本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)，尤其涉及一種聚乳酸生物基纖維染色工藝優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、隨著紡織行業(yè)的發(fā)展，生物基纖維作為一種新型環(huán)保材料，受到越來越多的關(guān)注。聚乳酸（pla）纖維作為其中的一種，由于其可再生、可降解以及優(yōu)良的機(jī)械性能，成為了紡織行業(yè)中的重要材料。然而，聚乳酸纖維在染色過程中面臨許多技術(shù)難題，如染色不均勻、色牢度低以及染色過程中纖維結(jié)構(gòu)的損傷等。因此，如何優(yōu)化聚乳酸纖維的染色工藝，提升染色質(zhì)量和穩(wěn)定性，成為了亟需解決的問題。傳統(tǒng)的染色工藝多依賴于經(jīng)驗(yàn)和反復(fù)試驗(yàn)，效率低下且不具備通用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為解決上述技術(shù)問題，提出了一種聚乳酸生物基纖維染色工藝優(yōu)化方法及系統(tǒng)，以解決至少一個上述技術(shù)問題。

2、本技術(shù)提供了一種聚乳酸生物基纖維染色工藝優(yōu)化方法，包括以下步驟：

3、步驟s1：獲取聚乳酸纖維圖像數(shù)據(jù)以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)；

4、步驟s2：對聚乳酸纖維圖像數(shù)據(jù)進(jìn)行自注意力卷積層計(jì)算，得到聚乳酸纖維圖像卷積層數(shù)據(jù)；

5、步驟s3：對聚乳酸纖維圖像卷積層數(shù)據(jù)進(jìn)行多維池化層處理，得到聚乳酸纖維圖像池化層數(shù)據(jù)；

6、步驟s4：對聚乳酸纖維圖像池化層數(shù)據(jù)進(jìn)行全連接層計(jì)算，得到聚乳酸纖維圖像全連接層數(shù)據(jù)；

7、步驟s5：根據(jù)聚乳酸纖維圖像全連接層數(shù)據(jù)以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)進(jìn)行模型構(gòu)建并迭代，得到聚乳酸生物基纖維染色工藝優(yōu)化模型，以進(jìn)行聚乳酸生物基纖維染色工藝優(yōu)化作業(yè)。

8、本發(fā)明中通過精確的特征提取和優(yōu)化模型，能夠顯著提高聚乳酸生物基纖維的染色質(zhì)量，確保染色均勻性和色牢度。優(yōu)化染色工藝減少了試驗(yàn)次數(shù)和原材料浪費(fèi)，從而降低了生產(chǎn)成本。減少化學(xué)助劑的使用量和廢水排放，符合環(huán)保要求，提升企業(yè)的可持續(xù)發(fā)展能力。優(yōu)化模型可以根據(jù)不同的纖維類型和染色需求進(jìn)行調(diào)整，具有很強(qiáng)的適應(yīng)性和通用性。

9、優(yōu)選地，其中聚乳酸纖維圖像數(shù)據(jù)包括第一聚乳酸纖維圖像數(shù)據(jù)以及第二聚乳酸纖維圖像數(shù)據(jù)，步驟s1具體為：

10、通過高清攝像頭對聚乳酸生物基纖維進(jìn)行圖像采集，得到第一聚乳酸纖維圖像數(shù)據(jù)；

11、通過高清攝像頭以及高分辨率顯微鏡對對聚乳酸生物基纖維進(jìn)行圖像采集，得到第二聚乳酸纖維圖像數(shù)據(jù)；

12、獲取聚乳酸纖維圖像數(shù)據(jù)對應(yīng)的化學(xué)助劑含量數(shù)據(jù)。

13、本發(fā)明中宏觀圖像數(shù)據(jù)提供了大范圍的纖維信息，適用于整體染色效果的評估；微觀圖像數(shù)據(jù)提供了纖維表面的細(xì)節(jié)信息，適用于精細(xì)結(jié)構(gòu)的分析和優(yōu)化。獲取詳細(xì)的化學(xué)助劑含量數(shù)據(jù)，并與圖像數(shù)據(jù)關(guān)聯(lián)，能夠提高后續(xù)模型構(gòu)建的精度。模型可以更準(zhǔn)確地預(yù)測不同助劑配方對染色效果的影響，從而優(yōu)化染色工藝。通過詳細(xì)的數(shù)據(jù)采集和關(guān)聯(lián)分析，可以發(fā)現(xiàn)不同染色參數(shù)對最終染色質(zhì)量的影響，為染色工藝的優(yōu)化提供科學(xué)依據(jù)和決策支持。通過初步使用高清攝像頭進(jìn)行大范圍的快速篩選，再使用高分辨率顯微鏡進(jìn)行詳細(xì)分析，能夠有效降低圖像采集的總體成本，同時確保數(shù)據(jù)的高質(zhì)量。

14、優(yōu)選地，步驟s2具體為：

15、對聚乳酸纖維圖像數(shù)據(jù)進(jìn)行多尺度卷積計(jì)算，得到初步卷積層數(shù)據(jù)；

16、對初步卷積層數(shù)據(jù)進(jìn)行多頭自注意力計(jì)算，得到卷積層多頭自注意力數(shù)據(jù)；

17、根據(jù)卷積層多頭自注意力數(shù)據(jù)進(jìn)行加權(quán)融合，得到聚乳酸纖維圖像卷積層數(shù)據(jù)。

18、本發(fā)明中多尺度卷積計(jì)算能夠提取不同尺度的特征，提高了模型的特征提取能力，確保了重要信息的捕捉。通過多頭自注意力機(jī)制，模型可以關(guān)注到圖像的不同部分，提升對復(fù)雜圖像的理解和處理能力，尤其是對于細(xì)節(jié)豐富且復(fù)雜的聚乳酸纖維圖像。自注意力機(jī)制的引入，使得模型能夠捕捉長距離依賴關(guān)系，優(yōu)化特征選擇和表示的質(zhì)量，提供了更高質(zhì)量的卷積層數(shù)據(jù)。通過加權(quán)融合不同頭的自注意力特征，綜合考慮了多種特征信息，提高了模型的性能和預(yù)測精度。通過精確的圖像特征提取和表示，提高了染色工藝優(yōu)化模型的精度和一致性，確保染色效果的穩(wěn)定性和高質(zhì)量。

19、優(yōu)選地，步驟s3具體為：

20、對聚乳酸纖維圖像卷積層數(shù)據(jù)進(jìn)行多尺度池化計(jì)算，得到初步聚乳酸纖維圖像池化層數(shù)據(jù)；

21、對初步聚乳酸纖維圖像池化層數(shù)據(jù)進(jìn)行池化層特征歸一化，得到圖像池化層歸一化數(shù)據(jù)；

22、對圖像池化層歸一化數(shù)據(jù)進(jìn)行跨通道池化融合，得到圖像池化層融合數(shù)據(jù)；

23、對圖像池化層融合數(shù)據(jù)進(jìn)行動態(tài)特征增強(qiáng)，得到聚乳酸纖維圖像池化層數(shù)據(jù)。

24、本發(fā)明中多尺度池化計(jì)算和跨通道池化融合能夠捕捉和綜合不同尺度和不同通道的特征信息，提高模型對圖像的理解和表示能力。通過特征歸一化處理，消除了不同特征之間的尺度差異，提高了數(shù)據(jù)的一致性和可比較性，優(yōu)化了模型的訓(xùn)練效果?？缤ǖ莱鼗诤虾蛣討B(tài)特征增強(qiáng)使得模型能夠綜合考慮多種特征信息，增強(qiáng)了模型的表現(xiàn)能力，優(yōu)化了最終的染色工藝模型。多尺度池化計(jì)算和數(shù)據(jù)降維有效減少了計(jì)算量，提高了模型的運(yùn)行效率，保證了高效的數(shù)據(jù)處理和模型訓(xùn)練。動態(tài)特征增強(qiáng)使得模型能夠在不同條件下保持穩(wěn)定的表現(xiàn)，提高了模型的魯棒性和適應(yīng)性，確保染色工藝的一致性和穩(wěn)定性。

25、優(yōu)選地，其中圖像池化層融合數(shù)據(jù)包括第一圖像池化層融合數(shù)據(jù)以及第二圖像池化層融合數(shù)據(jù)，跨通道池化融合具體為：

26、對圖像池化層歸一化數(shù)據(jù)進(jìn)行通道分解，得到通道分解數(shù)據(jù)；

27、根據(jù)通道分解數(shù)據(jù)進(jìn)行信息熵計(jì)算，得到通道分解信息熵?cái)?shù)據(jù)；

28、判斷通道分解信息熵?cái)?shù)據(jù)是否大于或等于預(yù)設(shè)的通道分解信息熵閾值數(shù)據(jù)；

29、確定通道分解信息熵?cái)?shù)據(jù)大于或等于預(yù)設(shè)的通道分解信息熵閾值數(shù)據(jù)時，則對通道分解數(shù)據(jù)進(jìn)行乘積池化融合，得到第一圖像池化層融合數(shù)據(jù)；

30、確定通道分解信息熵?cái)?shù)據(jù)小于預(yù)設(shè)的通道分解信息熵閾值數(shù)據(jù)時，則對通道分解數(shù)據(jù)進(jìn)行加權(quán)平均池化，得到第二圖像池化層融合數(shù)據(jù)。

31、本發(fā)明中通道分解有助于將不同通道的特征獨(dú)立處理，確保每個通道特征的獨(dú)立性和清晰度。通過分解不同通道的特征，可以更好地分析和處理每個通道的獨(dú)特信息。通過信息熵計(jì)算，可以優(yōu)化數(shù)據(jù)處理流程，保留高信息量的特征，提高特征表示質(zhì)量。根據(jù)信息熵閾值判斷，選擇不同的融合策略，優(yōu)化特征融合效果。乘積池化融合可以突出重要特征，增強(qiáng)特征的表現(xiàn)力，提高模型的精度。加權(quán)平均池化可以平滑特征表示，減少噪聲的影響，提高特征的穩(wěn)定性。

32、優(yōu)選地，其中通道分解數(shù)據(jù)包括第一通道分解數(shù)據(jù)以及第二通道分解數(shù)據(jù)，通道分解具體為：

33、對圖像池化層歸一化數(shù)據(jù)進(jìn)行卷積通道分解，得到第一通道分解數(shù)據(jù)；

34、對圖像池化層歸一化數(shù)據(jù)進(jìn)行聚類通道分解，得到第二通道分解數(shù)據(jù)。

35、本發(fā)明中通過卷積通道分解，可以提取不同卷積核的特征表示，捕捉到圖像中的多種特征，增強(qiáng)了特征的多樣性和表達(dá)能力。卷積通道分解能夠分離出獨(dú)立的特征通道，避免不同特征之間的干擾，提高特征的獨(dú)立性和清晰度。通過多層次的卷積操作，可以對特征進(jìn)行細(xì)化和增強(qiáng)，捕捉到更加精細(xì)和重要的特征信息，為后續(xù)處理提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。通過聚類通道分解，可以將相似的特征聚集在一起，減少數(shù)據(jù)的冗余度，優(yōu)化特征表示的聚合性和一致性。聚類通道分解能夠有效地簡化特征處理流程，降低計(jì)算復(fù)雜度，提高處理效率和模型的整體性能。聚類分析可以揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，將特征劃分為具有明確物理意義的群體，增強(qiáng)了特征的結(jié)構(gòu)性和可解釋性。

36、優(yōu)選地，其中卷積通道分解具體為：

37、對圖像池化層歸一化數(shù)據(jù)進(jìn)行稀疏編碼處理，得到圖像池化層稀疏編碼數(shù)據(jù)；

38、根據(jù)圖像池化層稀疏編碼數(shù)據(jù)進(jìn)行卷積計(jì)算，得到稀疏編碼卷積層數(shù)據(jù)；

39、根據(jù)稀疏編碼卷積層數(shù)據(jù)進(jìn)行時域轉(zhuǎn)換，得到卷積層時域轉(zhuǎn)換數(shù)據(jù)；

40、根據(jù)卷積層時域轉(zhuǎn)換數(shù)據(jù)進(jìn)行梯度特征提取，得到時域轉(zhuǎn)換梯度特征數(shù)據(jù)；

41、根據(jù)時域轉(zhuǎn)換梯度特征數(shù)據(jù)對卷積層時域轉(zhuǎn)換數(shù)據(jù)進(jìn)行數(shù)據(jù)分割，得到卷積層時域分割數(shù)據(jù)；

42、根據(jù)卷積層時域分割數(shù)據(jù)進(jìn)行特征重構(gòu)，得到特征重構(gòu)數(shù)據(jù)；

43、根據(jù)特征重構(gòu)數(shù)據(jù)進(jìn)行通道映射，得到第一通道分解數(shù)據(jù)。

44、本發(fā)明中稀疏編碼處理能夠提取出數(shù)據(jù)中的重要特征，減少冗余信息，提高特征表示的效率。卷積操作能夠有效識別圖像中的局部特征和模式，提高模型的特征識別能力。時域轉(zhuǎn)換能夠?qū)⒕矸e層數(shù)據(jù)轉(zhuǎn)換到另一個維度，提供不同視角的特征分析，增強(qiáng)特征的多樣性。梯度特征提取能夠捕捉數(shù)據(jù)中的關(guān)鍵變化和邊緣特征，提高模型對重要特征的識別能力。通過分割不同特征區(qū)域，增強(qiáng)了特征的獨(dú)立性和清晰度。特征重構(gòu)能夠?qū)⒎指詈蟮奶卣髦匦抡?，提高特征表示的完整性和一致性。通道映射能夠?qū)⒅貥?gòu)特征映射到獨(dú)立的通道上，增強(qiáng)每個通道的獨(dú)立性和特征表達(dá)能力。

45、優(yōu)選地，其中聚類通道分解具體為：

46、對圖像池化層歸一化數(shù)據(jù)進(jìn)行特征選擇，得到圖像池化層特征選擇數(shù)據(jù)；

47、對圖像池化層特征選擇數(shù)據(jù)進(jìn)行聚類計(jì)算，得到圖像池化層聚類特征數(shù)據(jù)；

48、根據(jù)圖像池化層聚類特征數(shù)據(jù)進(jìn)行聚類中心提取，得到聚類中心圖數(shù)據(jù)；

49、根據(jù)聚類中心圖數(shù)據(jù)進(jìn)行聚類通道映射，得到第二通道分解數(shù)據(jù)；

50、其中聚類通道映射具體為：

51、根據(jù)聚類中心圖數(shù)據(jù)進(jìn)行特征編碼，得到編碼特征數(shù)據(jù)；

52、根據(jù)編碼特征數(shù)據(jù)進(jìn)行邊緣特征傳遞并計(jì)算，得到分布式特征數(shù)據(jù)；

53、對分布式特征數(shù)據(jù)進(jìn)行特征相關(guān)性聚合處理，得到特征相關(guān)性聚合數(shù)據(jù)；

54、根據(jù)特征相關(guān)性聚合數(shù)據(jù)進(jìn)行特征映射，得到特征映射數(shù)據(jù)；

55、根據(jù)特征映射數(shù)據(jù)進(jìn)行特征對齊并融合，得到特征融合數(shù)據(jù)；

56、根據(jù)特征融合數(shù)據(jù)進(jìn)行通道映射，得到第二通道分解數(shù)據(jù)。

57、本發(fā)明中通過特征選擇，可以篩選出對染色效果最重要的特征，提高特征質(zhì)量。通過聚類，數(shù)據(jù)的結(jié)構(gòu)性和層次性得到增強(qiáng)，有助于進(jìn)一步分析和處理。聚類中心提取能夠簡化特征表示，僅保留聚類中心，減少數(shù)據(jù)量。聚類中心代表了特征的主要模式，能夠優(yōu)化特征表達(dá)，提高模型的識別能力。通過通道映射，將聚類中心特征映射到獨(dú)立的通道上，提高特征的獨(dú)立性。

58、本發(fā)明中通過特征編碼和邊緣計(jì)算，預(yù)處理數(shù)據(jù)并分散計(jì)算負(fù)載，提高了數(shù)據(jù)處理的效率和實(shí)時性。邊緣計(jì)算在數(shù)據(jù)的本地處理和分析上減少了向中心服務(wù)器的數(shù)據(jù)傳輸，降低了帶寬占用和傳輸延遲。通過分析特征之間的相關(guān)性，優(yōu)化特征表示，提取出對任務(wù)更有意義的特征組合。映射后的特征在新的特征空間中更具區(qū)分性，有助于提高模型的精度和泛化能力。通過特征對齊，確保來自不同來源或不同階段的數(shù)據(jù)具有一致性，消除特征之間的偏差。通道映射過程確保了各個通道數(shù)據(jù)的獨(dú)立性和清晰性，使不同特征之間的干擾最小化。通過選擇性地將融合特征映射到指定通道，優(yōu)化了特征空間的表示，使得通道之間的區(qū)分性更加明顯。

59、優(yōu)選地，步驟s4具體為：

60、對聚乳酸纖維圖像池化層數(shù)據(jù)進(jìn)行前向傳播計(jì)算，得到初步圖像全連接層數(shù)據(jù)；

61、對初步圖像全連接層數(shù)據(jù)進(jìn)行激活計(jì)算，得到圖像全連接層激活計(jì)算數(shù)據(jù)；

62、根據(jù)圖像全連接層激活計(jì)算數(shù)據(jù)進(jìn)行特征組合，得到組合特征數(shù)據(jù)；

63、根據(jù)組合特征數(shù)據(jù)以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)進(jìn)行誤差計(jì)算，得到誤差計(jì)算數(shù)據(jù)；

64、根據(jù)誤差計(jì)算數(shù)據(jù)進(jìn)行反向傳播，得到反向傳播數(shù)據(jù)；

65、根據(jù)反向傳播數(shù)據(jù)對聚乳酸纖維圖像池化層數(shù)據(jù)進(jìn)行全連接層計(jì)算，得到聚乳酸纖維圖像全連接層數(shù)據(jù)。

66、本發(fā)明中通過前向傳播，能夠增強(qiáng)特征的表示能力，確保特征在全連接層的有效傳遞。激活計(jì)算引入非線性特性，使模型能夠捕捉復(fù)雜的特征關(guān)系，提高模型的表現(xiàn)能力。特征組合能夠?qū)⒉煌募せ钣?jì)算數(shù)據(jù)進(jìn)行優(yōu)化組合，提高特征的表示能力。通過特征組合，可以增強(qiáng)特征間的相關(guān)性，提升模型對數(shù)據(jù)的理解和處理能力。誤差計(jì)算能夠準(zhǔn)確評估模型的性能，識別出模型的不足之處。反向傳播能夠根據(jù)誤差計(jì)算結(jié)果，逐層優(yōu)化模型的參數(shù)，提高模型的性能。通過反向傳播后的全連接層計(jì)算，能夠?qū)崿F(xiàn)模型的收斂，保證模型的穩(wěn)定性和精度。

67、優(yōu)選地，本技術(shù)還提供了一種聚乳酸生物基纖維染色工藝優(yōu)化系統(tǒng)，用于執(zhí)行如上所述的聚乳酸生物基纖維染色工藝優(yōu)化方法，該聚乳酸生物基纖維染色工藝優(yōu)化系統(tǒng)包括：

68、聚乳酸纖維數(shù)據(jù)采集模塊，用于獲取聚乳酸纖維圖像數(shù)據(jù)以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)；

69、聚乳酸纖維圖像卷積模塊，用于對聚乳酸纖維圖像數(shù)據(jù)進(jìn)行自注意力卷積層計(jì)算，得到聚乳酸纖維圖像卷積層數(shù)據(jù)；

70、聚乳酸纖維圖像池化模塊，用于對聚乳酸纖維圖像卷積層數(shù)據(jù)進(jìn)行多維池化層處理，得到聚乳酸纖維圖像池化層數(shù)據(jù)；

71、聚乳酸纖維圖像全連接模塊，用于對聚乳酸纖維圖像池化層數(shù)據(jù)進(jìn)行全連接層計(jì)算，得到聚乳酸纖維圖像全連接層數(shù)據(jù)；

72、聚乳酸生物基纖維染色工藝優(yōu)化模型構(gòu)建模塊，用于根據(jù)聚乳酸纖維圖像全連接層數(shù)據(jù)以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)進(jìn)行模型構(gòu)建并迭代，得到聚乳酸生物基纖維染色工藝優(yōu)化模型，以進(jìn)行聚乳酸生物基纖維染色工藝優(yōu)化作業(yè)。

73、本發(fā)明的有益效果在于：通過高清攝像頭和高分辨率顯微鏡獲取聚乳酸纖維的圖像數(shù)據(jù)，以及對應(yīng)的化學(xué)助劑含量數(shù)據(jù)，實(shí)現(xiàn)多源數(shù)據(jù)的全面收集。多尺度卷積計(jì)算提取不同尺度的信息，自注意力機(jī)制則加強(qiáng)了模型在長距離依賴特征上的表現(xiàn)，從而捕捉到更多的關(guān)鍵信息。通過多尺度池化計(jì)算和池化層特征歸一化，降低數(shù)據(jù)維度，提高數(shù)據(jù)一致性和可比較性。前向傳播和激活計(jì)算通過引入非線性特性，增強(qiáng)了模型的表達(dá)能力。特征組合優(yōu)化了特征表示，提高了特征相關(guān)性。通過多次迭代訓(xùn)練，根據(jù)全連接層數(shù)據(jù)和化學(xué)助劑含量數(shù)據(jù)進(jìn)行誤差計(jì)算和反向傳播，不斷優(yōu)化模型參數(shù)，實(shí)現(xiàn)模型的收斂和穩(wěn)定性。