用于剥膜液生产的自动配料系统及其配料方法与流程

1.本发明涉及智能生产领域中的智能配料，且更为具体地，涉及一种用于剥膜液生产的自动配料系统及其配料方法。


背景技术：

2.印刷电路板(printed circuit board，pcb)制备过程中，蚀刻后的抗蚀刻膜是否能够完全去除，直接影响着后工序的进行和pcb板的质量，因此，剥膜工序是pcb制备过程中的一道关键工序。
3.目前，一般使用氢氧化钠(naoh)溶液作为剥膜液，剥膜处理后产生的废液的化学需氧量(chemical oxygen demand，cod)较高，废液后处理成本较高。
4.专利号cn110331048b揭露了一种环保型剥膜液，其包括所述环保剥膜液的组分以质量百分比计为：复合碱35％～45％，聚醚表面活性剂3％～5％，水50％～62％；其中，所述复合碱的主要成分包括ca(oh)2、活性白泥、硅藻土和活性碳；所述聚醚表面活性剂为脂肪醇聚氧乙烯醚。
5.但是，在实际产业中，由于剥膜液所要剥离的对象不同，即便是都是pcb线路，但用于不同电气设备的pcb板的表面状态拥有不同的特性，因此，期待一种用于剥膜液生产的自动配料系统，以在配料时考虑待剥离对象的表面状态特征来获得适配于特定剥离对象的较优配方。


技术实现要素：

6.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用于剥膜液生产的自动配料系统及其配料方法，其通过基于深度学习的卷积神经网络模型来挖掘出待剥离对象图像的表面状态特征，并且基于在配料中的剥膜液的各个组分的质量百分比的全局关联特征以及所述剥膜液的各个组分之间的逻辑关联特征来辅助进行聚醚表面活性剂的质量百分比的调整，进而来获得适配于特定剥离对象的较优配方，以得到更好的剥膜效果，保证pcb板的质量。
7.根据本技术的一个方面，提供了一种用于剥膜液生产的自动配料系统，其包括：配料数据采集模块，用于获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳；组分质量百分比编码模块，用于将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量；组分质量百分比关联编码模块，用于将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵；规则运算模块，用于基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系；逻辑矩阵编码模块，用于将所述合取邻接矩阵和所述析取邻接矩
阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵；类邻接矩阵构建模块，用于计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵；融合模块，用于融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵；待剥离对象编码模块，用于将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵；响应模块，用于计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵；以及配料控制模块，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聚醚表面活性剂的质量百分比应增大或应减小。
8.在上述用于剥膜液生产的自动配料系统中，所述组分质量百分比关联编码模块，包括：输入向量转化单元，用于使用所述基于转换器的上下文编码器的嵌入层分别将所述在配料中的剥膜液的各个组分的质量百分比转化为输入向量以获得输入向量的序列；以及，上下文编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个组分特征向量。
9.在上述用于剥膜液生产的自动配料系统中，所述规则运算模块，包括：合取邻接矩阵构造单元，用于基于所述剥膜液的各个组分之间的合取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述合取邻接矩阵；其中，所述公式为：其中，是合取矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0；以及，析取邻接矩阵构造单元，用于基于所述剥膜液的各个组分之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述析取邻接矩阵；其中，所述公式为：其中，是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
10.在上述用于剥膜液生产的自动配料系统中，所述逻辑矩阵编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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的最后一层的输出为所述第一特征矩阵和第二特征矩阵，所述第二卷积神经网络的第一层的输入为所述合取邻接矩阵和所述析取邻接矩阵。
11.在上述用于剥膜液生产的自动配料系统中，所述类邻接矩阵构建模块，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得所述类邻接矩阵；其中，所述公式为：
其中，为所述类邻接矩阵，为所述第一特征矩阵，为所述第二特征矩阵，
“”
表示所述第一特征矩阵和所述第二特征矩阵相对应位置处的元素相加，为用于控制所述类邻接矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数。
12.在上述用于剥膜液生产的自动配料系统中，所述待剥离对象编码模块，进一步用于：所述第三卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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，所述第三卷积神经网络的最后一层的输出为所述表面状态特征矩阵，所述第三卷积神经网络的第一层的输入为所述待剥离对象的图像。
13.在上述用于剥膜液生产的自动配料系统中，所述响应模块，包括：校正单元，用于基于所述表面状态特征矩阵对所述配方特征矩阵中各个位置的特征值进行校正以得到校正后配方特征矩阵；以及，转移单元，用于以如下公式计算所述校正后配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为所述分类特征矩阵，其中，所述公式为：s=t*f，其中f表示所述校正后配方特征矩阵，t表示所述分类特征矩阵，s表示所述表面状态特征矩阵。
14.在上述用于剥膜液生产的自动配料系统中，所述校正单元，进一步用于：基于所述表面状态特征矩阵以如下公式对所述配方特征矩阵中各个位置的特征值进行校正以得到所述校正后配方特征矩阵；其中，所述公式为：所述校正后配方特征矩阵；其中，所述公式为：其中表示所述配方特征矩阵，表示所述表面状态特征矩阵，表示所述配方特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述表面状态特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述配方特征矩阵中各个位置的特征值与所述表面状态特征矩阵中各个位置的特征值之间的距离，表示最大值归一化，且是控制超参数。
[0015]
在上述用于剥膜液生产的自动配料系统中，所述配料控制模块，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0016]
根据本技术的另一方面，一种用于剥膜液生产的自动配料方法，其包括：获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳；将所述在配料中的剥膜液
的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量；将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵；基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系；将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵；计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵；融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵；将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵；计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵；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聚醚表面活性剂的质量百分比应增大或应减小。
[0017]
在上述用于剥膜液生产的自动配料方法中，将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量，包括：使用所述基于转换器的上下文编码器的嵌入层分别将所述在配料中的剥膜液的各个组分的质量百分比转化为输入向量以获得输入向量的序列；以及，使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个组分特征向量。
[0018]
在上述用于剥膜液生产的自动配料方法中，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，包括：基于所述剥膜液的各个组分之间的合取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述合取邻接矩阵；其中，所述公式为：其中，是合取矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0；以及，基于所述剥膜液的各个组分之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述析取邻接矩阵；其中，所述公式为：其中，是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
[0019]
在上述用于剥膜液生产的自动配料方法中，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵，包括：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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的最后一层的输出为所述第一特征矩阵和第二特征矩阵，所述第二卷积神经网络的第一层的输入为所述合取邻接矩阵和所述析取邻接矩阵。
[0020]
在上述用于剥膜液生产的自动配料方法中，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵，包括：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得所述类邻接矩阵；其中，所述公式为：其中，为所述类邻接矩阵，为所述第一特征矩阵，为所述第二特征矩阵，
“”
表示所述第一特征矩阵和所述第二特征矩阵相对应位置处的元素相加，为用于控制所述类邻接矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数。
[0021]
在上述用于剥膜液生产的自动配料方法中，将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵，包括：所述第三卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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，所述第三卷积神经网络的最后一层的输出为所述表面状态特征矩阵，所述第三卷积神经网络的第一层的输入为所述待剥离对象的图像。
[0022]
在上述用于剥膜液生产的自动配料方法中，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵，包括：基于所述表面状态特征矩阵对所述配方特征矩阵中各个位置的特征值进行校正以得到校正后配方特征矩阵；以及，以如下公式计算所述校正后配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为所述分类特征矩阵，其中，所述公式为：s=t*f，其中f表示所述校正后配方特征矩阵，t表示所述分类特征矩阵，s表示所述表面状态特征矩阵。
[0023]
在上述用于剥膜液生产的自动配料方法中，基于所述表面状态特征矩阵对所述配方特征矩阵中各个位置的特征值进行校正以得到校正后配方特征矩阵，包括：基于所述表面状态特征矩阵以如下公式对所述配方特征矩阵中各个位置的特征值进行校正以得到所述校正后配方特征矩阵；其中，所述公式为：其中，所述公式为：其中表示所述配方特征矩阵，表示所述表面状态特征矩阵，表示所述配方特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述表面状态特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述配方特征矩阵中各个位置的特征值与所述表面状态特征矩阵中各个位置的特征值之间的距离，
表示最大值归一化，且是控制超参数。
[0024]
在上述用于剥膜液生产的自动配料方法中，将所述分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0025]
与现有技术相比，本技术提供的用于剥膜液生产的自动配料系统及其配料方法，其通过基于深度学习的卷积神经网络模型来挖掘出待剥离对象图像的表面状态特征，并且基于在配料中的剥膜液的各个组分的质量百分比的全局关联特征以及所述剥膜液的各个组分之间的逻辑关联特征来辅助进行聚醚表面活性剂的质量百分比的调整，进而来获得适配于特定剥离对象的较优配方，以得到更好的剥膜效果，保证pcb板的质量。
附图说明
[0026]
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。
[0027]
图1为根据本技术实施例的用于剥膜液生产的自动配料系统的应用场景图。
[0028]
图2为根据本技术实施例的用于剥膜液生产的自动配料系统的框图。
[0029]
图3为根据本技术实施例的用于剥膜液生产的自动配料系统中响应模块的框图。
[0030]
图4为根据本技术实施例的用于剥膜液生产的自动配料方法的流程图。
[0031]
图5为根据本技术实施例的用于剥膜液生产的自动配料方法的架构示意图。
具体实施方式
[0032]
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。
[0033]
场景概述如前所述，印刷电路板(printed circuit board，pcb)制备过程中，蚀刻后的抗蚀刻膜是否能够完全去除，直接影响着后工序的进行和pcb板的质量，因此，剥膜工序是pcb制备过程中的一道关键工序。
[0034]
目前，一般使用氢氧化钠(naoh)溶液作为剥膜液，剥膜处理后产生的废液的化学需氧量(chemical oxygen demand，cod)较高，废液后处理成本较高。
[0035]
专利号cn110331048b揭露了一种环保型剥膜液，其包括所述环保剥膜液的组分以质量百分比计为：复合碱35％～45％，聚醚表面活性剂3％～5％，水50％～62％；其中，所述复合碱的主要成分包括ca(oh)2、活性白泥、硅藻土和活性碳；所述聚醚表面活性剂为脂肪醇聚氧乙烯醚。
[0036]
但是，在实际产业中，由于剥膜液所要剥离的对象不同，即便是都是pcb线路，但用于不同电气设备的pcb板的表面状态拥有不同的特性，因此，期待一种用于剥膜液生产的自动配料系统，以在配料时考虑待剥离对象的表面状态特征来获得适配于特定剥离对象的较优配方。
[0037]
相应地，本技术发明人考虑到由于在实际的剥膜工序中，不同电气设备的pcb板的表面状态拥有不同的特性，而所述聚醚表面活性剂可以显著降低表面的张力，因此若想对于不同的剥膜对象都能够得到更好的剥膜效果，期望在配料时就考虑到剥膜对象的表面状态特征来进行适配于不同剥离对象的较优配方。这本质上是一个分类的问题，也就是，基于待剥离对象的图像来表示其表面的状态特征，并利用在配料中的剥膜液的各个组分的质量百分比关联特征和逻辑关联特征来辅助进行所述聚醚表面活性剂的质量百分比的分类调整，进而保证pcb板的质量。
[0038]
具体地，在本技术的技术方案中，首先，获取在配料中的剥膜液的各个组分的质量百分比，这里，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳。应可以理解，考虑到所述在配料中的剥膜液的各个组分的质量百分比数据之间存在着关联，因此使用基于转换器的上下文编码器来对其进行编码，以提取出所述在配料中的剥膜液的各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述剥膜液的本质配比特征，从而得到多个组分特征向量。
[0039]
进一步地，将所述多个组分特征向量排列为二维矩阵以整合所述在配料中的剥膜液的各个组分的质量百分比的全局特征信息，并使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其进行特征挖掘，从而得到组分特征矩阵。
[0040]
考虑到规则之间的逻辑运算通常包括合取和析取，分别以符号和表示，用于表示规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对所述剥膜液的各个组分之间也存在这种关系，例如所述剥膜液的各个组分之间需要相互配合反应使用的组分就是“并且”的关系，而所述剥膜液的各个组分中可以使用别的成分替代的组分就是“或者”的关系。因此，在本技术的技术方案中，还需要基于这种逻辑运算规则关系来进行所述剥离液的各个组分百分比之间的隐含关联特征的辅助表征。也就是，首先，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，这里，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系。然后，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络中进行特征提取，以挖掘出所述剥膜液的各个组分之间的隐藏的合取和析取的逻辑运算规则特征，从而获得第一特征矩阵和第二特征矩阵。
[0041]
这样，就可以计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和，来融合所述剥膜液的各个组分之间的合取逻辑关联特征和析取逻辑关联特征，以获得类邻接矩阵。然后，再融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵，进而融合了所述在配料中的剥膜液的各个组分的质量百分比的全局关联特征和所述剥膜液的各个组分之间的隐含逻辑关联特征，以提高后续分类的准确性。
[0042]
若想根据实际的情况来进行所述聚醚表面活性剂的质量百分比的调整，还需要通过摄像头获取待剥离对象的图像。然后，将所述待剥离对象的图像通过作为特征提取器的第三卷积神经网络中进行特征挖掘，以提取出所述待剥离对象的图像的局部高维隐含特
征，从而得到表面状态特征矩阵。
[0043]
应可以理解，进一步地，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，以融合两者的特征信息来进行分类，就可以获得用于表示聚醚表面活性剂的质量百分比应增大或应减小的分类结果。但是，在计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵时，由于所述配方特征矩阵融合了所述类邻接矩阵的逻辑邻取和析取关系，使得所述配方特征矩阵在特征分布上偏离了参数关联语义。
[0044]
由此，如果直接计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，可能会由于所述配方特征矩阵与所述表面状态特征矩阵由于各向异性而分别驻留在整个高维特征空间的一个狭窄子集中，导致转移矩阵的解空间退化而缺乏连续性，一方面提高转移矩阵的计算难度（例如，矩阵求逆的迭代过程难以收敛），另一方面影响转移矩阵的分类性能。
[0045]
因此，优选地在计算转移矩阵之前，首先基于所述表面状态特征矩阵对所述配方特征矩阵的各个特征值进行对比搜索空间同向化，即：特征矩阵的各个特征值进行对比搜索空间同向化，即：其中表示所述配方特征矩阵，表示所述表面状态特征矩阵，表示所述配方特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述表面状态特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述配方特征矩阵中各个位置的特征值与所述表面状态特征矩阵中各个位置的特征值之间的距离，表示最大值归一化，且是控制超参数，例如初始设置为矩阵和之间的距离。
[0046]
这样，通过以上对比搜索空间同向化，可以将所述配方特征矩阵的特征分布转移到与所述表面状态特征矩阵各向同性且有区分度的表示空间，从而在简化转移矩阵的计算的同时，增强了转移矩阵的特征表示的分布连续性，提高了其分类性能，进而提高了分类的准确性。
[0047]
基于此，本技术提出了一种用于剥膜液生产的自动配料系统，其包括：配料数据采集模块，用于获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳；组分质量百分比编码模块，用于将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量；组分质量百分比关联编码模块，用于将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵；规则运算模块，用于基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系；逻辑矩阵编码模块，用于将所述合取邻接矩阵和所述析取邻接矩阵通过第
二卷积神经网络以获得第一特征矩阵和第二特征矩阵；类邻接矩阵构建模块，用于计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵；融合模块，用于融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵；待剥离对象编码模块，用于将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵；响应模块，用于计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵；以及，配料控制模块，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聚醚表面活性剂的质量百分比应增大或应减小。
[0048]
图1图示了根据本技术实施例的用于剥膜液生产的自动配料系统的应用场景图。如图1所示，在该应用场景中，首先，通过云存储端（例如，如图1中所示意的d）获取在配料中的剥膜液（例如，如图1中所示意的t）的各个组分的质量百分比，这里，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳，并且基于云存储端中所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，以及通过摄像头（例如，如图1中所示意的c）获取待剥离对象（例如，如图1中所示意的p）的图像。特别地，在该应用场景中，所述待剥离对象可以为pcb线路。然后，将获得的所述剥膜液的各个组分的质量百分比、所述合取邻接矩阵和所述析取邻接矩阵以及所述待剥离对象的图像输入至部署有用于剥膜液生产的自动配料算法的服务器中（例如，如图1中所示意的云服务器s），其中，所述服务器能够以用于剥膜液生产的自动配料算法对所述剥膜液的各个组分的质量百分比、所述合取邻接矩阵和所述析取邻接矩阵以及所述待剥离对象的图像进行处理，以生成用于表示聚醚表面活性剂的质量百分比应增大或应减小的分类结果。
[0049]
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。
[0050]
示例性系统图2图示了根据本技术实施例的用于剥膜液生产的自动配料系统的框图。如图2所示，根据本技术实施例的用于剥膜液生产的自动配料系统 200，包括：配料数据采集模块 210，用于获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳；组分质量百分比编码模块 220，用于将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量；组分质量百分比关联编码模块 230，用于将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵；规则运算模块 240，用于基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系；逻辑矩阵编码模块 250，用于将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵；类邻接矩阵构建模块 260，用于计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵；融合模块 270，用于融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵；待剥离对象编码模块 280，用于将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵；响应模块 290，用于计算所述配方特征矩阵相
对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵；以及，配料控制模块 300，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聚醚表面活性剂的质量百分比应增大或应减小。
[0051]
具体地，在本技术实施例中，所述配料数据采集模块 210和所述组分质量百分比编码模块 220，用于获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳，并将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量。如前所述，由于在实际的剥膜工序中，不同电气设备的pcb板的表面状态拥有不同的特性，而所述聚醚表面活性剂可以显著降低表面的张力，因此若想对于不同的剥膜对象都能够得到更好的剥膜效果，在本技术的技术方案中，期望在配料时就考虑到剥膜对象的表面状态特征来进行适配于不同剥离对象的较优配方。这本质上是一个分类的问题，也就是，基于待剥离对象的图像来表示其表面的状态特征，并利用在配料中的剥膜液的各个组分的质量百分比关联特征和逻辑关联特征来辅助进行所述聚醚表面活性剂的质量百分比的分类调整，进而保证pcb板的质量。
[0052]
也就是，具体地，在本技术的技术方案中，首先，获取在配料中的剥膜液的各个组分的质量百分比，这里，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳。应可以理解，考虑到所述在配料中的剥膜液的各个组分的质量百分比数据之间存在着关联，因此，在本技术的技术方案中，进一步使用基于转换器的上下文编码器来对其进行编码，以提取出所述在配料中的剥膜液的各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述剥膜液的本质配比特征，从而得到多个组分特征向量。
[0053]
更具体地，在本技术实施例中，所述组分质量百分比关联编码模块，包括：输入向量转化单元，用于使用所述基于转换器的上下文编码器的嵌入层分别将所述在配料中的剥膜液的各个组分的质量百分比转化为输入向量以获得输入向量的序列；以及，上下文编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个组分特征向量。
[0054]
具体地，在本技术实施例中，所述组分质量百分比关联编码模块 230，用于将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵。也就是，在本技术的技术方案中，进一步地，将所述多个组分特征向量排列为二维矩阵以整合所述在配料中的剥膜液的各个组分的质量百分比的全局特征信息，并使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其进行特征挖掘，从而得到组分特征矩阵。
[0055]
具体地，在本技术实施例中，所述规则运算模块 240和所述逻辑矩阵编码模块 250，用于基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系，并将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵。应可以理解，考虑到规则之间的逻辑运算通常包括合取和析取，分别以符号和表示，用于表示规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对所述剥
膜液的各个组分之间也存在这种关系，例如所述剥膜液的各个组分之间需要相互配合反应使用的组分就是“并且”的关系，而所述剥膜液的各个组分中可以使用别的成分替代的组分就是“或者”的关系。因此，在本技术的技术方案中，还需要基于这种逻辑运算规则关系来进行所述剥离液的各个组分百分比之间的隐含关联特征的辅助表征。也就是，首先，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，这里，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系。然后，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络中进行特征提取，以挖掘出所述剥膜液的各个组分之间的隐藏的合取和析取的逻辑运算规则特征，从而获得第一特征矩阵和第二特征矩阵。
[0056]
相应地，在一个具体示例中，所述逻辑矩阵编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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的最后一层的输出为所述第一特征矩阵和第二特征矩阵，所述第二卷积神经网络的第一层的输入为所述合取邻接矩阵和所述析取邻接矩阵。
[0057]
更具体地，在本技术实施例中，所述规则运算模块，包括：合取邻接矩阵构造单元，用于基于所述剥膜液的各个组分之间的合取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述合取邻接矩阵；其中，所述公式为：其中，是合取矩阵，用于表示相应的一对规则构成合取范式时矩阵位置取1，而非合取范式时矩阵位置取0；以及，析取邻接矩阵构造单元，用于基于所述剥膜液的各个组分之间的析取的逻辑运算规则以如下公式来构建所述各个组分对应的组分特征向量之间的所述析取邻接矩阵；其中，所述公式为：其中，是析取邻接矩阵，用于表示相应的一对规则构成析取范式时矩阵位置取1，而非析取范式时矩阵位置取0。
[0058] 具体地，在本技术实施例中，所述类邻接矩阵构建模块 260和所述融合模块 270，用于计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵，并融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵。也就是，在本技术的技术方案中，进一步就可以计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和，来融合所述剥膜液的各个组分之间的合取逻辑关联特征和析取逻辑关联特征，以获得类邻接矩阵。然后，再融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵，进而融合了所述在配料中的剥膜液的各个组分的质量百分比的全局关联特征和所述剥膜液
的各个组分之间的隐含逻辑关联特征，以提高后续分类的准确性。
[0059]
更具体地，在本技术实施例中，所述类邻接矩阵构建模块，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得所述类邻接矩阵；其中，所述公式为： 其中，为所述类邻接矩阵，为所述第一特征矩阵，为所述第二特征矩阵，
“”
表示所述第一特征矩阵和所述第二特征矩阵相对应位置处的元素相加，为用于控制所述类邻接矩阵中所述第一特征矩阵和所述第二特征矩阵之间的平衡的加权参数。
[0060] 具体地，在本技术实施例中，所述待剥离对象编码模块 280，用于将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵。应可以理解，若想根据实际的情况来进行所述聚醚表面活性剂的质量百分比的调整，还需要通过摄像头获取待剥离对象的图像。然后，将所述待剥离对象的图像通过作为特征提取器的第三卷积神经网络中进行特征挖掘，以提取出所述待剥离对象的图像的局部高维隐含特征，从而得到表面状态特征矩阵。
[0061]
更具体地，在本技术实施例中，所述待剥离对象编码模块，进一步用于：所述第三卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行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通道维度的均值池化以得到池化特征图；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，所述第三卷积神经网络的最后一层的输出为所述表面状态特征矩阵，所述第三卷积神经网络的第一层的输入为所述待剥离对象的图像。
[0062]
具体地，在本技术实施例中，所述响应模块 290，用于计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵。应可以理解，进一步地，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，以融合两者的特征信息来进行分类，就可以获得用于表示聚醚表面活性剂的质量百分比应增大或应减小的分类结果。但是，在计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵时，由于所述配方特征矩阵融合了所述类邻接矩阵的逻辑邻取和析取关系，使得所述配方特征矩阵在特征分布上偏离了参数关联语义。由此，如果直接计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，可能会由于所述配方特征矩阵与所述表面状态特征矩阵由于各向异性而分别驻留在整个高维特征空间的一个狭窄子集中，导致转移矩阵的解空间退化而缺乏连续性，一方面提高转移矩阵的计算难度（例如，矩阵求逆的迭代过程难以收敛），另一方面影响转移矩阵的分类性能。因此，在本技术的技术方案中，优选地在计算所述转移矩阵之前，首先基于所述表面状态特征矩阵对所述配方特征矩阵的各个特征值进行对比搜索空间同向化。也就是，通过以上所述对比搜索空间同向化，可以将所述配方特征矩阵的特征分布转移到与所述表面状态特征矩阵各向同性且有区分度的表示空间，从而在简化所述转移矩阵的计算的同时，增强了所述转移矩阵的特征表示的分布连续性，提高了其分类性能，进而提高了分类的准确性。
[0063]
更具体地，在本技术的实施例中，所述响应模块，包括：首先，基于所述表面状态特征矩阵对所述配方特征矩阵中各个位置的特征值进行校正以得到校正后配方特征矩阵。相
应地，在一个具体示例中，基于所述表面状态特征矩阵以如下公式对所述配方特征矩阵中各个位置的特征值进行校正以得到所述校正后配方特征矩阵；其中，所述公式为：各个位置的特征值进行校正以得到所述校正后配方特征矩阵；其中，所述公式为：其中表示所述配方特征矩阵，表示所述表面状态特征矩阵，表示所述配方特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述表面状态特征矩阵的相应位置的归一化到[0,1]区间内的特征值，表示所述配方特征矩阵中各个位置的特征值与所述表面状态特征矩阵中各个位置的特征值之间的距离，表示最大值归一化，且是控制超参数，例如初始设置为矩阵和之间的距离。
[0064]
然后，以如下公式计算所述校正后配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为所述分类特征矩阵，其中，所述公式为：s=t*f，其中f表示所述校正后配方特征矩阵，t表示所述分类特征矩阵，s表示所述表面状态特征矩阵。
[0065] 图3图示了根据本技术实施例的用于剥膜液生产的自动配料系统中响应模块的框图。如图3所示，所述响应模块 290，包括：校正单元 291，用于基于所述表面状态特征矩阵对所述配方特征矩阵中各个位置的特征值进行校正以得到校正后配方特征矩阵；以及，转移单元 292，用于以如下公式计算所述校正后配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为所述分类特征矩阵，其中，所述公式为：s=t*f，其中f表示所述校正后配方特征矩阵，t表示所述分类特征矩阵，s表示所述表面状态特征矩阵。
[0066]
具体地，在本技术实施例中，所述配料控制模块 300，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聚醚表面活性剂的质量百分比应增大或应减小。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0067] 综上，基于本技术实施例的所述用于剥膜液生产的自动配料系统 200被阐明，其通过基于深度学习的卷积神经网络模型来挖掘出待剥离对象图像的表面状态特征，并且基于在配料中的剥膜液的各个组分的质量百分比的全局关联特征以及所述剥膜液的各个组分之间的逻辑关联特征来辅助进行聚醚表面活性剂的质量百分比的调整，进而来获得适配于特定剥离对象的较优配方，以得到更好的剥膜效果，保证pcb板的质量。
[0068]
如上所述，根据本技术实施例的用于剥膜液生产的自动配料系统 200可以实现在各种终端设备中，例如用于剥膜液生产的自动配料算法的服务器等。在一个示例中，根据本技术实施例的用于剥膜液生产的自动配料系统 200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，该用于剥膜液生产的自动配料系统 200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，该用于剥膜液生产的自动配料系统 200同样可以是该终端设备的众多硬件模块之一。
[0069]
替换地，在另一示例中，该用于剥膜液生产的自动配料系统 200与该终端设备也可以是分立的设备，并且该用于剥膜液生产的自动配料系统 200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。
[0070]
示例性方法图4图示了用于剥膜液生产的自动配料方法的流程图。如图4所示，根据本技术实施例的用于剥膜液生产的自动配料方法，包括步骤：s110，获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳；s120，将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量；s130，将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵；s140，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系；s150，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵；s160，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵；s170，融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵；s180，将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵；s190，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵；以及，s200，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聚醚表面活性剂的质量百分比应增大或应减小。
[0071]
图5图示了根据本技术实施例的用于剥膜液生产的自动配料方法的架构示意图。如图5所示，在所述用于剥膜液生产的自动配料方法的网络架构中，首先，将获得的所述在配料中的剥膜液的各个组分的质量百分比（例如，如图5中所示意的p）通过基于转换器的上下文编码器（例如，如图5中所示意的e）以得到多个组分特征向量（例如，如图5中所示意的vf1）；接着，将所述多个组分特征向量排列为二维矩阵（例如，如图5中所示意的m）后通过作为特征提取器的第一卷积神经网络（例如，如图5中所示意的cnn1）以得到组分特征矩阵（例如，如图5中所示意的mc）；然后，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵（例如，如图5中所示意的m1）和析取邻接矩阵（例如，如图5中所示意的m2）；接着，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络（例如，如图5中所示意的cnn2）以获得第一特征矩阵（例如，如图5中所示意的mf1）和第二特征矩阵（例如，如图5中所示意的mf2）；然后，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵（例如，如图5中所示意的mf）；接着，融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵（例如，如图5中所示意的ma）；然后，将获取的待剥离对象的图像（例如，如图5中所示意的q）通过作为特征提取器的第三卷积神经网络（例如，如图5中所示意的cnn3）以得到表面状态特征矩阵（例如，如图5中所示意的ms）；接着，计算所述配方特征矩阵相对于所述表面状态特征矩阵
的转移矩阵作为分类特征矩阵（例如，如图5中所示意的ml）；以及，最后，将所述分类特征矩阵通过分类器（例如，如图5中所示意的分类器）以得到分类结果，所述分类结果用于表示聚醚表面活性剂的质量百分比应增大或应减小。
[0072]
更具体地，在步骤s110和步骤s120中，获取在配料中的剥膜液的各个组分的质量百分比，其中，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳，并将所述在配料中的剥膜液的各个组分的质量百分比通过基于转换器的上下文编码器以得到多个组分特征向量。应可以理解，由于在实际的剥膜工序中，不同电气设备的pcb板的表面状态拥有不同的特性，而所述聚醚表面活性剂可以显著降低表面的张力，因此若想对于不同的剥膜对象都能够得到更好的剥膜效果，在本技术的技术方案中，期望在配料时就考虑到剥膜对象的表面状态特征来进行适配于不同剥离对象的较优配方。这本质上是一个分类的问题，也就是，基于待剥离对象的图像来表示其表面的状态特征，并利用在配料中的剥膜液的各个组分的质量百分比关联特征和逻辑关联特征来辅助进行所述聚醚表面活性剂的质量百分比的分类调整，进而保证pcb板的质量。
[0073]
也就是，具体地，在本技术的技术方案中，首先，获取在配料中的剥膜液的各个组分的质量百分比，这里，所述剥膜液的组分包括复合碱、聚醚表面活性剂和水，所述复合碱包括ca(oh)2、活性白泥、硅藻土和活性碳。应可以理解，考虑到所述在配料中的剥膜液的各个组分的质量百分比数据之间存在着关联，因此，在本技术的技术方案中，进一步使用基于转换器的上下文编码器来对其进行编码，以提取出所述在配料中的剥膜液的各个组分的质量百分比之间的基于全局的高维语义特征以更适于表征所述剥膜液的本质配比特征，从而得到多个组分特征向量。
[0074]
更具体地，在步骤s130中，将所述多个组分特征向量排列为二维矩阵后通过作为特征提取器的第一卷积神经网络以得到组分特征矩阵。也就是，在本技术的技术方案中，进一步地，将所述多个组分特征向量排列为二维矩阵以整合所述在配料中的剥膜液的各个组分的质量百分比的全局特征信息，并使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来对其进行特征挖掘，从而得到组分特征矩阵。
[0075]
更具体地，在步骤s140和步骤s150中，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，其中，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系，并将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络以获得第一特征矩阵和第二特征矩阵。应可以理解，考虑到规则之间的逻辑运算通常包括合取和析取，分别以符号和表示，用于表示规则之间的并列或者替代关系，也就是“并且”和“或者”的含义。而针对所述剥膜液的各个组分之间也存在这种关系，例如所述剥膜液的各个组分之间需要相互配合反应使用的组分就是“并且”的关系，而所述剥膜液的各个组分中可以使用别的成分替代的组分就是“或者”的关系。因此，在本技术的技术方案中，还需要基于这种逻辑运算规则关系来进行所述剥离液的各个组分百分比之间的隐含关联特征的辅助表征。也就是，首先，基于所述剥膜液的各个组分之间的合取和析取的逻辑运算规则来构建所述各个组分对应的组分特征向量之间的合取邻接矩阵和析取邻接矩阵，这里，所述合取逻辑运算规则表示规则之间的并列关系，所述析取逻辑运算表示规则之间的替换关系。然后，将所述合取邻接矩阵和所述析取邻接矩阵通过第二卷积神经网络中进行
特征提取，以挖掘出所述剥膜液的各个组分之间的隐藏的合取和析取的逻辑运算规则特征，从而获得第一特征矩阵和第二特征矩阵。
[0076]
更具体地，在步骤s160和步骤s170中，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和以获得类邻接矩阵，并融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵。也就是，在本技术的技术方案中，进一步就可以计算所述第一特征矩阵和所述第二特征矩阵之间的按位置加权和，来融合所述剥膜液的各个组分之间的合取逻辑关联特征和析取逻辑关联特征，以获得类邻接矩阵。然后，再融合所述组分特征矩阵和所述类邻接矩阵以得到配方特征矩阵，进而融合了所述在配料中的剥膜液的各个组分的质量百分比的全局关联特征和所述剥膜液的各个组分之间的隐含逻辑关联特征，以提高后续分类的准确性。
[0077]
更具体地，在步骤s180中，将获取的待剥离对象的图像通过作为特征提取器的第三卷积神经网络以得到表面状态特征矩阵。应可以理解，若想根据实际的情况来进行所述聚醚表面活性剂的质量百分比的调整，还需要通过摄像头获取待剥离对象的图像。然后，将所述待剥离对象的图像通过作为特征提取器的第三卷积神经网络中进行特征挖掘，以提取出所述待剥离对象的图像的局部高维隐含特征，从而得到表面状态特征矩阵。
[0078]
更具体地，在步骤s190中，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵作为分类特征矩阵。应可以理解，进一步地，计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，以融合两者的特征信息来进行分类，就可以获得用于表示聚醚表面活性剂的质量百分比应增大或应减小的分类结果。但是，在计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵时，由于所述配方特征矩阵融合了所述类邻接矩阵的逻辑邻取和析取关系，使得所述配方特征矩阵在特征分布上偏离了参数关联语义。由此，如果直接计算所述配方特征矩阵相对于所述表面状态特征矩阵的转移矩阵，可能会由于所述配方特征矩阵与所述表面状态特征矩阵由于各向异性而分别驻留在整个高维特征空间的一个狭窄子集中，导致转移矩阵的解空间退化而缺乏连续性，一方面提高转移矩阵的计算难度（例如，矩阵求逆的迭代过程难以收敛），另一方面影响转移矩阵的分类性能。因此，在本技术的技术方案中，优选地在计算所述转移矩阵之前，首先基于所述表面状态特征矩阵对所述配方特征矩阵的各个特征值进行对比搜索空间同向化。也就是，通过以上所述对比搜索空间同向化，可以将所述配方特征矩阵的特征分布转移到与所述表面状态特征矩阵各向同性且有区分度的表示空间，从而在简化所述转移矩阵的计算的同时，增强了所述转移矩阵的特征表示的分布连续性，提高了其分类性能，进而提高了分类的准确性。
[0079]
更具体地，在步骤s200中，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聚醚表面活性剂的质量百分比应增大或应减小。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0080]
综上，基于本技术实施例的所述用于剥膜液生产的自动配料方法被阐明，其通过基于深度学习的卷积神经网络模型来挖掘出待剥离对象图像的表面状态特征，并且基于在
配料中的剥膜液的各个组分的质量百分比的全局关联特征以及所述剥膜液的各个组分之间的逻辑关联特征来辅助进行聚醚表面活性剂的质量百分比的调整，进而来获得适配于特定剥离对象的较优配方，以得到更好的剥膜效果，保证pcb板的质量。
[0081]
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。
[0082]
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。
[0083]
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。
[0084]
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。
[0085]
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。