衣物洗标的织造控制方法及其系统

技术领域

本申请涉及织造控制技术领域，且更为具体地，涉及一种衣物洗标的织造控制方法及其系统。

背景技术

涂层布主要是指在布料的基础上采用特殊工艺涂布一层具有特殊功能的材料，使布料增加了特殊的功能。所以也称为功能性涂层面料。

由于现有涂层布生产工艺是一层一层地复合涂层，所以所用原材料如果不好的话，那么生产出来的涂层布就很容易发硬老化，涂层分离。

因此，期待一种优化的衣物洗标的织造控制方案。

发明内容

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衣物洗标的织造控制方法及其系统，其通过定型、涂层、漂洗、烘干、轧光、质检与切分将具有一定的可塑性能的织物生产成新型涂层布。在此过程中，结合基于深度学习的人工智能监控技术，精准地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果。

根据本申请的一个方面，提供了一种衣物洗标的织造控制方法，其包括：

利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物；

在所述定型后织物上形成浆料涂层以得到涂覆后织物；

对所述涂覆后织物进行漂洗以得到漂洗后织物；

对所述漂洗后织物进行烘干以得到烘干后织物；

对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物；以及

对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。

在上述衣物洗标的织造控制方法中，所述利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物，包括：

获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频；

从所述定型监控视频提取多个定型监控关键帧；

将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵；

将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量；

将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量；

计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；

基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及

将所述优化后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天然气燃烧器的加热功率值应增加或应减小。

在上述衣物洗标的织造控制方法中，所述从所述定型监控视频提取多个定型监控关键帧，包括：以预定采样频率从所述定型监控视频中提取多个定型监控关键帧。

在上述衣物洗标的织造控制方法中，所述将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述定型监控关键帧进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到定型监控特征图；以及，对所述定型监控特征图进行沿通道维度的全局均值池化处理以得到所述定型监控特征矩阵。

在上述衣物洗标的织造控制方法中，所述将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为定型监控变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在上述衣物洗标的织造控制方法中，所述将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量，包括：使用所述时序编码器的全连接层以如下公式对所述加热功率输入向量进行全连接编码以提取出所述加热功率输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述加热功率输入向量。

在上述衣物洗标的织造控制方法中，所述计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

其中V

在上述衣物洗标的织造控制方法中，所述基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵，包括：计算所述加热功率特征向量和所述定型监控变化特征向量之间的小尺度局部衍生矩阵，其中，所述小尺度局部衍生矩阵与所述加热功率特征向量和所述定型监控变化特征向量之间按位置差值的绝对值有关；以及，以所述小尺度局部衍生矩阵作为加权特征矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化后分类特征矩阵。

在上述衣物洗标的织造控制方法中，所述计算所述加热功率特征向量和所述定型监控变化特征向量之间的小尺度局部衍生矩阵，包括：以如下公式计算所述加热功率特征向量和所述定型监控变化特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

其中，v

根据本申请的另一方面，提供了一种衣物洗标的织造控制系统，包括：

监控单元，用于获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频；

采样单元，用于从所述定型监控视频提取多个定型监控关键帧；

空间特征提取单元，用于将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵；

变化特征提取单元，用于将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量；

功率变化感知单元，用于将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量；

响应性估计单元，用于计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；

特征分布优化单元，用于基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及

功率控制结果生成单元，用于将所述优化后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天然气燃烧器的加热功率值应增加或应减小。

在上述衣物洗标的织造控制系统中，所述采样单元，用于以预定采样频率从所述定型监控视频中提取多个定型监控关键帧。

在上述衣物洗标的织造控制系统中，所述空间特征提取单元，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述定型监控关键帧进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到定型监控特征图；以及，对所述定型监控特征图进行沿通道维度的全局均值池化处理以得到所述定型监控特征矩阵。

在上述衣物洗标的织造控制系统中，所述变化特征提取单元，进一步用于：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为定型监控变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在上述衣物洗标的织造控制系统中，所述功率变化感知单元，进一步用于：使用所述时序编码器的全连接层以如下公式对所述加热功率输入向量进行全连接编码以提取出所述加热功率输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述加热功率输入向量。

在上述衣物洗标的织造控制系统中，所述响应性估计单元，进一步用于：以如下公式计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

其中V

在上述衣物洗标的织造控制系统中，所述特征分布优化单元，包括：小尺度局部衍生子单元，用于计算所述加热功率特征向量和所述定型监控变化特征向量之间的小尺度局部衍生矩阵，其中，所述小尺度局部衍生矩阵与所述加热功率特征向量和所述定型监控变化特征向量之间按位置差值的绝对值有关；以及，施加子单元，用于以所述小尺度局部衍生矩阵作为加权特征矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化后分类特征矩阵。

在上述衣物洗标的织造控制系统中，所述小尺度局部衍生子单元，进一步用于：以如下公式计算所述加热功率特征向量和所述定型监控变化特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

其中，v

与现有技术相比，本申请提供的衣物洗标的织造控制方法及其系统，其通过定型、涂层、漂洗、烘干、轧光、质检与切分将具有一定的可塑性能的织物生产成新型涂层布。在此过程中，结合基于深度学习的人工智能监控技术，精准地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的衣物洗标的织造控制方法的流程图。

图2为根据本申请实施例的衣物洗标的织造控制方法中利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物的流程图。

图3为根据本申请实施例的衣物洗标的织造控制方法中利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物的架构图。

图4为根据本申请实施例的衣物洗标的织造控制方法中将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵的流程图。

图5为根据本申请实施例的衣物洗标的织造控制系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上述背景技术所言，由于现有涂层布生产工艺是一层一层地复合涂层，所以所用原材料如果不好的话，那么生产出来的涂层布就很容易发硬老化，涂层分离。因此，期待一种优化的衣物洗标的织造控制方案。

具体地，在本申请的技术方案中，提出了一种衣物洗标的织造控制方法，其包括：首先，利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物。具体地，利用织物具有一定的可塑性能，将其门幅拉至规定的尺寸，从而消除部分内应力，调整经纬纱在织物中的形态，温度约为180～190℃，定型使用天然气燃烧器提供的热能。接着，在所述定型后织物上形成浆料涂层以得到涂覆后织物。相应地，在本申请的一个具体示例中，将定型后的织物用浆料涂层，浆料存放在浆料槽中，浆料槽为敞开式，一般为常温，温度控制在45℃，涂层主要使坯布具有防水、阻燃等特殊功能。然后，对所述涂覆后织物进行漂洗以得到漂洗后织物。也就是，涂层后进入漂洗工段，采用三级逆流漂洗工艺，此为清水。接着，对所述漂洗后织物进行烘干以得到烘干后织物。具体地，在本申请实施例中，漂洗后进入定型机中烘干，温度约为130～140℃，采用天然气燃烧器供热。然后，对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物。特别地，织物经轧光机轧光，温度约为200℃，采用电加热，轧光主要是在坯布上形成预定纹路或图形，该过程需要采用夹套冷却水进行冷却，产生的水蒸气加强车间通风。对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。相应地，在一个具体示例中，织物经检验合格后，通过分切机分切至所需宽度，分切过程中产生的边角料回用于制浆工段，分切后绕卷包装后即成成品。

相应地，考虑到在进行织物定型的过程中，是将其门幅拉至规定的尺寸，从而消除部分内应力，并调整经纬纱在织物中的形态，使用天然气燃烧器进行加热，但是，现有的加热方式只是将温度控制在一定的范围内，而织物在定型的不同阶段所需要的热量是不同的，因此，需要基于织物的定型状态变化实时进行温度的自适应控制以提高织物的定型效果，从而提高新型涂层布的生产质量。具体地，在本申请的技术方案中，采用基于深度学习的人工智能监控技术，以对于织物定型过程中在空间上关于织物的状态变化特征进行提取，进一步再提取出天然气燃烧器的加热功率在时间维度上的动态关联特征，并计算这两者之间的响应性估计来表示织物的定型状态变化特征与加热功率动态特征之间的关联性特征分布信息，以此来进行当前时间点的天然气燃烧器的加热功率值控制。这样，能够精准地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果，从而提高新型涂层布的生产质量。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值，以及通过监控摄像头采集所述预定时间段的定型监控视频。接着，考虑到在所述定型监控视频中，所述织物的定型状态变化特征可以通过所述定型监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示定型的变化情况。但是，考虑到所述定型监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给温度控制带来的不良影响，以预定采样频率对所述定型监控视频进行关键帧采样，以从所述定型监控视频提取多个定型监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。

然后，考虑到由于在进行织物定型的过程中，是将其门幅拉至规定的尺寸，从而消除部分内应力，并调整经纬纱在织物中的形态，使用天然气燃烧器进行加热。因此，在对于所述多个定型监控关键帧中关于所述织物的定型状态变化特征进行提取以进行温度控制时，应更关注于空间上关于织物的经纬纱隐含特征分布信息而忽略其余与织物定型状态无关的干扰特征。基于此，在本申请的技术方案中，将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型中进行特征挖掘，以提取出所述各个定型监控关键帧中在空间位置上的关于织物的经纬纱定型状态特征分布信息，从而得到多个定型监控特征矩阵。

接着，为了能够挖掘出所述定型监控视频中关于织物定型状态的动态变化特征信息，以此来实现加热的实时精准控制，进一步再将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行处理，以提取出所述三维输入张量中关于织物的定型状态在时间维度上的的动态变化特征，从而得到定型监控变化特征向量。

进一步地，由于所述天然气燃烧器的加热功率在时间维度上也具有着动态性的变化特征信息，也就是说，所述各个预定时间点的天然气燃烧器的加热功率值具有着时序的关联性。因此，为了能够充分地提取出这种时序动态关联来进行准确地温度控制，将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个预定时间点的天然气燃烧器的加热功率值在时序维度上的动态关联特征和通过全连接编码提取所述各个预定时间点的天然气燃烧器的加热功率值的高维隐含特征。

然后，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计来表示所述天然气燃烧器的加热功率的动态变化特征与所述织物的定型状态变化特征间的关联性特征信息，即所述温度的动态变化对于所述织物的定型状态的影响，并以此作为分类特征矩阵来通过分类器中进行分类处理，以得到用于表示当前时间点的天然气燃烧器的加热功率值应增加或应减小的分类结果。这样，能够实时地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果。

特别地，在本申请的技术方案中，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计得到所述分类特征矩阵时，由于所述加热功率特征向量在通过一维卷积层时可以提取加热功率值的时序维度上的与所述一维卷积层的一维卷积核对应的小尺度时序关联特征，而所述定型监控变化特征向量也是所述多个定型监控特征矩阵由小尺度的三维卷积核提取到的图像语义的通道关联，因此期望提升所述加热功率特征向量和所述定型监控变化特征向量在小尺度上的局部关联特征分布的一致性。

因此，计算所述定型监控变化特征向量，例如记为V

v

这里，通过计算所述定型监控变化特征向量V

基于此，本申请提出了一种衣物洗标的织造控制方法，其包括：利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物；在所述定型后织物上形成浆料涂层以得到涂覆后织物；对所述涂覆后织物进行漂洗以得到漂洗后织物；对所述漂洗后织物进行烘干以得到烘干后织物；对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物；以及，对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图1为根据本申请实施例的衣物洗标的织造控制方法的流程图。如图1所示，根据本申请实施例的衣物洗标的织造控制方法，包括：S110，利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物；S120，在所述定型后织物上形成浆料涂层以得到涂覆后织物；S130，对所述涂覆后织物进行漂洗以得到漂洗后织物；S140，对所述漂洗后织物进行烘干以得到烘干后织物；S150，对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物；以及，S160，对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。

如上述背景技术所言，由于现有涂层布生产工艺是一层一层地复合涂层，所以所用原材料如果不好的话，那么生产出来的涂层布就很容易发硬老化，涂层分离。因此，期待一种优化的衣物洗标的织造控制方案。

具体地，在本申请的技术方案中，提出了一种衣物洗标的织造控制方法，其包括：首先，利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物。具体地，利用织物具有一定的可塑性能，将其门幅拉至规定的尺寸，从而消除部分内应力，调整经纬纱在织物中的形态，温度约为180～190℃，定型使用天然气燃烧器提供的热能。接着，在所述定型后织物上形成浆料涂层以得到涂覆后织物。相应地，在本申请的一个具体示例中，将定型后的织物用浆料涂层，浆料存放在浆料槽中，浆料槽为敞开式，一般为常温，温度控制在45℃，涂层主要使坯布具有防水、阻燃等特殊功能。然后，对所述涂覆后织物进行漂洗以得到漂洗后织物。也就是，涂层后进入漂洗工段，采用三级逆流漂洗工艺，此为清水。接着，对所述漂洗后织物进行烘干以得到烘干后织物。具体地，在本申请实施例中，漂洗后进入定型机中烘干，温度约为130～140℃，采用天然气燃烧器供热。然后，对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物。特别地，织物经轧光机轧光，温度约为200℃，采用电加热，轧光主要是在坯布上形成预定纹路或图形，该过程需要采用夹套冷却水进行冷却，产生的水蒸气加强车间通风。对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。相应地，在一个具体示例中，织物经检验合格后，通过分切机分切至所需宽度，分切过程中产生的边角料回用于制浆工段，分切后绕卷包装后即成成品。

在步骤S110中，利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物。这里，所述织物具有一定的可塑性能。在本申请的技术方案中，考虑到在进行织物定型的过程中，是将其门幅拉至规定的尺寸，从而消除部分内应力，并调整经纬纱在织物中的形态，使用天然气燃烧器进行加热，但是，现有的加热方式只是将温度控制在一定的范围内，而织物在定型的不同阶段所需要的热量是不同的，因此，需要基于织物的定型状态变化实时进行温度的自适应控制以提高织物的定型效果，从而提高新型涂层布的生产质量。具体地，在本申请的技术方案中，采用基于深度学习的人工智能监控技术，以对于织物定型过程中在空间上关于织物的状态变化特征进行提取，进一步再提取出天然气燃烧器的加热功率在时间维度上的动态关联特征，并计算这两者之间的响应性估计来表示织物的定型状态变化特征与加热功率动态特征之间的关联性特征分布信息，以此来进行当前时间点的天然气燃烧器的加热功率值控制。这样，能够精准地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果，从而提高新型涂层布的生产质量。

图2为根据本申请实施例的衣物洗标的织造控制方法中利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物的流程图。如图2所示，所述利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物的过程，包括步骤：S210，获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频；S220，从所述定型监控视频提取多个定型监控关键帧；S230，将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵；S240，将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量；S250，将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量；S260，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；S270，基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，S280，将所述优化后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天然气燃烧器的加热功率值应增加或应减小。

图3为根据本申请实施例的衣物洗标的织造控制方法中利用天然气燃烧器提供的热量对织物进行定型以得到定型后织物的架构图。如图3所示，在该架构中，首先，获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频。接着，从所述定型监控视频提取多个定型监控关键帧。然后，将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵。继而，将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量，同时，将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量。接着，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵。然后，基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵。最后，将所述优化后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天然气燃烧器的加热功率值应增加或应减小。

具体地，在步骤S210中，获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频。其中，所述天然气燃烧器的加热功率值可以由功率传感器获取。

具体地，在步骤S220中，从所述定型监控视频提取多个定型监控关键帧。考虑到在所述定型监控视频中，所述织物的定型状态变化特征可以通过所述定型监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示定型的变化情况。但是，考虑到所述定型监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给温度控制带来的不良影响，以预定采样频率对所述定型监控视频进行关键帧采样，以从所述定型监控视频提取多个定型监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。

具体地，在步骤S230中，将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵。考虑到由于在进行织物定型的过程中，是将其门幅拉至规定的尺寸，从而消除部分内应力，并调整经纬纱在织物中的形态，使用天然气燃烧器进行加热。因此，在对于所述多个定型监控关键帧中关于所述织物的定型状态变化特征进行提取以进行温度控制时，应更关注于空间上关于织物的经纬纱隐含特征分布信息而忽略其余与织物定型状态无关的干扰特征。基于此，在本申请的技术方案中，将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型中进行特征挖掘，以提取出所述各个定型监控关键帧中在空间位置上的关于织物的经纬纱定型状态特征分布信息，从而得到多个定型监控特征矩阵。

图4为根据本申请实施例的衣物洗标的织造控制方法中将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵的流程图。如图4所示，所述将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵，包括：S310，使用所述第一卷积神经网络模型的卷积编码部分对所述定型监控关键帧进行深度卷积编码以得到初始卷积特征图；S320，将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；S330，将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；S340，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到定型监控特征图；以及，S350，对所述定型监控特征图进行沿通道维度的全局均值池化处理以得到所述定型监控特征矩阵。

具体地，在步骤S240中，将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量。为了能够挖掘出所述定型监控视频中关于织物定型状态的动态变化特征信息，以此来实现加热的实时精准控制，进一步再将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型中进行处理，以提取出所述三维输入张量中关于织物的定型状态在时间维度上的的动态变化特征，从而得到定型监控变化特征向量。

具体地，在本申请实施例中，所述将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量，包括：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为定型监控变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在本申请的技术方案中，将所述三维输入张量通过所述使用三维卷积核的第二卷积神经网络后得到的是定型监控变化特征图，进一步地，将所述定型监控变化特征图沿通道维度进行全局均值池化操作并得到所述定型监控变化特征向量，以进行维度统一。

具体地，在步骤S250中，将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量。由于所述天然气燃烧器的加热功率在时间维度上也具有着动态性的变化特征信息，也就是说，所述各个预定时间点的天然气燃烧器的加热功率值具有着时序的关联性。因此，为了能够充分地提取出这种时序动态关联来进行准确地温度控制，将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量。特别地，这里，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述各个预定时间点的天然气燃烧器的加热功率值在时序维度上的动态关联特征和通过全连接编码提取所述各个预定时间点的天然气燃烧器的加热功率值的高维隐含特征。

具体地，在本申请实施例中，所述将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量，包括：使用所述时序编码器的全连接层以如下公式对所述加热功率输入向量进行全连接编码以提取出所述加热功率输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述加热功率输入向量。

具体地，在步骤S260中，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵。

具体地，在本申请实施例中，所述计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

其中V

具体地，在步骤S270中，基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵。也就是，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计来表示所述天然气燃烧器的加热功率的动态变化特征与所述织物的定型状态变化特征间的关联性特征信息，即所述温度的动态变化对于所述织物的定型状态的影响，并以此作为分类特征矩阵。

在本申请实施例中，所述基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵，包括：计算所述加热功率特征向量和所述定型监控变化特征向量之间的小尺度局部衍生矩阵，其中，所述小尺度局部衍生矩阵与所述加热功率特征向量和所述定型监控变化特征向量之间按位置差值的绝对值有关；以及，以所述小尺度局部衍生矩阵作为加权特征矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化后分类特征矩阵。

特别地，在本申请的技术方案中，计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计得到所述分类特征矩阵时，由于所述加热功率特征向量在通过一维卷积层时可以提取加热功率值的时序维度上的与所述一维卷积层的一维卷积核对应的小尺度时序关联特征，而所述定型监控变化特征向量也是所述多个定型监控特征矩阵由小尺度的三维卷积核提取到的图像语义的通道关联，因此期望提升所述加热功率特征向量和所述定型监控变化特征向量在小尺度上的局部关联特征分布的一致性。

因此，计算所述定型监控变化特征向量，例如记为V

v

这里，通过计算所述定型监控变化特征向量V

具体地，在步骤S280中，将所述优化后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天然气燃烧器的加热功率值应增加或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的天然气燃烧器的加热功率值应增加(第一标签)和当前时间点的天然气燃烧器的加热功率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为天然气燃烧器的加热功率控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述加热功率值，以此来实现加热功率的实时自适应控制的技术目的。这样，能够精准地基于实际织物的定型状态情况进行加热功率的实时自适应控制，以此来提高织物的定型效果，从而提高新型涂层布的生产质量。

在步骤S120中，在所述定型后织物上形成浆料涂层以得到涂覆后织物。也就是，将所述定型后织物用浆料涂层，浆料存放在浆料槽中，所述浆料槽为敞开式，一般为常温，温度控制在45℃，涂层主要使坯布具有防水、阻燃等特殊功能。

在步骤S130中，对所述涂覆后织物进行漂洗以得到漂洗后织物。这里，对所述涂覆后织物进行漂洗时采用三级逆流漂洗工艺，此为清水。

在步骤S140中，对所述漂洗后织物进行烘干以得到烘干后织物。这里，温度约为130～140℃，采用天然气燃烧器供热。

在步骤S150中，对所述烘干后织物进行轧光处理以在所述烘干后织物上形成预定纹路或图形以得到轧光后织物。所述烘干后织物经轧光机轧光，温度约为200℃，采用电加热，轧光主要是在坯布上形成预定纹路或图形，该过程需要采用夹套冷却水进行冷却，产生的水蒸气加强车间通风。

在步骤S160中，对所述轧光后织物进行质检，并在确定质检合格后对所述轧光后织物进行分切以得到多个衣物洗标。这里，通过分切机分切所述轧光后织物至所需宽度。分切过程中产生的边角料可回用于制浆。

综上，基于本申请实施例的衣物洗标的织造控制方法被阐明，其通过定型、涂层、漂洗、烘干、轧光、质检与切分将具有一定的可塑性能的织物生产成新型涂层布。在此过程中，结合基于深度学习的人工智能监控技术，精准地基于实际织物的定型状态情况进行加热功率的自适应控制，以此来提高织物的定型效果。

示例性系统

图5为根据本申请实施例的衣物洗标的织造控制系统的框图。如图5所示，根据本申请实施例的衣物洗标的织造控制系统100，包括：监控单元110，用于获取预定时间段内多个预定时间点的所述天然气燃烧器的加热功率值以及由监控摄像头采集的所述预定时间段的定型监控视频；采样单元120，用于从所述定型监控视频提取多个定型监控关键帧；空间特征提取单元130，用于将所述多个定型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个定型监控特征矩阵；变化特征提取单元140，用于将所述多个定型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到定型监控变化特征向量；功率变化感知单元150，用于将所述多个预定时间点的天然气燃烧器的加热功率值按照时间维度排列为加热功率输入向量后通过包含全连接层和一维卷积层的时序编码器以得到加热功率特征向量；响应性估计单元160，用于计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；特征分布优化单元170，用于基于所述加热功率特征向量和所述定型监控变化特征向量，对所述分类特征矩阵进行特征分布优化以得到优化后分类特征矩阵；以及，功率控制结果生成单元180，用于将所述优化后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天然气燃烧器的加热功率值应增加或应减小。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述采样单元120，用于以预定采样频率从所述定型监控视频中提取多个定型监控关键帧。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述空间特征提取单元130，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述定型监控关键帧进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到定型监控特征图；以及，对所述定型监控特征图进行沿通道维度的全局均值池化处理以得到所述定型监控特征矩阵。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述变化特征提取单元140，进一步用于：使用所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为定型监控变化特征图，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述功率变化感知单元150，进一步用于：使用所述时序编码器的全连接层以如下公式对所述加热功率输入向量进行全连接编码以提取出所述加热功率输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述加热功率输入向量。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述响应性估计单元160，进一步用于：以如下公式计算所述加热功率特征向量相对于所述定型监控变化特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：

其中V

在一个示例中，在上述衣物洗标的织造控制系统100中，所述特征分布优化单元170，包括：小尺度局部衍生子单元，用于计算所述加热功率特征向量和所述定型监控变化特征向量之间的小尺度局部衍生矩阵，其中，所述小尺度局部衍生矩阵与所述加热功率特征向量和所述定型监控变化特征向量之间按位置差值的绝对值有关；以及，施加子单元，用于以所述小尺度局部衍生矩阵作为加权特征矩阵对所述分类特征矩阵进行按位置点乘以得到所述优化后分类特征矩阵。

在一个示例中，在上述衣物洗标的织造控制系统100中，所述小尺度局部衍生子单元，进一步用于：以如下公式计算所述加热功率特征向量和所述定型监控变化特征向量之间的所述小尺度局部衍生矩阵；其中，所述公式为：

/>

其中，v

这里，本领域技术人员可以理解，上述衣物洗标的织造控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的衣物洗标的织造控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。