CN115578676B - 绿色节能智能化染整工艺及其系统 - Google Patents

Abstract

本申请公开了一种绿色节能智能化染整工艺及其系统。其通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。具体地，所述绿色节能智能化染整工艺采用对超声波发生装置的功率自适应控制来保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。

Description

绿色节能智能化染整工艺及其系统

技术领域

本申请涉及智能化染整技术领域，且更为具体地，涉及一种绿色节能智能化染整工艺及其系统。

背景技术

染整指对纺织材料(纤维、纱线和织物)进行以化学处理为主的工艺过程，现代也通称为印染。染整同纺纱、机织或针织生产一起，形成纺织物生产的全过程。染整包括预处理、染色、印花和整理。染整质量的优劣对纺织品的使用价值有重要的影响。

染整的大多数工序是化学加工过程，纺织材料经化学加工后要反复水洗并加以烘干，热能和水的消耗量都很大，对水质的要求比较高。在化学处理过程中还会产生有害物污染空气和水。因此，确定工艺和设计设备时，必须设法降低热能的消耗、提高水的利用率、减少污染。

但是，由于在染整生产加工过程中，大量使用了对环境有影响和妨碍人体健康的染化料助剂，其生物降解性差，毒性大，游离甲醛含量高，重金属离子的含量超标；这些助剂，以气体、液体、固体的形态排放而污染环境，危害人类的健康。

因此，期待一种绿色染整方案。

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绿色节能智能化染整工艺及其系统。其通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。具体地，通过采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。通过这样的方式，能够保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。

根据本申请的一个方面，提供了一种绿色节能智能化染整工艺，其包括：

通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及

对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。

在上述的绿色节能智能化染整工艺中，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：

获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；

从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；

将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；

将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；

将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；

将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；

计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；

对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及

将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。

在上述的绿色节能智能化染整工艺中，所述从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧，包括：

以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。

在上述的绿色节能智能化染整工艺中，所述将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵，包括：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：

对输入数据进行卷积处理以生成第一卷积特征图；

对所述第一卷积特征图进行池化处理以生成第一池化特征图；

对所述第一池化特征图进行非线性激活以生成第一激活特征图；

计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；

计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及

计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；

其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。

在上述的绿色节能智能化染整工艺中，所述将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量，包括：

使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个退浆监控特征矩阵中各个退浆监控特征矩阵进行线性嵌入编码以得到所述多个退浆监控特征向量。

在上述的绿色节能智能化染整工艺中，所述将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量，包括：所述作为特征过滤器的第二卷积神经网络模型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第二卷积特征图；

对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及

对所述第二池化特征图进行非线性激活以得到第二激活特征图；

其中，所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量，所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。

在上述的绿色节能智能化染整工艺中，所述计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，包括：

以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；

其中，所述公式为：

其中V₁表示所述超声波特征向量，V₂表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，

表示矩阵相乘。

在上述的绿色节能智能化染整工艺中，所述对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵，包括：

以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；

其中，所述公式为：

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数函数。

在上述的绿色节能智能化染整工艺中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，包括：

将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种绿色节能智能化染整系统，其包括：

退浆模块，用于通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及

染色模块，用于对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。

与现有技术相比，本申请提供的绿色节能智能化染整工艺及其系统，其通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。具体地，通过采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。通过这样的方式，能够保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的绿色节能智能化染整工艺的场景示意图。

图2为根据本申请实施例的绿色节能智能化染整工艺的流程图。

图3为根据本申请实施例的绿色节能智能化染整工艺中步骤S100的子步骤的流程图。

图4为根据本申请实施例的绿色节能智能化染整工艺中步骤S100的架构示意图。

图5为根据本申请实施例的绿色节能智能化染整工艺中步骤S190的子步骤的流程图。

图6为根据本申请实施例的绿色节能智能化染整系统的框图。

图7为根据本申请实施例的绿色节能智能化染整系统中所述退浆模块的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，由于在染整生产加工过程中，大量使用了对环境有影响和妨碍人体健康的染化料助剂，其生物降解性差，毒性大，游离甲醛含量高，重金属离子的含量超标；这些助剂，以气体、液体、固体的形态排放而污染环境，危害人类的健康。因此，期待一种绿色染整方案。

具体地，在本申请的技术方案中，期望通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物。应可以理解，与一般的淀粉上浆和退浆相比，使用降解淀粉上浆后再使用超声波退浆可以节约许多能量。使用超声波退浆，可以减轻纤维的降解，纺织物的白度与湿润性和传统退浆方法相同。在退浆过程中，超声波空化作用引起的分散作用使得大分子之间产生分离，促进浆料与纤维的粘着变松。而超声波的乳化作用可以去除的浆料溶解性能提高，使其具有较好的退浆效果。由于超声波的吸热效应可以使反应保持在一定的温度，与反应提供了能量从而节省了其他能量。

然后，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。应可以理解，超临界二氧化碳染色是采用二氧化碳来代替以水为介质的染整加工技术，工艺中无需清洗，无需烘干，二氧化碳可循环再利用；该技术可避免大量废水对环保带来严重污染问题，保护了水资源，省去还原清洗和烘干工序，降低了能源消耗，染色过程无有害气体排放，残余染料可循环使用，提高了染料利用率；此外，超临界二氧化碳流体染色主要适用于非离子类的难溶性分散染料，对分散染料有很好的溶解能力，并且对疏水性的涤纶等合成纤维有很强的增塑作用，可以增加纤维中大分子链的活动能力和扩散自由体积，加快染料在纤维中的扩散，从而大大提高上染速率，有很好的透染和匀染效果。

相应地，考虑到在使用超声波退浆时，传统的超声波控制方案是通过工作人员人工进行超声波功率在适宜范围的固定控制。但是，人工控制会造成控制判断的误差，不仅不能够智能化生产，而且在实际的超声波退浆过程中，待染整纺织物的退浆效果是随着退浆的进程不断发生变化的，因此需要根据待染整纺织物的实际退浆效果来实时动态地进行超声波发生装置的功率自适应控制，以保证退浆织物的退浆效果。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为染整工艺中超声波发生装置的功率智能控制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，考虑到对于超声波发生装置的功率调控应适配于待染整织物的退浆状态变化情况，也就是，基于所述待染整植物的退浆动态变化特征来自适应地调整所述超声波发生装置的工作功率。具体地，通过采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。这样，能够保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。

具体地，在本申请的技术方案中，首先，获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频。接着，考虑到在所述采集到的所述预定时间段的退浆监控视频中，所述待染整纺织物的退浆状态变化特征可以通过所述监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻帧的图像表征来表示退浆状态的动态变化情况。但是，考虑到所述监控视频中的相邻帧差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样，以提取多个退浆监控关键帧。

然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述监控关键帧的特征挖掘，特别地，考虑到超声波空化作用引起的分散作用使得大分子之间产生分离，促进浆料与纤维的粘着变松，并且超声波的乳化作用可以使得浆料溶解性能提高，使其具有较好的退浆效果。因此，在所述多个退浆监控关键帧中，对于所述纺织物退浆状态隐含变化特征的挖掘应聚焦于空间位置上浆料与纤维的粘着程度以及浆料的溶解性特征信息。基于此，在本申请的技术方案中，将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型中进行处理以得到多个退浆监控特征矩阵。这里，所述使用空间注意力的第一卷积神经网络模型来对于所述各个退浆监控关键帧进行特征提取，能够在特征挖掘时聚焦于图像中特征位置的隐含特征分布信息，从而有利于提高对于退浆状态特征提取的精准度。

进一步地，在提取出所述各个退浆监控关键帧的特征分布信息后，考虑到所述各个退浆监控关键帧的特征分布在时间维度上具有着上下文的动态关联特征，因此，为了能够提取出所述待染整织物退浆状态的动态变化隐含特征来进行超声波发生装置的功率自适应控制，需要进一步对于所述织物的退浆特征在时序维度上的上下文动态变化特征进行挖掘。也就是，具体地，首先，将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；然后，将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型中进行处理，以捕捉所述各个退浆监控关键帧的退浆特征在时序维度上的上下文动态特征，从而得到退浆上下文理解特征向量。应可以理解，所述双向长短期记忆神经网络模型(LSTM，Long Short-Term Memory)是一种时间循环神经网络，其通过增加输入门、输出门和遗忘门，使得神经网络的权重能够自我更新，在网络模型参数固定的情况下，不同时刻的权重尺度可以动态改变，从而能够避免梯度消失或者梯度膨胀的问题。所述双向长短期记忆神经网络模型是由前向LSTM与后向LSTM组合而成，前向LSTM可以学习到当前退浆监控关键帧的前文退浆状态变化特征信息，而后向LSTM可以学习到当前退浆监控关键帧的后续退浆状态变化特征信息，所以通过所述双向长短期记忆神经网络模型获得的退浆上下文理解特征向量学习到了全局上下文的退浆特征在时序维度上的动态变化特征信息。

接着，对于所述超声波发生装置的功率隐含特征提取，将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型中进行特征挖掘，以提取出所述超声波信号的波形图的隐含特征分布信息，从而得到超声波特征向量。

进一步地，再计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，以此来表示所述超声波信号的隐藏特征和所述待染整纺织物退浆状态的动态变化特征的响应性关联特征。然后，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当前时间点的超声波发生装置的功率值应增大或应减小。也就是，以所述分类特征矩阵来通过分类器进行分类处理以得到用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类结果。这样，能够根据所述待染整织物的退浆状态变化来实时地进行所述超声波发生装置的功率自适应控制。

特别地，在本申请的技术方案中，所述退浆上下文理解特征向量是所述多个退浆监控特征向量通过双向长短期记忆神经网络模型提取其关联特征后级联得到的，而每个所述退浆监控特征向量又是通过使用空间注意力的第一卷积神经网络模型提取图像语义空间关联特征得到的，因此所述退浆上下文理解特征向量的整体特征分布遵循空间维度上的关联分布。而所述超声波特征向量是所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型得到，其整体特征分布遵循所述第二卷积神经网络模型的通道维度关联分布，因此所述超声波特征向量相对于所述退浆上下文理解特征向量存在向量维度上的分布不对齐，这会在作为其响应性估计的所述分类特征矩阵中引入局部异常分布，使得在通过分类器进行分类时导致分类的归纳偏差。

因此，在将所述分类特征矩阵通过分类器进行分类之前，对所述分类特征矩阵进行分类偏差的可微算子转换优化，表示为：

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数。

也就是，针对所述分类特征矩阵的高维特征分布在分类问题下的归纳偏差，基于归纳收敛速率的可导约束形式将该归纳偏差转换为可微算子的信息化表达组合，以基于分类问题的归纳约束对于类概率限定下的决策域进行收敛，从而提升目标问题下的归纳结果的确定性，即，在存在归纳偏差的情况下提高了分类特征矩阵通过分类器的分类结果的准确性。这样，能够根据所述待染整织物的退浆状态变化来实时动态地进行所述超声波发生装置的功率自适应控制，进而能够保证退浆织物的退浆质量，并且在使用智能化生产控制技术来确保染整后织物的染整效果的同时，能够提高染整工艺的绿色化节能环保效果。

基于此，本申请提供了一种绿色节能智能化染整工艺，其包括：通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。其中，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及，将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。

图1为根据本申请实施例的绿色节能智能化染整工艺的应用场景图。如图1所示，在该应用场景中，获取预定时间段的由所述超声波发生装置(例如，如图1中所示意的F)输出的超声波信号(例如，如图1中所示意的D1)以及由摄像头(例如，如图1中所示意的C)采集的所述预定时间段的退浆监控视频(例如，如图1中所示意的D2)，然后，将所述超声波信号和所述预定时间段的退浆监控视频输入至部署有绿色节能智能化染整算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够基于所述绿色节能智能化染整算法生成用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类结果。

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。

示例性工艺

图2为根据本申请实施例的绿色节能智能化染整工艺的流程图。如图2所示，根据本申请实施例的绿色节能智能化染整工艺，包括步骤：S100，通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，S200，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。

图3为根据本申请实施例的绿色节能智能化染整工艺中步骤S100的子步骤的流程图。如图3所示，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：S110，获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；S120，从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；S130，将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；S140，将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；S150，将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；S160，将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；S170，计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；S180，对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及，S190，将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。

图4为根据本申请实施例的绿色节能智能化染整工艺中步骤S100的架构示意图。如图4所示，在该网络架构中，首先，获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；然后，从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；接着，将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；然后，将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；接着，将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；然后，将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；接着，计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；然后，对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；最后，将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。

更具体地，在步骤S110中，获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频。在使用超声波退浆时，传统的超声波控制方案是通过工作人员人工进行超声波功率在适宜范围的固定控制。但是，人工控制会造成控制判断的误差，不仅不能够智能化生产，而且在实际的超声波退浆过程中，待染整纺织物的退浆效果是随着退浆的进程不断发生变化的，因此需要根据待染整纺织物的实际退浆效果来实时动态地进行超声波发生装置的功率自适应控制，以保证退浆织物的退浆效果。考虑到对于超声波发生装置的功率调控应适配于待染整织物的退浆状态变化情况，也就是，基于所述待染整植物的退浆动态变化特征来自适应地调整所述超声波发生装置的工作功率。因此，获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频，采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。

更具体地，在步骤S120中，从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧。考虑到在所述采集到的所述预定时间段的退浆监控视频中，所述待染整纺织物的退浆状态变化特征可以通过所述监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻帧的图像表征来表示退浆状态的动态变化情况。但是，考虑到所述监控视频中的相邻帧差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样，以提取多个退浆监控关键帧。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧，包括：以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。

更具体地，在步骤S130中，将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵。所述使用空间注意力的第一卷积神经网络模型来对于所述各个退浆监控关键帧进行特征提取，能够在特征挖掘时聚焦于图像中特征位置的隐含特征分布信息，从而有利于提高对于退浆状态特征提取的精准度。考虑到超声波空化作用引起的分散作用使得大分子之间产生分离，促进浆料与纤维的粘着变松，并且超声波的乳化作用可以使得浆料溶解性能提高，使其具有较好的退浆效果。因此，在所述多个退浆监控关键帧中，对于所述纺织物退浆状态隐含变化特征的挖掘应聚焦于空间位置上浆料与纤维的粘着程度以及浆料的溶解性特征信息。基于此，在本申请的技术方案中，将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型中进行处理以得到多个退浆监控特征矩阵。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵，包括：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。

更具体地，在步骤S140中，将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量。考虑到所述各个退浆监控关键帧的特征分布在时间维度上具有着上下文的动态关联特征，因此，为了能够提取出所述待染整织物退浆状态的动态变化隐含特征来进行超声波发生装置的功率自适应控制，需要进一步对于所述织物的退浆特征在时序维度上的上下文动态变化特征进行挖掘。

也就是，具体地，首先，将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；然后，将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型中进行处理，以捕捉所述各个退浆监控关键帧的退浆特征在时序维度上的上下文动态特征，从而得到退浆上下文理解特征向量。应可以理解，所述双向长短期记忆神经网络模型(LSTM，Long Short-Term Memory)是一种时间循环神经网络，其通过增加输入门、输出门和遗忘门，使得神经网络的权重能够自我更新，在网络模型参数固定的情况下，不同时刻的权重尺度可以动态改变，从而能够避免梯度消失或者梯度膨胀的问题。所述双向长短期记忆神经网络模型是由前向LSTM与后向LSTM组合而成，前向LSTM可以学习到当前退浆监控关键帧的前文退浆状态变化特征信息，而后向LSTM可以学习到当前退浆监控关键帧的后续退浆状态变化特征信息，所以通过所述双向长短期记忆神经网络模型获得的退浆上下文理解特征向量学习到了全局上下文的退浆特征在时序维度上的动态变化特征信息。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量，包括：使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个退浆监控特征矩阵中各个退浆监控特征矩阵进行线性嵌入编码以得到所述多个退浆监控特征向量。

更具体地，在步骤S150中，将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量。

更具体地，在步骤S160中，将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量。对于所述超声波发生装置的功率隐含特征提取，将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型中进行特征挖掘，以提取出所述超声波信号的波形图的隐含特征分布信息，从而得到超声波特征向量。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量，包括：所述作为特征过滤器的第二卷积神经网络模型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第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量，所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。

更具体地，在步骤S170中，计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵。计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，以此来表示所述超声波信号的隐藏特征和所述待染整纺织物退浆状态的动态变化特征的响应性关联特征。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；

其中，所述公式为：

/>

其中V₁表示所述超声波特征向量，V₂表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，

表示矩阵相乘。

更具体地，在步骤S180中，对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵。

特别地，在本申请的技术方案中，所述退浆上下文理解特征向量是所述多个退浆监控特征向量通过双向长短期记忆神经网络模型提取其关联特征后级联得到的，而每个所述退浆监控特征向量又是通过使用空间注意力的第一卷积神经网络模型提取图像语义空间关联特征得到的，因此所述退浆上下文理解特征向量的整体特征分布遵循空间维度上的关联分布。而所述超声波特征向量是所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型得到，其整体特征分布遵循所述第二卷积神经网络模型的通道维度关联分布，因此所述超声波特征向量相对于所述退浆上下文理解特征向量存在向量维度上的分布不对齐，这会在作为其响应性估计的所述分类特征矩阵中引入局部异常分布，使得在通过分类器进行分类时导致分类的归纳偏差。因此，在将所述分类特征矩阵通过分类器进行分类之前，对所述分类特征矩阵进行分类偏差的可微算子转换优化。

相应地，在一个具体示例中，在所述的绿色节能智能化染整工艺中，所述对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵，包括：以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；

其中，所述公式为：

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数函数。

也就是，针对所述分类特征矩阵的高维特征分布在分类问题下的归纳偏差，基于归纳收敛速率的可导约束形式将该归纳偏差转换为可微算子的信息化表达组合，以基于分类问题的归纳约束对于类概率限定下的决策域进行收敛，从而提升目标问题下的归纳结果的确定性，即，在存在归纳偏差的情况下提高了分类特征矩阵通过分类器的分类结果的准确性。这样，能够根据所述待染整织物的退浆状态变化来实时动态地进行所述超声波发生装置的功率自适应控制，进而能够保证退浆织物的退浆质量，并且在使用智能化生产控制技术来确保染整后织物的染整效果的同时，能够提高染整工艺的绿色化节能环保效果。

更具体地，在步骤S190中，将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。也就是，以所述分类特征矩阵来通过分类器进行分类处理以得到用于表示当前时间点的超声波发生装置的功率值应增大或应减小的分类结果。这样，能够根据所述待染整织物的退浆状态变化来实时地进行所述超声波发生装置的功率自适应控制。

相应地，在一个具体示例中，如图5所示，在所述的绿色节能智能化染整工艺中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，包括：S191，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；S192，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；S193，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本申请实施例的绿色节能智能化染整工艺，其通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。具体地，通过采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。通过这样的方式，能够保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。

示例性系统

图6为根据本申请实施例的绿色节能智能化染整系统的框图。如图6所示，根据本申请实施例的绿色节能智能化染整系统1000，包括：退浆模块100，用于通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，染色模块200，用于对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。

图7为根据本申请实施例的绿色节能智能化染整系统中所述退浆模块的框图。如图7所示，所述退浆模块100包括：数据获取单元110，用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；关键帧提取单元120，用于从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；第一编码单元130，用于将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；向量转化单元140，用于将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；退浆上下文理解特征向量计算单元150，用于将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；第二编码单元160，用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；响应性估计单元170，用于计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；特征值校正单元180，用于对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及，分类结果生成单元190，用于将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述关键帧提取单元120，进一步用于：以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述第一编码单元130，进一步用于：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及，计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述向量转化单元140，进一步用于：使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个退浆监控特征矩阵中各个退浆监控特征矩阵进行线性嵌入编码以得到所述多个退浆监控特征向量。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述第二编码单元160，进一步用于：所述作为特征过滤器的第二卷积神经网络模型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第二卷积特征图；对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及，对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量，所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述响应性估计单元170，进一步用于：以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；

其中，所述公式为：

其中V₁表示所述超声波特征向量，V₂表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，

表示矩阵相乘。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述特征值校正单元180，进一步用于：以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；

其中，所述公式为：

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数函数。

在一个示例中，在上述绿色节能智能化染整系统1000中，所述分类结果生成单元190，进一步包括：向量排列子单元191，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码子单元192，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成子单元193，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述绿色节能智能化染整系统1000中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的绿色节能智能化染整方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的绿色节能智能化染整系统1000可以实现在各种无线终端中，例如绿色节能智能化染整算法的服务器等。在一个示例中，根据本申请实施例的绿色节能智能化染整系统1000可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该绿色节能智能化染整系统1000可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该绿色节能智能化染整系统1000同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该绿色节能智能化染整系统1000与该无线终端也可以是分立的设备，并且该绿色节能智能化染整系统1000可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

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、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。

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。

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 (7)

1.一种绿色节能智能化染整工艺，其特征在于，包括：

通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及

对所述退浆织物进行超临界二氧化碳染色以得到染整后织物；

其中，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：

获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；

从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；

将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；

将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；

将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；

将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；

计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；

对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及

将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小；

其中，所述计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，包括：

以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；

其中，所述公式为：

其中V₁表示所述超声波特征向量，V₂表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，

表示矩阵相乘；

其中，所述对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵，包括：

以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；

其中，所述公式为：

/>

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数函数。

2.根据权利要求1所述的绿色节能智能化染整工艺，其特征在于，所述从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧，包括：

以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。

3.根据权利要求2所述的绿色节能智能化染整工艺，其特征在于，所述将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵，包括：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：

对输入数据进行卷积处理以生成第一卷积特征图；

对所述第一卷积特征图进行池化处理以生成第一池化特征图；

对所述第一池化特征图进行非线性激活以生成第一激活特征图；

计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；

计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及

计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；

其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。

4.根据权利要求3所述的绿色节能智能化染整工艺，其特征在于，所述将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量，包括：

使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个退浆监控特征矩阵中各个退浆监控特征矩阵进行线性嵌入编码以得到所述多个退浆监控特征向量。

5.根据权利要求4所述的绿色节能智能化染整工艺，其特征在于，所述将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量，包括：所述作为特征过滤器的第二卷积神经网络模型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第二卷积特征图；

对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及

对所述第二池化特征图进行非线性激活以得到第二激活特征图；

其中，所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量，所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。

6.根据权利要求5所述的绿色节能智能化染整工艺，其特征在于，所述将所述优化分类特征矩阵通过分类器以得到分类结果，包括：

将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

7.绿色节能智能化染整系统，其特征在于，包括：

退浆模块，用于通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及

染色模块，用于对所述退浆织物进行超临界二氧化碳染色以得到染整后织物；

所述退浆模块，包括：数据获取单元，用于获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；关键帧提取单元，用于从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；第一编码单元，用于将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；向量转化单元，用于将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；退浆上下文理解特征向量计算单元，用于将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；第二编码单元，用于将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；响应性估计单元，用于计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；特征值校正单元，用于对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及，分类结果生成单元，用于将所述优化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当前时间点的超声波发生装置的功率值应增大或应减小；

其中，所述响应性估计单元，用于：以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；

其中，所述公式为：

其中V₁表示所述超声波特征向量，V₂表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，

表示矩阵相乘；

其中，所述特征值校正单元，用于：以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；

其中，所述公式为：

其中m_i,j是所述分类特征矩阵的第(i,j)位置的特征值,log是以2为底的对数函数。

Images