用于生产农药包装桶的智能吹塑机及其控制方法与流程

1.本发明涉及智能制造的领域，且更为具体地，涉及一种用于生产农药包装桶的智能吹塑机及其控制方法。


背景技术：

2.吹塑机的工作过程为首先塑料从螺杆挤出机中被熔化并定量地从吹塑口挤出，然后置于模具中。然后，启动气缸从而带动切割刀(包括冷刀封和热刀切)。接着，启动气缸将模具置放于吹风口的下侧并且向模具内吹风冷却从而完成成型。
3.在吹塑过程中，对于吹风口的出风控制是控制农药包装桶的成型精度的关键。理想地，应基于农药包装桶内的实时吹塑成型情况来控制控制出风口的风速，但是在实际控制过程中，一方面农药包装桶的实时内部成型情况难以获取，而另一方面，出风模式与农药包装桶的成型壁厚均匀度的影响关系难以通过数学模型来建模。
4.因此，期待一种用于生产用药包装桶的智能吹塑机，其能够基于有限的吹塑测试数据来拟合出出风模式与农药包装桶的壁厚均匀度之间的关系，并基于该出风模式来进行吹塑控制。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于生产农药包装桶的智能吹塑机及其控制方法，其利用人工智能控制技术，以通过深度神经网络模型对农药包装桶的六视图以及智能吹塑机的出风设备在多个预定时间点的功率值进行深层隐含的特征挖掘，以挖掘出所述农药包装桶的实时内部成型情况，以此来对智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
6.根据本技术的一个方面，提供了一种用于生产农药包装桶的智能吹塑机，其包括：
7.农药包装桶成型数据获取模块，用于获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图；
8.吹塑过程数据获取模块，用于获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值；
9.成型数据编码模块，用于将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图；
10.成型面差异计算模块，用于计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图；
11.成型面差异编码模块，用于将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量；
12.吹塑过程数据编码模块，用于将所述智能吹塑机的出风设备在对所述农药包装桶
进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；
13.成型面差异特征分布校正模块，用于基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量；以及
14.控制结果生成模块，用于将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
15.在上述用于生产农药包装桶的智能吹塑机中，所述成型数据编码模块，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层分别生成所述第一至第六特征图，其中，所述第一卷积神经网络的第一层的输入分别为所述农药包装桶的第一至第六图像。
16.在上述用于生产农药包装桶的智能吹塑机中，所述成型面差异计算模块，包括：差分单元，用于计算所述第一至第六特征图中每两个特征图之间的按位置差分以得到所述多个差分特征图；以及，排列单元，用于将所述多个差分特征图按照所述样本维度进行排列以得到所述均匀度特征图。
17.在上述用于生产农药包装桶的智能吹塑机中，所述成型面差异编码模块，进一步用于使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行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的最后一层的输出为所述均匀度特征向量，所述第二卷积神经网络的第一层的输入为所述均匀度特征图。
18.在上述用于生产农药包装桶的智能吹塑机中，所述吹塑过程数据编码模块，包括：输入向量构造单元，用于将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；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以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0019][0020]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0021]
在上述用于生产农药包装桶的智能吹塑机中，所述成型面差异特征分布校正模块，包括：向量空间交互单元，用于计算所述均匀度特征向量和所述功率特征向量之间的按位置点乘以得到空间交互特征向量；数据异性评估单元，用于计算所述均匀度特征向量和
所述功率特征向量之间的距离；度量单元，用于以所述空间交互特征向量中各个位置的特征值分别除以所述所述均匀度特征向量和所述功率特征向量之间的距离以得到度量特征向量；指数运算单元，用于计算以所述度量特征向量中各个位置的特征值为幂的自然指数函数值以得到指数度量特征向量；第一类概率计算单元，用于将所述指数度量特征向量通过所述分类器以得到第一类概率；第二类概率计算单元，用于将所述均匀度特征向量通过所述分类器以得到第二类概率；类概率叠加单元，用于计算所述第一类概率和所述第二类概率之间的乘积以得到加权权重；以及，加权调整单元，用于以所述加权权重对所述均匀度特征向量中各个位置的特征值进行加权以得到所述校正后均匀度特征向量。
[0022]
在上述用于生产农药包装桶的智能吹塑机中，所述均匀度特征向量和所述功率特征向量之间的距离为所述所述均匀度特征向量和所述功率特征向量之间的欧式距离的平方根。
[0023]
在上述用于生产农药包装桶的智能吹塑机中，所述控制结果生成模块，包括：融合单元，用于计算所述校正后均匀度特征向量相对于所述功率特征向量的转移矩阵，其中，所述功率特征向量乘以所述转移矩阵等于所述校正后均匀度特征向量；以及，分类单元，用于将所述转移矩阵作为分类特征矩阵通过所述分类器以得到所述分类结果。
[0024]
根据本技术的另一方面，一种用于生产农药包装桶的智能吹塑机的控制方法，其包括：
[0025]
获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图；
[0026]
获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值；
[0027]
将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图；
[0028]
计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图；
[0029]
将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量；
[0030]
将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；
[0031]
基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量；以及
[0032]
将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
[0033]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图，包括：使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层分别生成所述第一至第六特征图，其中，所述第一卷积神经网络的第一层的输入分别为所述农药包装桶的第一至第六图像。
[0034]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图，包括：计算所述第一至第六特征图中每两个特征图之间的按位置差分以得到所述多个差分特征图；以及将所述多个差分特征图按照所述样本维度进行排列以得到所述均匀度特征图。
[0035]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量，包括：使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行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的最后一层的输出为所述均匀度特征向量，所述第二卷积神经网络的第一层的输入为所述均匀度特征图。
[0036]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量，包括：将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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：提取出所述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是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0037][0038]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0039]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量，包括：计算所述均匀度特征向量和所述功率特征向量之间的按位置点乘以得到空间交互特征向量；计算所述均匀度特征向量和所述功率特征向量之间的距离；以所述空间交互特征向量中各个位置的特征值分别除以所述所述均匀度特征向量和所述功率特征向量之间的距离以得到度量特征向量；计算以所述度量特征向量中各个位置的特征值为幂的自然指数函数值以得到指数度量特征向量；将所述指数度量特征向量通过所述分类器以得到第一类概率；将所述均匀度特征向量通过所述分类器以得到第二类概率；计算所述第一类概率和所述第二类概率之间的乘积以得到加权权重；以所述加权权重对所述均匀度特征向量中各个位置的特征值进行加权以得到所述校正后均匀度特征向量。
[0040]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，所述均匀度特征向量和所述功率特征向量之间的距离为所述所述均匀度特征向量和所述功率特征向量之间的欧式距离的平方根。
[0041]
在上述用于生产农药包装桶的智能吹塑机的控制方法中，将所述校正后均匀度特征向量和所述功率特征向量通过分类器以得到分类结果，包括：计算所述校正后均匀度特征向量相对于所述功率特征向量的转移矩阵，其中，所述功率特征向量乘以所述转移矩阵等于所述校正后均匀度特征向量；将所述转移矩阵作为分类特征矩阵通过所述分类器以得到所述分类结果。
[0042]
与现有技术相比，本技术提供的用于生产农药包装桶的智能吹塑机及其控制方法，其利用人工智能控制技术，以通过深度神经网络模型对农药包装桶的六视图以及智能吹塑机的出风设备在多个预定时间点的功率值进行深层隐含的特征挖掘，以挖掘出所述农药包装桶的实时内部成型情况，以此来对智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
附图说明
[0043]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0044]
图1为根据本技术实施例的用于生产农药包装桶的智能吹塑机的应用场景图。
[0045]
图2为根据本技术实施例的用于生产农药包装桶的智能吹塑机的框图。
[0046]
图3为根据本技术实施例的用于生产农药包装桶的智能吹塑机中成型面差异特征分布校正模块的框图。
[0047]
图4为根据本技术实施例的用于生产农药包装桶的智能吹塑机的控制方法的流程图。
[0048]
图5为根据本技术实施例的用于生产农药包装桶的智能吹塑机的控制方法的架构示意图。
具体实施方式
[0049]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0050]
场景概述
[0051]
如前所述，吹塑机的工作过程为首先塑料从螺杆挤出机中被熔化并定量地从吹塑口挤出，然后置于模具中。然后，启动气缸从而带动切割刀(包括冷刀封和热刀切)。接着，启动气缸将模具置放于吹风口的下侧并且向模具内吹风冷却从而完成成型。
[0052]
在吹塑过程中，对于吹风口的出风控制是控制农药包装桶的成型精度的关键。理想地，应基于农药包装桶内的实时吹塑成型情况来控制控制出风口的风速，但是在实际控制过程中，一方面农药包装桶的实时内部成型情况难以获取，而另一方面，出风模式与农药包装桶的成型壁厚均匀度的影响关系难以通过数学模型来建模。
[0053]
因此，期待一种用于生产用药包装桶的智能吹塑机，其能够基于有限的吹塑测试数据来拟合出出风模式与农药包装桶的壁厚均匀度之间的关系，并基于该出风模式来进行
吹塑控制。
[0054]
基于此，本技术的发明人通过采集吹塑成型的农药包装桶的六视图来表示农药包装桶的成型壁厚均匀度，并使用深度神经网络来挖掘出农药包装桶的实时内部成型情况，以基于这种深层的特征信息来对智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对吹塑机进行吹塑控制。
[0055]
具体地，在本技术的技术方案中，首先，通过相机采集吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图。然后，考虑到在图像的特征提取方面，卷积神经网络具有更加优异的表现，因此，使用第一卷积神经网络来对所述农药包装桶的第一至第六图像进行特征挖掘，以提取出所述农药包装桶的第一至第六图像中的局部高维隐含特征，从而得到第一至第六特征图。
[0056]
应可以理解，由于在所述农药包装桶的六视图中，会存在各个特征重合的区域，也就是重合的特征信息，为了在高维特征提取方面，更加聚焦于这些隐含的关联特征信息，进一步计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图。相应地，在一个具体示例中，计算所述第一至第六特征图中每两个特征图之间的按位置差分以得到所述多个差分特征图，也就是，如下公式：
[0057][0058]
其中，fi表示第i特征图中的各个位置的特征值，fj表示第j特征图中相对应位置的特征值，fk'表示所述差分特征图中各个位置的特征值，表示按位置差分。
[0059]
然后，将所述差分特征图按照样本维度进行排列，以在样本维度方面整合这些特征图的特征信息，从而得到均匀度特征图。这样，就可以进一步通过使用作为过滤器的第二卷积神经网络来对所述均匀度特征图进行局部隐含特征挖掘，以得到均匀度特征向量。
[0060]
并且，在对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行判断控制时，还需要考虑到在此间的各个时间点的功率值。因此，还需要获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值，并将其通过包含一维卷积层的时序编码器中进行编码处理，以提取出所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的功率值在时间维度上的特征分布信息，从而得到功率特征向量。
[0061]
应可以理解，由于均匀度特征向量va是作为数据源的六面视图通过级联的第一卷积神经网络和第二卷积神经网络进行特征提取，无论从源数据的数据量还是特征提取的语义密度来说，在数据密集程度上都要高于功率特征向量v
p
，这就导致均匀度特征向量和功率特征向量之间具有类概率上的偏差。
[0062]
因此，对均匀度特征向量va进行基于数据密集簇的修正，即：
[0063][0064]
其中softmax(
·
)表示特征向量通过分类器得到的概率值，exp(
·
)表示向量的指数运算，对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值，向
量除法表示以分子向量中各个位置的特征值分别除以分母，
⊙
表示向量相乘。
[0065]
这里，该基于数据密集簇的修正通过特征向量之间的自注意力机制来使能基于按位置特征对应的空间交互，并通过向量距离来度量数据相异性，从而表示数据密集对象与一般对象之间的实例相似度。由此，通过分类概率值的乘积作为加权系数来确定分类概率值对于不同数据密集簇的自适应依赖性，提升了修正后的均匀度特征向量对于分类目标函数的参数自适应性，改进了均匀度特征向量和功率特征向量间的类概率的偏差，进而提高了分类的准确性。这样，也就能够对于所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行准确地判断，以对吹塑机进行吹塑控制。
[0066]
基于此，本技术提出了一种用于生产农药包装桶的智能吹塑机，其包括：农药包装桶成型数据获取模块，用于获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图；吹塑过程数据获取模块，用于获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值；成型数据编码模块，用于将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图；成型面差异计算模块，用于计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图；成型面差异编码模块，用于将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量；吹塑过程数据编码模块，用于将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；成型面差异特征分布校正模块，用于基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量；以及，控制结果生成模块，用于将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
[0067]
图1图示了根据本技术实施例的用于生产农药包装桶的智能吹塑机的应用场景图。如图1所示，在该应用场景中，首先，通过相机(例如，如图1中所示意的c)采集吹塑成型的农药包装桶(例如，如图1中所示意的p)的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图，并且获取智能吹塑机(例如，如图1中所示意的b)的出风设备(例如，如图1中所示意的e)在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值。然后，将获得的所述第一至第六图像以及所述多个预定时间点的功率值输入至部署有用于生产农药包装桶的智能吹塑机算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以用于生产农药包装桶的智能吹塑机算法对所述第一至第六图像以及所述多个预定时间点的功率值进行处理，以生成用于表示所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理的分类结果。
[0068]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0069]
示例性系统
[0070]
图2图示了根据本技术实施例的用于生产农药包装桶的智能吹塑机的框图。如图2所示，根据本技术实施例的用于生产农药包装桶的智能吹塑机200，包括：农药包装桶成型数据获取模块210，用于获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述
第一至第六图像为所述农药包装桶的六视图；吹塑过程数据获取模块220，用于获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值；成型数据编码模块230，用于将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图；成型面差异计算模块240，用于计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图；成型面差异编码模块250，用于将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量；吹塑过程数据编码模块260，用于将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；成型面差异特征分布校正模块270，用于基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量；以及，控制结果生成模块280，用于将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
[0071]
具体地，在本技术实施例中，所述农药包装桶成型数据获取模块210，所述吹塑过程数据获取模块220和所述成型数据编码模块230，用于获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图，并获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值，再将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图。。如前所述，应可以理解，在吹塑过程中，对于吹风口的出风控制是控制农药包装桶的成型精度的关键。理想地，应基于所述农药包装桶内的实时吹塑成型情况来控制控制所述出风口的风速，但是在实际控制过程中，一方面所述农药包装桶的实时内部成型情况难以获取，而另一方面，所述出风模式与所述农药包装桶的成型壁厚均匀度的影响关系难以通过数学模型来建模。因此，在本技术的技术方案中，通过采集吹塑成型的农药包装桶的六视图来表示所述农药包装桶的成型壁厚均匀度，并使用深度神经网络来挖掘出所述农药包装桶的实时内部成型情况，以基于这种深层的特征信息来对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
[0072]
也就是，具体地，在本技术的技术方案中，首先，通过相机采集吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图。并且，在对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行判断控制时，还需要考虑到在此间的各个时间点的功率值。因此，还需要获取所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值。
[0073]
然后，考虑到在图像的特征提取方面，卷积神经网络具有更加优异的表现，因此，使用第一卷积神经网络来对所述农药包装桶的第一至第六图像进行特征挖掘，以提取出所述农药包装桶的第一至第六图像中的局部高维隐含特征，从而得到第一至第六特征图。相应地，在一个具体示例中，使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层分别生成所述第一至第六特征图，其中，所述第一卷积神经网络的第一层的输入分别为所述农药包装桶的第一至第六图像。
[0074]
具体地，在本技术实施例中，所述成型面差异计算模块240和所述成型面差异编码
模块250，用于计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图，再将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量。应可以理解，由于在所述农药包装桶的六视图中，会存在各个特征重合的区域，也就是重合的特征信息，为了在高维特征提取方面，更加聚焦于这些隐含的关联特征信息，进一步计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图。
[0075]
然后，将所述差分特征图按照样本维度进行排列，以在样本维度方面整合这些特征图的特征信息，从而得到均匀度特征图。这样，就可以进一步通过使用作为过滤器的第二卷积神经网络来对所述均匀度特征图进行局部隐含特征挖掘，以得到均匀度特征向量。相应地，在一个具体示例中，使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行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的最后一层的输出为所述均匀度特征向量，所述第二卷积神经网络的第一层的输入为所述均匀度特征图。
[0076]
更具体地，在本技术实施例中，所述成型面差异计算模块，包括：差分单元，用于计算所述第一至第六特征图中每两个特征图之间的按位置差分以得到所述多个差分特征图。相应地，在一个具体示例中，计算所述第一至第六特征图中每两个特征图之间的按位置差分以得到所述多个差分特征图，也就是，如下公式：
[0077][0078]
其中，fi表示第i特征图中的各个位置的特征值，fj表示第j特征图中相对应位置的特征值，fk'表示所述差分特征图中各个位置的特征值，表示按位置差分。排列单元，用于将所述多个差分特征图按照所述样本维度进行排列以得到所述均匀度特征图。
[0079]
具体地，在本技术实施例中，所述吹塑过程数据编码模块260，用于将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。应可以理解，在对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行判断控制时，还需要考虑到在此间的各个时间点的功率值。因此，在本技术的技术方案中，还需要获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值，并将其通过包含一维卷积层的时序编码器中进行编码处理，以提取出所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的功率值在时间维度上的特征分布信息，从而得到功率特征向量。
[0080]
更具体地，在本技术实施例中，所述吹塑过程数据编码模块，包括：输入向量构造单元，用于将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述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是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；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以如下公式对所述输入向量进行一维卷积编
码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0081][0082]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0083]
具体地，在本技术实施例中，所述成型面差异特征分布校正模块270，用于基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量。应可以理解，由于所述均匀度特征向量va是作为数据源的六面视图通过级联的所述第一卷积神经网络和所述第二卷积神经网络进行特征提取，无论从源数据的数据量还是特征提取的语义密度来说，在数据密集程度上都要高于所述功率特征向量v
p
，这就导致所述均匀度特征向量和所述功率特征向量之间具有类概率上的偏差。因此，在本技术的技术方案中，需要对所述均匀度特征向量va进行基于数据密集簇的修正，即：
[0084][0085]
其中softmax(
·
)表示特征向量通过分类器得到的概率值，exp(
·
)表示向量的指数运算，对向量进行指数运算表示以向量中各个位置的特征值为幂的自然指数函数值，向量除法表示以分子向量中各个位置的特征值分别除以分母，
⊙
表示向量相乘。
[0086]
更具体地，在本技术实施例中，所述成型面差异特征分布校正模块，包括：首先，计算所述均匀度特征向量和所述功率特征向量之间的按位置点乘以得到空间交互特征向量。接着，计算所述均匀度特征向量和所述功率特征向量之间的距离。特别地，这里，所述均匀度特征向量和所述功率特征向量之间的距离为所述所述均匀度特征向量和所述功率特征向量之间的欧式距离的平方根。然后，以所述空间交互特征向量中各个位置的特征值分别除以所述所述均匀度特征向量和所述功率特征向量之间的距离以得到度量特征向量。接着，计算以所述度量特征向量中各个位置的特征值为幂的自然指数函数值以得到指数度量特征向量。然后，将所述指数度量特征向量通过所述分类器以得到第一类概率。接着，将所述均匀度特征向量通过所述分类器以得到第二类概率。然后，计算所述第一类概率和所述第二类概率之间的乘积以得到加权权重。最后，以所述加权权重对所述均匀度特征向量中各个位置的特征值进行加权以得到所述校正后均匀度特征向量。应可以理解，该所述基于数据密集簇的修正通过特征向量之间的自注意力机制来使能基于按位置特征对应的空间交互，并通过向量距离来度量数据相异性，从而表示数据密集对象与一般对象之间的实例相似度。由此，通过分类概率值的乘积作为加权系数来确定分类概率值对于不同数据密集簇的自适应依赖性，提升了修正后的均匀度特征向量对于分类目标函数的参数自适应性，改进了所述均匀度特征向量和所述功率特征向量间的类概率的偏差。
[0087]
图3图示了根据本技术实施例的用于生产农药包装桶的智能吹塑机中成型面差异特征分布校正模块的框图。如图3所示，所述成型面差异特征分布校正模块270，包括：向量空间交互单元271，用于计算所述均匀度特征向量和所述功率特征向量之间的按位置点乘
以得到空间交互特征向量；数据异性评估单元272，用于计算所述均匀度特征向量和所述功率特征向量之间的距离；度量单元273，用于以所述空间交互特征向量中各个位置的特征值分别除以所述所述均匀度特征向量和所述功率特征向量之间的距离以得到度量特征向量；指数运算单元274，用于计算以所述度量特征向量中各个位置的特征值为幂的自然指数函数值以得到指数度量特征向量；第一类概率计算单元275，用于将所述指数度量特征向量通过所述分类器以得到第一类概率；第二类概率计算单元276，用于将所述均匀度特征向量通过所述分类器以得到第二类概率；类概率叠加单元277，用于计算所述第一类概率和所述第二类概率之间的乘积以得到加权权重；以及，加权调整单元278，用于以所述加权权重对所述均匀度特征向量中各个位置的特征值进行加权以得到所述校正后均匀度特征向量。
[0088]
具体地，在本技术实施例中，所述控制结果生成模块280，用于将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。也就是，在本技术的技术方案中，进一步地，将所述校正后均匀度特征向量和所述功率特征向量通过分类器就可以获得用于表示所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理的分类结果。
[0089]
更具体地，在本技术实施例中，所述控制结果生成模块，包括：融合单元，用于计算所述校正后均匀度特征向量相对于所述功率特征向量的转移矩阵，其中，所述功率特征向量乘以所述转移矩阵等于所述校正后均匀度特征向量。相应地，在一个具体示例中，以如下公式计算所述校正后均匀度特征向量相对于所述功率特征向量的所述转移矩阵，其中，所述公式为：s＝t*f，其中f表示所述功率特征向量，t表示所述转移矩阵，s表示所述校正后均匀度特征向量。分类单元，用于将所述转移矩阵作为分类特征矩阵通过所述分类器以得到所述分类结果。在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0090]
综上，基于本技术实施例的所述用于生产农药包装桶的智能吹塑机200被阐明，其利用人工智能控制技术，以通过深度神经网络模型对农药包装桶的六视图以及智能吹塑机的出风设备在多个预定时间点的功率值进行深层隐含的特征挖掘，以挖掘出所述农药包装桶的实时内部成型情况，以此来对智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
[0091]
如上所述，根据本技术实施例的用于生产农药包装桶的智能吹塑机200可以实现在各种终端设备中，例如用于生产农药包装桶的智能吹塑机算法的服务器等。在一个示例中，根据本技术实施例的用于生产农药包装桶的智能吹塑机200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于生产农药包装桶的智能吹塑机200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于生产农药包装桶的智能吹塑机200同样可以是该终端设备的众多硬件模块之一。
[0092]
替换地，在另一示例中，该用于生产农药包装桶的智能吹塑机200与该终端设备也可以是分立的设备，并且该用于生产农药包装桶的智能吹塑机200可以通过有线和/或无线
网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0093]
示例性方法
[0094]
图4图示了用于生产农药包装桶的智能吹塑机的控制方法的流程图。如图4所示，根据本技术实施例的用于生产农药包装桶的智能吹塑机的控制方法，包括步骤：s110，获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图；s120，获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值；s130，将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图；s140，计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图；s150，将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量；s160，将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；s170，基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量；以及，s180，将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
[0095]
图5图示了根据本技术实施例的用于生产农药包装桶的智能吹塑机的控制方法的架构示意图。如图5所示，在所述用于生产农药包装桶的智能吹塑机的控制方法的网络架构中，首先，将获得的所述农药包装桶的第一至第六图像(例如，如图5中所示意的p1)分别通过第一卷积神经网络(例如，如图5中所示意的cnn1)以得到第一至第六特征图(例如，如图5中所示意的f1-f6)；接着，计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图(例如，如图5中所示意的fd)，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图(例如，如图5中所示意的fe)；然后，将所述均匀度特征图通过作为过滤器的第二卷积神经网络(例如，如图5中所示意的cnn2)以得到均匀度特征向量(例如，如图5中所示意的vf1)；接着，将获得的所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值(例如，如图5中所示意的p2)通过包含一维卷积层的时序编码器(例如，如图5中所示意的e)以得到功率特征向量(例如，如图5中所示意的vf2)；然后，基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量(例如，如图5中所示意的vf3)；以及，最后，将所述校正后均匀度特征向量和所述功率特征向量通过分类器(例如，如图5中所示意的圈s)以得到分类结果，所述分类结果用于表示所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。
[0096]
更具体地，在步骤s110、步骤s120和步骤s130中，获取由相机采集的吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图，并获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值，再将所述农药包装桶的第一至第六图像分别通过第一卷积神经网络以得到第一至第六特征图。应可以理解，在吹塑过程中，对于吹风口的出风控制是控制农药包装桶的成型精度的关键。理想地，应基于所述农药包装桶内的实时吹塑成型情况来控制控制所述出风口的风速，但是在实际控制过程中，一方面所述农药包装桶的实时内部成型情况难以获取，而另
一方面，所述出风模式与所述农药包装桶的成型壁厚均匀度的影响关系难以通过数学模型来建模。因此，在本技术的技术方案中，通过采集吹塑成型的农药包装桶的六视图来表示所述农药包装桶的成型壁厚均匀度，并使用深度神经网络来挖掘出所述农药包装桶的实时内部成型情况，以基于这种深层的特征信息来对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
[0097]
也就是，具体地，在本技术的技术方案中，首先，通过相机采集吹塑成型的农药包装桶的第一至第六图像，所述第一至第六图像为所述农药包装桶的六视图。并且，在对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行判断控制时，还需要考虑到在此间的各个时间点的功率值。因此，还需要获取所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值。
[0098]
然后，考虑到在图像的特征提取方面，卷积神经网络具有更加优异的表现，因此，使用第一卷积神经网络来对所述农药包装桶的第一至第六图像进行特征挖掘，以提取出所述农药包装桶的第一至第六图像中的局部高维隐含特征，从而得到第一至第六特征图。相应地，在一个具体示例中，使用所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和激活处理以由所述第一卷积神经网络的最后一层分别生成所述第一至第六特征图，其中，所述第一卷积神经网络的第一层的输入分别为所述农药包装桶的第一至第六图像。
[0099]
更具体地，在步骤s140和步骤s150中，计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图，并将所述差分特征图按照样本维度进行排列以得到均匀度特征图，并将所述均匀度特征图通过作为过滤器的第二卷积神经网络以得到均匀度特征向量。应可以理解，由于在所述农药包装桶的六视图中，会存在各个特征重合的区域，也就是重合的特征信息，为了在高维特征提取方面，更加聚焦于这些隐含的关联特征信息，进一步计算所述第一至第六特征图中每两个特征图之间的差分特征图以得到多个差分特征图。
[0100]
然后，将所述差分特征图按照样本维度进行排列，以在样本维度方面整合这些特征图的特征信息，从而得到均匀度特征图。这样，就可以进一步通过使用作为过滤器的第二卷积神经网络来对所述均匀度特征图进行局部隐含特征挖掘，以得到均匀度特征向量。相应地，在一个具体示例中，使用所述第二卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行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的最后一层的输出为所述均匀度特征向量，所述第二卷积神经网络的第一层的输入为所述均匀度特征图。
[0101]
更具体地，在步骤s160中，将所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型的过程中的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。应可以理解，在对所述智能吹塑机的出风设备在吹塑成型过程中的出风模式的合理性进行判断控制时，还需要考虑到在此间的各个时间点的功率值。因此，在本技术的技术方案中，还需要获取智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的多个预定时间点的功率值，并将其通过包含一维卷积层的时序编码器中进行编码处理，以提取出所述智能吹塑机的出风设备在对所述农药包装桶进行吹塑成型过程中的功率
值在时间维度上的特征分布信息，从而得到功率特征向量。
[0102]
更具体地，在步骤s170中，基于所述功率特征向量，对所述均匀度特征向量的特征分布进行校正以得到校正后均匀度特征向量。应可以理解，由于所述均匀度特征向量va是作为数据源的六面视图通过级联的所述第一卷积神经网络和所述第二卷积神经网络进行特征提取，无论从源数据的数据量还是特征提取的语义密度来说，在数据密集程度上都要高于所述功率特征向量v
p
，这就导致所述均匀度特征向量和所述功率特征向量之间具有类概率上的偏差。因此，在本技术的技术方案中，需要对所述均匀度特征向量va进行基于数据密集簇的修正。
[0103]
更具体地，在步骤s180中，将所述校正后均匀度特征向量和所述功率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所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理。也就是，在本技术的技术方案中，进一步地，将所述校正后均匀度特征向量和所述功率特征向量通过分类器就可以获得用于表示所述智能吹塑机的出风设备在吹塑成型过程中的出风模式是否合理的分类结果。
[0104]
综上，基于本技术实施例的所述用于生产农药包装桶的智能吹塑机的控制方法被阐明，其利用人工智能控制技术，以通过深度神经网络模型对农药包装桶的六视图以及智能吹塑机的出风设备在多个预定时间点的功率值进行深层隐含的特征挖掘，以挖掘出所述农药包装桶的实时内部成型情况，以此来对智能吹塑机的出风设备在吹塑成型过程中的出风模式合理性进行分类判断，进而对所述吹塑机进行吹塑控制。
[0105]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0106]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0107]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0108]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0109]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。