一次性纸杯生产设备及其方法技术

本申请涉及智能生产领域，其具体公开了一种一次性纸杯生产设备及其方法，其能够基于一次性纸杯的状态特征和不同时间跨度内不同数量的加热温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯状态变化特征的分类特征表示。这样，一次性纸杯生产设备通过基于分类特征自适应控制温度，保证生产出高品质的产品，并提高设备的生产效率。设备的生产效率。设备的生产效率。

【技术实现步骤摘要】
一次性纸杯生产设备及其方法


[0001]本申请涉及智能生产领域，且更为具体的涉及一种一次性纸杯生产设备及其方法。

技术介绍

[0002]一次性纸杯生产设备包含原纸处理模块、成型模块、涂膜模块、内模冲床模块、印刷模块和包装模块。在成型模块中，纸杯成型的形状和质量都受到温度的影响。如果温度不恰当，会导致纸杯过于脆弱或者形状不稳定，影响到产品的使用效果。同时，一次性纸杯生产过程中温度的变化是随时发生的。此外，由于纸张的厚度和形状不同，每个纸杯的加热时间和温度需求也可能会不同。
[0003]通过人工智能实现对温度的自适应控制可以根据实际情况对温度进行动态调整，确保生产出高质量、稳定的产品。这些因素都需要通过自适应控制来解决。自适应控制通常利用传感器和计算机等技术手段，可以实时获取设备各部分的温度信息，并根据实际情况进行精确调整。例如，如果检测到纸张温度过低，系统就会自动增加加热器的功率来提高温度。反之，如果纸张温度过高，系统会降低加热功率以减少温度。
[0004]因此，期待一种优化的一次性纸杯生产设备，其能够基于纸杯的状态特征和加热温度之间的关系，来自适应地调节加热温度，保证生产出高品质的产品，并提高设备的生产效率。

技术实现思路

[0005]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一次性纸杯生产设备及其方法，其能够基于一次性纸杯的状态特征和不同时间跨度内不同数量的加热温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯状态变化特征的分类特征表示。这样，一次性纸杯生产设备通过基于分类特征自适应控制温度，保证生产出高品质的产品，并提高设备的生产效率。
[0006]根据本申请的一个方面，提供了一种一次性纸杯生产设备，其包括：
[0007]数据获取模块，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；
[0008]采样模块，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；
[0009]深浅特征编码模块，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；
[0010]三维卷积编码模块，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；
[0011]多尺度编码模块，用于将所述多个预定时间点的加热温度值按照时间维度排列为
加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；
[0012]响应性估计模块，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及
[0013]检测结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热温度应增大或应减小。
[0014]在上述的一次性纸杯生产设备中，所述采样模块，用于：以预定采样频率从所述预定时间段的一次性纸杯监控视频中提取所述多个一次性纸杯监控关键帧。
[0015]在上述的一次性纸杯生产设备中，所述深浅特征编码模块，包括：
[0016]浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；
[0017]深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；
[0018]融合单元，用于使用所述第一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
[0019]降维单元，用于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一次性纸杯监控特征矩阵。
[0020]在上述的一次性纸杯生产设备中，所述三维卷积编码模块，包括：
[0021]编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到一次性纸杯状态变化特征图；以及
[0022]降维单元，用于对所述一次性纸杯状态变化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一次性纸杯状态变化特征向量。
[0023]在上述的一次性纸杯生产设备中，所述三维卷积编码模块，用于：
[0024]使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
[0025]基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
[0026]对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及
[0027]对所述池化特征图进行非线性激活以得到激活特征图；
[0028]其中，所述第二卷积神经网络模型的最后一层的输出为所述一次性纸杯状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
[0029]在上述的一次性纸杯生产设备中，所述多尺度编码模块，包括：
[0030]第一尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度加热温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
[0031]第二尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，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
[0032]类概率联合单元，用于对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特
征向量。
[0033]在上述的一次性纸杯生产设备中，所述多尺度编码模块，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第一尺度加热温度特征向量；
[0034]其中，所述第一卷积公式为：
[0035][0036]其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x
‑
a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述加热温度输入向量，Cov(X)为对所述加热温度输入向量进行卷积处理；
[0037]所述将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第二尺度加热温度特征向量；
[0038]其中，所述第二卷积公式为：
[0039][0040]其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x
‑
b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述加热本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一次性纸杯生产设备，其特征在于，包括：数据获取模块，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；采样模块，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；深浅特征编码模块，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；三维卷积编码模块，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；多尺度编码模块，用于将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；响应性估计模块，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及检测结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的加热温度应增大或应减小。2.根据权利要求1所述的一次性纸杯生产设备，其特征在于，所述采样模块，用于：以预定采样频率从所述预定时间段的一次性纸杯监控视频中提取所述多个一次性纸杯监控关键帧。3.根据权利要求2所述的一次性纸杯生产设备，其特征在于，所述深浅特征编码模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一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；以及降维单元，用于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一次性纸杯监控特征矩阵。4.根据权利要求3所述的一次性纸杯生产设备，其特征在于，所述三维卷积编码模块，包括：编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到一次性纸杯状态变化特征图；以及降维单元，用于对所述一次性纸杯状态变化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一次性纸杯状态变化特征向量。5.根据权利要求4所述的一次性纸杯生产设备，其特征在于，所述三维卷积编码模块，用于：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述一次性纸杯状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。6.根据权利要求5所述的一次性纸杯生产设备，其特征在于，所述多尺度编码模块，包括：第一尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度加热温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，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；以及类概率联合单元，用于所述对所述第一尺度加热温度特征向量和所述第二尺度...

【专利技术属性】
技术研发人员：刘勇江，黄邦友，冷松平，熊强，
申请(专利权)人：嘉兴环强机械有限公司，
类型：发明
国别省市：