陶瓷纤维无纺防火布智能化制备方法及其系统与流程

1.本技术涉及智能化布料设计与制造领域，且更为具体地，涉及一种陶瓷纤维无纺防火布智能化制备方法及其系统。
技术背景
2.陶瓷纤维是一种纤维状轻质耐火材料，具有重量轻、耐高温、热稳定性好、导热率低、比热小及耐机械震动等优点，因而在机械、冶金、化工、石油、陶瓷、玻璃、电子等行业都得到了广泛的应用。利用陶瓷纤维可制成陶瓷纤维无纺防火布。
3.陶瓷纤维无纺防火布的制备过程为：首先由陶瓷纤维制成纤维条，并根据纤维条的粗细进行并和牵伸，将牵伸后的纤维条给予预定数量捻的捻度，同时加入镍铬丝作为加强材料，然后通过预定模式的编织以形成所述陶瓷纤维无纺防火布。
4.在陶瓷纤维无纺防火布出厂之前，还需要对陶瓷纤维无纺防火布进行质检以确保其成型质量，现有的质检方式是通过肉眼来观察编织图案，以通过编织图案的完整性和美观性来判断其结合成型质量。
5.但是，这种质检方案显然无法满足实际产业要求，一方面肉眼无法观察到细微的缺陷，另一方面，图案完整性和美观性无法表征产品的性能。
6.因此，期望一种陶瓷纤维无纺防火布智能化制备方案以对于陶瓷纤维无纺防火布的成型质量进行检测，进而确保生产出的陶瓷纤维无纺防火布满足产业要求。


技术实现要素：

7.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种陶瓷纤维无纺防火布智能化制备方法及其系统，其通过陶瓷纤维无纺防火布内部应力的多尺度邻域关联特征来进行所述陶瓷纤维无纺防火布的成型质量的检测判断，并且还进一步引入多个检测点的拓扑特征来优化多尺度邻域关联特征的特征表达，从而使得对于所述陶瓷纤维无纺防火布的成型质量的判断更为精准。
8.根据本技术的一个方面，提供了一种陶瓷纤维无纺防火布智能化制备方法，其包括：在待检测陶瓷纤维无纺防火布的表面设置多个测试点；获取由应力传感器采集的所述多个测试点的多个应力值；将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量；将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量；基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量；以及将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
9.在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量，包括：将所述多个应力值按照样本维度排列以得到应力输入向量；将所述应力输入向量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尺度应力特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述应力输入向量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尺度应力特征向量，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，将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述多尺度应力关联特征向量。
10.在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述应力输入向量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尺度应力特征向量，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应力输入向量进行一维卷积编码以得到第一尺度应力特征向量；其中，所述公式为：
[0011][0012]
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表示所述应力输入向量。
[0013]
在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述应力输入向量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尺度应力特征向量，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应力输入向量进行一维卷积编码以得到所述第二尺度应力特征向量；其中，所述公式为：
[0014][0015]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述应力输入向量。
[0016]
在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述多个测试点的拓扑矩阵进行：对所述多个测试点的拓扑矩阵进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述深度卷积神经网络的最后一层的输出为所述拓扑特征矩阵。
[0017]
在上述陶瓷纤维无纺防火布智能化制备方法中，所述融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量，包括：将所述多尺度应力关联特征向量和所述拓扑特征矩阵进行相乘以得到所述分类特征向量。
[0018]
在上述陶瓷纤维无纺防火布智能化制备方法中，所述基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量，包括：基于所述分类特征向量中所有位置的特征值的均值，以如下公式对
所述分类特征向量进行基于相位感知的特征值校正以得到所述校正后分类特征向量；其中，所述公式为：
[0019][0020]
其中，v表示所述分类特征向量，表示所述分类特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0021]
在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述校正后分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述校正后分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn，bn)：...：(w1，b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后分类特征向量。
[0022]
根据本技术的另一方面，提供了一种陶瓷纤维无纺防火布智能化制备系统，包括：测试点设置单元，用于在待检测陶瓷纤维无纺防火布的表面设置多个测试点；应力值获取单元，用于获取由应力传感器采集的所述多个测试点的多个应力值；多尺度应力关联特征向量生成单元，用于将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量；拓扑特征矩阵生成单元，用于将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；分类特征向量生成单元，用于融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量；校正单元，用于基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量；以及质量结果生成单元，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0023]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述多尺度应力关联特征向量生成单元，包括：排列子单元，用于将所述多个应力值按照样本维度排列以得到应力输入向量；第一尺度编码子单元，用于将所述应力输入向量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尺度应力特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度编码子单元，用于将所述应力输入向量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尺度应力特征向量，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，多尺度级联单元，用于将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述多尺度应力关联特征向量。
[0024]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述第一尺度编码子单元，进一步用于：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应力输入向量进行一维卷积编码以得到第一尺度应力特征向量；其中，所述公式为：
[0025][0026]
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表示所述应力输入向量。
[0027]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述第二尺度编码子单元，进一步用于：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应力输入向量进行一维卷积编码以得到所述第二尺度应力特征向量；其中，所述公式为：
[0028][0029]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述应力输入向量。
[0030]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述拓扑特征矩阵生成单元，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述多个测试点的拓扑矩阵进行：对所述多个测试点的拓扑矩阵进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述深度卷积神经网络的最后一层的输出为所述拓扑特征矩阵。
[0031]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述分类特征向量生成单元，进一步用于：将所述多尺度应力关联特征向量和所述拓扑特征矩阵进行相乘以得到所述分类特征向量。
[0032]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述校正单元，进一步用于：基于所述分类特征向量中所有位置的特征值的均值，以如下公式对所述分类特征向量进行基于相位感知的特征值校正以得到所述校正后分类特征向量；其中，所述公式为：
[0033][0034]
其中，v表示所述分类特征向量，表示所述分类特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0035]
在上述陶瓷纤维无纺防火布智能化制备系统中，所述质量结果生成单元结果，进一步用于：使用所述分类器以如下公式对所述校正后分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
[0036]
softmax{(wn，bn)：...：(w1，b1)|x}
[0037]
其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后分类特征向量。
[0038]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的陶瓷纤维无纺防火布智能化制备方法。
[0039]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的陶瓷纤维无纺防火布智能化制备方法。
[0040]
与现有技术相比，本技术提供的陶瓷纤维无纺防火布智能化制备方法及其系统，其通过陶瓷纤维无纺防火布内部应力的多尺度邻域关联特征来进行所述陶瓷纤维无纺防火布的成型质量的检测判断，并且还进一步引入多个检测点的拓扑特征来优化多尺度邻域关联特征的特征表达，从而使得对于所述陶瓷纤维无纺防火布的成型质量的判断更为精准。
附图说明
[0041]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0042]
图1图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法的场景示意图。
[0043]
图2图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法的的流程图。
[0044]
图3图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法架构示意图。
[0045]
图4图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法中得到多尺度应力关联特征向量的流程图。
[0046]
图5图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统的框图。
[0047]
图6图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统中多尺度应力关联特征向量生成单元的框图。
[0048]
图7图示了根据本技术实施例的电子设备的框图。
具体实施方式
[0049]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0050]
申请概述
[0051]
考虑到由于陶瓷纤维无纺防火布的图案完整性和美观性无法表征其质量的好坏，且仅通过肉眼观察也并不能够观察到细微的缺陷，而本技术又考虑到应力是物体由于外因(受力、湿度、温度场变化等)而变形时，在物体内各部分之间产生相互作用的内力，以抵抗这种外因的作用，并试图使物体从变形后的位置恢复到变形前的位置。基于此，在本技术的技术方案中，期望通过陶瓷纤维无纺防火布内部应力的多尺度邻域关联特征来进行所述陶瓷纤维无纺防火布的成型质量的检测判断，并且还进一步引入多个检测点的拓扑特征来使得多尺度应力关联特征的检测范围更广，检测的结果更为准确，从而使得对于所述陶瓷纤维无纺防火布的成型质量的判断更为精准。
[0052]
具体地，在本技术的技术方案中，首先，在待检测陶瓷纤维无纺防火布的表面设置多个测试点，并且通过应力传感器采集所述多个测试点的多个应力值。然后，由于考虑到应力会在不同测试点的位置呈现出不同的效果，例如，所述待检测陶瓷纤维无纺防火布中有的测试点上的应力大，有的测试点的应力小，且不同测试点上的应力大小与该测试点周围的应力数值也有关系。因此，若想对于所述待检测陶瓷纤维无纺防火布中在不同空间跨度内的应力进行深层的关联特征提取，进一步将所述多个应力值排列为应力输入向量后，使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述应力输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进
行级联以得到所述多尺度应力关联特征向量。值得一提的是，通过这种方式，提取到了所述陶瓷纤维无纺防火布中在不同空间跨度内的应力特征的多尺度邻域关联，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息丢失，也提高了后续分类的准确性。特别地，在本技术的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行所述陶瓷纤维无纺防火布中在不同空间跨度内的应力特征提取，对此，并不为本技术所局限。
[0053]
进一步地，应可以理解，为了更为准确地对于所述陶瓷纤维无纺防火布的成型质量进行分类检测，在进行分类时加入了所述多个测试点的拓扑特征信息。也就是，首先，通过对于所述多个测试点的拓扑结构进行采集以得到所述多个测试点的拓扑矩阵。特别地，在本技术的一个具体示例中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。接着，将所述拓扑矩阵通过在隐含关联特征提取方面具有优异表现的卷积神经网络模型中进行深层关联特征挖掘，以得到具有所述多个测试点的拓扑特征的拓扑特征矩阵。
[0054]
这样，在融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量后，将其通过分类器中进行分类处理，以得到用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求的分类结果。
[0055]
特别地，在本技术的技术方案中，由于所述拓扑特征矩阵中的各个位置的特征值包含位置属性，这使得融合所述多尺度应力关联特征向量和所述拓扑特征矩阵所获得的所述分类特征向量的各个位置具有相应的相位信息。但是，在通过分类器进行分类时，可能由于分类器对相位信息无感知而影响分类效果。
[0056]
因此，首先对所述分类特征向量进行相位感知的向量按位置聚合，以将相位信息反应在分类特征向量的特征值上，具体为：
[0057][0058]
其中，v表示所述分类特征向量，表示所述分类特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0059]
这里，向量的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过相位感知的向量按位置聚合，基于欧拉公式的原理将向量进行实值向量的按位置拼接展开，从而以多层感知的形式补偿相位信息的损失，从而在对向量进行无位置属性的实值分类任务时提高分类准确性。这样，就能够对于所述陶瓷纤维无纺防火布的成型质量进行准确地检测，进而确保生产出的陶瓷纤维无纺防火布满足产业要求。
[0060]
基于此，本技术提出了一种陶瓷纤维无纺防火布智能化制备方法，其包括：在待检测陶瓷纤维无纺防火布的表面设置多个测试点；获取由应力传感器采集的所述多个测试点的多个应力值；将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量；将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量；基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校
正以得到校正后分类特征向量；以及，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0061]
图1图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法的场景示意图。如图1所示，在该应用场景中，首先由应力传感器(例如，如图1中所示意的se)采集设置在待检测陶瓷纤维无纺防火布的表面的多个测试点(例如，如图1中所示意的t1至tn)的多个应力值。然后，将所述多个测试点的多个应力值输入部署有陶瓷纤维无纺防火布智能化制备算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以所述陶瓷纤维无纺防火布智能化制备算法对所述多个测试点的多个应力值进行处理以得到用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求的分类结果。
[0062]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0063]
示例性方法
[0064]
图2图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法的的流程图。如图2所示，根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法，包括：s110，在待检测陶瓷纤维无纺防火布的表面设置多个测试点；s120，获取由应力传感器采集的所述多个测试点的多个应力值；s130，将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量；s140，将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；s150，融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量；s160，基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量；以及，s170，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0065]
图3图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法架构示意图。如图3所示，在该网络架构中，首先，在待检测陶瓷纤维无纺防火布的表面设置多个测试点。接着，获取由应力传感器采集的所述多个测试点的多个应力值，并将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量。然后，将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。接着，融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量。然后，基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量。然后，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0066]
在步骤s110中，在待检测陶瓷纤维无纺防火布的表面设置多个测试点。考虑到由于陶瓷纤维无纺防火布的图案完整性和美观性无法表征其质量的好坏，且仅通过肉眼观察也并不能够观察到细微的缺陷，并且应力是物体由于外因(受力、湿度、温度场变化等)而变形时，在物体内各部分之间产生相互作用的内力，以抵抗这种外因的作用，并试图使物体从
变形后的位置恢复到变形前的位置。基于此，在本技术的技术方案中，期望通过陶瓷纤维无纺防火布内部应力的多尺度邻域关联特征来进行所述陶瓷纤维无纺防火布的成型质量的检测判断，并且还进一步引入多个检测点的拓扑特征来使得多尺度应力关联特征的检测范围更广，检测的结果更为准确，从而使得对于所述陶瓷纤维无纺防火布的成型质量的判断更为精准。具体地，在本技术的技术方案中，在待检测陶瓷纤维无纺防火布的表面设置多个测试点。
[0067]
在步骤s120中，获取由应力传感器采集的所述多个测试点的多个应力值。应力会在不同测试点的位置呈现出不同的效果，例如，所述待检测陶瓷纤维无纺防火布中有的测试点上的应力大，有的测试点的应力小，且不同测试点上的应力大小与该测试点周围的应力数值也有关系。
[0068]
在步骤s130中，将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量。由于考虑到应力会在不同测试点的位置呈现出不同的效果，例如，所述待检测陶瓷纤维无纺防火布中有的测试点上的应力大，有的测试点的应力小，且不同测试点上的应力大小与该测试点周围的应力数值也有关系。因此，若想对于所述待检测陶瓷纤维无纺防火布中在不同空间跨度内的应力进行深层的关联特征提取，进一步将所述多个应力值排列为应力输入向量后，使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述应力输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度应力关联特征向量。
[0069]
值得一提的是，通过这种方式，提取到了所述陶瓷纤维无纺防火布中在不同空间跨度内的应力特征的多尺度邻域关联，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息丢失，也提高了后续分类的准确性。
[0070]
特别地，在本技术的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行所述陶瓷纤维无纺防火布中在不同空间跨度内的应力特征提取，对此，并不为本技术所局限。
[0071]
图4图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备方法中得到多尺度应力关联特征向量的流程图。如图4所示，在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量的过程，包括：s210，将所述多个应力值按照样本维度排列以得到应力输入向量；s220，将所述应力输入向量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尺度应力特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；s230，将所述应力输入向量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尺度应力特征向量，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，s240，将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述多尺度应力关联特征向量。
[0072]
具体地，在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述应力输入向量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尺度应力特征向量，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应力输入向量进行一维卷积编码以得到第一尺度应力特征向量；其中，所述公式为：
[0073][0074]
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表示所述应力输入向量。
[0075]
具体地，在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述应力输入向量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尺度应力特征向量，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应力输入向量进行一维卷积编码以得到所述第二尺度应力特征向量；其中，所述公式为：
[0076][0077]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述应力输入向量。
[0078]
在步骤s140中，将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。进一步地，应可以理解，为了更为准确地对于所述陶瓷纤维无纺防火布的成型质量进行分类检测，在进行分类时加入了所述多个测试点的拓扑特征信息。
[0079]
也就是，首先，通过对于所述多个测试点的拓扑结构进行采集以得到所述多个测试点的拓扑矩阵。接着，将所述拓扑矩阵通过在隐含关联特征提取方面具有优异表现的卷积神经网络模型中进行深层关联特征挖掘，以得到具有所述多个测试点的拓扑特征的拓扑特征矩阵。
[0080]
在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对所述多个测试点的拓扑矩阵进行：对所述多个测试点的拓扑矩阵进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征矩阵；以及，对所述池化特征矩阵进行非线性激活处理以得到激活特征矩阵；其中，所述深度卷积神经网络的最后一层的输出为所述拓扑特征矩阵。
[0081]
在步骤s150中，融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量。也就是，所述分类特征向量融合了不同空间跨度内的应力特征的多尺度邻域关联和所述多个测试点的拓扑特征的深层隐含关联。
[0082]
在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述融合所述多尺度应力关联特征向量和所述拓扑特征矩阵以得到分类特征向量，包括：将所述多尺度应力关联特征向量和所述拓扑特征矩阵进行相乘以得到所述分类特征向量。
[0083]
在步骤s160中，基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量。特别地，在本技术的技术方案中，由于所述拓扑特征矩阵中的各个位置的特征值包含位置属性，这使得融合
所述多尺度应力关联特征向量和所述拓扑特征矩阵所获得的所述分类特征向量的各个位置具有相应的相位信息。但是，在通过分类器进行分类时，可能由于分类器对相位信息无感知而影响分类效果。
[0084]
因此，首先对所述分类特征向量进行相位感知的向量按位置聚合，以将相位信息反应在分类特征向量的特征值上。
[0085]
在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量，包括：基于所述分类特征向量中所有位置的特征值的均值，以如下公式对所述分类特征向量进行基于相位感知的特征值校正以得到所述校正后分类特征向量；其中，所述公式为：
[0086][0087]
其中，v表示所述分类特征向量，表示所述分类特征向量中所有位置的特征值的均值的倒数，
⊙
表示按位置点乘。
[0088]
这里，向量的相位感知的表征引入了幅值-相位的类实值-虚值表征，通过相位感知的向量按位置聚合，基于欧拉公式的原理将向量进行实值向量的按位置拼接展开，从而以多层感知的形式补偿相位信息的损失，从而在对向量进行无位置属性的实值分类任务时提高分类准确性。这样，就能够对于所述陶瓷纤维无纺防火布的成型质量进行准确地检测，进而确保生产出的陶瓷纤维无纺防火布满足产业要求。
[0089]
在步骤s170中，将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0090]
在一个示例中，在上述陶瓷纤维无纺防火布智能化制备方法中，所述将所述校正后分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述校正后分类特征向量进行处理以获得所述分类结果，其中，所述公式为：
[0091]
softmax{(wn，bn)：...：(w1，b1)|x}
[0092]
其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述校正后分类特征向量。
[0093]
综上，基于本技术实施例的陶瓷纤维无纺防火布智能化制备方法被阐明，其通过陶瓷纤维无纺防火布内部应力的多尺度邻域关联特征来进行所述陶瓷纤维无纺防火布的成型质量的检测判断，并且还进一步引入多个检测点的拓扑特征来优化多尺度邻域关联特征的特征表达，从而使得对于所述陶瓷纤维无纺防火布的成型质量的判断更为精准。
[0094]
示例性系统
[0095]
图5图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统的框图。如图5所示，根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统100，包括：测试点设置单元110，用于在待检测陶瓷纤维无纺防火布的表面设置多个测试点；应力值获取单元120，用于获取由应力传感器采集的所述多个测试点的多个应力值；多尺度应力关联特征向量生成单元130，用于将所述多个应力值排列为应力输入向量后通过多尺度邻域特征提取模块以得到多尺度应力关联特征向量；拓扑特征矩阵生成单元140，用于将所述多个测试点的拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个测试点之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；分类特征向量生成单元150，用于融合所述多尺度应力关联
特征向量和所述拓扑特征矩阵以得到分类特征向量；校正单元160，用于基于所述分类特征向量中所有位置的特征值的均值，对所述分类特征向量进行基于相位感知的特征值校正以得到校正后分类特征向量；以及，质量结果生成单元170，用于将所述校正后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示陶瓷纤维无纺防火布的成型质量是否满足预定要求。
[0096]
图6图示了根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统中多尺度应力关联特征向量生成单元的框图。如图6所示，所述多尺度应力关联特征向量生成单元130，包括：排列子单元131，用于将所述多个应力值按照样本维度排列以得到应力输入向量；第一尺度编码子单元132，用于将所述应力输入向量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尺度应力特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度编码子单元133，用于将所述应力输入向量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尺度应力特征向量，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，多尺度级联单元134，用于将所述第一尺度应力特征向量和所述第二尺度应力特征向量进行级联以得到所述多尺度应力关联特征向量。
[0097]
这里，本领域技术人员可以理解，上述陶瓷纤维无纺防火布智能化制备系统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5的陶瓷纤维无纺防火布智能化制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0098]
如上所述，根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统100可以实现在各种终端设备中，例如用于陶瓷纤维无纺防火布智能化制备的服务器等。在一个示例中，根据本技术实施例的陶瓷纤维无纺防火布智能化制备系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该陶瓷纤维无纺防火布智能化制备系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该陶瓷纤维无纺防火布智能化制备系统100同样可以是该终端设备的众多硬件模块之一。
[0099]
替换地，在另一示例中，该陶瓷纤维无纺防火布智能化制备系统100与该终端设备也可以是分立的设备，并且该陶瓷纤维无纺防火布智能化制备系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0100]
示例性电子设备
[0101]
下面，参考图7来描述根据本技术实施例的电子设备。
[0102]
图7图示了根据本技术实施例的电子设备的框图。
[0103]
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
[0104]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0105]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申
请的各个实施例的陶瓷纤维无纺防火布智能化制备方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如应力值等各种内容。
[0106]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0107]
该输入装置13可以包括例如键盘、鼠标等等。
[0108]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0109]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0110]
示例性计算机程序产品和计算机可读存储介质
[0111]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的陶瓷纤维无纺防火布智能化制备方法中的功能中的步骤。
[0112]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0113]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的陶瓷纤维无纺防火布智能化制备方法中的功能中的步骤。
[0114]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0115]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术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技术为必须采用上述具体的细节来实现。
[0116]
本技术中涉及的器件、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。
[0117]
还需要指出的是，在本技术的装置、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技术的等效方案。
[0118]
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技术。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技术的范围。因此，本技术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。
[0119]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术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。