CN116468699A - 随光强弱变色的面料的智能化生产***及其方法 - Google Patents
随光强弱变色的面料的智能化生产***及其方法 Download PDFInfo
- Publication number
- CN116468699A CN116468699A CN202310440723.2A CN202310440723A CN116468699A CN 116468699 A CN116468699 A CN 116468699A CN 202310440723 A CN202310440723 A CN 202310440723A CN 116468699 A CN116468699 A CN 116468699A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature vector
- vector
- view
- inter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 134
- 238000009987 spinning Methods 0.000 claims abstract description 92
- 239000002131 composite material Substances 0.000 claims abstract description 71
- 239000004698 Polyethylene Substances 0.000 claims abstract description 67
- -1 polyethylene Polymers 0.000 claims abstract description 67
- 229920000573 polyethylene Polymers 0.000 claims abstract description 67
- 230000000007 visual effect Effects 0.000 claims abstract description 47
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 398
- 230000004927 fusion Effects 0.000 claims description 91
- 230000004044 response Effects 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000004043 responsiveness Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 abstract description 56
- 238000000576 coating method Methods 0.000 abstract description 56
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 22
- 230000008859 change Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000007792 addition Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 239000004753 textile Substances 0.000 description 6
- 238000002845 discoloration Methods 0.000 description 5
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 4
- 239000005977 Ethylene Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003094 microcapsule Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种随光强弱变色的面料的智能化生产***及其方法，其获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；采用基于深度学习的人工智能技术，挖掘各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，基于均匀性隐含关联特征的一致性实现聚乙烯复合材料涂覆的均匀性检测评估。这样，可以对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
Description
技术领域
本申请涉及智能化生产技术领域，并且更具体地，涉及一种随光强弱变色的面料的智能化生产***及其方法。
背景技术
智能变色纺织品是一种具有特殊组成或结构，在受到光、热、水分或辐射等外界刺激后能做出响应，即可逆地改变颜色的纺织品。变色材料进行微胶囊包覆，通过树脂均匀涂在基布上，在特定的温度下它的颜色会发生改变，根据环境温度的变化就能使基布显色或退色。
变色材料的颜色能够随外界环境的变化而发生可逆变化，既能满足现代消费者希望服装的色彩富于变化的消费心态，还可以制作成有安全警戒作用的纺织品。然而，这种特殊的面料由于成本过高，手感较硬等因素还未在家纺面料中使用。
因此，期望一种优化的随光强弱变色的面料的智能化生产***。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种随光强弱变色的面料的智能化生产***及其方法，其获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；采用基于深度学习的人工智能技术，挖掘各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，基于均匀性隐含关联特征的一致性实现聚乙烯复合材料涂覆的均匀性检测评估。这样，可以对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
第一方面，提供了一种随光强弱变色的面料的智能化生产***，其包括：
纺丝图像采集模块，用于获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；
视角图像特征提取模块，用于将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；
一致性编码模块，用于将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；
差异性编码模块，用于计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；
特征融合模块，用于融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；
特征优化模块，用于基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；
均匀性检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
在上述随光强弱变色的面料的智能化生产***中，所述视角图像特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
在上述随光强弱变色的面料的智能化生产***中，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型。
在上述随光强弱变色的面料的智能化生产***中，所述差异性编码模块，用于以如下公式计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；其中，所述公式为：
其中，Mi和Mj表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵；Mik和Mjk表示所述局部视角检测特征矩阵Mi和Mj中各个位置的特征值，d(xi，Mj)表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵之间的余弦距离。
在上述随光强弱变色的面料的智能化生产***中，所述特征融合模块，用于：以如下公式融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；其中，所述公式为：
Vs＝λVa+βVg
其中，Vs表示所述分类特征向量，Va和Vg表示所述全局一致性特征向量和所述视角间差异特征向量，“+”表示所述全局一致性特征向量和所述视角间差异特征向量相对应位置处的元素相加，λ和β表示用于控制所述全局一致性特征向量和所述视角间差异特征向量之间的平衡的加权参数。
在上述随光强弱变色的面料的智能化生产***中，所述特征优化模块，包括：第一响应性融合单元，用于计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；第二响应性融合单元，用于计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；以及，计算单元，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化分类特征向量。
在上述随光强弱变色的面料的智能化生产***中，所述第一响应性融合单元，用于：以如下公式计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：
其中，V1、Vc和Vc′分别表示所述全局一致性特征向量、所述分类特征向量和所述第一部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和向量的二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
在上述随光强弱变色的面料的智能化生产***中，所述第二响应性融合单元，用于：以如下公式计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到所述第二部分响应性融合特征向量；其中，所述公式为：
其中，V2、Vc和Vc″分别表示所述视角间差异特征向量、所述分类特征向量和所述第二部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
第二方面，提供了一种随光强弱变色的面料的智能化生产方法，其包括：
获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；
将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；
将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；
计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；
融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；
基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求
在上述随光强弱变色的面料的智能化生产方法中，将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
与现有技术相比，本申请提供的随光强弱变色的面料的智能化生产***及其方法，其获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；采用基于深度学习的人工智能技术，挖掘各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，基于均匀性隐含关联特征的一致性实现聚乙烯复合材料涂覆的均匀性检测评估。这样，可以对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的随光强弱变色的面料的智能化生产***的应用场景图。
图2为根据本申请实施例的随光强弱变色的面料的智能化生产***的框图。
图3为根据本申请实施例的随光强弱变色的面料的智能化生产***中所述特征优化模块的框图。
图4为根据本申请实施例的随光强弱变色的面料的智能化生产方法的流程图。
图5为根据本申请实施例的随光强弱变色的面料的智能化生产方法的***架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，变色材料的颜色能够随外界环境的变化而发生可逆变化，既能满足现代消费者希望服装的色彩富于变化的消费心态，还可以制作成有安全警戒作用的纺织品。然而，这种特殊的面料由于成本过高，手感较硬等因素还未在家纺面料中使用。因此，期望一种优化的随光强弱变色的面料的智能化生产***。
具体地，在本申请的技术方案中，提出了一种随光强弱变色的面料的智能化生产***，其包括：1、制备光致变色母粒；2、以所述光致变色母粒、高密度聚乙烯、线型低密度聚乙烯、低密度聚乙烯、聚乙烯蜡为原料制备聚乙烯复合材料，3、将所述聚乙烯复合材料涂覆于纺丝上制得光致变色纺丝，从而制备得到随光强弱变色的面料。
相应地，在实际进行随光强弱变色的面料的生产过程中，在执行步骤2的过程中，需要确保聚乙烯复合材料被均匀地涂覆于纺丝上以提高光致变色纺丝的各个面向的感光变色的一致性，进而提高随光强弱变色的面料的感光变色效果呈现。因此，对于聚乙烯复合材料涂覆于纺丝的均匀性进行质量检测尤为重要。但是，由于在传统的涂覆均匀性检测过程中，大都依靠人工进行检测，而聚乙烯复合材料涂覆于纺丝上的均匀性难以通过人工肉眼进行观测。
基于此，在本申请的技术方案中，通过采用机器视觉技术，以基于多个视角的在光线照射下的光致变色纺丝的图像特征的一致性来实现聚乙烯复合材料涂覆的均匀性检测评估。但是，考虑到由于各个视角下的图像中具有着复杂的特征信息，难以对于关于光致变色纺丝表面涂覆的均匀性特征进行有效捕捉提取，并且，多视角子空间的一致性共享信息会将每个视角的贡献度视为同等重要，而忽略了不同视角间可能存在的噪声和冗余，导致涂覆均匀性检测的精度较低。因此，在聚乙烯复合材料的涂覆均匀性检测的过程中，难点在于如何充分且准确地挖掘出所述各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，以此来提高涂覆均匀性检测的精准度，进而提高随光强弱变色的面料的生产质量。
近年来，深度学***。
深度学习以及神经网络的发展为挖掘所述各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像。接着，考虑到由于卷积神经网络模型在图像的局部隐含关联特征提取方面具有着优异的表现能力，因此，在本申请的技术方案中，使用作为特征提取器的卷积神经网络模型来分别进行所述各个局部视角检测图像的特征挖掘，以分别提取出所述各个局部视角检测图像中关于聚乙烯复合材料涂覆于纺丝的均匀性的高维隐含关联特征分布信息。
然后，考虑到由于多个视角下的关于所述聚乙烯复合材料涂覆于纺丝的均匀性隐含特征信息间具有着关联关系，其并不是独立存在的，为了能够充分地刻画出所述聚乙烯复合材料涂覆于纺丝的均匀性在各视角下的隐含特征间的一致性全局表示信息，在本申请的技术方案中，将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器中进行编码，以提取出所述各个局部视角下关于所述聚乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性关联特征分布信息，从而得到各个局部视角间的全局一致性特征向量。特别地，这里，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型，以通过利用所述聚乙烯复合材料涂覆于纺丝上的效果在多视角子空间的隐含特征信息间的一致性共享信息来进行涂覆均匀性检测。
进一步地，考虑到由于所述多视角子空间的一致性共享信息会将每个视角的贡献度视为同等重要，而忽略了不同视角间可能存在的噪声和冗余，导致涂覆均匀性检测的精度较低。因此，为了能够通过各视角下关于所述聚乙烯复合材料涂覆效果的隐含特征间的组效应来提取不同视角间的差异性信息，以此来提高对于所述聚乙烯复合材料涂覆于纺丝的均匀性检测精度，在本申请的技术方案中，进一步计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量。这样，能够提取出所述各个视角下关于所述聚乙烯复合材料涂覆的隐含特征信息间的差异性特征分布信息，以此来对于各个视角数据中的所述聚乙烯复合材料涂覆于纺丝的涂覆效果特征信息进行互补，从而提高涂覆均匀性检测的精准度。
接着，进一步再融合所述全局一致性特征向量和所述视角间差异特征向量，以此来获得在各视角下的所述乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性特征和差异性特征的融合特征信息，以综合多视角数据中关于所述乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性和互补性特征来获得最终的共识表示，从而得到分类特征向量。然后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
也就是，在本申请的技术方案中，所述分类器的标签包括聚乙烯复合材料涂覆于纺丝的均匀性符合预定要求，以及，聚乙烯复合材料涂覆于纺丝的均匀性不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求的评估判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于所述聚乙烯复合材料涂覆于纺丝的均匀性进行准确地检测，以提高随光强弱变色的面料的生产质量。
特别地，在本申请的技术方案中，在融合所述全局一致性特征向量和所述视角间差异特征向量得到所述分类特征向量时，由于所述全局一致性特征向量表达各个局部视角下的图像特征语义的全局一致性，而所述视角间差异特征向量表达各个局部视角下的图像特征语义的视角间差异，其间的特征关联性较低，因此如果直接通过例如点加的方式进行融合将影响融合效果。
本申请的申请人考虑到在融合所述全局一致性特征向量和所述视角间差异特征向量得到所述分类特征向量的情况下，所述分类特征向量既可以看作为以所述全局一致性特征向量为源向量，以所述视角间差异特征向量作为差异性约束的响应向量，也可以看作以所述视角间差异特征向量为源向量，以所述全局一致性特征向量作为一致性约束的响应向量，因此可以进一步分别以所述全局一致性特征向量和所述视角间差异特征向量作为源向量，以所述分类特征向量作为响应向量来强化响应性融合，以提升所述分类特征向量对所述全局一致性特征向量和所述视角间差异特征向量的融合效果。
具体地，将所述全局一致性特征向量记为V1，将所述视角间差异特征向量记为V2，分别计算所述分类特征向量，例如记为Vc的非相干稀疏响应式融合以得到分别相对于所述全局一致性特征向量V1和所述视角间差异特征向量V2的部分响应融合向量Vc′和Vc″，分别表示为：
其中‖·‖1和‖·‖2表示向量的一范数和二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式。
这里，所述非相干稀疏响应融合在以源向量作为特征域间响应性融合的真实性分布(ground-truth distribution)的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合的部分响应融合向量Vc′和Vc″对于具有响应关系的源向量的融合表达效果。这样，再通过对所述部分响应融合向量Vc′和Vc″进行点加以得到所述分类特征向量，就可以提升所述分类特征向量的特征表达效果，从而提升所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
图1为根据本申请实施例的随光强弱变色的面料的智能化生产***的应用场景图。如图1所示，在该应用场景中，首先，获取在预定光照强度的光线照射下的光致变色纺丝(例如，如图1中所示意的M)在不同拍摄视角下的多个局部视角检测图像(例如，如图1中所示意的C1、C2、C3)；然后，将获取的多个局部视角检测图像输入至部署有随光强弱变色的面料的智能化生产算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于随光强弱变色的面料的智能化生产算法对所述多个局部视角检测图像进行处理，以生成用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的随光强弱变色的面料的智能化生产***的框图。如图2所示，根据本申请实施例的随光强弱变色的面料的智能化生产***100，包括：纺丝图像采集模块110，用于获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；视角图像特征提取模块120，用于将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；一致性编码模块130，用于将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；差异性编码模块140，用于计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；特征融合模块150，用于融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；特征优化模块160，用于基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，均匀性检测模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
具体地，在本申请实施例中，所述纺丝图像采集模块110，用于获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像。具体地，在本申请的技术方案中，提出了一种随光强弱变色的面料的智能化生产***，其包括：1、制备光致变色母粒；2、以所述光致变色母粒、高密度聚乙烯、线型低密度聚乙烯、低密度聚乙烯、聚乙烯蜡为原料制备聚乙烯复合材料，3、将所述聚乙烯复合材料涂覆于纺丝上制得光致变色纺丝，从而制备得到随光强弱变色的面料。
相应地，在实际进行随光强弱变色的面料的生产过程中，在执行步骤2的过程中，需要确保聚乙烯复合材料被均匀地涂覆于纺丝上以提高光致变色纺丝的各个面向的感光变色的一致性，进而提高随光强弱变色的面料的感光变色效果呈现。因此，对于聚乙烯复合材料涂覆于纺丝的均匀性进行质量检测尤为重要。但是，由于在传统的涂覆均匀性检测过程中，大都依靠人工进行检测，而聚乙烯复合材料涂覆于纺丝上的均匀性难以通过人工肉眼进行观测。
基于此，在本申请的技术方案中，通过采用机器视觉技术，以基于多个视角的在光线照射下的光致变色纺丝的图像特征的一致性来实现聚乙烯复合材料涂覆的均匀性检测评估。但是，考虑到由于各个视角下的图像中具有着复杂的特征信息，难以对于关于光致变色纺丝表面涂覆的均匀性特征进行有效捕捉提取，并且，多视角子空间的一致性共享信息会将每个视角的贡献度视为同等重要，而忽略了不同视角间可能存在的噪声和冗余，导致涂覆均匀性检测的精度较低。因此，在聚乙烯复合材料的涂覆均匀性检测的过程中，难点在于如何充分且准确地挖掘出所述各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，以此来提高涂覆均匀性检测的精准度，进而提高随光强弱变色的面料的生产质量。
近年来，深度学***。
深度学习以及神经网络的发展为挖掘所述各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像。
具体地，在本申请实施例中，所述视角图像特征提取模块120，用于将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵。接着，考虑到由于卷积神经网络模型在图像的局部隐含关联特征提取方面具有着优异的表现能力，因此，在本申请的技术方案中，使用作为特征提取器的卷积神经网络模型来分别进行所述各个局部视角检测图像的特征挖掘，以分别提取出所述各个局部视角检测图像中关于聚乙烯复合材料涂覆于纺丝的均匀性的高维隐含关联特征分布信息。
其中，所述视角图像特征提取模块120，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本申请实施例中，所述一致性编码模块130，用于将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量。然后，考虑到由于多个视角下的关于所述聚乙烯复合材料涂覆于纺丝的均匀性隐含特征信息间具有着关联关系，其并不是独立存在的。
为了能够充分地刻画出所述聚乙烯复合材料涂覆于纺丝的均匀性在各视角下的隐含特征间的一致性全局表示信息，在本申请的技术方案中，将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器中进行编码，以提取出所述各个局部视角下关于所述聚乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性关联特征分布信息，从而得到各个局部视角间的全局一致性特征向量。
特别地，这里，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型，以通过利用所述聚乙烯复合材料涂覆于纺丝上的效果在多视角子空间的隐含特征信息间的一致性共享信息来进行涂覆均匀性检测。
具体地，在本申请实施例中，所述差异性编码模块140，用于计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量。进一步地，考虑到由于所述多视角子空间的一致性共享信息会将每个视角的贡献度视为同等重要，而忽略了不同视角间可能存在的噪声和冗余，导致涂覆均匀性检测的精度较低。
因此，为了能够通过各视角下关于所述聚乙烯复合材料涂覆效果的隐含特征间的组效应来提取不同视角间的差异性信息，以此来提高对于所述聚乙烯复合材料涂覆于纺丝的均匀性检测精度，在本申请的技术方案中，进一步计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量。这样，能够提取出所述各个视角下关于所述聚乙烯复合材料涂覆的隐含特征信息间的差异性特征分布信息，以此来对于各个视角数据中的所述聚乙烯复合材料涂覆于纺丝的涂覆效果特征信息进行互补，从而提高涂覆均匀性检测的精准度。
其中，所述差异性编码模块140，用于以如下公式计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；其中，所述公式为：
其中，Mi和Mj表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵；Mik和Mjk表示所述局部视角检测特征矩阵Mi和Mj中各个位置的特征值，d(Mi,Mj)表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵之间的余弦距离。
具体地，在本申请实施例中，所述特征融合模块150，用于融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量。接着，进一步再融合所述全局一致性特征向量和所述视角间差异特征向量，以此来获得在各视角下的所述乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性特征和差异性特征的融合特征信息，以综合多视角数据中关于所述乙烯复合材料涂覆于纺丝的均匀性隐含特征间的一致性和互补性特征来获得最终的共识表示，从而得到分类特征向量。然后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
其中，所述特征融合模块150，用于：以如下公式融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；其中，所述公式为：
Vs＝λVa+βVg
其中，Vs表示所述分类特征向量，Va和Vg表示所述全局一致性特征向量和所述视角间差异特征向量，“+”表示所述全局一致性特征向量和所述视角间差异特征向量相对应位置处的元素相加，λ和β表示用于控制所述全局一致性特征向量和所述视角间差异特征向量之间的平衡的加权参数。
具体地，在本申请实施例中，所述特征优化模块160，用于基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量。特别地，在本申请的技术方案中，在融合所述全局一致性特征向量和所述视角间差异特征向量得到所述分类特征向量时，由于所述全局一致性特征向量表达各个局部视角下的图像特征语义的全局一致性，而所述视角间差异特征向量表达各个局部视角下的图像特征语义的视角间差异，其间的特征关联性较低，因此如果直接通过例如点加的方式进行融合将影响融合效果。
图3为根据本申请实施例的随光强弱变色的面料的智能化生产***中所述特征优化模块的框图，如图3所示，所述特征优化模块160，包括：第一响应性融合单元161，用于计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；第二响应性融合单元162，用于计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；以及，计算单元163，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化分类特征向量。
本申请的申请人考虑到在融合所述全局一致性特征向量和所述视角间差异特征向量得到所述分类特征向量的情况下，所述分类特征向量既可以看作为以所述全局一致性特征向量为源向量，以所述视角间差异特征向量作为差异性约束的响应向量，也可以看作以所述视角间差异特征向量为源向量，以所述全局一致性特征向量作为一致性约束的响应向量，因此可以进一步分别以所述全局一致性特征向量和所述视角间差异特征向量作为源向量，以所述分类特征向量作为响应向量来强化响应性融合，以提升所述分类特征向量对所述全局一致性特征向量和所述视角间差异特征向量的融合效果。
具体地，将所述全局一致性特征向量记为V1，将所述视角间差异特征向量记为V2，分别计算所述分类特征向量，例如记为Vc的非相干稀疏响应式融合以得到分别相对于所述全局一致性特征向量V1和所述视角间差异特征向量V2的部分响应融合向量Vc′和Vc″，也就是，以如下公式计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：
/>
其中，V1、Vc和Vc′分别表示所述全局一致性特征向量、所述分类特征向量和所述第一部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和向量的二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
以及，以如下公式计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到所述第二部分响应性融合特征向量；其中，所述公式为：
其中，V2、Vc和Vc″分别表示所述视角间差异特征向量、所述分类特征向量和所述第二部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
这里，所述非相干稀疏响应融合在以源向量作为特征域间响应性融合的真实性分布(ground-truth distribution)的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合的部分响应融合向量Vc′和Vc″对于具有响应关系的源向量的融合表达效果。这样，再通过对所述部分响应融合向量Vc′和Vc″进行点加以得到所述分类特征向量，就可以提升所述分类特征向量的特征表达效果，从而提升所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
具体地，在本申请实施例中，所述均匀性检测模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。也就是，在本申请的技术方案中，所述分类器的标签包括聚乙烯复合材料涂覆于纺丝的均匀性符合预定要求，以及，聚乙烯复合材料涂覆于纺丝的均匀性不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求的评估判断标签，因此，在得到所述分类结果后，可基于所述分类结果来对于所述聚乙烯复合材料涂覆于纺丝的均匀性进行准确地检测，以提高随光强弱变色的面料的生产质量。
在本申请一具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)│X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
综上，基于本申请实施例的随光强弱变色的面料的智能化生产***100被阐明，其获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；采用基于深度学习的人工智能技术，挖掘各个局部视角图像中关于聚乙烯复合材料涂覆于纺丝的均匀性隐含关联特征信息，基于均匀性隐含关联特征的一致性实现聚乙烯复合材料涂覆的均匀性检测评估。这样，可以对于聚乙烯复合材料涂覆于纺丝的均匀性进行准确检测，进而保证变色纺丝的涂覆均匀性，提高随光强弱变色的面料的生产质量。
如上所述，根据本申请实施例的随光强弱变色的面料的智能化生产***100可以实现在各种终端设备中，例如用于随光强弱变色的面料的智能化生产的服务器等。在一个示例中，根据本申请实施例的随光强弱变色的面料的智能化生产***100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，该随光强弱变色的面料的智能化生产***100可以是该终端设备的操作***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，该随光强弱变色的面料的智能化生产***100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该随光强弱变色的面料的智能化生产***100与该终端设备也可以是分立的设备，并且该随光强弱变色的面料的智能化生产***100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。
在本申请的一个实施例中，图4为根据本申请实施例的随光强弱变色的面料的智能化生产方法的流程图。如图4所示，根据本申请实施例的随光强弱变色的面料的智能化生产方法，其包括：210，获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；220，将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；230，将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；240，计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；250，融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；260，基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，270，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
图5为根据本申请实施例的随光强弱变色的面料的智能化生产方法的***架构的示意图。如图5所示，在所述随光强弱变色的面料的智能化生产方法的***架构中，首先，获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；然后，将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；接着，将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；然后，计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；接着，融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；然后，基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量，包括：以如下公式计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；其中，所述公式为：
其中，Mi和Mj表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵；Mik和Mjk表示所述局部视角检测特征矩阵Mi和Mj中各个位置的特征值，d(Mi,Mj)表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵之间的余弦距离。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量，包括：以如下公式融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；其中，所述公式为：
Vs＝λVa+βVg
其中，Vs表示所述分类特征向量，Va和Vg表示所述全局一致性特征向量和所述视角间差异特征向量，“+”表示所述全局一致性特征向量和所述视角间差异特征向量相对应位置处的元素相加，λ和β表示用于控制所述全局一致性特征向量和所述视角间差异特征向量之间的平衡的加权参数。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；以及，将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化分类特征向量。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量，包括：以如下公式计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：
其中，V1、Vc和Vc′分别表示所述全局一致性特征向量、所述分类特征向量和所述第一部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和向量的二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
在一个具体示例中，在上述随光强弱变色的面料的智能化生产方法中，计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量，包括：以如下公式计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到所述第二部分响应性融合特征向量；
其中，所述公式为：
其中，V2、Vc和Vc″分别表示所述视角间差异特征向量、所述分类特征向量和所述第二部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
本领域技术人员可以理解，上述随光强弱变色的面料的智能化生产方法中的各个步骤的具体操作已经在上面参考图1到图3的随光强弱变色的面料的智能化生产***的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、***、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、***、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***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、***。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。
还需要指出的是，在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此，本申请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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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。
Claims (10)
1.一种随光强弱变色的面料的智能化生产***，其特征在于，包括：
纺丝图像采集模块，用于获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；
视角图像特征提取模块，用于将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；
一致性编码模块，用于将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；
差异性编码模块，用于计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；
特征融合模块，用于融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；
特征优化模块，用于基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
均匀性检测模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
2.根据权利要求1所述的随光强弱变色的面料的智能化生产***，其特征在于，所述视角图像特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
3.根据权利要求2所述的随光强弱变色的面料的智能化生产***，其特征在于，所述视角间一致性编码器为由多个全连接层组成的深度全连接网络模型。
4.根据权利要求3所述的随光强弱变色的面料的智能化生产***，其特征在于，所述差异性编码模块，用于：以如下公式计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；
其中，所述公式为：
其中，Mi和Mj表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵；Mik和Mjk表示所述局部视角检测特征矩阵Mi和Mj中各个位置的特征值，d(Mi,Mj)表示所述多个局部视角检测特征矩阵中任意两个局部视角检测特征矩阵之间的余弦距离。
5.根据权利要求4所述的随光强弱变色的面料的智能化生产***，其特征在于，所述特征融合模块，用于：以如下公式融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；
其中，所述公式为：
Vs＝λVa+βVg
其中，Vs表示所述分类特征向量，Va和Vg表示所述全局一致性特征向量和所述视角间差异特征向量，“+”表示所述全局一致性特征向量和所述视角间差异特征向量相对应位置处的元素相加，λ和β表示用于控制所述全局一致性特征向量和所述视角间差异特征向量之间的平衡的加权参数。
6.根据权利要求5所述的随光强弱变色的面料的智能化生产***，其特征在于，所述特征优化模块，包括：
第一响应性融合单元，用于计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；
第二响应性融合单元，用于计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；以及
计算单元，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化分类特征向量。
7.根据权利要求6所述的随光强弱变色的面料的智能化生产***，其特征在于，所述第一响应性融合单元，用于：以如下公式计算所述分类特征向量相对于所述全局一致性特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；
其中，所述公式为：
其中，V1、Vc和Vc′分别表示所述全局一致性特征向量、所述分类特征向量和所述第一部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和向量的二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
8.根据权利要求7所述的随光强弱变色的面料的智能化生产***，其特征在于，所述第二响应性融合单元，用于：以如下公式计算所述分类特征向量相对于所述视角间差异特征向量的非相干稀疏响应式融合以得到所述第二部分响应性融合特征向量；
其中，所述公式为：
其中，V2、Vc和Vc″分别表示所述视角间差异特征向量、所述分类特征向量和所述第二部分响应性融合特征向量，‖·‖1和‖·‖2分别表示向量的一范数和二范数，L为向量的长度，和⊙分别表示向量乘积和向量点乘，且所有向量均为行向量形式，(·)T表示向量的转置向量。
9.一种随光强弱变色的面料的智能化生产方法，其特征在于，包括：
获取在预定光照强度的光线照射下的光致变色纺丝在不同拍摄视角下的多个局部视角检测图像；
将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵；
将所述多个局部视角检测特征矩阵输入基于深度神经网络模型的视角间一致性编码器以得到全局一致性特征向量；
计算所述多个局部视角检测特征矩阵中每两个局部视角检测特征矩阵之间的余弦距离以得到由多个余弦距离构成的视角间差异特征向量；
融合所述全局一致性特征向量和所述视角间差异特征向量以得到分类特征向量；
基于所述全局一致性特征向量和所述视角间差异特征向量，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示聚乙烯复合材料涂覆于纺丝的均匀性是否符合预定要求。
10.根据权利要求9所述的随光强弱变色的面料的智能化生产方法，其特征在于，将所述多个局部视角检测图像通过作为特征提取器的卷积神经网络模型以得到多个局部视角检测特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个局部视角检测特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述多个局部视角检测图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440723.2A CN116468699B (zh) | 2023-04-23 | 2023-04-23 | 随光强弱变色的面料的智能化生产***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310440723.2A CN116468699B (zh) | 2023-04-23 | 2023-04-23 | 随光强弱变色的面料的智能化生产***及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116468699A true CN116468699A (zh) | 2023-07-21 |
| CN116468699B CN116468699B (zh) | 2024-06-07 |
Family
ID=87173130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310440723.2A Active CN116468699B (zh) | 2023-04-23 | 2023-04-23 | 随光强弱变色的面料的智能化生产***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116468699B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493967A (zh) * | 2023-11-15 | 2024-02-02 | 潮州深能城市燃气发展有限公司 | 一种天然气加臭罐出口过滤*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205543A (zh) * | 2022-07-19 | 2022-10-18 | 宁波西卡曼厨具有限公司 | 不锈钢橱柜的智能制造方法及其*** |
| US20220382553A1 (en) * | 2021-05-24 | 2022-12-01 | Beihang University | Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery |
| CN115437319A (zh) * | 2022-08-10 | 2022-12-06 | 浙江锦诗纺织科技有限公司 | 用于围巾面料的智能化生产控制方法及其*** |
| CN115511867A (zh) * | 2022-10-17 | 2022-12-23 | 浙江寰丰纺织有限公司 | 高耐磨纺织面料织造方法及其*** |
| CN115661113A (zh) * | 2022-11-09 | 2023-01-31 | 浙江酷趣智能科技有限公司 | 吸湿排汗的面料及其制备工艺 |
| CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其*** |
| CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其*** |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其*** |
-
2023
- 2023-04-23 CN CN202310440723.2A patent/CN116468699B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220382553A1 (en) * | 2021-05-24 | 2022-12-01 | Beihang University | Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery |
| CN115205543A (zh) * | 2022-07-19 | 2022-10-18 | 宁波西卡曼厨具有限公司 | 不锈钢橱柜的智能制造方法及其*** |
| CN115437319A (zh) * | 2022-08-10 | 2022-12-06 | 浙江锦诗纺织科技有限公司 | 用于围巾面料的智能化生产控制方法及其*** |
| CN115511867A (zh) * | 2022-10-17 | 2022-12-23 | 浙江寰丰纺织有限公司 | 高耐磨纺织面料织造方法及其*** |
| CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其*** |
| CN115661113A (zh) * | 2022-11-09 | 2023-01-31 | 浙江酷趣智能科技有限公司 | 吸湿排汗的面料及其制备工艺 |
| CN115761642A (zh) * | 2022-11-23 | 2023-03-07 | 华能伊敏煤电有限责任公司 | 基于图像处理的破碎作业监控方法及其*** |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493967A (zh) * | 2023-11-15 | 2024-02-02 | 潮州深能城市燃气发展有限公司 | 一种天然气加臭罐出口过滤*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116468699B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jetchev et al. | The conditional analogy gan: Swapping fashion articles on people images | |
| CN116468699B (zh) | 随光强弱变色的面料的智能化生产***及其方法 | |
| Sun et al. | A discriminatively deep fusion approach with improved conditional GAN (im-cGAN) for facial expression recognition | |
| Kumar et al. | A fully yarn integrated tag for tracking the international textile supply chain | |
| CN115080964B (zh) | 基于图深度学习的数据流转异常检测方法及*** | |
| Grant et al. | Deep disentangled representations for volumetric reconstruction | |
| Liu et al. | Pose-adaptive hierarchical attention network for facial expression recognition | |
| CN116797248B (zh) | 基于区块链的数据溯源管理方法及其*** | |
| Jia et al. | Learning to appreciate the aesthetic effects of clothing | |
| CN116310565A (zh) | 尿频尿急的中药制作方法及装置 | |
| Chen et al. | Unpaired pose guided human image generation | |
| Peng et al. | Implicit neural representations with structured latent codes for human body modeling | |
| CN116851856B (zh) | 纯水线切割加工工艺及其*** | |
| CN116994206A (zh) | 基于多元数据融合的室内人员计数方法及*** | |
| CN116188847A (zh) | 军事玩具模型的智能化加工方法及其*** | |
| CN116563795A (zh) | 一种玩偶的生产管理方法及其*** | |
| CN116597163A (zh) | 红外光学透镜及其制备方法 | |
| CN116977714A (zh) | 图像分类方法、装置、设备、存储介质和程序产品 | |
| Madessa et al. | Transmittance surface detection and material identification using multitask ViT-SIFT fusion | |
| Wang | A text image generation model based on deep learning | |
| Qian et al. | Dual-space aggregation learning and random erasure for visible infrared person re-identification | |
| Liang et al. | Fabric material recovery from video using multi-scale geometric auto-encoder | |
| Nguyen et al. | Fusion of Attentional and Traditional Convolutional Networks for Facial Expression Recognition. | |
| CN116536906B (zh) | 一种立体裁剪内裤的成型质量检测方法 | |
| Weng et al. | Language Guided Graph Transformer for Skeleton Action Recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |