CN118211149A - 五金制品智能加工控制系统 - Google Patents

五金制品智能加工控制系统 Download PDF

Info

Publication number
CN118211149A
CN118211149A CN202410155551.9A CN202410155551A CN118211149A CN 118211149 A CN118211149 A CN 118211149A CN 202410155551 A CN202410155551 A CN 202410155551A CN 118211149 A CN118211149 A CN 118211149A
Authority
CN
China
Prior art keywords
hardware
descaling
training
feature
power
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
CN202410155551.9A
Other languages
English (en)
Inventor
焦卓亚
焦康健
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.)
Xuzhou Delu Electronics Co ltd
Original Assignee
Xuzhou Delu Electronics 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 Xuzhou Delu Electronics Co ltd filed Critical Xuzhou Delu Electronics Co ltd
Priority to CN202410155551.9A priority Critical patent/CN118211149A/zh
Publication of CN118211149A publication Critical patent/CN118211149A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B13/00—Accessories or details of general applicability for machines or apparatus for cleaning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及加工控制领域，其具体地公开了一种五金制品智能加工控制系统，其首先获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器以得到分类结果，以判断五金制品除垢设备功率增大还是减小，进而实现五金制品除垢设备的自动化监控，提高实时性、准确性和可靠性，同时免去了繁琐的人工特征工程，从而具有较高的扩展性和适应性。

Description

五金制品智能加工控制系统
技术领域
本申请涉及加工控制领域，且更为具体地，涉及一种五金制品智能加工控制系统。
背景技术
五金制品是指由金属材料制成的各种工业制品，包括但不限于五金工具、五金配件、五金装饰品等。五金制品通常由铁、钢、铜、铝等金属材料制成，通过冷加工、热加工、锻造、铸造等工艺进行加工和制造。五金制品广泛应用于建筑、家具、汽车、机械、电子等领域，用于连接、固定、装饰、传动等用途。
在五金制品生产过程中，会产生大量的碎屑和污垢，这些碎屑和污垢可能会进入设备和机械的内部，导致设备故障，造成损失。当前的五金制品除垢技术通常是基于固定的程序和参数进行操作，无法根据具体情况进行自定义判断和调整。这可能导致在某些情况下，除垢效果不理想或者过度除垢，造成资源浪费。
因此，期望一种五金制品智能加工控制系统。
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五金制品智能加工控制系统，其首先获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器以得到分类结果，以判断五金制品除垢设备功率增大还是减小，进而实现五金制品除垢设备的自动化监控，提高实时性、准确性和可靠性，同时免去了繁琐的人工特征工程，从而具有较高的扩展性和适应性。
根据本申请的一个方面，提供了一种五金制品智能加工控制系统，其包括：
五金制品数据获取模块，用于获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值；
五金制品数据提取模块，用于从所述由摄像头采集的除垢五金制品样本图像、所述由摄像头采集的待除垢五金制品除垢工作监控图像和所述由功率传感器采集的五金制品除垢设备功率值中提取五金制品除垢效果特征向量和除垢设备功率特征向量；
五金制品除垢功率判断生成模块，用于基于所述五金制品除垢效果特征向量和所述除垢设备功率特征向量，判断五金制品除垢设备功率增大还是减小。
与现有技术相比，本申请提供的一种五金制品智能加工控制系统，其首先获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器以得到分类结果，以判断五金制品除垢设备功率增大还是减小，进而实现五金制品除垢设备的自动化监控，提高实时性、准确性和可靠性，同时免去了繁琐的人工特征工程，从而具有较高的扩展性和适应性。
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五金制品智能加工控制系统的框图。
图2为根据本申请实施例的五金制品智能加工控制系统中五金制品数据提取模块的框图。
图3为根据本申请实施例的五金制品智能加工控制系统中五金制品除垢工作特征提取单元的框图。
图4为根据本申请实施例的五金制品智能加工控制系统中五金制品除垢功率判断生成模块的框图。
图5为根据本申请实施例的电子设备的框图。
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。
示例性系统
图1为根据本申请实施例的五金制品智能加工控制系统的框图。如图1所示，根据本申请实施例的五金制品智能加工控制系统100，包括：五金制品数据获取模块110，用于获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值；五金制品数据提取模块120，用于从所述由摄像头采集的除垢五金制品样本图像、所述由摄像头采集的待除垢五金制品除垢工作监控图像和所述由功率传感器采集的五金制品除垢设备功率值中提取五金制品除垢效果特征向量和除垢设备功率特征向量；五金制品除垢功率判断生成模块130，用于基于所述五金制品除垢效果特征向量和所述除垢设备功率特征向量，判断五金制品除垢设备功率增大还是减小。
在上述五金制品智能加工控制系统100中，所述五金制品数据获取模块110，用于获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值。应可以理解，在五金制品生产过程中产生的大量的碎屑和污垢可能会进入设备和机械的内部，从而导致设备故障，带来损失。而对五金制品进行除垢的方法，通常是采用固定的程序和参数对五金制品进行操作，无法根据实际情况进行个性化判断和调整。这可能导致在某些情况下，除垢效果不佳或者过度除垢，从而造成资源的浪费。因此，在本申请的技术方案中，通过利用深度学习技术，对五金制品除垢设备功率增大或减小进行自动化控制判断，从而减少资源浪费，提高工作效率。具体地，通过获取由摄像头采集的除垢五金制品样本图像和由摄像头采集的待除垢五金制品除垢工作监控图像，来对比除垢前后的五金制品样本图像，可以直观地观察到除垢效果的差异。如果除垢后的样本图像显示明显的清洁效果，即碎屑和污垢被有效清除，那么可以认为当前的功率设置是适当的。相反，如果除垢后的样本图像显示仍有残留的碎屑或污垢，可能意味着当前的功率设置不够强大，需要增大功率。除了样本图像，监控待除垢五金制品的除垢工作过程也是非常重要的。通过观察除垢工作监控图像，可以了解除垢过程中的实时情况。如果图像显示除垢过程中五金制品表面的碎屑和污垢被有效清除，并且没有出现设备故障或异常情况，说明当前功率设置适合该批次的五金制品。如果图像显示除垢效果不佳，或者出现设备故障或异常情况，可能需要调整功率设置。因此，本技术方案的申请人通过结合除垢五金制品样本图像、待除垢五金制品除垢工作监控图像和五金制品除垢设备功率值，通过利用深度学习技术，更准确地评估除垢效果和设备功率的适宜性，从而优化除垢过程并避免资源浪费。
在上述五金制品智能加工控制系统100中，所述五金制品数据提取模块120，用于从所述由摄像头采集的除垢五金制品样本图像、所述由摄像头采集的待除垢五金制品除垢工作监控图像和所述由功率传感器采集的五金制品除垢设备功率值中提取五金制品除垢效果特征向量和除垢设备功率特征向量。应可以理解，通过分析除垢五金制品样本图像和工作监控视频，可以提取出与除垢效果相关的特征向量，例如，图像中的污垢程度、表面光滑度等。这些特征向量可以反映出除垢效果的好坏，从而判断除垢工作的质量和效率。同时，通过功率传感器采集的除垢设备功率值可以提供设备的工作状态和能量消耗信息。通过提取功率特征向量，可以了解除垢设备的功率变化趋势，例如功率增大或减小的程度和速率。这些特征向量可以用于评估除垢设备的性能和效率。综合分析五金制品除垢效果特征向量和除垢设备功率特征向量，可以更准确地判断五金制品除垢设备功率是增大还是减小，从而实现智能加工控制系统的自动化控制和优化。
图2为根据本申请实施例的五金制品智能加工控制系统中五金制品数据提取模块的框图。如图2所示，在本申请一个具体的实施例中，所述五金制品数据提取模块120，包括：除垢五金制品样本特征提取单元121，用于对所述由摄像头采集的除垢五金制品样本图像进行特征提取以得到除垢五金制品样本特征向量；五金制品除垢工作特征提取单元122，用于对所述由摄像头采集的待除垢五金制品除垢多角度工作监控图像进行特征提取以得到五金制品除垢工作变化特征向量；五金制品除垢特征融合单元123，用于将所述除垢五金制品样本特征向量和所述五金制品除垢工作变化特征向量进行差分以得到所述五金制品除垢效果特征向量；五金制品设备功率特征提取单元124，用于对所述由功率传感器采集的五金制品除垢设备功率值进行特征提取以得到所述除垢设备功率特征向量。应可以理解，摄像头采集的除垢五金制品样本图像包含了关于除垢效果的视觉信息，例如污垢的程度、表面的光滑度等。这些视觉信息可以通过特征提取的方法转化为数值特征，以便进行进一步的分析和处理。特征提取是通过计算图像中的特定属性或描述符来捕获图像中的关键信息。通过对除垢五金制品样本图像进行特征提取，可以提取出与除垢效果相关的特征向量，用于评估除垢的质量和效果。
进一步地，待除垢五金制品除垢多角度工作监控图像可以提供除垢过程中的实时视觉信息，包括除垢设备的工作状态、除垢剂的喷洒情况、工作区域的覆盖程度等。通过对这些图像进行特征提取，可以提取出与除垢工作变化相关的特征向量，从而对除垢过程中的工作状态进行监测和评估。
更进一步地，除垢五金制品样本特征向量反映了每个样本的除垢质量，它们可以根据预设的除垢标准进行评估。这些特征向量可以包括污垢程度、表面光滑度等与除垢效果相关的信息。五金制品除垢工作变化特征向量反映了除垢过程中的工作状态和变化情况，例如喷洒剂液的均匀性、工作区域的覆盖程度等。这些特征向量可以用于判断除垢设备的工作效率和稳定性。通过对除垢五金制品样本特征向量和五金制品除垢工作变化特征向量进行差分，可以将两者的信息相互补充。这样的五金制品除垢效果特征向量可以用于比较不同样本之间的除垢效果，或者用于监测除垢过程中的工作状态变化。
特别地，功率传感器可以用于实时监测除垢设备的功率消耗。通过对采集到的功率值进行特征提取，可以提取出与除垢设备功率变化相关的特征向量。通过提取除垢设备功率特征向量，可以对除垢设备的功率进行动态调节。
在本申请一个具体的实施例中，所述除垢五金制品样本特征提取单元121，包括：将所述由摄像头采集的除垢五金制品样本图像通过基于卷积神经网络的除垢五金制品样本特征提取器以得到除垢五金制品样本特征图；将所述除垢五金制品样本特征图进行全局平均值池化以得到所述除垢五金制品样本特征向量。应可以理解，在除垢领域，通过训练一个基于卷积神经网络的除垢五金制品样本特征提取器，可以提取出与除垢相关的图像特征。通过将除垢五金制品样本图像输入到卷积神经网络中，经过多层卷积和池化操作，最终得到的特征图可以看作是对图像中不同尺度和抽象级别的特征的表示。具体地，所述基于卷积神经网络的除垢五金制品样本特征提取器包括N层卷积层，N为大于等于4且小于等于6的正整数。更为具体地，使用所述基于卷积神经网络的除垢五金制品样本特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于局部特征矩阵的均值池化处理和非线性激活处理以由所述基于卷积神经网络的除垢五金制品样本特征提取器的最后一层输出所述除垢五金制品样本特征图，其中，所述基于卷积神经网络的除垢五金制品样本特征提取器的输入为所述由摄像头采集的除垢五金制品样本图像。
进一步地，在卷积神经网络中，卷积层的输出是一个三维张量，包含了图像的空间信息和特征表示。为了将这些特征表示转化为固定长度的向量，可以使用全局平均值池化操作。全局平均值池化是对特征图中每个通道的特征进行平均值计算，得到一个固定长度的向量。具体而言，对于一个特征图，全局平均值池化将对每个通道的特征值进行平均，将每个通道的特征值降维为一个标量。最终，得到的特征向量的维度与通道数相同。通过全局平均值池化，可以将图像中的空间信息进行压缩和摘要，得到一个维度固定的特征向量。这个特征向量可以更好地表示图像的整体特征，而不受图像尺寸的影响。
图3为根据本申请实施例的五金制品智能加工控制系统中五金制品除垢工作特征提取单元的框图。如图3所示，在本申请一个具体的实施例中，所述五金制品除垢工作特征提取单元122，包括：五金制品除垢工作卷积编码子单元1221，用于将所述由摄像头采集的待除垢五金制品除垢多角度工作监控图像通过使用深浅融合模块的五金制品除垢工作卷积神经网络模型以得到多个五金制品除垢工作特征矩阵；五金制品除垢工作特征编码子单元1222，用于对所述多个五金制品除垢工作特征矩阵进行特征编码以得到所述五金制品除垢工作变化特征向量。应可以理解，深浅融合模块是一种网络结构，用于将不同层次的特征进行融合，以获得更丰富和多样化的特征表示。在五金制品除垢的工作中，不同角度的监控图像可以提供不同的视角和信息，因此通过使用深浅融合模块，可以将这些不同角度的图像特征进行有效的融合。通过将待除垢五金制品除垢多角度工作监控图像输入到五金制品除垢工作卷积神经网络模型中，可以得到不同层次的特征矩阵。这些特征矩阵分别对应于不同层次的特征表示，可以包含不同尺度、不同抽象级别的特征信息。具体地，从所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型的第M层中提取浅层特征图，其中，M大于等于1且小于等于6；从所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型的第N层中提取深层特征图，其中，N/M大于等于5且小于等于10；使用所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的全局池化以得到所述多个五金制品除垢工作特征矩阵。
进一步地，在五金制品除垢的工作中，不同的工作状态和条件可能导致五金制品除垢特征的变化。通过对多个五金制品除垢工作特征矩阵进行特征编码，可以将这些变化特征提取出来，并将其表示为一个固定长度的向量。通过特征编码，可以提取出五金制品除垢工作中最重要的特征，并将其表示为一个紧凑的向量形式。
在本申请一个具体的实施例中，所述五金制品除垢工作特征编码子单元1222，包括：将所述多个五金制品除垢工作特征矩阵沿样本维度聚合以得到五金制品除垢工作三维特征张量；将所述五金制品除垢工作三维特征张量通过基于三维卷积网络的五金制品除垢特征提取器以得到所述五金制品除垢工作变化特征向量。应可以理解，通过将这些特征矩阵沿样本维度进行聚合，可以将多个工作样本的特征信息组合成一个三维特征张量。三维特征张量由两个空间维度和一个特征维度组成。空间维度可以表示五金制品除垢工作的位置或形状信息，而特征维度则表示了五金制品除垢工作的特征表示。通过将多个五金制品除垢工作特征矩阵聚合成三维特征张量，可以将不同工作样本的特征信息整合在一起，并保留了样本之间的空间关系。这使得后续的分析和处理可以更好地考虑到五金制品除垢工作的整体特征和变化模式。
进一步地，三维卷积网络是一种深度学习模型，专门用于处理具有三维结构的数据，例如图像、视频和体积数据。通过基于三维卷积网络的五金制品除垢特征提取器，可以对五金制品除垢工作的三维特征进行局部感知和特征提取。卷积层可以捕捉到不同位置和尺度上的特征，池化层可以对特征进行降维和抽象，而全连接层可以将提取到的特征映射到特征向量空间。具体地，使用所述基于三维卷积网络的五金制品除垢特征提取器对所述五金制品除垢工作三维特征张量进行三维卷积编码以得到五金制品除垢工作状态特征图；以及，对所述五金制品除垢工作状态特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述五金制品除垢工作变化特征向量。
在本申请一个具体的实施例中，所述五金制品设备功率特征提取单元124，包括：将所述由功率传感器采集的五金制品除垢设备功率值进行排列以得到除垢设备功率输入向量；将所述除垢设备功率输入向量通过基于多尺度邻域特征提取模块的除垢设备功率特征提取器以得到所述除垢设备功率特征向量。应可以理解，功率传感器用于测量五金制品除垢设备在运行过程中的功率消耗。通过采集五金制品除垢设备的功率值，可以获取设备在不同时间点的能量消耗情况。将这些功率值进行排列，可以得到一个功率输入向量。该向量记录了除垢设备在不同时间点的功率消耗信息。通常，向量的维度与采集的功率值数量相对应，每个维度表示一个时间点的功率值。
进一步地，多尺度邻域特征提取模块是一种用于提取输入数据中的局部特征的方法。在除垢设备功率的应用中，可以将功率输入向量作为输入，通过多尺度邻域特征提取模块提取其特征。通过多尺度邻域特征提取模块，可以对除垢设备功率输入向量进行局部感知和特征提取。该模块可以在不同尺度上对功率输入向量进行滑动窗口操作，提取局部邻域内的特征信息。通过这样的特征提取过程，可以将除垢设备功率输入向量转化为一个固定长度的特征向量。这个特征向量可以包含除垢设备功率的关键特征信息，用于表示功率的特征。具体地，将所述除垢设备功率输入向量输入所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器的第一卷积层以得到第一尺度除垢设备功率特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述除垢设备功率输入向量输入所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器的第二卷积层以得到第二尺度除垢设备功率特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度除垢设备功率特征向量和所述第二尺度除垢设备功率特征向量进行级联以得到所述除垢设备功率特征向量。
在上述五金制品智能加工控制系统100中，所述五金制品除垢功率判断生成模块130，用于基于所述五金制品除垢效果特征向量和所述除垢设备功率特征向量，判断五金制品除垢设备功率增大还是减小。应可以理解，五金制品除垢效果特征向量是用于表示除垢效果的特征向量，它可以包含与除垢效果相关的信息，例如除垢程度、清洁度等指标。除垢效果特征向量的变化可以反映出除垢效果的变化情况。除垢设备功率特征向量是用于表示除垢设备功率的特征向量，它可以包含与功率消耗相关的信息，例如功率值的大小、功率变化的趋势等。除垢设备功率特征向量的变化可以反映出除垢设备功率的变化情况。通过比较五金制品除垢效果特征向量和除垢设备功率特征向量的变化趋势，可以判断功率是增大还是减小。如果除垢效果特征向量的变化与除垢设备功率特征向量的变化趋势一致，即二者都在增大或都在减小，那么可以判断功率是增大或减小。如果二者的变化趋势相反，即除垢效果特征向量在增大而功率特征向量在减小，或者除垢效果特征向量在减小而功率特征向量在增大，那么可以判断功率与除垢效果存在反向关系。
图4为根据本申请实施例的五金制品智能加工控制系统中五金制品除垢功率判断生成模块的框图。如图4所示，在本申请一个具体的实施例中，所述五金制品除垢功率判断生成模块130，包括：五金制品除垢特征关联单元131，用于将所述五金制品除垢效果特征向量和所述除垢设备功率特征向量进行关联以得到五金制品除垢设备功率分类特征向量；五金制品除垢功率结果生成单元132，用于将所述五金制品除垢设备功率分类特征向量通过分类器以得到分类结果，所述分类结果用于判断五金制品除垢设备功率增大还是减小。应可以理解，通过关联五金制品除垢效果特征向量和除垢设备功率特征向量，可以将两者的信息进行融合。这种融合可以通过简单的向量拼接、加权求和或其他特征融合方法实现。得到的五金制品除垢设备功率分类特征向量将同时包含除垢效果和功率的信息，用于表示五金制品除垢设备功率的分类特征。
进一步地，通过训练分类器，可以使用已有的标记数据(包含了五金制品除垢设备功率分类特征向量和对应的功率增大或减小的标签)来学习分类器的参数和决策规则。训练完成后，分类器可以对新的五金制品除垢设备功率分类特征向量进行分类，并给出预测的功率增大或减小的结果。
在本申请一个具体的实施例中，还包括用于对所述基于卷积神经网络的除垢五金制品样本特征提取器、所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型、所述基于三维卷积网络的五金制品除垢特征提取器、所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器和所述分类器进行训练的训练模块。
在本申请一个具体的实施例中，所述训练模块，包括：五金制品训练数据获取单元，用于获取由摄像头采集的训练除垢五金制品样本图像、由摄像头采集的训练待除垢五金制品除垢工作监控视频和由功率传感器采集的训练五金制品除垢设备功率值；五金制品训练数据特征提取单元，用于将所述由摄像头采集的训练除垢五金制品样本图像通过基于卷积神经网络的除垢五金制品样本特征提取器以得到训练除垢五金制品样本特征图；五金制品训练数据平均池化单元，用于将所述训练除垢五金制品样本特征图进行全局平均值池化以得到训练除垢五金制品样本特征向量；五金制品训练数据深浅融合单元，用于将所述由摄像头采集的训练待除垢五金制品除垢多角度工作监控图像通过使用深浅融合模块的五金制品除垢工作卷积神经网络模型以得到多个训练五金制品除垢工作特征矩阵；五金制品训练数据聚合单元，用于将所述多个训练五金制品除垢工作特征矩阵沿样本维度聚合以得到训练五金制品除垢工作三维特征张量；五金制品训练数据三维卷积单元，用于将所述训练五金制品除垢工作三维特征张量通过基于三维卷积网络的五金制品除垢特征提取器以得到训练五金制品除垢工作变化特征向量；五金制品训练数据差分单元，用于将所述训练除垢五金制品样本特征向量和所述训练五金制品除垢工作变化特征向量进行差分以得到训练五金制品除垢效果特征向量；五金制品训练数据排列单元，用于将所述由功率传感器采集的训练五金制品除垢设备功率值进行排列以得到训练除垢设备功率输入向量；五金制品训练数据多尺度卷积单元，用于将所述训练除垢设备功率输入向量通过基于多尺度邻域特征提取模块的除垢设备功率特征提取器以得到训练除垢设备功率特征向量；五金制品训练数据特征关联单元，用于将所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量进行关联以得到训练五金制品除垢设备功率分类特征向量；五金制品训练数据特征计算单元，用于计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；分类损失函数单元，用于将所述训练五金制品除垢设备功率分类特征向量通过分类器以得到分类损失函数值；五金制品模型训练单元，用于基于所述补偿损失函数值和所述分类损失函数值，对所述基于卷积神经网络的除垢五金制品样本特征提取器、所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型、所述基于三维卷积网络的五金制品除垢特征提取器、所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器和所述分类器进行训练。
特别地，在本申请的技术方案中，考虑到训练五金制品除垢效果特征向量包含了与除垢效果相关的信息，可以反映出五金制品的清洁程度、表面光洁度等特征。而训练除垢设备功率特征向量则包含了与除垢设备的功率消耗相关的信息，可以反映出除垢设备的工作状态、能耗等特征。这两个特征向量的融合可以提供更全面和准确的污水处理状态特征。然而，由于这两个特征向量处于高维特征空间中，它们的概率密度分布可能不一致。这意味着它们在特征空间中的分布可能存在差异，导致分类器在进行分类判断时可能受到影响。为了解决这个问题，需要提高这两个特征向量的概率密度分布单调性之间的协调性。通过提高特征向量的概率密度分布单调性之间的协调性，可以使它们的分布更加一致，从而提高整体特征分布的概率密度单调性。这样可以增加特征向量之间的相似性和相关性，使分类器能够更准确地判断污水处理状态。例如，如果除垢效果特征向量和训练除垢设备功率特征向量在特征空间中的分布相似且相关，那么分类器可以更好地利用它们之间的关联关系来进行分类判断。基于此，计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，从而提高训练五金制品除垢设备功率分类特征向量的整体特征分布的概率密度分布单调性，进而提升其通过分类器的分类判断的精准度。
具体地，以如下补偿损失函数公式计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；其中，所述补偿损失函数公式为：
其中，V1表示所述训练五金制品除垢效果特征向量，V2表示所述训练除垢设备功率特征向量，||·||F表示向量的Frobenius范数，表示向量减法，Softmax表示分类函数，Loss表示所述概率密度分布单调性超凸度量系数。
也就是，考虑到在融合所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量以得到训练五金制品除垢设备功率分类特征向量的过程中，如果能提高所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量在高维特征空间的概率密度分布单调性之间的协调性，则能够提高所述训练五金制品除垢设备功率分类特征向量的整体特征分布的概率密度分布单调性，以提升其通过分类器的分类判断的精准度。
因此，在本申请的技术方案中，计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值，其通过构建一个基于特征向量的概率密度分布单调性的超凸度量系数的补偿损失函数，使得特征向量间的每个位置的概率密度分布都能够在其子维度上保持与目标域的一致性，从而实现特征向量的概率密度分布单调性的匹配，这样能够消除特征向量间的概率密度分布单调性的差异，提高特征向量的概率密度分布单调性的一致性，增强特征向量的融合质量。
综上，本申请实施例首先获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值，然后利用深度学习技术，对三者进行特征提取和关联分析，最后通过分类器以得到分类结果，以判断五金制品除垢设备功率增大还是减小，进而实现五金制品除垢设备的自动化监控，提高实时性、准确性和可靠性，同时免去了繁琐的人工特征工程，从而具有较高的扩展性和适应性。
如上所述，根据本申请实施例的所述五金制品智能加工控制系统100可以实现在各种终端设备中，例如部署有五金制品智能加工控制算法的服务器等。在一个示例中，根据五金制品智能加工控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该五金制品智能加工控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该五金制品智能加工控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该五金制品智能加工控制系统100与该终端设备也可以是分立的设备，并且五金制品智能加工控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述五金制品智能加工控制。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图5，图5示意了另一实施例的电子设备的硬件结构，电子设备包括：处理器11，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；存储器12，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。
存储器12可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器12中，并由处理器11来调用执行本申请实施例的五金制品智能加工控制方法；
输入/输出接口13，用于实现信息输入及输出；
通信接口14，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线15，在设备的各个组件(例如处理器11、存储器12、输入/输出接口13和通信接口14)之间传输信息；
其中处理器11、存储器12、输入/输出接口13和通信接口14通过总线15实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述五金制品智能加工控制方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种五金制品智能加工控制系统，其特征在于，包括：
五金制品数据获取模块，用于获取由摄像头采集的除垢五金制品样本图像、由摄像头采集的待除垢五金制品除垢工作监控图像和由功率传感器采集的五金制品除垢设备功率值；
五金制品数据提取模块，用于从所述由摄像头采集的除垢五金制品样本图像、所述由摄像头采集的待除垢五金制品除垢工作监控图像和所述由功率传感器采集的五金制品除垢设备功率值中提取五金制品除垢效果特征向量和除垢设备功率特征向量；
五金制品除垢功率判断生成模块，用于基于所述五金制品除垢效果特征向量和所述除垢设备功率特征向量，判断五金制品除垢设备功率增大还是减小。
2.根据权利要求1所述的五金制品智能加工控制系统，其特征在于，所述五金制品数据提取模块，包括：
除垢五金制品样本特征提取单元，用于对所述由摄像头采集的除垢五金制品样本图像进行特征提取以得到除垢五金制品样本特征向量；
五金制品除垢工作特征提取单元，用于对所述由摄像头采集的待除垢五金制品除垢多角度工作监控图像进行特征提取以得到五金制品除垢工作变化特征向量；
五金制品除垢特征融合单元，用于将所述除垢五金制品样本特征向量和所述五金制品除垢工作变化特征向量进行差分以得到所述五金制品除垢效果特征向量；
五金制品设备功率特征提取单元，用于对所述由功率传感器采集的五金制品除垢设备功率值进行特征提取以得到所述除垢设备功率特征向量。
3.根据权利要求2所述的五金制品智能加工控制系统，其特征在于，所述除垢五金制品样本特征提取单元，包括：
将所述由摄像头采集的除垢五金制品样本图像通过基于卷积神经网络的除垢五金制品样本特征提取器以得到除垢五金制品样本特征图；
将所述除垢五金制品样本特征图进行全局平均值池化以得到所述除垢五金制品样本特征向量。
4.根据权利要求3所述的五金制品智能加工控制系统，其特征在于，所述五金制品除垢工作特征提取单元，包括：
五金制品除垢工作卷积编码子单元，用于将所述由摄像头采集的待除垢五金制品除垢多角度工作监控图像通过使用深浅融合模块的五金制品除垢工作卷积神经网络模型以得到多个五金制品除垢工作特征矩阵；
五金制品除垢工作特征编码子单元，用于对所述多个五金制品除垢工作特征矩阵进行特征编码以得到所述五金制品除垢工作变化特征向量。
5.根据权利要求4所述的五金制品智能加工控制系统，其特征在于，所述五金制品除垢工作特征编码子单元，包括：
将所述多个五金制品除垢工作特征矩阵沿样本维度聚合以得到五金制品除垢工作三维特征张量；
将所述五金制品除垢工作三维特征张量通过基于三维卷积网络的五金制品除垢特征提取器以得到所述五金制品除垢工作变化特征向量。
6.根据权利要求5所述的五金制品智能加工控制系统，其特征在于，所述五金制品设备功率特征提取单元，包括：
将所述由功率传感器采集的五金制品除垢设备功率值进行排列以得到除垢设备功率输入向量；
将所述除垢设备功率输入向量通过基于多尺度邻域特征提取模块的除垢设备功率特征提取器以得到所述除垢设备功率特征向量。
7.根据权利要求6所述的五金制品智能加工控制系统，其特征在于，所述五金制品除垢功率判断生成模块，包括：
五金制品除垢特征关联单元，用于将所述五金制品除垢效果特征向量和所述除垢设备功率特征向量进行关联以得到五金制品除垢设备功率分类特征向量；
五金制品除垢功率结果生成单元，用于将所述五金制品除垢设备功率分类特征向量通过分类器以得到分类结果，所述分类结果用于判断五金制品除垢设备功率增大还是减小。
8.根据权利要求7所述的五金制品智能加工控制系统，其特征在于，还包括用于对所述基于卷积神经网络的除垢五金制品样本特征提取器、所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型、所述基于三维卷积网络的五金制品除垢特征提取器、所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器和所述分类器进行训练的训练模块。
9.根据权利要求8所述的五金制品智能加工控制系统，其特征在于，所述训练模块，包括：
五金制品训练数据获取单元，用于获取由摄像头采集的训练除垢五金制品样本图像、由摄像头采集的训练待除垢五金制品除垢工作监控视频和由功率传感器采集的训练五金制品除垢设备功率值；
五金制品训练数据特征提取单元，用于将所述由摄像头采集的训练除垢五金制品样本图像通过基于卷积神经网络的除垢五金制品样本特征提取器以得到训练除垢五金制品样本特征图；
五金制品训练数据平均池化单元，用于将所述训练除垢五金制品样本特征图进行全局平均值池化以得到训练除垢五金制品样本特征向量；
五金制品训练数据深浅融合单元，用于将所述由摄像头采集的训练待除垢五金制品除垢多角度工作监控图像通过使用深浅融合模块的五金制品除垢工作卷积神经网络模型以得到多个训练五金制品除垢工作特征矩阵；
五金制品训练数据聚合单元，用于将所述多个训练五金制品除垢工作特征矩阵沿样本维度聚合以得到训练五金制品除垢工作三维特征张量；
五金制品训练数据三维卷积单元，用于将所述训练五金制品除垢工作三维特征张量通过基于三维卷积网络的五金制品除垢特征提取器以得到训练五金制品除垢工作变化特征向量；
五金制品训练数据差分单元，用于将所述训练除垢五金制品样本特征向量和所述训练五金制品除垢工作变化特征向量进行差分以得到训练五金制品除垢效果特征向量；
五金制品训练数据排列单元，用于将所述由功率传感器采集的训练五金制品除垢设备功率值进行排列以得到训练除垢设备功率输入向量；
五金制品训练数据多尺度卷积单元，用于将所述训练除垢设备功率输入向量通过基于多尺度邻域特征提取模块的除垢设备功率特征提取器以得到训练除垢设备功率特征向量；
五金制品训练数据特征关联单元，用于将所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量进行关联以得到训练五金制品除垢设备功率分类特征向量；
五金制品训练数据特征计算单元，用于计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；
分类损失函数单元，用于将所述训练五金制品除垢设备功率分类特征向量通过分类器以得到分类损失函数值；
五金制品模型训练单元，用于基于所述补偿损失函数值和所述分类损失函数值，对所述基于卷积神经网络的除垢五金制品样本特征提取器、所述使用深浅融合模块的五金制品除垢工作卷积神经网络模型、所述基于三维卷积网络的五金制品除垢特征提取器、所述基于多尺度邻域特征提取模块的除垢设备功率特征提取器和所述分类器进行训练。
10.根据权利要求9所述的五金制品智能加工控制系统，其特征在于，所述五金制品训练数据特征计算单元，包括：
以如下补偿损失函数公式计算所述训练五金制品除垢效果特征向量和所述训练除垢设备功率特征向量之间的概率密度分布单调性超凸度量系数作为补偿损失函数值；其中，所述补偿损失函数公式为：
其中，V1表示所述训练五金制品除垢效果特征向量，V2表示所述训练除垢设备功率特征向量，||·||F表示向量的Frobenius范数，表示向量减法，Softmax表示分类函数，Loss表示所述概率密度分布单调性超凸度量系数。
CN202410155551.9A 2024-02-02 2024-02-02 五金制品智能加工控制系统 Pending CN118211149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410155551.9A CN118211149A (zh) 2024-02-02 2024-02-02 五金制品智能加工控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410155551.9A CN118211149A (zh) 2024-02-02 2024-02-02 五金制品智能加工控制系统

Publications (1)

Publication Number Publication Date
CN118211149A true CN118211149A (zh) 2024-06-18

Family

ID=91449791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410155551.9A Pending CN118211149A (zh) 2024-02-02 2024-02-02 五金制品智能加工控制系统

Country Status (1)

Country Link
CN (1) CN118211149A (zh)

Similar Documents

Publication Publication Date Title
CN107369166B (zh) 一种基于多分辨率神经网络的目标跟踪方法及系统
Bucak et al. Incremental subspace learning via non-negative matrix factorization
CN107045631A (zh) 人脸特征点检测方法、装置及设备
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN109743356B (zh) 工业互联网数据采集方法及装置、可读存储介质和终端
CN117784710B (zh) 数控机床远程状态监控系统及其方法
CN116652823A (zh) 磨床的自动监测系统及其方法
CN117392604A (zh) 物联网实时信息监控管理系统及方法
CN117123131A (zh) 石油助剂的生产设备及其方法
CN112052816A (zh) 基于自适应图卷积对抗网络的人体行为预测方法及系统
CN117037427A (zh) 一种地质灾害联网监测预警系统
CN116619780A (zh) 酚醛复合材料的智能化生产方法及其系统
CN118181426A (zh) 胶合板生产加工智能控制系统及其方法
CN117575685A (zh) 数据分析预警系统及方法
CN113989940A (zh) 视频数据中动作识别方法、系统、设备与存储介质
CN116879910B (zh) 激光扫描测距装置及其方法
CN117424513A (zh) 基于皮带流量及轮斗电流实现恒流控制的控制方法及其系统
CN117485842A (zh) 门式斗轮机轮斗横梁姿态实时监测方法及其系统
CN118211149A (zh) 五金制品智能加工控制系统
CN111222203B (zh) 一种轴承使用寿命模型创建及其预测方法
CN113537240B (zh) 一种基于雷达序列图像的形变区智能提取方法及系统
CN118420012B (zh) 城镇污水处理曝气控制系统及方法
CN117790353B (zh) 一种el检测系统及el检测方法
CN111401393B (zh) 数据处理方法及装置、电子设备及存储介质
CN117649597B (zh) 一种基于事件相机的水下三维手部姿态估计方法和系统

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