光谱检测模组的检测区域覆盖人造板原料的输送宽度，光谱检测模组包括至少一个光谱探头，光谱检测模组检测人造板原料向处理器实时输出光谱数据集，光谱数据集包括每一个光谱探头采集的光谱数据；处理器接收光谱数据集，实时将每一个光谱探头采集的光谱数据输入预先训练的机器学习检测模型或多层卷积神经网络模型，或者将每一个光谱探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱探头对应原料检测区域的防水剂添加量检测值，根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，并依据判断结果输出人造板防水剂混合均匀性检测结果。
可选地，多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
可选地，光谱检测模组的检测区域与人造板原料的输送宽度完全重合。
可选地，人造板生产过程中防水剂混合均匀性检测装置还包括报警器，处理器与报警器连接；处理器根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，包括：根据每一个光谱探头对应原料检测区域的防水剂添加量检测值，判断其是否在预先设定的防水剂添加量上限值和预先设定的防水剂添加量下限值之间，若在，则光谱探头对应原料检测区域的防水剂混合均匀性为均匀，若大于防水剂添加量上限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏高，并指示报警器发出报警信息，若小于防水剂添加量下限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏低，并指示报警器发出报警信息。
可选地，人造板生产过程中防水剂混合均匀性检测装置还包括模型训练器；光谱检测模组依次检测不同防水剂添加量的同一类型人造板原料，并向模型训练器输出光谱数据集；模型训练器根据接收的不同防水剂添加量的同一类型人造板原料的光谱数据集进行划分，获得训练集、验证集和测试集，根据训练集、验证集和测试集，使用优化器对机器学习检测模型或多层卷积神经网络模型进行训练，获得训练好的机器学习检测模型或多层卷积神经网络模型；模型训练器与处理器连接，模型训练器将训练好的机器学习检测模型或多层卷积神经网络模型输出至处理器进行模型更新。
可选地，人造板生产过程中防水剂混合均匀性检测装置还包括模型库，模型库内预先存储有训练好的不同人造板类型的机器学习检测模型或多层卷积神经网络模型；处理器与模型库连接，处理器根据待测人造板的类型从模型库内选择相应的机器学习检测模型或多层卷积神经网络模型进行模型更新。
可选地，模型训练器与模型库连接，模型训练器将训练好的多层卷积神经网络模型输出至模型库内进行存储。
可选地，光谱探头静止设置在人造板生产线上；或者，光谱探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱探头的移动过程中，所有光谱探头的检测区域始终覆盖人造板原料的输送宽度。
可选地，光谱探头采集光谱波长范围包括可见光谱波长，可见光和近红外光组合光谱波长，近红外光谱波长，中红外光谱波长，近红外光和中红外光组合光谱波长，或者可见光、近红外光和中红外光的组合光谱波长。
第二方面，本发明提供一种人造板生产过程中防水剂混合均匀性控制装置，包括控制器和如上所述的防水剂混合均匀性检测装置，控制器与处理器连接，控制器根据处理器输出的人造板防水剂混合均匀性检测结果，进行人造板防水剂混合均匀性控制。
本发明的有益效果是：
本发明提供的防水剂混合均匀性检测装置，通过设置包括至少一个光谱探头的光谱检测模组，并且光谱检测模组的检测区域覆盖人造板原料的输送宽度，确保检测到人造板生产线上不同宽度区域的代表性原料，保证光谱数据的全面性，进而提高人造板中防水剂混合均匀性检测的准确度。通过采集人造板原料的光谱数据，并采用特定的模型对光谱数据进行分析，可以无损、快速、实时的对人造板防水剂混合均匀性进行检测，进而能够在生产线上对人造板中防水剂混合均匀性进行在线准确检测。
附图说明
图1为根据本发明具体实施方式的人造板生产过程中防水剂混合均匀性检测装置的结构示意图；
图2为根据本发明具体实施方式的多层卷积神经网络模型的结构示意图；
图3为根据本发明具体实施方式的光谱检测探头静止设置在人造板生产线上的结构示意图；
图4为根据本发明具体实施方式的光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上的结构示意图。
附图标记说明
1：光谱检测模组；2：处理器；3：报警器；4：模型训练器；5：模型库。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。需要说明的是，本文所提及的“上”、“下”、“左”、“右”、“前”、“后”等方位以图3的定向为准，其中，左右方向也为原料的输送宽度方向。
图1为人造板生产过程中防水剂混合均匀性检测装置的结构示意图。
如图1所示，本发明提供的人造板生产过程中防水剂混合均匀性检测装置包括光谱检测模组1和处理器2。
其中，光谱检测模组1设置在人造板生产线上且位于添加防水剂工序之后，光谱检测模组1的检测区域覆盖人造板原料的输送宽度，光谱检测模组1包括至少一个光谱探头，光谱检测模组1检测人造板原料向处理器2实时输出光谱数据集，光谱数据集包括每一个光谱探头采集的光谱数据。
其中，处理器2接收光谱数据集，实时将每一个光谱探头采集的光谱数据输入预先训练的机器学习检测模型或多层卷积神经网络模型，或者将每一个光谱探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱探头对应原料检测区域的防水剂添加量检测值，根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，并依据判断结果输出人造板防水剂混合均匀性检测结果。
优选地，如图2所示，多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
可选地，机器学习检测模型为岭回归模型、BP神经网络模型、极限学习机模型、支持向量机模型、决策树模型、随机森林模型、XGBoost模型、KNN模型、主成分回归模型、线性回归模型或人工神经网络。
如此设置的防水剂混合均匀性检测装置，通过设置包括至少一个光谱探头的光谱检测模组1，并且光谱检测模组1的检测区域覆盖人造板原料的输送宽度，确保检测到人造板生产线上不同宽度区域的代表性原料，保证光谱数据的全面性，进而提高人造板中防水剂混合均匀性检测的准确度。通过采集人造板原料的光谱数据，并采用特定的模型对光谱数据进行分析，可以无损、快速、实时的对人造板防水剂混合均匀性进行检测，进而能够在生产线上对人造板中防水剂混合均匀性进行在线准确检测。
需要说明的是，人造板原料的输送宽度方向垂直于人造板原料的输送前进方向。人造板原料可以是以杨木、桉木、松木、杉木等树种木材制备的木刨花或木纤维，且木刨花或木纤维可以是单一树种的木刨花或木纤维，也可以是混合树种的木刨花或木纤维，也可以是竹材制备的竹刨花或竹纤维。防水剂可以是石蜡、松香、沥青、合成树脂、干性油、硅树脂等人造板生产中常用的防水剂。
需要说明的是，光谱检测模组1采集光谱数据的间隔时间根据光谱检测模组1的检测区域和人造板生产线的运行速度进行设置。
优选地，光谱检测模组1包括1～10个光谱检测探头。
优选地，光谱探头采集光谱波长范围包括可见光谱波长，可见光和近红外光组合光谱波长，近红外光谱波长，中红外光谱波长，近红外光和中红外光组合光谱波长，或者可见光、近红外光和中红外光的组合光谱波长。
优选地，光谱探头设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方。
优选地，光谱探头静止设置在人造板生产线上，所有光谱探头的检测区域覆盖人造板原料的输送宽度；或者，光谱探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱探头的移动过程中，所有光谱探头的检测区域始终覆盖人造板原料的输送宽度。
具体而言，光谱探头静止设置在人造板生产线上，每相邻光谱探头之间的间隔相等。使光谱探头均匀分布在人造板生产线上，确保检测到人造板生产线上不同宽度区域的代表性原料，适用于设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方；当光谱探头设置在人造板原料输送管道上时，人造板原料输送管道壁上开设有石英窗口，光谱探头通过石英窗口对管道内的原料进行检测。
作为一个示例，如图3所示，光谱检测模组1包括4个光谱探头，4个光谱探头沿垂直于人造板原料输送前进方向的直线，静止设置在预压完成之后的原料上方，4个光谱探头从左至右依次排列为光谱探头1、光谱探头2、光谱探头3和光谱探头4，光谱探头1距离人造板生产线原料输送区域左端端部0.16米，光谱探头2与光谱探头1间隔0.3米，光谱探头3与光谱探头2间隔0.3米，光谱探头4与光谱探头3间隔0.3米，光谱探头4距离人造板生产线原料输送区域右端端部0.16米，4个光谱探头距离人造板生产线上人造板原料表面的距离均为0.025米。
具体而言，光谱探头沿原料输送宽度方向可移动地设置在人造板生产线上，实现光谱探头相对人造板原料的检测轨迹为“S”形，确保最大限度检测到不同宽度区域人造板原料，适用于设置在铺装完成之后的原料上方或预压完成之后的原料上方。
作为一个示例，如图4所示，光谱检测装置包括2个光谱探头，2个光谱探头由前至后、由左至右依次排列设置在预压完成之后的原料上方，并且2个光谱探头均沿原料输送宽度方向可移动地设置在人造板生产线上，2个光谱探头由前至后依次排列为光谱探头1和光谱探头2，光谱探头1和光谱探头2距离人造板生产线上人造板原料表面的距离均为0.025米。
优选地，光谱检测模组1的检测区域与人造板原料的输送宽度完全重合。如此，使位于人造板生产线左右两端的光谱探头采集的光谱数据更全面，该光谱数据经处理器2处理后得到的防水剂添加量检测值更准确。
在处理器2中，当将光谱数据输入多层卷积神经网络模型时，多层卷积神经网络模型为一维卷积神经网络，当将光谱数据转换的二维数据输入多层卷积神经网络模型时，多层卷积神经网络模型为二维卷积神经网络。
优选地，一维卷积神经网络中，第一卷积层使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*5，卷积核的步长为1；第二卷积层使用tanh激活函数，卷积核的数量为256，卷积核的大小为1*5，卷积核的步长为1；残差连接模块的卷积层使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*3，卷积核的步长为1；第一最大池化层和第二最大池化层的池化核的大小均为1*2，池化核的步长均为2。
优选地，二维卷积神经网络中，第二卷积层使用relu激活函数，卷积核的数量为128，卷积核的大小为5*5，卷积核的步长为1；第二卷积层使用relu激活函数，卷积核的数量为256，卷积核的大小为5*5，卷积核的步长为1；残差连接模块的卷积层使用relu激活函数，卷积核的数量为128，卷积核的大小为3*3，卷积核的步长为1；第一最大池化层和第二最大池化层的池化核的大小均为2*2，池化核的步长均为2。
优选地，将每一个光谱探头采集的光谱数据转换为二维数据，包括：采用递归图(Recurrence plot)方法将每一个光谱探头采集的光谱数据转换为二维数据。
进一步地，采用递归图方法将每一个光谱探头采集的光谱数据转换为二维数据，包括：
式中，p(i,j)是递归图中坐标为(i,j)的像素，i＝1,2,……n，j＝1,2,……,n；S＝{s1,s2,……s(n-1),sn}表示具有n个波长点的光谱数据。数据通过除以S的最大值进行归一化。通过对每个坐标的像素值进行可视化即可得到递归图。
优选地，处理器2接收光谱数据集，对光谱数据集进行预处理，将预处理的每一个探头采集的光谱数据或者将预处理的每一个光谱探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱探头对应原料检测区域的防水剂添加量检测值，根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，并依据判断结果输出人造板防水剂混合均匀性检测结果。
进一步地，对光谱数据集进行预处理包括：采用数据平滑、一阶微分、二阶微分、标准变量变换、多元散射校正、中心化、去趋势化、小波变换等方法中的一种或两种以上的方法组合，对光谱数据集进行预处理。
优选地，防水剂混合均匀性检测装置还包括报警器3，处理器2与报警器3连接；处理器2根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，包括：根据每一个光谱探头对应原料检测区域的防水剂添加量检测值，判断其是否在预先设定的防水剂添加量上限值和预先设定的防水剂添加量下限值之间，若在，则光谱探头对应原料检测区域的防水剂混合均匀性为均匀，若大于防水剂添加量上限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏高，并且发出报警信息，若小于防水剂添加量下限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏低，并且发出报警信息。
优选地，本发明提供的人造板生产过程中防水剂混合均匀性检测装置还包括模型训练器4；光谱检测模组1依次检测不同防水剂添加量的同一类型人造板原料，并向模型训练器4输出光谱数据集；模型训练器4根据接收的不同防水剂添加量的同一类型人造板原料的光谱数据集进行划分，获得训练集、验证集和测试集，根据训练集、验证集和测试集，使用优化器对多层卷积神经网络模型进行训练，获得训练好的多层卷积神经网络模型；模型训练器4与处理器2连接，模型训练器4将训练好的多层卷积神经网络模型输出至处理器2进行模型更新。
如此设置的防水剂混合均匀性检测装置，能够根据生产线制备人造板类型的不同，即时训练相应的多层卷积神经网络模型，并将训练好的多层卷积神经网络模型投入到处理器2中对人造板防水剂混合均匀性进行检测。
人造板类型的不同主要体现在：人造板原料的来源、生产时间、尺寸、含水率和树种条件等等。
优选地，不同防水剂添加量的同一类型人造板原料的光谱数据集中，同一防水剂添加量的光谱数量大于30条。
需要说明的是，根据接收的不同防水剂添加量的同一类型人造板原料的光谱数据集进行划分，获得训练集、验证集和测试集，包括：将光谱数据集转换为二维数据集，并根据二维数据集划分获得训练集、验证集和测试集。
优选地，不同防水剂添加量的同一类型人造板原料的光谱数据集按照常用规则或比例随机划分出训练集、验证集和测试集。例如使用五折交叉验证划分，或8:1:1随机划分等。划分后的训练集、验证集、测试集要求每一个数据集中均同时包含不同防水剂添加量条件下的人造板原料的光谱数据。
优选地，使用优化器对多层卷积神经网络模型进行训练，当测试集数据的预测结果与实际结果之间相关系数均大于0.98时，完成对多层卷积神经网络模型的训练。
优选地，本发明提供的人造板生产过程中防水剂混合均匀性检测装置还包括模型库5，模型库5内预先存储有训练好的不同人造板类型的多层卷积神经网络模型；处理器2与模型库5连接，处理器2根据待测人造板的类型从模型库5内选择相应的多层卷积神经网络模型进行模型更新。
进一步优选地，模型训练器4与模型库5连接，模型训练器4将训练好的多层卷积神经网络模型输出至模型库5内进行存储。
本发明还提供一种人造板生产过程中防水剂混合均匀性控制装置，包括控制器和上述防水剂混合均匀性检测装置，控制器与处理器2连接，控制器根据处理器2输出的人造板防水剂混合均匀性检测结果，进行人造板防水剂混合均匀性控制。
在本发明的描述中，需要理解的是，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。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (10)
1.一种人造板生产过程中防水剂混合均匀性检测装置，其特征在于，包括光谱检测模组(1)和处理器(2)；
光谱检测模组(1)设置在人造板生产线上且位于添加防水剂工序之后，光谱检测模组(1)的检测区域覆盖人造板原料的输送宽度，光谱检测模组(1)包括至少一个光谱探头，光谱检测模组(1)检测人造板原料向处理器(2)实时输出光谱数据集，光谱数据集包括每一个光谱探头采集的光谱数据；
处理器(2)接收光谱数据集，实时将每一个光谱探头采集的光谱数据输入预先训练的机器学习检测模型或多层卷积神经网络模型，或者将每一个光谱探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱探头对应原料检测区域的防水剂添加量检测值，根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，并依据判断结果输出人造板防水剂混合均匀性检测结果。
2.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，
多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
3.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，光谱检测模组(1)的检测区域与人造板原料的输送宽度完全重合。
4.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，还包括报警器(3)，处理器(2)与报警器(3)连接；
处理器(2)根据每一个光谱探头对应原料检测区域的防水剂添加量检测值进行均匀性判断，包括：根据每一个光谱探头对应原料检测区域的防水剂添加量检测值，判断其是否在预先设定的防水剂添加量上限值和预先设定的防水剂添加量下限值之间，若在，则光谱探头对应原料检测区域的防水剂混合均匀性为均匀，若大于防水剂添加量上限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏高，并指示报警器(3)发出报警信息，若小于防水剂添加量下限值，则光谱探头对应原料检测区域的防水剂混合均匀性为不均匀、防水剂添加量偏低，并指示报警器(3)发出报警信息。
5.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，还包括模型训练器(4)；
光谱检测模组(1)依次检测不同防水剂添加量的同一类型人造板原料，并向模型训练器(4)输出光谱数据集；
模型训练器(4)根据接收的不同防水剂添加量的同一类型人造板原料的光谱数据集进行划分，获得训练集、验证集和测试集，根据训练集、验证集和测试集，使用优化器对机器学习检测模型或多层卷积神经网络模型进行训练，获得训练好的机器学习检测模型或多层卷积神经网络模型；
模型训练器(4)与处理器(2)连接，模型训练器(4)将训练好的机器学习检测模型或多层卷积神经网络模型输出至处理器(2)进行模型更新。
6.根据权利要求1或5所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，还包括模型库(5)，模型库(5)内预先存储有训练好的不同人造板类型的机器学习检测模型或多层卷积神经网络模型；
处理器(2)与模型库(5)连接，处理器(2)根据待测人造板的类型从模型库(5)内选择相应的机器学习检测模型或多层卷积神经网络模型进行模型更新。
7.根据权利要求6所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，
模型训练器(4)与模型库(5)连接，模型训练器(4)将训练好的多层卷积神经网络模型输出至模型库(5)内进行存储。
8.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，
光谱探头静止设置在人造板生产线上；或者，
光谱探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱探头的移动过程中，所有光谱探头的检测区域始终覆盖人造板原料的输送宽度。
9.根据权利要求1所述的人造板生产过程中防水剂混合均匀性检测装置，其特征在于，
光谱探头采集光谱波长范围包括可见光谱波长，可见光和近红外光组合光谱波长，近红外光谱波长，中红外光谱波长，近红外光和中红外光组合光谱波长，或者可见光、近红外光和中红外光的组合光谱波长。
10.一种人造板生产过程中防水剂混合均匀性控制装置，其特征在于，包括控制器和如权利要求1至9任一项所述的防水剂混合均匀性检测装置，控制器与处理器(2)连接，控制器根据处理器(2)输出的人造板防水剂混合均匀性检测结果，进行人造板防水剂混合均匀性控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311806768.3A CN117907249A (zh) | 2023-12-26 | 2023-12-26 | 人造板生产过程中防水剂混合均匀性检测装置和控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311806768.3A CN117907249A (zh) | 2023-12-26 | 2023-12-26 | 人造板生产过程中防水剂混合均匀性检测装置和控制装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117907249A true CN117907249A (zh) | 2024-04-19 |
Family
ID=90680831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311806768.3A Pending CN117907249A (zh) | 2023-12-26 | 2023-12-26 | 人造板生产过程中防水剂混合均匀性检测装置和控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117907249A (zh) |
-
2023
- 2023-12-26 CN CN202311806768.3A patent/CN117907249A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Brown | Bulk densities of nonuniform surface fuels and their application to fire modeling | |
| Sandak et al. | Characterization and monitoring of surface weathering on exposed timber structures with a multi-sensor approach | |
| CN109738380B (zh) | 一种土壤盐渍化程度的高光谱遥感判断方法 | |
| Hummel et al. | Simultaneous soil moisture and cone index measurement | |
| CN104931453A (zh) | 一种基于近红外光谱技术预测绿茶摊青叶含水量的方法 | |
| JP2007171196A (ja) | 水分、収縮率及び木理角度の簡単な代数的関数より木製品の寸法安定性を判定する方法 | |
| CN101242911B (zh) | 分层基体的生产方法 | |
| CN110991064A (zh) | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN101231274A (zh) | 近红外光谱快速测定山药中尿囊素含量的方法 | |
| CN110967313A (zh) | 电子烟烟油尼古丁含量的近红外光谱预测建模方法及应用 | |
| CN101403677B (zh) | 一种树脂在纤维布内浸渍程度的在线快速检测方法 | |
| CN115221927A (zh) | 一种紫外-可见光谱的溶解有机碳检测方法 | |
| CN117907249A (zh) | 人造板生产过程中防水剂混合均匀性检测装置和控制装置 | |
| CN101710072A (zh) | 利用近红外光谱检测造纸法再造烟叶提取液与烟膏物化指标的方法 | |
| Dåbakk et al. | Inferring lake water chemistry from filtered seston using NIR spectrometry | |
| CN117848978B (zh) | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 | |
| CN107271389A (zh) | 一种基于指标极值的光谱特征变量快速匹配方法 | |
| CN114878567A (zh) | 一种茶青外观品质在线检测装置及方法 | |
| Ni et al. | Nondestructive detection of apple crispness via optical fiber spectroscopy based on effective wavelengths | |
| Chambi-Legoas et al. | Wood density prediction using near-infrared hyperspectral imaging for early selection of Eucalyptus grandis trees | |
| CN117470142B (zh) | 一种人造板施胶均匀性检测方法、控制方法及装置 | |
| US20220065841A1 (en) | Method and system for characterizing undebarked wooden logs and computing optimal debarking parameters in real time | |
| CN101387497A (zh) | 采用近红外光谱技术测量植物纤维材料纤维形态的方法 |
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 |