CN116575208A - 一种柔软针织面料加工方法及其磨毛工艺设备 - Google Patents
一种柔软针织面料加工方法及其磨毛工艺设备 Download PDFInfo
- Publication number
- CN116575208A CN116575208A CN202310623279.8A CN202310623279A CN116575208A CN 116575208 A CN116575208 A CN 116575208A CN 202310623279 A CN202310623279 A CN 202310623279A CN 116575208 A CN116575208 A CN 116575208A
- Authority
- CN
- China
- Prior art keywords
- surface state
- feature
- state monitoring
- feature vector
- control parameter
- 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 145
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 title claims abstract description 56
- 238000003672 processing method Methods 0.000 title claims description 22
- 239000004576 sand Substances 0.000 claims abstract description 97
- 239000010985 leather Substances 0.000 claims abstract description 95
- 230000004044 response Effects 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 247
- 238000012544 monitoring process Methods 0.000 claims description 192
- 239000011159 matrix material Substances 0.000 claims description 98
- 238000009826 distribution Methods 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 17
- 230000004043 responsiveness Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000004821 distillation Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 241001282160 Percopsis transmontana Species 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 abstract description 65
- 238000007788 roughening Methods 0.000 abstract description 56
- 230000000694 effects Effects 0.000 abstract description 21
- 239000000835 fiber Substances 0.000 description 12
- 230000003247 decreasing effect Effects 0.000 description 10
- 238000005065 mining Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000001035 drying Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000009987 spinning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 3
- 239000010432 diamond Substances 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 241001589086 Bellapiscis medius Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 229920002334 Spandex Polymers 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 238000009940 knitting Methods 0.000 description 2
- 230000005923 long-lasting effect Effects 0.000 description 2
- 238000007378 ring spinning Methods 0.000 description 2
- 239000004759 spandex Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- 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]
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06C—FINISHING, DRESSING, TENTERING OR STRETCHING TEXTILE FABRICS
- D06C11/00—Teasing, napping or otherwise roughening or raising pile of textile fabrics
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Textile Engineering (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
公开了一种柔软针织面料加工方法及其磨毛工艺设备，其通过使用三维卷积核的第二卷积神经网络模型提取柔软针织面料在被磨毛过程中的预定时间段的表面状态特征，并通过作为过滤器的第一卷积神经网络模提取预定时间段内多个预定时间点的砂皮辊的滚动速度和移动速度的协同控制特征；然后，以柔软针织面料在被磨毛过程中的表面状态特征与砂皮辊的滚动速度和移动速度的协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，并以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，可以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
Description
技术领域
本申请涉及智能制造技术领域，且更为具体地，涉及一种柔软针织面料加工方法及其磨毛工艺设备。
背景技术
磨毛是纺织业中的一种工艺，是布料通过磨毛机和金刚砂皮的磨擦作用，使织物表面形成了一层具有短绒毛层感觉，既保留原有特性又赋予织物新的风格，增加了保暖性和柔软性，厚厚柔柔，质感丰盈，具有不掉色的特性，颜色历久弥新，适用于冬季保暖性产品以及贴身使用的产品。
“毛”是用砂皮磨出来的。整个过程是这样的：先浸轧起毛剂，烘干拉幅后在专用的磨毛机上进行磨毛整理，磨毛机有六根砂皮辊，根据布料的不同包上不同号数的砂皮，然后布面在高速运转的砂皮辊上，给于一定的张力，慢慢地经过，布面六根砂皮辊的摩擦后，布面就有了浓密的绒毛。
但是，现有的磨毛机都是采用预先设定的砂皮辊的滚动速度和移动速度来对于布料进行磨毛，其并没有考虑到柔软针织面料表面处于每个磨毛阶段的实际具体情况，这样会导致磨毛的效果难以达到应有的预期，进而降低针织面料的加工质量。
例如低扭矩纱，是在环锭纺细纱机上安装了相对简单的纺纱器件，实现假捻作用，降低纺纱扭矩，从而有效改善纱线内部结构。低扭矩纱纺纱基本原理：粗纱经过牵伸从细纱前罗拉钳口输出后，再经纤维排列调整装置加捻成纱。单轮盘式低扭矩成纱原理：在环锭细纱机前罗拉钳口出口位置与导纱钩之间，加装一个尺寸适宜的转动轮盘(单轮盘)，起到假捻效应；通过龙带传动该轮盘，根据相关工艺要求，调节轮盘线速度，可以保证纤维束从前罗拉钳口输出后获得真捻之前先接受单轮盘装置的假捻作用，这样会明显提高前罗拉钳口到假捻器之间这段纱条的强力，而在假捻器到导纱钩这段纱条捻度明显降低，低扭矩纱由此形成。
因此，期待一种优化的柔软针织面料加工方案，以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
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柔软针织面料加工方法及其磨毛工艺设备，其通过使用三维卷积核的第二卷积神经网络模型提取柔软针织面料在被磨毛过程中的预定时间段的表面状态特征，并通过作为过滤器的第一卷积神经网络模提取预定时间段内多个预定时间点的砂皮辊的滚动速度和移动速度的协同控制特征；然后，以柔软针织面料在被磨毛过程中的表面状态特征与砂皮辊的滚动速度和移动速度的协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，并以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，可以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
根据本申请的一个方面，提供了一种柔软针织面料加工方法，其包括：
获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；
将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；
将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；
将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；
对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；
计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
根据本申请的另一方面，提供了一种磨毛工艺设备，其包括：
数据监控与采集模块，用于获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；
控制参数协同矩阵计算模块，用于将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；
控制参数特征提取模块，用于将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；
表面状态监控特征提取模块，用于将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；
全局均值池化处理模块，用于对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；
响应性估计模块，用于计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及砂皮辊控制结果生成模块，用于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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
与现有技术相比，本申请提供的柔软针织面料加工方法及其磨毛工艺设备，其通过使用三维卷积核的第二卷积神经网络模型提取柔软针织面料在被磨毛过程中的预定时间段的表面状态特征，并通过作为过滤器的第一卷积神经网络模提取预定时间段内多个预定时间点的砂皮辊的滚动速度和移动速度的协同控制特征；然后，以柔软针织面料在被磨毛过程中的表面状态特征与砂皮辊的滚动速度和移动速度的协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，并以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，可以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
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1A图示了根据本申请实施例的柔软针织面料加工方法的应用场景图。
图1B图示了根据本申请实施例的柔软针织面料的加工流程示意图；
图2图示了根据本申请实施例的柔软针织面料加工方法的流程图。
图3图示了根据本申请实施例的柔软针织面料加工方法的架构示意图。
图4图示了根据本申请实施例的柔软针织面料加工方法中，将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图的流程图。
图5图示了根据本申请实施例的柔软针织面料加工方法中，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵的流程图。
图6图示了根据本申请实施例的磨毛工艺设备的框图。
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，磨毛是纺织业中的一种工艺，是布料通过磨毛机和金刚砂皮的磨擦作用，使织物表面形成了一层具有短绒毛层感觉，既保留原有特性又赋予织物新的风格，增加了保暖性和柔软性，厚厚柔柔，质感丰盈，具有不掉色的特性，颜色历久弥新，适用于冬季保暖性产品以及贴身使用的产品。
“毛”是用砂皮磨出来的。整个过程是这样的：先浸轧起毛剂，烘干拉幅后在专用的磨毛机上进行磨毛整理，磨毛机有六根砂皮辊，根据布料的不同包上不同号数的砂皮，然后布面在高速运转的砂皮辊上，给于一定的张力，慢慢地经过，布面六根砂皮辊的摩擦后，布面就有了浓密的绒毛。
但是，现有的磨毛机都是采用预先设定的砂皮辊的滚动速度和移动速度来对于布料进行磨毛，其并没有考虑到柔软针织面料表面处于每个磨毛阶段的实际具体情况，这样会导致磨毛的效果难以达到应有的预期，进而降低针织面料的加工质量。因此，期待一种优化的柔软针织面料加工方案，以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
应可以理解，由于砂皮辊的滚动速度和移动速度的协同工作与柔软针织面料表面的磨毛状态之间具有着隐藏的关联性，为了基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，需要对于该面料表面的磨皮状态特征进行监测，并且对于砂皮辊的滚动速度和移动速度的隐含关联特征进行提取。
具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制算法，以对于柔软针织面料在被磨毛过程中的表面状态特征以及砂皮辊的滚动速度和移动速度的协同控制特征进行特征提取，并以所述表面状态特征与所述协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，就能够基于所述柔软针织面料的表面磨毛情况来自适应地调整所述砂皮辊的滚动速度和移动速度，以优化磨毛效果。
具体地，在本申请的技术方案中，首先，通过摄像头采集柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，通过各个传感器采集在所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值。然后，为了能够建立所述砂皮辊的滚动速度和移动速度之间协同控制的关联性，以便于后续的特征提取，进一步将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵。
接着，使用在高维隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型对于所述控制参数协同矩阵进行处理，以提取出所述砂皮辊的滚动速度和移动速度协同控制的隐含特征，从而得到控制参数协同特征向量。
应可以理解，对于所述柔软针织面料在被磨毛过程中的表面状态监控视频，由于所述表面状态监控视频是由很多个图像帧组成的，其数据量较大，且这些图像帧中的很多图像帧之间都具有着相似性，这样使得在对所述柔软针织面料的表面状态动态特征进行特征挖掘时，会造成很多的数据计算是无用的，并且在后续计算中还会由于数据量较多而导致过拟合。因此，在本申请的技术方案中，进一步基于差帧法从所述表面状态监控视频中提取多个表面状态监控关键帧。然后，将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型中进行处理，以提取出所述多个表面状态监控关键帧中的局部隐含特征分布信息，即所述柔软针织面料的表面磨毛状态在时间维度上的动态变化特征，从而得到所述表面状态监控特征图。
进一步地，对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理，以降低参数的数量防止过拟合，并且还有利于对于后续的关联性特征挖掘来自适应地控制砂皮辊的滚动速度和移动速度，从而得到表面状态监控特征向量。这样，能够对于所述表面状态监控特征图进行沿通道维度的各个特征矩阵进行数据降维，以凸显其在通道维度上的隐含关联特征分布信息，即所述柔软针织面料的表面磨毛状态在时间维度上的隐含关联特征，进而便于后续对于所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度协同控制特征的关联性特征挖掘。
然后，就可以计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计来表示所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的隐含关联性特征，并以此来进行分类处理，就能够得到用于表示砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小的分类结果。
特别地，由于考虑到所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征都具有着不确定性和波动变化性，为了能够基于全局的特征信息来提高对于当前时间点的所述砂皮辊的滚动速度和移动速度控制的精准度，需要对于所述表面状态监控特征向量和所述控制参数协同特征向量进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示所述柔软针织面料的表面磨毛状态变化特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以该所述特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。
基于此，在本申请的技术方案中，可以通过所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的先验分布，即高斯分布，来分别对于所述表面状态监控特征向量和所述控制参数协同特征向量进行数据增强。具体地，在本申请的技术方案中，进一步分别构造所述优化表面状态监控特征向量和所述优化控制参数协同特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。然后，再计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计来表示所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的隐含关联性特征，从而得到响应性高斯密度图。进一步地，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化，以在数据的特征增广时不产生信息损失，从而就能够得到所述分类特征矩阵，并以此来进行所述砂皮辊的滚动速度和移动速度的自适应控制分类。
特别地，在本申请的技术方案中，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵时，由于是通过高斯密度图来计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计，且由于高斯密度图对高维概率密度的表达，使得所述分类特征矩阵能够实现所述控制参数协同特征向量和所述表面状态监控特征向量的概率密度信息的聚合。但是，对于所述控制参数协同特征向量和所述表面状态监控特征向量由第一卷积神经网络和第二卷积神经网络提取到的通道维度关联信息，仍需要增强分类特征矩阵对其的表达效果。
因此，对于所述控制参数协同特征向量和所述表面状态监控特征向量分别计算其类小波函数族能量聚合的高频增强蒸馏因数，表示为：
σi(vi)表示特征值集合vi∈V的方差，vi是特征向量V(即所述控制参数协同特征向量和所述表面状态监控特征向量)的特征值，且L是特征向量V的长度。
也就是，由于特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量，以尽可能强化所述第一卷积神经网络和第二卷积神经网络提取的通道维度下的基本特征表达的信息。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述控制参数协同特征向量和所述表面状态监控特征向量加权后再计算其响应性估计以获得分类特征矩阵，就可以增强所述分类特征矩阵对上述特征向量的通道维度下的关联信息的表达效果，从而提高分类结果的准确性。这样，就能够基于所述柔软针织面料的表面磨毛情况来自适应地调整所述砂皮辊的滚动速度和移动速度，以优化磨毛效果，保证针织面料的加工质量。
基于此，本申请提出了一种柔软针织面料加工方法，其包括：获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及，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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
图1A图示了根据本申请实施例的柔软针织面料加工方法的应用场景图。如图1A所示，在该应用场景中，通过摄像头(例如，如图1A中所示意的T)采集柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频(例如，如图1A中所示意的C1)，以及，通过各个传感器(例如，如图1A中所示意的M1，M2)采集在所述预定时间段内多个预定时间点的砂皮辊的转动速度值(例如，如图1A中所示意的C2)和移动速度值(例如，如图1A中所示意的C3)；然后将获取的表面状态监控视频、转动速度值和移动速度值分别输入至部署有柔软针织面料加工的服务器中(例如，如图1A中所示意的S)，其中，所述服务器以柔软针织面料加工算法对所述表面状态监控视频、所述转动速度值和所述移动速度值进行处理，以输出得到分类结果，所述分类结果用于表示砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
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。
实施例1
本申请实施例提供了一种柔软针织面料加工方法，该柔软针织面料加工方法用于对加工柔软针织面料。如图1B所示，其加工流程为：
S1、选用假捻低扭矩的纤维纱线；
采用独特的假捻低扭矩的纱线，此纱线中纤维螺旋线呈现非同轴异形结构，且其螺旋半径不断变化，大量纤维片段存在反转现象，纤维空间取向角小且变异较大；纤维主要分布在单纱内层，单纱结构紧密；纤维转移幅度大，纤维转移率高。因此使得纱线具有手感柔软蓬松，低捻度高强度，具有极柔的触感及非常好的耐磨性能。
S2、织造；
可经常规纬编圆机织造:
纱线：a.26S-80S假捻低扭矩纱线
路数：72路或102路
织机参数：34寸28针
线长：假捻低扭矩纱线(260mm-320mm/100针)；
或：
纱线：a.26S-80S假捻低扭矩纱线；b.15D-40D氨纶
路数：72路或102路
织机参数：34寸28针
线长：假捻低扭矩纱线(260mm-320mm/100针)
氨纶：(90-110mm/100针)。
S3、染色；
采用独特的生物质酶剂，在染色过程中有效保护纤维，去除棉籽壳、果胶质及其他共生杂质，有效保留天然棉蜡，练减率低，手感柔软，同时不损伤纤维、降低织物失重率、提高面料耐磨抗起球性好，保持纤维的天然手感。
S4、磨毛。
例如，先浸轧起毛剂，烘干拉幅后在专用的磨毛机上进行磨毛整理，磨毛机有六根砂皮辊，根据布料的不同包上不同号数的砂皮，然后布面在高速运转的砂皮辊上，给于一定的张力，慢慢地经过，布面六根砂皮辊的摩擦后，布面就有了浓密的绒毛。
具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制算法，以对于柔软针织面料在被磨毛过程中的表面状态特征以及砂皮辊的滚动速度和移动速度的协同控制特征进行特征提取，并以所述表面状态特征与所述协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，就能够基于所述柔软针织面料的表面磨毛情况来自适应地调整所述砂皮辊的滚动速度和移动速度，以优化磨毛效果。
实施例2
图2图示了根据本申请实施例的柔软针织面料加工方法的流程图。如图2所示，根据本申请实施例的柔软针织面料加工方法，包括：S110，获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；S120，将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；S130，将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；S140，将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；S150，对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；S160，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及，S170，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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
图3图示了根据本申请实施例的柔软针织面料加工方法的架构示意图。如图3所示，在所述柔软针织面料加工方法的网络架构中，首先，获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；然后，将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；接着，将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；然后，将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；接着，对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；然后，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及，最后，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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
在步骤S110中，获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值。如前所述，磨毛是纺织业中的一种工艺，是布料通过磨毛机和金刚砂皮的磨擦作用，使织物表面形成了一层具有短绒毛层感觉，既保留原有特性又赋予织物新的风格，增加了保暖性和柔软性，厚厚柔柔，质感丰盈，具有不掉色的特性，颜色历久弥新，适用于冬季保暖性产品以及贴身使用的产品。
“毛”是用砂皮磨出来的。整个过程是这样的：先浸轧起毛剂，烘干拉幅后在专用的磨毛机上进行磨毛整理，磨毛机有六根砂皮辊，根据布料的不同包上不同号数的砂皮，然后布面在高速运转的砂皮辊上，给于一定的张力，慢慢地经过，布面六根砂皮辊的摩擦后，布面就有了浓密的绒毛。
但是，现有的磨毛机都是采用预先设定的砂皮辊的滚动速度和移动速度来对于布料进行磨毛，其并没有考虑到柔软针织面料表面处于每个磨毛阶段的实际具体情况，这样会导致磨毛的效果难以达到应有的预期，进而降低针织面料的加工质量。因此，期待一种优化的柔软针织面料加工方案，以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
应可以理解，由于砂皮辊的滚动速度和移动速度的协同工作与柔软针织面料表面的磨毛状态之间具有着隐藏的关联性，为了基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，需要对于该面料表面的磨皮状态特征进行监测，并且对于砂皮辊的滚动速度和移动速度的隐含关联特征进行提取。
具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制算法，以对于柔软针织面料在被磨毛过程中的表面状态特征以及砂皮辊的滚动速度和移动速度的协同控制特征进行特征提取，并以所述表面状态特征与所述协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，就能够基于所述柔软针织面料的表面磨毛情况来自适应地调整所述砂皮辊的滚动速度和移动速度，以优化磨毛效果。
具体地，在本申请的技术方案中，首先，通过摄像头采集柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，通过各个传感器采集在所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值。
在步骤S120中，将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵。也就是，在获得所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值后，接着，为了能够建立所述砂皮辊的滚动速度和移动速度之间协同控制的关联性，以便于后续的特征提取，进一步将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵。
在步骤S130中，将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量。也就是，接着，使用在高维隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型对于所述控制参数协同矩阵进行处理，以提取出所述砂皮辊的滚动速度和移动速度协同控制的隐含特征，从而得到控制参数协同特征向量。
具体地，在本申请实施例中，使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述控制参数协同特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述控制参数协同矩阵。
在步骤S140中，将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图。应可以理解，对于所述柔软针织面料在被磨毛过程中的表面状态监控视频，由于所述表面状态监控视频是由很多个图像帧组成的，其数据量较大，且这些图像帧中的很多图像帧之间都具有着相似性，这样使得在对所述柔软针织面料的表面状态动态特征进行特征挖掘时，会造成很多的数据计算是无用的，并且在后续计算中还会由于数据量较多而导致过拟合。
因此，在本申请的技术方案中，进一步基于差帧法从所述表面状态监控视频中提取多个表面状态监控关键帧。然后，将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型中进行处理，以提取出所述多个表面状态监控关键帧中的局部隐含特征分布信息，即所述柔软针织面料的表面磨毛状态在时间维度上的动态变化特征，从而得到所述表面状态监控特征图。
具体地，在本申请实施例中，图4图示了根据本申请实施例的柔软针织面料加工方法中，将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图的流程图，如图4所示，所述将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图，包括：S210，基于差帧法从所述表面状态监控视频中提取多个表面状态监控关键帧；以及，S220，将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型以得到所述表面状态监控特征图。
进一步地，使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述表面状态监控特征图，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个表面状态监控关键帧。
在步骤S150中，对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量。应可以理解，对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理，以降低参数的数量防止过拟合，并且还有利于对于后续的关联性特征挖掘来自适应地控制砂皮辊的滚动速度和移动速度，从而得到表面状态监控特征向量。这样，能够对于所述表面状态监控特征图进行沿通道维度的各个特征矩阵进行数据降维，以凸显其在通道维度上的隐含关联特征分布信息，即所述柔软针织面料的表面磨毛状态在时间维度上的隐含关联特征，进而便于后续对于所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度协同控制特征的关联性特征挖掘。
在步骤S160中，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵。接着，就可以计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计来表示所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的隐含关联性特征，并以此来进行分类处理，就能够得到用于表示砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小的分类结果。
特别地，由于考虑到所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征都具有着不确定性和波动变化性，为了能够基于全局的特征信息来提高对于当前时间点的所述砂皮辊的滚动速度和移动速度控制的精准度，需要对于所述表面状态监控特征向量和所述控制参数协同特征向量进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示所述柔软针织面料的表面磨毛状态变化特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以该所述特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。
基于此，在本申请的技术方案中，可以通过所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的先验分布，即高斯分布，来分别对于所述表面状态监控特征向量和所述控制参数协同特征向量进行数据增强。具体地，在本申请的技术方案中，进一步分别构造所述优化表面状态监控特征向量和所述优化控制参数协同特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图。然后，再计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计来表示所述柔软针织面料的表面磨毛状态动态特征和所述砂皮辊的滚动速度和移动速度的协同控制特征的隐含关联性特征，从而得到响应性高斯密度图。进一步地，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化，以在数据的特征增广时不产生信息损失，从而就能够得到所述分类特征矩阵，并以此来进行所述砂皮辊的滚动速度和移动速度的自适应控制分类。
具体地，在本申请实施例中，图5图示了根据本申请实施例的柔软针织面料加工方法中，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵的流程图，如图5所示，所述计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵，包括：S310，对所述表面状态监控特征向量的特征分布进行优化以得到优化表面状态监控特征向量；S320，对所述控制参数协同特征向量的特征分布进行优化以得到优化控制参数协同特征向量；S330，分别构造所述优化表面状态监控特征向量和所述优化控制参数协同特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；S340，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，S350，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
特别地，在本申请的技术方案中，计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵时，由于是通过高斯密度图来计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计，且由于高斯密度图对高维概率密度的表达，使得所述分类特征矩阵能够实现所述控制参数协同特征向量和所述表面状态监控特征向量的概率密度信息的聚合。但是，对于所述控制参数协同特征向量和所述表面状态监控特征向量由第一卷积神经网络和第二卷积神经网络提取到的通道维度关联信息，仍需要增强分类特征矩阵对其的表达效果。
因此，对于所述控制参数协同特征向量和所述表面状态监控特征向量分别计算其类小波函数族能量聚合的高频增强蒸馏因数，也就是，计算所述表面状态监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述表面状态监控特征向量的加权权重；其中，所述公式为：
其中v1i表示所述表面状态监控特征向量中各个位置的特征值，σ1i(v1i)表示所述表面状态监控特征向量中所有位置特征值集合的方差，L1是所述表面状态监控特征向量的长度，log表示以2为底的对数函数值，w1表示所述表面状态监控特征向量的加权权重；以及，以所述表面状态监控特征向量的加权权重对所述表面状态监控特征向量进行加权优化以得到所述优化表面状态监控特征向量。
进一步地，计算所述控制参数协同特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述控制参数协同特征向量的加权权重；其中，所述公式为：
其中v2i表示所述控制参数协同特征向量中各个位置的特征值，σ2i(v2i)表示所述控制参数协同特征向量中所有位置特征值集合的方差，L2是所述控制参数协同特征向量的长度，log表示以2为底的对数函数值，w2表示所述控制参数协同特征向量的加权权重；以及，以所述控制参数协同特征向量的加权权重对所述控制参数协同特征向量进行加权优化以得到所述优化控制参数协同特征向量。
更进一步地，在本申请实施例中，以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：
其中μ3表示所述响应性高斯密度图的均值向量，σ3表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法。
也就是，由于特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量，以尽可能强化所述第一卷积神经网络和第二卷积神经网络提取的通道维度下的基本特征表达的信息。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述控制参数协同特征向量和所述表面状态监控特征向量加权后再计算其响应性估计以获得分类特征矩阵，就可以增强所述分类特征矩阵对上述特征向量的通道维度下的关联信息的表达效果，从而提高分类结果的准确性。这样，就能够基于所述柔软针织面料的表面磨毛情况来自适应地调整所述砂皮辊的滚动速度和移动速度，以优化磨毛效果，保证针织面料的加工质量。
在步骤S170中，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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
具体地，在本申请实施例中，使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为所述分类特征矩阵投影为向量。
综上，基于本申请实施例的柔软针织面料加工方法被阐明，其通过使用三维卷积核的第二卷积神经网络模型提取柔软针织面料在被磨毛过程中的预定时间段的表面状态特征，并通过作为过滤器的第一卷积神经网络模提取预定时间段内多个预定时间点的砂皮辊的滚动速度和移动速度的协同控制特征；然后，以柔软针织面料在被磨毛过程中的表面状态特征与砂皮辊的滚动速度和移动速度的协同控制特征之间的响应性估计来表示这两者的隐含关联性特征，并以此来进行砂皮辊的滚动速度和移动速度的实时控制。这样，可以基于柔软针织面料的表面磨毛情况来自适应地调整砂皮辊的滚动速度和移动速度，以优化磨毛效果。
实施例3
图6图示了根据本申请实施例的磨毛工艺设备的框图。如图6所示，根据本申请实施例的磨毛工艺设备100，包括：数据监控与采集模块110，用于获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；控制参数协同矩阵计算模块120，用于将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；控制参数特征提取模块130，用于将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；表面状态监控特征提取模块140，用于将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；全局均值池化处理模块150，用于对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；响应性估计模块160，用于计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及，砂皮辊控制结果生成模块170，用于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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
在一个示例中，在上述磨毛工艺设备100中，所述控制参数特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述控制参数协同特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述控制参数协同矩阵。
在一个示例中，在上述磨毛工艺设备100中，所述表面状态监控特征提取模块，包括：多个表面状态监控关键帧提取单元，用于基于差帧法从所述表面状态监控视频中提取多个表面状态监控关键帧；以及，表面状态监控特征提取单元，用于将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型以得到所述表面状态监控特征图。
在一个示例中，在上述磨毛工艺设备100中，所述表面状态监控特征提取单元，包括：使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述表面状态监控特征图，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个表面状态监控关键帧。
在一个示例中，在上述磨毛工艺设备100中，所述响应性估计模块，包括：表面状态监控特征优化单元，用于对所述表面状态监控特征向量的特征分布进行优化以得到优化表面状态监控特征向量；控制参数协同特征优化单元，用于对所述控制参数协同特征向量的特征分布进行优化以得到优化控制参数协同特征向量；高斯密度图构造单元，用于分别构造所述优化表面状态监控特征向量和所述优化控制参数协同特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性高斯密度图计算单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，高斯离散化单元，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
在一个示例中，在上述磨毛工艺设备100中，所述表面状态监控特征优化单元，包括：表面状态监控特征计算子单元，用于计算所述表面状态监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述表面状态监控特征向量的加权权重；其中，所述公式为：
其中v1i表示所述表面状态监控特征向量中各个位置的特征值，σ1i(v1i)表示所述表面状态监控特征向量中所有位置特征值集合的方差，L1是所述表面状态监控特征向量的长度，log表示以2为底的对数函数值，w1表示所述表面状态监控特征向量的加权权重；以及，表面状态监控特征加权优化子单元，用于以所述表面状态监控特征向量的加权权重对所述表面状态监控特征向量进行加权优化以得到所述优化表面状态监控特征向量。
在一个示例中，在上述磨毛工艺设备100中，所述控制参数协同特征优化单元，包括：控制参数协同特征计算子单元，用于计算所述控制参数协同特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述控制参数协同特征向量的加权权重；其中，所述公式为：
其中v2i表示所述控制参数协同特征向量中各个位置的特征值，σ2i(v2i)表示所述控制参数协同特征向量中所有位置特征值集合的方差，L2是所述控制参数协同特征向量的长度，log表示以2为底的对数函数值，w2表示所述控制参数协同特征向量的加权权重；以及，控制参数协同特征加权优化子单元，用于以所述控制参数协同特征向量的加权权重对所述控制参数协同特征向量进行加权优化以得到所述优化控制参数协同特征向量。
在一个示例中，在上述磨毛工艺设备100中，所述响应性高斯密度图计算单元，用于：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述公式为：
其中μ3表示所述响应性高斯密度图的均值向量，σ3表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法。
在一个示例中，在上述磨毛工艺设备100中，所述砂皮辊控制结果生成模块，用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为所述分类特征矩阵投影为向量。
这里，本领域技术人员可以理解，上述磨毛工艺设备100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1A到图5的柔软针织面料加工方法描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (10)
1.一种柔软针织面料加工方法，其特征在于，包括：
获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；
将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；
将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；
将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；
对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；
计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
2.根据权利要求1所述的柔软针织面料加工方法，其特征在于，所述将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的第一卷积神经网络模型的最后一层的输出为所述控制参数协同特征向量，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述控制参数协同矩阵。
3.根据权利要求2所述的柔软针织面料加工方法，其特征在于，所述将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图，包括：
基于差帧法从所述表面状态监控视频中提取多个表面状态监控关键帧；以及将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型以得到所述表面状态监控特征图。
4.根据权利要求3所述的柔软针织面料加工方法，其特征在于，所述将所述多个表面状态监控关键帧通过所述使用三维卷积核的第二卷积神经网络模型以得到所述表面状态监控特征图，包括：使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述使用三维卷积核的第二卷积神经网络模型的最后一层的输出为所述表面状态监控特征图，所述使用三维卷积核的第二卷积神经网络模型的第一层的输入为所述多个表面状态监控关键帧。
5.根据权利要求4所述的柔软针织面料加工方法，其特征在于，所述计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵，包括：
对所述表面状态监控特征向量的特征分布进行优化以得到优化表面状态监控特征向量；
对所述控制参数协同特征向量的特征分布进行优化以得到优化控制参数协同特征向量；
分别构造所述优化表面状态监控特征向量和所述优化控制参数协同特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；
计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。
6.根据权利要求5所述的柔软针织面料加工方法，其特征在于，所述对所述表面状态监控特征向量的特征分布进行优化以得到优化表面状态监控特征向量，包括：
计算所述表面状态监控特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述表面状态监控特征向量的加权权重；
其中，所述公式为：
其中v1i表示所述表面状态监控特征向量中各个位置的特征值，σ1i(v1i)表示所述表面状态监控特征向量中所有位置特征值集合的方差，L1是所述表面状态监控特征向量的长度，log表示以2为底的对数函数值，w1表示所述表面状态监控特征向量的加权权重；以及以所述表面状态监控特征向量的加权权重对所述表面状态监控特征向量进行加权优化以得到所述优化表面状态监控特征向量。
7.根据权利要求6所述的柔软针织面料加工方法，其特征在于，所述对所述控制参数协同特征向量的特征分布进行优化以得到优化控制参数协同特征向量，包括：
计算所述控制参数协同特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为所述控制参数协同特征向量的加权权重；
其中，所述公式为：
其中v2i表示所述控制参数协同特征向量中各个位置的特征值，σ2i(v2i)表示所述控制参数协同特征向量中所有位置特征值集合的方差，L2是所述控制参数协同特征向量的长度，log表示以2为底的对数函数值，w2表示所述控制参数协同特征向量的加权权重；以及以所述控制参数协同特征向量的加权权重对所述控制参数协同特征向量进行加权优化以得到所述优化控制参数协同特征向量。
8.根据权利要求7所述的柔软针织面料加工方法，其特征在于，所述计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图，包括：以如下公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；
其中，所述公式为：
其中μ3表示所述响应性高斯密度图的均值向量，σ3表示所述响应性高斯密度图的协方差矩阵，⊙表示向量点乘，⊙-1表示对向量的每个位置的值取倒数，且表示矩阵乘法。
9.根据权利要求8所述的柔软针织面料加工方法，其特征在于，所述将所述分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，Project(F)为所述分类特征矩阵投影为向量。
10.一种磨毛工艺设备，其特征在于，包括：
数据监控与采集模块，用于获取由摄像头采集的柔软针织面料在被磨毛过程中的预定时间段的表面状态监控视频，以及，所述预定时间段内多个预定时间点的砂皮辊的转动速度值和移动速度值；
控制参数协同矩阵计算模块，用于将所述预定时间段内多个预定时间点的转动速度值和所述移动速度值分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量之间的乘积以得到控制参数协同矩阵；
控制参数特征提取模块，用于将所述控制参数协同矩阵通过作为过滤器的第一卷积神经网络模型以得到控制参数协同特征向量；
表面状态监控特征提取模块，用于将所述表面状态监控视频通过使用三维卷积核的第二卷积神经网络模型以得到表面状态监控特征图；
全局均值池化处理模块，用于对所述表面状态监控特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到表面状态监控特征向量；
响应性估计模块，用于计算所述表面状态监控特征向量相对于所述控制参数协同特征向量的响应性估计以得到分类特征矩阵；以及砂皮辊控制结果生成模块，用于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砂皮辊在当前时间点的转动速度值应增大或应减小，且砂皮辊在当前时间点的移动速度值应增大或应减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310623279.8A CN116575208B (zh) | 2023-05-30 | 2023-05-30 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310623279.8A CN116575208B (zh) | 2023-05-30 | 2023-05-30 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116575208A true CN116575208A (zh) | 2023-08-11 |
| CN116575208B CN116575208B (zh) | 2024-05-07 |
Family
ID=87533983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310623279.8A Active CN116575208B (zh) | 2023-05-30 | 2023-05-30 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116575208B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117144616A (zh) * | 2023-10-31 | 2023-12-01 | 江苏华一机械有限公司 | 一种磨毛机的反馈控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0837322A2 (de) * | 1996-10-16 | 1998-04-22 | Sächsisches Textilforschungsinstitut e.V. | Verfahren und Vorrichtung zur Messung und Qualilätsbewertung von Oberflächeneffekten auf textilen Warenbahnen |
| CN109137448A (zh) * | 2018-11-13 | 2019-01-04 | 王鹂辉 | 基于机器视觉的织物智能整花整纬系统 |
| CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
| CN111161207A (zh) * | 2019-11-14 | 2020-05-15 | 西安工程大学 | 一种集成的卷积神经网络织物疵点分类方法 |
| CN115482498A (zh) * | 2022-10-28 | 2022-12-16 | 台州科技职业学院 | 基于视频的智慧养老监控系统及其方法 |
| CN116189078A (zh) * | 2022-12-28 | 2023-05-30 | 温州金马文具用品制造有限公司 | 一种水基丙烯墨水的智能化制备方法及其系统 |
-
2023
- 2023-05-30 CN CN202310623279.8A patent/CN116575208B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0837322A2 (de) * | 1996-10-16 | 1998-04-22 | Sächsisches Textilforschungsinstitut e.V. | Verfahren und Vorrichtung zur Messung und Qualilätsbewertung von Oberflächeneffekten auf textilen Warenbahnen |
| CN109137448A (zh) * | 2018-11-13 | 2019-01-04 | 王鹂辉 | 基于机器视觉的织物智能整花整纬系统 |
| CN111161207A (zh) * | 2019-11-14 | 2020-05-15 | 西安工程大学 | 一种集成的卷积神经网络织物疵点分类方法 |
| CN110791944A (zh) * | 2019-11-15 | 2020-02-14 | 常州瑞昇科技有限公司 | 整纬机控制方法、装置、计算机设备和存储介质 |
| CN115482498A (zh) * | 2022-10-28 | 2022-12-16 | 台州科技职业学院 | 基于视频的智慧养老监控系统及其方法 |
| CN116189078A (zh) * | 2022-12-28 | 2023-05-30 | 温州金马文具用品制造有限公司 | 一种水基丙烯墨水的智能化制备方法及其系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117144616A (zh) * | 2023-10-31 | 2023-12-01 | 江苏华一机械有限公司 | 一种磨毛机的反馈控制方法及系统 |
| CN117144616B (zh) * | 2023-10-31 | 2024-01-23 | 江苏华一机械有限公司 | 一种磨毛机的反馈控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116575208B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116575208B (zh) | 一种柔软针织面料加工方法及其磨毛工艺设备 | |
| CN105369420B (zh) | 一种羊绒/牦牛绒包芯纱的生产方法 | |
| CN105019086B (zh) | 一种段彩羊绒牦牛绒包芯纱及其生产方法 | |
| CN109272503B (zh) | 一种基于最大熵与dbscan相融合的毛羽检测方法 | |
| CN101130912B (zh) | 可机洗纯羊毛衬衫面料及加工方法 | |
| CN104480693A (zh) | 柔软蓬松全棉磨毛面料的加工方法 | |
| Yezhova et al. | Provision of the quality of decoration of semifinished fashionable clothes, made of suiting fabrics with cotton content (denim type) | |
| Rejali et al. | Optimization and prediction of the pilling performance of weft knitted fabrics produced from wool/acrylic blended yarns | |
| CN106948053A (zh) | 一种牦牛绒空心纱的生产方法 | |
| CN104278414B (zh) | 一种全弹力真丝针织面料及其生产工艺 | |
| CN103015000A (zh) | 一种柔软面料的设计方法 | |
| CN102534939A (zh) | 一种仿真丝织物及其生产方法 | |
| CN101775684B (zh) | 一种聚酯织物及其生产方法 | |
| CN103031635A (zh) | 一种棉型锦纶短纤与棉混纺纺纱工艺 | |
| CN101297069A (zh) | 羊绒纱线的制造工艺 | |
| CN1534118A (zh) | 一种无扭矩异收缩超细（或极细或超极细）纤维假捻复合丝的加工方法 | |
| CN213708654U (zh) | 一种抗变形耐磨双面面料 | |
| CN115961397A (zh) | 一种再生纤维素纤维氨纶包芯纱及其加工方法 | |
| CN110485038A (zh) | 一种差别化异收缩丝毛绒针织面料的制备方法 | |
| CN105200792A (zh) | 一种具有肌肤保养效果的面料的制备方法 | |
| CN112680918B (zh) | 一种基于组合式碳纤维磨毛机的磨毛处理方法及系统 | |
| CN104233580B (zh) | 一种弹力泡皱精纺面料的生产方法 | |
| CN109652939B (zh) | 一种弹性面料的后整理方法及弹性面料 | |
| CN113005608A (zh) | 基于无接触经纱断经检测的织机的控制方法 | |
| CN220746201U (zh) | 一种抗静电桃皮绒面料 |
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 | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Soft Knitted Fabric Processing Method and Its Grinding Process Equipment Granted publication date: 20240507 Pledgee: Postal Savings Bank of China Limited Yantai Laishan District sub branch Pledgor: YANTAI YELIN TEXTILE PRINTING & DYEING CO.,LTD. Registration number: Y2024980027335 |