CN114943701B - 用于热收缩管的造粒设备智能控制*** - Google Patents
用于热收缩管的造粒设备智能控制*** Download PDFInfo
- Publication number
- CN114943701B CN114943701B CN202210547542.5A CN202210547542A CN114943701B CN 114943701 B CN114943701 B CN 114943701B CN 202210547542 A CN202210547542 A CN 202210547542A CN 114943701 B CN114943701 B CN 114943701B
- Authority
- CN
- China
- Prior art keywords
- particles
- particle
- type
- image
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002245 particle Substances 0.000 claims abstract description 229
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000005469 granulation Methods 0.000 claims abstract description 42
- 230000003179 granulation Effects 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000003247 decreasing effect Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000008187 granular material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005453 pelletization Methods 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 40
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000001125 extrusion Methods 0.000 description 9
- 239000008188 pellet Substances 0.000 description 9
- 238000005563 spheronization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005536 corrosion prevention Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000006911 nucleation Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 229920000098 polyolefin Polymers 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000012798 spherical particle Substances 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 239000004594 Masterbatch (MB) Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Processing And Handling Of Plastics And Other Materials For Molding In General (AREA)
Abstract
本发明公开了一种用于热收缩管的造粒设备智能控制***，涉及人工智能领域。主要包括：图像采集装置，用于采集完成造粒后的表面灰度图像；图像处理装置，用于分别获得表面灰度图像中的各粒子；粒子分类模块，用于根据粒径将各粒子分为第一类粒子、第二类粒子以及第三类粒子；转速优化调节模块，用于确定调节后的转速；载物量优化调节模块，用于确定对滚筒中载物量进行增加或减少，并确定增加或减少后的载物量；迭代模块，用于进行迭代直至对载物量进行调节前后的载物量的变化小于或等于预设第一阈值，停止迭代并以当前转速以及当前载物量进行造粒。本发明实施例能够对热收缩管的造粒设备进行智能控制，从而减少造粒过程的耗时。
Description
技术领域
本申请涉及人工智能领域，具体涉及一种用于热收缩管的造粒设备智能控制***。
背景技术
热缩管是一种特制的聚烯烃材质热收缩套管，其具有高温收缩、柔软阻燃、绝缘防蚀功能。广泛应用于各种线束、焊点、电感的绝缘保护，金属管、棒的防锈、防蚀等。热缩管的生产包括造粒、挤出、辐照和扩张等过程，其中，造粒是热缩管生产过程中的第一道工序，在造粒过程中，可以按照预定的比例将不同生产原料进行混合，并通过造粒过程获得生产热缩管所需的粒子。
热缩管生产过程中常用的造粒方法之一为挤出滚圆造粒法，挤出滚圆造粒方法过程可以包括：将湿团状药物通过筛板挤成条状物，并将条状物切断形成棒状小粒，以使得棒状小粒在具有一定速度的离心盘中滚成圆球状粒子。然而在挤出滚圆造粒过程中，在离心盘中所加入的棒状小粒的质量或数量不当，或者离心盘的速度不匹配，都使得为获得满足要求的粒子所需要的造粒过程耗时较长。
因此，亟需一种对热收缩管的造粒设备进行智能控制的***，使得造粒过程中离心盘以合适的速度对合适的载物量的棒状小粒进行离心混合，从而在保证造粒效果的情况下减少造粒过程的耗时。
发明内容
针对上述技术问题，本发明实施例提供了一种用于热收缩管的造粒设备智能控制***，能够对热收缩管的造粒设备进行智能控制，使得造粒过程中离心盘以合适的速度对合适的载物量的棒状小粒进行离心混合，从而在保证造粒效果的情况下减少造粒过程的耗时。
本发明实施例提出了一种用于热收缩管的造粒设备智能控制***，包括：
图像采集装置，用于采集在当前转速以及当前载物量下完成造粒后的表面灰度图像。
图像处理装置，用于对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子。
粒子分类模块，用于根据粒径将表面灰度图像中的各粒子分为第一类粒子、第二类粒子以及第三类粒子，并将第三类粒子的占比作为得粒率；所述第一类粒子为粒径小于或等于预设第一粒径的粒子，所述第二类粒子为粒径大于或等于预设第二粒径的粒子，所述第三类粒子为粒径大于预设第一粒径且小于预设第二粒径的粒子。
转速优化调节模块，用于根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速。
载物量优化调节模块，用于根据第二类粒子中是否存在粒径大于预设第三粒径的粒子，确定对滚筒中载物量进行增加或减少，并根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量。
迭代模块，用于进行迭代直至对载物量进行调节前后的载物量的变化小于或等于预设第一阈值，停止迭代并以当前转速以及当前载物量进行造粒；所述迭代包括：依次调用图像采集装置、图像处理模块、粒子分类模块、转速优化调节模块以及载物量优化调节模块。
进一步的，一种用于热收缩管的造粒设备智能控制***中，转速优化调节模块中根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速，包括：
其中，n′为调节后的转速，n为当前转速，A为第一类粒子的数量，B为第二类粒子的数量，sign()为符号函数， 为预设第一参数，P为得粒率， />为预设第二参数， />为预设第一步长。
根据权利要求1所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，载物量优化调节模块中，根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量，包括：
为调节后的载物量， />为当前载物量， />为第二类粒子中粒径大于预设第三粒径的粒子的数量， />为预设第二步长， />为预设第三参数， />为预设第四参数， />为得粒率。
进一步的，一种用于热收缩管的造粒设备智能控制***中，转速优化调节模块还用于根据得粒率、第一类粒子的数量以及第二类粒子的数量，确定是否对当前转速进行调节，包括：
其中表示对当前转速进行调整的必要性， />为第一类粒子的数量，/>为第二类粒子的数量， />为预设第五参数， />为预设第六参数，且 />。
在 大于或等于预设第二阈值的情况下，需要对转速进行调整，否则，不需要对转速进行调节。
进一步的，一种用于热收缩管的造粒设备智能控制***中，图像处理装置中对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子，包括：
对表面灰度图像进行图像分割，使图像分割结果中粒子以外部分的像素点的像素值为0；
对图像分割结果进行形态学开运算。
将开运算结果中各闭合连通域分别作为各粒子。
进一步的，一种用于热收缩管的造粒设备智能控制***中，对表面灰度图像进行图像分割是通过DNN实现的。
进一步的，一种用于热收缩管的造粒设备智能控制***中，图像处理装置中对表面灰度图像进行预处理分别获得表面灰度图像中存在的各粒子前，还包括：对表面灰度图像进行中值滤波去噪。
本发明实施例提供了一种用于热收缩管的造粒设备智能控制***，相比于现有技术，本发明实施例的有益效果在于：能够对热收缩管的造粒设备进行智能控制，使得造粒过程中离心盘以合适的速度对合适的载物量的棒状小粒进行离心混合，从而在保证造粒效果的情况下减少造粒过程的耗时。
附图说明
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于热收缩管的造粒设备智能控制***的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
热缩管是一种特制的聚烯烃材质热收缩套管，其具有高温收缩、柔软阻燃、绝缘防蚀功能。广泛应用于各种线束、焊点、电感的绝缘保护，金属管、棒的防锈、防蚀等。热缩管的生产包括造粒、挤出、辐照和扩张等过程，其中，造粒是热缩管生产过程中的第一道工序，在造粒过程中，可以按照预定的比例将不同生产原料进行混合，并通过造粒过程获得生产热缩管所需的粒子。
热缩管生产过程中常用的造粒方法之一为挤出滚圆造粒法，挤出滚圆造粒方法过程可以包括：将湿团状药物通过筛板挤成条状物，并将条状物切断形成棒状小粒，以使得棒状小粒在具有一定速度的离心盘中滚成圆球状粒子。
需要说明的是，造粒过程一般可被分为润湿成核生长碰撞和破碎磨损三个不同的阶段。润湿成核阶段是在液滴分散到粉料后，被粉料包裹成核的初始阶段；生长碰撞阶段是这些初步成核的小颗粒的被搅拌过程中逐步聚集的过程；破碎磨损阶段是颗粒生长到过大或干裂的时破碎的阶段。
具体的，在造粒过程中，颗粒不停地与其他颗粒和器壁进行碰撞，颗粒的体积和孔隙率由于挤压的碰撞而减小，内部的空气被压出，同时液态粘结剂也被挤到颗粒的表面。颗粒在生长过程中，同时具有压缩和膨胀两种现象，最终在相互撞击下就出现了膨胀趋势和聚集趋势的热力学平衡，从而形成颗粒即粒子的最终形态。
然而，在挤出滚圆造粒过程中，在离心盘中加入所加入的棒状小粒的质量或数量不当，或者离心盘的速度不匹配都使得为获得满足要求的粒子，所需要的造粒过程耗时较长。
因此，需要对热收缩管的造粒设备进行智能控制，使得造粒过程中离心盘以合适的速度对合适的载物量的棒状小粒进行离心混合，从而在保证造粒效果的情况下提高造粒过程的效率。
本发明实施例提供了一种用于热收缩管的造粒设备智能控制***，如图1所示，包括：
图像采集装置，其用于采集在当前转速以及当前载物量下完成造粒后的表面灰度图像。
图像处理装置，其用于对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子。
粒子分类模块，用于根据粒径将表面灰度图像中的各粒子分为第一类粒子、第二类粒子以及第三类粒子，并将第三类粒子的占比作为得粒率，第一类粒子为粒径小于或等于预设第一粒径的粒子，第二类粒子为粒径大于或等于预设第二粒径的粒子，第三类粒子为粒径大于预设第一粒径且小于预设第二粒径的粒子。
转速优化调节模块，用于根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速。
载物量优化调节模块，用于根据第二类粒子中是否存在粒径大于预设第三粒径的粒子，确定对滚筒中载物量进行增加或减少，并根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量。
迭代模块，用于进行迭代直至对载物量进行调节前后的载物量的变化小于或等于预设第一阈值，停止迭代并以当前转速以及当前载物量进行造粒；迭代包括：依次调用图像采集装置、图像处理模块、粒子分类模块、转速优化调节模块以及载物量优化调节模块。
本发明实施例所针对的情景为：在造粒的生产过程中，首先通过混合装置将母料混合并挤压成条状，再通过切割成棒状小粒，最后通过离心盘将棒状小粒滚成球状圆粒。通过计算机视觉技术获得粒子的粒径以及粒径分布，并根据粒径分布，对造粒过程中离心盘的速度以及其中的载物量进行智能化控制，以提高造粒过程的效率。
进一步的，图像采集装置，用于采集在当前转速以及当前载物量下完成造粒后的表面灰度图像。
可以在造粒成品出口利用图像采集设备，拍摄完成造粒后的表面图像，并将表面图像转化为表面灰度图像，其中表面灰度图像为表面图像经过灰度化后得到的图像。
进一步的，图像处理装置用于对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子。
预处理的过程可以包括：对表面灰度图像进行图像分割，使图像分割结果中粒子以外部分的像素点的像素值为0；对图像分割结果进行形态学开运算；最后将开运算结果中各闭合连通域分别作为各粒子。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
作为一个示例，本发明实施例中利用DNN(Deep Neural Networks，深度神经网络)进行图像分割。具体的，该DNN网络的相关内容如下：所使用的数据集为包含造粒成品的图像集；需要分割的像素共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于粒子的标注为1；由于网络的任务是分类，所以使用的损失函数为交叉熵损失函数。
需要说明的是，开运算是图像处理中的一种方法，用来消除小物体、在纤细点处分离的物体、平滑较大物体的边界的同时并不明显改变其面积。
可选的，对表面灰度图像进行预处理分别获得表面灰度图像中存在的各粒子前，还可以对表面灰度图像进行中值滤波去噪。如此，能够有效去除表面灰度图像中可能存在的噪声。
图像去噪是指减少图像中造成的过程。现实中的图像会受到各种因素的影响而含有一定的噪声，噪声主要包括：椒盐噪声、加性噪声、乘性噪声以及高斯噪声。
图像去噪的算法有很多，有基于偏微分热传导方程的，也有基于滤波的，其中基于滤波的以其速度快、算法成熟，因此使用较为广泛，常用的滤波去噪算法包括：中值滤波、均值滤波以及高斯滤波。
其中，中值滤波是通过中值滤波器实现滤波去噪的，中值滤波器是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。
进一步的，粒子分类模块，用于根据粒径将表面灰度图像中的各粒子分为第一类粒子、第二类粒子以及第三类粒子，并将第三类粒子的占比作为得粒率。
需要说明的是，本发明实施例中第一类粒子为粒径小于或等于预设第一粒径的粒子，第二类粒子为粒径大于或等于预设第二粒径的粒子，第三类粒子为粒径大于预设第一粒径且小于预设第二粒径的粒子。具体的，本发明实施例中预设第一粒径以及预设第二粒径，均可根据实施者实际所需的粒径范围进行确定。
进一步的，转速优化调节模块，用于根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速。
具体的，调节后的转速的获取过程可以包括：
，其中，/>为调节后的转速， />为当前转速， />为第一类粒子的数量， />为第二类粒子的数量， />为符号函数， />为预设第一参数， />为得粒率， />为预设第二参数， />为预设第一步长。需要说明的是，符号函数其待运算的值为正时，函数取值为1，否则函数取值为-1。
当 大于0时，说明造粒后得到的第二类粒子的数量大于第一类粒子的数量，因此可以将转速增大，从而获得更大的得粒率；相反，可以将转速减小。
可选的，可以根据得粒率、第一类粒子的数量以及第二类粒子的数量，确定是否对当前转速进行调节。
具体的，，其中F表示对当前转速进行调整的必要性，A为第一类粒子的数量，B为第二类粒子的数量，α为预设第五参数，β为预设第六参数，且 />。
在F大于或等于预设第二阈值的情况下，需要对转速进行调整，否则，不需要对转速进行调节。其中，预设第二阈值可以根据实施者实际需求进行确定。如此，通过判断是否需要对转速进行调节，能够使得转速调节过程更为准确。
进一步的，载物量优化调节模块，用于根据第二类粒子中是否存在粒径大于预设第三粒径的粒子，确定对滚筒中载物量进行增加或减少，并根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量。
在滚圆装置内，当粒子数量过少时，粒子之间的相互作用减小，粒子的成型不够，使得完成造粒后得到的粒子中得粒率不高；相反，当粒子数量过多时，粒子在滚圆盘上的滚动速度变小，粒子的成型不够，同样使得完成造粒后得到的粒子中得粒率不高。然而，当进行造粒过程中，同时进行造粒的粒子数量过多时，粒子之间的接触面积增加，粒子间的粘合力增加，会导致粒子团聚形成粒团。
滚圆装置的粒子数量逐渐增加时，得粒率先增加再趋于一段稳定最后再下降。所以，在造粒生产中，需要在保证得粒率的基础上，使得滚圆装置的载物量最大化，从而以提高生产效率。
载物量过多时，粒子聚集形成粒团，在包含粒子的表面灰度图像中，聚成粒团的粒子的图像的表面积或者粒子的粒径会增大，所以，可以根据粒子的粒径或者其在表面灰度图像上的表面积判断是否形成粒团。
同时，根据第二类粒子中是否存在粒径大于预设第三粒径的粒子，确定对滚筒中载物量进行增加或减少，并根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量，包括： ，其中， />为调节后的载物量， />为当前载物量， />为第二类粒子中粒径大于预设第三粒径的粒子的数量， />为预设第二步长， />为预设第三参数， />为预设第四参数， />为得粒率。
进一步的，迭代模块，用于进行迭代直至对载物量进行调节前后的载物量的变化小于或等于预设第一阈值，停止迭代并以当前转速以及当前载物量进行造粒。
需要说明的是，本发明实施例中迭代的过程可以包括：依次调用图像采集装置、图像处理模块、粒子分类模块、转速优化调节模块以及载物量优化调节模块。
由于转速以及载物量对造粒的效果都存在影响，因此在获得调节后的转速时，并不确定载物量的影响，需要在当前获得调节后的载物量的基础上，对转速进行进一步调节，并进行迭代以能够使得造粒过程达到最佳时的转速以及载物量。
需要说明的是，本发明实施例中对于转速以及载物量的调节，都是在进行一次完整的造粒过程以后进行的，即以当前转速以及载物量进行造粒之后，以调节后的转速以及载物量执行下一次造粒，并在确定出能够使得造粒过程最佳时的转速以及载物量之后，以该转速以及载物量执行后续的各造粒过程。
综上所述，本发明实施例提供了一种用于热收缩管的造粒设备智能控制***，能够对热收缩管的造粒设备进行智能控制，使得造粒过程中离心盘以合适的速度对合适的载物量的棒状小粒进行离心混合，从而在保证造粒效果的情况下减少造粒过程的耗时。
本发明中涉及诸如“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。
还需要指出的是，在本发明的方法和***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公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (7)
1.一种用于热收缩管的造粒设备智能控制***，其特征在于，包括：
图像采集装置，用于采集在当前转速以及当前载物量下完成造粒后的表面灰度图像；
图像处理装置，用于对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子；
粒子分类模块，用于根据粒径将表面灰度图像中的各粒子分为第一类粒子、第二类粒子以及第三类粒子，并将第三类粒子的占比作为得粒率；所述第一类粒子为粒径小于或等于预设第一粒径的粒子，所述第二类粒子为粒径大于或等于预设第二粒径的粒子，所述第三类粒子为粒径大于预设第一粒径且小于预设第二粒径的粒子；
转速优化调节模块，用于根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速；
载物量优化调节模块，用于根据第二类粒子中是否存在粒径大于预设第三粒径的粒子，确定对滚筒中载物量进行增加或减少，并根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量；
迭代模块，用于进行迭代直至对载物量进行调节前后的载物量的变化小于或等于预设第一阈值，停止迭代并以当前转速以及当前载物量进行造粒；所述迭代包括：依次调用图像采集装置、图像处理模块、粒子分类模块、转速优化调节模块以及载物量优化调节模块。
2.根据权利要求1所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，转速优化调节模块中，根据得粒率、当前转速、第一类粒子的数量以及第二类粒子的数确定调节后的转速，包括：
其中，n′为调节后的转速，n为当前转速，A为第一类粒子的数量，B为第二类粒子的数量，sign()为符号函数， 为预设第一参数，P为得粒率， />为预设第二参数， />为预设第一步长。
3.根据权利要求1所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，载物量优化调节模块中，根据当前得粒率以及当前载物量，确定对载物量进行增加或减少的量，以确定调节后的载物量，包括：
为调节后的载物量， />为当前载物量， />为第二类粒子中粒径大于预设第三粒径的粒子的数量， />为预设第二步长， />为预设第三参数， />为预设第四参数， />为得粒率。
4.根据权利要求1所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，转速优化调节模块还用于根据得粒率、第一类粒子的数量以及第二类粒子的数量，确定是否对当前转速进行调节，包括：
其中表示对当前转速进行调整的必要性， />为第一类粒子的数量，/>为第二类粒子的数量， />为预设第五参数， />为预设第六参数，且 />；
在 大于或等于预设第二阈值的情况下，需要对转速进行调整，否则，不需要对转速进行调节。
5.根据权利要求1所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，图像处理装置中，对表面灰度图像进行预处理分别获得表面灰度图像中的各粒子，包括：
对表面灰度图像进行图像分割，使图像分割结果中粒子以外部分的像素点的像素值为0；
对图像分割结果进行形态学开运算；
将开运算结果中各闭合连通域分别作为各粒子。
6.根据权利要求5所述的一种用于热收缩管的造粒设备智能控制***，其特征在于，对表面灰度图像进行图像分割是通过DNN实现的。
7.根据权利要求5所述的用于热收缩管的造粒设备智能控制***，其特征在于，图像处理装置中，对表面灰度图像进行预处理分别获得表面灰度图像中存在的各粒子前，还包括：对表面灰度图像进行中值滤波去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547542.5A CN114943701B (zh) | 2022-05-20 | 2022-05-20 | 用于热收缩管的造粒设备智能控制*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210547542.5A CN114943701B (zh) | 2022-05-20 | 2022-05-20 | 用于热收缩管的造粒设备智能控制*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114943701A CN114943701A (zh) | 2022-08-26 |
| CN114943701B true CN114943701B (zh) | 2024-06-14 |
Family
ID=82906637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210547542.5A Active CN114943701B (zh) | 2022-05-20 | 2022-05-20 | 用于热收缩管的造粒设备智能控制*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114943701B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117839547A (zh) * | 2024-01-11 | 2024-04-09 | 山东锦路环保科技有限公司 | 一种环保用炼厂气脱硫剂制备装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751662A (zh) * | 2019-10-17 | 2020-02-04 | 齐鲁工业大学 | 量子行为粒子群优化模糊c均值的图像分割方法及*** |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3182373B1 (en) * | 2015-12-17 | 2019-06-19 | STMicroelectronics S.A. | Improvements in determination of an ego-motion of a video apparatus in a slam type algorithm |
| WO2021109050A1 (zh) * | 2019-12-05 | 2021-06-10 | 惠州光弘科技股份有限公司 | 基于粒子群优化的smt焊点质量控制方法及*** |
-
2022
- 2022-05-20 CN CN202210547542.5A patent/CN114943701B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751662A (zh) * | 2019-10-17 | 2020-02-04 | 齐鲁工业大学 | 量子行为粒子群优化模糊c均值的图像分割方法及*** |
| CN113947821A (zh) * | 2021-12-20 | 2022-01-18 | 南京航空航天大学 | 一种涡轮增压叶片质量控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114943701A (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114943701B (zh) | 用于热收缩管的造粒设备智能控制*** | |
| CN109948553B (zh) | 一种多尺度密集人群计数方法 | |
| CN109934805B (zh) | 一种基于低照度图像和神经网络的水污染检测方法 | |
| CN106845621B (zh) | 基于深度卷积神经网络的密集人群人数计数方法及*** | |
| CN108052880A (zh) | 交通监控场景虚实车道线检测方法 | |
| CN104123721B (zh) | 一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法 | |
| Wan et al. | Spheronization conditions on spheroid shape and size | |
| CN111681253B (zh) | 基于颜色与形态特征的叶片图像分割方法及*** | |
| CN106447674B (zh) | 一种视频的背景去除方法 | |
| EP1022682A3 (en) | Color clustering for scene change detection and object tracking in video sequences | |
| CN110363727B (zh) | 基于多尺度暗通道先验级联深度神经网络的图像去雾方法 | |
| CN112419397B (zh) | 一种基于图像和深度神经网络的矿石粒度分级方法及*** | |
| CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| Hunderi et al. | Computer simulation of stagnation in grain growth | |
| CN107908624A (zh) | 一种基于全覆盖粒计算的K‑medoids文本聚类方法 | |
| CN115294106B (zh) | 一种乳胶溶液中颗粒的均匀度检测方法 | |
| CN114494305A (zh) | 一种球团生球粒径在线检测方法及*** | |
| CN108489872B (zh) | 在线粒度监测方法和*** | |
| CN112419163B (zh) | 一种基于先验知识和深度学习的单张图像弱监督去雾方法 | |
| CN108763584B (zh) | 一种风功率曲线散点过滤的方法及其*** | |
| CN117428199B (zh) | 一种合金粉末雾化装置及雾化方法 | |
| CN108898561A (zh) | 一种含天空区域雾天图像的去雾方法、服务器及*** | |
| CN108900804B (zh) | 一种基于视频熵的自适应视频流处理方法 | |
| CN115436238B (zh) | 一种高炉原燃料颗粒度在线检测方法和*** | |
| CN104749072B (zh) | 一种自动生成多边形门的方法、装置及相应的粒子分析仪 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |