一种可编程控制器视觉功能块FBD的内部变量优化方法技术

本发明专利技术公开了可编程控制器视觉功能块FBD的内部变量优化方法，包括以下步骤：S10，训练模型；S20，使用模型；其中，训练模型包括以下步骤：S11，构建训练集；S12，获取训练集标签；S13，深度卷积神经网络训练；使用模型包括以下步骤：S21，输入图片于模型中；S22，计算得到变量类型集合；S23，更新到模块函数中。本发明专利技术能有效地降低可编程控制器视觉功能块FBD的运行内存，并在一定程度上加快运行速度。

【技术实现步骤摘要】
一种可编程控制器视觉功能块FBD的内部变量优化方法
本专利技术属于可编程逻辑控制
，具体涉及一种可编程控制器视觉功能块FBD的内部变量优化方法。
技术介绍
最初的可编程控制器主要应用在顺序逻辑控制上，用来取代继电器控制系统，实现逻辑控制和顺序控制。后来，可编程控制器在工业领域的主要用途是运动控制。随着时代发展，PLC运算速度更快、存储容量更大，这让可编程控制器有机会和机器视觉联系。当前机器视觉和可编程控制器并非一体，但是在未来，机器视觉会成为可编程控制器的一个重要用途。机器视觉算法和顺序逻辑算法最大的不同在于他们的计算内存和计算复杂度。前者明显比后者的耗能高，针对这样的问题，需要在算法进入可编程控制器运算前进行优化，降低计算内存以及复杂度。
技术实现思路
鉴于以上存在的技术问题，本专利技术用于提供一种可编程控制器视觉功能块FBD的内部变量优化方法，该方法能有效地降低可编程控制器视觉功能块FBD的运行内存，并在一定程度上加快运行速度。为解决上述技术问题，本专利技术采用如下的技术方案：<br>包括以下步骤：本文档来自技高网...

【技术保护点】
1.一种可编程控制器视觉功能块FBD的内部变量优化方法，其特征在于，包括以下步骤：/nS10，训练模型；/nS20，使用模型；/n其中，训练模型包括以下步骤：/nS11，构建训练集；/nS12，获取训练集标签；/nS13，深度卷积神经网络训练；/n使用模型包括以下步骤：/nS21，输入图片于模型中；/nS22，计算得到变量类型集合；/nS23，更新到模块函数中。/n

【技术特征摘要】
1.一种可编程控制器视觉功能块FBD的内部变量优化方法，其特征在于，包括以下步骤：
S10，训练模型；
S20，使用模型；
其中，训练模型包括以下步骤：
S11，构建训练集；
S12，获取训练集标签；
S13，深度卷积神经网络训练；
使用模型包括以下步骤：
S21，输入图片于模型中；
S22，计算得到变量类型集合；
S23，更新到模块函数中。


2.如权利要求1所述的可编程控制器视觉功能块FBD的内部变量优化方法，其特征在于，所述构建训练集包括对图片进行剪裁以符合神经网络的输入标准，并对图片的像素进行归一化。


3.如权利要求1所述的可编程控制器视觉功能块FBD的内部变量优化方法，其特征在于，所述获取训练集标签，通过手动方式获取。


4.如权利要求1所述的可编程控制器视觉功能块FBD的内部变量优化方法，其特征在于，所述获取训练集标签，通过自动方式获取。


5.如权利要求4所述的可编程控制器视觉功能块FBD的...

【专利技术属性】
技术研发人员：邬惠峰，赵浩，陈佰平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33