CN109643334B - 反向模拟多根纤维 - Google Patents

Abstract

本发明提供一种用于反向模拟多根纤维的计算机实施方法。所述方法包括：提供用于描述纤维的机械行为的计算模型；获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及使用所述计算模型和所述目标几何信息反向模拟所述多根纤维的所述行为，以计算所述多根纤维的目标纤维机械参数组。具有经计算的目标纤维机械参数组的纤维表现出所述目标配置或动态行为。在一些实施方案中，所述反向模拟包括使用综合分析来帮助导出所述目标纤维机械参数组。在一些实施方案中，所述反向模拟使用神经网络从所述目标几何信息推断关于纤维机械参数的信息。本发明还提供一种训练所述神经网络的方法。

Description

反向模拟多根纤维

技术领域

本发明涉及一种用于反向模拟多根纤维的计算机实施方法。该方法具体地可应用于反向模拟一束毛发或满头毛发。它还可应用于反向模拟织造或非织造织物、刷子或包含纤维材料的其它产品。

背景技术

物理系统的计算机模拟是已知的并且在许多技术领域中使用。模拟应用包括(但不限于)计算机图形和结构模拟。通常希望计算机模拟尽可能真实以便尽可能准确地捕获和预测系统的真实世界行为。

本发明具体地涉及模拟多根纤维。纤维组件可能难以模拟，这是因为要考虑的元件数量庞大以及它们之间相互作用的潜在复杂性两者。希望以更加忠实于现实世界中那些纤维的机械行为的方式来模拟纤维，诸如毛发纤维。更好的纤维模拟可用于毛发的计算机图形动画；用于含纤维的制品，诸如刷子的结构模拟；以及用于许多其它应用。

这种已知的模拟方法使用“正向”模拟过程。这涉及基于关于控制多根纤维的行为的参数的预先存在的知识来模拟该行为。这面临以下问题：对于给定纤维，确定参数可能是困难的，耗时的，或者在一些情况下是不可能的。有时可能需要对真实纤维进行侵入性和/或破坏性测试。在一些情况下，所得参数也可能对测试条件或测量变化敏感，这可能导致不准确。希望找到确定参数的更好的方法。

发明内容

本发明人已经认识到，纤维机械参数可通过反向模拟纤维组件来确定。在这里，“反向”模拟是指正常的正向模拟的反转，其可允许基于对纤维行为的观察使用与用于正向模拟的计算模型类似的计算模型来推断纤维的参数。此类反向模拟在其它应用中也具有更广泛的用途，在这些应用中，分析或预测纤维的机械特征是重要的。

本发明由权利要求定义。根据本发明的第一方面，提供了一种用于反向模拟多根纤维的计算机实施方法，该方法包括：

提供用于描述纤维的机械行为的计算模型；

获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及

使用计算模型和目标几何信息反向模拟多根纤维的行为，以计算多根纤维的目标纤维机械参数组，使得具有经计算的目标纤维机械参数组的纤维将表现出目标配置或动态行为。

计算目标纤维机械参数组，使得如果向多根纤维赋予那些纤维机械参数，则多根纤维将表现出目标配置或动态行为。

另选地，如果目标配置或动态行为涉及真实的物理纤维，则目标纤维机械参数组可描述那些纤维。

目标几何信息可包括多根纤维的图像或视频。

多根纤维的图像可示出处于稳态静态配置中的纤维。多根纤维的视频可示出纤维响应于机械刺激，诸如脉冲或振荡运动而移动。

目标几何信息可包括对纤维中的每一根的多个段的三维位置的描述。

可提供三维位置信息作为视觉输入，诸如图像或视频的另选方案，但是优选地除了该视觉输入之外还提供三维位置信息。

计算模型可将每根纤维建模为段的链。

几何信息还可包括预定类型的纤维之中的结分布。另选地，结分布可隐含在几何信息中和/或可通过模拟从该几何信息来确定。

几何信息还可包括纤维中的每一根的多个段中的每一段的速度。

几何信息可从真实的纤维样本中获得，并且获得几何信息的步骤优选地包括以下中的至少一者：微计算机断层扫描；激光扫描；IR成像；以及光学相干断层扫描。微计算机断层扫描有时也被称为微型CT、高分辨率x射线断层扫描、高分辨率CT(HRCT)或高分辨率微型CT。

以这种方式从真实的纤维样本中获得几何信息可允许更准确地捕获纤维几何形状。

计算模型可包括以下中的至少一者：用于每根纤维的Cosserat杆；对每根纤维的基于有限元的描述；每根纤维的基尔霍夫(Kirchoff)杆；以及每根纤维的振荡器网络。

任选地，每根纤维的振荡器网络可包括立方形或四面体振荡器网络。

计算模型优选地还考虑环境状况，包括但不限于：温度、湿度和随机风效应。

反向模拟多根纤维的行为优选地包括将目标几何信息应用于神经网络的输入。

神经网络的输入可包括多根纤维的图像或视频。

已经发现，经过适当训练的神经网络可特别擅长于对纤维参数进行第一组推断。

神经网络的输出优选地包括目标纤维机械参数组中的每个参数的一系列值。

该方法有效地使用神经网络来减小需要搜索以确定纤维机械参数的参数空间的大小。

每个值范围可由系列的最大值和最小值定义。

神经网络可包括多层神经网络。神经网络可包括循环连接，其中网络的一层的输出耦合到网络的前一层的输入。

神经网络优选地包括在30至1800范围内的多个节点。

反向模拟多根纤维的行为任选地包括：生成多个经修改的纤维机械参数组；对于经修改的组中的每一组，使用计算模型模拟由该经修改的组在多根纤维中产生的配置或动态行为；以及选择经修改的组作为目标组，该经修改的组产生最接近目标几何信息的配置或动态行为。

这应用综合分析的方法，优选地通过用不同的纤维机械参数组迭代正向模拟来导出目标纤维机械参数组。

反向模拟多根纤维的行为优选地包括将目标几何信息应用于神经网络的输入，其中神经网络的输出优选地包括目标纤维机械参数组中的每个参数的一系列值；并且基于由神经网络针对每个参数输出的系列值来优选地生成多个经修改的纤维机械参数组。

在该方法中，神经网络用于减小要搜索的参数空间，并且然后应用综合分析技术以便推导出减小的参数空间内的纤维机械参数。

在一些实施方案中，可基于每个参数的范围的中点来生成多个经修改的纤维机械参数组。例如，中点可用作优化算法中的每个参数的初始值。

生成多个经修改的纤维机械参数组任选地包括使用适用于逃避局部最小值的优化算法，诸如模拟退火或进化算法。

已经发现，通过使用神经网络产生的减小的参数空间可能具有许多局部最小值。优化方法、诸如梯度下降可在该参数空间中使用，但是可能会在局部最小值中“卡住”，从而导致次优的纤维机械参数组。包括用于逃避局部最小值的测量值的优化算法可能更有可能找到全局最优参数组。

目标纤维机械参数组优选地包括以下中的至少一者、任何两者或全部三者：纤维之间的一个或多个摩擦系数；纤维之中的内聚力的测量值；以及纤维之中的粘合力的测量值。

本发明人已经认识到通常需要更好地表征纤维的机械参数，并且具体地毛发纤维的机械参数。尽管先前的方法关注于单根纤维的刚度或柔韧性，但是本发明人已经发现，纤维之间相互作用的准确表征对于多根纤维的模拟的总体准确度是重要的。由纤维制成的物体的行为受到纤维之间复杂的碰撞网络(接触点)以及纤维碰撞时如何相互作用的影响。已经发现摩擦、内聚和粘合是控制纤维之间相互作用的三个最重要的参数。

粘合力是指抵抗彼此接触的两根毛发纤维分离的力，其中在接触点处不存在液体。

内聚力是指抵抗彼此接触的两根毛发纤维分离的力，其中它们之间在接触点处存在液体。内聚力取决于毛细管力和拉普拉斯压力。

内聚力和粘合力优选地通过纤维机械参数组中的接触面积而归一化。

优选地，第一组纤维机械参数包括两个或更多个摩擦系数，其中每个摩擦系数属于不同的相互取向。这可允许描述各向异性摩擦效应。

目标纤维机械参数组还优选地包括以下中的至少一者、任何两者或全部三者：与纤维相关联的杨氏模量；与纤维相关联的剪切或扭转模量；以及与纤维相关联的弯曲模量。

表征纤维之间相互作用的参数优选地与单根纤维的机械特征的准确表征组合。具体地，足够详细地表征单根纤维的柔韧性是有利的。在这方面，已发现杨氏模量、弯曲模量和扭转模量是最重要的参数。扭转模量与剪切模量有关。

目标纤维机械参数组还优选地包括以下中的至少一者、任何两者或全部三者：与纤维相关联的直径；纤维的材料密度；以及与纤维相关联的横截面形状或椭圆形。

将这些其它纤维机械参数与上面讨论的参数组合是有利的，从而特征相互作用并且表征单根纤维的柔韧性。

根据本发明的第二方面，提供了一种用于训练神经网络的计算机实施方法，该方法包括：

(i)对于多种类型的纤维中的每一种：

获得与纤维类型相关联的纤维机械参数组；并且

获得描述具有那些纤维机械参数的多根纤维的配置或动态行为的训练几何信息，以及

(ii)使用纤维机械参数组和训练几何信息，训练神经网络从纤维的几何信息推断机械参数信息，

其中训练几何信息包括合成训练几何信息，该合成训练几何信息通过计算机模拟具有相应的纤维机械参数组的多根纤维的行为来生成。

神经网络的成功训练使得它能够推广到看不见的数据需要足够的可用训练数据。生成大量真实的训练数据可能是困难的或耗时的。本发明人已经认识到，纤维的正向模拟可用作生成合成训练数据的方式。这可显著增加可用训练数据的数量和丰富度，由此改善神经网络随后对纤维机械参数进行准确推断的能力。

训练几何信息优选地包括多根纤维的图像或视频。

由神经网络推断的机械参数信息包括纤维机械参数组中的每个参数的一系列值。

获得训练几何信息的步骤优选地包括：计算机模拟具有相应的纤维机械参数组的多根纤维的行为；以及渲染模拟行为的视觉表示。

通过这种方式，正向模拟用于模拟并且然后在虚拟配置或行为中渲染虚拟纤维的一个或多个图像(或视频)。因为正向模拟在物理上是真实的，所以渲染的虚拟图像或视频可以非常接近真实纤维的图像或视频。

还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质包括计算机程序，该计算机程序包括计算机可读程序代码，当计算机程序在一个或多个物理计算装置上运行时，该计算机可读程序代码能够操作以使所述一个或多个物理计算装置执行前述权利要求中任一项所述的所有步骤。

附图说明

现在将参考附图以举例的方式描述本发明，在附图中：

图1是示出在其上可运行本发明的实施方案的示例性计算机系统的示意框图；

图2是示出可在本发明的实施方案中使用的正向模拟方法中的逻辑信息流的流程图；

图3是可以在一个实施方案中使用的正向模拟方法的流程图；

图4是示出根据本发明的第一方面的反向模拟中的逻辑信息流的流程图；

图5是根据第一方面的一个实施方案的更详细的流程图；

图6是示出根据第一方面的一个实施方案的反向模拟方法的详细示例的流程图；并且

图7是示出根据本发明的第二方面的一个实施方案的训练神经网络的方法的流程图。

具体实施方式

本申请要求于2016年9月15日提交的欧洲专利申请16188947.2的权益，该申请全文以引用方式并入本文。

附图1示意性地示出了在其上可运行本发明的实施方案的示例性计算机系统100。示例性计算机系统100包括计算机可读存储介质102、存储器104、处理器106以及一个或多个接口108，它们均通过一个或多个通信总线110链接在一起。示例性计算机系统100可采用常规的计算机系统的形式，诸如例如台式计算机、个人计算机、膝上型计算机、平板计算机、智能电话、智能手表、虚拟现实耳机、服务器、大型计算机，等等。

计算机可读存储介质102和/或存储器104可存储一个或多个计算机程序(或软件或代码)和/或数据。存储在计算机可读存储介质102中的计算机程序可包括用于使处理器106执行以便计算机系统100运行的操作系统。存储在计算机可读存储介质102和/或存储器104中的计算机程序可包括根据本发明的实施方案的计算机程序或在由处理器106执行时使处理器106执行根据本发明的一个实施方案的方法的计算机程序。

处理器106可以是适用于执行一个或多个计算机可读程序指令的任何数据处理单元，诸如属于存储在计算机可读存储介质102和/或存储器104中的计算机程序的那些计算机可读程序指令。作为一个或多个计算机可读程序指令的执行的一部分，处理器106可将数据存储到计算机可读存储介质102和/或存储器104以及/或者从计算机可读存储介质和/或存储器读取数据。处理器106可包括单个数据处理单元或者并行或彼此协作操作的多个数据处理单元。作为一个或多个计算机可读程序指令的执行的一部分，处理器106可将数据存储到计算机可读存储介质102和/或存储器104以及/或者从计算机可读存储介质和/或存储器读取数据。

一个或多个接口108可包括网络接口，使得计算机系统100能够通过网络与其它计算机系统进行通信。网络可以是适用于将数据从一个计算机系统传输或传达到另一个计算机系统的任何类型的网络。例如，网络可包括局域网、广域网、城域网、互联网、无线通信网络等等中的一者或多者。计算机系统100可经由任何合适的通信机制/协议通过网络与其它计算机系统进行通信。处理器106可经由一个或多个通信总线110与网络接口进行通信以使网络接口通过网络向另一个计算机系统发送数据和/或命令。类似地，一个或多个通信总线110使得处理器106能够对通过计算系统100经由网络接口通过网络从其它计算机系统接收的数据和/或命令进行操作。

接口108可另选地或附加地包括用户输入接口和/或用户输出接口。用户输入接口可被布置成从系统100的用户或操作者接收输入。用户可经由一个或多个用户输入装置(未示出)、诸如鼠标(或其它指示装置、跟踪球或键盘)提供该输入。用户输出接口可被布置成在显示器(或监视器或屏幕)(未示出)上向系统100的用户或操作者提供图形/视觉输出。处理器106可指示用户输出接口形成图像/视频信号，该信号使显示器显示期望的图形输出。显示器可以是触敏的，使得用户能够通过触摸或按压显示器来提供输入。

根据本发明的实施方案，接口108可另选地或附加地包括到测量系统的接口以用于测量真实纤维的纤维机械参数。在一些实施方案中，接口108可包括到几何捕获系统的接口，诸如3D扫描仪，以用于捕获多根真实纤维的几何形状。在一些实施方案中，接口108可包括到相机的接口以用于捕获多根真实纤维的图像或视频。

应当理解的是，图1中示出并在上面描述的计算机系统100的架构仅仅是示例性的，并且可替代地使用具有使用另选部件或使用更多部件(或更少)的不同架构的系统。

在下文中，将在其中纤维是毛发纤维的实施方案的上下文中描述本发明。然而，对于本领域技术人员显而易见的是，本发明的范围不限于此类实施方案，并且它可用于模拟任何类型的纤维。

首先描述适用于本发明的一个实施方案的正向模拟方法的示例将是方便的，因为根据本发明的反向模拟方法的一些实施方案以各种方式利用正向模拟。

图2示出了可在本发明的实施方案中使用的正向模拟中的逻辑信息流。对多根纤维的模拟240依赖于三条信息：计算模型210；纤维机械参数组220；以及初始几何信息230。模拟240将这些组合以模拟多根纤维的配置的变化。新配置由最终几何信息250表示。

计算模型210优选地将每根纤维建模为单独段的链。第一几何信息230为每根纤维的段中的每一个提供初始位置。模拟240从这些初始位置开始(并且任选地还有关于初始速度的信息)在时间上向前逐步递增，使用计算模型210来描述纤维系统的机械行为。计算模型210的机械响应由纤维机械参数220的值控制。

在该示例中，纤维是毛发纤维，并且目的是模拟毛发纤维的表现-例如，它们如何在重力作用下达到稳态(静态)几何配置，或者它们如何响应于输入机械刺激或扰动，诸如脉冲或振荡运动。毛发纤维可形成一小束毛发或满头毛发。要模拟的行为可以是毛发的真实(即，物理上可实现的)修改或操纵的虚拟表示。

图3是示例性正向模拟方法的流程图。在步骤310中，提供计算模型210。计算模型210可存储在存储介质102中，处理器106从存储介质检索计算模型。接下来，在步骤320中，处理器106获得与预定类型的纤维相关联的第一组纤维机械参数以与计算模型210一起使用。在步骤330中，处理器106获得描述要模拟的多根纤维的初始形状和位置的第一几何信息230。然后，在步骤340中，处理器106使用计算模型210、纤维机械参数220和第一几何信息230来模拟纤维的行为。模拟的输出是第二几何信息，其描述了纤维的最终形状、位置和/或运动。任选地，在步骤350中，处理器106基于由模拟产生的第二几何信息来渲染纤维的一个或多个图像。

在图3所示的实施方案中，第一几何信息230从真实的纤维样本中获得。具体地，处理器106从光学相干断层扫描(OCT)设备370获得几何信息。OCT设备370经由接口108与计算机系统100交接。光学相干断层扫描可用于捕获毛发纤维体的3D几何形状，因为它对材料的折射率差异敏感。OCT可允许以高分辨率分辨单独的结构。用于生成几何信息的真实的纤维样本可以是一小束毛发或满头毛发。

在图3的方法中，假设纤维机械参数从数据库360获得，该数据库存储多种不同毛发类型中的每一种的纤维机械参数。这在EP 16188947.2中更详细地描述。然而，如下面将更详细地描述的，当在根据本发明的一个实施方案的反向模拟中使用正向模拟时，可不同地获得纤维机械参数。

在本示例中，纤维机械参数组包括具有六个参数的毛发机械指纹。三个参数定义毛发纤维之间的相互作用；这些参数是：纤维之间的至少一个摩擦系数；纤维之中的内聚力；以及纤维之中的粘合力。另外三个参数定义单根纤维的机械特征；这些参数是：纤维的杨氏模量；纤维的扭转模量；以及纤维的弯曲模量。优选地，纤维机械参数组还包括：纤维直径；纤维的横截面形状的椭圆度；以及每根纤维的材料密度。这些纤维机械参数以及直接从真实的毛发样本测量每个参数的示例性方法在EP 16188947.2中更详细地描述。

在本例中，描述每根纤维的计算模型是离散成段的基于Cosserat杆。Cosserat杆模型本身对于本领域技术人员来说是熟悉的。该模型还包括毛发纤维系统中的阻尼测量，其描述了纤维与空气或其它气态物质和/或水或其它液体的相互作用。阻尼效应是环境状况，诸如温度和湿度的函数；因此，它不是纤维机械参数的一部分，而是计算模型的全局参数。

对于上述示例可以有许多变化。例如，可以不同方式获得3D纤维几何信息。可能另选的方案之中有激光扫描和微计算机断层扫描(μ-CT)，这两者在EP 16188947.2中讨论。原则上，可使用具有足够分辨率来分辨单根毛发纤维的任何CT变型。

图4是示出根据本发明的第一方面的实施方案的反向模拟方法的逻辑信息流的示意流程图。该方法的输入是目标几何信息235。例如，这可表示发型师希望为顾客实现的期望发型或者一束毛发的期望动态行为。该目标几何信息235由反向模拟410使用以导出目标纤维机械参数组225。目标组是纤维机械参数组-如果实现的话-其将允许创建期望的发型(如由目标几何信息定义)。

实质上，反向模拟方法使用计算模型从目标几何信息推断目标纤维机械参数组。如果目标几何信息是假设的(如前述示例中那样)，则反向模拟的输出是假设的纤维机械参数组。然而，如果目标几何信息是真实观察到的几何信息，则“目标”纤维机械参数组将是观察到的纤维的真实的纤维机械参数。

在优选的实施方案中，如图5所示，反向模拟410包括两个阶段：第一阶段412使用神经网络来减小参数空间，并且第二阶段414使用综合分析来确定减少的参数空间内的纤维机械参数。

现在将参考图6更详细地描述该优选的实施方案。这是示出根据一个实施方案的用于反向模拟的方法的组合信息和过程流程图。在步骤610中，提供计算模型。计算模型可与图2的方法中使用的计算模型210相同，并且可类似地由处理器106从存储介质102中检索。

在步骤620中，处理器106获得描述多根纤维的目标动态行为的目标几何信息。如图6所示，目标几何信息可包括从相机625获得的多根纤维的视频。视频可以是所谓的“自由流动”实验的视频，其中一束毛发纤维附接到水平轨道上的实验滑板。发束悬挂在实验滑板上的夹子上，使得毛发纤维悬挂在实验滑板下面。实验滑板从左向右移动并再次向后移动，从而导致毛发纤维振荡。该简单实验的视频包括关于毛发纤维的机械行为的潜在信息，该方法将利用该信息来确定发束的纤维机械参数。

目标几何信息优选地还包括对纤维的三维位置的基本上完整的描述，将每根纤维近似为多个段。可使用OCT或上面提到的其它合适方法中的一种来获得该三维描述。

该方法然后前进至步骤630、530和414，其中执行反向模拟。

在步骤630中，处理器106将目标几何信息中的一些或全部应用于多层神经网络的输入层。在本实施方案中，该步骤包括将自由流动实验的视频输入到神经网络的输入。神经网络的输出包括纤维机械参数组中的每个参数的一系列值。即，神经网络从自由流动实验的视频推断纤维机械参数值中的每一个所在的范围。下面将更详细地描述神经网络的训练以执行该任务。

接下来，在步骤530中，处理器106基于在步骤630中由神经网络发现的参数范围来初始化综合分析方法。在本实施方案中，该方法用纤维机械参数组来初始化，其中每个参数值是由神经网络发现的相应范围的平均值。这确保了综合分析方法从由神经网络确定的参数空间的中心开始。

在图6中的虚线矩形414内部指示综合分析阶段的详细方案。

在所示实施方案中，应用迭代方法。在步骤340中，处理器106模拟具有初始纤维机械参数组的多根纤维的行为，如步骤530中所确定的。这是正向模拟的实例(与上面在图2的上下文中描述的正向模拟340相同)。模拟行为的方式将取决于目标几何信息的形式。使用上述的自由流动实验的示例，处理器106在相同(虚拟)自由流动实验中模拟具有初始纤维机械参数组的多根纤维的响应。模拟的输出是所产生的几何信息-在这种情况下，描述模拟自由流动实验中虚拟纤维束的运动。任选地，正向模拟还可包括在视觉上将结果几何信息渲染为视频。

在步骤510中，处理器106将该产生的几何形状与在步骤620中获得的目标几何形状进行比较。假设两个几何形状还不够类似，则该方法前进至步骤520。在该步骤中，处理器106修改纤维机械参数组。该方法然后再次返回至步骤340，以便处理器模拟由应用新的经修改的纤维机械参数产生的行为。同样，该方法前进至步骤510，以检查新产生的几何信息是否足够好地匹配目标几何形状。在每次迭代时，修改纤维机械参数，目的是朝着目标几何信息驱动所产生的几何信息。这可以多种方式使用许多可能的策略调整参数来实现。此类策略包括但不限于：梯度下降方法；蒙特卡洛方法；以及遗传算法。然而，可能优选使用旨在逃避局部最小值的优化算法，诸如模拟退火。

注意，在更新步骤520中，始终修改纤维机械参数，使得它们在步骤630中保持在由神经网络确定的范围内。

当该方法在步骤510中最终确定当前产生的几何信息与目标几何形状足够类似时，迭代终止。此时，选择来自最终迭代的经修改的纤维机械参数作为目标纤维机械参数(步骤550)。

可在步骤510中以多种方式执行当前产生的几何信息与目标几何信息之间的比较，并且可基于多个可能的规则终止迭代。例如，迭代可继续直到当前几何信息与目标几何信息之间的平方差之和小于预定阈值为止。另选地，迭代可继续直到平方差之和在迭代之间停止减少为止。本领域技术人员将理解的是，平方差之和仅仅是用于评估几何质量的许多可能合适的度量中的一个。

在优选的实施方案中，可使用应用于三维位置信息或视频数据的L2度量来比较几何形状。实际上，已经发现在神经网络阶段412中使用视频数据并且在综合分析阶段414中使用三维位置信息(如果可用)是有益的。

当目标几何信息是观察到的真实纤维的几何信息时，图6的方法可提供更少侵入性且可能更准确的方式来确定纤维机械参数。然而，当目标几何信息表示假设的或期望的配置或动态行为时，该方法可能甚至更有用。在这种情况下，不可能对真实纤维进行实际的物理测量，因为在现实世界中还不存在期望的纤维。然后，反向模拟方法提供了一种方式来推断必须产生的纤维机械参数，以便实现期望的/假设的配置/行为。这可用于推断纤维机械参数，该纤维机械参数将(以举例的方式)允许一束毛发以更少的卷曲、更多的弹跳或更少的缠结来移动。

对上述实施方案的各种修改是可能的。

在图6的示例中，通过迭代正向模拟340并且在每次迭代中更新纤维机械参数来进行反向模拟410。然而，通常，没有必要遵循迭代方法。例如，多次模拟340可并行运行，每次模拟使用不同的纤维机械参数。这可通过以与上述类似的方式迭代并行模拟中的每一次来与迭代方法组合。这可允许更快和/或更广泛地探索参数空间。

如本领域技术人员将理解的，使用神经网络作为综合分析方法的预处理步骤并不是必需的。在一些实施方案中，单独的神经网络可用于推断纤维机械参数。同样地，在其它实施方案中，可单独使用综合分析方法。然而，已经发现，如上所述，使用神经网络作为预处理步骤可提高综合分析收敛到准确结果的速度，由此改善整个过程的效率。

还要注意，在一些情况下，参数中的一些可通过反向模拟来确定，并且其它参数可通过物理测量来确定。例如，纤维直径和/或纤维的椭圆形横截面可通过直接物理测量来确定。通过使简单测量离线，这可帮助减小用于反向模拟的参数空间的维度。由此可提高该方法的整体效率。

如前所述，本发明的范围不限于对毛发纤维的反向模拟。要模拟的多根纤维可以是任何类型的纤维。例如，它们可以是织造或非织造纺织物中的纤维，或者是形成刷子的刷毛的纤维。不需要单独观察纤维的几何形状-例如，可观察到纤维与其它固体物体、液体或气体的相互作用，以提供反向模拟方法的输入。在一个实施方案中，要模拟的纤维包括牙刷的刷毛，并且观察包括观察刷毛与牙齿、牙龈或其它口腔组织的相互作用。然后，反向模拟的输出包括牙刷的刷毛的机械参数。

为了支持使用神经网络412来推断关于纤维机械参数的信息，首先需要训练神经网络。用于训练神经网络的一般方法是已知的，并且对于本领域技术人员来说是熟悉的。在图7中示出了被认为特别有利的一种训练过程。这示出了根据本发明的第二方面的一个实施方案的用于训练神经网络的方法的流程图。

优选地，神经网络在多种不同类型的纤维上进行训练。在步骤710中，处理器106针对每种类型的纤维获得与纤维类型相关联的纤维机械参数组。在步骤720和730中，处理器106获得相应的训练几何信息，描述具有这些纤维机械参数的纤维的动态行为。

通常，可以任何合适的方式获得参数和训练几何信息。在一个示例中(不是根据第二方面，但仍适用于训练用于第一方面的神经网络)，训练几何信息可包括在多种不同类型的真实纤维上进行的相应自由流动实验的视频。然后可直接从相同的真实的纤维样本测量相关联的纤维机械参数。

然而，本发明人已经认识到，获得足够的真实的训练数据以从神经网络实现高水平的识别准确度可能是困难的或者至少是费力的。他们进一步认识到，可通过生成和使用合成训练数据来克服这一困难，前提条件是合成数据足够真实。这是图7的实施方案中采用的方法。

在步骤720中，处理器106获取在步骤710中获得的纤维机械参数，并且模拟具有那些参数的纤维的行为。这涉及为每根纤维类型运行正向模拟340的实例。每次模拟的输出是模拟标准测试中纤维的动态行为的描述，诸如上面已经讨论过的自由流动实验。

在步骤730中，处理器106渲染该行为的视觉表示。在本示例中，视觉表示是示出(虚拟)自由流动实验的视频。渲染优选地使用计算机图形技术来确保所产生的合成视频在物理上和视觉上是真实的，以最大化其作为神经网络的训练数据的有用性。用于渲染真实感图像和纤维视频的一种合适技术描述于欧洲专利申请14189661.3(公布号EP 3012805)。

在步骤740中，处理器106使用来自步骤710的纤维机械参数和来自步骤730的合成渲染的训练几何信息来训练神经网络。因此训练神经网络以从纤维的几何信息识别或推断机械参数信息。

在本实施方案中，神经网络是具有循环连接并且具有几百个节点的多层神经网络，诸如将被理解为适用于深度学习。如果神经网络过于复杂(即，如果它具有太多节点)，则可能存在过度拟合训练数据的风险。如本领域技术人员将理解的，神经网络的精确特征将在某种程度上取决于用于训练的训练数据的数量和类型。利用大量不同的训练数据，更多数量的节点可以是合适的。对于高度集群(不是非常多样化)的小型语料库或训练数据，较少数量的节点可更好地工作。训练可使用众所周知的反向传播方法或另一种合适的技术。

注意，根据图7的方法生成的合成训练数据可单独用于训练神经网络，或者它可与真实的训练数据组合。

应当注意的是，上述实施方案示出而不是限制本发明，并且本领域技术人员将能够在不脱离所附权利要求的范围的情况下设计许多另选的实施方案。在权利要求书中，置于括号之间的任何附图标记不应理解为限制权利要求。词语“包括”不排除存在除权利要求中所列的那些之外的元件或步骤。在元件之前的词语“一”或“一个”不排除存在多个此类元件。实施方案可借助于包括几个不同元件的硬件来实施。在枚举多个部件的装置权利要求中，这些部件中的多个可由硬件中的一个和同一个项来实现。在相互不同的从属权利要求中列举某些措施的仅有事实并不指示这些措施的组合不能用于获益。此外，在所附权利要求中，包括“以下中的至少一种：A；B；和C”的列表应被解释为(A和/或B)和/或C。

此外，通常，各种实施方案可以硬件或专用电路、软件、逻辑、或它们的任何组合来实施。例如，一些方面可以硬件实施，而其它方面可以固件或软件实施，该软件可由控制器、微处理器或其它计算装置来执行，尽管这些不是限制性示例。虽然本文描述的各个方面可被示出和描述为框图、流程图或使用一些其它图示表示来示出和描述，但是应当充分理解，作为非限制性示例，本文描述的这些框、设备、系统、技术或方法可以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算装置、或者它们的某种组合来实施。

本文描述的实施方案可以由可由所述设备的数据处理器执行的计算机软件来实施，诸如在处理器实体中、或通过硬件、或通过软件与硬件的组合来实施。此外，在这方面，应当注意的是，如图中的逻辑流程的任何框可表示程序步骤、或互连逻辑电路、框和功能、或者程序步骤与逻辑电路、框和功能的组合。软件可存储在物理介质诸如存储器芯片或在处理器内实施的存储器块，磁介质诸如硬盘或软盘，以及光学介质诸如例如DVD及其数据变体、CD上。

存储器可以是适合于本地技术环境的任何类型，并且可使用任何合适的数据存储技术(诸如基于半导体的存储器装置、磁存储器装置和系统、光学存储器装置和系统、固定存储器和可移动存储器)来实施。作为非限制性示例，数据处理器可以是适合于本地技术环境的任何类型，并且可包括通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、门级电路以及基于多核处理器架构的处理器中的一种或多种。

如本文讨论的实施方案可在各种部件诸如集成电路模块中实践。集成电路的设计大体上是高度自动化的过程。复杂且功能强大的软件工具可用于将逻辑级设计转换为准备在半导体基板上蚀刻和形成的半导体电路设计。

本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。

Claims (14)

1.一种用于反向模拟多根纤维的计算机实施方法，所述方法包括：

向处理器提供计算模型，其中所述计算模型是是离散成段的基于Cosserat杆并描述毛发纤维的机械行为；

使用与所述处理器交接的光学相干断层扫描装置获得描述所述毛发纤维的目标配置或动态行为的目标几何信息；以及

反向模拟所述多根纤维的所述行为，以计算所述多根纤维的目标纤维机械参数组，使得具有经计算的目标纤维机械参数组的纤维将表现出所述目标配置或动态行为，其中所述反向模拟包括将所述目标几何信息应用于神经网络的输入，以生成纤维机械参数组中的每个参数的一系列值，以及使用纤维机械属性组来初始化综合分析方法，其中每个参数值是由所述神经网络发现的相应范围的平均值。

2.根据权利要求1所述的计算机实施方法，其中所述目标几何信息包括多根纤维的图像或视频。

3.根据权利要求1或权利要求2所述的计算机实施方法，其中所述目标几何信息包括对所述纤维中的每一根的多个段的三维位置的描述。

4.根据权利要求1所述的计算机实施方法，其中所述神经网络的所述输入包括多根纤维的图像或视频。

5.根据权利要求1所述的计算机实施方法，其中所述神经网络的输出包括所述目标纤维机械参数组中的每个参数的一系列值。

6.根据权利要求1所述的计算机实施方法，其中反向模拟所述多根纤维的所述行为包括

生成多个经修改的纤维机械参数组；

对于所述经修改的组中的每一组，使用所述计算模型模拟由该经修改的组在所述多根纤维中产生的所述配置或动态行为；以及

选择所述经修改的组作为所述目标纤维机械参数组，所述经修改的组产生最接近所述目标几何信息的所述配置或动态行为。

7.根据权利要求6所述的计算机实施方法，其中：

反向模拟所述多根纤维的所述行为包括将所述目标几何信息应用于神经网络的所述输入；

所述神经网络的输出包括所述目标纤维机械参数组中的每个参数的一系列值；并且

基于由所述神经网络针对每个参数输出的所述系列值来生成所述多个经修改的纤维机械参数组。

8.根据权利要求6或权利要求7所述的计算机实施方法，其中生成多个经修改的纤维机械参数组包括使用适用于逃避局部最小值的优化算法。

9.根据权利要求1所述的计算机实施方法，其中所述目标纤维机械参数组包括以下中的至少一者、任何两者或全部三者：

所述纤维之间的一个或多个摩擦系数；

所述纤维之中的内聚力的测量值；以及

所述纤维之中的粘合力的测量值。

10.根据权利要求9所述的计算机实施方法，其中所述目标纤维机械参数组还包括以下中的至少一者、任何两者或全部三者：

与所述纤维相关联的杨氏模量；

与所述纤维相关联的剪切或扭转模量；以及

与所述纤维相关联的弯曲模量。

11.根据权利要求9或权利要求10所述的方法，其中所述目标纤维机械参数组还包括以下中的至少一者、任何两者或全部三者：

与所述纤维相关联的直径；

所述纤维的材料密度；以及

与所述纤维相关联的横截面形状或椭圆形。

12.一种用于训练神经网络的计算机实施方法，所述方法包括：

(i)对于多种类型的纤维中的每一种：

获得与所述纤维类型相关联的纤维机械参数组；并且

获得描述具有那些纤维机械参数的多根纤维的配置或动态行为的训练几何信息，以及

(ii)使用所述纤维机械参数组和所述训练几何信息，训练所述神经网络从纤维的几何信息推断机械参数信息，

其中所述训练几何信息包括合成训练几何信息，所述合成训练几何信息通过计算机模拟具有相应的纤维机械参数组的多根纤维的所述行为来生成。

13.根据权利要求12所述的计算机实施方法，其中所述获得训练几何信息的步骤包括：

计算机模拟具有所述相应的纤维机械参数组的多根纤维的所述行为；以及

渲染所述模拟行为的视觉表示。

14.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，所述计算机程序包括计算机可读程序代码，当所述计算机程序在一个或多个物理计算装置上运行时，所述计算机可读程序代码能够操作以使所述一个或多个物理计算装置执行前述权利要求中任一项所述的所有步骤。