本申请涉及智能擦除领域，其具体地公开了一种感光鼓表面电荷擦除装置及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的感光鼓表面的电荷数量和光束功率，排列为向量后分别通过序列编码器提取时序上端特征信息，关联后再通过线性嵌入层将高维的特征矩阵映射到一个较低维的空间中，以得到用于表示当前时间点电荷擦除装置光束功率应增大还是减小的分类结果。这样可以自动调整电荷擦除装置的光束功率，以提高打印质量和效率。
【技术实现步骤摘要】
本申请涉及智能擦除领域，且更为具体地，涉及一种感光鼓表面电荷擦除装置及方法。
技术介绍
1、感光鼓表面电荷擦除装置是一种用于清除感光鼓表面电荷的装置。感光鼓是打印机、复印机等办公设备中的重要部件，它负责接收图像或文字信息，并将其转移到打印介质上。
2、在感光鼓的工作过程中，光敏材料表面会被激光束或光电信号照射，形成电荷图案。这些电荷图案随后通过各种方式转移到打印介质上，最终形成打印输出。然而，为了确保感光鼓在每次打印任务之间能够重复使用，需要将表面的电荷完全清除。
3、但由于传统的擦除装置并不能实时监测到感光鼓表面的电荷数量，可能无法完全清除感光鼓表面的电荷。这可能导致在下一次打印任务中出现电荷残留，影响打印质量，如产生背景灰、图像模糊或文字不清晰等问题。
4、因此，期待一种优化的感光鼓表面电荷擦除方案。
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感光鼓表面电荷擦除装置及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的感光鼓表面的电荷数量和光束功率，排列为向量后分别通过序列编码器提取时序上端特征信息，关联后再通过线性嵌入层将高维的特征矩阵映射到一个较低维的空间中，以得到用于表示当前时间点电荷擦除装置光束功率应增大还是减小的分类结果。这样可以自动调整电荷擦除装置的光束功率，以提高打印质量和效率。
2、根据本申请的一个方面，提供了一种感光鼓表面电荷擦除装置，其包括：
3、数据获取模块，用于获取预定时间内多个预定时间点的感光鼓表面的电荷数量和光束功率；
4、时序提取模块，用于将多个预定时间点的感光鼓表面的电荷数量和光束功率按照时间维度分别排列为电荷数量输入向量和功率输入向量；
5、电荷特征提取模块，用于将所述电荷数量输入向量通过包含一维卷积层和全连接层的序列编码器以得到电荷数量序列特征向量；
6、功率特征提取模块，用于将所述功率输入向量通过包含一维卷积层和全连接层的序列编码器以得到功率序列特征向量；
7、关联特征模块，用于将所述电荷数量序列特征向量和所述功率序列特征向量通过关联编码器进行关联编码以得到电荷-功率关联特征矩阵；
8、线性嵌入模块，用于将所述电荷-功率关联特征矩阵通过线性嵌入层以得到分类特征向量；
9、优化特征模块，用于对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量；
10、功率调整模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点电荷擦除装置光束功率应增大还是减小。
11、在上述感光鼓表面电荷擦除装置中，所述电荷特征提取模块，用于：使用所述序列编码器的全连接层以如下公式对所述电荷数量输入向量进行全连接编码以提取出所述电荷数量输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述电荷数量输入向量，y是电荷数量输入向量，w是权重矩阵，b是偏置向量，表示矩阵乘法；以及，使用序列编码器的一维卷积层以如下公式对所述电荷数量输入向量进行一维卷积编码以提取出所述电荷数量输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：
12、
13、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表示所述电荷数量输入向量，cov(x)表示对所述电荷数量输入向量进行一维卷积编码。
14、在上述感光鼓表面电荷擦除装置中，所述功率特征提取模块，包括：归一化映射单元，用于将所述功率输入向量进行基于最大值的归一化处理以得到归一化后功率输入向量；编码单元，用于使用所述时序编码器的全连接层对所述归一化后功率输入向量进行全连接编码以提取所述归一化后功率输入向量中各个位置的特征值的高维隐含特征；以及，一维卷积编码单元，用于使用所述时序编码器的一维卷积层对所述归一化后功率输入向量进行一维编码以提取所述归一化后功率输入向量中各个位置的特征值间的关联的高维隐含关联特征。
15、在上述感光鼓表面电荷擦除装置中，所述关联特征模块，用于：使用所述关联编码器以如下关联公式对所述电荷数量序列特征向量和所述功率序列特征向量进行关联编码以得到电荷-功率关联特征矩阵；其中，所述关联公式为：
16、
17、其中表示向量相乘，m表示所述电荷-功率关联特征矩阵，f1表示所述电荷数量序列特征向量，f2表示所述功率序列特征向量，表示所述功率序列特征向量的转置。
18、在上述感光鼓表面电荷擦除装置中，所述线性嵌入模块，用于：使用所述线性嵌入层的可学习嵌入矩阵分别对所述电荷-功率关联特征矩阵进行线性嵌入编码以得到所述分类特征向量。
19、在上述感光鼓表面电荷擦除装置中，所述功率调整模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
20、根据本申请的另一方面，提供了一种感光鼓表面电荷擦除方法，其包括：
21、获取预定时间内多个预定时间点的感光鼓表面的电荷数量和光束功率；
22、将多个预定时间点的感光鼓表面的电荷数量和光束功率按照时间维度分别排列为电荷数量输入向量和功率输入向量；
23、将所述电荷数量输入向量通过包含一维卷积层和全连接层的序列编码器以得到电荷数量序列特征向量；
24、将所述功率输入向量通过包含一维卷积层和全连接层的序列编码器以得到功率序列特征向量；
25、将所述电荷数量序列特征向量和所述功率序列特征向量通过关联编码器进行关联编码以得到电荷-功率关联特征矩阵；
26、将所述电荷-功率关联特征矩阵通过线性嵌入层以得到分类特征向量；
27、对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量；
28、将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点电荷擦除装置光束功率应增大还是减小。
29、与现有技术相比，本申请提供的一种感光鼓表面电荷擦除装置及方法，其采用基于深度神经网络模型的人工智能技术，获取预定时间内多个预定时间点的感光鼓表面的电荷数量和光束功率，排列为向量后分别通过序列编码器提取时序上端特征信息，关联后再通过线性嵌入层将高维的特征矩阵映射到一个较低维的空间中，以得到用于表示当前时间点电荷擦除装置光束功率应增大还是减小的分类结果。这样可以自动调整电荷擦除装置的光束功率，以提高打印质量和效率。
本文档来自技高网...
【技术保护点】
1.一种感光鼓表面电荷擦除装置，其特征在于，包括：
2.根据权利要求1所述的感光鼓表面电荷擦除装置，其特征在于，所述电荷特征提取模块，用于：
3.根据权利要求2所述的感光鼓表面电荷擦除装置，其特征在于，所述功率特征提取模块，包括：
4.根据权利要求3所述的感光鼓表面电荷擦除装置，其特征在于，所述关联特征模块，用于：
5.根据权利要求4所述的感光鼓表面电荷擦除装置，其特征在于，所述线性嵌入模块，用于：
6.根据权利要求5所述的感光鼓表面电荷擦除装置，其特征在于，所述优化特征模块，用于：
7.根据权利要求6所述的感光鼓表面电荷擦除装置，其特征在于，所述功率调整模块，包括：
8.一种感光鼓表面电荷擦除方法，其特征在于，包括：
9.根据权利要求8所述的感光鼓表面电荷擦除方法，其特征在于，将所述电荷数量输入向量通过包含一维卷积层和全连接层的序列编码器以得到电荷数量序列特征向量，包括：
10.根据权利要求9所述的感光鼓表面电荷擦除方法，其特征在于，将所述功率输入向量通过包含一维卷积层和全连接层的序列编码器以得到功率序列特征向量，包括：
...
【技术特征摘要】
1.一种感光鼓表面电荷擦除装置，其特征在于，包括：
2.根据权利要求1所述的感光鼓表面电荷擦除装置，其特征在于，所述电荷特征提取模块，用于：
3.根据权利要求2所述的感光鼓表面电荷擦除装置，其特征在于，所述功率特征提取模块，包括：
4.根据权利要求3所述的感光鼓表面电荷擦除装置，其特征在于，所述关联特征模块，用于：
5.根据权利要求4所述的感光鼓表面电荷擦除装置，其特征在于，所述线性嵌入模块，用于：
6.根据权利要求5所述的感光鼓表面电荷擦除装置，其特征在于...
【专利技术属性】
技术研发人员：祝金军，张一飞，李忠溪，
申请(专利权)人：江西凯利德科技有限公司，
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。