本申请涉及智能加工领域,且更为具体的涉及一种纺织布料自动生产加工系统及方法。
背景技术:
1、纺织布料自动生产加工系统是一种利用先进的技术和设备,实现纺织布料的自动化生产和加工的系统。质量检测的目的是发现和纠正产品制造过程中的缺陷和问题,以提高产品质量、降低不合格品率,并确保产品的安全性、可靠性和耐久性。在质量检测时,传统的检测方法是人工检测,对人的熟练度有较高的要求,且容易存在错误,人力成本较高。
2、因此,期待一种优化的纺织布料自动生产加工方案。
技术实现思路
1、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纺织布料自动生产加工系统及方法,其使用基于深度神经网络模型的人工智能技术来对布料的检测图像进行特征编码和提取,以得到用于表示布料质量是否满足预定要求的分类标签,这样,通过构建纺织布料自动生产加工方案,提高了纺织布料加工的效率,降低了检测成本。
2、根据本申请的一个方面,提供了一种纺织布料自动生产加工系统,其包括:
3、图像采集模块,用于获取纺织布料的检测图像;
4、分块模块,用于对所述检测图像进行分块处理以得到图像块序列;
5、卷积模块,用于将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;
6、余弦相似度模块,用于计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;
7、拓扑模块,用于将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;
8、矩阵化模块,用于将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;
9、图神经模块,用于将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;
10、优化模块,用于对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;
11、结果生成模块,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纺织布料的质量是否满足预定要求。
12、在上述的纺织布料自动生产加工系统中,所述卷积模块,用于:
13、使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
14、对输入数据进行卷积处理以得到卷积特征图;
15、对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;
16、对所述池化特征图进行非线性激活以得到激活特征图;
17、其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
18、在上述的纺织布料自动生产加工系统中,所述余弦相似度模块,包括:
19、相似度计算单元,用于计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;
20、矩阵化单元,用于将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
21、在上述的纺织布料自动生产加工系统中,所述拓扑模块,用于:
22、使用所述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:
23、对输入数据进行卷积处理以得到卷积特征图;
24、对所述卷积特征图进行通道维度的均值池化以得到池化特征图;
25、对所述池化特征图进行非线性激活以得到激活特征图;
26、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相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
27、在上述的纺织布料自动生产加工系统中,所述优化模块,包括:
28、全局均值池化单元,用于对所述分类特征矩阵进行全局均值池化以得到全局语义特征向量;
29、协方差计算单元,用于计算所述全局语义特征向量的协方差矩阵;
30、分解单元,用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量;
31、特征值提取单元,用于从所述多个特征值向量提取k个最大的特征值对应的k个特征值向量,所述k个特征值向量构成k维的类单应子空间;
32、拆分单元,用于将所述分类特征矩阵的各个行向量进行拆分以得到多个分类特征局部展开特征向量;
33、映射单元,用于将所述多个分类特征局部展开特征向量分别映射到所述类单应子空间以得到多个映射后分类特征局部展开特征向量;
34、激活单元,用于将所述多个映射后分类特征局部展开特征向量通过si gmoid激活函数进行激活以得到多个映射后概率化分类特征局部展开特征向量;
35、维度重构单元,用于将所述多个映射后概率化分类特征局部展开特征向量进行维度重构以得到优化分类特征矩阵。
36、在上述的纺织布料自动生产加工系统中,所述结果生成模块,包括:
37、展开单元,用于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;
38、全连接单元,用于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;
39、结果生成单元,用于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。
40、根据本申请的另一方面,还提供了一种纺织布料自动生产加工方法,其包括:
41、获取纺织布料的检测图像;
42、对所述检测图像进行分块处理以得到图像块序列;
43、将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;
44、计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;
45、将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;
46、将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;
47、将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;
48、对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;
49、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纺织布料的质量是否满足预定要求。
50、与现有技术相比,本申请提供的纺织布料自动生产加工系统及方法,其使用基于深度神经网络模型的人工智能技术来对布料的检测图像进行特征编码和提取,以得到用于表示布料质量是否满足预定要求的分类标签,这样,通过构建纺织布料自动生产加工方案,提高了纺织布料加工的效率,降低了检测成本。
1.一种纺织布料自动生产加工系统,其特征在于,包括:
2.根据权利要求1所述的纺织布料自动生产加工系统,其特征在于,所述卷积模块,用于:
3.根据权利要求2所述的纺织布料自动生产加工系统,其特征在于,所述余弦相似度模块,包括:
4.根据权利要求3所述的纺织布料自动生产加工系统,其特征在于,所述拓扑模块,用于:
5.根据权利要求4所述的纺织布料自动生产加工系统,其特征在于,所述优化模块,包括:
6.根据权利要求5所述的纺织布料自动生产加工系统,其特征在于,所述结果生成模块,包括:
7.一种纺织布料自动生产加工方法,其特征在于,包括:
8.根据权利要求7所述的纺织布料自动生产加工方法,其特征在于,所述卷积模块,用于:
9.根据权利要求8所述的纺织布料自动生产加工方法,其特征在于,所述余弦相似度模块,包括:
10.根据权利要求9所述的纺织布料自动生产加工方法,其特征在于,将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵,包括: