CN116594303A - 染布机的控制方法及其系统 - Google Patents

染布机的控制方法及其系统 Download PDF

Info

Publication number
CN116594303A
CN116594303A CN202310601029.4A CN202310601029A CN116594303A CN 116594303 A CN116594303 A CN 116594303A CN 202310601029 A CN202310601029 A CN 202310601029A CN 116594303 A CN116594303 A CN 116594303A
Authority
CN
China
Prior art keywords
feature
matrix
temperature
fabric state
vector
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.)
Pending
Application number
CN202310601029.4A
Other languages
English (en)
Inventor
顾周磊
朱日光
吴小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Rongxin Fiber Co ltd
Original Assignee
Zhejiang Rongxin Fiber Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Rongxin Fiber Co ltd filed Critical Zhejiang Rongxin Fiber Co ltd
Priority to CN202310601029.4A priority Critical patent/CN116594303A/zh
Publication of CN116594303A publication Critical patent/CN116594303A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本申请涉及智能控制技术领域，且更为具体地公开了一种染布机的控制方法及其系统，其通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。该方案可以对染色过程作出快速反应和调整，有效提高染色质量，减少染料消耗并实现自动化控制。

Description

染布机的控制方法及其系统
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种染布机的控制方法及其系统。
背景技术
染布机是一种用于织物染色的机器设备。对织物进行浸泡、洗涤等预处理后投入染缸进行染色，染缸是染布机最重要的组成部分，用于盛放染液和织物，并通过加热、搅拌等方式将染料均匀地渗透到织物中。
加热设备可以提高染缸内的温度，促进染液中染料的溶解和渗透，从而实现深度染色，但过高的温度也会导致染色不均匀或者出现斑点等问题。所以在染色过程中必须对温度实现精确控制，以保证染色效果符合要求。
因此，期待一种染布机的控制方法及其系统。
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染布机的控制方法及其系统，其通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。该方案可以对染色过程作出快速反应和调整，有效提高染色质量，减少染料消耗并实现自动化控制。
相应地，根据本申请的一个方面，提供了一种染布机的控制方法，其包括：
获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；
从所述织物状态监控视频提取多个织物状态关键帧；
将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；
将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；
将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；
计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及
将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
在上述染布机的控制方法中，从所述织物状态监控视频提取多个织物状态关键帧，用于：以预定采样频率从所述织物状态监控视频中提取多个织物状态关键帧。
在上述染布机的控制方法中，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的全局池化以得到所述织物状态特征矩阵。
在上述染布机的控制方法中，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个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，所述第二卷积神经网络模型的最后一层的输出为所述织物状态变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述染布机的控制方法中，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量，包括：使用所述时序编码器的全连接层以如下全连接公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中X是所述温度输入向量，Y是输出向量，W是权重矩阵，N是偏置向量，/>表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下卷积公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述卷积公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量，Cov(X)表示对所述温度输入向量进行一维卷积编码。
在上述染布机的控制方法中，计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵，用于：以如下响应公式计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应公式为：
其中Va表示所述织物状态变化特征向量，Vb表示所述温度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述染布机的控制方法中，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵，包括：将所述织物状态变化特征向量和所述温度特征向量排列为二维联合矩阵；对所述二维联合矩阵进行中心化处理(即，各个元素减去所述二维联合矩阵的均值)以得到去中心化二维联合矩阵；计算所述去中心化二维联合矩阵的协方差矩阵；对所述协方差矩阵进行基于特征值的矩阵分解以得到多个特征值以及对应于所述多个特征值的多个特征值向量；从所述多个特征值向量中提取前两个特征值对应的两个特征值向量；将所述前两个特征值对应的两个特征值向量排列为筛选特征矩阵；以及，将所述筛选特征矩阵与所述二维联合矩阵进行矩阵相乘以得到所述关联特征矩阵。
在上述染布机的控制方法中，将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小，包括：计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；将所述优化分类特征矩阵按照行向量或者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；以及，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。
根据本申请的另一个方面，提供了一种染布机的控制系统，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；
关键帧提取模块，用于从所述织物状态监控视频提取多个织物状态关键帧；
深浅特征融合模块，用于将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；
织物状态变化特征提取模块，用于将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；
温度时序特征提取模块，用于将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；
响应性估计模块，用于计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
关联模块，用于对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及
控制结果生成模块，用于将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
在上述染布机的控制系统中，所述关键帧提取模块，用于：以预定采样频率从所述织物状态监控视频中提取多个织物状态关键帧。
在上述染布机的控制系统中，所述深浅特征融合模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述织物状态特征矩阵。
与现有技术相比，本申请提供的染布机的控制方法及其系统，其通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。该方案可以对染色过程作出快速反应和调整，有效提高染色质量，减少染料消耗并实现自动化控制。
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染布机的控制方法的应用场景图。
图2为根据本申请实施例的染布机的控制方法的流程图。
图3为根据本申请实施例的染布机的控制方法的架构示意图。
图4为根据本申请实施例的染布机的控制方法中将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵的流程图。
图5为根据本申请实施例的染布机的控制方法中将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量的流程图。
图6为根据本申请实施例的染布机的控制方法中对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵的流程图。
图7为根据本申请实施例的染布机的控制方法中将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小的流程图。
图8为根据本申请实施例的染布机的控制系统的框图。
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。
申请概述
针对以上问题，本申请的技术构思为通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。该方案可以对染色过程作出快速反应和调整，有效提高染色质量，减少染料消耗并实现自动化控制。
具体来说，温度是影响染色效果的重要因素之一，通过获取染缸内的温度值，可以实时监测染缸的温度变化，并及时调整加热设备的温度，从而避免出现过高或过低的温度。另外，通过监控摄像头采集的织物状态监控视频，可以全面了解织物的状态，包括颜色、质地、形状等方面的信息。这些信息对于判断染色过程中的问题、优化染色效果、检查染色产品质量等都非常有帮助。因此，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频。
在染色过程中，织物状态会随着时间的推移而不断变化。如果直接将整段视频作为输入进行特征提取和分类，那么需要处理的数据量非常庞大，极大地增加了计算量和存储量，同时也容易出现计算效率低下、模型泛化性能差等问题。因此，从所述监控视频中提取多个关键帧，可以把织物状态的变化过程离散化，将其转化为多个独立的图像数据，再通过卷积神经网络进行特征提取和分类，可以有效减少模型的训练时间和存储空间。另外，通过提取多个关键帧，可以覆盖织物状态变化的各个阶段，包括颜色、纹理、形状等方面的信息，从而更全面地描述织物状态的特征，使得深度学习算法更加准确地识别和分类不同的织物状态，提高了其鲁棒性和泛化性能。
接着，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以提取出不同关键帧对应的织物状态特征信息。在染色过程中，织物状态会随着时间的推移而不断变化。因此，从监控视频中提取多个织物状态关键帧，并将其分别输入到卷积神经网络进行特征提取和分类，可以有效地捕捉到不同关键帧之间的差异和织物状态的变化情况。此外，由于颜色是浅层特征，并且不同的关键帧可能具有不同的光照、角度等影响因素，因此使用深浅融合模块，结合浅层和深层特征来提高算法的鲁棒性和泛化性能。
为了将不同关键帧提取出来的织物状态特征信息有机地结合起来，形成织物状态变化的整体特征向量，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量。在染色过程中，织物状态会随着时间的推移而不断发生变化。因此，在获取了多个织物状态关键帧之后，需要将它们之间的关系和特征进行分析和整合，以把握织物状态的全貌和变化趋势。具体来说，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量，可以将不同关键帧提取出来的织物状态特征信息拼接成一个整体，形成一个全局的织物状态特征描述。然后，通过使用三维卷积核的第二卷积神经网络模型，可以对织物状态变化的整体特征进行建模和预测，从而实现对织物状态变化的全面监测和控制。
接着，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量。在染色过程中，温度是影响染色效果的重要因素之一。不同时间点的温度值反映了染缸内部温度的变化情况，而这种变化具有一定的规律性和连续性。因此，通过将多个预定时间点的温度值按照时间维度排列为温度输入向量，并通过时序编码器进行处理，可以实现对染色过程中温度变化的建模和预测。具体来说，时序编码器是一种专门用于处理时间序列数据的神经网络模型，它能够捕捉时间序列之间的依赖关系，学习时间序列的特征表示，并对未来的时间步进行预测。通过包含全连接层和一维卷积层的时序编码器，可以将温度输入向量转换为温度特征向量，提取出温度序列中的高级特征，并预测未来的温度趋势和变化。
在染色过程中，织物状态和温度之间存在着一定的联系和依赖关系，如不同温度下的织物染色效果会有所不同。因此，通过计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计，可以评估织物状态和温度之间的相关程度，进而捕捉出织物状态随着温度的变化而发生的规律性变化。然后，将这种变化转化为分类特征矩阵，即可实现染色过程中对温度的动态调控和优化。
特别地，在本申请的技术方案中，染缸内的温度变化是引起织物染色状态发生变化的原因，因此，通过计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以此来表达染缸内的温度与织物染色状态在高维特征空间中相关性逻辑关联。更具体地，以所述织物状态变化特征向量相对于所述温度特征向量的转移矩阵来进行响应性逻辑关联表达，但是，因所述织物状态变化特征向量是由第一卷积神经网络模型和第二卷积神经网络模型对织物状态监控视频进行不同维度的卷积编码得到，而所述温度特征向量是对温度值时序分布进行一维卷积编码和全连接编码得到，因此，所述织物状态变化特征向量和所述温度特征向量在相应维度上的变化趋势差异度较大且波动性较大，这使得如果直接计算所述转移矩阵无法准确地表达两者之间的响应性逻辑关联。
基于此，在本申请的技术方案中，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵。所述按位置联合相关的过程，包括：将所述织物状态变化特征向量和所述温度特征向量排列为二维联合矩阵；对所述二维联合矩阵进行中心化处理(即，各个元素减去所述二维联合矩阵的均值)以得到去中心化二维联合矩阵；计算所述去中心化二维联合矩阵的协方差矩阵；对所述协方差矩阵进行基于特征值的矩阵分解以得到多个特征值以及对应于所述多个特征值的多个特征值向量；从所述多个特征值向量中提取前两个特征值对应的两个特征值向量；将所述前两个特征值对应的两个特征值向量排列为筛选特征矩阵；以及，将所述筛选特征矩阵与所述二维联合矩阵进行矩阵相乘以得到所述关联特征矩阵。
这样，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关，可以充分利用所述织物状态变化特征向量和所述温度特征向量在不同维度的变化关系，以精简化表达信息重叠度高的特征维度且集成化表达信息重叠度低的特征维度。也就是，充分利用所述织物状态变化特征向量和所述温度特征向量在各个维度的强弱相关关系，以减少数据的复杂度和冗余性，同时保留数据的核心信息和结构。
在得到所述关联特征矩阵后，计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述关联特征矩阵所在的高维特征空间中以提高所述分类特征矩阵的特征表达的精准度，进而提高所述分类特征矩阵通过所述分类器得到的分类结果的精准度。具体来说，通过将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积通过分类器进行分类，可以根据织物不同的染色状态对温度变化的方向和幅度进行预测和调整。例如，如果分类结果表明当前染色产品需要在较高温度下完成染色过程，那么就可以相应地增加染缸内的温度，以提高染色效率和质量。反之，如果分类结果表明当前染色产品需要在较低温度下完成染色过程，那么就可以适当降低染缸内的温度，以节约能源和材料成本，同时保证染色效果。
图1为根据本申请实施例的染布机的控制方法的应用场景图。如图1所示，在该应用场景中，首先，通过温度传感器(例如，如图1中所示意的T)采集染缸(例如，如图1中所示意的D)在预定时间段内多个预定时间点的温度值，以及，通过摄像头(例如，如图1中所示意的C)采集所述预定时间段的织物状态监控视频。然后，将采集的织物状态监控视频和多个预定时间点的温度值输入至部署有染布机的控制算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述染布机的控制算法对所述织物状态监控视频和所述多个预定时间点的温度值进行处理以生成用于表示表示当前时间点的染缸内的温度应增加或减小的分类结果。
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。
示例性方法
图2为根据本申请实施例的染布机的控制方法的流程图。如图2所示，根据本申请实施例的染布机的控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；S120，从所述织物状态监控视频提取多个织物状态关键帧；S130，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；S140，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；S150，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；S160，计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；S170，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及，S180，将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
图3为根据本申请实施例的染布机的控制方法的架构示意图。如图3所示，首先，获取获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频。然后，从所述织物状态监控视频提取多个织物状态关键帧。接着，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵。然后，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量。同时，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量。接着，计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵。然后，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵。最后，将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
在上述步骤S110中，获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频。考虑到，通过织物状态监控视频可以全面了解织物的状态，包括颜色、质地、形状等方面的信息；而温度是影响染色效果的重要因素之一，通过获取染缸内的温度值，可以实时监测染缸的温度变化，并及时调整加热设备的温度，从而避免出现过高或过低的温度。这些信息对于判断染色过程中的问题、优化染色效果、检查染色产品质量等都非常有帮助。所以，针对以上问题，本申请的技术构思为通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。因此，在本申请的技术方案中，首先，通过摄像头采集预定时间段的织物状态监控视频，以及，通过温度传感器采集在所述预定时间段内多个预定时间点的染缸内的温度值。
在上述步骤S120中，从所述织物状态监控视频提取多个织物状态关键帧。在染色过程中，织物状态会随着时间的推移而不断变化。如果直接将整段视频作为输入进行特征提取和分类，那么需要处理的数据量非常庞大，极大地增加了计算量和存储量，同时也容易出现计算效率低下、模型泛化性能差等问题。因此，从所述监控视频中提取多个关键帧，可以把织物状态的变化过程离散化，将其转化为多个独立的图像数据，再通过卷积神经网络进行特征提取和分类，可以有效减少模型的训练时间和存储空间。另外，通过提取多个关键帧，可以覆盖织物状态变化的各个阶段，包括颜色、纹理、形状等方面的信息，从而更全面地描述织物状态的特征，使得深度学习算法更加准确地识别和分类不同的织物状态，提高了其鲁棒性和泛化性能。相应地，在一个具体示例中，从所述织物状态监控视频中以预定采样频率提取多个织物状态关键帧。
在上述步骤S130中，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵。为了提取出不同关键帧对应的织物状态特征信息，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型。在染色过程中，织物状态会随着时间的推移而不断变化。因此，从监控视频中提取多个织物状态关键帧，并将其分别输入到卷积神经网络进行特征提取和分类，可以有效地捕捉到不同关键帧之间的差异和织物状态的变化情况。此外，由于颜色是浅层特征，并且不同的关键帧可能具有不同的光照、角度等影响因素，因此使用深浅融合模块，结合浅层和深层特征来提高算法的鲁棒性和泛化性能。
图4为根据本申请实施例的染布机的控制方法中将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵的流程图。如图4所示，所述步骤S130，包括：S210，从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；S220，从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；S230，使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，S240，对所述融合特征图进行沿通道维度的全局池化以得到所述织物状态特征矩阵。
在上述步骤S140中，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量。为了将不同关键帧提取出来的织物状态特征信息有机地结合起来，形成织物状态变化的整体特征向量，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量。在染色过程中，织物状态会随着时间的推移而不断发生变化。因此，在获取了多个织物状态关键帧之后，需要将它们之间的关系和特征进行分析和整合，以把握织物状态的全貌和变化趋势。具体来说，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量，可以将不同关键帧提取出来的织物状态特征信息拼接成一个整体，形成一个全局的织物状态特征描述。然后，通过使用三维卷积核的第二卷积神经网络模型，可以对织物状态变化的整体特征进行建模和预测，从而实现对织物状态变化的全面监测和控制。
图5为根据本申请实施例的染布机的控制方法中将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量的流程图。如图5所示，所述步骤S140，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：S310，基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；S320，对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；以及，S330，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，所述第二卷积神经网络模型的最后一层的输出为所述织物状态变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在上述步骤S150中，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量。为了从时间序列角度对染色过程中的温度变化进行建模和预测，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器。在染色过程中，温度是影响染色效果的重要因素之一。不同时间点的温度值反映了染缸内部温度的变化情况，而这种变化具有一定的规律性和连续性。因此，通过将多个预定时间点的温度值按照时间维度排列为温度输入向量，并通过时序编码器进行处理，可以实现对染色过程中温度变化的建模和预测。具体来说，时序编码器是一种专门用于处理时间序列数据的神经网络模型，它能够捕捉时间序列之间的依赖关系，学习时间序列的特征表示，并对未来的时间步进行预测。通过包含全连接层和一维卷积层的时序编码器，可以将温度输入向量转换为温度特征向量，提取出温度序列中的高级特征，并预测未来的温度趋势和变化。
相应地，在一个具体示例中，所述步骤S150，包括：使用所述时序编码器的全连接层以如下全连接公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中X是所述温度输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下卷积公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述卷积公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量，Cov(X)表示对所述温度输入向量进行一维卷积编码。
在上述步骤S160中，计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵。在染色过程中，织物状态和温度之间存在着一定的联系和依赖关系，如不同温度下的织物染色效果会有所不同。因此，通过计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计，可以评估织物状态和温度之间的相关程度，进而捕捉出织物状态随着温度的变化而发生的规律性变化。然后，将这种变化转化为分类特征矩阵，即可实现染色过程中对温度的动态调控和优化。
相应地，在一个具体示例中，所述步骤S160，用于：以如下响应公式计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应公式为：
其中Va表示所述织物状态变化特征向量，Vb表示所述温度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述步骤S170中，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵。特别地，在本申请的技术方案中，染缸内的温度变化是引起织物染色状态发生变化的原因，因此，通过计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以此来表达染缸内的温度与织物染色状态在高维特征空间中相关性逻辑关联。更具体地，以所述织物状态变化特征向量相对于所述温度特征向量的转移矩阵来进行响应性逻辑关联表达，但是，因所述织物状态变化特征向量是由第一卷积神经网络模型和第二卷积神经网络模型对织物状态监控视频进行不同维度的卷积编码得到，而所述温度特征向量是对温度值时序分布进行一维卷积编码和全连接编码得到，因此，所述织物状态变化特征向量和所述温度特征向量在相应维度上的变化趋势差异度较大且波动性较大，这使得如果直接计算所述转移矩阵无法准确地表达两者之间的响应性逻辑关联。基于此，在本申请的技术方案中，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵。
图6为根据本申请实施例的染布机的控制方法中对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵的流程图。如图6所示，所述步骤S170，包括：S410，将所述织物状态变化特征向量和所述温度特征向量排列为二维联合矩阵；S420，对所述二维联合矩阵进行中心化处理(即，各个元素减去所述二维联合矩阵的均值)以得到去中心化二维联合矩阵；S430，计算所述去中心化二维联合矩阵的协方差矩阵；S440，对所述协方差矩阵进行基于特征值的矩阵分解以得到多个特征值以及对应于所述多个特征值的多个特征值向量；S450，从所述多个特征值向量中提取前两个特征值对应的两个特征值向量；S460，将所述前两个特征值对应的两个特征值向量排列为筛选特征矩阵；以及，S470，将所述筛选特征矩阵与所述二维联合矩阵进行矩阵相乘以得到所述关联特征矩阵。
这样，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关，可以充分利用所述织物状态变化特征向量和所述温度特征向量在不同维度的变化关系，以精简化表达信息重叠度高的特征维度且集成化表达信息重叠度低的特征维度。也就是，充分利用所述织物状态变化特征向量和所述温度特征向量在各个维度的强弱相关关系，以减少数据的复杂度和冗余性，同时保留数据的核心信息和结构。
在上述步骤S180中，将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。在得到所述关联特征矩阵后，计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述关联特征矩阵所在的高维特征空间中以提高所述分类特征矩阵的特征表达的精准度，进而提高所述分类特征矩阵通过所述分类器得到的分类结果的精准度。具体来说，通过将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积通过分类器进行分类，可以根据织物不同的染色状态对温度变化的方向和幅度进行预测和调整。例如，如果分类结果表明当前染色产品需要在较高温度下完成染色过程，那么就可以相应地增加染缸内的温度，以提高染色效率和质量。反之，如果分类结果表明当前染色产品需要在较低温度下完成染色过程，那么就可以适当降低染缸内的温度，以节约能源和材料成本，同时保证染色效果。
图7为根据本申请实施例的染布机的控制方法中将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小的流程图。如图7所示，所述步骤S180，包括：S510，计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；S520，将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；S530，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；以及，
S540，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，根据本申请实施例的染布机的控制方法被阐明，其通过使用深度学习技术对染缸的温度和织物状态进行监测和分析，及时调整加热设备的温度，避免出现过高或过低的温度，从而实现染色质量的提高。该方案可以对染色过程作出快速反应和调整，有效提高染色质量，减少染料消耗并实现自动化控制。
示例性系统
图8为根据本申请实施例的染布机的控制系统的框图。如图8所示，根据本申请实施例的染布机的控制系统100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；关键帧提取模块120，用于从所述织物状态监控视频提取多个织物状态关键帧；深浅特征融合模块130，用于将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；织物状态变化特征提取模块140，用于将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；温度时序特征提取模块150，用于将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；响应性估计模块160，用于计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；关联模块170，用于对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及，控制结果生成模块180，用于将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
在一个具体示例中，在上述染布机的控制系统中，所述关键帧提取模块120，用于：以预定采样频率从所述织物状态监控视频中提取多个织物状态关键帧。
在一个具体示例中，在上述染布机的控制系统中，所述深浅特征融合模块130，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述织物状态特征矩阵。
在一个具体示例中，在上述染布机的控制系统中，所述织物状态变化特征提取模块140，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个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，所述第二卷积神经网络模型的最后一层的输出为所述织物状态变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
在一个具体示例中，在上述染布机的控制系统中，所述温度时序特征提取模块150，包括：使用所述时序编码器的全连接层以如下全连接公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中X是所述温度输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下卷积公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述卷积公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量，Cov(X)表示对所述温度输入向量进行一维卷积编码。
在一个具体示例中，在上述染布机的控制系统中，所述响应性估计模块160，用于：以如下响应公式计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应公式为：
其中Va表示所述织物状态变化特征向量，Vb表示所述温度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在一个具体示例中，在上述染布机的控制系统中，所述关联模块170，包括：将所述织物状态变化特征向量和所述温度特征向量排列为二维联合矩阵；对所述二维联合矩阵进行中心化处理(即，各个元素减去所述二维联合矩阵的均值)以得到去中心化二维联合矩阵；计算所述去中心化二维联合矩阵的协方差矩阵；对所述协方差矩阵进行基于特征值的矩阵分解以得到多个特征值以及对应于所述多个特征值的多个特征值向量；从所述多个特征值向量中提取前两个特征值对应的两个特征值向量；将所述前两个特征值对应的两个特征值向量排列为筛选特征矩阵；以及，将所述筛选特征矩阵与所述二维联合矩阵进行矩阵相乘以得到所述关联特征矩阵。
在一个具体示例中，在上述染布机的控制系统中，所述控制结果生成模块180，包括：计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；将所述优化分类特征矩阵按照行向量或者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；以及，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，上述染布机的控制系统中的各个模块的具体操作已经在上面参考图2到图7的染布机的控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种染布机的控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；
从所述织物状态监控视频提取多个织物状态关键帧；
将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；
将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；
将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；
计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及
将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
2.根据权利要求1所述的染布机的控制方法，其特征在于，从所述织物状态监控视频提取多个织物状态关键帧，用于：以预定采样频率从所述织物状态监控视频中提取多个织物状态关键帧。
3.根据权利要求2所述的染布机的控制方法，其特征在于，将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵，包括：
从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；
从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；
使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及
对所述融合特征图进行沿通道维度的全局池化以得到所述织物状态特征矩阵。
4.根据权利要求3所述的染布机的控制方法，其特征在于，将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量，包括：
使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个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，所述第二卷积神经网络模型的最后一层的输出为所述织物状态变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。
5.根据权利要求4所述的染布机的控制方法，其特征在于，将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量，包括：
使用所述时序编码器的全连接层以如下全连接公式对所述温度输入向量进行全连接编码以提取出所述温度输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接公式为：其中X是所述温度输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；以及
使用所述时序编码器的一维卷积层以如下卷积公式对所述温度输入向量进行一维卷积编码以提取出所述温度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述卷积公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述温度输入向量，Cov(X)表示对所述温度输入向量进行一维卷积编码。
6.根据权利要求5所述的染布机的控制方法，其特征在于，计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵，用于：以如下响应公式计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
其中，所述响应公式为：
其中Va表示所述织物状态变化特征向量，Vb表示所述温度特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
7.根据权利要求6所述的染布机的控制方法，其特征在于，对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵，包括：
将所述织物状态变化特征向量和所述温度特征向量排列为二维联合矩阵；
对所述二维联合矩阵进行中心化处理以得到去中心化二维联合矩阵；
计算所述去中心化二维联合矩阵的协方差矩阵；
对所述协方差矩阵进行基于特征值的矩阵分解以得到多个特征值以及对应于所述多个特征值的多个特征值向量；
从所述多个特征值向量中提取前两个特征值对应的两个特征值向量；
将所述前两个特征值对应的两个特征值向量排列为筛选特征矩阵；以及
将所述筛选特征矩阵与所述二维联合矩阵进行矩阵相乘以得到所述关联特征矩阵。
8.根据权利要求7所述的染布机的控制方法，其特征在于，将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小，包括：
计算所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵；
将所述优化分类特征矩阵按照行向量或者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；以及
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。
9.一种染布机的控制系统，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的染缸内的温度值以及由监控摄像头采集的所述预定时间段的织物状态监控视频；
关键帧提取模块，用于从所述织物状态监控视频提取多个织物状态关键帧；
深浅特征融合模块，用于将所述多个织物状态关键帧分别通过包含深浅融合模块的第一卷积神经网络模型以得到多个织物状态特征矩阵；
织物状态变化特征提取模块，用于将所述多个织物状态特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到织物状态变化特征向量；
温度时序特征提取模块，用于将所述多个预定时间点的染缸内的温度值按照时间维度排列为温度输入向量后通过包含全连接层和一维卷积层的时序编码器以得到温度特征向量；
响应性估计模块，用于计算所述织物状态变化特征向量相对于所述温度特征向量的响应性估计以得到分类特征矩阵；
关联模块，用于对所述织物状态变化特征向量和所述温度特征向量进行按位置联合相关以得到关联特征矩阵；以及
控制结果生成模块，用于将所述关联特征矩阵和所述分类特征矩阵之间的矩阵乘积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染缸内的温度应增加或减小。
10.根据权利要求9所述的染布机的控制系统，其特征在于，所述关键帧提取模块，用于：以预定采样频率从所述织物状态监控视频中提取多个织物状态关键帧。
CN202310601029.4A 2023-05-25 2023-05-25 染布机的控制方法及其系统 Pending CN116594303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310601029.4A CN116594303A (zh) 2023-05-25 2023-05-25 染布机的控制方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310601029.4A CN116594303A (zh) 2023-05-25 2023-05-25 染布机的控制方法及其系统

Publications (1)

Publication Number Publication Date
CN116594303A true CN116594303A (zh) 2023-08-15

Family

ID=87589599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310601029.4A Pending CN116594303A (zh) 2023-05-25 2023-05-25 染布机的控制方法及其系统

Country Status (1)

Country Link
CN (1) CN116594303A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117668484A (zh) * 2023-12-05 2024-03-08 东莞市成铭胶粘剂有限公司 胶黏剂生产过程的实时监测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114133314A (zh) * 2021-11-02 2022-03-04 山东东岳化工有限公司 电子级三氟甲烷的纯化装置及纯化工艺
CN115578676A (zh) * 2022-10-27 2023-01-06 浙江宇鑫纺织印染有限公司 绿色节能智能化染整工艺及其系统
CN115689214A (zh) * 2022-11-04 2023-02-03 李小兰 基于机器视觉的蛋糕烘焙生产控制方法及其系统
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114133314A (zh) * 2021-11-02 2022-03-04 山东东岳化工有限公司 电子级三氟甲烷的纯化装置及纯化工艺
CN115578676A (zh) * 2022-10-27 2023-01-06 浙江宇鑫纺织印染有限公司 绿色节能智能化染整工艺及其系统
CN115689214A (zh) * 2022-11-04 2023-02-03 李小兰 基于机器视觉的蛋糕烘焙生产控制方法及其系统
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117668484A (zh) * 2023-12-05 2024-03-08 东莞市成铭胶粘剂有限公司 胶黏剂生产过程的实时监测系统及方法

Similar Documents

Publication Publication Date Title
Hu et al. Moving object detection using tensor-based low-rank and saliently fused-sparse decomposition
Yan et al. Image-based process monitoring using low-rank tensor decomposition
CN116594303A (zh) 染布机的控制方法及其系统
Mohammadi et al. An analytic comparison of regularization methods for Gaussian processes
CN115661090A (zh) 纺织面料的智能化加工工艺及其系统
CN109712113A (zh) 一种基于级联低秩分解的织物疵点检测方法
CN115689214A (zh) 基于机器视觉的蛋糕烘焙生产控制方法及其系统
CN117635219A (zh) 金属矿山生产大数据智能分析系统及方法
CN116690823A (zh) 改性pbt材料的智能制备方法及其系统
Kumar et al. Wind speed prediction using deep learning-LSTM and GRU
CN115861246A (zh) 应用于工业互联网的产品质量异常检测方法及其系统
CN117197746A (zh) 基于深度学习的安全监测系统及方法
CN117612053A (zh) 沥青防水卷材加工制备系统及其方法
CN117193122A (zh) 用于基布生产的控制系统及其方法
CN111858343A (zh) 一种基于攻击能力的对抗样本生成方法
Venkatesh et al. Model selection and regularization
CN116643497B (zh) 筒子纱的染色控制系统及其方法
CN114842178A (zh) 一种基于电子产品的在线可视化交互系统及方法
Xu et al. Model Quality Evaluation based on Improved MTF Data Image and Classification
CN115294497A (zh) 一种过热度识别方法、系统、设备及存储介质
Horvath et al. Granger causality using neural networks
CN117762602B (zh) 面向边缘异构硬件的深度学习级联任务调度方法及装置
Gong et al. Distribution-Free Online Change Detection for Low-Rank Images
KR102564000B1 (ko) 수요-공급 속성 기반 잡화 커스텀 보수 추천 시스템 및 방법
Tocker et al. Dynamic spatial predicted background for video surveillance

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