应用于陶瓷生产的智能储坯系统及控制方法与流程

1.本发明属于陶瓷生产技术领域，具体是应用于陶瓷生产的智能储坯系统及控制方法。


背景技术：

2.在陶瓷生产过程中，需要用到瓷砖垫板把瓷砖坯料支撑起来，放在输送设备中，把垫板和瓷砖坯料传送到烧结炉处，再利用夹具把瓷砖坯料夹进烧结炉中，由于输送装置是一种循环设备，在该循环设备中放置的瓷砖垫板数量是固定的，每当有新的瓷砖坯料需要连同垫板一起加进输送设备中，或者由于部分部件故障需要增加或减少输送装置中的垫板数量时，就会导致有部分的坯体需要先储存起来；因此本发明就提出了应用于陶瓷生产的智能储坯系统及控制方法，解决坯体的储存问题。


技术实现要素：

3.为了解决上述方案存在的问题，本发明提供了应用于陶瓷生产的智能储坯系统及控制方法。
4.本发明的目的可以通过以下技术方案实现：
5.应用于陶瓷生产的智能储坯系统，包括前端反馈模块、储坯模块、服务器和储存模块；
6.所述前端反馈模块用于根据获取的数据对陶瓷坯体进行规划储存；
7.所述储坯模块用于储存陶瓷坯体，获取坯体的储存环境，根据获取到的数据进行深度学习，对坯体的储存环境进行调整；
8.选取n个坯体作为观察样本进行实时检测，并将检测的不合格数据进行处理，将不合格的数据进行再学习。
9.进一步地，选取n个坯体作为观察样本进行实时检测的方法包括：
10.将选取的坯体标记为i，其中i＝1、2、
……
、n，n为正整数；
11.对选取的坯体进行实时监控，实时获取坯体的尺寸，将获取的坯体尺寸与原尺寸进行对比，获得尺寸变化值ch
i
；根据公式获得尺寸变化均值ch
s
，根据公式获得尺寸变化稳定值α；
12.对坯体的表面进行实时检测，获得坯体表面的裂缝值lf
i
＝b1×
lk
i
+b2×
lc
i
，根据公式获得裂缝稳定值β；
13.根据公式获得样本值q
s
；根据样本值，判断储存环境是否
合格。
14.进一步地，前端反馈模块根据获取的数据对陶瓷坯体进行规划储存的方法包括：
15.步骤sa1：获取后续步骤的坯体加工限额，将后续步骤的坯体加工限额标记为ptp，获取当前后续步骤中的坯体数量，将当前后续步骤中的坯体数量标记为ptl，获得后续步骤中坯体缺额ptm＝ptp
‑
ptl；
16.步骤sa2：获取生产的坯体数量，根据生产的坯体数量获得多余的坯体数量，将多余的坯体运输到储坯模块。
17.进一步地，获取后续步骤中的坯体图像和设备背景图像，将坯体图像和设备背景图像进行图像预处理，并将图像预处理之后的图像分别标记为坯体灰度图像和背景灰度图像；
18.以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成坯体灰度值曲面和背景灰度值曲面。
19.进一步地，将坯体灰度值曲面和背景灰度值曲面之间的重叠部分进行标记，获取标记部分的边界轮廓，设置判断模型，将标记的边界轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为标记数量。
20.进一步地，将坯体灰度值曲面中的标记部分进行剔除，将剔除后的坯体灰度值曲面标记为无背景图像，提取无背景图像中剩余的图像轮廓，将图像轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为分割数量。
21.进一步地，将分割数量与标记数量相加，获得坯体数量。
22.应用于陶瓷生产的智能储坯控制方法，具体方法包括：
23.步骤一：根据获取的数据对陶瓷坯体进行规划储存；
24.步骤二：对储存的坯体进行养护。
25.与现有技术相比，本发明的有益效果是：通过根据获取到的数据进行深度学习，将进行深度学习后的模型标记为储存模型，根据储存模型的输出结果对储存环境进行调整，使得坯体的储存环境调整更加的智能化，保障坯体的质量，避免因为长时间的储存导致坯体损坏；通过将检测的不合格数据进行处理，将不合格的数据反馈到储存模型进行再学习，在生产过程中不停的进行再学习，对储存模型进行优化；通过前端反馈模块的设置，可以合理的对生产后的坯体进行规划，将多余的坯体发送到储坯模块进行储存，避免因为突发情况导致坯体损坏。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1为本发明原理框图。
具体实施方式
28.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
29.如图1所示，应用于陶瓷生产的智能储坯系统，包括前端反馈模块、储坯模块、服务器和储存模块；
30.所述前端反馈模块用于根据获取的数据对陶瓷坯体进行规划储存，具体方法包括：
31.步骤sa1：获取后续步骤的坯体加工限额，后续步骤为生产线中加工成坯体后的下个步骤，将后续步骤的坯体加工限额标记为ptp，获取当前后续步骤中的坯体数量，将当前后续步骤中的坯体数量标记为ptl，获得后续步骤中坯体缺额ptm＝ptp
‑
ptl；
32.步骤sa2：获取生产的坯体数量，根据生产的坯体数量获得多余的坯体数量，将多余的坯体运输到储坯模块；
33.通过前端反馈模块的设置，可以合理的对生产后的坯体进行规划，将多余的坯体发送到储坯模块进行储存，避免因为突发情况导致坯体损坏，例如：后续设备损坏；
34.步骤sa1中获取当前后续步骤中的坯体数量的方法包括：
35.获取后续步骤中的坯体图像和设备背景图像，坯体图像是包含坯体的全景图像，设备背景图像是与坯体图像在同一角度拍摄的图像，且是没有坯体时的图像；将坯体图像和设备背景图像进行图像预处理，并将图像预处理之后的图像分别标记为坯体灰度图像和背景灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换；
36.以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成坯体灰度值曲面和背景灰度值曲面；
37.将坯体灰度值曲面和背景灰度值曲面之间的重叠部分进行标记，获取标记部分的边界轮廓，设置判断模型，将标记的边界轮廓和坯体轮廓输入到判断模型中，获得判断结果，边界轮廓是否为坯体轮廓，统计坯体轮廓数量，标记为标记数量；
38.将坯体灰度值曲面中的标记部分进行剔除，将剔除后的坯体灰度值曲面标记为无背景图像，提取无背景图像中剩余的图像轮廓，将图像轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为分割数量，将分割数量与标记数量相加，获得坯体数量；
39.设置判断模型的方法包括：获取判断历史数据，所述判断历史数据包括边界轮廓和坯体轮廓；为判断历史数据设置判断结果；判断结果，边界轮廓是否为坯体轮廓；构建人工智能模型；人工智能模型包括误差逆向传播神经网络、rbf神经网络和深度卷积神经网络；将判断历史数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集；设定比例包括2：1：1、3：2：1和3：1：1；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为判断模型；
40.所述储坯模块用于储存陶瓷坯体，具体方法包括：
41.获取储存的坯体种类数据，坯体种类数据包括型号、尺寸、材质等数据，根据坯体
种类数据从储存模块和互联网中获取对应坯体的储存环境，根据获取到的数据进行深度学习，就是使用神经网络模型进行学习，将进行深度学习后的模型标记为储存模型，根据储存模型的输出结果对储存环境进行调整，储存模型的输出结果就是对应坯体的储存环境；
42.从储存的坯体中随机选取n个坯体，n为预设值，将选取的坯体作为观察样本进行实时检测，并将检测的不合格数据进行处理，就是将检测数据整理成储存模型的训练数据，将不合格的数据反馈到储存模型进行再学习；
43.通过根据获取到的数据进行深度学习，将进行深度学习后的模型标记为储存模型，根据储存模型的输出结果对储存环境进行调整，使得坯体的储存环境调整更加的智能化，保障坯体的质量，避免因为长时间的储存导致坯体损坏；通过将检测的不合格数据进行处理，将不合格的数据反馈到储存模型进行再学习，在生产过程中不停的进行再学习，对储存模型进行优化；
44.将选取的坯体作为观察样本进行实时检测的方法包括：
45.将选取的坯体标记为i，其中i＝1、2、
……
、n，n为正整数；
46.对选取的坯体进行实时监控，实时获取坯体的尺寸，将获取的坯体尺寸与原尺寸进行对比，获得尺寸变化值ch
i
；根据公式获得尺寸变化均值ch
s
，根据公式获得尺寸变化稳定值α；
47.对坯体的表面进行实时检测，获得坯体表面的裂缝值lf
i
＝b1×
lk
i
+b2×
lc
i
，其中b1和b2均为比例系数，lk为裂缝宽度，lc为裂缝长度；根据公式获得裂缝稳定值β；
48.根据公式获得样本值q
s
；根据样本值q
s
，判断储存环境是否合格；可以根据实际生产设置阈值x1，进行判断。
49.应用于陶瓷生产的智能储坯控制方法，具体方法包括：
50.步骤一：根据获取的数据对陶瓷坯体进行规划储存；
51.步骤sa1：获取后续步骤的坯体加工限额，将后续步骤的坯体加工限额标记为ptp，获取当前后续步骤中的坯体数量，将当前后续步骤中的坯体数量标记为ptl，获得后续步骤中坯体缺额ptm＝ptp
‑
ptl；
52.步骤sa2：获取生产的坯体数量，根据生产的坯体数量获得多余的坯体数量，将多余的坯体运输到储坯模块；
53.步骤sa1中获取当前后续步骤中的坯体数量的方法包括：
54.获取后续步骤中的坯体图像和设备背景图像，将坯体图像和设备背景图像进行图像预处理，并将图像预处理之后的图像分别标记为坯体灰度图像和背景灰度图像；
55.以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成坯体灰度值曲面和背景灰度值曲
面；
56.将坯体灰度值曲面和背景灰度值曲面之间的重叠部分进行标记，获取标记部分的边界轮廓，设置判断模型，将标记的边界轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为标记数量；
57.将坯体灰度值曲面中的标记部分进行剔除，将剔除后的坯体灰度值曲面标记为无背景图像，提取无背景图像中剩余的图像轮廓，将图像轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为分割数量，将分割数量与标记数量相加，获得坯体数量；
58.步骤二：对储存的坯体进行养护；
59.获取储存的坯体种类数据，根据坯体种类数据从储存模块和互联网中获取对应坯体的储存环境，根据获取到的数据进行深度学习，将进行深度学习后的模型标记为储存模型，根据储存模型的输出结果对储存环境进行调整；
60.从储存的坯体中随机选取n个坯体，将选取的坯体作为观察样本进行实时检测，并将检测的不合格数据进行处理，将不合格的数据反馈到储存模型进行再学习；
61.将选取的坯体作为观察样本进行实时检测的方法包括：
62.将选取的坯体标记为i，其中i＝1、2、
……
、n，n为正整数；
63.对选取的坯体进行实时监控，实时获取坯体的尺寸，将获取的坯体尺寸与原尺寸进行对比，获得尺寸变化值ch
i
；根据公式获得尺寸变化均值ch
s
，根据公式获得尺寸变化稳定值α；
64.对坯体的表面进行实时检测，获得坯体表面的裂缝值lf
i
＝b1×
lk
i
+b2×
lc
i
，其中b1和b2均为比例系数，lk为裂缝宽度，lc为裂缝长度；根据公式获得裂缝稳定值β；
65.根据公式获得样本值q
s
；根据样本值，判断储存环境是否合格。
66.上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
67.本发明的工作原理：根据获取的数据对陶瓷坯体进行规划储存；获取后续步骤的坯体加工限额，将后续步骤的坯体加工限额标记为ptp，获取当前后续步骤中的坯体数量，将当前后续步骤中的坯体数量标记为ptl，获得后续步骤中坯体缺额ptm＝ptp
‑
ptl；获取生产的坯体数量，根据生产的坯体数量获得多余的坯体数量，将多余的坯体运输到储坯模块；获取后续步骤中的坯体图像和设备背景图像，将坯体图像和设备背景图像进行图像预处理，并将图像预处理之后的图像分别标记为坯体灰度图像和背景灰度图像；以图像中心为
原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成坯体灰度值曲面和背景灰度值曲面；将坯体灰度值曲面和背景灰度值曲面之间的重叠部分进行标记，获取标记部分的边界轮廓，设置判断模型，将标记的边界轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为标记数量；将坯体灰度值曲面中的标记部分进行剔除，将剔除后的坯体灰度值曲面标记为无背景图像，提取无背景图像中剩余的图像轮廓，将图像轮廓和坯体轮廓输入到判断模型中，获得判断结果，统计坯体轮廓数量，标记为分割数量，将分割数量与标记数量相加，获得坯体数量；
68.对储存的坯体进行养护；获取储存的坯体种类数据，根据坯体种类数据从储存模块和互联网中获取对应坯体的储存环境，根据获取到的数据进行深度学习，将进行深度学习后的模型标记为储存模型，根据储存模型的输出结果对储存环境进行调整；从储存的坯体中随机选取n个坯体，将选取的坯体作为观察样本进行实时检测，并将检测的不合格数据进行处理，将不合格的数据反馈到储存模型进行再学习；将选取的坯体标记为i，对选取的坯体进行实时监控，实时获取坯体的尺寸，将获取的坯体尺寸与原尺寸进行对比，获得尺寸变化值ch
i
；根据公式获得尺寸变化均值ch
s
，根据公式获得尺寸变化稳定值α；对坯体的表面进行实时检测，获得坯体表面的裂缝值lf
i
＝b1×
lk
i
+b2×
lc
i
，其中b1和b2均为比例系数，lk为裂缝宽度，lc为裂缝长度；根据公式获得裂缝稳定值β；根据公式获得样本值q
s
；根据样本值，判断储存环境是否合格。
69.在本发明所提供的实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
70.另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
71.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
72.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用
来表示名称，而并不表示任何特定的顺序。
73.最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。