一种基于多源数据复合模型的自动配棉方法

本发明涉及纺纱，具体涉及一种基于多源数据复合模型的自动配棉方法。

背景技术：

1、配棉是纺纱工艺的最前期工作，它是根据纺纱实际要求，合理选择多种原棉搭配使用，充分发挥不同原棉的特点，达到提高产品质量、稳定生产、降低成本的作用。

2、在深度神经网络出现之前，常规的建模方法很难将棉花纤维和纱线的特性联系起来，因为两者之间的复杂关系很难用简单有效的数学函数来表达，而神经网络的出现增加了目标的可实现性。同时，伴随着生成对抗网络，变分自编码器以及扩散模型等一大批深度生成模型的出现，使得通过目的纱线的特征来生成原棉花直观图片的过程变得可以实现。但是，尽管图像生成技术已经在许多领域地得到了相应的拓展，目前尚未有发表的关于利用纱线特征来生成原棉花图像的相关研究。对配棉而言，由于受到不同种棉花的配比，目的棉花的质量，生产成本等多方面的约束，现有的自动配棉系统多采用线性规划的方法进行优化。

3、对于以纱线特性预测棉花纤维品级的过程，国际上已经有基于人工神经网络ann的简单实现，但受限于ann模型薄弱的对复杂变化的拟合能力，实际上做出的效果并不理想。在国内，也有人开展了对棉花图像进行特征提取来对图像所呈现的棉花样本进行评级的研究，其方法为，对图像进行预处理后使其特征明显，然后通过卷积神经网络进行特征提取并进行预测。对于配棉过程，常用方法为线性规划法。线性规划法是解决多变量最优决策的方法，追求的是在各种变量相互关联并同时约束目的函数的情况下，能够找到一个最优解。

4、现有技术中，a.majumdar等人利用人工神经网络来基于纱线的四种特性来预测原棉的纺纱一致性参数sci和马克隆值。由于简单的多层感知机拟合能力欠佳，很难对棉纤维的所有重要特性进行预测，故而采用了由各种重要特性计算而得来的综合质量指数作为评价标准。利用线性规划法对配棉过程进行优化，当原棉种类增加，计算量过于庞大耗时过长，同时，线性规划法的求解过程容易陷入局部最优，可能无法找到全局最优解。

5、因此，现需要一种在节省成本的基础上，能够生产出符合要求的目标棉花的基于多源数据复合模型的自动配棉方法。

技术实现思路

1、本发明的主要目的在于提供一种基于多源数据复合模型的自动配棉方法，以解决现有技术中计算量庞大，无法找到全局最优解的问题。

2、为实现上述目的，本发明提供了一种基于多源数据复合模型的自动配棉方法，具体包括如下步骤：

3、s1，将目标纱线特征输入扩散模型，生成目的棉花图像。

4、s2，输入目的棉花图像和m种原料棉花图像，利用卷积神经网络对目的棉花图像和m种原料棉花图像进行特征提取，得到目的棉花图像特征和m种原料棉花图像特征。

5、s3，将目标纱线特征输入基于轻量化transformer的多值回归模型，生成目的棉花属性特征。

6、s4，将目的棉花图像特征、目的棉花属性特征、m种原料棉花图像特征和m种原料的属性特征输入基于遗传算法的自动配棉模型进行随机优化，输出满足约束条件下的最优配棉方案。

7、进一步地，步骤s1具体包括如下步骤：

8、s1.1，通过扩散模型的正向过程求得扩散过程的先验条件概率，以为第t次加噪获得的噪声样本，则从计算的过程为：

9、                   （1）；

10、其中，为设定的噪声参数，取值从趋近于0直到1，代表正态分布。

11、对公式（1）进行迭代：

12、

13、             （2）；

14、求得正向扩散的先验条件概率；代表第t次加噪时源数据所占的比例，表示从到的连乘，表示加噪的次数，代表第i次加噪时源数据所占的比例。

15、s1.2，通过贝叶斯求得正向扩散的后验条件概率，即：

16、                     （3）；

17、进一步计算得到：

18、     （4）。

19、代表从正态分布中随机取样得到的随机噪声。

20、s1.3，利用unet网络对扩散模型进行训练，设为目的棉花的图像，为一组表示目的纱线特征的向量，生成模型为扩散模型，则有:

21、                       （5）。

22、其中，代表扩散模型。

23、进一步地，步骤s2中的卷积神经网络包括：卷积块和下采样块；利用卷积神经网络对进行特征提取具体包括如下步骤：

24、s2.1，卷积块进行两次步长为1填充为1的卷积，在不改变图像大小的前提之下升高特征的通道数，卷积神经网络的五个卷积块分别输出通道数为64，128，256，512，1024的特征张量。

25、s2.2，在每次通过卷积块提升通道数后，将特征输入下采样块，下采样块以步长为2进行卷积，在不改变通道数的前提下，对每个通道提取特征，并将特征图长宽均变为二分之一。

26、s2.3，对于图像，经过特征提取网络取得特征的过程表示为：

27、                    （6）。

28、进一步地，步骤s3中的轻量化transformer的多值回归模型包括：编码器和解码器；编码器提取特征后输入解码器。

29、编码器和解码器均包括：依次连接的线性层、自注意力机制层、激活函数softmax、第一全连接层、激活函数gelu和第二全连接层。

30、进一步地，解码器中的第二全连接层由n个神经元组成。

31、进一步地，步骤s4具体包括如下步骤：

32、s4.1，对解进行整数编码，对某个解而言，表示在混合时，使用了包第i种棉包，取值范围为[0,m-1]，其中m代表混棉总包数。

33、s4.2，初始化种群生成，若没有任何约束，随机在[0, m-1]取值，即：

34、                        （7）；

35、                          （8）；

36、其中，代表最多使用包第i种棉包。

37、s4.3，如果 ＞，则舍弃，继续对进行取值，按公式（9）和公式（10）对进行缩放；

38、                  （9）；

39、                       （10）；

40、每生成一个个体就放入个体集合中，直到个体集合长度等于种群大小s，其中，m表示原棉花种类数。

41、s4.4，为每种棉花在混合棉中所占比重，为第i种棉花的第j项属性，为目的棉花第j项属性的约束值，则必满足公式（11）和公式（12）的约束：

42、                      （11）；

43、                 （12）。

44、进一步地，步骤s4还包括如下步骤：

45、s4.5，设raw material为待混合棉花原料，简称rm，rmi表示第i种棉花，则rmi的图像特征满足：

46、；

47、同理，所求目的棉花的图像特征为：

48、。

49、s4.6，对混合过程而言，假设不同棉花混合时，图像特征满足线性关系，则混合后所得混合棉的图像特征满足公式（13）：

50、                    （13）。

51、s4.7，设图像特征与之间的差距为，满足:

52、         （14）。

53、s4.8，在优化过程中，混合棉所应具备的图像特征与目的棉花的图像特征满足公式（15），即应当存在一个较小的正数，使得：

54、            （15）。

55、进一步地，步骤s4还包括如下步骤：

56、s4.9，对于某种方案的成本，有适应度，满足公式（16）和公式（17）：

57、                  （16）；

58、                    （17）；

59、其中，是每包第i种棉花的成本。

60、适应度在定义后，使适应度最大即：

61、            （18）；

62、其中，表示求最大值。

63、s4.10，为扩大搜索范围，提高跳出局部最优的能力，采用头-头，头-尾交叉法，确定超参数的最优值，头-头交叉概率和头-尾交叉概率分别为和。

64、s4.11，对于个体的变异行为，采用随机点位变异，按照概率对随机确定的某个基因进行如公式（19）操作：

65、            （19）；

66、其中，是在0到1之间的随机数。

67、s4.12，定义选择过程，引入精英保留策略，用上一轮的最优个体替代本轮中的最差个体，对其余个体利用赌轮盘选择法随机选择组成新的种群。

68、本发明具有如下有益效果：

69、本发明提出利用深度神经网络和纱线参数来生成棉花图像的方法。

70、本发明利用transformer进行了多值回归预测，先前的研究停留在单值回归或分类，输出的结果为棉花的等级分类或者品质评估值，而本发明可预测棉花的多种参数。

71、本发明将线性规划与遗传算法相结合，通过改进种群生成策略、遗传操作和收敛条件，解决了配棉多约束条件下的寻优问题。

72、本发明采用遗传算法进行多限制优化，首次将混合棉花与目的棉花的图像特征纳入了优化的限制条件，缩小了搜索空间。

73、本发明尝试将随机优化算法例如遗传算法引入进自动配棉优化中，使用遗传算法对配棉过程进行求解，并将图像特征纳入优化算法的限制中。

74、为了解决线性规划法的全局寻优能力不足的缺陷，本发明采用遗传算法来进行配棉优化。除此之外，本发明在提取图像特征的基础上更进一步，首先提出了基于降噪概率扩散模型的棉花图像生成。除此之外，现有的配棉优化方法，仅以棉花属性为约束，而本发明在生成目的棉花的图像后，可以通过特征提取器提取目的棉花与原料棉花的图像特征，进而将图像特征纳入了优化算法的限制，以期得到更准确的结果。