CN116643497B - 筒子纱的染色控制系统及其方法 - Google Patents

筒子纱的染色控制系统及其方法 Download PDF

Info

Publication number
CN116643497B
CN116643497B CN202310620246.8A CN202310620246A CN116643497B CN 116643497 B CN116643497 B CN 116643497B CN 202310620246 A CN202310620246 A CN 202310620246A CN 116643497 B CN116643497 B CN 116643497B
Authority
CN
China
Prior art keywords
feature
matrix
dyeing
flow velocity
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.)
Active
Application number
CN202310620246.8A
Other languages
English (en)
Other versions
CN116643497A (zh
Inventor
顾周磊
朱熙
吴小刚
李国兴
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.)
Shantou Dingtaifeng Industrial Co ltd
Original Assignee
Shantou Dingtaifeng Industrial 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 Shantou Dingtaifeng Industrial Co ltd filed Critical Shantou Dingtaifeng Industrial Co ltd
Priority to CN202310620246.8A priority Critical patent/CN116643497B/zh
Publication of CN116643497A publication Critical patent/CN116643497A/zh
Application granted granted Critical
Publication of CN116643497B publication Critical patent/CN116643497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Image Processing (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筒子纱的染色控制系统及其方法，其通过使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。该方案能够有效地实现对筒子纱染色过程中染液流速的智能化控制和优化，使染料更均匀地渗透到筒子纱内部，保证染色的深浅度一致性和均匀性，并且可以避免染料被消耗过多或浪费成本，缩短染色时间，提高生产效率。

Description

筒子纱的染色控制系统及其方法
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种筒子纱的染色控制系统及其方法。
背景技术
筒子纱染色是将纱线卷绕在一个有孔的筒子上，然后将许多的筒子装入染色缸。筒子纱染色机基本操作流程包括：松筒、装笼、染色、烘干、倒筒。在筒子纱染色过程中，染液流速是的一个重要参数，它会影响染料的渗透速度和均匀性，从而影响染色深浅。当染液流速较慢时，染料有更充分的时间浸透到筒子纱内部，使染色更深，但染色时间可能会变长，降低生产效率。当染液流速不够稳定或过快时，可能会导致染色不均匀，内外层出现色差、斑点或条纹等问题，还可能导致染料消耗过多，浪费成本。
因此，期待一种筒子纱的染色控制系统及其方法。
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筒子纱的染色控制系统及其方法，其通过使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。该方案能够有效地实现对筒子纱染色过程中染液流速的智能化控制和优化，使染料更均匀地渗透到筒子纱内部，保证染色的深浅度一致性和均匀性，并且可以避免染料被消耗过多或浪费成本，缩短染色时间，提高生产效率。
相应地，根据本申请的一个方面，提供了一种筒子纱的染色控制系统，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液流速值以及所述预定时间段的筒子纱染色状态视频；
关键帧提取模块，用于从所述筒子纱染色状态视频提取多个染色状态关键帧；
染色状态特征提取模块，用于将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；
染色状态语义关联特征提取模块，用于将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；
流速特征提取模块，用于将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；
响应性估计模块，用于计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；
关联模块，用于对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；
优化模块，用于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；以及
控制结果生成模块，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染液流速应增大、保持不变或减小。
在上述筒子纱的染色控制系统中，所述关键帧提取模块，用于：以预定采样频率从所述筒子纱染色状态视频提取多个染色状态关键帧。
在上述筒子纱的染色控制系统中，所述染色状态特征提取模块，包括：使用所述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，所述卷积神经网络模型的最后一层的输出为所述染色状态特征向量，所述卷积神经网络模型的第一层的输入为所述染色状态关键帧。
在上述筒子纱的染色控制系统中，所述染色状态语义关联特征提取模块，包括：转化单元，用于将所述多个染色状态特征向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化自注意单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；注意力计算单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元，用于将所述自注意力特征矩阵与多个染色状态特征向量中各个染色状态特征向量分别进行相乘以得到所述多个染色状态关联特征向量；以及，级联单元，用于将所述多个染色状态关联特征向量进行级联以得到所述染色状态语义关联特征向量。
在上述筒子纱的染色控制系统中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
在上述筒子纱的染色控制系统中，所述流速特征提取模块，包括：第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量；第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量；以及，多尺度级联单元，用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
在上述筒子纱的染色控制系统中，所述第一尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；
其中，所述第一尺度卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
在上述筒子纱的染色控制系统中，所述第二尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；
其中，所述第二尺度卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，x表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
在上述筒子纱的染色控制系统中，所述响应性估计模块，用于：以如下响应公式计算所述染色状态语义关联特征向量相对于所述流速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表示所述染色状态语义关联特征向量，Vb表示所述流速特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述筒子纱的染色控制系统中，所述关联模块，包括：将所述染色状态语义关联特征向量和所述流速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。
根据本申请的另一个方面，提供了一种筒子纱的染色控制方法，其包括：
获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频；
从所述筒子纱染色状态视频提取多个染色状态关键帧；
将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；
将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；
将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；
计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；
对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；
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；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染液流速应增大、保持不变或减小。
在上述筒子纱的染色控制方法中，从所述筒子纱染色状态视频提取多个染色状态关键帧，用于：以预定采样频率从所述筒子纱染色状态视频提取多个染色状态关键帧。
与现有技术相比，本申请提供的筒子纱的染色控制系统及其方法，其通过使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。该方案能够有效地实现对筒子纱染色过程中染液流速的智能化控制和优化，使染料更均匀地渗透到筒子纱内部，保证染色的深浅度一致性和均匀性，并且可以避免染料被消耗过多或浪费成本，缩短染色时间，提高生产效率。
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筒子纱的染色控制系统的应用场景图。
图2为根据本申请实施例的筒子纱的染色控制系统的框图。
图3为根据本申请实施例的筒子纱的染色控制系统的架构示意图。
图4为根据本申请实施例的筒子纱的染色控制系统中染色状态语义关联特征提取模块的框图。
图5为根据本申请实施例的筒子纱的染色控制系统中流速特征提取模块的框图。
图6为根据本申请实施例的筒子纱的染色控制方法的流程图。
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
针对上述问题，本申请的技术构思为使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。该方案能够有效地实现对筒子纱染色过程中染液流速的智能化控制和优化，使染料更均匀地渗透到筒子纱内部，保证染色的深浅度一致性和均匀性，保证染色质量，并且可以避免染料被消耗过多或浪费成本，缩短染色时间，提高生产效率。
在染色过程中，染液流速是影响染色效果和质量的重要因素之一。不同流速下染料渗透到筒子纱内部的速度和均匀性都有所不同，从而导致染色深浅度、均匀性等方面的差异。通过观察染色状态视频，可以识别出染色产品的颜色、深浅度、均匀性等信息，基于内外层颜色情况对染液流速进行实时监测和调节，以保证染色效果和质量。因此，首先获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频。
考虑到视频通常存在大量的连续的相似帧，直接对视频处理不仅计算量过大，而且存在大量的信息冗余，因此，为了减少计算量且提取出染色状态的关键信息，从筒子纱染色状态视频中提取多个染色状态关键帧。通过提取关键帧，可以将染色过程分割成若干个状态段，每个状态段对应着一个染色状态。这样，就能够利用机器学习模型来判断当前筒子纱的染色状态，以及调整染液流速，从而实现对染色过程的智能化监测和控制。
为了提取染色状态的关键特征，从而实现对染液流速的智能化监测和控制，将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量。在筒子纱染色过程中，不同的染色状态具有不同的特征。因此，通过提取染色状态的关键特征，可以更加准确地判断当前染色状态，并调整染液流速，以达到最佳的染色效果和质量。利用卷积神经网络模型可以有效地提取染色状态关键特征。卷积神经网络模型可以自动学习图像数据中的空间特征，从而提取出相应的特征向量。将所述多个染色状态关键帧分别输入卷积神经网络模型，可以得到多个染色状态特征向量。这些特征向量包含了染色状态的关键特征信息，可以提高对染色过程的理解和分析能力，有助于提高染色效率和质量。
接着，为了将不同染色状态之间的信息联系起来，提高对染色过程的理解和判断能力，将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量。在筒子纱染色过程中，不同的染色状态之间可能存在着一定的相关性和联系。例如，前一个染色状态的深浅程度可能会影响下一个染色状态的深浅程度。因此，仅仅单独地提取每个染色状态的特征向量是不够的，还需要将这些特征向量联系起来，构建染色状态的语义关联特征向量，以实现更加全面和准确的染色状态分析和控制。基于转换器的上下文编码器可以有效地捕获染色状态之间的关系和联系。该编码器可以将输入的多个染色状态特征向量进行编码和重构，得到染色状态语义关联特征向量。该特征向量不仅包含了每个染色状态的关键特征信息，而且还考虑到了染色状态之间的相互作用和影响，具有更高的信息量和表达能力。
为了将流速数据转化为机器学习算法可以处理的向量形式，以实现对染液流速的智能化监测和控制，将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量。在筒子纱染色过程中，染液流速是影响染色效果和质量的重要因素之一。因此，需要对染液流速进行监测和控制，以达到最佳的染色效果和质量。利用机器学习算法来实现对染液流速的监测和控制，需要将流速数据转化为算法可以处理的向量形式。具体来说，需要将多个预定时间点的染液流速值按照时间顺序排列成流速输入向量，并使用多尺度邻域特征提取模块对其进行特征提取，从而获得流速特征向量。多尺度邻域特征提取模块可以识别出流速数据中的重要特征，并提取出相应的特征向量。这些特征向量包含了流速数据的关键信息，可以为后续的处理提供数据基础。
在进行染料流速的控制时，需要考虑当前的染色状态。染色状态语义关联特征向量包含了染色状态的关键特征信息，可以用于判断当前的染色状态。而流速特征向量则包含了染液流速的重要特征信息。将染色状态语义关联特征向量与流速特征向量相结合，就可以实现对染液流速的智能化监测和控制。通过计算染色状态语义关联特征向量相对于流速特征向量的响应性估计，可以得到分类特征向量。具体来说，当染色状态发生变化时，分类特征向量可以指导染液流速的调整，以确保染色效果和质量得到最佳的保障。
特别地，在本申请的技术方案中，染液流速值变化是引起筒子纱染色状态发生变化的原因，也就是，染液流速值与筒子纱染色状态在高维逻辑空间中存在相关逻辑关联。特别地，通过所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以此来表达染液流速值与筒子纱染色状态在高维逻辑空间中存在相关逻辑关联。更具体地，以所述染色状态语义关联特征向量相对于所述流速特征向量的转移矩阵来进行响应性逻辑关联表达，但是，因所述染色状态语义关联特征向量是由作为过滤器的卷积神经网络模型和基于转换器的上下文编码器对筒子纱染色状态视频进行卷积编码和上下文关联编码得到，而所述所述流速特征向量是对染液流速值的时序分布进行多尺度一维卷积编码得到，因此，所述染色状态语义关联特征向量和所述流速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，对所述染色状态语义关联特征向量和所述流速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：将所述染色状态语义关联特征向量和所述流速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，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关，可以充分利用所述染色状态语义关联特征向量和所述流速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，充分利用所述染色状态语义关联特征向量和所述流速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得到优化分类特征矩阵，通过这样的方式，来提高所述优化分类特征矩阵通过所述分类器得到的分类结果的精准度。
最后，将所述优化分类特征矩阵通过分类器进行分类。将优化分类特征矩阵通过分类器进行分类可以得到具体的染液流速应该增大、保持不变还是减小的结果。利用机器学习算法进行分类分析，并给出相应的染液流速控制建议。
图1为根据本申请实施例的筒子纱的染色控制系统的应用场景图。如图1所示，在该应用场景中，首先，通过流速仪(例如，如图1中所示意的C1)采集在预定时间段内多个预定时间点的染液流速值，以及，通过摄像头(例如，如图1中所示意的C2)采集所述预定时间段的筒子纱染色状态视频。然后，将采集的筒子纱染色状态视频和多个预定时间点的流速值输入至部署有筒子纱的染色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筒子纱的染色控制算法对所述筒子纱染色状态视频和所述多个预定时间点的流速值进行处理以生成用于表示当前时间点的染液流速应增大、保持不变或减小的分类结果。
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。
示例性系统
图2为根据本申请实施例的筒子纱的染色控制系统的框图。如图2所示，根据本申请实施例的筒子纱的染色控制系统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液流速值以及所述预定时间段的筒子纱染色状态视频；关键帧提取模块120，用于从所述筒子纱染色状态视频提取多个染色状态关键帧；染色状态特征提取模块130，用于将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；染色状态语义关联特征提取模块140，用于将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；流速特征提取模块150，用于将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；响应性估计模块160，用于计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；关联模块170，用于对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；优化模块180，用于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；以及，控制结果生成模块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染液流速应增大、保持不变或减小。
图3为根据本申请实施例的筒子纱的染色控制系统的架构示意图。如图3所示，首先，获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频。然后，从所述筒子纱染色状态视频提取多个染色状态关键帧。接着，将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量。然后，将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量。同时，将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量。接着，计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵。然后，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵。接着，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。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染液流速应增大、保持不变或减小。
在上述筒子纱的染色控制系统100中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频。在染色过程中，染液流速是影响染色效果和质量的重要因素之一。不同流速下染料渗透到筒子纱内部的速度和均匀性都有所不同，从而导致染色深浅度、均匀性等方面的差异。所以，针对上述问题，本申请的技术构思为使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。因此，在本申请的技术方案中，首先，通过流速仪获取预定时间段内多个预定时间点的染液流速值，以及，通过摄像头采集所述预定时间段的筒子纱染色状态视频。
在上述筒子纱的染色控制系统100中，所述关键帧提取模块120，用于从所述筒子纱染色状态视频提取多个染色状态关键帧。考虑到视频通常存在大量的连续的相似帧，直接对视频处理不仅计算量过大，而且存在大量的信息冗余，因此，为了减少计算量且提取出染色状态的关键信息，从筒子纱染色状态视频中提取多个染色状态关键帧。通过提取关键帧，可以将染色过程分割成若干个状态段，每个状态段对应着一个染色状态。这样，就能够利用机器学习模型来判断当前筒子纱的染色状态，以及调整染液流速，从而实现对染色过程的智能化监测和控制。相应地，在一个具体示例中，可以以预定采样频率从所述筒子纱染色状态视频提取多个染色状态关键帧。
在上述筒子纱的染色控制系统100中，所述染色状态特征提取模块130，用于将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量。为了提取染色状态的关键特征，从而实现对染液流速的智能化监测和控制，使用作为过滤器的卷积神经网络模型来处理所述多个染色状态关键帧。在筒子纱染色过程中，不同的染色状态具有不同的特征。因此，通过提取染色状态的关键特征，可以更加准确地判断当前染色状态，并调整染液流速，以达到最佳的染色效果和质量。利用卷积神经网络模型可以有效地提取染色状态关键特征。卷积神经网络模型可以自动学习图像数据中的空间特征，从而提取出相应的特征向量。将所述多个染色状态关键帧分别输入卷积神经网络模型，可以得到多个染色状态特征向量。这些特征向量包含了染色状态的关键特征信息，可以提高对染色过程的理解和分析能力，有助于提高染色效率和质量。
相应地，在一个具体示例中，所述染色状态特征提取模块130，包括：使用所述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，所述卷积神经网络模型的最后一层的输出为所述染色状态特征向量，所述卷积神经网络模型的第一层的输入为所述染色状态关键帧。
在上述筒子纱的染色控制系统100中，所述染色状态语义关联特征提取模块140，用于将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量。为了将不同染色状态之间的信息联系起来，提高对染色过程的理解和判断能力，将所述多个染色状态特征向量通过基于转换器的上下文编码器。在筒子纱染色过程中，不同的染色状态之间可能存在着一定的相关性和联系。例如，前一个染色状态的深浅程度可能会影响下一个染色状态的深浅程度。因此，仅仅单独地提取每个染色状态的特征向量是不够的，还需要将这些特征向量联系起来，构建染色状态的语义关联特征向量，以实现更加全面和准确的染色状态分析和控制。基于转换器的上下文编码器可以有效地捕获染色状态之间的关系和联系。该编码器可以将输入的多个染色状态特征向量进行编码和重构，得到染色状态语义关联特征向量。该特征向量不仅包含了每个染色状态的关键特征信息，而且还考虑到了染色状态之间的相互作用和影响，具有更高的信息量和表达能力。
图4为根据本申请实施例的筒子纱的染色控制系统中染色状态语义关联特征提取模块的框图。如图4所示，所述染色状态语义关联特征提取模块140，包括：转化单元141，用于将所述多个染色状态特征向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意单元142，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化自注意单元143，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；注意力计算单元144，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元145，用于将所述自注意力特征矩阵与多个染色状态特征向量中各个染色状态特征向量分别进行相乘以得到所述多个染色状态关联特征向量；以及，级联单元146，用于将所述多个染色状态关联特征向量进行级联以得到所述染色状态语义关联特征向量。
在上述筒子纱的染色控制系统100中，所述流速特征提取模块150，用于将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量。为了将流速数据转化为机器学习算法可以处理的向量形式，以实现对染液流速的智能化监测和控制，将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以提取流速的特征信息。在筒子纱染色过程中，染液流速是影响染色效果和质量的重要因素之一。因此，需要对染液流速进行监测和控制，以达到最佳的染色效果和质量。利用机器学习算法来实现对染液流速的监测和控制，需要将流速数据转化为算法可以处理的向量形式。具体来说，需要将多个预定时间点的染液流速值按照时间顺序排列成流速输入向量，并使用多尺度邻域特征提取模块对其进行特征提取，从而获得流速特征向量。多尺度邻域特征提取模块可以识别出流速数据中的重要特征，并提取出相应的特征向量。这些特征向量包含了流速数据的关键信息，可以为后续的处理提供数据基础。
相应地，在一个具体示例中，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
图5为根据本申请实施例的筒子纱的染色控制系统中流速特征提取模块的框图。如图5所示，所述流速特征提取模块150，包括：第一尺度特征提取单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量；第二尺度特征提取单元152，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量；以及，多尺度级联单元153，用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
相应地，在一个具体示例中，所述第一尺度特征提取单元151，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；
其中，所述第一尺度卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
相应地，在一个具体示例中，所述第二尺度特征提取单元152，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；
其中，所述第二尺度卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
在上述筒子纱的染色控制系统100中，所述响应性估计模块160，用于计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征向量。在进行染料流速的控制时，需要考虑当前的染色状态。染色状态语义关联特征向量包含了染色状态的关键特征信息，可以用于判断当前的染色状态。而流速特征向量则包含了染液流速的重要特征信息。将染色状态语义关联特征向量与流速特征向量相结合，就可以实现对染液流速的智能化监测和控制。通过计算染色状态语义关联特征向量相对于流速特征向量的响应性估计，可以得到分类特征向量。具体来说，当染色状态发生变化时，分类特征向量可以指导染液流速的调整，以确保染色效果和质量得到最佳的保障。
相应地，在一个具体示例中，所述响应性估计模块160，用于：以如下响应公式计算所述染色状态语义关联特征向量相对于所述流速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表示所述染色状态语义关联特征向量，Vb表示所述流速特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
在上述筒子纱的染色控制系统100中，所述关联模块170，用于对所述染色状态语义关联特征向量和所述流速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，染液流速值变化是引起筒子纱染色状态发生变化的原因，也就是，染液流速值与筒子纱染色状态在高维逻辑空间中存在相关逻辑关联。特别地，通过所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以此来表达染液流速值与筒子纱染色状态在高维逻辑空间中存在相关逻辑关联。更具体地，以所述染色状态语义关联特征向量相对于所述流速特征向量的转移矩阵来进行响应性逻辑关联表达，但是，因所述染色状态语义关联特征向量是由作为过滤器的卷积神经网络模型和基于转换器的上下文编码器对筒子纱染色状态视频进行卷积编码和上下文关联编码得到，而所述所述流速特征向量是对染液流速值的时序分布进行多尺度一维卷积编码得到，因此，所述染色状态语义关联特征向量和所述流速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，对所述染色状态语义关联特征向量和所述流速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：将所述染色状态语义关联特征向量和所述流速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，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关，可以充分利用所述染色状态语义关联特征向量和所述流速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，充分利用所述染色状态语义关联特征向量和所述流速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。
在上述筒子纱的染色控制系统100中，所述优化模块180，用于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。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得到优化分类特征矩阵，通过这样的方式，来提高所述优化分类特征矩阵通过所述分类器得到的分类结果的精准度。
在上述筒子纱的染色控制系统100中，所述控制结果生成模块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染液流速应增大、保持不变或减小。将优化分类特征矩阵通过分类器进行分类，则可以得到具体的染液流速应该增大、保持不变还是减小的结果。利用机器学习算法进行分类分析，并给出相应的染液流速控制建议。例如，在预测结果为“增大”的情况下，可以适当提高染液的流速，从而加快染色进度；在预测结果为“减小”的情况下，可以降低染液的流速，从而避免染色效果和质量的下降；在预测结果为“保持不变”的情况下，则可以维持原有的染液流速不变。
综上，根据本申请实施例的筒子纱的染色控制系统被阐明，其通过使用高分辨率的摄像头，对筒子纱表面进行实时监测，通过图像处理算法，获取筒子纱表面的颜色信息，根据内外层颜色情况调整染液流速，以达到内外层染色均匀的效果。该方案能够有效地实现对筒子纱染色过程中染液流速的智能化控制和优化，使染料更均匀地渗透到筒子纱内部，保证染色的深浅度一致性和均匀性，并且可以避免染料被消耗过多或浪费成本，缩短染色时间，提高生产效率。
示例性方法
图6为根据本申请实施例的筒子纱的染色控制方法的流程图。如图6所示，根据本申请实施例的筒子纱的染色控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频；S120，从所述筒子纱染色状态视频提取多个染色状态关键帧；S130，将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；S140，将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；S150，将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；S160，计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；S170，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；S180，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；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染液流速应增大、保持不变或减小。
在一个具体示例中，在上述筒子纱的染色控制方法中，所述步骤S120，从所述筒子纱染色状态视频提取多个染色状态关键帧，用于：以预定采样频率从所述筒子纱染色状态视频提取多个染色状态关键帧。
在一个具体示例中，在上述筒子纱的染色控制方法中，所述步骤S130，将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量，包括：使用所述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，所述卷积神经网络模型的最后一层的输出为所述染色状态特征向量，所述卷积神经网络模型的第一层的输入为所述染色状态关键帧。
在一个具体示例中，在上述筒子纱的染色控制方法中，所述步骤S140，将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量，包括：将所述多个染色状态特征向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与多个染色状态特征向量中各个染色状态特征向量分别进行相乘以得到所述多个染色状态关联特征向量；以及，将所述多个染色状态关联特征向量进行级联以得到所述染色状态语义关联特征向量。
在一个具体示例中，在上述筒子纱的染色控制方法中，所述步骤S150，将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量；使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量；以及，使用所述多尺度邻域特征提取模块的级联层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
在一个具体示例中，在上述筒子纱的染色控制方法中，使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；
其中，所述第一尺度卷积公式为：
其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
在一个具体示例中，在上述筒子纱的染色控制方法中，使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；
其中，所述第二尺度卷积公式为：
其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述流速输入向量，Cov(X)表示对所述流速输入向量进行一维卷积编码。
在一个具体示例中，在上述筒子纱的染色控制方法中，所述步骤S160，计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征向量，用于：以如下响应公式计算所述染色状态语义关联特征向量相对于所述流速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表示所述染色状态语义关联特征向量，Vb表示所述流速特征向量，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，在上述筒子纱的染色控制方法中，所述步骤S170，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵，包括：将所述染色状态语义关联特征向量和所述流速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。
这里，本领域技术人员可以理解，上述筒子纱的染色控制方法中的各个步骤的具体操作已经在上面参考图2到图5的筒子纱的染色控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (9)

1.一种筒子纱的染色控制系统，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液流速值以及所述预定时间段的筒子纱染色状态视频；
关键帧提取模块，用于从所述筒子纱染色状态视频提取多个染色状态关键帧；
染色状态特征提取模块，用于将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；
染色状态语义关联特征提取模块，用于将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；
流速特征提取模块，用于将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；
响应性估计模块，用于计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；
关联模块，用于对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；
优化模块，用于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；以及
控制结果生成模块，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染液流速应增大、保持不变或减小;
其中，所述关联模块，包括：
将所述染色状态语义关联特征向量和所述流速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。
2.根据权利要求1所述的筒子纱的染色控制系统，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筒子纱染色状态视频提取多个染色状态关键帧。
3.根据权利要求2所述的筒子纱的染色控制系统，其特征在于，所述染色状态特征提取模块，包括：使用所述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，所述卷积神经网络模型的最后一层的输出为所述染色状态特征向量，所述卷积神经网络模型的第一层的输入为所述染色状态关键帧。
4.根据权利要求3所述的筒子纱的染色控制系统，其特征在于，所述染色状态语义关联特征提取模块，包括：
转化单元，用于将所述多个染色状态特征向量排列为输入向量后通过可学习嵌入矩阵分别转化为查询向量和关键向量；
自注意单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
标准化自注意单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
注意力计算单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
注意力施加单元，用于将所述自注意力特征矩阵与多个染色状态特征向量中各个染色状态特征向量分别进行相乘以得到多个染色状态关联特征向量；以及
级联单元，用于将所述多个染色状态关联特征向量进行级联以得到所述染色状态语义关联特征向量。
5.根据权利要求4所述的筒子纱的染色控制系统，其特征在于，所述多尺度邻域特征提取模块，包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度。
6.根据权利要求5所述的筒子纱的染色控制系统，其特征在于，所述流速特征提取模块，包括：
第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量；
第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量；以及
多尺度级联单元，用于使用所述多尺度邻域特征提取模块的级联层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速特征向量。
7.根据权利要求6所述的筒子纱的染色控制系统，其特征在于，所述第一尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；
其中，所述第一尺度卷积公式为：
其中，为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、为与第一卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述流速输入向量，/>第一尺度的一维卷积编码；
所述第二尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述流速输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；
其中，所述第二尺度卷积公式为：
其中，为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、为与第二卷积核函数运算的局部向量矩阵，/>为第二一维卷积核的尺寸，/>表示所述流速输入向量，/>流速输入向量进行第二尺度的一维卷积编码。
8.根据权利要求7所述的筒子纱的染色控制系统，其特征在于，所述响应性估计模块，用于：以如下响应公式计算所述染色状态语义关联特征向量相对于所述流速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：
=/>
其中表示所述染色状态语义关联特征向量，/>表示所述流速特征向量，/>表示所述分类特征矩阵，/>表示矩阵相乘。
9.一种筒子纱的染色控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的染液流速值以及所述预定时间段的筒子纱染色状态视频；
从所述筒子纱染色状态视频提取多个染色状态关键帧；
将所述多个染色状态关键帧分别通过作为过滤器的卷积神经网络模型以得到多个染色状态特征向量；
将所述多个染色状态特征向量通过基于转换器的上下文编码器以得到染色状态语义关联特征向量；
将所述多个预定时间点的染液流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速特征向量；
计算所述染色状态语义关联特征向量相对于所述流速特征向量的响应性估计以得到分类特征矩阵；
对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵；
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；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染液流速应增大、保持不变或减小;
其中，对所述染色状态语义关联特征向量和所述流速特征向量进行按位置联合相关以得到关联特征矩阵，包括：
将所述染色状态语义关联特征向量和所述流速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。
CN202310620246.8A 2023-05-29 2023-05-29 筒子纱的染色控制系统及其方法 Active CN116643497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310620246.8A CN116643497B (zh) 2023-05-29 2023-05-29 筒子纱的染色控制系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310620246.8A CN116643497B (zh) 2023-05-29 2023-05-29 筒子纱的染色控制系统及其方法

Publications (2)

Publication Number Publication Date
CN116643497A CN116643497A (zh) 2023-08-25
CN116643497B true CN116643497B (zh) 2024-05-10

Family

ID=87614986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310620246.8A Active CN116643497B (zh) 2023-05-29 2023-05-29 筒子纱的染色控制系统及其方法

Country Status (1)

Country Link
CN (1) CN116643497B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003342869A (ja) * 2002-05-30 2003-12-03 Teijin Ltd 合成繊維の染斑管理方法
CN105780348A (zh) * 2016-04-13 2016-07-20 吴江澳明纺织品有限公司 一种纺织企业用的散纤维染色装置
US9970154B1 (en) * 2016-11-17 2018-05-15 Institute For Information Industry Apparatus, method, and non-transitory computer readable medium thereof for deciding a target control data set of a fabric dyeing process
US10054552B1 (en) * 2017-09-27 2018-08-21 United Technologies Corporation System and method for automated fluorescent penetrant inspection
CN209098887U (zh) * 2018-10-26 2019-07-12 浙江荣鑫纤维有限公司 一种纺织用柔软性好的高强度特种纱线
DE102018104616A1 (de) * 2018-02-28 2019-08-29 Carl Zeiss Microscopy Gmbh Verfahren zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten, Computerprogrammprodukt, computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist, und System zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten
CN110262582A (zh) * 2019-07-30 2019-09-20 中原工学院 一种基于改进rbf神经网络的高温高压卷染机温度控制方法
JP2021046654A (ja) * 2019-09-12 2021-03-25 セーレン株式会社 昇温条件算出装置、染色システム、昇温条件算出方法及びプログラム
CN112553817A (zh) * 2020-12-11 2021-03-26 河南省纺织产品质量监督检验院 基于人工智能的纺织染色工艺实时控制与调节方法及系统
CN113536687A (zh) * 2021-07-26 2021-10-22 上海大学 基于pso-lssvm的单色棉织物颜色和染料浓度预测模型构建方法
CN113570678A (zh) * 2021-01-20 2021-10-29 腾讯科技（深圳）有限公司 基于人工智能的图像上色方法、装置、电子设备
CN114648593A (zh) * 2022-05-19 2022-06-21 南通捷茜纺织科技有限公司 一种纺织生产用自添液型布料浸染设备智能控制系统
CN115618709A (zh) * 2022-09-02 2023-01-17 浙江理工大学 周期性摩擦磨损下纺织品表面质量数字孪生模型建立方法
CN115797838A (zh) * 2022-12-06 2023-03-14 黑牡丹纺织有限公司 一种泡沫染色的多设备联合控制方法及系统
WO2023061162A1 (en) * 2021-10-12 2023-04-20 The Hong Kong University Of Science And Technology Systems and methods for label-free multi-histochemical virtual staining

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572979B2 (en) * 2017-04-06 2020-02-25 Pixar Denoising Monte Carlo renderings using machine learning with importance sampling
WO2021133847A1 (en) * 2019-12-23 2021-07-01 The Regents Of The University Of California Method and system for digital staining of microscopy images using deep learning

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003342869A (ja) * 2002-05-30 2003-12-03 Teijin Ltd 合成繊維の染斑管理方法
CN105780348A (zh) * 2016-04-13 2016-07-20 吴江澳明纺织品有限公司 一种纺织企业用的散纤维染色装置
US9970154B1 (en) * 2016-11-17 2018-05-15 Institute For Information Industry Apparatus, method, and non-transitory computer readable medium thereof for deciding a target control data set of a fabric dyeing process
US10054552B1 (en) * 2017-09-27 2018-08-21 United Technologies Corporation System and method for automated fluorescent penetrant inspection
DE102018104616A1 (de) * 2018-02-28 2019-08-29 Carl Zeiss Microscopy Gmbh Verfahren zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten, Computerprogrammprodukt, computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist, und System zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten
CN209098887U (zh) * 2018-10-26 2019-07-12 浙江荣鑫纤维有限公司 一种纺织用柔软性好的高强度特种纱线
CN110262582A (zh) * 2019-07-30 2019-09-20 中原工学院 一种基于改进rbf神经网络的高温高压卷染机温度控制方法
JP2021046654A (ja) * 2019-09-12 2021-03-25 セーレン株式会社 昇温条件算出装置、染色システム、昇温条件算出方法及びプログラム
CN112553817A (zh) * 2020-12-11 2021-03-26 河南省纺织产品质量监督检验院 基于人工智能的纺织染色工艺实时控制与调节方法及系统
CN113570678A (zh) * 2021-01-20 2021-10-29 腾讯科技（深圳）有限公司 基于人工智能的图像上色方法、装置、电子设备
CN113536687A (zh) * 2021-07-26 2021-10-22 上海大学 基于pso-lssvm的单色棉织物颜色和染料浓度预测模型构建方法
WO2023061162A1 (en) * 2021-10-12 2023-04-20 The Hong Kong University Of Science And Technology Systems and methods for label-free multi-histochemical virtual staining
CN114648593A (zh) * 2022-05-19 2022-06-21 南通捷茜纺织科技有限公司 一种纺织生产用自添液型布料浸染设备智能控制系统
CN115618709A (zh) * 2022-09-02 2023-01-17 浙江理工大学 周期性摩擦磨损下纺织品表面质量数字孪生模型建立方法
CN115797838A (zh) * 2022-12-06 2023-03-14 黑牡丹纺织有限公司 一种泡沫染色的多设备联合控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multiscale, multi-perspective imaging assisted robotic microinjection of 3D biological structures;Amey S Joshi等;2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC);20211209;全文 *
基于模糊PID的染色机温控系统设计;邵虹帏;朱凌云;;石油化工自动化;20171220(第06期);全文 *

Also Published As

Publication number Publication date
CN116643497A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN107767408B (zh) 图像处理方法、处理装置和处理设备
KR20200145827A (ko) 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체
CN112381264A (zh) 一种基于改进图卷积神经网络的用电负荷辨识方法
CN115661090A (zh) 纺织面料的智能化加工工艺及其系统
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
CN110689092B (zh) 一种基于数据导向的鞋底花纹图像深度聚类方法
CN117676099B (zh) 基于物联网的安全预警方法及系统
CN116643497B (zh) 筒子纱的染色控制系统及其方法
CN116594303A (zh) 染布机的控制方法及其系统
CN117635219A (zh) 金属矿山生产大数据智能分析系统及方法
CN117193122A (zh) 用于基布生产的控制系统及其方法
CN115511867A (zh) 高耐磨纺织面料织造方法及其系统
CN117011609A (zh) 纺织品加工进度自动跟踪系统及其方法
CN116890405A (zh) 塑料颗粒生产用控制系统及其方法
CN114842178A (zh) 一种基于电子产品的在线可视化交互系统及方法
CN110210518B (zh) 提取降维特征的方法和装置
CN112733955A (zh) 用于清理操作的智能状态控制的神经网络的训练方法
Mukherjee et al. CNN-based real-time parameter tuning for optimizing denoising filter performance
CN117067042B (zh) 一种研磨机及其控制方法
CN116922725A (zh) 注塑模具控制系统及其方法
CN117132921A (zh) 通心粉生产线及方法
CN117708521A (zh) 一种基于流程工业数字孪生平台多模态数据的软测量方法
CN117636908B (zh) 数字化矿山生产管控系统
CN116996008B (zh) 光伏发电系统的安装方法及其系统
Xu et al. Model Quality Evaluation based on Improved MTF Data Image and Classification

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
TA01 Transfer of patent application right

Effective date of registration: 20240422

Address after: 515000 Gu Cuo Long Ling Industrial Zone, Liangying Town, Chaonan District, Shantou City, Guangdong Province

Applicant after: SHANTOU DINGTAIFENG INDUSTRIAL CO.,LTD.

Country or region after: China

Address before: 314400 No.17 Shuangxue Road, Haining Economic Development Zone, Jiaxing City, Zhejiang Province

Applicant before: Zhejiang Rongxin Fiber Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant