假发的智能化制备方法及其系统与流程

本技术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：

1、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。

2、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。

3、因此，期待一种解决方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术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。

2、根据本技术的一个方面，提供了一种假发的智能化制备方法，其包括：

3、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；

4、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；

5、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；

6、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；

7、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；

8、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；

9、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；

10、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

11、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。

12、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：

13、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；

14、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

15、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。

16、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：

17、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；

18、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；

19、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；

20、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

21、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。

22、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：

23、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；

24、其中，所述转移公式为：

25、

26、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。

27、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：

28、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：

29、对所述输入数据进行卷积处理以得到卷积特征向量；

30、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

31、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；

32、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。

33、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：

34、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；

35、其中，所述高斯密度融合公式为：

36、

37、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

38、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。

39、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：

40、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；

41、其中，所述优化公式为：

42、

43、

44、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。

45、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：

46、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；

47、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

48、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。

49、根据本技术的另一个方面，提供了一种假发的智能化制备系统，其包括：

50、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；

51、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；

52、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；

53、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；

54、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；

55、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；

56、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；

57、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

58、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。

59、在上述的假发的智能化制备系统中，所述vit编码模块，用于：

60、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；

61、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

62、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。

63、与现有技术相比，本技术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。