染布机的控制方法及其系统技术方案

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。动化控制。动化控制。

【技术实现步骤摘要】
染布机的控制方法及其系统


[0001]本申请涉及智能控制
，且更为具体地，涉及一种染布机的控制方法及其系统。

技术介绍

[0002]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。
[0003]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。
[0004]因此，期待一种染布机的控制方法及其系统。

技术实现思路

[0005]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。
[0006]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：
[0007]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；
[0008]从所述织物状态监控视频提取多个织物状态关键帧；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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：
[0019][0020]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。
[0021]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；
[0022]其中，所述响应公式为：
[0023][0024]其中V
a
表示所述织物状态变化特征向量，V
b
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。
[0025]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。
[0026]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。
[0027]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：
[0028]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；
[0029]关键帧提取模块，用于从本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：顾周磊，朱日光，吴小刚，
申请(专利权)人：浙江荣鑫纤维股份有限公司，
类型：发明
国别省市：