绿色节能智能化染整工艺及其系统技术方案

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

【技术实现步骤摘要】
绿色节能智能化染整工艺及其系统


[0001]本申请涉及智能化染整
，且更为具体地，涉及一种绿色节能智能化染整工艺及其系统。

技术介绍

[0002]染整指对纺织材料(纤维、纱线和织物)进行以化学处理为主的工艺过程，现代也通称为印染。染整同纺纱、机织或针织生产一起，形成纺织物生产的全过程。染整包括预处理、染色、印花和整理。染整质量的优劣对纺织品的使用价值有重要的影响。
[0003]染整的大多数工序是化学加工过程，纺织材料经化学加工后要反复水洗并加以烘干，热能和水的消耗量都很大，对水质的要求比较高。在化学处理过程中还会产生有害物污染空气和水。因此，确定工艺和设计设备时，必须设法降低热能的消耗、提高水的利用率、减少污染。
[0004]但是，由于在染整生产加工过程中，大量使用了对环境有影响和妨碍人体健康的染化料助剂，其生物降解性差，毒性大，游离甲醛含量高，重金属离子的含量超标；这些助剂，以气体、液体、固体的形态排放而污染环境，危害人类的健康。
[0005]因此，期待一种绿色染整方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种绿色节能智能化染整工艺及其系统。其通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及，对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。具体地，通过采用基于深度学习的人工智能控制技术，以提取出超声波信号的隐藏特征信息且提取出所述待染整纺织物退浆状态的动态变化特征，并以这两者的响应性估计来表示所述功率控制特征响应于所述纺织物退浆状态变化特征的关联性特征信息，并以此来进行当前时间点的超声波发生装置的功率自适应控制。通过这样的方式，能够保证退浆织物的退浆效果，进而在使用智能化生产控制技术来确保染整后织物的染整效果的同时，提高染整工艺的绿色化节能环保。
[0007]根据本申请的一个方面，提供了一种绿色节能智能化染整工艺，其包括：
[0008]通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及
[0009]对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。
[0010]在上述的绿色节能智能化染整工艺中，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：
[0011]获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；
[0012]从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；
[0013]将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；
[0014]将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；
[0015]将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；
[0016]将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；
[0017]计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；
[0018]对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及
[0019]将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波发生装置的功率值应增大或应减小。
[0020]在上述的绿色节能智能化染整工艺中，所述从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧，包括：
[0021]以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。
[0022]在上述的绿色节能智能化染整工艺中，所述将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵，包括：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
[0023]对输入数据进行卷积处理以生成第一卷积特征图；
[0024]对所述第一卷积特征图进行池化处理以生成第一池化特征图；
[0025]对所述第一池化特征图进行非线性激活以生成第一激活特征图；
[0026]计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；
[0027]计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及
[0028]计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；
[0029]其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。
[0030]在上述的绿色节能智能化染整工艺中，所述将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量，包括：
[0031]使用所述线性嵌入层的可学习嵌入矩阵分别对所述多个退浆监控特征矩阵中各个退浆监控特征矩阵进行线性嵌入编码以得到所述多个退浆监控特征向量。
[0032]在上述的绿色节能智能化染整工艺中，所述将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量，包括：所述作为特征过滤器
的第二卷积神经网络模型的各层在层的正向传递中分别进行：
[0033]对输入数据进行卷积处理以得到第二卷积特征图；
[0034]对所述第二卷积特征图进行基于局部特征矩阵的均值池化以得到第二池化特征图；以及
[0035]对所述第二池化特征图进行非线性激活以得到第二激活特征图；
[0036]其中，所述作为特征过滤器的第二卷积神经网络模型的最后一层的输出为所述超声波特征向量，所述作为特征过滤器的第二卷积神经网络模型的第一层的输入为所述超声波信号的波形图。
[0037]在上述的绿色节能智能化染整工艺中，所述计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵，包括：
[0038]以如下公式计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到所述分类特征矩阵；
[0039]其中，所述公式为：
[0040][0041]其中V1表示所述超声波特征向量，V2表示所述退浆上下文理解特征向量，M表示所述分类特征矩阵，表示矩阵相乘。
[0042]在上述的绿色节能智能化染整工艺中，所述对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵，包括：
[0043]以如下公式对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到所述优化分类特征矩阵；
[0044]其中，所述公式为：
[0045][0046]其中m
i,j
是所述分类特征矩阵的第(i,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绿色节能智能化染整工艺，其特征在于，包括：通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物；以及对所述退浆织物进行超临界二氧化碳染色以得到染整后织物。2.根据权利要求1所述的绿色节能智能化染整工艺，其特征在于，所述通过超声波发生装置对待染整纺织物进行基于超声波的退浆处理以得到退浆织物，包括：获取预定时间段的由所述超声波发生装置输出的超声波信号以及由摄像头采集的所述预定时间段的退浆监控视频；从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧；将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵；将所述多个退浆监控特征矩阵分别通过线性嵌入层转化为向量后以得到多个退浆监控特征向量；将所述多个退浆监控特征向量通过双向长短期记忆神经网络模型以得到退浆上下文理解特征向量；将所述超声波信号的波形图通过作为特征过滤器的第二卷积神经网络模型以得到超声波特征向量；计算所述超声波特征向量相对于所述退浆上下文理解特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵中各个位置的特征值进行特征值校正以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的超声波发生装置的功率值应增大或应减小。3.根据权利要求2所述的绿色节能智能化染整工艺，其特征在于，所述从所述预定时间段的退浆监控视频中提取多个退浆监控关键帧，包括：以预定采样频率对所述预定时间段的退浆监控视频进行关键帧采样以得到所述多个退浆监控关键帧。4.根据权利要求3所述的绿色节能智能化染整工艺，其特征在于，所述将所述多个退浆监控关键帧中各个退浆监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个退浆监控特征矩阵，包括：所述使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成第一卷积特征图；对所述第一卷积特征图进行池化处理以生成第一池化特征图；对所述第一池化特征图进行非线性激活以生成第一激活特征图；计算所述第一激活特征图的各个位置沿通道维度的均值以生成第一空间特征矩阵；计算所述第一空间特征矩阵中各个位置的类Softmax函数值以获得第一空间得分矩阵；以及计算所述第一空间特征矩阵和所述第一空间得分图的按位置点乘以获得第一特征矩阵；
其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述第一特征矩阵为所述多个退浆监控特征矩阵。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：张立军，陶新元，王海燕，孙旭阳，
申请(专利权)人：浙江宇鑫纺织印染有限公司，
类型：发明
国别省市：