CN117037028A - 假发的智能化制备方法及其系统 - Google Patents
假发的智能化制备方法及其系统 Download PDFInfo
- Publication number
- CN117037028A CN117037028A CN202310950137.2A CN202310950137A CN117037028A CN 117037028 A CN117037028 A CN 117037028A CN 202310950137 A CN202310950137 A CN 202310950137A CN 117037028 A CN117037028 A CN 117037028A
- Authority
- CN
- China
- Prior art keywords
- feature
- wig
- cooling state
- matrix
- vectors
- 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
Links
- 238000002360 preparation method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 346
- 238000001816 cooling Methods 0.000 claims abstract description 262
- 239000000835 fiber Substances 0.000 claims abstract description 216
- 239000011159 matrix material Substances 0.000 claims abstract description 185
- 239000007921 spray Substances 0.000 claims abstract description 132
- 238000012546 transfer Methods 0.000 claims abstract description 89
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 230000003247 decreasing effect Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000005507 spraying Methods 0.000 claims description 39
- 230000007704 transition Effects 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000004043 responsiveness Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 14
- 238000000034 method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000012209 synthetic fiber Substances 0.000 description 3
- 229920002994 synthetic fiber Polymers 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- -1 then Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 238000009998 heat setting Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
公开了一种假发的智能化制备方法及其系统。其首先从假发纤维冷却状态监控视频提取关键帧再通过ViT模型以得到多个假发纤维冷却状态特征向量,接着,计算所述多个假发纤维冷却状态特征向量中每相邻两个特征向量之间的转移矩阵并计算全局均值以得到冷却状态转移特征向量,然后,将多个预定时间点的喷雾温度值排列后通过喷雾温度时序特征提取器以得到喷速温度时序特征向量,接着,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,最后,对所述分类特征矩阵进行特征分布优化后通过分类器以得到用于表示当前时间点的喷雾温度值应增大或应减小的分类结果。这样,可以提高假发纤维的质量和寿命。
Description
技术领域
本申请涉及智能化制备领域,且更为具体地,涉及一种假发的智能化制备方法及其系统。
背景技术
假发是一种用于美容或遮盖头发缺失的人造头发,通常由合成纤维或真人发制成。其中,合成纤维假发具有价格低廉、色彩丰富、易于打理等优点。
通常,制备合成纤维假发需要经过熔融挤出、冷却、上油、拉伸、热定型等制备流程。其中,冷却工艺是影响假发纤维质量的重要因素之一,冷却过程中需要控制好冷却喷雾装置的喷雾温度,以保证纤维的光泽、弹性和柔软度。如果喷雾温度过高或过低,都会导致纤维粘连或断裂,影响假发的外观和使用寿命。然而,目前的人工控制存在主观性强、误判率高等问题。
因此,期待一种解决方案。
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假发的智能化制备方法及其系统。其首先从假发纤维冷却状态监控视频提取关键帧再通过ViT模型以得到多个假发纤维冷却状态特征向量,接着,计算所述多个假发纤维冷却状态特征向量中每相邻两个特征向量之间的转移矩阵并计算全局均值以得到冷却状态转移特征向量,然后,将多个预定时间点的喷雾温度值排列后通过喷雾温度时序特征提取器以得到喷速温度时序特征向量,接着,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,最后,对所述分类特征矩阵进行特征分布优化后通过分类器以得到用于表示当前时间点的喷雾温度值应增大或应减小的分类结果。这样,可以提高假发纤维的质量和寿命。
根据本申请的一个方面,提供了一种假发的智能化制备方法,其包括:
获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;
从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;
将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;
计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;
分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;
将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;
计算所述冷却状态转移特征向量相对于所述喷速温度时序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进行特征分布优化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喷雾温度值应增大或应减小。
在上述的假发的智能化制备方法中,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量,包括:
分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;
使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及
将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
在上述的假发的智能化制备方法中,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量,包括:
将所述假发纤维冷却状态图像块嵌入向量的序列进行一维排列以得到全局假发特征向量;
计算所述全局假发特征向量与所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量进行加权以得到所述多个假发纤维冷却状态特征向量。
在上述的假发的智能化制备方法中,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵,包括:
以如下转移公式计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到所述多个转移矩阵;
其中,所述转移公式为:
其中,Va、Vb分别表示所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量,M表示所述转移矩阵,表示向量相乘。
在上述的假发的智能化制备方法中,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量,包括:
使用所述基于一维卷积神经网络模型的喷雾温度时序特征提取器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向量;
对所述卷积特征向量进行池化处理以得到池化特征向量;以及
对所述池化特征向量进行非线性激活以得到激活特征向量;
其中,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的最后一层的输出为所述喷速温度时序特征向量,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的第一层的输入为所述输入向量。
在上述的假发的智能化制备方法中,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,包括:
使用高斯密度图以如下高斯密度融合公式来融合所述冷却状态转移特征向量相对于所述喷速温度时序特征向量以得到融合高斯密度图;
其中,所述高斯密度融合公式为:
其中,μ表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量之间的按位置均值向量,且σ的每个位置的值表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量中各个位置的特征值之间的方差;以及
对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在上述的假发的智能化制备方法中,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵,包括:
以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;
其中,所述优化公式为:
其中,Mc表示所述分类特征矩阵,(·)T表示矩阵的转置矩阵,M'c表示所述优化分类特征矩阵,V1~Vn表示所述分类特征矩阵的各个行特征向量,且DV是所述分类特征矩阵的各个行特征向量之间的距离组成的距离矩阵,d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧氏距离,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,⊙表示按位置点乘,表示按位置相加。
在上述的假发的智能化制备方法中,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喷雾温度值应增大或应减小,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优化分类特征向量;
使用所述分类器的多个全连接层对所述优化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通过所述分类器的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,提供了一种假发的智能化制备系统,其包括:
数据获取模块,用于获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;
关键帧提取模块,用于从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;
ViT编码模块,用于将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;
转移矩阵计算模块,用于计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;
均值计算模块,用于分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;
喷雾温度时序特征提取模块,用于将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;
响应性估计模块,用于计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵;
特征分布优化模块,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及
分类模块,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喷雾温度值应增大或应减小。
在上述的假发的智能化制备系统中,所述ViT编码模块,用于:
分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;
使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及
将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
与现有技术相比,本申请提供的假发的智能化制备方法及其系统,其首先从假发纤维冷却状态监控视频提取关键帧再通过ViT模型以得到多个假发纤维冷却状态特征向量,接着,计算所述多个假发纤维冷却状态特征向量中每相邻两个特征向量之间的转移矩阵并计算全局均值以得到冷却状态转移特征向量,然后,将多个预定时间点的喷雾温度值排列后通过喷雾温度时序特征提取器以得到喷速温度时序特征向量,接着,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,最后,对所述分类特征矩阵进行特征分布优化后通过分类器以得到用于表示当前时间点的喷雾温度值应增大或应减小的分类结果。这样,可以提高假发纤维的质量和寿命。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的假发的智能化制备方法的应用场景图。
图2为根据本申请实施例的假发的智能化制备方法的流程图。
图3为根据本申请实施例的假发的智能化制备方法的架构示意图。
图4为根据本申请实施例的假发的智能化制备方法中子步骤S130的流程图。
图5为根据本申请实施例的假发的智能化制备方法中子步骤S133的流程图。
图6为根据本申请实施例的假发的智能化制备方法中子步骤S190的流程图。
图7为根据本申请实施例的假发的智能化制备系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
针对上述技术问题,本申请的技术构思为结合深度学习和人工智能技术,并基于假发纤维的冷却状态来自适应地调整喷雾温度以防止纤维粘连和断裂。
具体地,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喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频。这里,多个预定时间点的喷雾温度值可以反映喷雾温度在时间维度上的变化;而假发纤维冷却状态监控视频可以反映假发纤维的实时冷却状态。这些数据可以作为后续喷雾温度智能化控制的判断依据。
考虑到假发纤维冷却状态监控视频中包含大量的冗余信息,例如存在许多重复帧和相似帧等。因此,在本申请的技术方案中,从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧。这样,可以减少后续网络模型的计算量的同时保留假发纤维冷却状态监控视频中重要的信息。
接着,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量。其中,ViT模型是一种基于Transformer的视觉模型,可以直接将图像分割成多个图像块(patch),然后通过自注意力机制提取图像的全局特征。ViT模型相比于传统的卷积神经网络(CNN)模型,ViT模型可以利用Transformer的强大的表示能力,捕捉图像中的复杂和抽象的全局特征,提高模型的泛化能力和迁移能力。
然后,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵。这里,转移矩阵通常用于描述系统的状态变化。具体而言,假发纤维的冷却状态是一个动态变化的过程,不同时间点的冷却状态可能不同,因此,在本申请的技术方案中,采用转移矩阵来表征这种变化。也就是,通过计算每相邻两个假发纤维冷却状态特征向量之间的转移矩阵,可以得到多个转移矩阵,这些转移矩阵可以反映出假发纤维在不同时间点的冷却状态变化规律。
与此同时,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量。其中,一维卷积神经网络模型(1D-CNN)是一种常用于序列数据和自然语言处理领域的深度学习模型,它可以有效地提取序列数据中的局部特征,同时具有较低的计算复杂度和参数数量。具体来说,喷雾温度值随着时间变化而变化,将多个预定时间点的喷雾温度值按照时间维度排列为输入向量可以将数据进行结构化处理的同时保留这种时序信息,反映了假发纤维冷却过程中的温度变化情况。随后,使用基于一维卷积神经网络模型的喷雾温度时序特征提取器可以有效地从喷雾温度值序列中提取出有用的时序特征,例如温度波动、趋势、周期等。
由于喷雾温度值和假发纤维的冷却状态存在关联,并且在本申请的技术方案中,期待调整喷雾温度以自动化的适应实时的假发纤维的冷却状态。因此,捕获两者之间的关系对于实现自适应控制具有重要意义。具体地,首先,分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量。通过这样的方式,使得冷却状态转移特征向量和喷速温度时序特征向量进行维度对齐与统一。随后,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵。其中,响应性估计可以用于度量两个特征向量之间的相关性,也就是,可以用于判断假发纤维的冷却状态与喷雾温度的变化是否有一致的趋势。通过计算冷却状态转移特征向量相对于喷速温度时序特征向量的响应性估计,可以得到一个分类特征矩阵,该矩阵可以反映出不同时间点的假发纤维冷却状态与喷雾温度之间的相关程度,从而为后续的分类器提供有效的输入信息。
进一步地,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喷雾温度值应增大或应减小。具体地,所述分类器经过训练后,可以将分类特征矩阵与预先设定的标签信息(也就是,当前时间点的喷雾温度值应增大,以及,当前时间点的喷雾温度值应减小)进行匹配,从而实现对喷雾温度值的自动化控制。
在本申请的技术方案中,在使用高斯密度图计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计得到所述分类特征矩阵时,是将所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性向量的各个特征值基于所述冷却状态转移特征向量的自方差矩阵相对于所述喷速温度时序特征向量的自方差矩阵的响应性方差矩阵的行向量的方差分布进行概率密度采样展开来得到所述分类特征矩阵。因此,所述分类特征矩阵是行数与列数相同的正方矩阵,且其每个行向量与所述响应性向量的相应特征值及其响应性方差矩阵的行向量的方差分布相对应,由此所述分类特征矩阵可以看作为各个行特征向量拼接得到的特征矩阵。这样,在将所述分类特征矩阵作为整体通过分类器进行分类回归时,期望通过提高所述分类特征矩阵的特征分布的整体性来提升分类效果。
基于此,本申请的申请人对所述分类特征矩阵,例如记为Mc进行向量谱聚类代理学习融合优化,表示为:
其中,V1~Vn表示所述分类特征矩阵Mc的各个行特征向量,且DV是相应向量之间的距离组成的距离矩阵。
这里,在所述分类特征矩阵Mc的各个行特征向量拼接后通过分类器进行分类回归时,由于各个行特征向量的内部类回归语义特征会与合成噪声特征发生混淆,从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性,因此,所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习,来利用类回归语义特征和类回归场景之间的关联的概念化信息,对各个行特征向量间的潜在关联属性进行隐性监督传播,从而提高合成特征的整体分布依赖性,由此提升所述分类特征矩阵通过分类器进行分类回归的分类效果。
本申请的技术效果有如下几点:
1、提供了一种假发的智能化制备方案,更具体地,是一种喷雾温度的智能化控制方案。
2、该方案能够根据假发纤维的实时冷却状态,自适应地调整喷雾温度,避免喷雾温度过高或过低导致的假发纤维粘连和断裂,从而保证假发纤维的光泽、弹性和柔软度,提高假发纤维的质量和寿命。
图1为根据本申请实施例的假发的智能化制备方法的应用场景图。如图1所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的喷雾温度值(例如,图1中所示意的D1)和所述预定时间段的假发纤维冷却状态监控视频(例如,图1中所示意的D2),然后,将所述假发纤维冷却状态监控视频和所述多个预定时间点的喷雾温度值输入至部署有假发的智能化制备算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述假发的智能化制备算法对所述假发纤维冷却状态监控视频和所述多个预定时间点的喷雾温度值进行处理以得到用于表示当前时间点的喷雾温度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。
图2为根据本申请实施例的假发的智能化制备方法的流程图。如图2所示,根据本申请实施例的假发的智能化制备方法,包括:S110,获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;S120,从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;S130,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;S140,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;S150,分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;S160,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;S170,计算所述冷却状态转移特征向量相对于所述喷速温度时序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进行特征分布优化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喷雾温度值应增大或应减小。
图3为根据本申请实施例的假发的智能化制备方法的架构示意图。如图3所示,在该网络架构中,首先,获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;接着,从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;然后,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;接着,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;然后,分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;接着,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;然后,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵;接着,对所述分类特征矩阵进行特征分布优化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喷雾温度值应增大或应减小。
更具体地,在步骤S110中,获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频。多个预定时间点的喷雾温度值可以反映喷雾温度在时间维度上的变化;而假发纤维冷却状态监控视频可以反映假发纤维的实时冷却状态。这些数据可以作为后续喷雾温度智能化控制的判断依据。
更具体地,在步骤S120中,从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧。假发纤维冷却状态监控视频中包含大量的冗余信息,例如存在许多重复帧和相似帧等。因此,在本申请的技术方案中,从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧。这样,可以减少后续网络模型的计算量的同时保留假发纤维冷却状态监控视频中重要的信息。
更具体地,在步骤S130中,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量。ViT模型是一种基于Transformer的视觉模型,可以直接将图像分割成多个图像块(patch),然后通过自注意力机制提取图像的全局特征。ViT模型相比于传统的卷积神经网络(CNN)模型,ViT模型可以利用Transformer的强大的表示能力,捕捉图像中的复杂和抽象的全局特征,提高模型的泛化能力和迁移能力。
相应地,在一个具体示例中,如图4所示,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量,包括:S131,分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;S132,使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及,S133,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
相应地,在一个具体示例中,如图5所示,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量,包括:S1331,将所述假发纤维冷却状态图像块嵌入向量的序列进行一维排列以得到全局假发特征向量;S1332,计算所述全局假发特征向量与所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;S1333,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;S1334,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,S1335,分别以所述多个概率值中各个概率值作为权重对所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量进行加权以得到所述多个假发纤维冷却状态特征向量。
更具体地,在步骤S140中,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵。转移矩阵通常用于描述系统的状态变化。具体而言,假发纤维的冷却状态是一个动态变化的过程,不同时间点的冷却状态可能不同,因此,在本申请的技术方案中,采用转移矩阵来表征这种变化。也就是,通过计算每相邻两个假发纤维冷却状态特征向量之间的转移矩阵,可以得到多个转移矩阵,这些转移矩阵可以反映出假发纤维在不同时间点的冷却状态变化规律。
相应地,在一个具体示例中,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵,包括:以如下转移公式计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到所述多个转移矩阵;其中,所述转移公式为:
其中,Va、Vb分别表示所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量,M表示所述转移矩阵,表示向量相乘。
更具体地,在步骤S150中,分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量。使得冷却状态转移特征向量和喷速温度时序特征向量进行维度对齐与统一。
更具体地,在步骤S160中,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量。一维卷积神经网络模型(1D-CNN)是一种常用于序列数据和自然语言处理领域的深度学习模型,它可以有效地提取序列数据中的局部特征,同时具有较低的计算复杂度和参数数量。具体来说,喷雾温度值随着时间变化而变化,将多个预定时间点的喷雾温度值按照时间维度排列为输入向量可以将数据进行结构化处理的同时保留这种时序信息,反映了假发纤维冷却过程中的温度变化情况。随后,使用基于一维卷积神经网络模型的喷雾温度时序特征提取器可以有效地从喷雾温度值序列中提取出有用的时序特征,例如温度波动、趋势、周期等。
相应地,在一个具体示例中,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量,包括:使用所述基于一维卷积神经网络模型的喷雾温度时序特征提取器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向量;对所述卷积特征向量进行池化处理以得到池化特征向量;以及,对所述池化特征向量进行非线性激活以得到激活特征向量;其中,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的最后一层的输出为所述喷速温度时序特征向量,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的第一层的输入为所述输入向量。
更具体地,在步骤S170中,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵。响应性估计可以用于度量两个特征向量之间的相关性,也就是,可以用于判断假发纤维的冷却状态与喷雾温度的变化是否有一致的趋势。通过计算冷却状态转移特征向量相对于喷速温度时序特征向量的响应性估计,可以得到一个分类特征矩阵,该矩阵可以反映出不同时间点的假发纤维冷却状态与喷雾温度之间的相关程度,从而为后续的分类器提供有效的输入信息。
相应地,在一个具体示例中,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,包括:使用高斯密度图以如下高斯密度融合公式来融合所述冷却状态转移特征向量相对于所述喷速温度时序特征向量以得到融合高斯密度图;其中,所述高斯密度融合公式为:
其中,μ表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量之间的按位置均值向量,且σ的每个位置的值表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量中各个位置的特征值之间的方差;以及,对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
更具体地,在步骤S180中,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。在本申请的技术方案中,在使用高斯密度图计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计得到所述分类特征矩阵时,是将所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性向量的各个特征值基于所述冷却状态转移特征向量的自方差矩阵相对于所述喷速温度时序特征向量的自方差矩阵的响应性方差矩阵的行向量的方差分布进行概率密度采样展开来得到所述分类特征矩阵。因此,所述分类特征矩阵是行数与列数相同的正方矩阵,且其每个行向量与所述响应性向量的相应特征值及其响应性方差矩阵的行向量的方差分布相对应,由此所述分类特征矩阵可以看作为各个行特征向量拼接得到的特征矩阵。这样,在将所述分类特征矩阵作为整体通过分类器进行分类回归时,期望通过提高所述分类特征矩阵的特征分布的整体性来提升分类效果。基于此,本申请的申请人对所述分类特征矩阵进行向量谱聚类代理学习融合优化。
相应地,在一个具体示例中,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;其中,所述优化公式为:
其中,Mc表示所述分类特征矩阵,(·)T表示矩阵的转置矩阵,M'c表示所述优化分类特征矩阵,V1~Vn表示所述分类特征矩阵的各个行特征向量,且DV是所述分类特征矩阵的各个行特征向量之间的距离组成的距离矩阵,d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧氏距离,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,⊙表示按位置点乘,表示按位置相加。
这里,在所述分类特征矩阵的各个行特征向量拼接后通过分类器进行分类回归时,由于各个行特征向量的内部类回归语义特征会与合成噪声特征发生混淆,从而导致有意义的类回归语义特征与噪声特征之间分界的模糊性,因此,所述向量谱聚类代理学习融合优化通过引入用于表示特征向量间的空间布局和语义相似性的谱聚类代理学习,来利用类回归语义特征和类回归场景之间的关联的概念化信息,对各个行特征向量间的潜在关联属性进行隐性监督传播,从而提高合成特征的整体分布依赖性,由此提升所述分类特征矩阵通过分类器进行分类回归的分类效果。
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喷雾温度值应增大或应减小。所述分类器经过训练后,可以将分类特征矩阵与预先设定的标签信息进行匹配,从而实现对喷雾温度值的自动化控制。
也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的喷雾温度值应增大(第一标签),以及,当前时间点的喷雾温度值应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述优化分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的喷雾温度值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,当前时间点的喷雾温度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的喷雾温度值应增大或应减小”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图6所示,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喷雾温度值应增大或应减小,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优化分类特征向量;S192,使用所述分类器的多个全连接层对所述优化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,S193,将所述编码分类特征向量通过所述分类器的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假发的智能化制备方法,其首先从假发纤维冷却状态监控视频提取关键帧再通过ViT模型以得到多个假发纤维冷却状态特征向量,接着,计算所述多个假发纤维冷却状态特征向量中每相邻两个特征向量之间的转移矩阵并计算全局均值以得到冷却状态转移特征向量,然后,将多个预定时间点的喷雾温度值排列后通过喷雾温度时序特征提取器以得到喷速温度时序特征向量,接着,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,最后,对所述分类特征矩阵进行特征分布优化后通过分类器以得到用于表示当前时间点的喷雾温度值应增大或应减小的分类结果。这样,可以提高假发纤维的质量和寿命。
图7为根据本申请实施例的假发的智能化制备系统100的框图。如图7所示,根据本申请实施例的假发的智能化制备系统100,包括:数据获取模块110,用于获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;关键帧提取模块120,用于从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;ViT编码模块130,用于将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;转移矩阵计算模块140,用于计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;均值计算模块150,用于分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;喷雾温度时序特征提取模块160,用于将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;响应性估计模块170,用于计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵;特征分布优化模块180,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及,分类模块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喷雾温度值应增大或应减小。
在一个示例中,在上述假发的智能化制备系统100中,所述ViT编码模块130,用于:分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
在一个示例中,在上述假发的智能化制备系统100中,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量,包括:将所述假发纤维冷却状态图像块嵌入向量的序列进行一维排列以得到全局假发特征向量;计算所述全局假发特征向量与所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量进行加权以得到所述多个假发纤维冷却状态特征向量。
在一个示例中,在上述假发的智能化制备系统100中,所述转移矩阵计算模块140,用于:以如下转移公式计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到所述多个转移矩阵;其中,所述转移公式为:
其中,Va、Vb分别表示所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量,M表示所述转移矩阵,表示向量相乘。
在一个示例中,在上述假发的智能化制备系统100中,所述喷雾温度时序特征提取模块160,用于:使用所述基于一维卷积神经网络模型的喷雾温度时序特征提取器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向量;对所述卷积特征向量进行池化处理以得到池化特征向量;以及,对所述池化特征向量进行非线性激活以得到激活特征向量;其中,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的最后一层的输出为所述喷速温度时序特征向量,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的第一层的输入为所述输入向量。
在一个示例中,在上述假发的智能化制备系统100中,所述响应性估计模块170,用于:使用高斯密度图以如下高斯密度融合公式来融合所述冷却状态转移特征向量相对于所述喷速温度时序特征向量以得到融合高斯密度图;其中,所述高斯密度融合公式为:
其中,μ表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量之间的按位置均值向量,且σ的每个位置的值表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量中各个位置的特征值之间的方差;以及,对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在一个示例中,在上述假发的智能化制备系统100中,所述特征分布优化模块180,用于:以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;其中,所述优化公式为:
其中,Mc表示所述分类特征矩阵,(·)T表示矩阵的转置矩阵,M'c表示所述优化分类特征矩阵,V1~Vn表示所述分类特征矩阵的各个行特征向量,且DV是所述分类特征矩阵的各个行特征向量之间的距离组成的距离矩阵,d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧氏距离,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,⊙表示按位置点乘,表示按位置相加。
在一个示例中,在上述假发的智能化制备系统100中,所述分类模块190,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优化分类特征向量;使用所述分类器的多个全连接层对所述优化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通过所述分类器的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,上述假发的智能化制备系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的假发的智能化制备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假发的智能化制备系统100可以实现在各种无线终端中,例如具有假发的智能化制备算法的服务器等。在一个示例中,根据本申请实施例的假发的智能化制备系统100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,该假发的智能化制备系统100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,该假发的智能化制备系统100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,该假发的智能化制备系统100与该无线终端也可以是分立的设备,并且该假发的智能化制备系统100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。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种假发的智能化制备方法,其特征在于,包括:
获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;
从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;
将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;
计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;
分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;
将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;
计算所述冷却状态转移特征向量相对于所述喷速温度时序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进行特征分布优化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喷雾温度值应增大或应减小。
2.根据权利要求1所述的假发的智能化制备方法,其特征在于,将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量,包括:
分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;
使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及
将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
3.根据权利要求2所述的假发的智能化制备方法,其特征在于,将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量,包括:
将所述假发纤维冷却状态图像块嵌入向量的序列进行一维排列以得到全局假发特征向量;
计算所述全局假发特征向量与所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及
分别以所述多个概率值中各个概率值作为权重对所述假发纤维冷却状态图像块嵌入向量的序列中各个假发纤维冷却状态图像块嵌入向量进行加权以得到所述多个假发纤维冷却状态特征向量。
4.根据权利要求3所述的假发的智能化制备方法,其特征在于,计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵,包括:
以如下转移公式计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到所述多个转移矩阵;
其中,所述转移公式为:
其中,Va、Vb分别表示所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量,M表示所述转移矩阵,表示向量相乘。
5.根据权利要求4所述的假发的智能化制备方法,其特征在于,将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量,包括:
使用所述基于一维卷积神经网络模型的喷雾温度时序特征提取器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向量;
对所述卷积特征向量进行池化处理以得到池化特征向量;以及
对所述池化特征向量进行非线性激活以得到激活特征向量;
其中,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的最后一层的输出为所述喷速温度时序特征向量,所述基于一维卷积神经网络模型的喷雾温度时序特征提取器的第一层的输入为所述输入向量。
6.根据权利要求5所述的假发的智能化制备方法,其特征在于,计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵,包括:
使用高斯密度图以如下高斯密度融合公式来融合所述冷却状态转移特征向量相对于所述喷速温度时序特征向量以得到融合高斯密度图;
其中,所述高斯密度融合公式为:
其中,μ表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量之间的按位置均值向量,且σ的每个位置的值表示所述冷却状态转移特征向量相对于所述喷速温度时序特征向量中各个位置的特征值之间的方差;以及
对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
7.根据权利要求6所述的假发的智能化制备方法,其特征在于,对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵,包括:
以如下优化公式对所述分类特征矩阵进行特征分布优化以得到所述优化分类特征矩阵;
其中,所述优化公式为:
其中,Mc表示所述分类特征矩阵,(·)T表示矩阵的转置矩阵,M'c表示所述优化分类特征矩阵,V1~Vn表示所述分类特征矩阵的各个行特征向量,且DV是所述分类特征矩阵的各个行特征向量之间的距离组成的距离矩阵,d(Vi,Vj)表示所述分类特征矩阵的各个行特征向量之间的欧氏距离,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,⊙表示按位置点乘,表示按位置相加。
8.根据权利要求7所述的假发的智能化制备方法,其特征在于,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喷雾温度值应增大或应减小,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优化分类特征向量;
使用所述分类器的多个全连接层对所述优化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通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种假发的智能化制备系统,其特征在于,包括:
数据获取模块,用于获取预定时间段内多个预定时间点的喷雾温度值和所述预定时间段的假发纤维冷却状态监控视频;
关键帧提取模块,用于从所述假发纤维冷却状态监控视频提取所述多个预定时间点对应的图像帧以得到多个假发纤维冷却状态监控关键帧;
ViT编码模块,用于将所述多个假发纤维冷却状态监控关键帧分别通过ViT模型以得到多个假发纤维冷却状态特征向量;
转移矩阵计算模块,用于计算所述多个假发纤维冷却状态特征向量中每相邻两个假发纤维冷却状态特征向量之间的转移矩阵以得到多个转移矩阵;
均值计算模块,用于分别计算所述多个转移矩阵的全局均值以得到冷却状态转移特征向量;
喷雾温度时序特征提取模块,用于将所述多个预定时间点的喷雾温度值按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的喷雾温度时序特征提取器以得到喷速温度时序特征向量;
响应性估计模块,用于计算所述冷却状态转移特征向量相对于所述喷速温度时序特征向量的响应性估计以得到分类特征矩阵;
特征分布优化模块,用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵;以及
分类模块,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喷雾温度值应增大或应减小。
10.根据权利要求9所述的假发的智能化制备系统,其特征在于,所述ViT编码模块,用于:
分别对所述多个假发纤维冷却状态监控关键帧进行图像分块以得到假发纤维冷却状态图像块的序列;
使用所述ViT模型的图像块嵌入层分别对所述假发纤维冷却状态图像块的序列中各个假发纤维冷却状态图像块进行嵌入化以得到假发纤维冷却状态图像块嵌入向量的序列;以及
将所述假发纤维冷却状态图像块嵌入向量的序列通过所述ViT模型以得到所述多个假发纤维冷却状态特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310950137.2A CN117037028A (zh) | 2023-07-31 | 2023-07-31 | 假发的智能化制备方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310950137.2A CN117037028A (zh) | 2023-07-31 | 2023-07-31 | 假发的智能化制备方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117037028A true CN117037028A (zh) | 2023-11-10 |
Family
ID=88638317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310950137.2A Pending CN117037028A (zh) | 2023-07-31 | 2023-07-31 | 假发的智能化制备方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523498A (zh) * | 2023-12-19 | 2024-02-06 | 佛山市和利环保科技有限公司 | 危险废物的处理回收系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN115960144A (zh) * | 2023-01-03 | 2023-04-14 | 上海华茂药业有限公司 | 低聚异麦芽糖铁配合物的智能化生产系统及其方法 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN116187952A (zh) * | 2023-03-15 | 2023-05-30 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂生产过程中配料控制管理系统及其方法 |
CN116380729A (zh) * | 2023-04-08 | 2023-07-04 | 河南曙光汇知康生物科技股份有限公司 | 喷雾装置的喷雾效果智能检测方法及系统 |
-
2023
- 2023-07-31 CN CN202310950137.2A patent/CN117037028A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115960144A (zh) * | 2023-01-03 | 2023-04-14 | 上海华茂药业有限公司 | 低聚异麦芽糖铁配合物的智能化生产系统及其方法 |
CN116052050A (zh) * | 2023-02-03 | 2023-05-02 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂智能化生产系统及其方法 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN116187952A (zh) * | 2023-03-15 | 2023-05-30 | 深圳市橙洁士日用化工科技有限公司 | 洗涤剂生产过程中配料控制管理系统及其方法 |
CN116380729A (zh) * | 2023-04-08 | 2023-07-04 | 河南曙光汇知康生物科技股份有限公司 | 喷雾装置的喷雾效果智能检测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523498A (zh) * | 2023-12-19 | 2024-02-06 | 佛山市和利环保科技有限公司 | 危险废物的处理回收系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664924B (zh) | 一种基于卷积神经网络的多标签物体识别方法 | |
CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN110516536B (zh) | 一种基于时序类别激活图互补的弱监督视频行为检测方法 | |
CN110276248B (zh) | 一种基于样本权值分配和深度学习的人脸表情识别方法 | |
CN108021947B (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
KR20200022739A (ko) | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 | |
CN111652066A (zh) | 基于多自注意力机制深度学习的医疗行为识别方法 | |
CN111079646A (zh) | 基于深度学习的弱监督视频时序动作定位的方法及系统 | |
CN110135231A (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
CN110321870B (zh) | 一种基于lstm的掌静脉识别方法 | |
CN111126576B (zh) | 一种深度学习的训练方法 | |
US11823490B2 (en) | Non-linear latent to latent model for multi-attribute face editing | |
US20220129924A1 (en) | Electronic device and control method therefor | |
CN109063719A (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN110321805B (zh) | 一种基于时序关系推理的动态表情识别方法 | |
CN117037028A (zh) | 假发的智能化制备方法及其系统 | |
CN111985333B (zh) | 一种基于图结构信息交互增强的行为检测方法及电子装置 | |
CN111553419A (zh) | 一种图像识别方法、装置、设备以及可读存储介质 | |
CN113780249B (zh) | 表情识别模型的处理方法、装置、设备、介质和程序产品 | |
CN110765960B (zh) | 一种自适应多任务深度学习的行人再识别方法 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
WO2022116616A1 (zh) | 一种基于转换模块的行为识别方法 | |
CN116649191A (zh) | 基于plc的远程施肥灌溉控制系统及其方法 | |
CN116957315A (zh) | 雨衣布的智能化加工方法及其系统 | |
CN117136765A (zh) | 基于智能农业的大棚控制系统及方法 |
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 |