CN118037138B - 一种基于计算机视觉的饮料车间生产精细化管理*** - Google Patents
一种基于计算机视觉的饮料车间生产精细化管理*** Download PDFInfo
- Publication number
- CN118037138B CN118037138B CN202410436096.XA CN202410436096A CN118037138B CN 118037138 B CN118037138 B CN 118037138B CN 202410436096 A CN202410436096 A CN 202410436096A CN 118037138 B CN118037138 B CN 118037138B
- Authority
- CN
- China
- Prior art keywords
- point
- production
- curve
- monitoring
- component
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 129
- 235000013361 beverage Nutrition 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000007726 management method Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 21
- 210000001503 joint Anatomy 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000001351 cycling effect Effects 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于计算机视觉的饮料车间生产精细化管理***,属于饮料生产技术领域,用于解决产品质量不稳定的问题,包括阶段分析模块、监测模块和质量管理模块;阶段分析模块用于对饮料各生产阶段进行分析,确定质量监测段,并设置质量监测段对应的阶段标准;监测模块用于进行生产监测,获取质量监测段,根据质量监测段进行相应的监测设备调整;通过调整后的监测设备进行饮料生产监测,获得对应的监测数据;质量管理模块用于对饮料生产进行质量管理,通过基于阶段标准进行质量控制,将会最大程度的实现按照原生产过程进行生产,避免因为大幅调整导致员工难以适应,同时更加便于节约资源,使得生产设备运行在合适范围进行运行。
Description
技术领域
本发明属于饮料生产技术领域,具体是一种基于计算机视觉的饮料车间生产精细化管理***。
背景技术
在饮料生产领域,随着市场竞争的日益激烈和消费者对产品质量和安全性的要求不断提高,传统的饮料生产方式已经难以满足现代生产的需要。传统的饮料生产方式往往存在着生产效率低下、产品质量不稳定、资源浪费和环境污染等问题,这些问题不仅影响了企业的经济效益,也制约了企业的可持续发展。
因此,为了提高饮料生产的效率和质量,降低生产成本和市场风险,本发明提供了一种基于计算机视觉的饮料车间生产精细化管理***,用于解决产品质量不稳定的问题。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于计算机视觉的饮料车间生产精细化管理***。
本发明的目的可以通过以下技术方案实现:
一种基于计算机视觉的饮料车间生产精细化管理***,包括阶段分析模块、监测模块和质量管理模块;
所述阶段分析模块用于对饮料各生产阶段进行分析,确定质量监测段,并设置质量监测段对应的阶段标准。
进一步地,对饮料各生产阶段进行分析的方法包括:
获取饮料的生产数据,根据所述生产数据设置生产周期,基于所述生产周期设置生产时间轴;
识别生产数据中的历史质检数据,根据所述历史质检数据生成各生产阶段对应的组分曲线段,将各所述组分曲线段按照对应生产阶段进行整合,获得各所述生产阶段对应的组分曲线集合;将所述组分曲线集合进行合并,形成所述生产阶段对应的代表曲线;
根据所述组分曲线集合与所述代表曲线计算所述生产阶段的质量差异值;将质量差异值大于阈值X1的生产阶段标记为质量不符段;
识别各质量不符段对应的代表曲线,设置调整模型,调整模型的表达式为;式中:x为输入数据;输出数据为调整值;
通过调整模型对代表曲线进行转化,获得对应的调整曲线,识别调整曲线中调整值为1的线段的持续时间;将持续时间大于阈值X2的持续时间标记为监测时段,将各监测时段进行整合,获得对应的质量监测段。
进一步地,将组分曲线集合进行合并的方法包括:
步骤SA1:根据当前时间设置代表分割线,识别所述代表分割线与各组分曲线段之间的交点,将对应交点标记为时间组分点;
步骤SA2:确定时间组分点中的初始点;识别与初始点距离最小的时间组分点,标记为待合并点;将初始点和待合并点按照预设的合并公式进行合并,获得合并点;
步骤SA3:识别与合并点距离最小的时间组分点,标记为待合并点;将合并点和待合并点按照预设的合并公式进行合并,获得新的合并点;
步骤SA4:循环步骤SA3,直到没有待合并点为止,将合并点标记为当前时间的代表点;
步骤SA5:根据时间顺序循环步骤SA1至步骤SA4,获得各时间对应的代表点,根据各代表点生成代表曲线。
进一步地,基于合并公式进行合并的方法包括:
将对应组分种类标记为i,i=1、2、……、n,n为正整数;将各组分种类数据标记ZFi;
将需要进行合并的两个时间组分点分别标记为第一点和第二点,则对应的组分种类数据分别标记为ZF1i和ZF2i;
识别第一点和第二点对应的量级值;将第一点和第二点对应的量级值分别标记为N1i和N2i;
则根据合并公式计算第一点和第二点合并后对应的组分种类数据;式中:ZF´i为合并后对应的组分种类数据。
进一步地,质量差异值的计算方法包括:
步骤SC1:根据当前时间设置代表分割线,将代表分割线与组分曲线集合中各组分曲线段之间的交点标记为分析点,将代表分割线与代表曲线之间的交点标记为基准点;
步骤SC2:根据公式计算对应分析点与基准点之间的单一值;
式中:CY为单一值,i表示组分种类,i=1、2、……、n,n为正整数;ZFxi表示分析点的组分种类数据;ZFbi表示基准点的组分种类数据;ηi表示对应组分种类的权重系数;
步骤SC3:根据各分析点与基准点之间的单一值设置单一曲线,对单一曲线进行拟合,获得单一曲线函数;将获得的单一曲线函数标记为D(t);
根据公式计算对应的单一差异值;
式中:CArate为单一差异值;T为分析点的数量;
步骤SC4:根据时间顺序循环步骤SC1至步骤SC3,获得各时间对应的单一差异值,将最大的单一差异值标记为质量差异值。
进一步地,设置质量监测段的阶段标准的方法包括:
获取各生产阶段的代表曲线,将各代表曲线整合到生产时间轴中;识别需要进行对接调整的代表曲线,标记为对接曲线;对对接曲线进行调整,获得标准曲线;
识别质量监测段对应的标准曲线,根据相应标准曲线设置对应的阶段标准。
进一步地,根据标准曲线对质量监测段进行优化调整。
所述监测模块用于进行生产监测,获取质量监测段,根据质量监测段进行相应的监测设备调整;通过调整后的监测设备进行饮料生产监测,获得对应的监测数据。
所述质量管理模块用于对饮料生产进行质量管理,实时获取监测数据,根据获得的监测数据生成对应的监测曲线,为监测曲线匹配对应的阶段标准,识别对应的监测评估点和标准点;
确定各校核项,根据校核项对监测评估点进行趋势分析,获得对应的趋势变化值,将校核项标记为j,j=1、2、……、m,m为正整数;将监测评估点和标准点对应的各校核项数据分别标记为HG1j和HG2j;
根据公式计算对应的差分评估值;
式中:Pciorj为差分评估值;f(qj)为趋势修正模型,qj为趋势变化值;
当差分评估值大于阈值X3时,进行相应的控制调整;
当差分评估值不大于阈值X3时,不进行相应操作。
进一步地,趋势修正模型的表达式为:
。
与现有技术相比,本发明的有益效果是:
通过阶段分析模块、监测模块和质量管理模块之间的相互配合,实现饮料车间生产的精细化管理;通过设置阶段分析模块,实现对饮料车间生产饮料的全面分析,精准了解生产的历史生产数据,便于基于实际生产条件进行监测规划和生产质量控制,为后续的生产监测和生产质量偏差控制提供数据支持;通过基于阶段标准进行质量控制,将会最大程度的实现按照原生产过程进行生产,避免因为大幅调整导致员工难以适应,同时更加便于节约资源,使得生产设备运行在合适范围进行运行。
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的介绍,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。
图1为本发明原理框图。
具体实施方式
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他实施例,都属于本发明保护的范围。
如图1所示,一种基于计算机视觉的饮料车间生产精细化管理***,包括阶段分析模块、监测模块和质量管理模块;
所述阶段分析模块用于对饮料车间中饮料生产的各阶段进行分析,确定质量监测段,并设置质量监测段对应的阶段标准。
具体过程如下:
获取饮料的生产数据,包括生产流程、各生产阶段的历史生产检测数据、相关设备等数据;根据生产数据设置该饮料的生产周期,即一瓶饮料从生产到完成的一个过程时间;因为根据生产数据的差异性,可能导致同一饮料在某些情况下生产周期具有差异,因此设置的生产周期可以是设计周期、数学统计的生产周期,如平均数、众数等数学统计方式获得的生产周期;根据生产周期设置生产时间轴,在生产时间轴中标记各生产阶段。
识别生产数据中该饮料的历史质检数据,根据历史质检数据生成各生产阶段对应的组分曲线段,组分曲线段即一个质检数据对应的该生产阶段内饮料组分生产变化曲线,根据各组分的变化进行设置;即因为大量的历史质检数据将会使得一个生产阶段具有大量的组分曲线段;将属于同一生产阶段的各组分曲线段整合到同一幅图中,形成该生产阶段的组分曲线集合;将组分曲线集合进行合并,形成该生产阶段的代表曲线;
根据组分曲线集合与代表曲线计算该生产阶段的质量差异值;将质量差异值大于阈值X1的生产阶段标记为质量不符段;阈值X1为一个预设的质量差异值,用于衡量本饮料生产中该生产阶段是否需要进行质量差异监控,可以通过根据用户需求进行验证调试,使其达到用户需求。
识别各质量不符段对应的代表曲线,根据用户实际需求,设置组分稳定范围,即组分变化率范围,将位于该范围内的组分变化率视为符合要求,如常见的0-0.1之间,或者就是趋向于0,具体的需要根据用户需求和监测设备的监测能力进行设置;设置调整模型,调整模型的表达式为;式中:x为输入数据,即代表曲线中对应坐标点对应的组分变化率,1或0为调整值;通过调整模型对代表曲线进行转化,获得对应的调整曲线,识别调整曲线中调整值为1的线段的持续时间;将持续时间大于阈值X2的持续时间标记为监测时段,将各监测时段进行整合,获得对应的质量监测段。
其中,将组分曲线集合进行合并的方法包括:
步骤SA1:根据当前时间设置代表分割线,即在该时间处设置垂直线,该垂直线即为代表分割线,代表分割线与各组分曲线段进行相交,对应交点即为该组分曲线段在该时间处的组分数据,将对应交点标记为时间组分点;
步骤SA2:确定时间组分点中初始点,初始点即为时间组分点分布密度最大处且位于中心处的时间组分点,可以允许具有一定的误差;识别与初始点距离最小的时间组分点,标记为待合并点;将初始点和待合并点基于预设的合并公式进行合并,获得合并点;
合并点的合并公式为:
将对应组分种类标记为i,i=1、2、……、n,n为正整数;则各组分种类的数据标记ZFi;
将需要进行合并的两个时间组分点分别标记为第一点和第二点,则对应的组分种类数据标记为ZF1i和ZF2i;
识别第一点和第二点对应的量级值,即第一点或第二点对应的时间组分点数量,合并点即为合并的时间组分点的数量之和,待合并点即为该点相同的数量,后续直接将该相同的各点一起合并;将第一点和第二点对应的量级值分别标记为N1i和N2i;
则根据合并公式计算第一点和第二点合并后对应的组分种类数据;ZF´i为合并后对应的组分种类数据。
步骤SA3:识别与合并点距离最小的时间组分点,标记为待合并点;将合并点和待合并点基于预设的合并公式进行合并,获得新的合并点;
步骤SA4:循环步骤SA3,直到没有待合并点为止,即没有时间组分点了;将合并点标记为当前时间的代表点;
步骤SA5:根据时间顺序循环步骤SA1至步骤SA4,获得若干个代表点,根据各代表点生成代表曲线。
根据组分曲线集合与代表曲线计算该生产阶段的质量差异值的方法包括:
步骤SC1:根据当前时间设置代表分割线,与步骤SA1中的相同,将代表分割线与组分曲线集合中各组分曲线段之间的交点标记为分析点,将代表分割线与代表曲线之间的交点标记为基准点;
步骤SC2:由工作人员设置各生产阶段各组分种类对应的权重系数,权重系数之和并不一定等于1,如某生产阶段对于饮料质量的影响很小,该生产阶段内的各组分种类的权重系数之和将会小于1,某些情况下还可能远小于1;即根据该组分种类在该生产阶段的差异对饮料质量的影响大小进行设置,也可以根据现有结论数据或专家论证进行设置;
根据公式计算对应分析点与基准点之间的单一值;式中:CY为单一值,i表示组分种类,i=1、2、……、n,n为正整数;ZFxi表示分析点的组分种类数据;ZFbi表示基准点的组分种类数据;ηi表示对应组分种类的权重系数;
步骤SC3:根据各分析点与基准点之间的单一值设置单一曲线,即以单一值为竖轴,以各分析点的代表值为横轴,即最近的分析点为1,其次为2,依此类推,若相同最近的分析点具有多个,如2个,一个为1,另一个为2;将横轴用t表示,横轴最大为具有的分析点数量,将具有的分析点的数量总和标记为T;对单一曲线进行拟合,获得单一曲线函数;将获得的单一曲线函数标记为D(t);
根据公式计算对应的单一差异值;式中:CArate为单一差异值;
步骤SC4:根据时间顺序循环步骤SC1至步骤SC3,获得各时间对应的单一差异值,将最大的单一差异值标记为质量差异值。
设置质量监测段的阶段标准的方法包括:
获取各生产阶段的代表曲线,将各代表曲线整合到生产时间轴中;识别需要进行对接调整的代表曲线,标记为对接曲线;即对应曲线按照常识需要对接连接的无法连接或者对应交接处不符合要求;对对接曲线进行调整,按照时间顺序、生产阶段进行逐一调整,获得标准曲线;具体调整方式为结合代表点的设置进行调整,在对接处识别两个曲线对应的各历史时间组分点,按照代表点的设置方式设置代表点,即后续两个曲线的对接点,再根据对接点对对接曲线进行同步调整,使其相邻的组分变化符合实际生产要求,因为仅调整一个点是不符合生产要求的,因为会有组分突变,需要根据前后组分变化要求进行对接曲线调整;使其在生产中能够正常实现;具体的还可以按照上述步骤建立对应的训练集,进而基于神经网络建立对应的智能模型,通过智能模型进行智能调整;如创建样本数据集,样本数据集包括素材样本和人工标注样本集,素材样本为对接曲线相关的原始图片集,人工标注样本集为对原始图片进行格式转换、人工标注调整处理后的图片集,样本数据集中素材样本和人工标注样本集比例为2:1;对人工标注样本集中的图片进行二值化处理,并以单通道形式进行保存,将照片样本集和人工标注样本集按照比例进行切分,形成第二照片样本集和第二人工标注样本集;在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型,设置Linknet网络模型的参数,将第二照片样本集和第二人工标注样本集输入Linknet网络模型,并基于Pytorch深度学习框架对Linknet网络模型进行训练,训练过程中保存多个模型,利用验证集数据选择误差最小的模型作为曲线调整的智能模型。
识别质量监测段对应的标准曲线,根据相应标准曲线设置对应的阶段标准。
在一个实施例中,因为进行了对接曲线调整,会导致基于代表曲线设置的质量监测段具有误差,因此在本实施例中,根据标准曲线对质量监测段进行优化调整,为循环调整过程,直到精度符合要求为止。
通过设置阶段分析模块,实现对饮料车间生产饮料的全面分析,精准了解生产的历史生产数据,便于基于实际生产条件进行监测规划和生产质量控制,为后续的生产监测和生产质量偏差控制提供数据支持;通过阶段标准进行质量控制,将会最大程度的实现按照原生产过程进行生产,避免因为大幅调整导致员工难以适应,同时更加便于节约资源,使得生产设备运行在合适范围进行运行。
所述监测模块用于进行生产监测,获取质量监测段,根据质量监测段进行相应的监测设备调整,如计算机图像设备、光谱设备、温度设备等相关监测设备,即将对应的监测设备调整到在相应的质量监测段进行监测,如位置调整、设备更换、设置调整等相关调整;使其能够在质量监测段内进行生产监测;通过调整后的监测设备进行饮料生产监测,获得对应的监测数据。
所述质量管理模块用于对饮料生产进行质量管理,实时获取监测数据,根据获得的监测数据生成对应的监测曲线,即根据监测的组分数据在对应的监测时段生成对应的组分曲线;
为监测曲线匹配对应的阶段标准,将监测曲线中当前时刻的曲线点标记为监测评估点,将监测评估点与阶段标准进行匹配,获得对应的标准点,即对应时刻的阶段标准中的曲线点;
对监测评估点进行趋势分析,获得对应的趋势变化值,即根据监测曲线分析监测评估点接下来的变化情况,可以利用现有的各种曲线趋势分析模型进行分析,也可以利用前期获得的大量组分曲线段进行分析,根据相似度算法等匹配最接近的参照曲线,根据参照曲线确定对应的取值变化值,以预设单位时间进行计算;
将监测评估点和标准点中对应比较评估的数据项标记为校核项,即对应的组分类别等数据;将校核项标记为j,j=1、2、……、m,m为正整数;将监测评估点和标准点对应的各校核项数据分别标记为HG1j和HG2j;
根据公式计算对应的差分评估值;
式中:Pciorj为差分评估值;f(qj)为趋势修正模型,qj为趋势变化值;趋势修正模型的表达式为:
当差分评估值大于阈值X3时,进行对应校核项数据的调整,如对应校核项增大或调小,可以预设不同差分评估值对应的调整值,后续根据直接匹配即可,也可以应用其他现有技术进行调整;
当差分评估值不大于阈值X3时,不进行相应操作。
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。
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。
Claims (6)
1.一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,包括阶段分析模块、监测模块和质量管理模块;
所述阶段分析模块用于对饮料各生产阶段进行分析,确定质量监测段,并设置质量监测段对应的阶段标准;
所述监测模块用于进行生产监测,获取质量监测段,根据质量监测段进行相应的监测设备调整;通过调整后的监测设备进行饮料生产监测,获得对应的监测数据;
所述质量管理模块用于对饮料生产进行质量管理,实时获取监测数据,根据获得的监测数据生成对应的监测曲线,为监测曲线匹配对应的阶段标准,识别对应的监测评估点和标准点;
确定各校核项,根据校核项对监测评估点进行趋势分析,获得对应的趋势变化值,将校核项标记为j,j=1、2、……、m,m为正整数;将监测评估点和标准点对应的各校核项数据分别标记为HG1j和HG2j;
根据公式计算对应的差分评估值;
式中:Pciorj为差分评估值;f(qj)为趋势修正模型,qj为趋势变化值;
当差分评估值大于阈值X3时,进行相应的控制调整;
当差分评估值不大于阈值X3时,不进行相应操作;
对饮料各生产阶段进行分析的方法包括:
获取饮料的生产数据,根据所述生产数据设置生产周期,基于所述生产周期设置生产时间轴;
识别生产数据中的历史质检数据,根据所述历史质检数据生成各生产阶段对应的组分曲线段,将各所述组分曲线段按照对应生产阶段进行整合,获得各所述生产阶段对应的组分曲线集合;将所述组分曲线集合进行合并,形成所述生产阶段对应的代表曲线;
根据所述组分曲线集合与所述代表曲线计算所述生产阶段的质量差异值;将质量差异值大于阈值X1的生产阶段标记为质量不符段;
识别各质量不符段对应的代表曲线,设置调整模型,调整模型的表达式为;式中:x为输入数据;输出数据为调整值;
通过调整模型对代表曲线进行转化,获得对应的调整曲线,识别调整曲线中调整值为1的线段的持续时间;将持续时间大于阈值X2的持续时间标记为监测时段,将各监测时段进行整合,获得对应的质量监测段;
质量差异值的计算方法包括:
步骤SC1:根据当前时间设置代表分割线,将代表分割线与组分曲线集合中各组分曲线段之间的交点标记为分析点,将代表分割线与代表曲线之间的交点标记为基准点;
步骤SC2:根据公式计算对应分析点与基准点之间的单一值;
式中:CY为单一值,i表示组分种类,i=1、2、……、n,n为正整数;ZFxi表示分析点的组分种类数据;ZFbi表示基准点的组分种类数据;ηi表示对应组分种类的权重系数;
步骤SC3:根据各分析点与基准点之间的单一值设置单一曲线,对单一曲线进行拟合,获得单一曲线函数;将获得的单一曲线函数标记为D(t);
根据公式计算对应的单一差异值;
式中:CArate为单一差异值;T为分析点的数量;
步骤SC4:根据时间顺序循环步骤SC1至步骤SC3,获得各时间对应的单一差异值,将最大的单一差异值标记为质量差异值。
2.根据权利要求1所述的一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,将组分曲线集合进行合并的方法包括:
步骤SA1:根据当前时间设置代表分割线,识别所述代表分割线与各组分曲线段之间的交点,将对应交点标记为时间组分点;
步骤SA2:确定时间组分点中的初始点;识别与初始点距离最小的时间组分点,标记为待合并点;将初始点和待合并点按照预设的合并公式进行合并,获得合并点;
步骤SA3:识别与合并点距离最小的时间组分点,标记为待合并点;将合并点和待合并点按照预设的合并公式进行合并,获得新的合并点;
步骤SA4:循环步骤SA3,直到没有待合并点为止,将合并点标记为当前时间的代表点;
步骤SA5:根据时间顺序循环步骤SA1至步骤SA4,获得各时间对应的代表点,根据各代表点生成代表曲线。
3.根据权利要求2所述的一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,基于合并公式进行合并的方法包括:
将对应组分种类标记为i,i=1、2、……、n,n为正整数;将各组分种类数据标记ZFi;
将需要进行合并的两个时间组分点分别标记为第一点和第二点,则对应的组分种类数据分别标记为ZF1i和ZF2i;
识别第一点和第二点对应的量级值;将第一点和第二点对应的量级值分别标记为N1i和N2i;
则根据合并公式计算第一点和第二点合并后对应的组分种类数据;式中:ZF´i为合并后对应的组分种类数据。
4.根据权利要求3所述的一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,设置质量监测段的阶段标准的方法包括:
获取各生产阶段的代表曲线,将各代表曲线整合到生产时间轴中;识别需要进行对接调整的代表曲线,标记为对接曲线;对对接曲线进行调整,获得标准曲线;
识别质量监测段对应的标准曲线,根据相应标准曲线设置对应的阶段标准。
5.根据权利要求4所述的一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,根据标准曲线对质量监测段进行优化调整。
6.根据权利要求1所述的一种基于计算机视觉的饮料车间生产精细化管理***,其特征在于,趋势修正模型的表达式为:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436096.XA CN118037138B (zh) | 2024-04-11 | 2024-04-11 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410436096.XA CN118037138B (zh) | 2024-04-11 | 2024-04-11 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037138A CN118037138A (zh) | 2024-05-14 |
CN118037138B true CN118037138B (zh) | 2024-06-14 |
Family
ID=90989948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410436096.XA Active CN118037138B (zh) | 2024-04-11 | 2024-04-11 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037138B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783011A (zh) * | 2024-02-26 | 2024-03-29 | 烟台北方安德利果汁股份有限公司 | 一种用于果汁生产线的智能品控*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI121690B (fi) * | 2006-06-01 | 2011-02-28 | Metso Automation Oy | Menetelmä ja järjestelmä paperin- tai sellunvalmistusprosessin suorituskyvyn tarkkailemiseksi |
RU2443001C1 (ru) * | 2010-08-05 | 2012-02-20 | Сергей Петрович Алексеев | Способ сбора информации об экологическом состоянии региона и автоматизированная система аварийного и экологического мониторинга окружающей среды региона |
US20210311011A1 (en) * | 2018-10-30 | 2021-10-07 | Teakorigin Inc. | Techniques for scoring food specimens, and related methods and apparatus |
CN110458975B (zh) * | 2019-07-12 | 2021-12-03 | 长安大学 | 一种沥青混合料拌和过程监测***及方法 |
CN115758862B (zh) * | 2022-10-18 | 2023-05-30 | 深圳思谋信息科技有限公司 | 设备校准方法、装置、计算机设备及计算机可读存储介质 |
-
2024
- 2024-04-11 CN CN202410436096.XA patent/CN118037138B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783011A (zh) * | 2024-02-26 | 2024-03-29 | 烟台北方安德利果汁股份有限公司 | 一种用于果汁生产线的智能品控*** |
Also Published As
Publication number | Publication date |
---|---|
CN118037138A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362894B (zh) | 配电线路、变压器综合降损及节能计算分析方法及*** | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
CN111242363A (zh) | 一种基于机器学习的pcb板订单合拼与排版预测方法及*** | |
CN105260835A (zh) | 多来源业务大数据的建模、分析、自我优化的方法 | |
CN111553114A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、***及介质 | |
CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
CN116956189A (zh) | 一种电流异常检测***、方法、电子设备及介质 | |
CN113593004A (zh) | 一种定制化三维模型空间装修组合设计方案的方法及*** | |
CN117783011B (zh) | 一种用于果汁生产线的智能品控*** | |
CN115269958A (zh) | 互联网可靠性数据信息采集分析*** | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及*** | |
CN118037138B (zh) | 一种基于计算机视觉的饮料车间生产精细化管理*** | |
CN115987692B (zh) | 一种基于流量回溯分析的安全防护***及方法 | |
CN116894639A (zh) | 一种物联网多信息融合计划管理***及方法 | |
CN114676931A (zh) | 一种基于数据中台技术的电量预测*** | |
CN117798654B (zh) | 汽轮机轴系中心智能调整*** | |
CN115935533B (zh) | 基于参数的产品智能设计*** | |
CN114266953B (zh) | 一种基于深度学习的目标检测流程自优化方法 | |
CN117408049B (zh) | 一种基于3d视觉的打磨路径规划方法 | |
CN113641396B (zh) | 批量修改参数化模型的方法和装置 | |
CN115525959B (zh) | 基于大数据分析和云计算的工程造价数据分析方法及平台 | |
CN114880215B (zh) | 一种面向众包***的测试用例自动生成的方法 |
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 |