【技术实现步骤摘要】
本专利技术涉及智能化制备，尤其涉及一种合成纤维假发的制备方法及其系统。
技术介绍
1、聚糖复合纳米纤维的电纺存在纯纺困难等问题，通过加入聚合物高分子聚乙烯醇以及工艺参数的调节等方法制得了壳聚糖/聚乙烯醇复合纳米纤维，显著提高了壳聚糖的纺丝性能，但聚乙烯醇溶解较为困难，影响了纤维的可纺性以及形貌。
2、对此，专利cn 114045576a提出了一种合成纤维假发的处理方法，其通过壳聚糖溶解、共混超声分散、凝固拉伸和沉积来得到合成纤维假发。其中，在共混超声分散的过程中，共混溶液的均匀程度直接影响了假发的质量和性能，因此，需要对超声波的工作状态进行有效的监控和控制。
3、目前，超声分散的控制主要依靠人工观察和经验判断，这种方法不仅效率低下，而且容易出现误判和能源浪费。因此，期待一种解决方案。
技术实现思路
1、本专利技术实施例提供一种合成纤维假发的制备方法及其系统，其获取由摄像头采集的预定时间段的共混溶液的超声分散监控视频；采用基于深度学习的人工智能技术，通过机器视觉监控共混溶液的分散状态，实现对超声波发生器的自动控制，提高工作效率和减少能源浪费。
2、本专利技术实施例还提供了一种合成纤维假发的制备方法，其包括：
3、获取由摄像头采集的预定时间段的共混溶液的超声分散监控视频；
4、从所述超声分散监控视频提取多个超声分散监控关键帧；
5、将所述多个超声分散监控关键帧分别通过使用空间注意力机制的卷积神经网络模型以得到多个共
6、将所述多个共混溶液分散状态特征矩阵通过基于第一三维卷积神经网络模型的第一时序特征提取器以得到共混溶液分散状态时序特征图；
7、计算所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩之间的转移矩阵以得到由多个转移矩阵组成的转移输入张量；
8、将所述转移输入张量通过基于第二三维卷积神经网络模型的第二时序特征提取器以得到共混溶液分散状态变化时序特征图；
9、融合所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图以得到分类特征图；
10、对所述分类特征图进行流形几何一致性优化以得到优化分类特征图；以及
11、将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止超声波发生装置的工作。
12、本专利技术实施例中，从所述超声分散监控视频提取多个超声分散监控关键帧，包括：以预定采样频率从所述超声分散监控视频提取所述多个超声分散监控关键帧。
13、本专利技术实施例中，将所述多个超声分散监控关键帧分别通过使用空间注意力机制的卷积神经网络模型以得到多个共混溶液分散状态特征矩阵，包括：所述使用空间注意力机制的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卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个共混溶液分散状态特征矩阵。
14、本专利技术实施例中，将所述多个共混溶液分散状态特征矩阵通过基于第一三维卷积神经网络模型的第一时序特征提取器以得到共混溶液分散状态时序特征图，包括：使用所述基于第一三维卷积神经网络模型的第一时序特征提取器的各层在层的正向传递中对所述多个共混溶液分散状态特征矩阵进行三维卷积处理、池化处理和非线性激活处理以由所述基于第一三维卷积神经网络模型的第一时序特征提取器最后一层的输出为所述共混溶液分散状态时序特征图，其中，所述基于第一三维卷积神经网络模型的第一时序特征提取器的第一层的输入为所述多个共混溶液分散状态特征矩阵。
15、本专利技术实施例中，计算所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移输入张量，包括：以如下转移公式计算所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩阵之间的转移矩阵；其中，所述转移公式为：
16、
17、其中m1和m2表示所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩阵，m表示所述转移矩阵，表示矩阵相乘。
18、本专利技术实施例中，融合所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图以得到分类特征图，包括：以如下级联公式融合所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图以得到分类特征图；其中，所述级联公式为：
19、fc＝concat[f1，f2]
20、其中，f1，f2表示所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图，concat[·]表示级联函数，fc表示所述分类特征图。
21、本专利技术实施例中，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图，包括：计算所述分类特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；以及，以所述多个逐片近似因数对各个特征矩阵进行加权以得到所述优化分类特征图。
22、本专利技术实施例中，计算所述分类特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数，包括：以如下优化公式计算所述分类特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；其中，所述优化公式为：
23、
24、其中，vij是所述分类特征图的第i个特征矩阵的第j个行向量或者列向量，sigmoid(·)表示sigmoid函数，logsumexp(·)表示logsumexp函数，[:v:]表示将各个向量级联，且表示向量的二范数的平方，wi表示所述多个逐片近似因数。
25、本专利技术实施例中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止超声波发生装置的工作，包括：将所述优化分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个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通过所述分类器的softmax分类函数以得到所述分类结果。
26、本专利技术实施例还提供了一种合成纤维假发的制备系统，其包括：
27、视频获取模块，用于获取由摄像头采集的预定时间段的共混溶液的超声分散监控视频；
28、关键帧提取模块，用于从所述超声分散监控视频提取多个超声分散监控关键帧；
29、空间注意力模块，用于将所述多个超声分散监控关键帧分别通过使用空间注意力机制的卷积神经网络模型以得到多个共混溶本文档来自技高网...
【技术保护点】
1.一种合成纤维假发的制备方法，其特征在于，包括：
2.根据权利要求1所述的合成纤维假发的制备方法，其特征在于，从所述超声分散监控视频提取多个超声分散监控关键帧，包括：以预定采样频率从所述超声分散监控视频提取所述多个超声分散监控关键帧。
3.根据权利要求2所述的合成纤维假发的制备方法，其特征在于，将所述多个超声分散监控关键帧分别通过使用空间注意力机制的卷积神经网络模型以得到多个共混溶液分散状态特征矩阵，包括：所述使用空间注意力机制的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：
4.根据权利要求3所述的合成纤维假发的制备方法，其特征在于，将所述多个共混溶液分散状态特征矩阵通过基于第一三维卷积神经网络模型的第一时序特征提取器以得到共混溶液分散状态时序特征图，包括：使用所述基于第一三维卷积神经网络模型的第一时序特征提取器的各层在层的正向传递中对所述多个共混溶液分散状态特征矩阵进行三维卷积处理、池化处理和非线性激活处理以由所述基于第一三维卷积神经网络模型的第一时序特征提取器最后一层的输出为所述共混溶液分散状态时序特征图，其中，所述基于
5.根据权利要求4所述的合成纤维假发的制备方法，其特征在于，计算所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩阵之间的转移矩阵以得到由多个转移矩阵组成的转移输入张量，包括：以如下转移公式计算所述多个共混溶液分散状态特征矩中每相邻两个共混溶液分散状态特征矩阵之间的转移矩阵；
6.根据权利要求5所述的合成纤维假发的制备方法，其特征在于，融合所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图以得到分类特征图，包括：以如下级联公式融合所述共混溶液分散状态时序特征图和所述共混溶液分散状态变化时序特征图以得到分类特征图；
7.根据权利要求6所述的合成纤维假发的制备方法，其特征在于，对所述分类特征图进行流形几何一致性优化以得到优化分类特征图，包括：
8.根据权利要求7所述的合成纤维假发的制备方法，其特征在于，计算所述分类特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数，包括：以如下优化公式计算所述分类特征图的每个特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个逐片近似因数；
9.根据权利要求8所述的合成纤维假发的制备方法，其特征在于，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止超声波发生装置的工作，包括：
10.一种合成纤维假发的制备系统，其特征在于，包括：
...【技术特征摘要】
1.一种合成纤维假发的制备方法，其特征在于，包括：
2.根据权利要求1所述的合成纤维假发的制备方法，其特征在于，从所述超声分散监控视频提取多个超声分散监控关键帧，包括：以预定采样频率从所述超声分散监控视频提取所述多个超声分散监控关键帧。
3.根据权利要求2所述的合成纤维假发的制备方法，其特征在于，将所述多个超声分散监控关键帧分别通过使用空间注意力机制的卷积神经网络模型以得到多个共混溶液分散状态特征矩阵，包括：所述使用空间注意力机制的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：
4.根据权利要求3所述的合成纤维假发的制备方法，其特征在于，将所述多个共混溶液分散状态特征矩阵通过基于第一三维卷积神经网络模型的第一时序特征提取器以得到共混溶液分散状态时序特征图，包括：使用所述基于第一三维卷积神经网络模型的第一时序特征提取器的各层在层的正向传递中对所述多个共混溶液分散状态特征矩阵进行三维卷积处理、池化处理和非线性激活处理以由所述基于第一三维卷积神经网络模型的第一时序特征提取器最后一层的输出为所述共混溶液分散状态时序特征图，其中，所述基于第一三维卷积神经网络模型的第一时序特征提取器的第一层的输入为所述多个共混溶液分散状态特征矩阵。
5.根据权利要求4所述的合成纤维假发的制备方法，其特征在于，计算...
【专利技术属性】
技术研发人员：王士喜，车知能，左海花，
申请(专利权)人：邵阳阳光发品有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。