[發明專利]一種可編程控制器視覺功能塊FBD的內部變量優化方法

有效

• 申請號: 202010087845.4
• 申請日: 2020-02-12
• 公開（公告）號: CN111401400B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 鄔惠峰;趙浩;陳佰平
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

本發明公開了可編程控制器視覺功能塊FBD的內部變量優化方法，包括以下步驟：S10，訓練模型；S20，使用模型；其中，訓練模型包括以下步驟：S11，構建訓練集；S12，獲取訓練集標簽；S13，深度卷積神經網絡訓練；使用模型包括以下步驟：S21，輸入圖片于模型中；S22，計算得到變量類型集合；S23，更新到模塊函數中。本發明能有效地降低可編程控制器視覺功能塊FBD的運行內存，并在一定程度上加快運行速度。

技術領域

本發明屬于可編程邏輯控制技術領域，具體涉及一種可編程控制器視覺功能塊FBD的內部變量優化方法。

背景技術

最初的可編程控制器主要應用在順序邏輯控制上，用來取代繼電器控制系統，實現邏輯控制和順序控制。后來，可編程控制器在工業領域的主要用途是運動控制。隨著時代發展，PLC運算速度更快、存儲容量更大，這讓可編程控制器有機會和機器視覺聯系。當前機器視覺和可編程控制器并非一體，但是在未來，機器視覺會成為可編程控制器的一個重要用途。

機器視覺算法和順序邏輯算法最大的不同在于他們的計算內存和計算復雜度。前者明顯比后者的耗能高，針對這樣的問題，需要在算法進入可編程控制器運算前進行優化，降低計算內存以及復雜度。

發明內容

鑒于以上存在的技術問題，本發明用于提供一種可編程控制器視覺功能塊?FBD的內部變量優化方法，該方法能有效地降低可編程控制器視覺功能塊FBD?的運行內存，并在一定程度上加快運行速度。

為解決上述技術問題，本發明采用如下的技術方案：

包括以下步驟：

S10，訓練模型；

S20，使用模型；

其中，訓練模型包括以下步驟：

S11，構建訓練集；

S12，獲取訓練集標簽；

S13，深度卷積神經網絡訓練；

使用模型包括以下步驟：

S21，輸入圖片于模型中；

S22，計算得到變量類型集合；

S23，更新到模塊函數中。

優選地，所述構建訓練集包括對圖片進行剪裁以符合神經網絡的輸入標準，并對圖片的像素進行歸一化。

優選地，所述獲取訓練集標簽，通過手動方式獲取。

優選地，所述獲取訓練集標簽，通過自動方式獲取。

優選地，所述自動獲取訓練集標簽包括以下步驟：

首先，構建一個所有數據類型的集合T，將T中的數據類型從大到小排列，以使后續循環時找出運行空間最小并且正確的變量類型；

然后，編寫自動化的腳本，該腳本首先將訓練集中的所有圖片通過執行當下未優化的函數獲取正確的結果圖片集R；

之后，該腳本通過正則表達式獲取函數的所有變量并形成一個數組V；

再后，循環數組V中的每一個變量，按T中的順序改變其變量類型并執行獲取到結果圖片，若結果圖片和結果圖片集R中的正確結果圖片相同，則認為該變量是合適的，繼續循環，直到結果圖片與R中的結果圖片不相同，則前面一個變量類型為當前變量的空間最優變量類型。

優選地，所述獲取訓練集標簽中的標簽為數組，該數組包括函數所有變量的變量類型。

優選地，所述深度卷積神經網絡包括卷積層、激勵層、池化層和全連接層。

采用本發明具有如下的有益效果：