具体实施方式

下面结合附图对本发明进行详细的介绍。

本实施方式提供了一种遮光控制系统，如图1所示，主要由依次设置在机架10上的物体传送装置4、遮光装置3和扫描装置1组成；物体传送装置4用于将待扫描物体传输到扫描区域内，遮光装置3用于对扫描区域的顶部和四周进行遮光，扫描装置1用于对待扫描物体进行扫描。

如图1和2所示，物体传送装置4包括透明放置板42和输送导轨41，输送导轨41水平固定在机架10上，透明放置板42与输送导轨41可动连接，设置在机架10上的放置板驱动机构用于驱动透明放置板42沿输送导轨41水平移入或移出扫描区域；放置板驱动机构中，第一电机45固定在机架10上，齿轮44的转轴固定在第一电机45的输出轴上，齿条43的一侧与透明放置板42固定，另一侧与齿轮44啮合。

如图3至5所示，遮光装置3包括单片机控制器、第一转轴电机36、第二转轴电机37、顶面遮光布31、固定有位移传感器(优选型号为AZ-7120)的升降框35、固定在升降框35上的升降遮光布34、支架311以及安装在支架311顶面两端相互平行的第一转轴32和第二转轴33，上述单片机控制器通过调节升降框35升降带动升降遮光布34收放。第一转轴32与第一转轴电机36的输出端固定，第二转轴33与第二转轴电机37的输出端固定。顶面遮光布31的一端固定在第一转轴32上，另一端与顶面牵引绳38的一端连接，顶面牵引绳38的另一端固定在第二转轴33上；升降遮光布34固定在升降框35上，升降框35滑动连接在支架311外壁，且升降框35的四侧分别连接有升降牵引绳39，四根升降牵引绳39的顶端分别固定在所述第一转轴32和第二转轴33上。四个隔离块310分别固定在第一转轴32和第二转轴33的两端，升降牵引绳39与顶面遮光布31位于个隔离块310的两侧。

扫描装置1中，上置扫描探头11和下置扫描探头12分别安装在机架10上、扫描区域的上方和下方，且上置扫描探头11位于透明放置板42上方，下置扫描探头12位于透明放置板42的下方，透明放置板42进入到扫描区域后，上置扫描探头11和下置扫描探头12分别位于透明放置板42的上下方。

在机架10上，上置扫描探头11与透明放置板42之间以及下置扫描探头12与透明放置板42之间还均安装有扫描渲染灯13。

本实施方式中的遮光控制系统的工作原理如下：

当待扫描纸张放置到透明放置板42上之后，启动第一电机45正转带动齿轮44正转，通过齿轮44和齿条43啮合传动，透明放置板42沿输送导轨41进入扫描区域，进入到扫描区域内后，透明放置板42上的待扫描纸张刚好位于上置扫描探头11与下置扫描探头12之间第一电机45停止正转。

然后单片机控制器开始控制第二转轴电机37带动第二转轴33转动，卷起缠绕在第二转轴33上的顶面牵引绳38，使得顶面牵引绳38拉着顶面遮光布31直至完全遮盖住扫描区，同时单片机控制器控制第一转轴电机36也同步转动，一方面是配合顶面遮光布31的拉力，避免摩擦力、拉力不一致所造成的顶面遮光布31跑偏现象，另一方面是配合所有升降牵引绳39的上提或者是下降的速度，升降牵引绳39的一端分别缠绕在第一转轴32，第二转轴33上，另一端固定连接在升降框35上，而且升降牵引绳39和顶面遮光布31之间通过第一转轴32和第二转轴33上都有设置的隔离块310来隔开，避免缠绕在一起，影响装置的运行。在顶面遮光布31遮挡扫描区域顶面的同时，第一转轴32和第二转轴33也带动升降牵引绳39使升降框35沿支架311外壁上升，即升降框35底部固定连接的升降遮光布34也被逐渐上提，遮挡住扫描区域的前后左右侧，当固定在升降框35上的位移传感器检测到该升降框35的位移达到预设值时，升降框35升高到最高点，同时顶面遮光布31也完全遮盖住扫描区，位移传感器将信号传递给单片机控制器，单片机控制器控制第一转轴电机36和第二转轴电机37停止转动；升降框35滑动连接在支架311外壁；输送导轨41是固定连接在支架311内壁的，且当透明放置板42移入扫描区域内时，透明放置板42完全位于支架311内部，而升降框35在支架311最底部时，是位于输送导轨41下方的，所以升降框35与输送导轨41并不形成干扰。

在顶面遮光布31遮挡住扫描区域顶面、升降遮光布34、遮挡住扫描区域的前后左右侧后，上置扫描探头11和下置扫描探头12开始对待扫描纸张的正反面进行非接触式扫描；扫描结束后，上置扫描探头11和下置扫描探头12停止扫描。然后单片机控制器控制第一转轴电机36反转驱动第一转轴32将顶面遮光布31收起，同时单片机控制器通过控制第二转轴电机37反转驱动第二转轴33将升降框35带着升降遮光布34下降到支架311最底部，此时位移传感器检测到升降框35的位移也达到预设值，位移传感器将信号传递给单片机控制器，单片机控制器控制第一转轴电机36和第二转轴电机37停止转动，此时升降框35位于输送导轨41的下方。

然后第一电机45带动齿轮44反转，通过齿轮44和齿条43啮合，透明放置板42沿输送导轨41移出扫描区域，第一电机45停止反转，扫描结束，取走透明放置板42上的待扫描纸张即可。

针对老旧或褶皱纸张，在扫描过程中可以打开扫描渲染灯13，以调节不同亮度和光线位置,使得老旧和褶皱等问题被淡化，使得扫描达到更好的效果。

本扫描设备中物体传送装置能够实现非接触式扫描，能够实现对不同规格以及不规则形状的物体进行自动扫描，用户只需将待扫描物体放到透明放置板上即可。遮光装置中的顶面遮光布和升降遮光布一方面能够防止外界光线对扫描区的影响，使得扫描效果更好，避免光线不均匀产生阴影；另一方面还可以遮挡灰尘落到扫描镜头上，因为镜头上的灰尘很难清理。

上述单片机控制器的具体设计思路如下：

一、系统总体功能的设计

单片机控制器包括STM32单片机、L298电机驱动电路和STM32单片机中的智能控制器，其中智能控制器包括3个NARX神经网络模型、ESN神经网络模型、PID控制器、LSTM神经网络模型、动态递归小波神经网络模型、多个Elman神经网络模型和1个按拍延迟线TDL；STM32单片机、L298电机驱动电路、升降框、遮光布和位移传感器组成遮光布收放调节平台，STM32单片机中的智能控制器实现对遮光布收放进行智能化调节；遮光布收放调节平台和智能控制器见图5所示。

二、智能控制器的设计过程

1、NARX神经网络模型设计

3个NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3，NARX神经网络模型1的输出分别为PID控制器和LSTM神经网络模型对应的输入以及动态递归小波神经网络模型对应的输入；PID控制器输出值和LSTM神经网络模型输出值的和作为NARX神经网络模型2的输入，NARX神经网络模型2的输出分别为动态递归小波神经网络模型对应的输入、L298电机驱动电路的输入和LSTM神经网络模型对应的输入；位移传感器检测升降框位移值分别作为按拍延迟线TDL和NARX神经网络模型3的输入，NARX神经网络模型3的输出分别为动态递归小波神经网络模型对应的输入和LSTM神经网络模型对应的输入，升降框位移给定值和ESN神经网络模型输出值的误差和误差变化率作为NARX神经网络模型1的输入。NARX神经网络模型(Nonlinear Auto-Regression with Externalinput neural network)是一种动态的前馈神经网络，NARX神经网络模型是一个有着外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络模型的回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络模型的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入预测向量X(t)以及输入预测向量的延迟阶数等，其中输入信号通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对飞线性变化参数进行预测。x(t)表示NARX神经网络模型的外部输入，m表示外部输入的延迟阶数；y(t)是NARX神经网络模型的输出，n是输出延迟阶数；s为隐含层神经元的个数；可以得到第j个隐含单元的输出为：

上式中，w_ji为第i个输入与第j个隐含神经元之间的连接权值，b_j是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：

y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (2)

2、PID控制器设计

动态递归小波神经网络模型的3个输出分别作为PID控制器输入的比例、微分和积分系数，NARX神经网络模型1的输出作为PID控制器的误差，PID控制器根据前一时刻的NARX神经网络模型1输出和前二时刻的NARX神经网络模型1的输出计算PID控制器的三项输入，计算公式如(3)所示：

PID的控制器的算法为：

动态递归小波神经网络模型的3个输出分别作为PID控制器输入的比例、微分和积分系数，动态递归小波神经网络模型的输入为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的输出。小波神经网络WNN(Wavelet Neural Networks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设动态递归小波神经网络模型的输入信号可以表示为输入的一维向量x_i(i＝1,2,…,n)，输出信号表示为y_k(k＝1,2,…,m)，动态递归小波神经网络模型输出值的计算公式为：

公式中ω_ij输入层i节点和隐含层j节点间的连接权值，为小波基函数，b_j为小波基函数的平移因子，a_j小波基函数的伸缩因子，ω_jk为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对升降框位移演化轨迹控制的跟踪精度以确保更好的控制精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络模型输出的PID控制器的比例、积分和微分系数的动态处理能力，两个关联层都属于动态递归小波神经网络模型内部的状态反馈，形成动态递归小波神经网络模型的递归性所特有的动态记忆性能，提高动态递归小波神经网络模型与PID控制器参与控制升降框位移的准确性和动态性能；在动态递归小波神经网络模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络模型控制升降框位移的动态逼近能力和提高升降框位移的控制精度。本专利中的动态递归小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络输出不断逼近期望输出。

3、LSTM神经网络模型设计

NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3分别作为LSTM神经网络模型对应的输入，LSTM神经网络模型的输出值和PID控制器输出值的和作为NARX神经网络模型2的输入；

LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络模型是可以持续较长时间短期记忆的模型，适合用于预测时间序列等工作，LSTM有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入LSTM神经网络模型的数序列为(x₁,x₂,…x_T)，隐含层状态为(h₁,h₂,…h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (6)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (7)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (8)

o_t＝sigmoid(W_hoh_t-1+W_hcX_t+W_coc_t) (9)

h_t＝o_t⊙tanh(c_t) (10)

其中i_t、ft、o_t代表input门、forget门和output门，C_t代表cell单元，W_h代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对PID控制器输出进行补偿控制，该方法首先建立LSTM时间递归神经网络模型，利用NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出的预处理数数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3输出数据的时序性和非线性，提高了升降框位移的控制精确度。

4、多个Elman神经网络模型设计

升降框位移的历史数据作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL输出的一段时间升降框位移的历史数据作为多个Elman神经网络模型的输入，多个Elman神经网络模型的输出作为ESN神经网络模型对应的输入，ESN神经网络模型输出作为升降框位移反馈值，升降框位移给定值和ESN神经网络模型输出值的误差和误差变化率作为NARX神经网络模型1的输入；ESN神经网络模型实现对多个Elman神经网络模型输出值的融合和对升降框位移量的再一次精确预测；Elman神经网络模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外，还有一个特别的关联层；关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决升降框位移预测中的逼近精度问题，增强关联层的作用。设Elman神经网络模型的输入层、输出层、隐层的个数分别为m，n和r；w₁，w₂，w₃和w₄分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则Elman神经网络模型的升降框位移预测器的隐含层、关联层和输出层的表达式分别为:

c_p(k)＝x_p(k-1) (12)

5、ESN神经网络模型设计

多个Elman神经网络模型的输出作为ESN神经网络模型对应的输入，ESN神经网络模型输出作为升降框位移反馈值，升降框位移给定值和ESN神经网络模型输出值的误差和误差变化率作为NARX神经网络模型1的输入；ESN神经网络模型实现对多个Elman神经网络模型输出值的融合和对升降框位移量的再一次精确预测；ESN神经网络模型(Echo statenetwork，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:

式中W为神经网络的状态变量，W_in为ESN神经网络模型的输入变量；W_back为ESN神经网络模型的输出状态变量连接权矩阵；x(n)表示ESN神经网络模型的内部状态；W_out为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；为ESN神经网络模型的输出偏差或可以代表噪声；f＝f[f₁,f₂,…,f_n]为“储备池”内部神经元的n个激活函数；f_i为双曲正切函数；f_out为ESN神经网络模型的ε个输出函数。上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。