一种基于人工智能的纺织过程自适应清棉系统

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于人工智能的纺织过程自适应清棉系统。

背景技术

开清棉工序是纺纱工艺过程的第一道工艺，其任务和目的是对原棉进行开松，除杂等，若是原棉开松的越好，除杂越彻底，则混和也愈均匀。由于棉花中含有棉籽、碎叶等杂质，因此，在进行梳棉之前一般需要对其除杂，若除杂不净，则容易造成梳棉设备的损坏。

目前，现有技术多采用清棉机进行除杂，其除杂效果受打手速度、尘棒安装角度以及打手与尘棒的间隔等因素的影响，而这些因素通常由工作人员根据经验进行调整，这种方式容易导致杂质清理不彻底，除杂效果较差，从而影响产品的生产质量。

发明内容

本发明提供一种基于人工智能的纺织过程自适应清棉系统，解决的技术问题是，现有的清棉机除杂主要由工作人员根据经验调整除杂参数，除杂效果较差，且浪费资源。

为解决以上技术问题，本发明提供了一种基于人工智能的纺织过程自适应清棉系统，包括数据采集模块，还包括依次连接的图像分析模块、声音信号检测模块、开松度估计模块以及除杂参数调整模块；

所述图像分析模块，用于根据采集到的左、右侧原棉图像在预设窗口的边缘点特征以及纹理特征，构建边缘点比例矩阵以及纹理熵矩阵；利用所述边缘点比例矩阵以及所述纹理熵矩阵，获取复杂度权重矩阵；还用于将所述左、右侧原棉图像输入三维重建网络，以得到棉花三维矩阵；

所述声音信号检测模块，用于获取所述棉花三维矩阵中各未知点与若干最近邻固定点之间的距离以及棉花点数，根据所述距离得到距离系数序列，根据棉花点数以及所述复杂度权重矩阵得到阻碍系数序列，根据所述距离系数序列、所述阻碍系数序列以及采集到的声音数据，得到各所述未知点的声音信号值，根据所述声音信号值构建声音信号三维标注矩阵；

所述开松度估计模块，用于利用所述声音信号三维标注矩阵训练声音矩阵构建网络，获取声音信号三维矩阵，并基于第一神经网络，根据所述声音信号三维矩阵得到开松度量化指标；

所述除杂参数调整模块，用于基于第二神经网络，根据采集到的原棉重量、所述开松度量化指标以及除杂参数序列得到最优除杂参数，并调整清棉机。

进一步地，所述基于第一神经网络，根据所述声音信号三维矩阵得到开松度量化指标，具体为：

将所述声音信号三维矩阵输入第一神经网络，同时利用所述原棉重量，得到原棉特征向量；

根据所述原棉特征向量以及存储的原棉标准特征向量，得到特征相似度序列；

根据所述特征相似度序列，得到开松度量化指标。

进一步地，所述数据采集模块，用于部署数据采集装置，并通过所述数据采集装置获取原棉数据；

所述原棉数据包括所述左侧原棉图像、所述右侧原棉图像、所述声音数据以及所述原棉重量。

进一步地，所述未知点包括所述棉花三维矩阵中除所述固定点外的所有点。

更进一步地，所述声音数据包括声音强度数据以及声音频率数据；

所述声音信号值包括声音强度信号值以及声音频率信号值；

所述声音信号三维标注矩阵包括声音强度三维标注矩阵以及声音频率三维标注矩阵；

所述声音信号三维矩阵包括声音强度三维矩阵以及声音频率三维矩阵。

进一步地，所述除杂参数序列包括尘棒安装角度参数序列以及尘棒与打手间距参数序列。

更进一步地，所述最优除杂参数为所述第二神经网络输出的最小清棉重量对应的除杂参数。

进一步地，所述边缘点比例矩阵包括左侧边缘点比例矩阵以及右侧边缘点比例矩阵；

所述纹理熵矩阵包括左侧纹理熵矩阵以及右侧纹理熵矩阵。

更进一步地，所述获取复杂度权重矩阵，具体为：

将所述左侧边缘点比例矩阵以及右侧边缘点比例矩阵输入第一融合模型，得到边缘点比例融合矩阵；

将所述左侧纹理熵矩阵以及右侧纹理熵矩阵输入第二融合模型，得到纹理熵融合矩阵；

根据所述边缘点比例融合矩阵以及所述纹理熵融合矩阵，构建复杂度权重矩阵。

更进一步地，所述三维重建网络采用第一二维卷积编码器-第一三维卷积解码器基础构架；所述第一神经网络为孪生网络。

本发明提供的一种基于人工智能的纺织过程自适应清棉系统，包括数据采集模块、图像分析模块、声音信号检测模块、开松度估计模块以及除杂参数调整模块，解决了现有的清棉机除杂主要由工作人员根据经验调整除杂因素，除杂效果较差，且浪费资源的问题；本发明通过对棉花的边缘以及纹理特征进行分析，得到声音信号三维矩阵，并利用声音信号三维矩阵自适应调节清棉机的除杂参数，不仅降低了对人工劳动的需求，实现了清棉的智能化控制，而且提高了纺织效率，保证了棉花的加工质量；本发明实现的清棉系统具有较强的实用性，且可靠性高，在实际应用中仅通过原棉图像以及神经网络，即可获取最优除杂参数，大大降低了棉花的含杂率，提高了棉花的清理质量，具有良好的经济效益和社会效益，适合于各种规模的工业应用。

附图说明

图1是本发明实施例提供的一种基于人工智能的纺织过程自适应清棉系统的结构框图；

图2是本发明实施例提供的数据采集装置部署示意图；

图3是本发明实施例提供的棉簇示意图。

图形标注：

数据采集模块1；图像分析模块2；声音信号检测模块3；

开松度估计模块4；除杂参数调整模块5；

第一RGB相机61；第二RGB相机62；

第一声音传感器71；第二声音传感器72；第三声音传感器73；

第四声音传感器74；第五声音传感器75；第六声音传感器76；

声音播放装置8；称重传感器9；原棉10；传送带11。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

针对现有的清棉机除杂主要由工作人员根据经验调整除杂因素，除杂效果较差，且浪费资源的问题，本发明实施例提供了一种基于人工智能的纺织过程自适应清棉系统，如图1所示，包括数据采集模块1，还包括与所述数据采集模块1均连接且依次连接的图像分析模块2、声音信号检测模块3、开松度估计模块4以及除杂参数调整模块5；

所述数据采集模块1需预先部署数据采集装置，并通过所述数据采集装置获取原棉数据；

其中，所述数据采集装置包括RGB相机、声音传感器、声音播放装置以及称重传感器；所述原棉数据包括左侧原棉图像、右侧原棉图像、声音数据以及原棉重量；

在本发明实施例中，所述数据采集装置的部署如图2所示，所述RGB相机设置有两个，即第一RGB相机61、第二RGB相机62，将两者分别置于传送带的左、右两侧，以采集所述左、右侧原棉图像；所述声音传感器设置为六个，以所述传送带的原棉输入口为起点，以设定距离均匀部署于所述传送带的左、右两侧，即本实施例通过图2所示的第一声音传感器71、第二声音传感器72、第三声音传感器73、第四声音传感器74、第五声音传感器75、第六声音传感器76采集对应位置的所述声音数据；所述声音播放装置8用于播放一定强度、一定时长以及一定频率的音频，且所述声音传感器均部署在其播放的所述音频范围内；所述称重传感器9部署在所述传送带11下方，以实时检测原棉10的重量，本实施例在所述原棉输入口以及原棉输出口均设置有所述称重传感器；本实施例的数据采集装置部署仅为示例性，本领域技术人员可根据实际情况调整所述数据采集装置及其数量。

所述图像分析模块2对采集到的所述左、右侧原棉图像分别进行边缘提取，得到左、右侧边缘图像，本实施例优先采用Canny边缘检测算子进行边缘提取；

本实施例根据所述左、右侧边缘图像，构建边缘点比例矩阵，具体为：

首先，所述图像分析模块2需预先设置预设窗口，比如：当所述预设窗口的尺寸设置为32时，大小为512*512*512的所述棉花三维矩阵存在16*16*16个窗口，所述棉花三维矩阵包含16*16*16个体素单元，而对于二维图像，则存在16*16个窗口；

然后，本实施例分别获取所述左、右侧边缘图像在各所述预设窗口内的边缘点特征，并根据所述边缘点特征得到边缘点比例，根据所述边缘点比例构建边缘点比例矩阵，其中，所述边缘点比例矩阵包括左侧边缘点比例矩阵以及右侧边缘点比例矩阵；本实施例选取边缘点个数作为边缘点特征，各所述预设窗口内的所述边缘点比例的计算公式为：

式中，C表示第i个所述预设窗口的边缘点比例，N

在本发明实施例中，所述边缘点比例矩阵的形状为[k′，k″，C]，其中，k′表示一侧所述边缘图像各行所述预设窗口的数量，k″表示一侧所述边缘图像各列所述预设窗口的数量。

其次，所述图像分析模块2对采集到的所述左、右侧原棉图像分别进行纹理特征提取，得到左、右侧灰度共生矩阵，本实施例优先选取基于灰度共生矩阵的纹理特征分析进行纹理特征提取；

本实施例根据所述左、右侧灰度共生矩阵，获取各所述预设窗口内的纹理熵，并根据所述纹理熵构建纹理熵矩阵；在本实施例中，所述纹理熵矩阵包括左侧纹理熵矩阵以及右侧纹理熵矩阵；

其中，所述纹理熵的计算公式为：

式中，D表示预设窗口内的纹理熵，M、N表示预设窗口的长宽尺寸，G(m,n)表示灰度共生矩阵在预设窗口内的第m行、第n列的像素值。

在本发明实施例中，所述纹理熵矩阵的形状为[g′，g″，D]，其中，g′表示一侧所述原棉图像各行所述预设窗口的数量，g″表示一侧所述原棉图像各列所述预设窗口的数量。

需要说明的是，熵是图像包含的信息的度量，纹理特征属于图像包含的信息，是一个随机性的度量，在灰度共生矩阵中，当元素分布较分散时，熵较大，表示图像中纹理的非均匀程度或复杂程度较高，阻碍声音的能力越强。

所述图像分析模块2利用所述边缘点比例矩阵以及所述纹理熵矩阵，获取复杂度权重矩阵，具体为：

将所述左侧边缘点比例矩阵以及右侧边缘点比例矩阵输入第一融合模型，得到边缘点比例融合值，根据所述边缘点比例融合值得到边缘点比例融合矩阵；其中，所述第一融合模型为：

E

式中，E

在本实施例中，所述第一单位距离值设置为左侧或右侧边缘点比例矩阵总列数与数值1之和的倒数，比如：当棉花三维矩阵包含16*16*16个体素单元时，左侧或右侧边缘点比例矩阵总列数为16，所述第一单位距离值为

将所述左侧纹理熵矩阵以及右侧纹理熵矩阵输入第二融合模型，得到纹理熵融合值，根据所述纹理熵融合值，构建纹理熵融合矩阵；其中，所述第二融合模型为：

E

式中，E

在本实施例中，所述第二单位距离值设置为左侧或右侧纹理熵矩阵总列数与数值1之和的倒数。

根据所述边缘点比例融合矩阵以及所述纹理熵融合矩阵，构建复杂度权重矩阵，所述复杂度权重矩阵中的每个体素单元包括其对应的所述边缘点比例融合值以及所述纹理熵融合值。

所述图像分析模块2还将接收到的所述左、右侧原棉图像输入三维重建网络，得到棉花三维矩阵，其中，所述三维重建网络采用第一二维卷积编码器-第一三维卷积解码器基础架构，网络训练过程为：

所述二维卷积编码器对输入的所述左、右侧原棉图像进行特征提取，得到特征图，所述特征图经过张量重塑，即Reshape操作，得到特征三维矩阵，所述特征三维矩阵通过所述第一三维卷积解码器，得到棉花三维矩阵，在本实施例中，所述棉花三维矩阵的形状为[B，L，W，H，I]，其中，B表示网络一次训练输入的样本数目，所述L、W、H表示原棉三维空间的长、宽、高，I表示棉花概率，其值分别为0、1，当所述棉花概率的值为1时，表示此坐标点处的物质为棉花，当所述棉花概率的值为0时，表示此坐标点处的物质为非棉花；网络采用的激活函数为Softmax，采用的损失函数为交叉熵损失函数，在本实施例中，标签数据通过模拟器获取棉花三维标签矩阵，所述模拟器包括OpenCL、3Dmax。

所述声音信号检测模块3获取所述棉花三维矩阵中各未知点与若干最近邻固定点之间的距离以及棉花点数，其中，所述未知点包括所述棉花三维矩阵中除固定点外的所有坐标点，所述固定点的坐标位置为所述棉花三维矩阵中部署的所述声音传感器的坐标位置，在本实施例中，所述固定点有六个；

本发明实施例在六个所述固定点中，选取四个与所述未知点最近邻的所述固定点，作为最近邻固定点，并获取所述未知点和四个最近邻固定点之间的距离，根据所述距离得到距离系数序列；

其中，各所述未知点的所述距离系数为：

式中，λ′

在本实施例中，所述棉花点数为所述棉花概率为1的坐标点的个数；

本实施例根据所述棉花点数以及所述复杂度权重矩阵，得到阻碍系数序列，所述阻碍系数为：

其中，

式中，λ″

所述声音信号检测模块3接收所述距离系数序列、所述阻碍系数序列以及所述声音传感器采集到的声音数据；其中，所述声音传感器采集到的所述声音数据包括声音强度数据以及声音频率数据，本实施例将三秒内的平均声音强度、平均声音频率作为所述声音强度数据以及所述声音频率数据；

本实施例根据所述距离系数序列、所述阻碍系数序列以及采集到的声音数据，得到各所述未知点的声音信号值，所述声音信号值包括声音强度信号值以及声音频率信号值；同时，本实施例根据所述声音信号值构建声音信号三维标注矩阵，并将所述声音信号三维标注矩阵发送至所述开松度估计模块4，其中，所述声音信号三维标注矩阵包括声音强度三维标注矩阵以及声音频率三维标注矩阵；

其中，所述声音信号值的计算公式为：

式中，S表示某一所述未知点的声音信号值，T

在本实施例中，所述声音强度信号值以及所述声音频率信号值均通过公式1-8计算得到，即：在公式1-8中，若T

由于原棉的不同开松度，即原棉经过开棉工序后的蓬松程度，会使同质量的原棉具有不同的体积或面积，从而导致通过图像计算得到的杂质含量具有较大误差，另外，原棉的开松度不同，也会使得杂质的清除难易程度不同，即原棉的开松度越小，原棉越紧凑，棉纤维对杂质的包裹、缠绕效果越强，从而使得利用离心力除杂更加困难，如图3所示的棉簇，右侧棉簇的开松度比左侧棉簇大，即右侧棉簇比左侧棉簇更加蓬松，而左侧棉簇的棉纤维对杂质的包裹、缠绕效果比右侧棉簇强。

所述开松度估计模块4利用所述声音信号三维标注矩阵作为标签，训练声音矩阵构建网络，在本实施例中，所述声音矩阵构建网络采用第二二维卷积编码器-第二三维卷积解码器基础架构，所述第二二维卷积编码器的输入为所述左、右侧原棉图像，输出原棉特征图，所述原棉特征图再经过张量重塑Reshape操作以及第二三维卷积解码器，得到声音信号三维矩阵，网络采用均方误差损失函数进行训练；所述声音信号三维矩阵包括声音强度三维矩阵以及声音频率三维矩阵。

本实施例训练所述声音矩阵构建网络的目的为：便于本领域技术人员在具体实施时，仅利用采集到的原棉图像以及训练好的所述声音矩阵构建网络，即可获取声音信号三维矩阵，从而无需布置所述数据采集装置，降低应用成本，大大提高检测效率。

本实施例将所述声音信号三维矩阵输入第一神经网络，得到原棉特征向量，在本实施例中，所述第一神经网络为孪生网络，所述孪生网络两个分支的的形态均为三维卷积编码器-第一全连接网络，网络的具体训练过程为：

所述孪生网络两个子网络的训练集为：一个子网络为低开松度的原棉对应的所述声音信号三维矩阵，另一个子网络为高开松度的原棉对应的所述声音信号三维矩阵；

所述三维卷积编码器对输入的所述声音信号三维矩阵进行特征提取，得到声音信号特征，所述第一全连接网络将所述声音信号特征映射为一个声音信号特征向量，同时对所述声音信号特征向量进行特征融合，即：所述第一全连接网络包含多个全连接层，前面若干个全连接层先将所述声音信号特征向量映射为一个所述声音信号特征向量，然后，将称重传感器9采集到的经归一化或标准化处理的所述原棉重量与所述声音信号特征向量相乘，得到所述声音信号融合特征向量，最终，后面若干个全连接层对所述声音信号融合特征向量进行特征拟合，输出原棉特征向量。

所述孪生网络在训练过程中，对两个分支的输入进行对比并计算对比损失，即所述孪生网络采用损失函数-对比损失进行训练。

至此，本实施例通过所述孪生网络对低开松度的原棉对应的所述声音信号三维矩阵进行推理，得到原棉特征向量，对高开松度的原棉对应的所述声音信号三维矩阵进行推理，得到原棉标准特征向量，并将其进行存储；需要说明的是，训练好的所述孪生网络在具体实施时，可仅输入通过所述声音矩阵构建网络得到所述声音信号三维矩阵；

本实施例利用欧式距离，对得到的所述原棉特征向量与存储的所有所述原棉标准特征向量分别进行计算，得到特征相似度序列，并利用所述特征相似度序列，得到开松度量化指标；

其中，所述相似度量化指标为：

式中，V表示开松度量化指标；Q表示特征相似度序列的元素个数，即所述原棉标准特征向量的总数量；U

在本实施例中，所述开松度量化指标的数值越低，表示所述开松度越高，即原棉越蓬松，反之，所述开松度越低。

由于对相同质量的棉花清棉时，尘棒与打手间距、尘棒安装角度、开松度等均会对除杂效果产生影响，因此，本实施例利用这些影响因素获取最优除杂参数。

所述除杂参数调整模块5将采集到的所述原棉重量、所述开松度量化指标以及获取的除杂参数序列输入第二神经网络，得到清棉重量序列，选取最小清棉重量对应的除杂参数作为最优除杂参数，本实施例通过所述最优除杂参数对实际所述清棉机进行调整，从而实现除杂效果的最优化；本领域技术人员可根据实际操作调整所述第二神经网络的输入数据进行训练。

在本实施例中，所述除杂参数序列包括尘棒安装角度参数序列以及尘棒与打手间距参数序列；所述最优除杂参数为最小清棉重量对应的尘棒安装角度参数以及打手间距参数。

其中，所述第二神经网络采用第二全连接网络，本实施例采用均方误差损失函数进行网络训练，所述第二全连接网络与实际所述清棉机相对应，能够通过改变所述除杂参数模拟所述清棉机的除杂效果，即可通过调整输入数据获得对应的输出数据，从而得到清棉重量序列，为后续的除杂参数最优化提供数据，实现自适应调整。

本发明实施例提供的一种基于人工智能的纺织过程自适应清棉系统，包括数据采集模块1，还包括与所述数据采集模块1连接且依次连接的图像分析模块2、声音信号检测模块3、开松度估计模块4以及除杂参数调整模块5，解决了现有的清棉机除杂主要由工作人员根据经验调整除杂因素，除杂效果较差，且浪费资源的问题，本实施例通过三维重建以及神经网络，得到了具有棉花属性的声音信号三维矩阵，进而得到了棉花开松度量化指标，实现了棉花较优的除杂效果，利用本实施例训练好的神经网络进行清棉除杂，进一步实现了智能化，无需人工调整除杂参数，极大的提高了设备的工作效率，降低了成本，且本实施例实现的清棉系统可自适应调整清棉机，且稳定性高、实用性强，在纺织领域具有潜在的应用价值。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。