书架的自动化生产方法及其系统技术方案

一种书架的自动化生产方法及其系统，其将热塑性塑料粉碎成粒子状物料以得到塑料粒子；将所述塑料粒子在熔炉中加热熔化成熔融物；将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物；以及，将所述二次加热后熔融物注入注塑模具中成型以得到成型塑料书架。这样，可以解决气孔产生问题的同时避免能源的浪费，以提高书架注塑的质量。以提高书架注塑的质量。以提高书架注塑的质量。

【技术实现步骤摘要】
书架的自动化生产方法及其系统


[0001]本申请涉及智能化生产
，并且更具体地，涉及一种书架的自动化生产方法及其系统。

技术介绍

[0002]书架是人们用来专门放书的器具。书架制作的材料多种多样，例如，木料、塑料、玻璃、钢铁等。其中，塑料书架相较于传统的木质或者铁质的书架来说具有轻便、美观和便宜的优点。
[0003]塑料书架一般通过注塑的方式成型，是将热塑性塑料或热固性塑料通过利用塑料成型模具制成各种形状的塑料制品，在注塑的过程中，首先需要将塑料粒子在熔炉中制成熔融物，然后熔融物再放置在取用装置中进行取用，熔融物在从熔炉转运到取用装置的过程中，其温度会一定程度降低，温度较低的熔融物在注塑的时候会出现注塑件气孔较多的现象，从而使得注塑件的产品质量较低。
[0004]现有的方式是通过加热装置对转运到取用装置的熔融物进行二次加热以使得熔融物能够快速升温以减少注塑时产生气孔的现象，然而温度过高会产生能源浪费，温度过低难以有效解决上述气孔的产生。
[0005]因此，期待一种优化的书架生产方案。

技术实现思路

[0006]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书架的自动化生产方法及其系统，其将热塑性塑料粉碎成粒子状物料以得到塑料粒子；将所述塑料粒子在熔炉中加热熔化成熔融物；将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物；以及，将所述二次加热后熔融物注入注塑模具中成型以得到成型塑料书架。这样，可以解决气孔产生问题的同时避免能源的浪费，以提高书架注塑的质量。
[0007]第一方面，提供了一种书架的自动化生产方法，其包括：
[0008]将热塑性塑料粉碎成粒子状物料以得到塑料粒子；
[0009]将所述塑料粒子在熔炉中加热熔化成熔融物；
[0010]将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物；以及
[0011]将所述二次加热后熔融物注入注塑模具中成型以得到成型塑料书架。
[0012]在上述书架的自动化生产方法中，将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物，包括：获取由热红外摄像头采集的预定时间段内多个预定时间点的熔融物的热力图；将所述多个预定时间点的熔融物的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个熔融物热力特征图；将所述多个熔融物热力特征图沿通道聚合为输入张量后通过使用三
维卷积核的第二卷积神经网络模型以得到熔融物热力时序特征图；将所述熔融物热力时序特征图通过非局部神经网络以得到熔融物热力时序全局增强特征图；以及，将所述熔融物热力时序全局增强特征图通过分类器以得到分类结果，所述分类结果用于表示加热装置的功率应增大、应减小还是保持不变。
[0013]在上述书架的自动化生产方法中，将所述多个预定时间点的熔融物的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个熔融物热力特征图，包括：使用空间注意力机制的第一卷积神经网络模型的卷积编码部分对所述熔融物的热力图进行卷积编码以得到差分卷积特征图；将所述差分卷积特征图输入所述使用空间注意力机制的第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述多个熔融物热力特征图。
[0014]在上述书架的自动化生产方法中，将所述多个熔融物热力特征图沿通道聚合为输入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熔融物热力时序特征图，包括：使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出所述熔融物热力时序特征图，其中，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述输入张量。
[0015]在上述书架的自动化生产方法中，将所述熔融物热力时序特征图通过非局部神经网络以得到熔融物热力时序全局增强特征图，包括：将所述熔融物热力时序特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以调整所述全局感知特征图的通道数以得到通道调整全局感知特征图；以及，计算所述通道调整全局感知特征图和所述熔融物热力时序特征图的按位置加权和以得到所述熔融物热力时序全局增强特征图。
[0016]在上述书架的自动化生产方法中，还包括训练步骤：用于对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型、所述非局部神经网络和所述分类器进行训练。
[0017]在上述书架的自动化生产方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的熔融物的训练热力图，以及，所述加热装置的功率应增大、应减小还是保持不变的真实值；将所述多个预定时间点的熔融物的训练热力图分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到多个训练熔融物热力特征图；将所述多个训练熔融物热力特征图沿通道聚合为训练输入张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练熔融物热力时序特征图；将所述训练熔融物
热力时序特征图通过所述非局部神经网络以得到训练熔融物热力时序全局增强特征图；对所述训练熔融物热力时序全局增强特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化训练熔融物热力时序全局增强特征图；将所述优化训练熔融物热力时序全局增强特征图通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型、所述非局部神经网络和所述分类器进行训练。
[0018]在上述书架的自动化生产方法中，对所述训练熔融物热力时序全局增强特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化训练熔融物热力时序全局增强特征图，包括：以如下优化公式对所述训练熔融物热力时序全局增强特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化训练熔融物热力时序全局增强特征图；其中，所述优化公式为：
[0019][0020]F
a
＝Cov(F)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种书架的自动化生产方法，其特征在于，包括：将热塑性塑料粉碎成粒子状物料以得到塑料粒子；将所述塑料粒子在熔炉中加热熔化成熔融物；将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物；以及将所述二次加热后熔融物注入注塑模具中成型以得到成型塑料书架。2.根据权利要求1所述的书架的自动化生产方法，其特征在于，将所述熔融物通过取用装置取出，并通过所述取用装置的加热装置对所述熔融物进行二次加热以得到二次加热后熔融物，包括：获取由热红外摄像头采集的预定时间段内多个预定时间点的熔融物的热力图；将所述多个预定时间点的熔融物的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个熔融物热力特征图；将所述多个熔融物热力特征图沿通道聚合为输入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熔融物热力时序特征图；将所述熔融物热力时序特征图通过非局部神经网络以得到熔融物热力时序全局增强特征图；以及将所述熔融物热力时序全局增强特征图通过分类器以得到分类结果，所述分类结果用于表示加热装置的功率应增大、应减小还是保持不变。3.根据权利要求2所述的书架的自动化生产方法，其特征在于，将所述多个预定时间点的熔融物的热力图分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个熔融物热力特征图，包括：使用空间注意力机制的第一卷积神经网络模型的卷积编码部分对所述熔融物的热力图进行卷积编码以得到差分卷积特征图；将所述差分卷积特征图输入所述使用空间注意力机制的第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及计算所述空间注意力特征图和所述差分卷积特征图的按位置点乘以得到所述多个熔融物热力特征图。4.根据权利要求3所述的书架的自动化生产方法，其特征在于，将所述多个熔融物热力特征图沿通道聚合为输入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熔融物热力时序特征图，包括：使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述使用三维卷积核的第二卷积神经网络模型的最后一层输出所述熔融物热力时序特征图，其中，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述输入张量。5.根据权利要求4所述的书架的自动化生产方法，其特征在于，将所述熔融物热力时序特征图通过非局部神经网络以得到熔融物热力时序全局增强特征图，包括：将所述熔融物热力时序特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；
计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以调整所述全局感知特征图的通道数以得到通道调整全局感知特征图；以及计算所述通道调整全局感知特征图和所述熔融物热力时序特征图的按位置加权和以得到所述熔融物热力时序全局增强特征图。6.根据权利要求...

【专利技术属性】
技术研发人员：陈效，丁松，
申请(专利权)人：江西远大保险设备实业集团有限公司，
类型：发明
国别省市：