一次性纸杯生产设备及其方法与流程

1.本技术涉及智能生产领域，且更为具体的涉及一种一次性纸杯生产设备及其方法。


背景技术：

2.一次性纸杯生产设备包含原纸处理模块、成型模块、涂膜模块、内模冲床模块、印刷模块和包装模块。在成型模块中，纸杯成型的形状和质量都受到温度的影响。如果温度不恰当，会导致纸杯过于脆弱或者形状不稳定，影响到产品的使用效果。同时，一次性纸杯生产过程中温度的变化是随时发生的。此外，由于纸张的厚度和形状不同，每个纸杯的加热时间和温度需求也可能会不同。
3.通过人工智能实现对温度的自适应控制可以根据实际情况对温度进行动态调整，确保生产出高质量、稳定的产品。这些因素都需要通过自适应控制来解决。自适应控制通常利用传感器和计算机等技术手段，可以实时获取设备各部分的温度信息，并根据实际情况进行精确调整。例如，如果检测到纸张温度过低，系统就会自动增加加热器的功率来提高温度。反之，如果纸张温度过高，系统会降低加热功率以减少温度。
4.因此，期待一种优化的一次性纸杯生产设备，其能够基于纸杯的状态特征和加热温度之间的关系，来自适应地调节加热温度，保证生产出高品质的产品，并提高设备的生产效率。


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一次性纸杯生产设备及其方法，其能够基于一次性纸杯的状态特征和不同时间跨度内不同数量的加热温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯状态变化特征的分类特征表示。这样，一次性纸杯生产设备通过基于分类特征自适应控制温度，保证生产出高品质的产品，并提高设备的生产效率。
6.根据本技术的一个方面，提供了一种一次性纸杯生产设备，其包括：
7.数据获取模块，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；
8.采样模块，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；
9.深浅特征编码模块，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；
10.三维卷积编码模块，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；
11.多尺度编码模块，用于将所述多个预定时间点的加热温度值按照时间维度排列为
加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；
12.响应性估计模块，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及
13.检测结果生成模块，用于将所述分类特征矩阵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的加热温度应增大或应减小。
14.在上述的一次性纸杯生产设备中，所述采样模块，用于：以预定采样频率从所述预定时间段的一次性纸杯监控视频中提取所述多个一次性纸杯监控关键帧。
15.在上述的一次性纸杯生产设备中，所述深浅特征编码模块，包括：
16.浅层特征提取单元，用于从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；
17.深层特征提取单元，用于从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；
18.融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及
19.降维单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述一次性纸杯监控特征矩阵。
20.在上述的一次性纸杯生产设备中，所述三维卷积编码模块，包括：
21.编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到一次性纸杯状态变化特征图；以及
22.降维单元，用于对所述一次性纸杯状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述一次性纸杯状态变化特征向量。
23.在上述的一次性纸杯生产设备中，所述三维卷积编码模块，用于：
24.使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
25.基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
26.对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及
27.对所述池化特征图进行非线性激活以得到激活特征图；
28.其中，所述第二卷积神经网络模型的最后一层的输出为所述一次性纸杯状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
29.在上述的一次性纸杯生产设备中，所述多尺度编码模块，包括：
30.第一尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度加热温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
31.第二尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
32.类概率联合单元，用于对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特
征向量。
33.在上述的一次性纸杯生产设备中，所述多尺度编码模块，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第一尺度加热温度特征向量；
34.其中，所述第一卷积公式为：
[0035][0036]
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表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理；
[0037]
所述将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第二尺度加热温度特征向量；
[0038]
其中，所述第二卷积公式为：
[0039][0040]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理。
[0041]
在上述的一次性纸杯生产设备中，所述类概率联合单元，包括：
[0042]
协方差子单元，用于计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的协方差矩阵；
[0043]
分解子单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；
[0044]
主特征提取子单元，用于从所述多个特征向量中提取前两个特征值对应的特征向量以得到第一主特征向量和第二主特征向量；
[0045]
预分类子单元，用于将所述第一主特征向量和所述第二主特征向量分别通过预分类器以得到第一概率值和第二概率值；以及，
[0046]
按位加权子单元，用于以所述第一概率值和所述第二概率值作为权重，计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量的按位置加权和以得到加热温度特征向量。
[0047]
在上述的一次性纸杯生产设备中，所述响应性估计模块，用于：
[0048]
以如下响应性估计公式计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；
[0049]
其中，所述响应性估计公式为：
[0050]
[0051]
其中va表示所述一次性纸杯状态变化特征向量，vb表示所述加热温度特征向量，m表示所述分类特征矩阵，表示矩阵相乘。
[0052]
在上述的一次性纸杯生产设备中，所述检测结果生成模块，用于：
[0053]
将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；
[0054]
使用所述分类器的全连接层对所述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
[0055]
将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0056]
根据本技术的另一方面，还提供了一种一次性纸杯生产方法，其包括：
[0057]
获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；
[0058]
从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；
[0059]
将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；
[0060]
将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；
[0061]
将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；
[0062]
计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及
[0063]
将所述分类特征矩阵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的加热温度应增大或应减小。
[0064]
与现有技术相比，本技术提供的一次性纸杯生产方法，其能够基于一次性纸杯的状态特征和不同时间跨度内不同数量的加热温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯状态变化特征的分类特征表示。这样，一次性纸杯生产设备通过基于分类特征自适应控制温度，保证生产出高品质的产品，并提高设备的生产效率。
附图说明
[0065]
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。
[0066]
图1为根据本技术实施例的一次性纸杯生产设备的应用场景图。
[0067]
图2为根据本技术实施例的一次性纸杯生产设备的框图。
[0068]
图3为根据本技术实施例的一次性纸杯生产设备的架构图。
[0069]
图4为根据本技术实施例的一次性纸杯生产方法中深浅特征编码模块的框图。
[0070]
图5为根据本技术实施例的一次性纸杯生产方法中深浅融合模块的框图。
[0071]
图6为根据本技术实施例的一次性纸杯生产方法中类概率联合单元的框图。
[0072]
图7为根据本技术实施例的一次性纸杯生产方法的流程图。
[0073]
图8为根据本技术实施例的电子设备的框图。
具体实施方式
[0074]
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。
[0075]
申请概述
[0076]
如上所述，在成型模块中，纸杯成型的形状和质量都受到温度的影响。如果温度不恰当，会导致纸杯过于脆弱或者形状不稳定，影响到产品的使用效果。同时，一次性纸杯生产过程中温度的变化是随时发生的。此外，由于纸张的厚度和形状不同，每个纸杯的加热时间和温度需求也可能会不同。因此，期待一种优化的一次性纸杯生产设备，其能够基于纸杯的状态特征和加热温度之间的关系，来自适应地调节加热温度，保证生产出高品质的产品，并提高设备的生产效率。
[0077]
针对上述技术问题，在本技术的技术方案中，期待基于一次性纸杯状态变化以及不同时间跨度内不同加热温度值来自适应地调整一次性纸杯生产设备的加热温度，通过这样的方式，无需人工控制一次性纸杯生产设备的加热温度，且因考虑到了一次性纸杯更多的数据维度和不受场景的局限，因此，本技术提供的一次性纸杯生产设备具有更强的适用性和智能性。
[0078]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0079]
深度学习以及神经网络为一次性纸杯生产设备的构建提供了新的解决思路和方案。
[0080]
具体地，在本技术的技术方案中，首先获取预定时间段的一次性纸杯监控视频以及所述预定时间段内多个预定时间点的加热温度值。应可以理解，一次性纸杯中的温度变化会影响一次性纸杯的状态特征，尤其是颜色特征。特别地，在本技术的技术方案中，随着一次性纸杯生产设备温度的变化，一次性纸杯的状态特征也会有明显的变化，所述一次性纸杯监控视频中一次性纸杯状态特征的变化特征与一次性纸杯生产设备的温度存在复杂的非线性关系。
[0081]
为了捕捉和利用上述隐含关联，在本技术的技术方案中，使用基于深度学习的深度神经网络模型对所述一次性纸杯监控视频进行处理以得到一次性纸杯状态变化特征向量。具体地，考虑到所述一次性纸杯监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的，这会造成信息冗余，给特征提取带来干扰。因此，在进行特征提取前，在本技术的技术方案中，首先对所述一次性纸杯监控视频进行采样处理，在一个具体的示例中，以预定采样频率对从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧。
[0082]
接着，将多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵。也就是，使用在图像特征提取领域具有优异性
能表现的卷积神经网络模型作为特征提取器来捕捉所述多个一次性纸杯监控关键帧中各个一次性纸杯监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加，其所提取的图像特征会越来越抽象也越来越反应对象的本质，具体地，其浅层特征更多表现外形、线条、纹理、颜色，其深层特征更多表现对象类型、对象特征等。考虑到在本技术的技术方案中，在一次性纸杯生产设备中，期待更加关注于一次性纸杯的外形变化，因此，在本技术的技术方案中，对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
[0083]
接着，将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量。也就是，在高维特征空间中，将所述多个一次性纸杯监控特征矩阵沿着样本维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉一次性纸杯状态变化特征。相较于常规的卷积神经网络模型，所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码，其中，所述三维卷积核具有三维维度：宽度维度、高度维度和通道维度，所述宽度维度和所述高度维度对应于各个图像帧的局部空间，而所述通道维度对应于所述三维特征张量的时间维度，因此，在进行三维卷积编码的过程中，能够提取所述一次性纸杯在空间维度上的状态特征在时间维度上的变化特征。
[0084]
针对所述多个预定时间点的加热温度值，在本技术的技术方案中，将多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度领域特征提取模块以得到加热温度特征向量。也就是，首先将所述多个预定时间点的加热温度值进行向量化处理以得到加热温度输入向量，即，加热温度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述加热温度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的加热温度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述加热温度特征向量。
[0085]
在本技术的技术方案中，所述加热温度是导致一次性纸杯法发生状态变化的因，也就是说，所述加热温度和所述一次性纸杯的状态变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯的状态变化特征的分类特征表示。具体地，计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵。并在得到所述分类特征矩阵后，将所述分类特征矩阵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的加热温度应增大或应减小。
[0086]
这样，基于一次性纸杯的状态来调整加热温度以使得加热温度达到一次性纸杯生产的最佳状态。
[0087]
特别地，在本技术的技术方案中，在将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量时，所述多尺度邻域特征提取模块使用具有不同尺度的一维卷积核对所述加热温度输入向量进行多尺度一维卷积编码以得到第一尺度加热温度特征向量和第二尺度加热温度特征向量。因所述多尺度邻域特征提取模块的编码特性，所述第一尺度加热温度特征向量的特征分布相对于所述第二尺度加热温度特征向量的特征分布会由于不同特征提取尺度而存在空间迁移。因此，如果能够提升所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量在具有空间迁移情况下的融合效果，则能够提升所述加热温度特征向量的表
达效果，进而为所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计计算提供优质的数据基础支持，以提高所述分类特征矩阵的分类判断的精准度。
[0088]
基于此，在本技术的技术方案中，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量。具体地，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量的过程，包括：首先计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；从所述多个特征向量中提取前两个特征值对应的特征向量以得到第一主特征向量和第二主特征向量；将所述第一主特征向量和所述第二主特征向量分别通过预分类器以得到第一概率值和第二概率值；以及，以所述第一概率值和所述第二概率值作为权重，计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量的按位置加权和以得到加热温度特征向量。
[0089]
这里，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影，可将所述第一尺度加热温度特征向量和所述第二尺度加热温度特征的高维特征表示映射到相对低维的空间中，并利用所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的正交性和类别信息使得所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量中不同类别的数据在相对低维空间中有较大的距离且同时保持了数据的内部结构，通过这样的方式，来提升所述加热温度特征向量的数据表达能力。
[0090]
图1为根据本技术实施例的一次性纸杯生产设备的应用场景图。如图1所示，在该应用场景中，首先由摄像头(例如，如图1所示意的c)采集一次性纸杯(例如，如图1所示意的f)在所述预定时间段的一次性纸杯监控视频，以及由温度传感器(例如，如图1所示意的se)采集的预定时间段内多个预定时间点的加热温度值。进而，将所述预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值输入至部署有用于一次性纸杯生产算法的服务器(例如，如图1所示意的s)中，其中，所述服务器能够基于所述用于一次性纸杯生产算法对所述预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值进行处理，以得到用于表示当前时间点的加热温度应增大或应减小的分类结果。
[0091]
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。
[0092]
示例性系统
[0093]
图2为根据本技术实施例的一次性纸杯生产设备的框图。如图2所示，根据本技术实施例的一次性纸杯生产设备100，包括：数据获取模块110，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；采样模块120，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；深浅特征编码模块130，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；三维卷积编码模块140，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积
神经网络模型以得到一次性纸杯状态变化特征向量；多尺度编码模块150，用于将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；响应性估计模块160，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及检测结果生成模块170，用于将所述分类特征矩阵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的加热温度应增大或应减小。
[0094]
图3为根据本技术实施例的一次性纸杯生产设备的架构图。如图3所示，在该系统架构中，首先，获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值。然后，从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧。接着，将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵。然后，将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量。接着，将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量。然后，计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵。最后，将所述分类特征矩阵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的加热温度应增大或应减小。
[0095]
在上述的一次性纸杯生产设备100中，数据获取模块110，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值。如上所述，在成型模块中，纸杯成型的形状和质量都受到温度的影响。如果温度不恰当，会导致纸杯过于脆弱或者形状不稳定，影响到产品的使用效果。同时，一次性纸杯生产过程中温度的变化是随时发生的。此外，由于纸张的厚度和形状不同，每个纸杯的加热时间和温度需求也可能会不同。因此，期待一种优化的一次性纸杯生产设备，其能够基于纸杯的状态特征和加热温度之间的关系，来自适应地调节加热温度，保证生产出高品质的产品，并提高设备的生产效率。
[0096]
针对上述技术问题，在本技术的技术方案中，期待基于一次性纸杯状态变化以及不同时间跨度内不同加热温度值来自适应地调整一次性纸杯生产设备的加热温度，通过这样的方式，无需人工控制一次性纸杯生产设备的温度，且因考虑到了一次性纸杯更多的数据维度和不受场景的局限，因此，本技术提供的一次性纸杯生产设备具有更强的适用性和智能性。
[0097]
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0098]
深度学习以及神经网络为一次性纸杯生产设备的构建提供了新的解决思路和方案。
[0099]
具体地，在本技术的技术方案中，首先获取预定时间段的一次性纸杯监控视频以及所述预定时间段内多个预定时间点的加热温度值。应可以理解，一次性纸杯中的温度变化会影响一次性纸杯的状态特征，尤其是颜色特征。特别地，在本技术的技术方案中，随着一次性纸杯生产设备温度的变化，一次性纸杯的状态特征也会有明显的变化，所述一次性纸杯监控视频中一次性纸杯状态特征的变化特征与一次性纸杯生产设备的温度存在复杂
的非线性关系。
[0100]
在上述的一次性纸杯生产设备100中，采样模块120，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧。为了捕捉和利用上述隐含关联，在本技术的技术方案中，使用基于深度学习的深度神经网络模型对所述一次性纸杯监控视频进行处理以得到一次性纸杯状态变化特征向量。具体地，考虑到所述一次性纸杯监控视频的所有图像帧序列中存在诸多图像帧是高度相似的甚至是重复的，这会造成信息冗余，给特征提取带来干扰。因此，在进行特征提取前，在本技术的技术方案中，首先对所述一次性纸杯监控视频进行采样处理，在一个具体的示例中，以预定采样频率对从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧。
[0101]
具体地，在本技术实施例中，所述采样模块120，用于以预定采样频率从所述预定时间段的一次性纸杯监控视频中提取所述多个一次性纸杯监控关键帧。
[0102]
在上述的一次性纸杯生产设备100中，深浅特征编码模块130，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵。将多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵。也就是，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多个一次性纸杯监控关键帧中各个一次性纸杯监控关键帧的高维局部图像隐含特征。考虑到随着所述卷积神经网络模型的卷积编码深度的增加，其所提取的图像特征会越来越抽象也越来越反应对象的本质，具体地，其浅层特征更多表现外形、线条、纹理、颜色，其深层特征更多表现对象类型、对象特征等。考虑到在本技术的技术方案中，在一次性纸杯生产中，期待更加关注于一次性纸杯的颜色变化，因此，在本技术的技术方案中，对所述卷积神经网络模型的结构进行调整以将深浅特征融合机制整合入所述卷积神经网络模型的特征提取机制中。
[0103]
图4为根据本技术实施例的一次性纸杯生产设备中深浅特征编码模块的框图。如图4所示，所述深浅特征编码模块130，用于：浅层特征提取单元131，用于从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；深层特征提取单元132，用于从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；融合单元133，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及降维单元134，用于对所述融合特征图进行沿通道维度的全局池化以得到所述一次性纸杯监控特征矩阵。
[0104]
在上述的一次性纸杯生产设备100中，三维卷积编码模块140，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量。将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量。也就是，在高维特征空间中，将所述多个一次性纸杯监控特征矩阵沿着样本维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的卷积神经网络模型作为特征提取器来捕捉一次性纸杯状态变化特征。相较于常规的卷积神经网络模型，所述第二卷积神经网络模型使用三维卷积核进行三维卷积编码，其中，所述三维卷积核具有三维维度：宽度维度、高度维度和通道维度，所述宽度维度和所述高度维度对应于各个图像帧的局部空间，而所述通道维度对应于所述三维特征张量的时间维度，因此，在
进行三维卷积编码的过程中，能够提取所述一次性纸杯在空间维度上的状态特征在时间维度上的变化特征。
[0105]
具体地，在本技术实施例中，所述三维卷积编码模块140，包括：编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到一次性纸杯状态变化特征图；以及降维单元，用于对所述一次性纸杯状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述一次性纸杯状态变化特征向量。
[0106]
具体地，在本技术实施例中，所述三维卷积编码模块140，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图；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模型的最后一层的输出为所述一次性纸杯状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
[0107]
在上述的一次性纸杯生产设备100中，多尺度编码模块150，用于将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量。针对所述多个预定时间点的加热温度值，在本技术的技术方案中，将多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度领域特征提取模块以得到加热温度特征向量。也就是，首先将所述多个预定时间点的加热温度值进行向量化处理以得到加热温度输入向量，即，加热温度值的时序分布。接着，使用包含多个并行的一维卷积层的多尺度邻域特征提取模块对所述加热温度输入向量进行多尺度一维卷积编码，以捕捉不同时间跨度内不同数量的加热温度值之间的高维隐含特征，并将不同尺度的关联特征进行特征融合以得到所述加热温度特征向量。
[0108]
特别地，在本技术的技术方案中，在将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量时，所述多尺度邻域特征提取模块使用具有不同尺度的一维卷积核对所述加热温度输入向量进行多尺度一维卷积编码以得到第一尺度加热温度特征向量和第二尺度加热温度特征向量。因所述多尺度邻域特征提取模块的编码特性，所述第一尺度加热温度特征向量的特征分布相对于所述第二尺度加热温度特征向量的特征分布会由于不同特征提取尺度而存在空间迁移。因此，如果能够提升所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量在具有空间迁移情况下的融合效果，则能够提升所述加热温度特征向量的表达效果，进而为所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计计算提供优质的数据基础支持，以提高所述分类特征矩阵的分类判断的精准度。
[0109]
基于此，在本技术的技术方案中，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量。具体地，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量的过程，包括：首先计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；从所述多个特征向量中提取前两个特征值对应的特征向量以得到第一主特征向量和第二主特征向量；将所述第一主特征向量和所述第二主特征向
量分别通过预分类器以得到第一概率值和第二概率值；以及，以所述第一概率值和所述第二概率值作为权重，计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量的按位置加权和以得到加热温度特征向量。
[0110]
这里，对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影，可将所述第一尺度加热温度特征向量和所述第二尺度加热温度特征的高维特征表示映射到相对低维的空间中，并利用所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的正交性和类别信息使得所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量中不同类别的数据在相对低维空间中有较大的距离且同时保持了数据的内部结构，通过这样的方式，来提升所述加热温度特征向量的数据表达能力。
[0111]
图5为根据本技术实施例的一次性纸杯生产设备中多尺度编码模块的框图。如图5所示，所述多尺度编码模块150，包括：第一尺度特征提取单元151，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度加热温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元152，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及类概率联合单元153，用于对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量。
[0112]
具体地，在本技术实施例中，所述多尺度编码模块150，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第一尺度加热温度特征向量；其中，所述第一卷积公式为：
[0113][0114]
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表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理；所述将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第二尺度加热温度特征向量；其中，所述第二卷积公式为：
[0115][0116]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理。
[0117]
图6为根据本技术实施例的一次性纸杯生产设备中类概率联合单元的框图。如图6所示，所述类概率联合单元153，包括：协方差子单元1531，用于计算所述第一尺度加热温度
特征向量和所述第二尺度加热温度特征向量之间的协方差矩阵；分解子单元1532，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；主特征提取子单元1533，用于从所述多个特征向量中提取前两个特征值对应的特征向量以得到第一主特征向量和第二主特征向量；预分类子单元1534，用于将所述第一主特征向量和所述第二主特征向量分别通过预分类器以得到第一概率值和第二概率值；以及，按位加权子单元1535，用于以所述第一概率值和所述第二概率值作为权重，计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量的按位置加权和以得到加热温度特征向量。
[0118]
在上述的一次性纸杯生产设备100中，响应性估计模块160，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵。在本技术的技术方案中，所述加热温度是导致一次性纸杯法发生状态变化的因，也就是说，所述加热温度和所述一次性纸杯的状态变化在逻辑层面存在相关关系，利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯的状态变化特征的分类特征表示。具体地，计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵。
[0119]
具体地，在本技术实施例中，所述响应性估计模块160，用于：以如下响应性估计公式计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：
[0120][0121]
其中va表示所述一次性纸杯状态变化特征向量，vb表示所述加热温度特征向量，m表示所述分类特征矩阵，表示矩阵相乘。
[0122]
在上述的一次性纸杯生产设备100中，检测结果生成模块170，用于将所述分类特征矩阵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的加热温度应增大或应减小。
[0123]
具体地，在本技术实施例中，所述检测结果生成模块170，用于：将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0124]
示例性方法
[0125]
图7图示了根据本技术实施例的一次性纸杯生产方法的流程图。如图7所示，根据本技术实施例的所述一次性纸杯生产方法，包括步骤：s110，获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；s120，从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；s130，将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；s140，将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；s150，将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；s160，计算所述一次性纸杯状态变化特征向
量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及s170，将所述分类特征矩阵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的加热温度应增大或应减小。
[0126]
这里，本领域技术人员可以理解，上述一次性纸杯生产方法中的各个步骤的具体操作已经在上面参考图1到图6的一次性纸杯生产设备的描述中得到了详细介绍，并因此，将省略其重复描述。
[0127]
如上所述，根据本技术实施例的一次性纸杯生产设备100可以实现在各种终端设备中，例如一次性纸杯生产服务器等。在一个示例中，根据本技术实施例的一次性纸杯生产设备100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，该一次性纸杯生产设备100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，该一次性纸杯生产设备100同样可以是该终端设备的众多硬件模块之一。
[0128]
替换地，在另一示例中，该一次性纸杯生产设备100与该终端设备也可以是分立的设备，并且该一次性纸杯生产设备100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
[0129]
示例性电子设备
[0130]
下面，参考图8来描述根据本技术实施例的电子设备。图8图示了根据本技术实施例的电子设备的框图。如图8所示，电子设备10包括一个或多个处理器11和存储器12。
[0131]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0132]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的一次性纸杯生产方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储加热温度、一次性纸杯状态变化等各种内容。
[0133]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0134]
该输入装置13可以包括例如键盘、鼠标等等。
[0135]
该输出装置14可以向外部输出各种信息，包括当前时间点的加热温度应增大或应减小等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0136]
当然，为了简化，图8中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
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。
[0141]
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。

技术特征：
1.一种一次性纸杯生产设备，其特征在于，包括：数据获取模块，用于获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；采样模块，用于从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；深浅特征编码模块，用于将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；三维卷积编码模块，用于将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；多尺度编码模块，用于将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；响应性估计模块，用于计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及检测结果生成模块，用于将所述分类特征矩阵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的加热温度应增大或应减小。2.根据权利要求1所述的一次性纸杯生产设备，其特征在于，所述采样模块，用于：以预定采样频率从所述预定时间段的一次性纸杯监控视频中提取所述多个一次性纸杯监控关键帧。3.根据权利要求2所述的一次性纸杯生产设备，其特征在于，所述深浅特征编码模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及降维单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述一次性纸杯监控特征矩阵。4.根据权利要求3所述的一次性纸杯生产设备，其特征在于，所述三维卷积编码模块，包括：编码单元，用于使用所述第二卷积神经网络模型对所述三维特征张量进行三维卷积编码以得到一次性纸杯状态变化特征图；以及降维单元，用于对所述一次性纸杯状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到所述一次性纸杯状态变化特征向量。5.根据权利要求4所述的一次性纸杯生产设备，其特征在于，所述三维卷积编码模块，用于：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维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处理以得到池化特征图；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模型的最后一层的输出为所述一次性纸杯状态变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。6.根据权利要求5所述的一次性纸杯生产设备，其特征在于，所述多尺度编码模块，包括：第一尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度加热温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度特征提取单元，用于将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及类概率联合单元，用于所述对所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量进行基于特征集合的各子维度之间的类概率联立投影以得到所述加热温度特征向量。7.根据权利要求6所述的一次性纸杯生产设备，其特征在于，所述多尺度编码模块，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第一尺度加热温度特征向量；其中，所述第一卷积公式为：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表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理；所述将所述加热温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度加热温度特征向量，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述加热温度输入向量进行一维卷积编码以得到所述第二尺度加热温度特征向量；其中，所述第二卷积公式为：其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述加热温度输入向量，cov(x)为对所述加热温度输入向量进行卷积处理。8.根据权利要去7所述的一次性纸杯生产设备，其特征在于，所述类概率联合单元，包括：
协方差子单元，用于计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量之间的协方差矩阵；分解子单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；主特征提取子单元，用于从所述多个特征向量中提取前两个特征值对应的特征向量以得到第一主特征向量和第二主特征向量；预分类子单元，用于将所述第一主特征向量和所述第二主特征向量分别通过预分类器以得到第一概率值和第二概率值；以及，按位加权子单元，用于以所述第一概率值和所述第二概率值作为权重，计算所述第一尺度加热温度特征向量和所述第二尺度加热温度特征向量的按位置加权和以得到加热温度特征向量。9.根据权利要去8所述的一次性纸杯生产设备，其特征在于，所述响应性估计模块，用于：以如下响应性估计公式计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；其中，所述响应性估计公式为：其中v
a
表示所述一次性纸杯状态变化特征向量，v
b
表示所述加热温度特征向量，m表示所述分类特征矩阵，表示矩阵相乘。10.一种一次性纸杯生产方法，包括：获取预定时间段的一次性纸杯监控视频、所述预定时间段内多个预定时间点的加热温度值；从所述预定时间段的一次性纸杯监控视频提取多个一次性纸杯监控关键帧；将所述多个一次性纸杯监控关键帧通过包含深浅融合模块的第一卷积神经网络模型以得到多个一次性纸杯监控特征矩阵；将所述多个一次性纸杯监控特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到一次性纸杯状态变化特征向量；将所述多个预定时间点的加热温度值按照时间维度排列为加热温度输入向量后通过多尺度邻域特征提取模块以得到加热温度特征向量；计算所述一次性纸杯状态变化特征向量相对于所述加热温度特征向量的响应性估计以得到分类特征矩阵；以及将所述分类特征矩阵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的加热温度应增大或应减小。

技术总结
本申请涉及智能生产领域，其具体公开了一种一次性纸杯生产设备及其方法，其能够基于一次性纸杯的状态特征和不同时间跨度内不同数量的加热温度值之间的高维隐含特征，以此利用两者之间的逻辑关联得到包含加热温度特征和一次性纸杯状态变化特征的分类特征表示。这样，一次性纸杯生产设备通过基于分类特征自适应控制温度，保证生产出高品质的产品，并提高设备的生产效率。设备的生产效率。设备的生产效率。


技术研发人员：刘勇江 黄邦友 冷松平 熊强
受保护的技术使用者：嘉兴环强机械有限公司
技术研发日：2023.06.21
技术公布日：2023/8/9