纺织面料的智能化加工工艺及其系统

技术领域

本申请涉及智能检测领域，且更为具体地，涉及一种纺织面料的智能化加工工艺及其系统。

背景技术

纺织原意是取自纺纱与织布的总称，随着纺织知识体系和学科体系的不断发展和完善，特别是非织造纺织材料和三维复合编织等技术产生后，现代的纺织定义为一种纤维或纤维集合体的多尺度结构加工技术。纺织加工是通过加工技术对面料的材质特性、表面纹理和图案进行处理的过程，过程中需要采用加工设备对面料进行加工处理。

在现有的纺织面料加工工艺中，当纺织面料制备成型后，需要对其进行质检，以此来确定各个批次的纺织面料生产质量，从而降低次品的流通量，提高纺织面料的生产加工质量。但是，现有的纺织面料质检方式较为简单，通常只是通过人工进行取样观察测试来进行，这种方式不仅会浪费大量的时间和资源在质检上，还会使得纺织面料的质检效果不佳，进而影响生产后纺织面料质检的准确度，导致很多次品纺织面料流通到市场中，降低企业和商家的口碑和信誉。

因此，期望一种优化的纺织面料的智能化加工工艺，其能够对于生产成型后的纺织面料成型质量进行智能准确地检测，以提高纺织面料的生产质量。

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纺织面料的智能化加工工艺及其系统，其通过采用基于深度学习的人工智能算法来对于待检测纺织面料的检测图像中关于纺织面料的纹理特征和颜色特征进行提取，并融合这两者的特征信息来综合进行所述待检测纺织面料的成型质量的智能检测。这样，能够准确地进行纺织面料成型质量的智能化检测，以提高纺织面料的生产质量。

根据本申请的一个方面，提供了一种纺织面料的智能化加工工艺，其包括：

获取待检测纺织面料的检测图像；

将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；

将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；

将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；

融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及

将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

在上述纺织面料的智能化加工工艺中，所述将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图，包括：使用所述包含多个混合卷积层的第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别进行：对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；对所述多尺度卷积特征图进行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处理以得到激活特征图；其中，所述包含多个混合卷积层的第一卷积神经网络模型的最后一个混合卷积层的输出为所述纹理特征图。

在上述纺织面料的智能化加工工艺中，所述对输入数据进行多尺度卷积编码以得到多尺度卷积特征图，包括：将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度卷积特征图和所述第二邻域尺度卷积特征图进行级联以得到所述多尺度卷积特征图。

在上述纺织面料的智能化加工工艺中，所述将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行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，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述颜色特征图，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述检测图像。

在上述纺织面料的智能化加工工艺中，所述融合所述颜色特征图和所述纹理特征图以得到分类特征图，包括：以如下公式来融合所述颜色特征图和所述纹理特征图以得到分类特征图；

其中，所述公式为：

V

其中，F

在上述纺织面料的智能化加工工艺中，所述将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求，包括：使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为：

O＝softmax{(M

在上述纺织面料的智能化加工工艺中，还包括训练步骤：对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练。

在上述纺织面料的智能化加工工艺中，所述训练步骤，包括：获取训练数据，所述训练数据包括待检测纺织面料的训练检测图像，以及，所述待检测纺织面料的成型质量是否满足预定要求的真实值；将所述训练检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到训练多通道LBP纹理特征直方图；将所述训练多通道LBP纹理特征直方图通过所述包含多个混合卷积层的第一卷积神经网络模型以得到训练纹理特征图；将所述训练检测图像通过所述作为特征提取器的第二卷积神经网络模型以得到训练颜色特征图；融合所述训练颜色特征图和所述训练纹理特征图以得到训练分类特征图；将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征图展开后得到的训练分类特征向量进行迭代。

在上述纺织面料的智能化加工工艺中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征图展开后得到的训练分类特征向量进行迭代；

其中，所述公式为：

其中V表示所述训练分类特征图展开后得到的训练分类特征向量，M

根据本申请的另一方面，提供了一种纺织面料的智能化加工系统，其包括：

检测图像获取模块，用于获取待检测纺织面料的检测图像；

转化模块，用于将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；

第一卷积模块，用于将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；

第二卷积模块，用于将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；

融合模块，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及

分类结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

与现有技术相比，本申请提供的一种纺织面料的智能化加工工艺及其系统，其通过采用基于深度学习的人工智能算法来对于待检测纺织面料的检测图像中关于纺织面料的纹理特征和颜色特征进行提取，并融合这两者的特征信息来综合进行所述待检测纺织面料的成型质量的智能检测。这样，能够准确地进行纺织面料成型质量的智能化检测，以提高纺织面料的生产质量。

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纺织面料的智能化加工工艺的应用场景图；

图2为根据本申请实施例的纺织面料的智能化加工工艺的流程图；

图3为根据本申请实施例的纺织面料的智能化加工工艺中训练阶段的流程图；

图4为根据本申请实施例的纺织面料的智能化加工工艺的架构示意图；

图5为根据本申请实施例的纺织面料的智能化加工工艺中训练阶段的架构示意图；

图6为根据本申请实施例的纺织面料的智能化加工工艺中第一卷积神经网络编码过程的流程图；

图7为根据本申请实施例的纺织面料的智能化加工工艺中多尺度卷积编码过程的流程图；

图8为根据本申请实施例的纺织面料的智能化加工工艺中第二卷积神经网络编码过程的流程图；

图9为根据本申请实施例的纺织面料的智能化加工系统的框图。

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。

如上所述，在现有的纺织面料加工工艺中，当纺织面料制备成型后，需要对其进行质检，以此来确定各个批次的纺织面料生产质量，从而降低次品的流通量，提高纺织面料的生产加工质量。但是，现有的纺织面料质检方式较为简单，通常只是通过人工进行取样观察测试来进行，这种方式不仅会浪费大量的时间和资源在质检上，还会使得纺织面料的质检效果不佳，进而影响生产后纺织面料质检的准确度，导致很多次品纺织面料流通到市场中，降低企业和商家的口碑和信誉。因此，期望一种优化的纺织面料的智能化加工工艺，其能够对于生产成型后的纺织面料成型质量进行智能准确地检测，以提高纺织面料的生产质量。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为纺织面料的智能化加工提供了新的解决思路和方案。

相应地，由于考虑到在对于成型后的纺织面料进行质检时，其表面的印花纹理特征、纹路特征以及颜色分布特征是质检中最重要的因素，因此，为了能够简化质检的步骤和节省质检所用的资源，期望采用基于人工智能的机器视觉技术，以通过纺织面料的检测图像来生成其成型质量的检测结果。也就是，具体地，在本申请的技术方案中，通过采用基于深度学习的人工智能算法来对于待检测纺织面料的检测图像中关于纺织面料的纹理特征和颜色特征进行提取，并融合这两者的特征信息来综合进行所述待检测纺织面料的成型质量的智能检测。这样，能够准确地进行纺织面料成型质量的智能化检测，以提高纺织面料的生产质量。

具体地，在本申请的技术方案中，首先，通过摄像头获取待检测纺织面料的检测图像。接着，使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的第二卷积神经网络模型来对于所述待检测纺织面料的检测图像进行特征提取，以提取出所述检测图像中的局部隐含特征在高维空间中的特征分布表示，即所述待检测纺织面料的颜色分布隐含特征信息，从而得到得到颜色特征图。

然后，需要对于所述待检测纺织面料的检测图像中关于所述待检测纺织面料的纹理特征进行挖掘，应可以理解，考虑到由于灰度图的纹理分析在低分辨率的所述检测图像中准确率不高。因此，在本申请的技术方案中，需要进一步将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图，这样可以利用更准确的所述经表面改性处理后的检测图像的隐含纹理特征来进行所述待检测纺织面料的质检。

接着，进一步将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型中进行特征挖掘，以提取出所述多通道LBP纹理特征直方图中关于所述待检测纺织面料的纹理隐含特征分布的多尺度关联特征信息，从而得到纹理特征图。相应地，在一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入特征图进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。

进一步地，在得到所述颜色特征图和所述纹理特征图后，融合所述颜色特征图和所述纹理特征图以得到分类特征图。在一个具体示例中，可以通过级联的方式来进行特征融合，以此来得到分类特征图。然后，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。也就是，使用分类器来对于所述分类特征图进行分类处理来得到用于表示待检测纺织面料的成型质量是否满足预定要求的分类结果。这样，能够对于所述待检测纺织面料的成型质量进行智能检测。

特别地，在本申请的技术方案中，优选地，为了充分利用所述第一卷积神经网络模型提取到的纹理特征和所述第一卷积神经网络模型提取到的颜色特征，直接将所述颜色特征图和所述纹理特征图级联以得到所述分类特征图。但是，考虑到所述检测图像的纹理特征分布和颜色特征分布必然存在较为显著的分布差异，这就使得所述分类特征图的整体特征分布会变得发散，影响了在分类器中进行分类时分类器的训练速度和分类特征向量的分类结果的准确性。

因此，为了解决上述问题，本申请的申请人优化了模型的训练过程中，从而对所述分类特征图进行跨分类器的远程分布描述性增强。具体地，在所述分类特征图通过分类器的分类过程中，在每次分类器的权重矩阵的迭代过程中，通过下式来优化分类器的输入，表示为：

V是所述分类特征图展开后得到的分类特征向量，M

这里，通过以具有可学习的参数的矩阵M

基于此，本申请提供了一种纺织面料的智能化加工工艺，其包括：获取待检测纺织面料的检测图像；将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

图1为根据本申请实施例的纺织面料的智能化加工工艺的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取待检测纺织面料的检测图像。接着，将上述图像输入至部署有用于纺织面料的智能化加工算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述纺织面料的智能化加工算法对上述输入的图像进行处理，以生成用于表示待检测纺织面料的成型质量是否满足预定要求的分类结果。

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。

图2为根据本申请实施例的纺织面料的智能化加工工艺的流程图。如图2所示，根据本申请实施例的，包括：S110，获取待检测纺织面料的检测图像；S120，将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；S130，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；S140，将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；S150，融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及，S160，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

图4为根据本申请实施例的纺织面料的智能化加工工艺的架构示意图。如图4所示，在该网络架构中，在推断阶段中，首先通过获取待检测纺织面料的检测图像；再将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；接着，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；然后，将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；融合所述颜色特征图和所述纹理特征图以得到分类特征图；进而，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

更具体地，在步骤S110中，获取待检测纺织面料的检测图像。考虑到在对于成型后的纺织面料进行质检时，其表面的印花纹理特征、纹路特征以及颜色分布特征是质检中最重要的因素，因此，为了能够简化质检的步骤和节省质检所用的资源，期望采用基于人工智能的机器视觉技术，以通过纺织面料的检测图像来生成其成型质量的检测结果。在本申请的一个具体示例中，可通过摄像头来获取待检测纺织面料的检测图像。

更具体地，在步骤S120中，将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图。应可以理解，考虑到由于灰度图的纹理分析在低分辨率的所述检测图像中准确率不高，因此，在本申请的技术方案中，需要进一步将所述经表面改性处理后的纺织面料的检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图，这样可以利用更准确的所述经表面改性处理后的检测图像的隐含纹理特征来进行所述待检测纺织面料的质检。

更具体地，在步骤S130中，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图。进一步将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型中进行特征挖掘，以提取出所述多通道LBP纹理特征直方图中关于所述待检测纺织面料的纹理隐含特征分布的多尺度关联特征信息，从而得到纹理特征图。相应地，在一个具体示例中，在所述混合卷积层中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入特征图进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的图像信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将4个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。更具体地，将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型中进行特征挖掘，包括：将所述多通道LBP纹理特征直方图输入所述混合卷积层的第一卷积层以得到第一尺度特征图，其中，所述第一卷积层使用具有第一尺寸的第一卷积核；将所述多通道LBP纹理特征直方图输入所述混合卷积层的第二卷积层以得到第二尺度特征图，其中，所述第二卷积层使用具有第一空洞率的第一空洞卷积核；将所述多通道LBP纹理特征直方图输入所述混合卷积层的第三卷积层以得到第三尺度特征图，其中，所述第三卷积层使用具有第二空洞率的第二空洞卷积核；将所述多通道LBP纹理特征直方图输入所述混合卷积层的第四卷积层以得到第四尺度特征图，其中，所述第四卷积层使用具有第三空洞率的第三空洞卷积核；融合所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图以得到所述纹理特征图。

图6为根据本申请实施例的纺织面料的智能化加工工艺中第一卷积神经网络编码过程的流程图。如图6所示，在所述第一卷积神经网络编码过程中，包括：使用所述包含多个混合卷积层的第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别进行：S210，对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；S220，对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活处理以得到激活特征图；其中，所述包含多个混合卷积层的第一卷积神经网络模型的最后一个混合卷积层的输出为所述纹理特征图。更进一步地，所述对输入数据进行多尺度卷积编码以得到多尺度卷积特征图，包括：将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度卷积特征图和所述第二邻域尺度卷积特征图进行级联以得到所述多尺度卷积特征图。其中，所述将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述多通道LBP纹理特征直方图进行一维卷积编码以得到第一邻域尺度卷积特征图；其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多通道LBP纹理特征直方图；所述将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述多通道LBP纹理特征直方图进行一维卷积编码以得到第二邻域尺度卷积特征图；其中，所述公式为：

其中，a为第二卷积核在x方向上的宽度、F(a)为第二卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第二卷积核的尺寸，X表示所述多通道LBP纹理特征直方图。

图7为根据本申请实施例的纺织面料的智能化加工工艺中多尺度卷积编码过程的流程图。如图7所示，在所述多尺度卷积编码过程中，包括：S310,将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度卷积特征图，其中，所述第一卷积层具有第一长度的第一一维卷积核；S320,将所述多通道LBP纹理特征直方图输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度卷积特征图，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及,S330,将所述第一邻域尺度卷积特征图和所述第二邻域尺度卷积特征图进行级联以得到所述多尺度卷积特征图。

更具体地，在步骤S140中，将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现的作为特征提取器的第二卷积神经网络模型来对于所述待检测纺织面料的检测图像进行特征提取，以提取出所述检测图像中的局部隐含特征在高维空间中的特征分布表示，即所述待检测纺织面料的颜色分布隐含特征信息，从而得到得到颜色特征图。

图8为根据本申请实施例的纺织面料的智能化加工工艺中第二卷积神经网络编码过程的流程图。如图8所示，在所述第二卷积神经网络编码过程中，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S410,对输入数据进行卷积处理以得到卷积特征图；S420,对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及,S430,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，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述颜色特征图，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述检测图像。

更具体地，在步骤S150中，融合所述颜色特征图和所述纹理特征图以得到分类特征图。应可以理解，在得到所述颜色特征图和所述纹理特征图后，融合所述颜色特征图和所述纹理特征图以得到分类特征图。在本申请的技术方案中，可以通过级联的方式来进行特征融合，以此来得到分类特征图。在一个具体示例中，以如下公式来融合所述颜色特征图和所述纹理特征图以得到分类特征图；其中，所述公式为：

V

其中，F

更具体地，在步骤S160中，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。应可以理解，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。也就是，使用分类器来对于所述分类特征图进行分类处理来得到用于表示待检测纺织面料的成型质量是否满足预定要求的分类结果。这样，能够对于所述待检测纺织面料的成型质量进行智能检测。在一个具体示例中，使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为：

O＝softmax{(M

应可以理解，在利用上述神经网络编码之前，需要对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练。也就是说，在本申请的纺织面料的智能化加工工艺中，包括训练模块，用于对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练。

图3为根据本申请实施例的纺织面料的智能化加工工艺中训练阶段的流程图。如图3所示，根据本申请实施例的纺织面料的智能化加工工艺，包括：S510，获取训练数据，所述训练数据包括待检测纺织面料的训练检测图像，以及，所述待检测纺织面料的成型质量是否满足预定要求的真实值；S520，将所述训练检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到训练多通道LBP纹理特征直方图；S530，将所述训练多通道LBP纹理特征直方图通过所述包含多个混合卷积层的第一卷积神经网络模型以得到训练纹理特征图；S540，将所述训练检测图像通过所述作为特征提取器的第二卷积神经网络模型以得到训练颜色特征图；S550，融合所述训练颜色特征图和所述训练纹理特征图以得到训练分类特征图；S560，将所述训练分类特征图通过所述分类器以得到分类损失函数值；以及，S570，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征图展开后得到的训练分类特征向量进行迭代。

图5为根据本申请实施例的纺织面料的智能化加工工艺中训练阶段的架构示意图。如图5所示，在该网络架构中，在训练阶段中，首先通过获取训练数据，所述训练数据包括待检测纺织面料的训练检测图像，以及，所述待检测纺织面料的成型质量是否满足预定要求的真实值；再将所述训练检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到训练多通道LBP纹理特征直方图；将所述训练多通道LBP纹理特征直方图通过所述包含多个混合卷积层的第一卷积神经网络模型以得到训练纹理特征图；接着，将所述训练检测图像通过所述作为特征提取器的第二卷积神经网络模型以得到训练颜色特征图；然后，融合所述训练颜色特征图和所述训练纹理特征图以得到训练分类特征图；将所述训练分类特征图通过所述分类器以得到分类损失函数值；进而，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含多个混合卷积层的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征图展开后得到的训练分类特征向量进行迭代。

特别地，在本申请的技术方案中，优选地，为了充分利用所述第一卷积神经网络模型提取到的纹理特征和所述第一卷积神经网络模型提取到的颜色特征，直接将所述颜色特征图和所述纹理特征图级联以得到所述分类特征图。但是，考虑到所述检测图像的纹理特征分布和颜色特征分布必然存在较为显著的分布差异，这就使得所述分类特征图的整体特征分布会变得发散，影响了在分类器中进行分类时分类器的训练速度和分类特征向量的分类结果的准确性。

因此，为了解决上述问题，本申请的申请人优化了模型的训练过程中，从而对所述分类特征图进行跨分类器的远程分布描述性增强。具体地，在所述分类特征图通过分类器的分类过程中，在每次分类器的权重矩阵的迭代过程中，通过下式来优化分类器的输入，表示为：

其中V表示所述训练分类特征图展开后得到的训练分类特征向量，M

综上，基于本申请实施例的纺织面料的智能化加工工艺被阐明，其通过采用基于深度学习的人工智能算法来对于待检测纺织面料的检测图像中关于纺织面料的纹理特征和颜色特征进行提取，并融合这两者的特征信息来综合进行所述待检测纺织面料的成型质量的智能检测。这样，能够准确地进行纺织面料成型质量的智能化检测，以提高纺织面料的生产质量。

图9为根据本申请实施例的纺织面料的智能化加工系统的框图。如图9所示，根据本申请实施例的纺织面料的智能化加工系统300，包括：检测图像获取模块310；转化模块320；第一卷积模块330；第二卷积模块340；融合模块350；以及，分类结果生成模块360。

其中，所述检测图像获取模块310，用于获取待检测纺织面料的检测图像；所述转化模块320，用于将所述检测图像从RGB颜色空间转化为YCbCr颜色空间并抽取各个通道的LBP纹理特征直方图以得到多通道LBP纹理特征直方图；所述第一卷积模块330，用于将所述多通道LBP纹理特征直方图通过包含多个混合卷积层的第一卷积神经网络模型以得到纹理特征图；所述第二卷积模块340，用于将所述检测图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；所述融合模块350，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；以及，所述分类结果生成模块360，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测纺织面料的成型质量是否满足预定要求。

在一个示例中，在上述纺织面料的智能化加工系统300中，所述第一卷积模块330，包括：使用所述包含多个混合卷积层的第一卷积神经网络模型的各个混合卷积层在层的正向传递中分别进行：对输入数据进行多尺度卷积编码以得到多尺度卷积特征图；对所述多尺度卷积特征图进行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处理以得到激活特征图；其中，所述包含多个混合卷积层的第一卷积神经网络模型的最后一个混合卷积层的输出为所述纹理特征图。

在一个示例中，在上述纺织面料的智能化加工系统300中，所述第二卷积模块340，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行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，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述颜色特征图，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述检测图像。

在一个示例中，在上述纺织面料的智能化加工系统300中，所述融合模块350，包括：以如下公式来融合所述颜色特征图和所述纹理特征图以得到分类特征图；其中，所述公式为：

V

其中，F

在一个示例中，在上述纺织面料的智能化加工系统300中，所述分类结果生成模块360包括：使用所述分类器以如下公式对所述分类特征图进行处理以获得分类结果，其中，所述公式为：

O＝softmax{(M

综上，基于本申请实施例的纺织面料的智能化加工系统被阐明，其通过采用基于深度学习的人工智能算法来对于待检测纺织面料的检测图像中关于纺织面料的纹理特征和颜色特征进行提取，并融合这两者的特征信息来综合进行所述待检测纺织面料的成型质量的智能检测。这样，能够准确地进行纺织面料成型质量的智能化检测，以提高纺织面料的生产质量。