一种基于人工智能的包装盒加工用纸板自动裁切控制系统的制作方法

本发明涉及智能加工，具体为一种基于人工智能的包装盒加工用纸板自动裁切控制系统。

背景技术：

1、包装盒加工用纸板是经过特殊设计和制造的纸板，用于生产各种类型的包装盒。这种纸板通常具备一定的厚度和强度，以确保在运输和使用过程中能够有效地保护盒内物品。随着人工智能技术的不断发展，包装盒加工用纸板制造行业引入智能自动裁切系统，包装盒加工用纸板制造行业通过引入人工智能技术，不仅提高了生产效率，还加强了质量控制，为行业的可持续发展注入了新的活力。

2、现阶段在传统的激光裁切机，在对包装盒加工用纸板进行裁切的操作中，往往需要手动进行参数调整和监测，存在着效率低下和人为因素影响裁切质量的问题，而对于激光裁切机的激光输出功率、聚焦透镜的选择以及运动平台的控制，缺乏不准确性，导致裁切过程中出现毛糙和烧焦的质量问题，此外，由于不同类型的纸板材料具有不同的特性，传统的裁切参数无法适应所有情况，需要人工干预。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于人工智能的包装盒加工用纸板自动裁切控制系统，解决了背景技术中提到的问题。

3、技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：包括智能学习模块、控制设备检测模块、数据采集模块、集成分析模块和控制评估模块；

5、所述智能学习模块用于构建人工智能模型，通过人工智能模型对包装盒加工用纸板，进行图像采集，通过大数据采集大量纸板材料信息，进行训练人工智能模型对包装盒加工用纸板材料，进行精准识别，并通过所识别的纸板材料的厚度、硬度和面积进行初步自动调试激光裁切机参数，进行初步实验裁切调控；

6、所述控制设备检测模块用于在纸板激光裁切机的内部和外部，布设若干检测点，并安装集成检测设备，分别对激光裁切机工作时的综合设备数据和裁切后纸板的毛糙数据，进行实时检测，并将调整参数保存至数据库；

7、所述数据采集模块用于对控制设备检测模块，所检测到的综合设备数据和毛糙数据进行分类汇总后，生成第一数据集和第二数据集，并将所生成的第一数据集和第二数据集，发送至集成分析模块进行分析；

8、所述集成分析模块包括第一分析单元、第二分析单元和第三相关联分析单元，所述第一分析单元用于依据第一数据集，提取激光器数据集、透镜数据集和运动控制数据集，无量纲处理后，进行分析计算获取激光器系数jgxs、透镜系数tjxs和运动控制系数ydxs；并有第二分析单元依据第二数据集，提取毛糙数据集，无量纲处理后，进行分析计算获取毛糙系数mcxs；再由第三相关联分析单元将激光器系数jgxs、透镜系数tjxs和运动控制系数ydxs，进行相关联分析计算，获取综合激光设备系数sbxs，并将综合激光设备系数sbxs与毛糙系数mcxs进行相关联分析，获取综合裁切系数qgxs；

9、所述综合激光设备系数sbxs和毛糙系数mcxs通过以下公式获取；

10、

11、

12、式中，a1、a2和a3分别表示激光器系数jgxs、透镜系数tjxs和运动控制系数ydxs的预设比例系数，且，a1≠a2，0＜a1＜0.56，0＜a2＜0.78，0＜a3＜0.61，其具体值由用户调整设置，a为第一修正常数；

13、mcg表示毛刺高度，mcc表示毛刺尺寸，mjd表示形变角度，msd表示裁切深度，msj表示烧焦量；

14、所述控制评估模块用于预设第一评估阈值l与第二分析单元所获取的毛糙系数mcxs，进行初步对比评估，并生成相关评估结果，同时在预设第二评估阈值q与第三相关联分析单元所获取的获取综合裁切系数qgxs，进行对比评估，并根据评估结果生成自动调控方案。

15、优选的，所述智能学习模块采用摄像头采集设备捕获纸板的图像，并对采集到的纸板图像进行预处理，包括去噪、调整亮度和对比度操作，并对预处理后的纸板图像中提取关键特征，包括纸板的颜色、纹理、图案和边缘信息，将图像中的信息转化为计算机理解的数字和向量形式，基于提取的特征，使用卷积神经网络构建人工智能模型进行训练，优化模型训练准确鉴别不同类型的纸板，这包括纸板的厚度、硬度和面积，并根据所识别出的纸板类型，进行自适应初步调节激光裁切机的裁切功率。

16、优选的，所述控制设备检测模块包括第一检测单元和第二检测单元；

17、所述第一检测单元包括第一集成传感器组、第二集成传感器组和第三集成传感器组，用于对激光裁切设备的综合设备数据进行实时检测；

18、所述第一集成传感器组用于对激光裁切设备的激光器进行实时检测，包括功率传感器、脉冲控制器、能量传感器和激光控制系统调节器；

19、所述第二集成传感器组用于对激光裁切器的透镜数据进行实时检测，包括焦距测量仪器、光束直径测量仪器、曲率半径测量仪器、光谱仪和折射计；

20、所述第三集成传感器组用于对激光裁切器的运动控制设备进行实时检测，包括位置传感器、线性编码器、激光干涉仪和加速度传感器；

21、所述第二检测单元包括第四集成传感器组，用于对激光裁切机裁切后纸板连接处的毛糙数据进行实时监测，所述第四集成传感器组包括表面轮廓扫描仪、激光三维测量仪器、角度传感器、光学传感器和红外线传感器。

22、优选的，通过控制设备检测模块所检测的综合设备数据和毛糙数据，由数据采集模块进行无量纲处理后，并进行分类汇总，生成第一数据集和第二数据集；

23、所述第一数据集包括激光器数据集、透镜数据集和运动控制数据集；

24、所述激光器数据集包括激光功率jgl、波长jbc、脉冲重复率jmc、脉冲宽度jkd、脉冲能量jnl和脉冲峰值功率jfz；

25、所述透镜数据集包括焦距tjj、光束直径tzj、曲率半径tbj、透过率tgl和折射率tzs；

26、所述运动控制数据集运动平台速度yds、激光头移动速度yjg、定位精度ydw，激光头加速度yjs和激光头减速度ysd；

27、所述第二数据集包括毛糙数据集，所述毛糙数据集包括毛刺高度mcg、毛刺尺寸mcc、形变角度mjd、裁切深度msd和烧焦量msj。

28、优选的，所述第一分析单元包括激光器数据分析单元、透镜数据分析单元和运动控制数据分析单元；

29、所述激光器数据分析单元用于依据第一数据集中的激光器数据集，进行分析计算获取激光器系数jgxs；

30、所述激光器系数jgxs通过以下公式获取；

31、

32、公式的意义在于，通过人工智能初步识别纸板的类型，进行自定义设置激光裁切器的激光裁切参数，用于初步的裁切测试，并根据裁切结果，进行自动调节至正常裁切状态。

33、优选的，所述透镜数据分析单元用于依据第一数据集中的透镜数据集，进行分析计算获取透镜系数tjxs；

34、所述透镜系数tjxs通过以下公式获取；

35、

36、公式的意义在于，准确的参数设置和监测有助于优化裁切过程、优化裁切质量和控制废品率，并确保激光裁切机的稳定性和性能。

37、优选的，所述运动控制数据分析单元用于依据第一数据集中的运动控制数据集，进行分析计算后生成运动控制系数ydxs；

38、所述运动控制系数ydxs通过以下公式获取；

39、

40、优选的，所述第三相关联分析单元用于对第一分析单元，所获取的激光器系数jgxs、透镜系数tjxs和运动控制系数ydxs，进行相关联分析获取综合激光设备系数sbxs，将综合激光设备系数sbxs与第二分析单元所获取的毛糙系数mcxs进行相关联分析，获取综合裁切系数qgxs；

41、所述综合裁切系数qgxs通过以下公式获取；

42、

43、式中，b1和b2分别表示综合激光设备系数sbxs和毛糙系数mcxs的预设比例系数，且，b1≠b2，0＜b1＜0.64，0＜b2＜0.82，其具体值由用户调整设置，b为第二修正常数。

44、优选的，所述控制评估模块包括第一评估单元和第二评估单元；

45、所述第一评估单元用于预设第一评估阈值l与第二分析单元所获取的毛糙系数mcxs，对人工智能模型初步自适应调试的激光器裁切参数调试结果，进行开启初级评估机制对比评估，并生成相关的评估结果具体评估方案如下；

46、当毛糙系数mcxs＞第一评估阈值l时，则表示当前人工智能模型初步自适应的激光裁切器的参数，存在异常，在裁切后纸板的裁切处会出现毛刺和烧焦现象，此时无需生成评估结果开启次级评估机制；

47、当毛糙系数mcxs＝第一评估阈值l时，则表示当前人工智能模型初步自适应的激光裁切器的参数，符合裁切要求，在裁切后纸板的裁切处光滑平整，此时无需开启次级评估机制，生成第一评估结果；

48、当毛糙系数mcxs＜第一评估阈值l时，则表示当前人工智能模型初步自适应的激光裁切器的参数，存在异常，在裁切后纸板的裁切处存在形变、未切开和未切断现象，此时无需生成评估结果则开启次级评估机制。

49、优选的，所述第二评估单元由第一评估单元所触发的次级评估机制，通过预设第二评估阈值q与第三相关联分析单元所获取的获取综合裁切系数qgxs，进行对比评估，并根据评估结果对激光裁切机进行调控；

50、当综合裁切系数qgxs＞第二评估阈值q时，表示当前激光裁切机的输出功率导致包装盒加工用纸板，存在烧焦和毛刺现象，此时通过人工智能模型采集初步裁切测试的结果，分析烧焦情况和毛刺情况，对激光裁切机的激光输出功率降低至50％，并将激光的宽度降低20％；

51、当综合裁切系数≤第二评估阈值q时，表示当前激光裁切机的数据功率导致包装盒加工用纸板，存在形变、未切开和未切断现象，此时则需要将激光器的透镜进行更换，优化激光透镜焦距距离和激光的透过性能，采用人工智能模型中的摄像功能，进行精准定位控制激光裁切机的运动控制系统，进行精准定位。

52、有益效果

53、本发明提供了一种基于人工智能的包装盒加工用纸板自动裁切控制系统。具备以下有益效果：

54、(1)该系统运用智能学习模块，通过高性能摄像头采集设备对包装盒加工用纸板进行图像捕获，在预处理阶段，系统通过去噪、亮度和对比度调整处理，对图像进行优化关键特征，如颜色、纹理、图案和边缘信息，便于人工智能模型精准提取纸板信息，再通过卷积神经网络构建人工智能模型，并进行训练，使其能够准确识别不同类型的纸板，包括纸板的厚度、硬度和面积，这种自适应学习机制使得系统具备智能调节激光裁切机裁切功率的能力，能够根据实时识别的纸板类型进行实时调整，这不仅显著提高了裁切的准确性，还使系统更具适应性，系统通过不断学习和优化，使得在处理不同纸板类型时都能够精准、高效地进行自动调节，从而确保了生产过程的灵活性和稳定性，这一智能化的自适应学习过程为包装盒加工提供了卓越的裁切性能和生产效率。

55、(2)该系统通过集成分析模块，系统对从激光器、透镜和运动控制方面提取的数据进行分析计算，这包括激光器系数jgxs、透镜系数tjxs和运动控制系数ydxs，这些系数经过相关联分析计算，得到综合激光设备系数sbxs，并与毛糙系数mcxs进行相关联分析，获得综合裁切系数qgxs，通过这种方式，系统可以实现裁切参数的动态调整，确保在不同工况下获得最佳裁切效果。

56、(3)该系统通过控制评估模块设定了两个评估阈值，分别与毛糙系数mcxs和综合裁切系数qgxs进行对比评估，第一评估单元对初步调试结果进行比较评估，当毛糙系数mcxs不满足预设的第一评估阈值l时，系统触发次级评估机制。第二评估单元通过对比综合裁切系数qgxs与第二评估阈值q，判断激光裁切机的输出功率是否需要调整，以避免烧焦和毛刺现象，整个过程实现了对激光裁切机参数的智能调控，确保裁切后的纸板质量达到预期标准，也为人工智能模型自动调控激光裁切机各项参数，提供参照数据，用于后续在不断的迭代与学习后，实现快速和精准的调控。