1.一种钢化玻璃生产过程中的智能控制系统，其特征在于，包括：钢化玻璃生产数据采集模块，用于采集待均质处理的钢化玻璃的质量数据、待均质处理的钢化玻璃的监控视频以及待控制均质炉的参数数据，其中，所述待均质处理的钢化玻璃的质量数据为厚度、平整度、抗冲击性能，所述待控制均质炉的参数数据包括：温度、时间、加热功率、冷却速率；

生产数据特征提取模块，用于提取待均质处理的钢化玻璃的质量数据的特征信息、待均质处理的钢化玻璃的监控视频的特征信息以及待控制均质炉的参数数据的特征信息以得到钢化玻璃质量特征向量、钢化玻璃表面特征向量以及均质炉参数特征向量；

均质炉分类结果生成模块，用于基于所述钢化玻璃质量特征向量、所述钢化玻璃表面特征向量以及所述均质炉参数特征向量,以得到分类结果；

其中，所述生产数据特征提取模块，包括：

钢化玻璃质量特征获取单元，用于获取所述待均质处理的钢化玻璃的质量数据的多尺度特征信息以得到所述钢化玻璃质量特征向量；

钢化玻璃表面特征获取单元，用于对所述待均质处理的钢化玻璃的监控视频进行特征提取以得到所述钢化玻璃表面特征向量；

均质炉参数特征获取单元，用于对所述待控制均质炉的参数数据进行特征提取以得到所述均质炉参数特征向量；

其中，所述钢化玻璃质量特征获取单元，包括：

质量数据排列子单元，用于将所述待均质处理的钢化玻璃的质量数据按数据类型维度排列为一维钢化玻璃质量输入向量；

多尺度特征获取子单元，用于将所述一维钢化玻璃质量输入向量通过多尺度钢化玻璃质量特征提取模块以得到所述钢化玻璃质量特征向量；

其中，所述钢化玻璃表面特征获取单元，包括：

视频降噪子单元，用于将所述待均质处理的钢化玻璃的监控视频通过基于对抗生成网络的视频降噪器以得到降噪后监控视频；

关键帧获取子单元，用于从所述降噪后监控视频中获取多个钢化玻璃关键帧；

关键帧排列子单元，用于将所述多个钢化玻璃关键帧按时间维度排列为三维钢化玻璃输入张量；

表面变化特征获取子单元，用于将所述三维钢化玻璃输入张量通过基于三维卷积神经网络模型的钢化玻璃表面特征提取模块以得到钢化玻璃表面特征图；

特征图降维子单元，用于将所述钢化玻璃表面特征图中的各个特征矩阵进行沿通道维度的全局均值池化处理以得到所述钢化玻璃表面特征向量；

其中，所述均质炉参数特征获取单元，包括：

均质炉参数排列子单元，用于将所述待控制均质炉的参数数据排列为一维均质炉参数输入向量；

均质炉参数特征获取子单元，用于将所述一维均质炉参数输入向量通过基于序列编码器的参数特征提取模块以得到所述均质炉参数特征向量；

其中，所述均质炉分类结果生成模块，包括：

钢化玻璃特征融合单元，用于将所述钢化玻璃质量特征向量和所述钢化玻璃表面特征向量进行融合以得到钢化玻璃特征向量；

均质过程特征融合单元，用于将所述钢化玻璃特征向量和所述均质炉参数特征向量进行特征融合以得到均质炉分类特征向量；

分类单元，用于将所述均质炉分类特征向量通过分类器以得到分类结果；

其中，所述钢化玻璃生产过程中的智能控制系统，还包括用于对所述多尺度钢化玻璃质量特征提取模块、所述基于对抗生成网络的视频降噪器、所述基于三维卷积神经网络模型的钢化玻璃表面特征提取模块、所述基于序列编码器的参数特征提取模块以及所述分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据采集单元，用于采集训练数据，所述训练数据包括待均质处理的钢化玻璃的质量数据、待均质处理的钢化玻璃的监控视频以及待控制均质炉的参数数据，其中，所述待均质处理的钢化玻璃的质量数据为厚度、平整度、抗冲击性能，所述待控制均质炉的参数数据包括：温度、时间、加热功率、冷却速率；

钢化玻璃质量特征训练单元，用于将所述待均质处理的钢化玻璃的质量数据按数据类型维度排列为一维钢化玻璃质量输入向量后通过多尺度钢化玻璃质量特征提取模块以得到训练钢化玻璃质量特征向量；

视频降噪单元，用于将所述待均质处理的钢化玻璃的监控视频通过基于对抗生成网络的视频降噪器以得到训练降噪后监控视频；

关键帧获取单元，用于从所述训练降噪后监控视频中获取多个训练钢化玻璃关键帧；

钢化玻璃表面特征训练单元，用于将所述多个训练钢化玻璃关键帧按时间维度排列为三维钢化玻璃输入张量后通过基于三维卷积神经网络模型的钢化玻璃表面特征提取模块以得到训练钢化玻璃表面特征图；

特征图降维单元，用于将所述训练钢化玻璃表面特征图中的各个特征矩阵进行沿通道维度的全局均值池化处理以得到训练钢化玻璃表面特征向量；

钢化玻璃训练特征融合单元，用于将所述训练钢化玻璃表面特征向量和所述训练钢化玻璃质量特征向量进行融合以得到钢化玻璃特征向量；

均质炉参数特征训练单元，用于将所述待控制均质炉的参数数据排列为一维均质炉参数输入向量后通过基于序列编码器的参数特征提取模块以得到训练均质炉参数特征向量；

均质过程训练特征融合单元，用于将所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量进行特征融合以得到训练均质炉分类特征向量；

度量因数计算单元，用于计算所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量之间的匹配节点间拓扑维度信息化度量因数；

分类损失单元，用于将所述训练均质炉分类特征向量通过分类器以得到分类损失函数值；

训练单元，用于以所述匹配节点间拓扑维度信息化度量因数和分类损失函数值的加权和作为损失函数值，对所述多尺度钢化玻璃质量特征提取模块、所述基于对抗生成网络的视频降噪器、所述基于三维卷积神经网络模型的钢化玻璃表面特征提取模块、所述基于序列编码器的参数特征提取模块以及所述分类器进行训练；

其中，所述度量因数计算单元，用于：以如下公式计算所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量之间的匹配节点间拓扑维度信息化度量因数；

;

其中， 表示所述训练均质炉参数特征向量， 表示所述训练钢化玻璃特征向量，表示所述训练均质炉参数特征向量的转置向量， 和 为列向量， 和 分别是训练均质炉参数特征向量 和训练钢化玻璃特征向量 的第 个位置的特征值，且 是特征向量的长度， 表示所述匹配节点间拓扑维度信息化度量因数；

其中，所述分类结果用于表示待控制均质炉的参数数据是否需要调整。

2.一种钢化玻璃生产过程中的智能控制方法，用于权利要求1所述的钢化玻璃生产过程中的智能控制系统，其特征在于，包括：采集待均质处理的钢化玻璃的质量数据、待均质处理的钢化玻璃的监控视频以及待控制均质炉的参数数据，其中，所述待均质处理的钢化玻璃的质量数据为厚度、平整度、抗冲击性能，所述待控制均质炉的参数数据包括：温度、时间、加热功率、冷却速率；

提取待均质处理的钢化玻璃的质量数据的特征信息、待均质处理的钢化玻璃的监控视频的特征信息以及待控制均质炉的参数数据的特征信息以得到钢化玻璃质量特征向量、钢化玻璃表面特征向量以及均质炉参数特征向量；

基于所述钢化玻璃质量特征向量、所述钢化玻璃表面特征向量以及所述均质炉参数特征向量,以得到分类结果；

其中，提取待均质处理的钢化玻璃的质量数据的特征信息、待均质处理的钢化玻璃的监控视频的特征信息以及待控制均质炉的参数数据的特征信息以得到钢化玻璃质量特征向量、钢化玻璃表面特征向量以及均质炉参数特征向量，包括：获取所述待均质处理的钢化玻璃的质量数据的多尺度特征信息以得到所述钢化玻璃质量特征向量；

对所述待均质处理的钢化玻璃的监控视频进行特征提取以得到所述钢化玻璃表面特征向量；

对所述待控制均质炉的参数数据进行特征提取以得到所述均质炉参数特征向量；

其中，获取所述待均质处理的钢化玻璃的质量数据的多尺度特征信息以得到所述钢化玻璃质量特征向量，包括：将所述待均质处理的钢化玻璃的质量数据按数据类型维度排列为一维钢化玻璃质量输入向量；

将所述一维钢化玻璃质量输入向量通过多尺度钢化玻璃质量特征提取模块以得到所述钢化玻璃质量特征向量；

其中，对所述待均质处理的钢化玻璃的监控视频进行特征提取以得到所述钢化玻璃表面特征向量，包括：将所述待均质处理的钢化玻璃的监控视频通过基于对抗生成网络的视频降噪器以得到降噪后监控视频；

从所述降噪后监控视频中获取多个钢化玻璃关键帧；

将所述多个钢化玻璃关键帧按时间维度排列为三维钢化玻璃输入张量；

将所述三维钢化玻璃输入张量通过基于三维卷积神经网络模型的钢化玻璃表面特征提取模块以得到钢化玻璃表面特征图；

将所述钢化玻璃表面特征图中的各个特征矩阵进行沿通道维度的全局均值池化处理以得到所述钢化玻璃表面特征向量；

其中，对所述待控制均质炉的参数数据进行特征提取以得到所述均质炉参数特征向量，包括：将所述待控制均质炉的参数数据排列为一维均质炉参数输入向量；

将所述一维均质炉参数输入向量通过基于序列编码器的参数特征提取模块以得到所述均质炉参数特征向量；

其中，基于所述钢化玻璃质量特征向量、所述钢化玻璃表面特征向量以及所述均质炉参数特征向量,以得到分类结果，包括：将所述钢化玻璃质量特征向量和所述钢化玻璃表面特征向量进行融合以得到钢化玻璃特征向量；

将所述钢化玻璃特征向量和所述均质炉参数特征向量进行特征融合以得到均质炉分类特征向量；

将所述均质炉分类特征向量通过分类器以得到分类结果；

其中，所述钢化玻璃生产过程中的智能控制方法还包括训练步骤：对所述多尺度钢化玻璃质量特征提取模块、所述基于对抗生成网络的视频降噪器、所述基于三维卷积神经网络模型的钢化玻璃表面特征提取模块、所述基于序列编码器的参数特征提取模块以及所述分类器进行训练；

其中，所述训练步骤，包括：

采集训练数据，所述训练数据包括待均质处理的钢化玻璃的质量数据、待均质处理的钢化玻璃的监控视频以及待控制均质炉的参数数据，其中，所述待均质处理的钢化玻璃的质量数据为厚度、平整度、抗冲击性能，所述待控制均质炉的参数数据包括：温度、时间、加热功率、冷却速率；

将所述待均质处理的钢化玻璃的质量数据按数据类型维度排列为一维钢化玻璃质量输入向量后通过多尺度钢化玻璃质量特征提取模块以得到训练钢化玻璃质量特征向量；

将所述待均质处理的钢化玻璃的监控视频通过基于对抗生成网络的视频降噪器以得到训练降噪后监控视频；

从所述训练降噪后监控视频中获取多个训练钢化玻璃关键帧；

将所述多个训练钢化玻璃关键帧按时间维度排列为三维钢化玻璃输入张量后通过基于三维卷积神经网络模型的钢化玻璃表面特征提取模块以得到训练钢化玻璃表面特征图；

将所述训练钢化玻璃表面特征图中的各个特征矩阵进行沿通道维度的全局均值池化处理以得到训练钢化玻璃表面特征向量；

将所述训练钢化玻璃表面特征向量和所述训练钢化玻璃质量特征向量进行融合以得到钢化玻璃特征向量；

将所述待控制均质炉的参数数据排列为一维均质炉参数输入向量后通过基于序列编码器的参数特征提取模块以得到训练均质炉参数特征向量；

将所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量进行特征融合以得到训练均质炉分类特征向量；

计算所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量之间的匹配节点间拓扑维度信息化度量因数；

将所述训练均质炉分类特征向量通过分类器以得到分类损失函数值；

以所述匹配节点间拓扑维度信息化度量因数和分类损失函数值的加权和作为损失函数值，对所述多尺度钢化玻璃质量特征提取模块、所述基于对抗生成网络的视频降噪器、所述基于三维卷积神经网络模型的钢化玻璃表面特征提取模块、所述基于序列编码器的参数特征提取模块以及所述分类器进行训练；

其中，计算所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量之间的匹配节点间拓扑维度信息化度量因数，包括：以如下公式计算所述训练均质炉参数特征向量和所述训练钢化玻璃特征向量之间的匹配节点间拓扑维度信息化度量因数；

;

其中， 表示所述训练均质炉参数特征向量， 表示所述训练钢化玻璃特征向量，表示所述训练均质炉参数特征向量的转置向量， 和 为列向量， 和 分别是训练均质炉参数特征向量 和训练钢化玻璃特征向量 的第 个位置的特征值，且 是特征向量的长度， 表示所述匹配节点间拓扑维度信息化度量因数；

其中，所述分类结果用于表示待控制均质炉的参数数据是否需要调整。