【技术实现步骤摘要】
本申请涉及智能控制领域，且更为具体的涉及一种玻璃器皿的自动化生产方法及其系统。
技术介绍
1、玻璃器皿的生产步骤包括：原料准备、上料、融化和成型、冷却和固化、表面处理、质量检测和包装。上料就是将主料和辅料按照一定的比例进行充分的搅拌混合后，输送至熔炼炉中进行高温加热。主料通常包括碎玻璃、方解石、长石和石英砂等，而辅料可以包括纯碱、二氧化锰、冰晶石等。传统的混合方法是人工混合，然而这种方法存在混合不均，且耗费人力成本和时间成本。
2、因此，期待一种优化的玻璃器皿的自动化生产方案。
技术实现思路
1、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玻璃器皿的自动化生产方法及其系统，其使用基于深度神经网络模型的人工智能技术来智能地对主料和辅料混合的监控视频以及多个预定时间点的混料机的混合速度值进行特征编码与提取，以得到更为精准的用于表示是否需要延长混合时间的分类标签。这样，智能控制混料的时间，降低了人力和时间成本，使混料更均匀。
2、根据本申请的一个方面，提供了一种玻璃器皿的自动化生产方法，其包括：
3、获取预定时间段内多个预定时间点的设备运行速度值和所述预定时间段的主料和辅料混合监控视频；
4、将所述多个预定时间点的设备运行速度值按照时间维度排列为运行速度输入向量；
5、将所述预定时间段的主料和辅料混合监控视频通过使用三维卷积核的卷积神经网络模型以得到状态特征向量；
6、将所述运行速度输入向量和所述状态
7、使用高斯密度图来融合所述多尺度运行速度特征向量和所述多尺度状态特征向量以得到融合高斯密度图；
8、对所述融合高斯密度图进行高斯离散化以得到融合特征矩阵；
9、对所述融合特征矩阵进行沿通道维度的各个特征矩阵的池化处理以得到所述分类特征向量；
10、对所述分类特征向量进行秩序先验化以得到优化分类特征矩阵；
11、将所述优化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是否需要延长混合时间。
12、在上述的玻璃器皿的自动化生产方法中，将所述预定时间段的主料和辅料混合监控视频通过使用三维卷积核的卷积神经网络模型以得到状态特征向量，包括：
13、以所述使用三维卷积核的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所述三维卷积核的三维卷积处理、池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层输出状态特征图；
14、对所述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状态特征向量。
15、在上述的玻璃器皿的自动化生产方法中，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，包括：
16、使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述运行速度输入向量进行一维卷积编码以得到第一尺度运行速度特征向量；
17、使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述运行速度输入向量进行一维卷积编码以得到第二尺度运行速度特征向量，所述第二长度不同于所述第一长度；
18、将所述第一尺度运行速度特征向量和所述第二尺度运行速度特征向量进行级联以得到所述多尺度运行速度特征向量。
19、在上述的玻璃器皿的自动化生产方法中，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，还包括：
20、使用所述多尺度邻域特征提取模块的第一卷积层以具有第一长度的一维卷积核对所述状态特征向量进行一维卷积编码以得到第一尺度状态特征向量；
21、使用所述多尺度邻域特征提取模块的第二卷积层以具有第二长度的一维卷积核对所述状态特征向量进行一维卷积编码以得到第二尺度状态特征向量，所述第二长度不同于所述第一长度；
22、将所述第一尺度状态特征向量和所述第二尺度状态特征向量进行级联以得到所述多尺度状态特征向量。
23、在上述的玻璃器皿的自动化生产方法中，使用高斯密度图来融合所述多尺度运行速度特征向量和所述多尺度状态特征向量以得到融合高斯密度图，包括：
24、使用高斯密度图以如下高斯融合公式来融合所述多尺度运行速度特征向量和所述多尺度状态特征向量以得到所述融合高斯密度图；
25、其中，所述高斯融合公式为：
26、
27、其中μ表示所述多尺度运行速度特征向量和所述多尺度状态特征向量之间的按位置均值向量，且σ的每个位置的值表示所述多尺度运行速度特征向量和所述多尺度状态特征向量中各个位置的特征值之间的方差。
28、在上述的玻璃器皿的自动化生产方法中，对所述分类特征向量进行秩序先验化以得到优化分类特征矩阵，包括：
29、以高斯分布为先验分布，对所述分类特征向量进行基于先验分布的特征表达强化以得到高斯增强分类特征矩阵；
30、计算所述高斯增强分类特征矩阵中各个行向量与所述分类特征向量之间的互信息以得到多个互信息；
31、基于所述多个互信息与预定阈值之间的比较以得到秩序先验化掩码矩阵；
32、计算所述秩序先验化掩码矩阵与所述高斯增强分类特征矩阵之间的按位置点乘以得到优化分类特征矩阵。
33、在上述的玻璃器皿的自动化生产方法中，将所述优化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是否需要延长混合时间，包括：
34、使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以获得所述分类结果；
35、其中，所述分类公式为：o＝softmax{(wc,bc)|project(f)}，其中project(f)表示将所述优化分类特征矩阵投影为向量，wc为权重矩阵，bc表示偏置向量，softmax表示归一化指数函数，o表示所述分类结果。
36、根据本申请的另一方面，还提供了一种玻璃器皿的自动化生产系统，其包括：
37、数据获取模块，用于获取预定时间段内多个预定时间点的设备运行速度值和所述预定时间段的主料和辅料混合监控视频；
38、向量构造模块，用于将所述多个预定时间点的设备运行速度值按照时间维度排列为运行速度输入向量；
39、特征提取模块，用于将所述预定时间段的主料和辅料混合监控视频通过使用三维卷积核的卷积神经网络模型以得到状态特征向量；
40、多尺度特征提取模块，用于将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量；
41、高斯融合模块，用于使用高斯密度图来融合所述多尺度运行速度特征向本文档来自技高网...
【技术保护点】
1.一种玻璃器皿的自动化生产方法，其特征在于，包括：
2.根据权利要求1所述的玻璃器皿的自动化生产方法，其特征在于，将所述预定时间段的主料和辅料混合监控视频通过使用三维卷积核的卷积神经网络模型以得到状态特征向量，包括：
3.根据权利要求2所述的玻璃器皿的自动化生产方法，其特征在于，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，包括：
4.根据权利要求3所述的玻璃器皿的自动化生产方法，其特征在于，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，还包括：
5.根据权利要求4所述的玻璃器皿的自动化生产方法，其特征在于，使用高斯密度图来融合所述多尺度运行速度特征向量和所述多尺度状态特征向量以得到融合高斯密度图，包括：
6.根据权利要求5所述的玻璃器皿的自动化生产方法，其特征在于，对所述分类特征向量进行秩序先验化以得到优化分类特征矩阵，包括：
7.根据权利要求6所述的玻璃器皿
8.一种玻璃器皿的自动化生产系统，其特征在于，包括：
9.根据权利要求8所述的玻璃器皿的自动化生产系统，其特征在于，所述特征提取模块，包括：
10.根据权利要求9所述的玻璃器皿的自动化生产系统，其特征在于，所述结果生成模块，用于：
...【技术特征摘要】
1.一种玻璃器皿的自动化生产方法，其特征在于，包括：
2.根据权利要求1所述的玻璃器皿的自动化生产方法，其特征在于，将所述预定时间段的主料和辅料混合监控视频通过使用三维卷积核的卷积神经网络模型以得到状态特征向量，包括：
3.根据权利要求2所述的玻璃器皿的自动化生产方法，其特征在于，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，包括：
4.根据权利要求3所述的玻璃器皿的自动化生产方法，其特征在于，将所述运行速度输入向量和所述状态特征向量分别通过多尺度邻域特征提取模块以得到多尺度运行速度特征向量和多尺度状态特征向量，还包括：
5.根据权利要求4所述的玻璃器皿的自动化生产...
【专利技术属性】
技术研发人员：罗江涛，叶劲松，罗晓东，
申请(专利权)人：安徽精饰家居用品有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。