[0001] 本发明涉及一种基于深度学习实现MLCC撒料机高效撒料的计量方法及系统，属于MLCC撒料机技术领域。

[0002] MLCC撒料机是由MLCC芯片构成的智能撒料机器，MLCC撒料机可以将待撒播的物料均匀撒播在其他地方，减少人工撒播物料的低效率问题，MLCC撒料机可以撒播的物料有土地所需的种子、产品所需的颗粒等，但是MLCC撒料机的效率有时并不能满足产业需求，若MLCC撒料机的撒料效率不足，且MLCC撒料机的购买成本较高的情况下，企业使用MLCC撒料机的可行性大大降低。

[0003] 目前，影响MLCC撒料机的撒料效率有许多，例如是否可以快速将物料装载至托盘中、承载待撒播的物料的托盘是否可以快速运输到撒播现场等，现有技术在人工确定好影响撒料效率的因素，往往会对MLCC撒料机的机器参数进行盲目增大或盲目减少处理，例如影响物料被传输的速度的皮带运输速度，对这个皮带运输速度进行增大处理，然而，在增大到一定的速度数值之后，物料被传输的速度并不会发生改变，这就需要对MLCC撒料机的机器参数进行大量的实验，现有技术通过对MLCC撒料机实体进行机器参数的实验，观测MLCC撒料机的撒料结果，最终得出可以提升撒料效率的机器参数调整方式，这种方式由于需要不断对MLCC撒料机实体进行机器参数的调整、操作人员还需要赶赴现场进行实验等等，导致实验的简便性不足。

[0004] 因此，实现MLCC撒料机高效撒料的简便性不足。

[0020] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0021] 本申请实施例提供一种基于深度学习实现MLCC撒料机高效撒料的计量方法。所述基于深度学习实现MLCC撒料机高效撒料的计量方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习实现MLCC撒料机高效撒料的计量方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

[0022] 实施例1：参照图1所示，为本发明一实施例提供的基于深度学习实现MLCC撒料机高效撒料的计量方法的流程示意图。在本实施例中，所述基于深度学习实现MLCC撒料机高效撒料的计量方法包括：
S1、确定MLCC撒料机，建立所述MLCC撒料机的几何模型，设置所述几何模型的模型参数，其中，所述MLCC撒料机包括料仓、空网筐、空网筐输送线、皮带输送线及离心力装置。

[0023] 本发明实施例中，所述几何模型是指所述MLCC撒料机的虚拟三维模型，包含MLCC撒料机的尺寸信息，进一步的，所述料仓用于装满待撒播的物料，所述空网筐用于装载物料，这些物料为从料仓的出口流出的颗粒，所述空网筐输送线用于拿取空网筐、将空网筐运输到皮带输送线的上面、在皮带输送线的上面的空网筐装满物料时还需要接收装满物料的网筐、将装满物料的网筐运输至离心力装置，所述皮带输送线用于使得网筐进行上下左右的挪动，从而将网筐内的上下左右位置均匀铺满物料，所述离心力装置用于发出离心力，使得网筐中的物料在离心力的左右下撒播出去。

[0024] S2、采集所述MLCC撒料机的撒料处理时长与撒料运输时长，基于所述撒料处理时长与所述撒料运输时长，计算所述MLCC撒料机的撒料总时长，根据所述撒料总时长，分析所述MLCC撒料机的效率影响因素。

[0025] 本发明实施例通过采集所述MLCC撒料机的撒料处理时长与撒料运输时长，以用于在后续分析影响撒料时长的MLCC撒料机的机器参数。

[0026] 本发明的一实施例中，所述采集所述MLCC撒料机的撒料处理时长与撒料运输时长，包括：采集物料从到达所述料仓的时刻至离开所述料仓的时刻之间经历的料仓处理时长；采集所述物料从到达所述空网筐的时刻至所述空网筐离开所述皮带输送线的时刻之间经历的网筐处理时长；采集所述离心力装置将所述物料从所述空网筐撒出的撒出处理时长；采集所述空网筐输送线运输所述空网筐的第一运输时长；采集所述皮带输送线运输所述空网筐的第二运输时长；将所述料仓处理时长、所述网筐处理时长及所述撒出处理时长作为撒料处理时长；将所述第一运输时长与所述第二运输时长作为撒料运输时长。

[0027] 其中，所述第一运输时长是指拿取空网筐、将空网筐运输到皮带输送线的上面、在皮带输送线的上面的空网筐装满物料时还需要接收装满物料的网筐、将装满物料的网筐运输至离心力装置的总时长，所述第二运输时长是指皮带输送线接收到空网筐后挪动到料仓的下面等待接收物料的时长、将铺满物料的网筐运输到空网筐输送线处的时长的总时长。

[0028] 进一步的，本发明实施例中，所述撒料总时长是指撒料处理时长、撒料运输时长的时长总和。

[0029] 本发明的一实施例中，所述根据所述撒料总时长，分析所述MLCC撒料机的效率影响因素，包括：获取所述撒料总时长对应的料仓处理时长、网筐处理时长、撒出处理时长、第一运输时长及第二运输时长；查询与所述料仓处理时长相关的料仓出口；获取所述料仓出口的出口角度与出口尺寸；查询与所述网筐处理时长相关的网筐平面；获取所述网筐平面的平面角度与平面尺寸；查询与撒出处理时长相关的离心力装置；获取所述离心力装置的装置转速与装置转向；查询与所述第一运输时长相关的空网筐输送线；获取所述空网筐输送线的输送线速度；查询与所述第二运输时长相关的皮带输送线；获取所述皮带输送线的皮带速度；将所述出口角度、所述出口尺寸、所述平面角度、所述平面尺寸、装置转速、装置转向、所述输送线速度及所述皮带速度作为效率影响因素。

[0030] S3、根据所述模型参数，计算所述几何模型的受力数值，基于所述受力数值，建立所述几何模型的运动模型，对所述运动模型进行位移分析，得到分析位移。

[0031] 本发明实施例通过根据所述模型参数，计算所述几何模型的受力数值，以对物料在MLCC撒料机中的运动情况进行受力分析，从而在后续利用所分析的受力数值来计算物料的速度。

[0032] 本发明的一实施例中，所述根据所述模型参数，计算所述几何模型的受力数值，包括：根据所述模型参数，利用下述公式计算所述几何模型的下落法向力：；
其中， 表示在下落时的法向力， 表示第个物料与第个物料之间的法向形变， 表示模型参数中的弹性法向系数， 表示第个物料与第个物料之间的向量， 表示模型参数中的法向阻尼系数， 表示第个物料与第个物料之间接触点的速度；
根据所述模型参数，利用下述公式计算所述几何模型的下落切向力：
；
其中， 表示在下落时的切向力， 表示模型参数中的切向刚度系数， 表示切向位移， 表示模型参数中的切向阻尼系数， 表示第 个物料与第个物料之间接触点的速度；
将所述下落法向力与所述下落切向力作为所述几何模型的受力数值。

[0033] 本发明的一实施例中，所述基于所述受力数值，建立所述几何模型的运动模型，包括：根据所述受力数值，利用下述公式构建所述几何模型的下落运动模型：；
其中， 表示下落运动模型， 表示
在下落时的法向力， 表示在下落时的切向力， 表示在下落时的法向减震力， 表示在下落时的切向减震力，表示第个物料的下落速度， 表示第个物料的重量，表示料仓中物料的数目，表示重力加速度，表示时间变量；
利用下述公式构建所述几何模型的平面运动模型：
；
其中， 表示平面运动模型， 表示第个物料
的重量，表示料仓中物料的数目，表示时间变量，表示第个物料在平面上的平移速度，表示在平面上的法向力， 表示在平面上的切向力， 表示在平面上的法向减震力，表示在平面上的切向减震力；
将所述下落运动模型与所述平面运动模型作为所述几何模型的运动模型。

[0034] 其中，所述下落运动模型是指物料从料仓落至空网筐时下落的运动变化模型，所述平面运动模型是指物料处于空网筐内时的平面运动变化模型，需要说明的是，所述空网筐是指平面状的托盘。

[0035] 进一步的，本发明实施例通过对所述运动模型进行位移分析，以用于分析物料在MLCC撒料机的不同位置处所发生的位置的挪动情况，从而在后续的仿真软件中仿真模拟得到物料在整个MLCC撒料机内从起始点至终点所发生的位置变化。

[0036] 本发明的一实施例中，所述对所述运动模型进行位移分析，得到分析位移，包括：利用下述公式计算所述运动模型对应的下落运动位移：
；
其中， 表示下落运动位移，表示单位时长， 表示在平面上的法向力， 表示在平面上的切向力， 表示在平面上的法向减震力， 表示在平面上的切向减震力， 表示第个物料的重量，表示料仓中物料的数目，表示重力加速度，表示时间变量；
利用下述公式计算所述运动模型对应的平面运动位移：
；
其中， 表示平面运动位移， 表示第个物料的重量，表示料仓中物料的数目，表示时间变量， 表示在平面上的法向力， 表示在平面上的切向力， 表示在平面上的法向减震力， 表示在平面上的切向减震力，表示单位时长；
将所述下落运动位移与所述平面运动位移作为分析位移。

[0037] 其中， 表示物料的速度为 时的下落位移， 表示物料的速度为 时的平面位移。

[0038] S4、根据所述效率影响因素，通过所述几何模型与所述分析位移对所述MLCC撒料机进行撒料仿真，得到撒料仿真结果，从所述撒料仿真结果中分析所述MLCC撒料机的撒料效率参数。

[0039] 本发明实施例通过根据所述效率影响因素，通过所述几何模型与所述分析位移对所述MLCC撒料机进行撒料仿真，以在虚拟场景下对MLCC撒料机的撒料过程进行模拟，减少现场模拟的复杂度，提升MLCC撒料机的撒料过程模拟的简便性。

[0040] 可选的，所述根据所述效率影响因素，通过所述几何模型与所述分析位移对所述MLCC撒料机进行撒料仿真，得到撒料仿真结果的过程是指：在仿真软件中建立好几何模型后，设置一组效率影响因素的数值，计算这个数值前提下，物料在几何模型上的分析位移的变化，利用计算的分析位移来确定物料颗粒在几何模型的不同地方所处的位置，直至物料被撒播出MLCC撒料机，其中，所述撒料仿真结果是指物料被撒播出MLCC撒料机后，被撒播的地方所撒播好物料的结果，所述仿真软件例如ADAMS。

[0041] 本发明的一实施例中，所述从所述撒料仿真结果中分析所述MLCC撒料机的撒料效率参数，包括：利用预设的图像采集器采集所述撒料仿真结果中物料的物料撒出图像；利用预设的图像识别技术识别所述物料撒出图像中的物料目标；计算所述物料目标对应的物料撒出位置；获取物料需求区域；对所述物料需求区域进行区域分割，得到分割区域；利用下述公式计算所述物料撒出位置在所述分割区域中的撒料均匀度：；
其中， 表示撒料均匀度， 表示第 个分割区域内的物料撒出位置的数量，表示 个分割区域内的物料撒出位置的数量均值， 表示分割区域的数量；
利用下述公式计算所述物料撒出位置在所述分割区域中的撒料覆盖度：
；
其中，表示撒料覆盖度， 表示以第个物料撒出位置为中心、以 为半径的圆面积，表示料仓中物料的数目， 表示物料需求区域的面积；
利用下述公式计算所述物料的撒料速率：
；
其中，表示撒料速率，表示物料需求区域的数量，表示为 个物料需求区域撒料所需的时长；
将所述撒料均匀度、所述撒料覆盖度及所述撒料速率作为撒料效率参数。

[0042] 其中，所述物料撒出图像是指物料被撒播的状态的图像，例如物料被撒播在地面上，则物料撒出图像是指物料在地面上的分布图像，所述图像识别技术是指深度学习模型，例如YOLOX目标检测模型，所述物料撒出位置是指物料在被撒播区域分布的物理位置，从所述物料撒出图像中可以计算得到每个物料在图像中的位置，由图像采集器对应的摄像机焦距可以直到图像中物体与现实物体之间的映射关系，因此可以通过图像中物料的位置分布来确定现实中物料的位置分布关系，所述分割区域是指将所述物料需求区域分割得到的相同大小的矩形区域。

[0043] S5、分析所述效率影响因素与所述撒料效率参数之间的因素‑效率关系，根据所述因素‑效率关系，确定所述MLCC撒料机的撒料调整方向，利用所述撒料调整方向对所述MLCC撒料机进行撒料计量，得到所述MLCC撒料机的撒料计量结果。

[0044] 其中，所述因素‑效率关系是指每个效率影响因素与所述撒料效率参数之间的曲线图，例如效率影响因素为出口角度，直角坐标系的横坐标为逐渐增大的出口角度，纵坐标为每个撒料效率参数，也就是说，一个类型的效率影响因素与一个类型的撒料效率参数之间的因素‑效率关系，因此，因素‑效率关系的数量有效率影响因素的类别数量乘以撒料效率参数的类别数量个。

[0045] 本发明的一实施例中，所述根据所述因素‑效率关系，确定所述MLCC撒料机的撒料调整方向，包括：计算所述因素‑效率关系的曲线斜率；提取所述曲线斜率中大于预设阈值的目标斜率；在所述因素‑效率关系中查询所述目标斜率对应的目标关系；按照低效至高效的顺序排列所述目标关系中的效率影响因素，得到因素序列；将所述因素序列作为撒料调整方向。

[0046] 其中，所述预设斜率设置为0，所述因素序列是指同一类型的效率影响因素的不同数值的序列。

[0047] 本发明的一实施例中，所述利用所述撒料调整方向对所述MLCC撒料机进行撒料计量，得到所述MLCC撒料机的撒料计量结果，包括：查询所述MLCC撒料机的当前数值是否在所述撒料调整方向内；若所述MLCC撒料机的当前数值在所述撒料调整方向内，按照所述撒料调整方向对所述当前数值进行数值调整，得到所述MLCC撒料机的撒料计量结果；若所述MLCC撒料机的当前数值不在所述撒料调整方向内，计算所述当前数值分别与所述撒料调整方向的最小边界与最大边界之间的数值‑小边界距离与数值‑大边界距离；从所述数值‑小边界距离与数值‑大边界距离中选取最小距离；获取所述最小距离在所述撒料调整方向内的目标边界；将所述当前数值调整为所述目标边界，得到所述MLCC撒料机的撒料计量结果。

[0048] 其中，所述当前数值是指所述MLCC撒料机对应的效率影响因素的数值，所述最小边界是指因素序列的起始点，所述最大边界是指因素序列的终止点。

[0049] 可选的，所述按照所述撒料调整方向对所述当前数值进行数值调整的过程是指按照低效至高效的因素数值的顺序将当前的数值逐渐变化的过程。

[0050] 相比于背景技术所述问题，发明实施例通过采集所述MLCC撒料机的撒料处理时长与撒料运输时长，以用于在后续分析影响撒料时长的MLCC撒料机的机器参数，本发明实施例通过根据所述模型参数，计算所述几何模型的受力数值，以对物料在MLCC撒料机中的运动情况进行受力分析，从而在后续利用所分析的受力数值来计算物料的速度，进一步的，本发明实施例通过对所述运动模型进行位移分析，以用于分析物料在MLCC撒料机的不同位置处所发生的位置的挪动情况，从而在后续的仿真软件中仿真模拟得到物料在整个MLCC撒料机内从起始点至终点所发生的位置变化，本发明实施例通过根据所述效率影响因素，通过所述几何模型与所述分析位移对所述MLCC撒料机进行撒料仿真，以在虚拟场景下对MLCC撒料机的撒料过程进行模拟，减少现场模拟的复杂度，提升MLCC撒料机的撒料过程模拟的简便性。因此，本发明实施例提供的基于深度学习实现MLCC撒料机高效撒料的计量方法及系统可以提升实现MLCC撒料机高效撒料的简便性。

[0051] 实施例2：如图2所示，是本发明一种基于深度学习实现MLCC撒料机高效撒料的计量系统功能模块图。

[0052] 本发明所述一种基于深度学习实现MLCC撒料机高效撒料的计量系统200可以安装于电子设备中。根据实现的功能，所述基于深度学习实现MLCC撒料机高效撒料的计量系统可以包括参数设置模块201、因素分析模块202、位移分析模块203、参数分析模块204及撒料计量模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

[0053] 在本发明实施例中，关于各模块/单元的功能如下：所述参数设置模块201，用于确定MLCC撒料机，建立所述MLCC撒料机的几何模型，设置所述几何模型的模型参数，其中，所述MLCC撒料机包括料仓、空网筐、空网筐输送线、皮带输送线及离心力装置；
所述因素分析模块202，用于采集所述MLCC撒料机的撒料处理时长与撒料运输时长，基于所述撒料处理时长与所述撒料运输时长，计算所述MLCC撒料机的撒料总时长，根据所述撒料总时长，分析所述MLCC撒料机的效率影响因素；
所述位移分析模块203，用于根据所述模型参数，计算所述几何模型的受力数值，基于所述受力数值，建立所述几何模型的运动模型，对所述运动模型进行位移分析，得到分析位移；
所述参数分析模块204，用于根据所述效率影响因素，通过所述几何模型与所述分析位移对所述MLCC撒料机进行撒料仿真，得到撒料仿真结果，从所述撒料仿真结果中分析所述MLCC撒料机的撒料效率参数；
所述撒料计量模块205，用于分析所述效率影响因素与所述撒料效率参数之间的因素‑效率关系，根据所述因素‑效率关系，确定所述MLCC撒料机的撒料调整方向，利用所述撒料调整方向对所述MLCC撒料机进行撒料计量，得到所述MLCC撒料机的撒料计量结果。

[0054] 详细地，本发明实施例中所述基于深度学习实现MLCC撒料机高效撒料的计量系统200中的所述各模块在使用时采用与上述的图1中所述的基于深度学习实现MLCC撒料机高效撒料的计量方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

[0055] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

[0056] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。