(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211286839.7 (22)申请日 2022.10.20 (71)申请人 山东滨津纺织科技有限公司 地址 272000 山东省济宁市梁山县小安 山 镇新型建材产业园内 (72)发明人 李华　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 张灿 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/04(2012.01) (54)发明名称 陶瓷纤维无纺防火布智能化制备方法及其 系统 (57)摘要 本申请涉及智能化布料设计与制造领域， 且 更为具体地， 公开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。 权利要求书3页 说明书13页 附图6页 CN 115545520 A 2022.12.30 CN 115545520 A 1.一种陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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。 2.根据权利要求1所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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。 3.根据权利要求2所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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： 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。 4.根据权利要求3所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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： 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。 5.根据权利要求4所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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，权　利　要　求　书 1/3 页 2 CN 115545520 A 2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。 6.根据权利要求5所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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。 7.根据权利要求6所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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： 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。 8.根据权利要求7所述的陶瓷纤维无纺防火布智能化制备方法， 其特征在于， 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。 9.一种陶瓷纤维无纺防火布智能化制备系统， 其特征在于， 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。 10.根据权利要求9所述的陶瓷纤维无纺防火布智能化制备系统， 其特征在于， 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权　利　要　求　书 2/3 页 3 CN 115545520 A 3