吸音棉加工设备的控制方法及其系统

技术领域

本申请涉及吸音棉加工领域，且更为具体地，涉及一种吸音棉加工设备的控制方法及其系统。

背景技术

吸音棉加工设备通常是用于制造吸音材料，如吸音棉板、吸音棉片等，吸音棉加工涉及材料准备、混合、熔融、压制成型、固化冷却等步骤。吸音棉加工设备通过将聚酯纤维、玻璃纤维或岩棉等原材料送入设备的料斗或进料口，并在原材料中添加适量的粘合剂和其他需要的添加剂，然后将原材料和添加剂送入混合器中，混合器可以是搅拌器、螺旋混合器或其他适当的设备，混合器会将原材料和添加剂充分混合，以确保粘合剂均匀地分布在原材料中。

在吸音棉加工过程中，不均匀的混合会导致吸音棉产品的质量不稳定，影响其吸音性能。在现有技术中，混合原材料和粘合剂的过程发生在一个封闭的容器内，操作人员无法直接看到混合的过程，这导致无法准确判断原材料和粘合剂是否混合均匀，并且由于操作人员无法准确掌握原材料和粘合剂在机器中的分布情况，而每个操作人员有不同的判断标准，会出现主观判断的情况。

因此，期望一种更为优化的吸音棉加工设备的控制方法及其系统方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了吸音棉加工设备的控制方法及其系统，其首先获取待粘合吸音棉混合材料图像，然后将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络后通过非局部神经网络以得到全局关联特征图，进一步地，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，接着，将所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡并通过分类器以得到分类结果，以得到待粘合吸音棉材料与粘合剂是否混合均匀，以便于进行吸音棉加工下一步骤，以减少成本和提高生产效率，有助于提升产品质量和一致性。

根据本申请的一个方面，提供了一种吸音棉加工设备的控制方法，其包括：

获取待粘合吸音棉混合材料图像；

将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图；

将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图；

将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，其中，所述第二卷积神经网络的各层使用所述第一卷积核和第二卷积核先后对输入数据进行卷积处理，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；

对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图；

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待粘合吸音棉材料与粘合剂是否混合均匀。

在上述吸音棉加工设备的控制方法中，将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图，包括：从所述第一卷积神经网络的第M层提取浅层特征图，其中，M大于等于4且小于等于6；从所述第一卷积神经网络的第N层提取深层特征图，其中，N/M大于等于10且小于等于15；融合所述浅层特征图和所述深层特征图以得到所述高维关联局部特征图。

在上述吸音棉加工设备的控制方法中，将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图，包括：将所述高维关联局部特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述全局关联特征图。

在上述吸音棉加工设备的控制方法中，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，包括：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：使用所述第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图。

在上述吸音棉加工设备的控制方法中，对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图，包括：基于所述全局关联特征图的沿通道维度的各个特征矩阵的全局均值，对所述全局关联特征图进行特征矩阵序列化重排以得到序列化全局关联特征图；基于所述第二特征图的沿通道维度的各个特征矩阵的全局均值，对所述第二特征图进行特征矩阵序列化重排以得到序列化第二特征图；计算所述序列化全局关联特征图和所述序列化第二特征图中任意两个通道维度的特征矩阵之间的欧式距离以得到位移过渡拓扑矩阵；计算所述序列化全局关联特征图和所述序列化第二特征图的每组对应通道维度的特征矩阵之间的按位置均值矩阵以得到融合特征矩阵的序列；将所述融合特征矩阵的序列和所述位移过渡拓扑矩阵通过图神经网络模型以得到所述分类特征图。

在上述吸音棉加工设备的控制方法中，将所述分类特征图通过分类器以得到分类结果，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成分类结果，其中，所述分类公式为：

O＝softmax}(W

其中O为所述分类结果，Project(F

根据本申请的另一方面，提供了吸音棉加工设备的控制系统，其包括：

数据获取模块，用于获取待粘合吸音棉混合材料图像；

第一特征提取模块，用于将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图；

全局编码模块，用于将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图；

第二特征提取模块，用于将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，其中，所述第二卷积神经网络的各层使用所述第一卷积核和第二卷积核先后对输入数据进行卷积处理，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；

位移过渡模块，用于对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图；

分类模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待粘合吸音棉材料与粘合剂是否混合均匀。

在上述吸音棉加工设备的控制系统中，所述第一特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络的第M层提取浅层特征图，其中，M大于等于4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的第N层提取深层特征图，其中，N/M大于等于10且小于等于15；融合单元，用于融合所述浅层特征图和所述深层特征图以得到所述高维关联局部特征图。

在上述吸音棉加工设备的控制系统中，所述全局编码模块，包括：点卷积单元，用于将所述高维关联局部特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；第三融合单元，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述全局关联特征图。

在上述吸音棉加工设备的控制系统中，所述第二特征提取模块，包括：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：使用所述第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的吸音棉加工设备的控制方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的吸音棉加工设备的控制方法。

与现有技术相比，本申请提供的一种吸音棉加工设备的控制方法及其系统，其首先获取待粘合吸音棉混合材料图像，然后将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络后通过非局部神经网络以得到全局关联特征图，进一步地，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，接着，将所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡并通过分类器以得到分类结果，以得到待粘合吸音棉材料与粘合剂是否混合均匀，以便于进行吸音棉加工下一步骤，以减少成本和提高生产效率，有助于提升产品质量和一致性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的吸音棉加工设备的控制方法的流程图。

图2为根据本申请实施例的吸音棉加工设备的控制方法的架构示意图。

图3为根据本申请实施例的吸音棉加工设备的控制系统的框图。

图4为根据本申请实施例的吸音棉加工设备的控制系统中第一特征提取模块的框图。

图5为根据本申请实施例的吸音棉加工设备的控制系统中全局编码模块的框图。

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性方法

图1为根据本申请实施例的吸音棉加工设备的控制方法的流程图。图2为根据本申请实施例的吸音棉加工设备的控制方法的架构示意图。如图1和图2所示，根据本申请实施例的一种吸音棉加工设备的控制方法，其包括：S110，获取待粘合吸音棉混合材料图像；S120，将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图；S130，将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图；S140，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，其中，所述第二卷积神经网络的各层使用所述第一卷积核和第二卷积核先后对输入数据进行卷积处理，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；S150，对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图；S160，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待粘合吸音棉材料与粘合剂是否混合均匀。

在上述吸音棉加工设备的控制方法的步骤S110中，获取待粘合吸音棉混合材料图像。应可以理解，通过获取待粘合吸音棉混合材料图像，可以使用计算机视觉技术对图像进行分析和处理，以提取有关待粘合吸音棉混合材料的特征信息。在本申请的技术方案中，通过对待粘合吸音棉混合材料图像的处理，可以提取出全局关联特征和不同尺度的局部特征，进而计算分类特征图，并通过分类器判断混合材料是否均匀，这样可以可以了解吸音棉和粘合剂的分布情况，实现对混合材料质量的自动检测和控制，及早发现混合问题并采取相应措施。

在上述吸音棉加工设备的控制方法的步骤S120中，将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图。应可以理解，作为特征提取器的第一卷积神经网络在图像处理领域表现出色，能够有效地提取图像中的特征，通过将图像输入到作为特征提取器的第一卷积神经网络中，卷积神经网络可以学习并提取出吸音棉混合材料图像中的局部特征，例如颗粒的形状、大小、纹理等信息，此外，通过作为特征提取器的第一卷积神经网络提取的特征图是高维的，其中每个通道都对应着不同的特征表示，这些高维特征图可以捕捉到吸音棉混合材料图像中的丰富信息，并且能够建立起局部区域之间的关联，这可以更好地捕捉吸音棉颗粒和粘合剂颗粒之间的关系。

在本申请一个具体的实施例中，将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图，包括：从所述第一卷积神经网络的第M层提取浅层特征图，其中，M大于等于4且小于等于6；从所述第一卷积神经网络的第N层提取深层特征图，其中，N/M大于等于10且小于等于15；融合所述浅层特征图和所述深层特征图以得到所述高维关联局部特征图。

在上述吸音棉加工设备的控制方法的步骤S130中，将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图。应可以理解，考虑到局部特征虽然能够提供一定的局部关联性，但无法捕捉到整体图像的全局结构和关联，通过非局部神经网络可以将局部特征与全局信息进行融合，从而获取更全面的特征表示。非局部神经网络能够建立远距离的关联，使得不同区域之间的特征能够相互影响和交互，在吸音棉混合材料图像中，颗粒与颗粒之间可能存在较远的依赖关系，这些依赖关系对于判断混合质量具有重要意义，通过非局部神经网络，可以捕捉到这些长距离的依赖关系，以提高特征的表达能力，增强特征的表达能力和判别性。全局关联特征图能够综合考虑吸音棉混合材料图像中的各个局部区域之间的关系，使得特征更具有代表性和区分度。

在本申请一个具体的实施例中，将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图，包括：将所述高维关联局部特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述全局关联特征图。

在上述吸音棉加工设备的控制方法的步骤S140中，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，其中，所述第二卷积神经网络的各层使用所述第一卷积核和第二卷积核先后对输入数据进行卷积处理。应可以理解，第二卷积神经网络的设计采用多重感受野，即不同大小的卷积核，可以在不同尺度上对输入数据进行卷积处理，这样可以捕捉到吸音棉混合材料图像中不同尺度的特征，即从细节到整体的多层次信息，通过多重感受野，可以更全面地理解和表示图像中的特征。

特别地，第二卷积神经网络的各层使用第一卷积核和第二卷积核先后对输入数据进行卷积处理，第一卷积核具有较大的尺寸，可以捕捉到较大范围的特征，例如整体形状和结构，第二卷积核具有较小的尺寸，可以捕捉到更细节的特征，例如颗粒之间的关系和纹理信息。通过多层次的卷积处理，可以逐步提取和组合不同层次的特征，从而得到更丰富和准确的特征表示。此外，第二卷积核的尺寸小于第一卷积核的尺寸，这样可以减少网络的参数数量和计算复杂度，而较小的卷积核可以更有效地捕捉局部特征，并且在保持特征表达能力的同时减少了参数量。

在本申请一个具体的实施例中，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，包括：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：使用所述第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图。

在上述吸音棉加工设备的控制方法的步骤S150中，对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图。应可以理解，在本申请的技术方案中，考虑到所述全局关联特征图和所述第二特征图中存在噪声和异常值，另一方面所述全局关联特征图和所述第二特征图为同一实体的不同相态特征表征，因此，在本申请的技术方案中，对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡，以利用了数据在原始特征空间中的秩序信息和数据在原始特征空间中的关联信息来对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡式融合以得到所述分类特征图，这样，可以有效地消除数据中的噪声和异常值，同时保留数据之间的相对关系，从而提高分类器的鲁棒性和准确性。

具体地，在本申请的技术方案中，首先利用所述全局关联特征图和所述第二特征图的沿通道维度的各个特征矩阵的语义信息量之间的相对顺序关系来对所述全局关联特征图和所述第二特征图进行序列化重构以优化所述全局关联特征图和所述第二特征图的特征结构之间的对齐度以得到序列化全局关联特征图和所述序列化第二特征图。进而，计算所述序列化全局关联特征图和所述序列化第二特征图中任意两个通道维度的特征矩阵之间的欧式距离以得到位移过渡拓扑矩阵，以此来度量所述序列化全局关联特征图和所述序列化第二特征图的任意两个特征矩阵之间的秩序性的位移过渡特征值。并以所述所述序列化全局关联特征图和所述序列化第二特征图之间的按位置均值特征图来表示所述序列化全局关联特征图和所述序列化第二特征图之间的特征级初始关联特征表示。继而，利用图神经网络模型对所述融合特征矩阵的序列和所述位移过渡拓扑矩阵进行拓扑式融合以得到所述分类特征图。

这样，通过对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡，可以保留所述全局关联特征图和所述第二特征图之间的各个特征矩阵之间的相对距离和拓扑结构，从而反映出数据的内在模式和聚类，同时融合得到的所述分类特征图可以突出显示数据中的异常点和离群点。

在本申请一个具体的实施例中，对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图，包括：基于所述全局关联特征图的沿通道维度的各个特征矩阵的全局均值，对所述全局关联特征图进行特征矩阵序列化重排以得到序列化全局关联特征图；基于所述第二特征图的沿通道维度的各个特征矩阵的全局均值，对所述第二特征图进行特征矩阵序列化重排以得到序列化第二特征图；计算所述序列化全局关联特征图和所述序列化第二特征图中任意两个通道维度的特征矩阵之间的欧式距离以得到位移过渡拓扑矩阵；计算所述序列化全局关联特征图和所述序列化第二特征图的每组对应通道维度的特征矩阵之间的按位置均值矩阵以得到融合特征矩阵的序列；将所述融合特征矩阵的序列和所述位移过渡拓扑矩阵通过图神经网络模型以得到所述分类特征图。

在上述吸音棉加工设备的控制方法的步骤S160中，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待粘合吸音棉材料与粘合剂是否混合均匀。

在本申请一个具体的实施例中，将所述分类特征图通过分类器以得到分类结果，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成分类结果，其中，所述分类公式为：

O＝softmax}(W

其中O为所述分类结果，Project(F

示例性系统

图3为根据本申请实施例的吸音棉加工设备的控制系统的框图。如图3所示，根据本申请实施例的吸音棉加工设备的控制系统100，包括：数据获取模块110，用于获取待粘合吸音棉混合材料图像；第一特征提取模块120，用于将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络以得到高维关联局部特征图；全局编码模块130，用于将所述高维关联局部特征图通过非局部神经网络以得到全局关联特征图；第二特征提取模块140，用于将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，其中，所述第二卷积神经网络的各层使用所述第一卷积核和第二卷积核先后对输入数据进行卷积处理，其中，所述第二卷积核的尺寸小于所述第一卷积核的尺寸；位移过渡模块150，用于对所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡以得到分类特征图；分类模块160，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待粘合吸音棉材料与粘合剂是否混合均匀。

图4为根据本申请实施例的吸音棉加工设备的控制系统中第一特征提取模块的框图。如图4所示，在本申请一个具体的实施例中，所述第一特征提取模块120，包括：浅层特征提取单元121，用于从所述第一卷积神经网络的第M层提取浅层特征图，其中，M大于等于4且小于等于6；深层特征提取单元122，用于从所述第一卷积神经网络的第N层提取深层特征图，其中，N/M大于等于10且小于等于15；融合单元123，用于融合所述浅层特征图和所述深层特征图以得到所述高维关联局部特征图。

图5为根据本申请实施例的吸音棉加工设备的控制系统中全局编码模块的框图。如图5所示，在本申请一个具体的实施例中，所述全局编码模块130，包括：点卷积单元131，用于将所述高维关联局部特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元132，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元133，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元134，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元135，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元136，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；第三融合单元137，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述全局关联特征图。

在本申请一个具体的实施例中，所述第二特征提取模块140，包括：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：使用所述第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用所述第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行池化处理以得到池化特征图；对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述第二特征图。

综上，本申请实施例首先获取待粘合吸音棉混合材料图像，然后将所述待粘合吸音棉混合材料图像通过作为特征提取器的第一卷积神经网络后通过非局部神经网络以得到全局关联特征图，进一步地，将所述待粘合吸音棉混合材料图像通过具有多重感受野的第二卷积神经网络以得到第二特征图，接着，将所述全局关联特征图和所述第二特征图进行基于秩序性的位移过渡并通过分类器以得到分类结果，以得到待粘合吸音棉材料与粘合剂是否混合均匀，以便于进行吸音棉加工下一步骤，以减少成本和提高生产效率，有助于提升产品质量和一致性。

如上所述，根据本申请实施例的所述吸音棉加工设备的控制系统100可以实现在各种终端设备中，例如部署有吸音棉加工设备的功率控制算法的服务器等。在一个示例中，根据吸音棉加工设备的控制系统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，该吸音棉加工设备的控制系统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，该吸音棉加工设备的控制系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该吸音棉加工设备的控制系统100与该终端设备也可以是分立的设备，并且吸音棉加工设备的控制系统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。

这里，本领域技术人员可以理解，上述吸音棉加工设备的控制系统中的各个步骤的具体操作已经在上面参考图1的吸音棉加工设备的控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

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。

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申请的各个实施例的用于吸音棉加工设备的控制以及/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诸如待粘合吸音棉混合材料图像等各种内容。

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。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括待粘合吸音棉材料与粘合剂是否混合均匀等。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。

当然，为了简化，图6中仅示出了该电子设备10中与本申请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。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的吸音棉加工设备的控制方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于吸音棉加工设备的控制方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、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。

还需要指出的是，在本申请的装置、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申请的等效方案。

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申请。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申请的范围。因此，本申请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。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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。